Once Upon a Time: The Process of Structure in MTSs Roger Leenders, - - PowerPoint PPT Presentation

Once Upon a Time: The Process of Structure in MTSs

Roger Leenders, Noshir Contractor, Leslie DeChurch

A Network Approach to the study of MTS

Antecedents? ¡ Consequences? ¡

A Network Approach to the study of MTS

Antecedents ¡

• Informa3on ¡need ¡
• Loca3on ¡
• Team ¡culture ¡
• Task ¡dependence ¡

A Network Approach to the study of MTS

• * ¡Some ¡teams ¡

perfectly ¡located ¡to ¡ be ¡innova3ve, ¡but ¡ not ¡to ¡be ¡efficient ¡

• * ¡Some ¡teams ¡

perfectly ¡located ¡to ¡ be ¡efficient, ¡but ¡not ¡ to ¡be ¡innova3ve ¡

• * ¡Others ¡good/bad ¡at ¡

neither ¡MTS ¡ performance ¡low ¡ nodes: teams, tie: knowledge sharing

“Classic” Social Network Analysis

Data requirements: single (aggregated) observation of a network

Adding change: MTS Network Dynamics

Behavior

Longitudinal Social Network Analysis

Most common: Markov chain + agent-based model For example: “network change can be explained by a tendency toward reciprocity, transitivity, and a preference for similarity in work commitment.”

Longitudinal Social Network Analysis

Data requirements: several observations of a network in a meaningful state Useful for: modeling how networks develop through a series of states

Taking MTS Temporal Dynamics a Step Further: From Snapshots to the Movie

* Increasingly we have access to (full) event data (e.g., sensor data, server logs, videotaped interaction) * Temporally binning data is a waste of beautiful data * The world changes in real time and step-by-step, so much is gained by modeling it that way * There is much variance to be explained in MTS performance, modeling the movie allows us to open the box for many new explanations and more detailed analysis

event e = (sender, receiver, weight, time) The event sequence (e1, . . . , ei−1) determines event network Gi

Δte = time difference between two given events f(e│Ge; θ) = fλ(sendere, receivere, Δte│Ge; θ(λ)) * fµ(we│sendere, receivere; Ge, θ(µ))

A little bit of Greek

probability density that the i’th event happens after a waiting time of Δte for given sender and receiver—given the state of the network Ge and the rate parameters θ(λ). probability density that event e has weight we—given the network Ge and values for the weight-parameters θ(µ) and given that the next event involves ae as source and be as target.

The essence of the relational event model

The probability of event ei (given Gi) is modeled so that the estimated parameters show: * which properties of the sequential structure of past events increase/decrease event rate (frequency)? * which properties of the sequential structure of past events increase/ decrease event weight (magnitude/type)? The model allows for parallel development of event networks and individual states (e.g., co-development of network ties and satisfaction) and can be applied to small and large multiteam systems.

→ originators: Butts (2008), Brandes et al., (2009)

How to model event rates between A and B: some variables

Habitual inertia

HISTORY FUTURE

Hypothesis: The rate of communication of A to B increases with the past volume of communication from A to B

TIME

A B A B

How to model event rates between A and B: some variables

Volume-Induced Reciprocity

HISTORY FUTURE

Hypothesis: The rate of communication of B to A increases with the past volume of communication from A to B Some variations: reciprocity within a team, reciprocity between roles, reciprocity between teams

TIME

A B A B

How to model event rates between A and B: some variables

Interteam Mimicry

HISTORY FUTURE

A C Hypothesis: The rate of communication of A to B (on another team) increases with the past volume of communication from A's team mate C to B B

How to model event rates between A and B: some variables

Broker skipping

HISTORY FUTURE

A C Hypothesis: The rate of direct communication of A to B increases with the past volume of indirect communication from A to B through another MTS member B

How to model event rates between A and B: some variables

Shared Value Induced Communication

TRUST FUTURE COMM.

