Summary
在这里, 我们提出了基于计算机的多代理游戏蜜梳子, 它可以通过一个虚拟的2d 六角形游戏场上的黑点-雷达对人类集体运动行为进行实验研究。可以设定不同的实验条件, 如目标场或视觉半径上的可变激励, 并研究其对人体运动行为的影响。
Abstract
集体的人类行为, 如群体运动, 经常表现出令人惊讶的模式和规律性, 如领导的出现。最近的文献表明, 这些模式往往在群体的全球层面上可见, 其基础是遵循几个简单的局部参数的自我组织的个人行为。了解人类集体行为的动态有助于改善群体和人群场景中的协调和领导, 如确定建筑物中紧急出口的理想位置和数量。
在本文中, 我们提出了实验范式霍尼康, 它可以用来系统地调查条件和人类集体行为的影响。这种范式使用基于计算机的多用户平台, 提供了一个可以塑造和适应各种研究问题的设置。情景条件 (例如,具体行为的成本效益比率、货币激励和资源、不同程度的不确定性) 可由实验者根据研究问题设定。每个参与者的动作由服务器记录为六角形坐标, 时间戳的精度为50毫秒, 并且具有单独的 id。因此, 可以在游戏场上定义一个指标, 并且可以随着时间的推移测量参与者的运动参数 (例如距离、速度、聚类等)。运动数据又可以与在同一实验设置中收集的调查问卷中的非计算机化数据相结合。
霍尼康范式正在为新型的人类运动实验铺平道路。我们在这里证明, 这些实验可以使结果具有足够的内在有效性, 从而有意义地加深我们对人类集体行为的理解。
Introduction
基于计算机的多智能体游戏 honeycomb1 提供了一个方法范式, 实验研究集体人类运动模式和群体结构是如何从个人行为中产生的.在类似蜂窝的六角形虚拟游戏场上, 人类参与者在视觉上表示为头像 (黑点) (图 1)。参与者通过鼠标单击移动他们的头像, 以达到目标六边形, 花费移动资源 (视频 1), 并通过建立有凝聚力的团体, 最大限度地提高他们的金钱回报 (视频 2)。空间条件 (例如 ,视觉半径 ) 、奖励结构 (例如货币目标字段 ) 和通信渠道可以纵 , 以便发现这些条件规则在多大程度上影响协调和领导在集体运动中。
游戏的程序条件规则、目标和奖励激励者是由社会心理学家设计的, 目的是调查人类的集体运动。在动物群和人类人群中, 人们可以观察到从遵循当地规则的个人行为中发生的紧急现象 (即全球模式)。例如, 鱼类和成群结队的鸟类似乎作为连贯的实体向空间目标2、3、4移动, 尽管群体规模大, 降低了它们的全球或个人间通信能力。经验研究 5,6,7, 行为建模 8,9,10, 和计算机模拟11,12,13已表明, 在包括人类14、15、16 在内的不同物种中, 在没有内部控制或外部监督的情况下, 群体一级的复杂模式出现。局部个体运动, 往往是微观层面上的简单规则, 足以在宏观层面上产生有序的运动。这种实验有助于越来越多的证据2,6 , 不仅大群, 而且小群体 (人类群体以及其他动物群体) 都由地方互动规则1协调。
我们使用基于计算机的多用户头像游戏的新方法显示了研究动态人类集体现象的一个主要优势。使用 honeycombb 头像平台1,17,18,19, 单个移动行为 (由实际个人控制的移动) 的时空数据可以完全收集的服务器, 和行为模式和集体结构的发展可以用50毫秒的精度进行分析 (表 1)。由于视觉和听觉感觉通信可以通过要求参与者使用耳塞和用隔墙包裹他们的工作站来限制视觉和听觉感觉交流, 因此可以在实验中近似地处理蜂群和其他人群行为条件。在几个实验1,17,18,19, 我们操纵视觉半径 (全局与局部,图 2), 货币激励 (图 3a, b)、子组 (图 4) 和其他参与者的共存 (图 5), 以测试这些变量对集体行为模式出现的影响, 如人类蜂群行为17, 领导1、比赛18日。为了收集数据, 使用了10到12台笔记本和一台服务器的设置 (图 6)。
群体生物物种个体活动的自我组织协调引起了很多科学关注, 特别是在过去十年中。考试范围广泛, 从蚂蚁的简单轨迹形成和路径选择, 到鱼群涡旋结构的复杂出现, 甚至行人双向流动的分离 2.
