Computational studies for artificially simulating human collaboration in design teams

Collaborative teams are getting more and more popular. There is a current need to understand how the complex and dynamic system formed by collaborative teams behave when system parameters are changed to see their impact on project outcomes. Research in the past has focused on studying the single elements of the collaborative design like design task, design team structure, design tools and design process (idea generation and idea selection). Understanding the complete system of the design team collaboration is challenging to the researchers as it increases complexity. Therefore, the purpose of this research is to increase the understanding of a collaborative system composed of teams, tasks and its collaboration environment through an agent-based model called MILANO (Model of Influence, Learning, and Norms in Organizations). This computational model is implemented using the Python programming language. MILANO is developed to mimic design team collaboration of the real world, hence it serves as a platform to study and simulate different scenarios of team dynamics that are challenging to control in a laboratory setting. The model is composed of agents that are analogous to humans in design teams who work on a design task by collaboratively generating and selecting solutions. Similar to the real world, the selected solutions are proposed to the controller agent (equivalent to a leader or manager to a problem-solving team), who provides feedback to the team. The research is broadly composed of three parts that fulfil the main purpose of the study. The first one is related to the common scenario where certain individuals who have high social influence (referred to as influencers) than others in the team, affect individual thinking during idea generation and selection. This is further investigated by varying the nature of the design task and the size of the team. The second part is related to the team compositions of experience and novices and their impact on the design outcome when changing the nature of the task. The last bit of the work is related to studying the impact of the collaboration environment (i.e., virtual vs face-to-face team collaboration) on the design outcome for various test cases (like teams with an experienced agent, half of the team with high self-efficacy, all agents with same self-efficacy and all agents with same self-efficacy working on a complex design task). Though most of the model formation is based on the past literature and theories, it also has some assumptions and has parts that needed logical validation. These assumptions were validated through empirical studies conducted in the real world. The empirical results also provide insights into the relationship between model parameters and verified the logic behind its foundation. Although agent-based modelling is an effective approach for simulating collaborative design teams, the validation of the entire model is difficult, especially if there are plenty of parameters to control in a real-world setting. Therefore, continuously validating and verifying the model rationale by means of empirical studies, adds to the strength of the model and its results. The extracted simulation results of the design task outcome were measured in terms of quality, exploration and other team performance parameters like the contribution of team agents. Broadly speaking, the model simulation results showed how varying the parameters of the collaboration design affects the outcomes of a design project. For example, different influencer- team composition has a significant difference in the generated solution quality of their team members. Moreover, having an experienced agent in a team of all novices can increase the quality of the solutions while reducing the variety. Likewise, having half of the team members as more influential, could results in a better outcome when the team collaboration is virtual. From the results, it is clear that a type of team that is effective in one situation might not perform well in other situations. Besides, studying the social, cognitive and environmental factors that were unaccounted for in the past literature, this research introduces a novel way to stimulate learning in agents and metrics for measuring design outcomes related to artificial design agents’ performance. Some of the research findings conform to the literature, hence suggesting that MILANO could be used to study collaboration in design teams and could provide meaningful insights into team formation and management. These findings could be useful in determining appropriate team and task management strategies to obtain near-optimal project outcomes in organizations during the early design phase. In academia, the model that artificially simulates human collaboration could be used as a faster approach to gain insights into different design team collaboration scenarios

