Abuhasirah, Yasmeen
(2024).
« Analyzing and classifying group dynamics dysfunctions in interpersonal dialogues » Mémoire.
Montréal (Québec, Canada), Université du Québec à Montréal, Maîtrise en informatique.
Fichier(s) associé(s) à ce document :
Résumé
De nos jours, les membres d'une équipe communiquent en ligne pour travailler et communiquer, en s'appuyant sur plusieurs applications comme ZOOM, WhatsApp et MS Teams. Ce changement a conduit à ce que les réunions d’équipe se déroulent en ligne (virtuellement) plutôt qu’en personne. Les partenaires communiquent via des messages vocaux, des appels vidéo ou des conversations textuelles (dialogues). Certains problèmes ont été observés avec le travail en équipe virtuel (lam et al, 2005). Dans cette étude, notre objectif principal est d'identifier les cinq dysfonctionnements dans les dialogues. Plus précisément, nous nous concentrons sur un type d’analyse appelé « analyse des sentiments ». Nous souhaitons former un modèle d'apprentissage automatique qui apprend les cinq dysfonctionnements avec le niveau d'intensité de chacun (faible, moyen et élevé). Les recherches sur ces ensembles de données se sont révélées infructueuses. Nous avons donc construit notre ensemble de données en utilisant ChatGPT. Cette tâche s'aligne sur les principes de l'apprentissage supervisé, où les modèles sont formés sur l'ensemble des données étiquetées pour distinguer les modèles et les relations entre les fonctionnalités fournies et les niveaux de dysfonctionnement attribués. Le modèle peut ensuite prédire le niveau de dysfonctionnement de nouveaux cas, offrant ainsi un mécanisme précieux pour résoudre les dysfonctionnements du travail d’équipe. Quatre algorithmes d'apprentissage automatique distincts ont été utilisés pour entraîner le modèle avec les ensembles de données générés. Machine à vecteurs de support (SVM), régression logistique, Naïve Bayes et Random Forest. Ces algorithmes apprennent des données étiquetées pour reconnaître des modèles et faire des prédictions sur de nouvelles données invisibles. Les résultats montrent comment les modèles d'apprentissage automatique peuvent identifier et catégoriser les dysfonctionnements du travail d'équipe sur la base du modèle (lencioni,2015) de Lencioni. Pour chacun des cinq dysfonctionnements, des scores de précision moyens ont été calculés pour les niveaux faible, moyen et élevé. Les résultats montrent des difficultés à classer les cas modérés, dont la précision est souvent inférieure aux niveaux faibles et élevés pour tous les dysfonctionnements. Nous sommes raisonnablement convaincus que ChatGPT ou des technologies similaires fournissent une méthodologie viable pour générer l'ensemble de données souhaité, à condition que nous puissions améliorer la génération des dialogues et valider formellement la qualité de l'ensemble de données généré.
| Type: |
Mémoire accepté
|
| Informations complémentaires: |
Fichier numérique reçu et enrichi en format PDF/A. |
|
Directeur de thèse: |
Mili, Hafedh |
| Mots-clés ou Sujets: |
Analyse de sentiments (Intelligence artificielle) / Communication électronique / Dynamique des groupes / Apprentissage automatique / Travail en équipe / Étudiants |
| Unité d'appartenance: |
Faculté des sciences > Département d'informatique |
| Déposé par: |
Service des bibliothèques
|
| Date de dépôt: |
01 nov. 2024 11:11 |
| Dernière modification: |
01 nov. 2024 11:11 |
| Adresse URL : |
http://archipel.uqam.ca/id/eprint/18171 |
RECHERCHER
PARCOURIR
LIBRE ACCÈS
