Towards automatic turn taking analysis based on Sprint-planning meetings

Abstract

Communication is a widely researched and important aspect of software engineering, which influences the people, processes and even the quality and structure of the software product itself. Turn-taking, an aspect of communication, behaviour affects interpersonal dominance and communication patterns. Historically, turn-taking has been analysed from manual transcriptions of conversation transcriptions. The use of Sociometric badges enables automatic communication analysis by providing a way of automatically recording the speech features and proximity of other people. Based on these data, turn-taking analysis can be automated.

In this thesis, an algorithm was developed to extract and identify different speakers' turns and pauses from the data collected with the sociometric badges. The performance of the algorithm was validated using real communication data gathered in a software development organization of a mid-sized Finnish company. Problems with the badges' technology hindered the analysis and brought about gaps in the recordings, which in turn resulted in disability to analyse larger segments of the data at a time. However, the turn detection accuracy obtained by analysing shorter segments was encouraging.

Kommunikaatio on laajalti tutkittu ja tärkeä ohjelmistotuotannon osa-alue, jolla on vaikutuksia henkilöihin, prosesseihin ja jopa lopputuotteiden rakenteeseen ja laatuun. Vuoropuhelukäyttäytyminen vaikuttaa ihmistenväliseen hallitsevuuteen ja kommunikointitapoihin. Vuoropuhelua on analysoitu perustuen keskusteluista käsintehtyihin transkriptioihin. Puheen piirteitä voidaan nauhoittaa niin kutsutuilla sosiometrisilla laitteilla. Lisäksi ne voivat havaita muiden ihmisten läheisyyttä ja nain mahdollistavat automaattisen kommunikaatioanalyysin. Vuoropuheluanalyysi voidaan automatisoida tutkimalla näitä tietoja.

Työssä kehitettiin algoritmi, joka jaottelee luotettavasti eri puhujien vuorot ja tauot sosiometrisen datan perusteella. Algoritmin tehokkuus varmistettiin käyttämällä oikeassa suomalaisessa yrityksessä kerättyä kommunikaatiodataa. Laitteiden aiheuttamat ongelmat heikensivät kerätyn datanlaatua, joten algoritmilla voitiin kerralla analysoida vain lyhyitä osia nauhoituksesta. Käyttökelpoisissa kohdissa päästiin kuitenkin rohkaisevaan tunnistuksen tarkkuuteen.