I team collaborativi stanno diventando sempre più popolari. C'è una necessità attuale di capire come si comporta il sistema complesso e dinamico formato da team collaborativi quando i parametri del sistema vengono modificati per vedere il loro impatto sui risultati del progetto. La ricerca in passato si è concentrata sullo studio dei singoli elementi del design collaborativo come il compito di progettazione, la struttura del team di progettazione, gli strumenti di progettazione e il processo di progettazione (generazione dell'idea e selezione dell'idea). Con l’aumentare della complessità, la comprensione del sistema completo della collaborazione del team di progettazione è una sfida per i ricercatori. Pertanto, lo scopo di questa ricerca è aumentare la comprensione di un sistema collaborativo composto da team, compiti ed il relativo ambiente di collaborazione attraverso un modello basato su agenti chiamato MILANO (Model of Influence, Learning, and Norms in Organizations). Questo modello computazionale è implementato utilizzando il linguaggio di programmazione Python. MILANO è sviluppato per imitare la collaborazione del team di progettazione del mondo reale, quindi funge da piattaforma per studiare e simulare diversi scenari di dinamiche di squadra che sono difficili da controllare in un ambiente di laboratorio. Il modello è composto da agenti analoghi agli esseri umani nei team di progettazione che lavorano su un'attività di progettazione generando e selezionando soluzioni in modo collaborativo. Come nel mondo reale, le soluzioni selezionate vengono proposte all'agente controllore (equivalente a un leader o manager di un team di risoluzione dei problemi), che fornisce feedback al team. La ricerca è sostanzialmente composta da tre parti che soddisfano lo scopo principale dello studio. Il primo è legato allo scenario comune in cui alcuni individui che hanno un'elevata influenza sociale (denominati influencer) rispetto ad altri nel team, influenzano il pensiero individuale durante la generazione e la selezione dell'idea. Questo viene ulteriormente studiato variando la natura del compito di progettazione e la dimensione del team. La seconda parte è relativa alle composizioni del team di esperienza e novizi ed al loro impatto sull'esito del progetto quando si cambia la natura del compito. L'ultima parte del lavoro riguarda lo studio dell'impatto dell'ambiente di collaborazione (vale a dire, collaborazione tra team virtuale o faccia a faccia) sull'esito della progettazione per vari casi di test (come team con un agente esperto, metà del team con alta autoefficacia, tutti gli agenti con la stessa autoefficacia ed inoltre tutti gli agenti con la stessa autoefficacia che lavorano su un compito di progettazione complesso). Sebbene la maggior parte della formazione del modello sia basata sulla letteratura e su teorie passate, ha anche alcune assunzioni e parti che richiedono una validazione logica. Queste ipotesi sono state convalidate attraverso studi empirici condotti nel mondo reale. I risultati empirici forniscono anche approfondimenti sulla relazione tra i parametri del modello e hanno verificato la logica alla base della sua fondazione. Sebbene la modellazione basata su agenti sia un approccio efficace per la simulazione di team di progettazione collaborativa, la validazione dell'intero modello è difficile, soprattutto se ci sono molti parametri da controllare in un ambiente reale. Pertanto, validare e verificare continuamente la logica del modello mediante studi empirici aggiunge forza al modello e ai suoi risultati. I risultati della simulazione estratti del risultato dell'attività di progettazione sono stati misurati in termini di qualità, esplorazione ed altri parametri di prestazione del team, come il contributo degli agenti del team. In generale, i risultati della simulazione del modello hanno mostrato come la variazione dei parametri della progettazione della collaborazione influenzi i risultati di un progetto di progettazione. Ad esempio, la diversa composizione del team di influencer ha una differenza significativa nella qualità della soluzione generata dai membri del team. Inoltre, avere un agente esperto in un team di tutti i principianti può aumentare la qualità delle soluzioni riducendo la variabilità. Allo stesso modo, avere la metà dei membri del team più influente potrebbe portare a un risultato migliore quando la collaborazione del team è virtuale. Dai risultati è chiaro che un tipo di squadra efficace in una situazione potrebbe non funzionare bene in altre situazioni. Inoltre, studiando i fattori sociali, cognitivi e ambientali che non erano stati presi in considerazione nella letteratura passata, questa ricerca introduce un nuovo modo per stimolare l'apprendimento negli agenti e nelle metriche per misurare i risultati di progettazione relativi alle prestazioni degli agenti di progettazione artificiali. Alcuni dei risultati della ricerca sono conformi alla letteratura, suggerendo quindi che MILANO potrebbe essere utilizzato per studiare la collaborazione nei team di progettazione e potrebbe fornire informazioni significative sulla formazione e la gestione del team. Questi risultati potrebbero essere utili per determinare strategie appropriate di gestione del team e delle attività per ottenere risultati di progetto quasi ottimali nelle organizzazioni durante la fase iniziale di progettazione. In ambito accademico, il modello che simula artificialmente la collaborazione umana potrebbe essere utilizzato come approccio più rapido per ottenere informazioni dettagliate su diversi scenari di collaborazione del team di progettazione.