hermion-qmsum-interaction-dynamics

Hermion QMSum Interaction Dynamics 数据集是一个结构化交互动态数据集，从QMSum会议语料库中35个真实企业产品团队提取。其核心创新在于生成过程完全不依赖语义内容分析：原始会议转录文本通过开源的Hermion分类器在本地编码为数学信号，仅这些信号被发送至基于物理模型的交互智能引擎处理，确保了隐私并避免了文本传输或存储。这构成了首个无需访问语义内容、从真实企业会议数据中提取的结构化交互动态数据集，输出具有确定性、结构化和可复现的特点。数据集包含三个CSV文件，分别对应三项纵向研究：研究1（35行）分析管理角色与设计角色在团队完整项目周期中的交互；研究2（70行）分别考察项目经理和市场营销角色与整个团队的交互，衡量各执行角色对团队的结构性影响；研究3（280行）涵盖每个团队中八种以执行角色为核心的配对组合，包括从执行二人组到个体角色配对，再到执行角色与整个团队的交互。数据集共包含31个字段，详细描述了交互的多个方面，包括团队标识、配对类型、项目阶段、会话数量、交互进展百分比、峰值进展、动量状态、兴趣水平、拓扑模式与标签、主要阻力类型与构成比例（结构阻力、不对称阻力）、多种风险评分（幽灵风险、拒绝风险、停滞风险）、参与者积极信号比例、退缩行为模式、信号份额、下一步行动建议、不匹配检测与描述、恢复能力、分组标签、处理的信号数量以及经过窗口算法过滤后的消息数量。关键发现揭示了项目经理在交互动态中的结构性放大效应、项目经理与用户界面设计师配对产生最高平均峰值、团队交互峰值通常出现在开发阶段、所有团队均表现出以结构阻力为主的普遍模式、近半数团队在衰退事件前可检测到跨参与者不匹配信号，以及团队组合交互产生的非线性和耦合效应。数据集采用纵向设计，将每个团队的所有会话按时间顺序（从启动到开发再到结论）串联，形成一个连续的交互弧。数据处理采用了窗口算法，在隔离参与者配对时，仅保留原始对话流中对方组附近特定范围内的消息，以聚焦于真实的交换而非所有消息。整个处理流水线完全开源，可复现。数据集适用于交互动力学、团队智能、组织行为、会议智能、群体智能、多参与者系统以及基于物理模型的专业团队分析等研究任务。The Hermion QMSum Interaction Dynamics dataset contains structured interaction dynamics data extracted from 35 real-world enterprise product teams in the QMSum meeting corpus. Its core innovation lies in its generation process, which does not rely on semantic content analysis: the original meeting transcripts are locally encoded into mathematical signals using the open-source Hermion classifier, and only these signals are sent to a physics-model-based interaction intelligence engine for processing, ensuring privacy and avoiding text transmission or storage. This constitutes the first structured interaction dynamics dataset extracted from real enterprise meeting data without accessing semantic content, with outputs that are deterministic, structured, and reproducible, contrasting with unstructured LLM-based methods. The dataset includes three CSV files corresponding to three longitudinal studies: Study 1 (35 rows) analyzes the interaction between management and design roles across the teams full project cycle; Study 2 (70 rows) examines the interaction of project managers and marketing roles with the entire team, measuring the structural impact of each executive role on the team; Study 3 (280 rows) covers eight executive role-centric pairing combinations per team, ranging from executive dyads to individual role pairings to executive roles interacting with the entire team. The dataset contains 31 fields detailing various aspects of interactions, including team identifier, pairing type, project phase, session count, interaction progress percentage, peak progress, momentum state, interest level, topological patterns and labels, primary resistance types and composition ratios (structural resistance, asymmetric resistance), multiple risk scores (ghost risk, rejection risk, stagnation risk), participant positive signal ratio, retreat behavior patterns, signal share, next action suggestions, mismatch detection and description, resilience, grouping labels, number of processed signals, and message count filtered by window algorithm. Key findings reveal the structural amplification effect of project managers in interaction dynamics, the highest average peak from project manager and UI designer pairings, team interaction peaks typically occurring in the development phase, a universal pattern of structural resistance dominance across all teams, detectable cross-participant mismatch signals before decline events in nearly half of the teams, and nonlinear and coupling effects from team combination interactions. The dataset employs a longitudinal design, concatenating all sessions of each team in chronological order (from initiation to development to conclusion) to form a continuous interaction arc. Data processing uses a window algorithm that, when isolating participant pairings, retains only messages within a specific range near the other group in the original dialogue flow to focus on genuine exchanges rather than all messages. The entire processing pipeline is fully open-source and reproducible. The dataset is suitable for research tasks such as interaction dynamics, team intelligence, organizational behavior, meeting intelligence, swarm intelligence, multi-participant systems, and physics-model-based professional team analysis.