通过我们的 honeycombs 范式, 我们提供了一种方法学方法来经验地调查各种情景选择约束、不同的行为规则和微观层面的个体特征对其出现的影响。人类的宏观行为结构。一个重要的优点是, 该范例提供了由实验者定义的严格可控的实验设置, 使操作能够测量单个实验的结果或比较多个实验。虚拟游戏场可以根据研究设计的要求进行配置, 参与者之间的感官交流渠道可以根据实验参数消除或减少。此外, 还可以形成环境供给 (例如,竞争性、非竞争性共识和救援环境)。因此, 我们的平台通过提供操作与特定研究问题相关的控制变量的可能性, 强制执行内部有效性 (即尽可能地将研究设计与研究问题相匹配), 使用人的运动数据来检查人类的运动。现场实验使结果 15、20、21对现实世界具有外部有效性 (通用性) 方面的好处, 因为它们不排除未知的无法控制的社会的影响暗示以及人类的非和准语言行为1。
基于计算机的多智能体游戏 honeycombb 已经开始调查人类玩家在虚拟游戏场中移动他们的化身的协调和领导模式的出现。参与者只获得关于在目标六边形上获得的货币奖励的当地信息, 其中包括基于同样以同一目标获得的共同玩家数量的货币奖励成倍增加的群体凝聚力激励六 角。在我们的第一个系列研究中, 我们将实验设置限制在蜂群行为的两个简单参数 (对齐和衔接), 并将相互信息传递减少到只有其他参与者的运动行为的 "重新传递"。然后, 我们将其他参与者移动行为的视线半径改变为由97个较小的六边形组成的虚拟游戏场的全局或本地视图, 并限制玩家的消耗性移动资源 (可能的移动)。
虚拟平台的形状和元素以及能够在该平台上玩的游戏的实验定义参数, 可以根据具体的研究问题进行设计。根据研究目标的不同, 可以改变游戏场的大小;化身的颜色、形状和意义可以调整;资源可以实施;奖励结构和内容可以改变。更多或更少的信息、不确定性和相互冲突的偏好也可以实现22。不同的全球播放器视图信息和控制也是可能的。因此,通过实验说明, 实验的环境提供可以改变 (例如,共识与逃逸场景)。在下一节中, 我们将通过描述一个实际的研究来澄清如何应用这些变量, 该研究使用其中的一些参数来回答具体的研究问题。
Protocol
该项目的数据收集和数据分析已得到哥廷根大学乔治·阿利斯-穆勒心理学研究所道德委员会的批准 (提案 039/2012)。
1. 实验设置
- 选择远离高流量区域的位置, 例如在计算机实验室或具有可配置为 lan (局域网) 的单个工作站的其他指定区域。
- 安排10到12本用于实验的10到12本笔记本电脑以及一台计算机作为服务器运行 (图 6)。服务器程序和客户端程序都需要一个 java 运行时环境, 该环境可在所有常见操作系统上使用 (raspberry pi 作为客户端就足够了)。
- 设备配置
- 将笔记本安排在带椅子的各个工作站桌子上, 如图 7所示。
- 通过以太网电缆和网络交换机将笔记本连接到服务器计算机, 以创建局域网。
- 在各个工作站之间安装隔墙, 以防止相邻参与者之间的视觉感觉交流 (眼神交流、手势、面部表情等)。
- 获取耳塞 (一次性使用) 分发给所有参与者, 以防止参与者之间的声音通信。
2. 参与者招聘
- 选择一个有大量人员的招聘地点, 例如礼堂的入口大厅。
- 使用标准化文本来解决潜在的新兵, 该文本解释了实验的目的和背景、实验持续时间、根据性能计算的最大付款额以及参与多人游戏的要求。机构拥有的笔记本电脑。
- 确保参与者能够理解与实验相关的英语和德语指令和问卷。
- 如果实验设计包括颜色的使用, 请确保参与者没有任何色盲, 这可能会阻止他们区分使用的颜色。
- 不要招募以前的参与者, 因为参与者应该对实验天真。
- 带领有意愿的新兵到远离招聘区的等候区。请要求他们等待团体征聘工作完成, 而不相互交谈。解释此限制与实验结果的完整性有关。
