ついてきていますか？タスクベースチーム対話におけるメンタルモデルの不一致を検出するフレームワーク

人間は通常、自然言語を使用してタスクの状態をチームメイトに更新します。しかし、すべての更新が伝達されるわけではないため、チームメンバーのメンタルモデル間に不一致が生じ、チーム全体のパフォーマンスに悪影響を及ぼします。従来の共有メンタルモデル評価手法は遡及的な専門家によるコーディングに依存しており、リアルタイムの調整ダイナミクスを捉えることができません。そこで、タフツ大学の研究者らは、チーム対話で自然に発生する4種類のメンタルモデルの不一致を識別・分類するフレームワークを提案しました。その4種類とは、根拠のない信念（証拠がない信念）、誤った信念（事実と異なる信念）、信念の矛盾（同じメンバーが矛盾する信念を持つこと）、情報の欠落（重要な情報が言及されないこと）です。研究では、20組の二者間チームが協調的な物体識別タスクを4つの連続したレベルで実行した対話データを使用しました。結果は、これらの不一致パターンに予測シグナルが含まれていることを示しました。過去の不一致カウントを均一に重み付けした探索的ベースラインとして平均化することで、有意義な予測精度が達成され、不一致の種類によって予測可能性が異なることが明らかになりました。例えば、誤った信念と信念の矛盾は将来の調整問題を予測するのに特に効果的でした。この研究は2026年の認知科学学会年次大会で受理され、著者はKatharine KowalyshynとMatthias Scheutzです。このフレームワークは、リアルタイムのチーム調整監視のための新しいツールを提供し、将来的には人間とAIの協調システムに応用される可能性があります。例えば、AI支援チームにおいてメンタルモデルのギャップを早期に検出して修正することで、全体的なタスクパフォーマンスを向上させることが期待されます。