A C Hypothesis: The rate of communication of A to B increases with the similarity of their trust vis-a-vis other MTS members B

How to model event rates between A and B: some variables

Dependence-based communication

TASK DEPENDENCE FUTURE

A B Hypothesis: The rate of communication of A to B increases with A's task dependence on B

• MTSs ¡performed ¡a ¡humanitarian ¡aid ¡task ¡based ¡on ¡the ¡real-­‑3me ¡strategy ¡

game, ¡“World ¡in ¡Conflict”. ¡ ¡

• Two ¡cross-­‑func3onal ¡teams ¡worked ¡to ¡ensure ¡bordering ¡regions ¡were ¡

passable ¡by ¡a ¡humanitarian ¡aid ¡convoy ¡protected ¡by ¡US ¡and ¡UN ¡teams. ¡ ¡

• Each ¡of ¡the ¡two ¡teams ¡worked ¡to ¡ensure ¡their ¡respec3ve ¡regions ¡was ¡safe ¡

from ¡enemies ¡in ¡the ¡areas ¡where ¡the ¡convoy ¡would ¡travel. ¡The ¡teams ¡ needed ¡to ¡coordinate ¡with ¡one ¡another ¡in ¡order ¡to ¡gather ¡and ¡share ¡ intelligence, ¡follow ¡rules ¡of ¡engagement, ¡and ¡neutralize ¡enemy ¡hotspots. ¡

• Each ¡par3cipant ¡was ¡seated ¡at ¡an ¡individual ¡PC-­‑worksta3on ¡and ¡wore ¡a ¡

microphone-­‑equipped ¡headset. ¡

• The ¡US ¡team ¡and ¡UN ¡team ¡were ¡located ¡in ¡different ¡rooms. ¡

A small illustration (preliminary)

A participant communicates with his teammates to coordinate clearing a hazard to the convoy. All communication between team members is recorded.

MTS Platform – Simulation Interface

Zone ¡shading: ¡ Red ¡– ¡Insurgent ¡ Blue ¡– ¡IED ¡ Green ¡– ¡Safe ¡ Object ¡Loca3ons: ¡ Purple ¡square-­‑ ¡ convoy ¡loca3on ¡ Cyan ¡square ¡– ¡ player ¡loca3on ¡ Red ¡square ¡– ¡threat ¡ loca3on ¡ Yellow ¡square ¡– ¡ally ¡ loca3on ¡

Flow of the Experiment

Training ¡ Prac3ce ¡ Actual ¡Mission ¡ Planning ¡Episode ¡ Performance ¡ Episode ¡ Phase ¡I ¡ (15 ¡mins) ¡ Phase ¡II ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡Phase ¡III ¡ (20 ¡mins) ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡(20mins) ¡

Some preliminary findings

Overall: * habitual inertia is high: communication is self-reinforcing, follows clear self- reinforcing pattern * reciprocity is high: the more A has sent messages to B, the quicker B will respond to A * Interteam reciprocity is negative: this balances against general reciprocity: quick response to team members, but response speed is much lower when the messages come from a member of another team

MTS reconfiguring itself

Some teams were allowed to communicate freely among each other, but reconfigured themselves into a chain-like structure. What happened: * interteam mimicry became negative: increased efficiency in interteam communication patterns—increased time until A sends a message to B when C already does this a lot

A C B A C B

MTS reconfiguring itself

* interteam inertia remains: the frequency and timeliness of communication between the teams is still maintained, but organized through informal role- specialization (boundary spanners)

A B C D Phantom Stinger Completely Connected Communication A B C D Phantom Stinger Chain Communication

Performance: aggressive

Teams that score high on “aggressive” performance show a differential tendency for: * broker skipping (negative) * common allocator (positive)

A C B A C B if the info is getting to B already, A won't spend his time on doing that as well If C gets his info from both A and B, then better send it to B directly

Future directions

* generalize to multiplex networks:

• - media switching
• - one kind of relationship triggering another

* further integrating event network dynamics with emergent states * develop additional event structures * study larger MTS's * use findings from this type of analysis to further time-based theory

 Klik ¡om ¡de ¡opmaak ¡van ¡de ¡

• verzichtstekst ¡te ¡bewerken ¡
• Tweede ¡overzichtsniveau ¡

 Derde ¡overzichtsniveau ¡

• Vierde ¡
• verzichtsniveau ¡

 Vijfde ¡

• verzichtsnivea

u ¡

 Zesde ¡

• verzichtsnivea

u ¡ Zevende ¡

Questions? We do:

What ¡sugges3ons ¡do ¡you ¡ have ¡for ¡developing ¡this ¡ further? ¡