Network Approaches to Reconstruct and Analyse Team Collaborative Structures in Open Science and Innovation - Learning Transitions
Thèse Année : 2024

Network Approaches to Reconstruct and Analyse Team Collaborative Structures in Open Science and Innovation

Approches de Réseau pour Reconstruire et Analyser les Structures de Collaboration d’Equipe dans la Science Ouverte et l’Innovation

Résumé

Modern science and innovation challenges require the integration of diverse perspectives alongside specialised knowledge, prompting a shift towards interdisciplinary and collaborative team-based research. This transformation towards collective knowledge production continues to uphold high-quality outputs and research impact, as evidenced by frameworks like challenge-based innovation and crowd science. Understanding how larger and more diverse teams collaborate, divide labour and coordinate tasks requires a mixed method approach, combining qualitative and quantitative data to capture their structural properties. Yet, a lack of longitudinal and granular datasets has limited our understanding of how collaborative structures evolve and influence team performance. In this thesis, I leverage network science methods to study collaborative structures in challenge-based, open science and innovation contexts. First, I study citizen science teams addressing Sustainable Development Goal challenges, identifying collaboration and engagement patterns through surveys and digital traces from Slack communications. I demonstrate how these patterns inform team performance, emphasising the importance of sustained engagement with individuals across diverse network locations. Second, I investigate the organisation dynamics of 1,200+ unique teams participating in the iGEM interdisciplinary science and engineering competition across 12 years, analysing their division of labour and coordination using self-reported attribution statements and digital traces from unstructured, collaboratively edited, online wiki pages. I introduce a novel computational method for inferring task allocation networks of teams at scale using Large Language Models, demonstrating its ability to recover local and global network properties with high precision. I argue that network-based indicators such as modularity and nestedness capture specialisation and coordination within division of labour structures, and show that they significantly impact team performance in the competition. Furthermore, I show that teams adapt their division of labour over time, converging towards optimal structures mediated by their size, experience and task complexity. Broadly, this thesis contributes to research on team science in open innovation and science ecosystems by introducing data- and network-driven approaches to capture organisational structures, offering insights for researchers and practitioners into team performance, engagement, and adaptation, thereby supporting the development of strategies to foster innovation in collaborative research.
Les défis modernes en matière de science et d’innovation exigent l’intégration de perspectives diverses parallèlement à des connaissances spécialisées, ce qui entraîne une évolution vers une recherche interdisciplinaire et collaborative basée sur le travail d’équipe. Cette transformation vers la production collective de connaissances continue à soutenir des résultats de haute qualité et l’impact de la recherche, comme en témoignent des cadres tels que l’innovation basée sur les défis et la science des foules. Pour comprendre comment des équipes plus grandes et plus diversifiées collaborent, répartissent le travail et coordonnent les tâches, il faut adopter une approche mixte, combinant des données qualitatives et quantitatives pour saisir leurs propriétés structurelles. Cependant, le manque d’ensembles de données longitudinales et granulaires a limité notre compréhension de la manière dont les structures de collaboration évoluent et influencent les performances de l’équipe. Dans cette thèse, je m’appuie sur les méthodes de la science des réseaux pour étudier les structures de collaboration dans des contextes d’innovation et de science ouverte basés sur des défis. Tout d’abord, j’étudie les équipes de science citoyenne qui s’attaquent aux défis des Objectifs de développement durable, en identifiant les modèles de collaboration et d’engagement par le biais d’enquêtes et de traces numériques provenant des communications Slack. Je démontre comment ces modèles influencent la performance de l’équipe, en soulignant l’importance d’un engagement soutenu avec des individus à travers divers emplacements du réseau. Deuxièmement, j’étudie la dynamique organisationnelle de plus de 1 200 équipes uniques participant au concours interdisciplinaire de science et d’ingénierie iGEM sur 12 ans, en analysant leur division du travail et leur coordination à l’aide de déclarations d’attribution autodéclarées et de traces numériques provenant de pages wiki en ligne non structurées et éditées en collaboration. J’introduis une nouvelle méthode informatique pour déduire les réseaux de répartition des tâches des équipes à l’échelle à l’aide de grands modèles de langage, démontrant sa capacité à récupérer les propriétés locales et globales du réseau avec une grande précision. Je soutiens que les indicateurs basés sur les réseaux, tels que la modularité et l’imbrication, rendent compte de la spécialisation et de la coordination au sein des structures de division du travail, et je montre qu’ils ont un impact significatif sur les performances de l’équipe lors de la compétition. En outre, je montre que les équipes adaptent leur division du travail au fil du temps, convergeant vers des structures optimales en fonction de leur taille, de leur expérience et de la complexité de la tâche. D’une manière générale, cette thèse contribue à la recherche sur la science des équipes dans les écosystèmes d’innovation ouverte et de science en introduisant des approches basées sur les données et les réseaux pour saisir les structures organisationnelles, offrant aux chercheurs et aux praticiens un iiiaperçu de la performance, de l’engagement et de l’adaptation des équipes, soutenant ainsi le développement de stratégies visant à favoriser l’innovation dans la recherche collaborative.
Fichier principal
Vignette du fichier
PhD_thesis_Rathin_Dec03.pdf (22.46 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
licence

Dates et versions

tel-04847989 , version 1 (19-12-2024)

Licence

Identifiants

  • HAL Id : tel-04847989 , version 1

Citer

Rathin Jeyaram. Network Approaches to Reconstruct and Analyse Team Collaborative Structures in Open Science and Innovation. Computer Science [cs]. Universite Paris Cite, 2024. English. ⟨NNT : ⟩. ⟨tel-04847989⟩
0 Consultations
0 Téléchargements

Partager

More