I primi soccorritori, personale di soccorso in caso di catastrofe, e i membri delle forze armate dipendono dai loro compagni di squadra per riuscire nella loro missione; però, gli alti costi di raccolta dei dati hanno reso difficile la comprensione delle dinamiche di gruppo. Il recente lavoro dei ricercatori del Rensselaer Polytechnic Institute sta dimostrando come i dati dei giochi online possono aiutare a fornire informazioni significative.

Utilizzando i dati di League of Legends, uno dei giochi di ruolo online più famosi al mondo, i ricercatori hanno impiegato tecniche di big data per sviluppare modelli che rivelano come l'appartenenza al team, storia lavorativa, e altri fattori influenzano i risultati delle prestazioni.

Questi risultati, che sono stati recentemente pubblicati in Atti della riunione annuale della Società sui fattori umani e l'ergonomia , hanno implicazioni ampie e critiche. I dati, su centinaia di migliaia di partite giocate da circa 100, 000 team—ha permesso ai ricercatori di costruire e testare modelli statistici avanzati ed esplorare complesse sfide metodologiche nello studio del lavoro di squadra.

La loro ricerca su League of Legends mira a determinare il modo migliore per misurare e monitorare i singoli membri del team al fine di migliorare le prestazioni e l'apprendimento nel tempo, soprattutto quando si tratta di situazioni più critiche.

"Il nostro approccio ci consente di porre domande estremamente difficili da porre in ambienti "vivi" come combattimenti militari, " ha detto David Mendonca, un professore associato di ingegneria industriale e dei sistemi a Rensselaer che è uno dei ricercatori principali del progetto. "I dati sul lavoro di squadra di questo tipo e su questa scala semplicemente non sono facilmente disponibili".

Con i dati di League of Legends, accuratamente compilato da fonti pubblicamente disponibili, i ricercatori sono stati in grado di testare la loro strumentazione e progettare i loro studi in modo da migliorare la raccolta dei dati in un ambiente ad alto rischio.

Tipicamente, Mendonca ha detto, è difficile eseguire questo tipo di studi di gruppo perché è necessario un gran numero di soggetti di ricerca per ottenere dati sufficienti. Anche i membri del team, idealmente, devono aver lavorato insieme prima per consentire ai ricercatori di esplorare il loro comportamento nel tempo. Il set di dati di League of Legends contiene migliaia di esempi di squadre i cui membri hanno giocato centinaia di partite insieme.

"Stiamo cercando di capire i processi di apprendimento e adattamento, in particolare quando le squadre sono soggette a eventi imprevisti o insoliti, come la perdita di membri del team, " disse Mendonca.

Questo recente articolo si basa su ricerche passate fatte da Mendonca e Wayne Gray, un professore di scienze cognitive a Rensselaer, così come Joshua Eaton, uno studente di dottorato in ingegneria industriale e dei sistemi a Rensselaer. In precedenza hanno scoperto che ci sono posizioni critiche all'interno di una squadra che possono influenzare in modo significativo gli obiettivi di un gruppo. Per esempio, quando un giocatore che occupa una posizione critica è "a terra, "Gli eventi negativi all'interno del gioco aumentano per la propria squadra.

Mendonca ed Eaton hanno anche scoperto che, se i membri del team hanno familiarità con la loro posizione, può influenzare positivamente l'efficacia di una squadra. Ciò che questa ricerca ha consentito è lo sviluppo di metriche che consentiranno a Mendonca e al suo team di provare a rispondere a una delle loro esigenze di guida, e complesso, domande:Qual è l'effetto del fatturato e come possono misurarlo?

L'Ufficio di ricerca navale sostiene questo lavoro attraverso una sovvenzione, per il quale Gray è l'investigatore principale. Egli caratterizza lo sforzo complessivo come il tentativo di trovare l'"io" in "squadra".

"Possiamo trovare il contributo del singolo in una squadra?" disse Gray, il cui lavoro sulle prestazioni nei giochi per giocatore singolo, come Tetris, ha portato a scoperte rivoluzionarie sull'apprendimento da parte di esperti.

In definitiva, questo lavoro è fortemente focalizzato sulla scoperta di quali metriche sono le più significative da misurare e come raccogliere informazioni che si riveleranno utili in ulteriori studi. Con questi risultati in mano, Mendonca ha detto, la ricerca successiva dovrebbe esplorare i tempi di riassunzione del personale nelle organizzazioni militari e di altro tipo al fine di supportare le prestazioni.