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 nodes: teams, tie: knowledge sharing • * ¡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 ¡

“Classic” Social Network Analysis Data requirements : single (aggregated) observation of a network

Adding change: MTS Network Dynamics

Longitudinal Social Network Analysis Behavior 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

A little bit of Greek event e = ( sender , receiver , weight , time ) The event sequence ( e 1 , . . . , e i − 1 ) determines event network G i Δ t e = time difference between two given events f ( e │ G e ; θ ) = f λ (sender e , receiver e , Δ t e │ G e ; θ ( λ ) ) * f µ ( w e │ sender e , receiver e ; G e , θ (µ) ) probability density that event probability density that the i ’th event happens e has weight w e —given the network G e after a waiting time of Δ t e for given sender and values for the weight-parameters θ ( µ ) and receiver—given the state of the network and given that the next event G e and the rate parameters θ ( λ ) . involves a e as source and b e as target.

The essence of the relational event model The probability of event e i ( given G i ) 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 HISTORY FUTURE Habitual inertia TIME A B A B Hypothesis: The rate of communication of A to B increases with the past volume of communication from A to B

How to model event rates between A and B: some variables HISTORY FUTURE Volume-Induced Reciprocity TIME A B A B 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

How to model event rates between A and B: some variables HISTORY Interteam Mimicry FUTURE C A B 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

How to model event rates between A and B: some variables HISTORY Broker skipping FUTURE C A B 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

How to model event rates between A and B: some variables TRUST Shared Value Induced Communication FUTURE COMM. C A B Hypothesis: The rate of communication of A to B increases with the similarity of their trust vis-a-vis other MTS members

How to model event rates between A and B: some variables TASK DEPENDENCE Dependence-based communication FUTURE A B Hypothesis: The rate of communication of A to B increases with A's task dependence on B

A small illustration (preliminary) • 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 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 ¡ Phase ¡I ¡ Phase ¡II ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡Phase ¡III ¡ (15 ¡mins) ¡ (20 ¡mins) ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡(20mins) ¡ Performance ¡ Planning ¡Episode ¡ Episode ¡

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

Performance: aggressive Teams that score high on “aggressive” performance show a differential tendency for: * broker skipping (negative) C if the info is getting to B already, A won't spend his time on doing that as well A B * common allocator (positive) C If C gets his info from both A and B, then better send it to B directly A B

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

Questions? We do:  Klik ¡om ¡de ¡opmaak ¡van ¡de ¡ overzichtstekst ¡te ¡bewerken ¡ What ¡sugges3ons ¡do ¡you ¡ - Tweede ¡overzichtsniveau ¡ have ¡for ¡developing ¡this ¡  Derde ¡overzichtsniveau ¡ further? ¡ - Vierde ¡ overzichtsniveau ¡  Vijfde ¡ overzichtsnivea u ¡  Zesde ¡ overzichtsnivea u ¡ Zevende ¡