原始信息汇总

Hermion QMSum Interaction Dynamics 数据集详情

数据集概览

该数据集包含从 35个真实企业产品团队 的 QMSum 会议语料中提取的结构化交互动态信息，共涵盖 385次智能运行、3项研究，全程未读取任何消息内容。数据通过 Hermion 基于物理的交互智能引擎处理生成，每条记录均为实时 API 调用的结果，具有确定性、结构化和可复现的特点。

• 许可证: CC BY 4.0
• 任务类别: 文本分类、其他
• 语言: 英语
• 数据规模: n<1K
• 标签: interaction-dynamics、team-intelligence、organizational-behavior、meeting-intelligence、group-intelligence、physics-based、multi-actor、professional-teams、qmsum、longitudinal

数据创新点

这是首个在不访问语义内容的情况下，从真实企业会议数据中提取交互动态的结构化数据集。原始转录文本在研究者本机通过 Hermion 开源分类器转换为编码数学信号，仅信号传输至智能引擎，全程未传输或存储消息文本。相比基于 LLM 的方法（产生非结构化、非确定性、不可比较的输出），本数据集具有完全的可复现性。

数据结构

数据集包含三个 CSV 文件，对应三项研究：

文件	行数	内容描述
summary_study1_longitudinal.csv	35行	管理层（项目经理+市场营销）vs 设计组（工业设计师+用户界面），覆盖团队完整纵向时间弧
summary_study2_longitudinal.csv	70行	项目经理单独 vs 团队（35次运行）、市场营销单独 vs 团队（35次运行），衡量各高管角色对团队整体的结构性影响
summary_study3_longitudinal.csv	280行	每个团队8种以高管锚定的配对组合，涵盖高管二元组、个体角色配对及高管vs全团队等所有组合

字段说明

数据集包含 31个字段，核心字段包括：

• 标识字段: meeting_id（项目团队标识）、run_label（配对类型）、phase（阶段，均为 longitudinal）
• 交互进程: progression_pct、peak_pct（峰值进度）、momentum（动量状态：progressing/declining/critical_decline/gliding/stalled/normalizing）
• 拓扑与阻力: topology_mode、topology_label、primary_resistance（主要阻力类型）、dominant_component（主导阻力成分）、structural_share、asymmetric_share
• 风险评估: ghosting_risk（消失风险）、rejection_risk（拒绝风险）、stall_risk（停滞风险），均为0-1评分
• 行为信号: self_positive_ratio、other_positive_ratio、self_withdrawing、other_withdrawing、self_signal_share
• 预测与诊断: next_move（推荐行动）、other_next_move（预测对方行动）、mismatch_detected、mismatch_desc、recovery_capacity
• 元数据: session_count、signal_count、prepared_messages

关键发现

1. 项目经理结构性放大效应: 项目经理产生的峰值动态平均比同等市场营销配对高 +10.5个百分点，在 PM/UI 二元组中差距最大（+13.1pp）。
2. PM/UI 二元组表现最优: 项目经理与用户界面设计师的直接关系产生所有配对中最高的平均峰值（25.5%），高于高管配对及 PM vs 全团队。
3. 峰值生命周期: 团队在项目结束时，峰值与当前进度之间平均相差 4.2倍。峰值集中在开发阶段（平均5.6%，高于启动阶段的4.9%和结论阶段的5.1%）。
4. 普遍的结构性摩擦: 100%的团队（35个）以结构性摩擦为主要阻力类型，结构性份额平均达 87.6%。
5. 衰退前信号: 48% 的团队在衰退事件前检测到可识别的跨角色错配，模式一致表现为管理层倾向收尾/推进交易，设计层倾向退出。
6. 非线性耦合: 团队 IS1007 中，PM vs 设计组合的峰值达85%，而 PM vs 工业设计师单独仅33%、PM vs 用户界面单独仅45%，组合解锁了单一配对无法产生的峰值。

方法论

• 数据来源: QMSum 产品领域，35个团队均采用一致的4角色标注（项目经理、市场营销、工业设计师、用户界面）。
• 纵向设计: 每个团队的所有会话按时间顺序拼接（启动→开发→结论），形成连续交互弧，会话数3-4个，每团队总轮次915-3,936，无需采样。
• 窗口算法: 配对中角色被隔离时，仅保留原始流中与对方组位置相差 ±N 内的消息，N = min(max(groupSpacingA, groupSpacingB), 20)，用于隔离真实交流。
• 隐私保护: 原始 QMSum 转录在本地处理，无消息文本传输至 Hermion 引擎，分类器在研究者机器上将消息编码为数学信号。
• 可复现性: 完整开源流水线位于 https://github.com/hermionai/hermion-research，可凭 Hermion API 密钥复现全部结果。

引用与相关资源

• 研究流水线: https://github.com/hermionai/hermion-research
• 完整论文: https://github.com/hermionai/hermion-research/tree/main/research/qmsum-product-teams
• SSRN 预印本: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7167718
• 开源分类器: https://github.com/hermionai/hermion-classifier-os
• Hermion 官网: https://hermionai.xyz
• 引擎试用: https://hermionai.xyz/try
• API 密钥获取: https://hermionai.xyz/get-started
• 底层 QMSum 数据集: https://github.com/Yale-LILY/QMSum（单独许可）

