The Too-Much-Talent Effect: Team Interdependence Determines When More Talent Is Too Much or Not Enough.
DOI: 10.1177/0956797614537280
Never Too Much—The Benefit of Talent to Team Performance in the National Basketball Association: Comment on Swaab, Schaerer, Anicich, Ronay, and Galinsky (2014)
DOI: 10.1177/0956797620960396
两篇文章分别于2014年和2021年发表，均发表在psychological science 期刊
主要内容：
The Too-Much-Talent Effect：
借鉴等级理论(hierarchy theory)，拥有太多能力者（主导）的队员会引发团队内部权力和地位的争议，最终会损害绩效。我们将团队合作定义为“人们在一起工作，以实现超越个人单独工作能力的目标”。团队内部的地位竞争会导致个人将注意力集中在对团队内部地位的争夺上，而不是将他们的努力导向协调和团队绩效。事实上，地位竞争可能会导致个体主动破坏其他团队成员的努力，以提高自己在团队中的地位。这在组织心理学研究甚至畜牧业研究中都有实例。因此，在缺乏明确定义的等级顺序的情况下，原本应该用于团队内部协调和绩效的精力会被转移到争夺主导地位上。
尽管身份、主导地位、睾丸激素和母鸡的下蛋能力可能与天赋有关，但前人研究并没有直接解决一个问题：人才增多是否会具有讽刺意味地降低团队表现。因此，作者探究团队中人才较多是否、何时以及为什么会降低团队绩效。
task interdependence and coordination：
当完成任务对相互配合的要求高时，为了和其他团队竞争，团队内的队员必须和队内他人协调合作。然而，当任务相互依赖性较低时，每个人的才能对团队的产出能额外叠加，团队成员之间需要的协调较少。
由于前人研究没有探讨任务相互依赖性是否调节人才数量与团队绩效之间的关系，当前研究的另一个目标是是否too-much-talent effect 只存在于完成需要相互协作的任务中。
研究假设：too-much-talent effect 存在，且只存在于相互依赖性明显的任务情境中。相反，对于独立任务，人才数量和团队绩效的关系成正比。
实验设计：
实验一问卷调查外行人（非专业人士）认为的人才数量和团队绩效的关系。
实验二在足球比赛情境下研究两者关系（第一个相互依赖性任务）。
实验三在篮球比赛情境下研究两者关系（第二个相互依赖性任务），此外纳入团队协调水平这一变量，从而验证too-much-talent effect 的稳健性以及探究协调水平是否在两者间起到中介作用。
实验四在棒球比赛情境下研究（独立性任务），探究too-much-talent effect 会否发生。
详细介绍实验3：
为了测试人才过多效应的稳健性，在研究三，作者考察了NBA顶级球员在10个赛季中对球队表现的影响。NBA场上数据的全面可用性也使研究者能够测试假设的“人才过多效应”机制:团队内部协调的中介作用。
方法：
顶级球员的筛选：
中介：团队内部的协调水平：
三个项目：
01 每场比赛的平均助攻数
02 投篮命中率（当一支球队很好地协调时，竞争性投篮相对较少，更有可能获得很高的投篮命中率。
03 每场比赛的平均防守篮板数（防守篮板发生在一次投篮失误后从对手手中夺回球且需要协调行动）
将以上三个指标标准化并取平均值作为团队内协调水平的数值。
团队绩效：
每支球队年终胜率，并从NBA数据中提取10个赛季的数据。
控制变量：
每支球队人数、比赛数量。为了解释各个赛季球队们的非独立性，还将滞后表现，即前一个赛季的胜率作为控制变量。为了确保测量的是个人表现之外的协调水平，还将个人的罚球命中率作为控制变量。
结果：
采用固定效应的线性回归分析。
We used fixed-effects linear regressions of panel data, with team as the panel variable and season as the time variable (Wooldridge, 2009).