- 一旦招募了10至12名参与者, 就带领他们进入事先安排好的计算机实验室或将进行实验的指定区域。
- 在参与者在被分区包裹的工作站上占有一席之地之前, 让参与者签署一份指定知情同意的表格。
- 向所有参与者分发卫生的一次性耳塞。通知他们禁止与其他参与者进行视听交流。因此, 必须使用耳塞和连接工作站。
- 让参与者在分区连接的工作站中占据自己的位置。
3. 实验程序
注: 在此实验过程中, 由 boos等人使用的游戏。1被描述为一个应用程序示例。
- 准备阶段
- 程序本身的格式为一个 zip 文件 hc. zip, 包含 1) 可运行的 hc. jar, 2) 三个文件进行配置, 即 hc _ server. config、hc _ 面板. config 和 hc _ client. config 和 3) 名为简介和原始数据的两个子文件夹。
- 在服务器计算机上创建共享文件夹, 并将 hc. zip 解压缩到此文件夹中。
- 在每台客户端计算机上, 分别装入并访问此共享文件夹并打开终端 (linux、mac os x: 聚光灯搜索终端) 或提示 (windows: 搜索 "cmd")。使用命令 "dir" 或 "ls", 以便未压缩的文件出现在每个终端上。
- 在每个终端上执行命令 "java 版本", 以确保 java 运行时环境可用。如果没有, 请先安装 java, 然后再继续。
- 查看这三个配置文件。
- 编辑 hc _ server. 配置配置为配置 1) 玩家数量, 2) 每个玩家可以进行的最小数量和最大移动数, 3) 所谓的金块值, 4) 感知半径条件 (本地或全局)。
注: 两个感知条件是全局条件 (玩家可以看到所有参与者的头像位置) 和本地条件 (玩家只能看到其头像旁边的头像; 见图 3) - 编辑 hc _ client. 配置以告诉客户端服务器的 ip。
- 在 hc _ 面板. config 中, 根据屏幕的分辨率调整六边形的大小。
- 编辑 hc _ server. 配置配置为配置 1) 玩家数量, 2) 每个玩家可以进行的最小数量和最大移动数, 3) 所谓的金块值, 4) 感知半径条件 (本地或全局)。
- 首先, 使用命令 "java-jar hc _ gui. jar" 启动服务器程序 hc _ gui. jar (图 8)。然后, 使用命令 "jav-jar hc _ clientapplar. jar" 命令在每个工作站上启动客户端程序。
注: 客户端的屏幕应显示消息, "请稍候。计算机正在连接到服务器。在服务器 gui 中, 将出现一行, 显示每个客户端的 ip 地址。连接所有客户端后, 服务器程序将显示消息 "所有客户端都已连接。准备好开始了吗？ "
注: 实验者可以准备会话到现在。 - 当所有参与者都已经开始工作后, 在插入耳塞之前给出最后的指示。
- 单击 "确定" 开始会话。在此, 实验只能由参与者可见的屏幕上的说明来控制。单个实验的说明需要多个屏幕页面, 并且通过参与者根据需要来回分页进行阅读。
注: 每个参与者通过单击屏幕上的指定按钮来指示她已阅读说明。在所有参与者都阅读完说明之前, 实验无法开始。
- 测试阶段
- 观察参与者是否在 honeycombb 虚拟97六边形游戏场上控制他们的头像点 (是其他参与者可见头像点的两倍) (见图 1)。
- 让参与者在场地中心开始测试阶段, 然后根据之前在屏幕上提供的说明在 honeycombb 虚拟游戏场上移动。
- 关于如何玩游戏的所有说明都被放置在蜂巢游戏的程序文件夹中, 作为可编辑的 html 文件。有关德语和英语说明, 请分别参阅子文件夹介绍和介绍。
- 有玩家左键点击到相邻的小六边形他们选择移动他们的头像点。只能为初始和后续移动选择相邻字段。
