دانلود رایگان پایان نامه درک کار تیمی با استفاده از مدل های شبکه پویا

کمیته پایان نامه

فهرست مطالب

لیست جداول

لیست تصاویر

خلاصه

درک کار تیمی با استفاده از مدل های شبکه پویا

فرآیندهای تیمی

چارچوب های سنتی برای تیم های مطالعه

محدودیت های تحقیقات تجربی فعلی کار تیمی

غلبه بر محدودیت ها: تمرکز بر ظهور

رویکرد شبکه ای برای مطالعه فرآیندهای تیمی

تحلیل شبکه های اجتماعی

مدل های شبکه پویا

کاربرد مقایسه ای مدل های شبکه پویا

منطق مطالعه

بیان سوالات تحقیق

روش

جمع آوری داده ها

توضیحات داده ها

مدل های شبکه دینامیک

بررسی داده ها

تبدیل داده ها

نتایج

بحث

STERGM

SAOM

REM

مفاهیم نظری

مفاهیم عملی

محدودیت ها

جهت گیری های تحقیقاتی آینده

نتیجه

منابع

ضمیمه

چکیده پایان نامه

    مطالعه فرآیندهای تیم برای درک اینکه چگونه تیم ها برای دستیابی به نتایج تیم کار می کنند بسیار مهم است. برای مطالعه مؤثر فرآیندهای تیم، فعالیت های رفتاری اعضای تیم باید با دقت و شدت کافی اندازه گیری شود. تجزیه و تحلیل مکانیک دقیق فرآیندهای تیمی مستلزم استفاده از روش‌های تحلیلی حساس به مدل‌سازی مجموعه‌ای از اقدامات و تعاملات اعضای تیم در هنگام اجرای کار و کار تیمی در طول زمان است. بررسی تجربی فعلی فرآیندهای تیمی با توجه به اندازه گیری و ارزیابی پیچیده فرآیندهای تیم در طول زمان با تاخیر مواجه است. با استفاده از مدل‌های شبکه پویا، این پایان‌نامه به دنبال درک رفتارهای مسئول الگوهای تعامل در میان اعضای تیم، نحوه ارتباط آن الگوها و ساختارهای تعاملی با رفتار اعضای تیم و چگونگی ارتباط فرآیندهای تعاملی تیم با نتایج تیم است. به طور خاص، این پایان‌نامه از داده‌های سطح تعامل از انجمن ملی بسکتبال (NBA) استفاده کرد و سه مدل شبکه پویا را برای داده‌ها اعمال کرد: مدل‌سازی نمودار تصادفی نمایی زمانی تفکیک‌پذیر (STERGM)، مدل‌سازی بازیگر محور تصادفی (SAOM)، و مدل‌سازی رویداد رابطه‌ای. (REM). هدف این پایان نامه ارائه پایه ای توصیفی برای مطالعات آینده با استفاده از تئوری های زمان برای مطالعه پدیده های تیمی و نشان دادن کاربرد مدل های شبکه پویا است. این پایان نامه مبانی نظری فرآیندهای تیمی و تجزیه و تحلیل شبکه، گسترش زمانی تحلیل‌های شبکه سنتی، کاربرد و کاربرد مدل‌های شبکه پویا (STERGM، SAOM و REM) با استفاده از داده‌های NBA را شرح می‌دهد و بینش‌هایی را نشان می‌دهد که این روش‌ها برای مطالعه فرآیندهای تیم ارائه می‌کنند. . نتایج این پایان نامه نشان داد که الگوی متقابل قوی ترین پاس در بین تیم های NBA و پس از آن الگوهای پاس های گذرا می باشد. به طور خاص، بازیکنان NBA در فصل 2016-2017 اغلب روابط دو طرفه (بین دو بازیکن) و انتقالی (بین سه بازیکن) را ایجاد کردند. موقعیت بازیکن و رفتار گلزنی تاثیری بر الگوهای پاس کردن نداشتند، همچنین وضعیت خانه در برابر خارج از خانه نیز تاثیری نداشت. تشکیل پیوندهای متقابل و گذرا مربوط به بردهای تیمی بر اساس تجزیه و تحلیل STERGM، اما الگوهای پاس مشابهی برای پیش‌بینی بردها با تحلیل‌های REM یافت نشد، و تفاوت‌های روش‌شناختی و تحلیلی را در این روش‌های شبکه پویا تقویت کرد. این پایان نامه کاربرد، سودمندی و پیامدهای به کارگیری این مدل های شبکه پویا برای مطالعه فرآیندهای تیم را مورد بحث قرار می دهد و اطلاعات عملی در مورد چگونگی استفاده از این روش ها برای اطلاع رسانی به تحقیقات و تمرینات آتی در مورد پویایی تیم ارائه می دهد.

ABSTRACT OF DISSERTATION

    Studying team processes is critical to understanding how teams work to achieve team outcomes. To effectively study team processes, behavioral activities team members enact must be measured with sufficient granularity and intensity. Analyzing the detailed mechanics of team processes requires employing analytical methods sensitive to modeling the series of actions and interactions of team members as they execute taskwork and teamwork over time. Current empirical investigation of team processes lags with respect to intricately measuring and assessing team processes over time. Using dynamic network models, this dissertation sought to understand the behaviors responsible for interaction patterns amongst team members, how those interaction patterns and structures relate to team member behavior, and how interactive team processes relate to team outcomes. Specifically, this dissertation utilized interaction-level data from the National Basketball Association (NBA) and applied three dynamic network models to the data: Separable Temporal Exponential Random Graph Modeling (STERGM), Stochastic Actor-Oriented Modeling (SAOM), and Relational Event Modeling (REM). The purpose of this dissertation is to provide a descriptive foundation for future studies using theories of time to study team phenomena and to demonstrate the utility of dynamic network models. This dissertation details the theoretical foundations of team processes and network analysis, the temporal extensions of traditional network analyses, the utility and applicability of dynamic network models (STERGM, SAOM and REM) using NBA data, and shows insights these methods provide for studying team processes. Results of this dissertation showed reciprocity to be the strongest passing pattern amongst NBA teams, followed by transitive passing patterns. Specifically, NBA players in the 2016-2017 season frequently formed mutual (between two players) and transitive (between three players) passing relations. Player position and scoring behavior were not found to influence passing patterns, nor was home versus away status. Forming mutual and transitive ties related to team wins based on STERGM analyses but similar passing patterns were not found to predict wins with REM analyses, reinforcing methodological and analytical differences in these dynamic network methods. This dissertation discusses the applicability, utility, and implications of applying these dynamic network models to studying team processes and provides practical information about how these methods can be used to inform future research and practice on team dynamics.

Dissertation Committee

Table of Contents

List of Tables

List of Figures

Abstract

Understanding Teamwork Using Dynamic Network Models

Team Processes

Traditional Frameworks for Studying Teams

Limitations of Current Empirical Investigations of Teamwork

Overcoming Limitations: A Focus on Emergence

A Network Approach to Studying Team Processes

Social Network Analysis

Dynamic Network Models

Comparative Utility of Dynamic Network Models

Study Rationale

Statement of Research Questions

Method

Data Collection

Data Description

DYNAMIC NETWORK MODELS

Data Vetting

Data Transformation

Results

Discussion

STERGM

SAOM

REM

Theoretical Implications

Practical Implications

Limitations

Future Research Directions

Conclusion

References

Appendix