搜集汇总

数据集介绍

构建方式

Hermion QMSum Interaction Dynamics数据集源自QMSum语料库中35个真实企业产品团队的会议记录。其构建过程遵循严格的隐私保护原则：原始会议文本在研究者本地机器上经由Hermion开源分类器转化为编码后的数学信号，仅这些信号被传输至基于物理模型的交互智能引擎进行处理，全程未读取或存储任何消息内容。该数据集包含三项纵向研究，分别对应管理组与设计组、项目经理与团队、以及多角色配对的交互动态。每项研究的输出以CSV文件形式呈现，记录了配对类型、会话数量、交互进程百分比、拓扑模式及抗拒类型等结构化字段，所有数据均通过确定性API调用生成，具备可复现性。

使用方法

使用者可通过克隆Hermion研究代码仓库并安装依赖项来复现数据集结果，借助有效的Hermion API密钥运行三个纵向研究脚本，即可生成对应的CSV文件。数据集字段丰富，涵盖会议标识符、角色配对标签、交互进程指标、风险评分及推荐行动等，适用于团队智能、组织行为学及多主体交互动力学分析。研究者可在本地环境中独立执行完整管线，确保数据隐私与结果可验证性。使用时应同时引用Hermion QMSum Interaction Dynamics与原始QMSum数据集，并遵循CC BY 4.0许可协议进行署名。

背景与挑战

背景概述

在组织行为与团队智能研究领域，精准量化多人交互中的合作动态始终是核心难题。传统方法多依赖语义内容分析或主观问卷，难以捕获非结构化互动中的物理性规律。Hermion QMSum Interaction Dynamics数据集由Mario Egie等人于2026年构建，基于耶鲁大学LILY实验室的QMSum会议语料库（2021），从35个真实企业产品团队的385次智能运行中提取结构化交互动力学特征。该数据集突破性地采用基于物理模型的交互智能引擎，在不读取消息文本的前提下，将原始转录转化为编码数学信号，首次实现了对真实企业会议数据中确定性、可复现的群体智能量化分析。其发布为团队协作效率诊断、组织网络动力学建模以及人机协同系统设计提供了开创性基准资源。

当前挑战

该数据集面临的核心挑战在于两大层面。首先，领域问题层面，传统自然语言处理方法在分析群体交互时高度依赖语义内容，输出结果呈现非结构化、非确定性与不可比较性，难以揭示超越文本的底层关系动力学。该数据集通过物理信号编码规避了这一根本局限，但如何验证此类非语义指标的生态效度及跨场景泛化能力仍是关键难题。其次，构建过程中，研究团队需在严格保护隐私的前提下（零消息文本传输），将QMSum中35个团队、每队3至4场会议、总计915至3936话轮的复杂纵向语料转化为统一的交互弧信号，并执行窗口算法以隔离真实配对准交换，这对信号编码精度与计算管线稳定性提出了极高要求。

常用场景

经典使用场景

该数据集的核心价值在于为群体智能与团队动力学研究提供了一种全新的量化范式。它源自对QMSum语料库中35支真实企业产品团队的全量纵向会话数据进行处理，利用Hermion基于物理模型的交互智能引擎，将原始会议转录文本编码为确定性、可复现的数学信号特征。研究者可借助该数据集系统性地剖析团队内部不同角色——如项目经理、市场营销、工业设计师与用户界面设计师——在项目全生命周期中的互动模式与结构张力，尤其适用于探索多主体协作系统中的非线性耦合现象与动态演化规律。

解决学术问题

该数据集有效回应了组织行为学与团队科学领域长期存在的两个核心困境：一是如何在无需访问语义内容的前提下实现互动动态的量化诊断；二是如何将非结构化的会议语料转化为具有比较性和可复现性的结构化指标。通过对35支团队进行纵向追踪，它揭示了结构性摩擦作为普遍性主阻力类型的存在（占比高达87.6%），并首次实证了项目经理与用户界面设计师之间直接配对所产生的峰值动力学效应显著高于其他角色组合，为理解团队内部隐性权力结构与沟通瓶颈提供了数据驱动的新证据。

实际应用

在实际应用层面，该数据集为组织管理实践提供了一套可操作的预警与干预工具。例如，通过监测跨角色失配指标（mismatch_detected），管理者能够在团队衰退事件发生前识别出管理倾向推进而设计倾向退缩的典型分歧模式，从而提前进行定向干预。同时，幽灵风险（ghosting_risk）、拒绝风险（rejection_risk）与停滞风险（stall_risk）等风险评分字段，使团队健康度的量化评估成为可能，可被直接嵌入企业内部的会议智能系统或团队协作平台，辅助决策者优化角色配置与沟通策略，提升整体协作效能。

数据集最近研究

最新研究方向

基于物理建模的团队交互动力学无语义分析，聚焦于利用企业级会议语料库QMSum中的结构化信号解析团队协作中的隐性结构摩擦、角色影响力不对称性及交互峰值生命周期，为组织行为学与团队智能研究提供了首个不依赖文本内容、可复现的纵向交互动力学基准数据集。