如图所示：回归分析表中，模型1为直线模型，模型2为曲线模型，模型3为加入中介变量（协调水平）后的调整模型；排除异常数据以及排除控制变量的影响后模型依然有效。
研究结论：
仅在相互依赖性任务情境中存在人才过多效应，队内协调水平起部分中介作用。
启发：
01 本文比较篮球、足球、棒球三种情境的结果，未来的研究可以直接操纵任务相互依赖的程度，并探究其它类型的相互依赖（如结果相互依赖）；
02 直接探究地位冲突对人才太多效应的影响；
03 这一效应在运动领域外是否存在。
2021年文章中，研究者通过进一步扩大数据集，采用新的数据分析方法，发现人才过多效应不存在，得出人才多多益善的结论。
作者用同样的程序计算了2014研究的实验3的结果，发现二次系数同样显著，拐点在自变量取值范围内。然而，超过拐点的数据只占所有数据的9%。
因此，作者质疑原文推论基于相对较少的实例，这一结果并不能有力地支持原结论，需要其它方法建立u型关系：
方法一：中断回归法（interrupted-regression approach）
在断点分割数据，并拟合两条直线，一条对应数据的每一部分。如果第一条直线显著增加，而第二条直线显著减少，则给出倒U形的证据。作者使用了Simonsohn(2018)开发的程序，该程序专门用于改进U形的检测，结果如图：
第二条直线的回归系数大于0，不显著；增大数据集，采用64个赛季的数据发现，第二条直线的回归系数大于0且显著，只是回归系数数值上小于第一条直线。
why采用64个赛季的数据：
原文的结果中超过拐点（天才率=0.52，样本范围：0.13-0.64）的数据很少，只有9%（297数据点中的27个)，不足以有力支撑原结论，很有可能在这10个赛季中，没有足够多的球队拥有较多的天才，这使得研究者无法可靠估计拐点之后的负向轨迹。
64赛季数据分析结果：
同样得到一个倒U型曲线，二次系数为负值且显著，拐点在0.62，样本范围：0.07-0.67，拐点更加靠近样本取值终点，且少于1%的数据超过拐点（1417数据点中的13个）；采用中断回归法发现，第二条线回归系数为0.13且显著。
以上结果说明，一个团队拥有的人才越多就越成功，即使这种积极的影响在人才规模扩大的过程中逐渐减弱。
此外，所有其它的分析都表明，在NBA领域几乎没有证据表明人才过多效应。比如，团队人才率对协调水平的影响，要么二次项系数不显著（10个赛季数据），要么估计的拐点超出了样本取值范围（64个赛季数据）。使用不同的人才界定标准不会改变结果，将罚球百分比、球队在前一个赛季的表现、阵容大小和比赛次数作为控制变量也不会改变结果。为解释规则变化而对个别时期进行的单独分析也不支持TMT效应。用其它既定的球员技能指标并没有显示出倒U型关系，而是描述了类似于人才比率的绩效增长情形。
方法二：不同类型函数比较法
那么，二次函数和其它函数得到结果不一致，用哪个更合适呢？其它函数描绘了人才增多对团队绩效的递减效应，却从未得到负相关的结果。在测试人才过多效应时，对数函数的表现较好：对数函数的曲线比二次函数的曲线更加拟合真实结果，对数函数也是费希纳定律采用的函数，而且描绘了外行人关于天才和绩效之间关系的普遍信念。
讨论：
好东西过头效应似乎是普遍现象，如责任心对于工作表现，乐观对于幸福感等。然而，本研究未得到人才过多效应，也许支持好东西过头效应的广泛证据同样是基于二次函数的不恰当推论。
结论(好有情怀的结论）:
也许亚里士多德和其他支持好东西过头效应(TMGT:too much good thing)的理论家们是对的，过多某一品质不是一件好事。然而，在使用恰当的方法测试之前，无论是中断回归的方法还是比较不同函数的方法，我们都应该首先考虑好东西多多益善效应（never too much）。
