《Proceedings of the Human Factors and Ergonomics Society Annual Meeting》：Learning Processes in Science Teams: How Do Human-AI Scientists Learn From Each Other While Developing Collaborative AI
编辑推荐：
本研究考察了跨学科项目中的科学家如何在协作过程中相互学习。研究人员对参与大规模人机团队（human-AI teaming）研究项目的科研人员进行了关于其协作经验的问卷调查。调查结果显示，定期的跨团队会议、认真倾听和适应性沟通是有效整合的核心要素，而术语冲突和协
本研究考察了跨学科项目中的科学家如何在协作过程中相互学习。研究人员对参与大规模人机团队（human-AI teaming）研究项目的科研人员进行了关于其协作经验的问卷调查。调查结果显示，定期的跨团队会议、认真倾听和适应性沟通是有效整合的核心要素，而术语冲突和协调成本仍然存在。研究结果强调了交互结构和整合角色（integrative roles）是改善跨学科团队工作的关键杠杆。本研究置于团队科学（Science of Team Science, SciTS）的框架内，讨论部分强调了支持跨学科结构和流程所需的支撑，这些结构和流程能够促成有效的科学协作。
一、研究背景与问题提出
团队科学（Science of Team Science, SciTS）是一个旨在理解和改进科学协作的跨学科领域，其核心目标是为提升团队科学效能提供循证策略。现代科学和社会挑战要求跨越学科和专业的协作研究，而技术进步在创造虚拟协作新机遇的同时，也带来了研究方式上的新挑战。大规模跨学科研究项目投入了大量人力和资金，但学界对于科学家在这些环境中如何理解协作仍缺乏充分证据。这一知识缺口尤为关键，因为这类研发往往涉及跨越科学与工程学科的复杂协作，且包含学术界、工业界和政府之间的跨职业合作。在团队与群体研究的更广泛领域中，研发团队一直是协作研究中被忽视的子集。它们不仅是理解复杂认知与协作过程的核心领域，也是科学生态系统中日益普遍的共同体类型。既有研究强调，有效的跨学科协作取决于团队如何在真实约束下协调工作并理解彼此的工作内容。理解这类团队中有效协作的构成要素，对研究与实践均具有重要启示。
二、研究内容与主要结论
本研究聚焦于大型多机构研究项目中科研人员所描述的、对项目成功最为关键的交互与行为，以及他们如何看待跨学科性对研究结果的促进与阻碍作用，并报告其管理跨学科工作的实践策略。研究对象为参与机器人协作技术联盟（Robotics Collaborative Technology Alliance, RCTA）和人工社会智能支持团队（Artificial Social Intelligence Supporting Teams, ASIST）两个大型跨学科项目的科研人员。ASIST项目历时约5年，旨在理解人工智能能否支持团队协作，其核心特征是AI并非支持任务执行，而是具备团队协作能力，即"人工社会智能"（Artificial Social Intelligence, ASI）。RCTA项目历时约10年，汇聚政府、工业界和学术界伙伴，推进自主地面机器人科学与工程研究，使机器人能够与士兵有效组队。
研究人员向119名参与上述项目的研究者发放了问卷，回收24份有效回应（20%）。调查采用两部分在线问卷。第一部分收集受访者在跨项目中的广泛经验，包括项目参与情况、跨学科协作中获得的关键洞见或技能、交互形式排序，以及是否遭遇跨学科沟通挑战。第二部分聚焦于某一特定协作的实际运作，包括学习行为排序、决策方式、满意度评估及开放式问题。
