本文介绍了一款基于计算机的多智能体游戏HoneyComb，该游戏通过虚拟二维六边形游戏场上的黑点化身，实现对人类集体运动行为的实验性研究。via 可设置不同的实验条件，例如目标区域的可变 激励或视野半径，并可探究这些条件对人类运动行为的影响。
本文内容
摘要
摘要
人类的集体行为，例如群体移动，常常表现出令人惊讶的模式和规律性，例如领导者的出现。近期研究表明，这些模式通常在群体整体层面可见，其基础是基于个体的自组织行为，遵循若干简单的局部参数。理解人类集体行为的动态机制，有助于改善群体和人群情境下的协调与领导，例如确定建筑物中应急出口的最佳位置和数量。
在本文中，我们介绍了一种名为HoneyComb的实验范式，可用于系统地研究人类集体行为的条件与效应。该范式采用基于计算机的多用户平台，提供一个可灵活调整并适应多种研究问题的实验环境。情境条件（例如， 实验者可根据研究问题设定特定行为的成本效益比、金钱激励与资源、不同程度的不确定性等参数。每位参与者的动作均由服务器以50毫秒的时间精度记录为带时间戳的六边形坐标，并附有个人ID。因此，可在游戏区域内定义度量标准，并提取运动参数（例如， 距离，速度，聚类 等等。参与者的运动数据可以随时间推移进行测量。这些运动数据继而可与同一实验设置中收集的问卷非计算机化数据相结合。
HoneyComb 范式正在为新型的人类运动实验开辟道路。我们在此证明，这些实验能够产生具有足够内部效度的结果，从而有意义地深化我们对人类集体行为的理解。
引言
基于计算机的多智能体游戏HoneyComb1 提供了一种方法学范式，用于通过实验研究集体人类运动模式和群体结构如何从个体行为中产生。人类参与者在六边形的虚拟游戏场（形似蜂巢）上以头像（黑色圆点）的形式进行视觉呈现。图1）。参与者移动他们的虚拟形象 通过 鼠标点击以到达目标六边形，消耗移动资源（视频 1），并通过建立紧密协作的团队来最大化其经济回报（视频 2）。空间条件（例如， 视觉半径）、奖励结构（例如， 货币目标区域）以及通信渠道可被操控，以探究这些条件规则在何种程度上影响集体运动中的协调与领导力。
该游戏的程序/条件规则、目标和奖励激励机制由社会心理学家设计，用于研究人类的集体运动。在动物群集以及人群之中，均可观察到涌现现象（即， 由遵循局部规则的个体行为所产生的全局模式。例如，鱼群和鸟群似乎作为一个整体协调地朝向某一空间目标移动2,3,4，尽管群体规模较大，限制了其全球性或个体间的交流能力。实证研究5,6,7，行为建模8,9,10和计算机模拟11,12,13 已表明，在包括人类在内的多种物种中14,15,16，群体层面会涌现出复杂的模式，而无需内部控制或外部监督。局部的个体运动以及微观层面上通常存在的简单规则，足以产生宏观层面上的有序运动。此类实验为不断积累的证据提供了支持2,6 不仅大规模群体，而且小规模群体（包括人类群体及其他动物群体）都通过局部相互作用规则实现协调1.