注: 每次移动后, 每个参与者都会出现一个4000毫秒的小尾巴, 指示她欢呼的最后一个方向。
- 允许每个参与者只参与一次, 以避免可能的偏差。
注: 此处描述的游戏需要 5-10, 包括阅读说明。总体而言, 布姿等人对 40个10人小组的400名参与者进行了测试.(一) - 如果出现技术故障或参与者失败, 请不要使用相同的参与者重新启动实验。
4. 测试后阶段
- 游戏完成后, 让参与者填写评估人口数据、五大个性因素、感知到的压力或平静程度以及薪酬满意度 (在实验完成后支付) 的调查问卷。这些调查问卷可以作为独立的 html 文件提供。
- 当参与者填写调查问卷时, 请准备匿名信封, 其中包含刚刚完成的 honeycomby 游戏中获得的适当金额。游戏的 honeycomb计成计算的金额将在服务器屏幕上规定给每个玩家。
- 在参与者退出测试区域时, 将赚取的付款分配给他们。
- 关闭服务器程序, 然后在服务器程序完成关闭后关闭客户端程序。
- 将以实验日和时间戳标记的2个文本文件的形式将数据传输到 u盘上。
Representative Results
一次使用 honeycombs 范式的初步实验表明, 人类表现出了羊群行为的基本迹象, 例如寻求与他人的接近, 而没有得到奖励17。随后, 我们讨论了个人如何行为协调的问题, 以达到同样的物理目标. 1、不仅注重非特异性的植绒行为, 还注重群体协调和领导行为。利用上述实验定义的参数, 定义了目标六边形位置, 并使用货币奖励选项来检查基于共同激励的共同目标, 以及对群体凝聚力的激励。通过规定根据其他参与者最终在同一目标六边形中的目标的数量来额外提供奖励, 从而增强了实现群体凝聚力的动力。在 40个10人群体中, 每个小组 (一个由两个随机选择的个人组成的少数群体和一个由其余8个群体组成的多数群体) 通过提供以下级别的信息而创建。向这两个少数群体成员通报了一个二欧元六边形奖金和五个一欧元奖金六边形的位置 (图 9, 左)。多数集团的8个成员没有被告知两欧元奖金六边形, 而是被显示了6个同样奖励的一欧元目标六边形的位置 (图 9, 右)。没有一个参与者被告知有不同的分组。
我们根据 couzin等人的说法设计了我们的研究问题 "是23个计算机仿真模型。因为玩家之间交换的唯一信息是他们感知其他玩家运动的能力, 我们的目的是看到 (i) 这些信息是否足以让获得奖励的少数群体协调他们的运动。例如: (二) 双奖目标知情的少数群体如何能够带领不知情的多数群体达到他们的两欧元目标六边形。如前所述, 我们将这些研究设计限制为蜂群行为的两个基本参数, 1) 对齐 (组成员向目标六边形移动) 和 2) 内聚 (组成员倾向于作为组移动)。对于对齐参数, 我们设置了六个目标六边形, 这两个六边形获得了货币回报。对于内聚参数 (即与其他参与者协调移动的移动选择), 我们根据与他们自己的头像在同一六边形上的末尾的化身数量向参与者提供奖励。
蜂巢游戏区包含97个六边形。所有参与者的化身都是在蜂窝的中六边形一起开始比赛的。每个玩家最多获得15次移动计数。所有的人都被限制移动他们的头像 (通过鼠标点击) 只有一个六边形的六边到一个相邻的六边形。游戏结束时, 每个化身都在一个回报场上, 或者每个玩家都完全使用了他们的 1 5个移动计数。
另一个实验因素被实施来回答第三个研究问题: (iii) 其他参与者的感知半径 (全局与局部条件) 是否影响运动协调。40个10人群体中有一半的人的看法受到了随机限制, 这意味着20个群体 (当地条件) 只能感知其化身附近的那些化身的运动。其余20人10人团体 (全球状况) 可以感知所有参与者的化身位置和运动。
