Computational Measurement of Team-Process Phase Dynamics in Collaborative Virtual Reality
作者: Qing Huang, Jianing Zhang, Pooja Pol
分类: cs.LG
发布日期: 2026-08-19
💡 一句话要点
提出计算框架以动态分析协作虚拟现实中的团队过程
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 协作虚拟现实 团队沟通 动态分析 变化点检测 上下文感知 非负矩阵分解 大语言模型
📋 核心要点
- 现有方法往往忽视了团队沟通和协调随时间变化的动态特征，导致分析结果的局限性。
- 论文提出了一种计算框架，通过时间戳对话分析动态团队过程阶段，采用延迟分块和变化点检测等技术。
- 实验结果表明，该框架能够有效识别团队沟通中的阶段结构，并与交互行为高度相关，提升了分析的透明度和可转移性。
📝 摘要（中文）
协作虚拟现实（VR）环境使团队沟通过程可观察，但传统的转录分析往往总结整个试验或将其划分为固定时间窗口，这可能掩盖团队沟通和协调随时间变化的情况。本文提出了一种计算框架，通过时间戳对话检测和解释动态团队过程阶段。该框架利用延迟分块生成上下文感知的转录表示，并将其聚合为时间块，应用惩罚高斯核变化点检测来识别团队沟通中的语义转变。通过边界检测，使用TF-IDF、非负矩阵分解（NMF）和代表性转录片段提供阶段解释的结构化证据。最终，框架能够识别出连贯且可解释的阶段结构，同时保持与基础转录证据的可追溯性。
🔬 方法详解
问题定义：论文旨在解决传统转录分析方法在动态团队沟通中的不足，尤其是无法有效捕捉沟通和协调随时间变化的特征。
核心思路：提出的框架通过时间戳对话分析动态团队过程阶段，利用延迟分块生成上下文感知的转录表示，结合变化点检测技术，能够更准确地识别语义转变。
技术框架：整体架构包括数据预处理、上下文感知转录生成、时间块聚合、变化点检测、阶段解释和交互日志对齐等主要模块。
关键创新：该框架的创新点在于结合了延迟分块和惩罚高斯核变化点检测，能够动态捕捉团队沟通的变化，与传统方法相比，提供了更高的可解释性和准确性。
关键设计：在参数设置上，采用TF-IDF和非负矩阵分解（NMF）来提取特征，使用局部部署的大语言模型进行初步解释，并通过人工审核确保结果的可靠性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该框架能够有效识别出连贯且可解释的团队过程阶段，且与交互行为高度相关。相较于传统方法，框架在阶段识别的准确性上有显著提升，提供了更为清晰的分析视角。
🎯 应用场景
该研究可广泛应用于团队协作分析、教育培训、游戏设计等领域，帮助理解团队动态和优化协作过程。未来，框架的透明性和可转移性将推动其在不同协作任务中的应用，提升团队效率和沟通质量。
📄 摘要（原文）
Collaborative virtual reality (VR) environments make team communication observable as it unfolds, but conventional transcript analyses often summarize entire trials or divide them into fixed temporal windows. Such approaches can obscure changes in team communication and coordination over time. This article presents a computational framework for detecting and interpreting dynamic team-process phases from timestamped dialogue in a collaborative VR game. The framework uses late chunking to generate context-aware transcript representations, aggregates them into temporal chunks, and applies penalized Gaussian-kernel change-point detection to identify semantic transitions in team communication. After boundary detection, term frequency--inverse document frequency (TF-IDF), non-negative matrix factorization (NMF), and representative transcript segments provide structured evidence for phase interpretation. A locally deployed large language model (LLM) uses in-context learning to generate initial interpretations that are subsequently reviewed by humans. Independently recorded interaction logs are then aligned with the detected phases to examine corresponding task-action patterns. The evaluation compares representations, pooling strategies, segmentation methods, parameter settings, reviewed phase interpretations, and phase-aligned interaction profiles. The results show that the framework identifies coherent and interpretable phase structures while preserving traceability to the underlying transcript evidence. The correspondence between transcript-derived phases and interaction behavior further supports their relevance for analyzing collaborative activity. The framework therefore offers a transparent and transferable approach for studying temporal changes in teamwork from timestamped transcripts across collaborative task settings.