调查结果显示，定期跨团队会议是最重要的交互形式，其平均秩次最低，超过半数受访者将其排在前两位。现场技术交流活动和工作组会议构成第二梯队。在学习与沟通行为排序中，"团队成员认真倾听彼此"被列为最重要行为，平均秩次约1.8，超过90%的受访者将其排在前三位。"团队成员调整谈论想法的方式以适应不熟悉其学科的人"和"具有专业知识的团队成员愿意帮助他人"构成强第二梯队。这些结果表明，受访者将专注倾听、学科翻译和可及的专业知识视为跨学科工作实际发生的核心机制，这印证了认知调适（cognitive tuning）概念在跨学科研究团队中的相关性。相比之下，定期讨论团队是否有效运作以及表达观点后主动征询他人意见这两项行为被持续排在最低位，没有任何受访者将其列入前三。
三、主要技术方法
本研究采用的主要方法包括：基于先前工作中开发的系统性计算方法，对既有团队学习量表进行自动化文本分析，提取最具代表性且冗余度最低的测量条目，最终凝练出涵盖探索、分享、知识发展和反思性的核心条目集；在此基础上，依据认知调适理论（Zajonc, 1960）及其延伸"超级调适"（supertuning）概念（Hardin & Higgins, 1996）新增跨学科语言调适条目；采用结构化排序任务与开放式回答相结合的问卷调查法，样本来源为参与ASIST和RCTA两个大型跨学科研究项目的24名科研人员。
四、研究结果
交互形式排序结果： 定期跨团队会议被列为最重要的交互形式，平均秩次2.78，34.8%的受访者将其排在第一，52.2%排在前二。现场技术交流活动和工作组会议构成第二梯队。非正式跨学科社交互动和协作工具使用居中，而PI会议、负责人会议和跨学科培训活动持续排名较低。这表明科学家将经常性、广泛参与的工作会议视为跨学科协调和共享理解的主要引擎。
学习与沟通行为排序结果： "团队成员认真倾听彼此"以平均秩次1.82位居首位，54.5%的受访者将其排在第一，90.9%排在前三。"调整谈论方式以适应学科外成员"和"专家知识分享意愿"构成第二梯队。信息整合、错误沟通和观点阐述行为居中。定期反思团队有效性和主动征询意见两项排名最低，无受访者将其列入前三。这说明在大型协作中，研究者不将正式流程审查或显性意见征询视为成功的主要驱动力，而更强调工作流中的持续高质量互动。
第二部分深度调查结果： 受访者报告，互补性学科专长的结合拓展了实验设计和分析策略的可能性空间，支持了新工具、软件平台和数据集的创建，并产生了他们认为比单一领域更可推广的发现。许多人描述了个人学习收获，包括对其他学科方法和约束的更深入理解，以及对自己假设假设的增强意识。同时他们也描述了过程损失，包括新成员较长的入职适应期、跨团队报告详细程度不一致、核心构念的反复争论，以及学科间优先级或地位的不匹配。冲突通常围绕技术目标与可行性的权衡、开放科学与数据共享约束、以及作者署名等问题产生，通过上报至项目负责人、整合团队协调和关注人际动态等方式加以管理。
五、讨论与结论
讨论部分指出，本研究为理解跨学科团队学习提供了理论依据的测量工具。研究结果揭示了基础性沟通过程的重要性：主动倾听和消息调适被视为跨学科团队成功的最关键因素，专家知识分享也发挥重要作用。值得注意的是，团队反思（如复盘）在文献中被持续证明能促进团队学习与发展，但本研究中受访者对其评价较低，这一结果值得关注。正式领导会议、流程检查和培训活动被视为有用但次于日常交互模式。受访者明确表示跨学科性在时间、协调努力和冲突管理方面带来实际成本，这些成本主要围绕术语、期望和激励机制，而非纯技术问题。
研究结论强调，对于研发共同体而言，改善跨学科协作需要明确关注交互结构设计、沟通规范、整合角色和奖励制度。沟通工具本身或甘特图等人工制品对于复杂协作是必要但不充分的。科学家自身强调的实践是那些支持工作流中相互理解的实践。对于研究人机团队的研究者而言，这些发现表明AI的进步将同样依赖于跨学科协作的质量和技术创新。开发具备有效团队协作能力的AI需要整合社会科学、计算科学和组织科学的专业知识，每种学科都带来不同的概念、假设和方法。沟通障碍往往源于术语和概念框架的差异而非技术分歧。在人机AI研究项目中，翻译、知识整合和跨界角色是核心科学活动而非行政负担。投资于这些方面可以加速共享理解、改进理论整合，并最终产生更好地支持有效人机团队协作的AI系统。本研究通过研究科学家认为影响协作的日常交互，补充了关注治理模式或网络配置等结构的文献，为SciTS提供了学习如何在科学团队中通过重复协作交流而涌现的证据基础。