为了回答问题 (ii) [少数群体的运动特征导致了更多的成功 (成功地达到了一个目标领域作为一个群体, 从而获得了更大的金钱奖励)], 我们定义并分析了各种运动行为, 包括先行者,两个少数参与者的共同运动路径方向、路径长度、移动之间的平均时间、参与者之间的初始移动顺序、五大个性特征 (外向、开放性等) 和计算机素养。统计程序, 一个有限的混合模型与两个二项式, 和详细的结果发表在 boos等。(一)
我们的研究表明, 在一组在 2d honey黑手游戏场 (根据上述参数和条件移动) 的人类中, 20% 的人 (2 人少数群体) 仅仅根据它们的运动就能成功地领导另外 8 0%, 即使他们的感知只限于操场上相邻的化身。在这里, 这些2人少数群体参与者的成功领导意味着他们的同伴也采取了类似的初步行动, 这些2人少数群体参与者首先采取了初步行动1 (视频 2)。有关此组移动行为的详细参数, 请参见表 2。图 10对该小组随时间的分散进行了深入分析。令人惊讶的是, 我们还发现, 这些少数群体参与者的个性变量和计算机素养都没有对他们的成功发挥关键作用。
图 1: 基于计算机的多智能体游戏蜂巢的游戏场.在六边形虚拟游戏场上, 将人类玩家的视觉表示为化身 (黑点)。请点击这里查看此图的较大版本.
图 2: 本地vs.全球视野.具有本地视角的参与者只能在其视觉范围内看到其他玩家的化身。在这种情况下, 标记的玩家 (红色) 只能看到9名搭档中的4名。如果配置了全局视角, 将提供所有共同参与者的可见性。请点击这里查看此图的较大版本.
图 3: 货币激励措施.此图显示了如何在 honeycomb 游戏中实施货币奖励。标记为灰色的 avatars 在地方悟性半径之外, 因而是无形的各自球员。显示了两种不同的观点。(a) 知情球员: 这个玩家被赋予一个奖励较高的球门场, 被标记为 "€", (b) 不知情的球员: 这个球员被提供六个同样较低的奖励进球场, 被标记为 "€"。请点击这里查看此图的较大版本.
图 4: 子组头像实验.在这种情况下, 通过将参与者的头像着色为蓝色和黄色来创建两个子组。请点击这里查看此图的较大版本.
图 5: 单个vs.联合游戏.从一个玩家的角度来看, 此图显示了两种不同的设置, 与贝尔兹等人相当.17 (1ab) 单人游戏: 同机是不可见的, 在六边形虚拟游戏场上找不到, (2aeb) 联合游戏: 同车玩家是可见的, 只要他们保持在其他玩家的本地感知半径内。请点击这里查看此图的较大版本.
图 6: 服务器和客户端配置.10到12本笔记本 (客户端c 1到c12) 应安排在服务器计算机附近 (并连接到) 服务器计算机。使用包含每个参与者工作站的分区 (表示为粗线) 可防止与虚拟环境之外的其他人进行可视通信。由于延迟更少, 数据吞吐量更可靠, 因此建议使用 lan 电缆而不是 wlan。请点击这里查看此图的较大版本.
图 7: 上下文设置.由于使用隔墙和耳塞, 参与者之间的交流 (感官、视觉、听觉) 受到限制。请点击这里查看此图的较大版本.
图 8: 服务器上的图形界面.对于每个连接的客户端, 有一行显示 ip 和其他数据 (例如,移动次数、位置、要支付给每个玩家的金额)。请点击这里查看此图的较大版本.
图 9: 成功的领导.在左侧, 屏幕截图显示了一个知情的玩家接近一个货币目标场 (另见图 4), 成功地带领其他五名玩家到他的目标场。在右边, 一个不知情的球员看不见他的同组球员。请点击这里查看此图的较大版本.
图 10: 对游戏时间内空间色散的深入分析 (第44组).随着时间的推移, 整个小组成员之间的平均距离 (组平均), 与两个球员谁被告知的位置较高的 a€目标领域 (知情 1, 知情 2), 和八个不知情的球员 (组平均)不了解情况)。到比赛结束时, 一名不知情的球员已经失去了小组, 来到了一个 n. n. n. 的场地 (孤立的球员)。请点击这里查看此图的较大版本.