我们采用基于计算机的多用户虚拟形象游戏这一新颖方法，在研究人类集体动态现象方面展现出一个主要优势。利用HoneyComb虚拟形象平台1,17,18,19，服务器可完整收集个体运动行为的时空数据（即由真实个体控制的运动），并对行为模式和集体结构的演化过程进行精确到50毫秒的分析（表1）。通过要求参与者佩戴耳塞并在工作站周围设置隔板，可限制其视觉和听觉感官交流，从而在实验中近似模拟群体及其他人群行为条件。在多项实验中1,17,18,19，我们操纵了视野半径（全局 vs. 局部，图2）、金钱激励（图3a,b）、子群体（图4）以及其他参与者共现情况（图5），以检验这些变量对集体行为模式（如人类成群行为17、领导力1和竞争性18）出现的影响。为采集数据，实验使用了十至十二台笔记本电脑和一台服务器的配置（图6）。
群居物种个体活动的自组织协调机制在过去十年中尤其受到广泛关注。相关研究范围广泛，从蚂蚁简单的路径形成和路线选择，到鱼群中复杂涡旋结构的涌现，甚至行人双向流动的分离现象2。
通过我们的 HoneyComb 范式，我们提出了一种方法论途径，用于实证研究不同情境选项/约束、多样化的行为规则以及个体特征在微观层面对人类宏观行为结构涌现的影响。该范式的一个重要优势在于，它提供了由实验者明确定义的严格可控的实验环境，从而能够操纵变量以测量单个实验的结果，或对多个实验进行比较。虚拟游戏区域可根据研究设计的需求进行配置，参与者之间的感官交流通道也可根据实验参数予以消除或减弱。此外，环境可供性可被灵活设定（例如，竞争性、非竞争性共识、救援情境等）。因此，本平台通过提供对特定研究问题相关变量的操纵与控制能力，并利用人类主导的运动数据来分析人类行为，从而增强了实验的内部效度（即，使研究设计尽可能贴合研究问题）。实地实验则在结果的外部效度（可推广性）方面具有优势15,20,21，因为它们未排除未知的、不可控或无法抑制的社会线索以及人类的非言语和副语言行为所可能产生的影响1。
基于计算机的多智能体游戏 HoneyComb 已被用于研究人类玩家在虚拟游戏场地上移动其虚拟化身时协调与领导模式的形成。参与者仅能获得关于目标六边形区域上可获取金钱激励的局部信息，其中包含基于群体凝聚力的激励机制，即当更多同伴玩家也到达同一目标六边形区域时，金钱奖励将按共同到达的玩家数量倍增。在我们的第一系列研究中，我们将实验设置限制于群体行为的两个简单参数（对齐性和凝聚力），并将相互间的信息传递减少至 "读取/传输" 仅观察其他参与者的行为动作。随后，我们改变了对其他参与者行为动作的视野范围，使其呈现虚拟游戏区域的全局或局部视图（该区域由97个较小的六边形组成），并限制了玩家可消耗的移动资源（可执行的移动次数）。
虚拟平台的形状与构成元素，以及可在该平台上进行的游戏的实验者定义参数，均可根据具体的研究问题进行设计。根据研究目标，可调整游戏区域的大小，修改头像的颜色、形状及其代表意义，设置资源，并改变奖励结构与内容。此外，还可设定不同程度的信息量、不确定性以及偏好冲突。22可对全球玩家视角信息和控制进行调整。因此， 通过 实验说明，实验的环境可供性可以被改变（例如， 共识 与 逃生情景）。在下一节中，我们将通过描述一项实际研究来阐明如何应用这些变量，该研究使用了其中部分参数来回答特定的研究问题。
方案
本项目的数据收集与数据分析已获得哥廷根大学乔治·埃利亚斯·米勒心理学研究所伦理委员会的批准（方案编号 039/2012）。
1. 实验设置
- 选择一个远离高流量区域的地点，例如计算机实验室或其他设有独立工作站的指定区域，这些工作站可配置为局域网（LAN）。
- 准备10到12本相同类型的笔记本用于实验，并准备一台计算机作为服务器（图6）。服务器程序和客户端程序均需要JAVA运行环境，该环境在所有常见的操作系统上均可使用（客户端可使用树莓派）。
- 设备配置
- 将笔记本按图示放置在各个工作站桌面上，并配好椅子 图7.