视频 1: 从不知情的玩家的角度出发的集体运动示例 (第44组).请点击这里观看此视频。(右键单击下载.
视频 2: 从两个知情的玩家的角度集体运动的例子在同一个游戏中的视频 1(第44组).请点击这里观看此视频。(右键单击下载.
| 格纳 | 时间 | Pid | s1 | s2 | ||
| ... | ||||||
| 5 | 14:56:42 281 | 5 | 2 | 2 | ||
| 5 | 14:56:42500 | 2 | 3个 | 5 | ||
| ... | ||||||
| 5 | 14:56:44593 | 0 | 3个 | 6 | nugc 2 | 未 _ 移动 |
| 5 | 14:56:4578 | 3个 | 2 | 2 | ||
| 5 | 14:56:44796 | 7。 | 3个 | 3个 | ||
| 5 | 14:56:45125 | 6 | -5 | -3 | ||
| 5 | 14:56:46109 | 1 | 2 | 2 | ||
| 5 | 14:56:46281 | 5 | 2 | 2 | 未 _ 移动 | |
| 5 | 14:56:46765 | 3个 | 3个 | 3个 | ||
| 5 | 14:56:47531 | 4个 | 2 | 3个 | 未 _ 移动 | |
| 5 | 14:56: 48187 | 9 | 3个 | 6 | nugc 2 | 未 _ 移动 |
| 5 | 14:56: 48625 | 2 | 3个 | 6 | nugc 2 | 未 _ 移动 |
| 5 | 14:56: 48625 | 8 | 3个 | 2 | 未 _ 移动 | |
| 5 | 14:56: 48640 | 6 | -6 | -3 | nugc 1 | |
| 5 | 14:56: 48640 | 4个 | 3个 | 4个 | ||
| 5 | 14:56: 48953 | 7。 | 3个 | 3个 | 未 _ 移动 | |
| 5 | 14:56:49390 | 5 | 3个 | 3个 | ||
| ... | ||||||
| 5 | 14:56:52671 | 4个 | 3个 | 4个 | 未 _ 移动 | |
| 5 | 14:56:52687 | 6 | -6 | -3 | nugc 1 | 未 _ 移动 |
表 1:数据格式.每个参与者在六边形虚拟游戏字段上的移动和相关时间戳在单独的行中记录为六角形坐标, 从而能够使用层次结构混合建模。下表显示了由10名玩家 (第44组) 组成的组生成的数据集的摘录。
| 第44组 (例子) |
移动 |
排名 1日 移动 |
延迟 | 支出 | 最后 距离 |
距离 到€-领域 |
时间 | 占领域的百分比 探索 |
| (a)个别级别变量 | ||||||||
| 玩家 id01 | 6 | 1 | 1, 73 | 18 | 0, 67 | 0 | - | - |
| 玩家 id1 | 6 | 10 | 3, 74 | 9 | 0, 67 | 0 | - | - |
| 玩家 id2 | 6 | 3个 | 2, 19 | 9 | 0, 67 | 0 | - | - |
| 玩家 id3 | 7。 | 9 | 2, 68 | 9 | 0, 67 | 0 | - | - |
| 玩家 id4 | 6 | 7。 | 4, 38 | 9 | 0, 67 | 0 | - | - |
| 玩家 id5 | 9 | 8 | 3, 98 | 9 | 0, 67 | 0 | - | - |
| 玩家 id6 | 12 | 5 | 2, 70 | 1 | 6, 00 | 6 | - | - |
| 玩家 id71 | 6 | 6 | 4, 96 | 18 | 0, 67 | 0 | - | - |
| 玩家 id8 | 9 | 4个 | 4, 03 | 9 | 0, 67 | 0 | - | - |
| 玩家 id9 | 6 | 2 | 2, 45 | 9 | 0, 67 | 0 | - | - |
| (b)组级变量 | ||||||||
| 无知 | 7, 63 | 5, 88 | 3, 27 | 8 | 1, 33 | 0, 75 | - | - |
| 通知 | 6, 00 | 4, 00 | 3, 35 | 18 | 0, 67 | 0, 00 | - | - |
| 整个小组 | 7, 30 | - | 3, 28 | 10 | 1, 20 | 0, 60 | 39, 02 | 27, 84 |
表 2: 组运动行为分析的详细结果 (第44组).列出了 (a) 个人级别的结果, (b) 团体级别的结果。在小组赛一级, 计算了不知情多数 (8名球员)、知情少数 (2名球员) 和整个小组 (1 0名球员) 的经济能力。1有0和7的玩家被随机挑选, 以被告知奖励较高的目标领域的位置;移动 = 移动总数;第1位移动的等级 = 第1位移动相对于其他玩家的排名;延迟= 两个步骤之间的平均移动延迟 (以秒为单位);投注= 完成游戏后的个人奖励 (欧元);最终距离 = 到游戏结束时每个玩家与所有剩余玩家的平均距离;距离到€-领域 = 距离到€目标领域由比赛的结尾;时间= 游戏的总持续时间 (秒);浏览的字段百分比= 组浏览的总字段 (97个六边形) 的百分比。有关该组在游戏时间内的色散的深入分析, 请参见图 10 , 有关组集体移动的视频 1和视频 2 , 以及有关运动数据摘录的表1 。
Discussion
使用多客户端虚拟环境作为研究范式来研究人类集体行为的一个基本问题是, 研究结果是否适用于实际场景。换言之, 方法方法是否产生具有足够生态或外部有效性的结果？在虚拟游戏场上代表人类参与者作为化身, 并让他们通过鼠标点击移动减少了社交线索。此外, 将沟通控制在最低限度, 可以让实验者调查哪些默契的行为暗示在人与人之间传播, 这些暗示可能会影响人类群体的协调和领导行为, 以及在哪些环境提供下 (例如:这些行为受到更多和程度的影响。只要在协议和测试程序中严格遵守两个测试前阶段, 这种简化方法就能保证内部有效性。为了允许将结果转移到 "真实" 群体和人群动态, 实验设置和测试阶段可能会逐渐修改, 变得更加复杂 (例如,允许额外的沟通, 而不仅仅是透射/阅读运动行为, 将有关在语义上嵌入到各种真实场景中的个人特征的信息添加到各种实际场景中等), 并在游戏开始前参与者阅读的屏幕说明中进行描述。
为了解决外部有效性的问题, 六边形游戏场 [最初选择标准化的玩家的运动到标准化的二维六角形坐标, 由于 (预先测试) 可用性和混淆因素的减少] 可以改变。具有自由运动选择的二维网格将使玩家能够创建更连续、更复杂的运动数据。例如, 由统一或不真实引擎创建的三维环境也可以提高生态/外部有效性。然而, 随着减少行动限制的每一步, 都会出现一个问题。随着模拟场景中运动自由复杂性的不断增加, 混淆因素 (如计算机体验等人际差异、熟悉三维游戏中的空间方向) 的影响增加, 这可能会导致偏颇的结果, 并降低内部有效性。
霍尼康协议中概述的方法的优点是, 它可以与计算机模拟模型结合起来, 并作为一个范例, 以进行经验测试, 如果计算机模拟中发现的集体模式也保持在人类群体中的行为。为了提高这些测试的外部有效性, 应在测试后阶段的调查问卷中询问参与者, 他们是否感到自己的化身有足够和人性化的代表, 是否能够将自己的共同参与者视为人类行为者。该协议指定了坐在并排的工作站上的同机人员的物理存在 (尽管协议参数排除了感官听觉或视觉交流), 以增强这些人类化身的感觉。
总之, 在协议的测试前、测试和测试后阶段中概述的 honeycomb 方法所采用的方法为研究群体协调、领导和群体内等集体现象的基本机制提供了一种新的范例差利该方法最重要的局限性是容易受到招聘人员人为错误的影响, 特别是如果他们在确保参与者在测试前和测试阶段不相互沟通方面不够严格。
Disclosures
作者没有什么可透露的。
Acknowledgments
这项研究由德国英才倡议 (机构战略: https://www.uni-goettingen.de/en/32632.html) 资助。我们感谢玛格丽特·内夫-海因里奇的英语校对。
Materials
| Name | Company | Catalog Number | Comments |
| Notebooks | |||
| Partition walls between work stations | |||
| Earplugs | |||
| Equipment for LAN installation |
References
- Boos, M., Pritz, J., Lange, S., Belz, M.
- Moussaid, M., Garnier, S., Theraulaz, G., Helbing, D. Collective information processing and pattern formation in swarms, flocks, and crowds. Topics in Cognitive Science. 1 (3), 469-497 (2009).
- Sumpter, D. J. T. Collective Animal Behavior. , Princeton University Press. Princeton. (2010).
- Krause, J., et al. Fish shoal composition: mechanisms and constraints. Proceedings - Royal Society. Biological Sciences. 267 (1456), 2011-2017 (2000).
- Camazine, S., et al. Self-Organization in Biological Systems. , Princeton University Press. Princeton. (2003).
- King, A. J., Sueur, C., Huchard, E., Cowlishaw, G. A rule-of-thumb based on social affiliation explains collective movements in desert baboons. Animal Behavior. 82 (6), 1337-1345 (2011).
- Fischer, J., Zinner, D. Communication and cognition in primate group movement. International Journal of Primatology. 32 (6), 1279-1295 (2011).
- Couzin, I. D., Krause, J. Self-organization and collective behavior in vertebrates. Advances in the Study of Behavior. 32, 1-75 (2003).
- Katz, Y., Tunstrøm, K., Ioannou, C. C., Huepe, C., Couzin, I. D. Inferring the structure and dynamics of interactions in schooling fish. Proceedings of the National Academy of Sciences of the United States of America. 108 (46), 18720-18725 (2011).
- Guy, S. J., Curtis, S., Lin, M. C., Manocha, D. Least-effort trajectories lead to emergent crowd behaviors. Physical Review E: Statistical, Nonlinear, and Soft Matter Physics. 85 (1), 016110 (2012).
- Shao, W., Terzopoulos, D.
- Reynolds, C. W. Flocks, herds and schools: A distributed behavioral model. Seminal Graphics. , ACM. 273-282 (1987).
- Pelechano, N., Allbeck, J. M., Badler, N. I. Controlling individual agents in high-density crowd simulation. Proceedings of the 2007 ACM SIGGRAPH/Eurographics Symposium on Computer Animation. , 99-108 (2007).
- Helbing, D., Molnár, P., Farkas, I. J., Bolay, K.
- Dyer, J. R. G., Johansson, A., Helbing, D., Couzin, I. D., Krause, J. Leadership, consensus decision making and collective behavior in humans. Philosophical Transactions - Royal Society. Biological Sciences. 364 (1518), 781-789 (2009).
- Moussaid, M., Schinazi, V. R., Kapadia, M., Thrash, T. Virtual Sensing and Virtual Reality: How New Technologies can Boost Research on Crowd Dynamics. Frontiers in Robotics and AI. , (2018).
- Belz, M., Pyritz, L. W., Boos, M.
- Boos, M., Franiel, X., Belz, M. Competition in human groups - Impact on group cohesion, perceived stress and outcome satisfaction. Behavioral Processes. 120, 64-68 (2015).
- Boos, M., Li, W., Pritz, J. Patterns of Group Movement on a Virtual Playfield: Empirical and Simulation Approaches. Social Network Analysis: Interdisciplinary Approaches and Case Studies. Fu, X., Luo, J. -D., Boos, M. , 197-223 (2017).
- Dyer, J. R. G., et al. Consensus decision making in human crowds. Animal Behavior. 75 (2), 461-470 (2008).
- Faria, J. J., Dyer, J. R. G., Tosh, C. R., Krause, J. Leadership and social information use in human crowds. Animal Behavior. 79 (4), 895-901 (2010).
- Conradt, L. Models in animal collective decision-making: information uncertainty and conflicting preferences. Interface Focus. 2 (2), 226-240 (2011).
- Couzin, I. D., Krause, J., Franks, N. R., Levin, S. A. Effective leadership and decision-making in animal groups on the move. Nature. 433, 513-516 (2005).