- 将笔记本电脑连接到服务器计算机 通过 以太网电缆和网络交换机，用于构建局域网。
- 在各个工位之间安装隔板，以防止视觉感官交流（眼神接触、手势、面部表情） 等等。相邻参与者之间）
- 获取一次性耳塞，分发给所有参与者，以防止参与者之间进行口头交流。
2. 受试者招募
- 选择一个人流量较大的招募地点，例如礼堂的入口大厅。
- 使用标准化的说明向潜在参与者介绍实验的目的与背景、实验时长、根据表现计算的最高报酬，以及需在机构提供的笔记本电脑上参与多人游戏的要求。
- 确保参与者能够理解与实验相关的英文和德文指导语及问卷内容。
- 如果实验设计中涉及颜色的使用，需确保参与者无任何可能影响其区分实验所用颜色的色觉障碍。
- 不得招募曾参与过该实验的人员，因为参与者应为实验初试者（naïve）。
- 将愿意参与的人员引导至远离招募区域的等候区，并礼貌要求他们在集体招募完成前不要相互交谈。需说明此项限制是为了保障实验结果的完整性。
- 当招募到10至12名参与者后，将其引导至预先安排好的计算机实验室或指定实验区域。
- 在参与者进入隔间式工作站之前，要求其签署知情同意书。
- 向所有参与者分发一次性使用的卫生耳塞，并告知其禁止与其他参与者进行视听交流，因此必须佩戴耳塞并在隔间式工作站内完成实验。
- 让参与者进入隔间式工作站就座。
3. 实验步骤
注意：在此实验流程中，Boos 等人1 使用的游戏被描述为一个应用示例。
- 准备阶段
- 该程序本身以压缩文件 HC.zip 的形式提供，其中包含：1）可执行文件 HC.jar，2）三个配置文件，分别为 hc_server.config、hc_panel.config 和 hc_client.config，以及 3）两个名为 intro 和 rawdata 的子文件夹。
- 在服务器计算机上创建一个共享文件夹，并将 HC.zip 解压至该文件夹中。
- 在每个客户端计算机上挂载并访问此共享文件夹，然后打开终端（Linux、Mac OS X：使用 Spotlight | 搜索 | 终端）或命令提示符（Windows：搜索 "cmd"）。使用命令“dir”或“ls”，确保解压后的文件在每个终端中可见。
- 在每个终端上执行命令“java -version”，以确认 Java 运行环境可用。若不可用，请先安装 Java 再继续。
- 查看三个配置文件。
- 编辑 hc_server.config 文件，以配置：1）参与者数量，2）每位参与者可执行的最少和最多移动次数，3）所谓“nuggets”的数值，以及 4）感知半径条件（局部或全局）。
注：两种感知条件分别为全局条件（参与者可看到所有其他参与者的头像位置）和局部条件（参与者仅能看到与其头像相邻的头像；见图3） - 编辑 hc_client.config 文件，使客户端获知服务器的 IP 地址。
- 在 hc_panel.config 文件中，根据屏幕分辨率调整六边形的大小。
- 编辑 hc_server.config 文件，以配置：1）参与者数量，2）每位参与者可执行的最少和最多移动次数，3）所谓“nuggets”的数值，以及 4）感知半径条件（局部或全局）。
- 首先，使用命令“java -jar HC_Gui.jar”启动服务器程序 HC_Gui.jar（见图8）。然后，在每个工作站上使用命令“java -jar HC_ClientAppl.jar”启动客户端程序。
注：客户端屏幕上应显示消息"请稍候，计算机正在连接服务器。" 在服务器图形界面中，将逐行显示各客户端的 IP 地址。当所有客户端连接完成后，服务器程序将显示消息"所有客户端已连接，是否准备开始？"
注：实验人员可在此前完成所有实验前准备工作。 - 当所有参与者均已就位后，在他们插入耳塞前给出最终指导说明。
- 点击 "确定"以启动实验。此后，实验仅由参与者可见的屏幕指令控制。单次实验的指导说明包含多个页面，参与者可根据需要前后翻页阅读。
注：每位参与者需通过点击屏幕上的指定按钮，确认其已阅读全部说明。在所有参与者完成阅读前，实验无法开始。
- 测试阶段
- 观察参与者是否使用鼠标控制其头像点（其大小为其他参与者可见头像点的两倍）在 HoneyComb 虚拟的 97 个六边形棋盘上移动（见图1）。
- 让参与者从棋盘中心开始测试阶段，然后根据屏幕上先前提供的说明在 HoneyComb 虚拟棋盘上移动。
- 所有游戏操作说明均以可编辑的 HTML 文件形式存放在 HoneyComb 游戏的程序文件夹内。德语说明位于子文件夹 intro/de，英语说明位于 intro/en。
- 参与者通过鼠标左键点击其头像点相邻的任意一个小六边形来移动。初始及后续移动均只能选择相邻的六边形。
注：每次移动后，每位参与者将显示一个持续 4000 毫秒的小尾迹，指示其上一次移动的方向。
- 每位参与者仅可参与一次，以避免可能的偏差。
注：本研究所述游戏耗时约 5–10 分钟，包括阅读说明时间。Boos 等1 共对 40 个十人小组（总计 400 名参与者）进行了测试。 - 若发生技术故障或某位参与者未能完成实验，不得使用相同参与者重新开始实验。
4. 测试后阶段
- 游戏结束后，让参与者填写问卷，以评估人口统计学数据、大五人格因素、感知压力或放松程度以及薪酬满意度（在实验结束后支付报酬）。这些问卷可以以独立的 HTML 文件形式提供。
- 在参与者填写问卷的同时，准备匿名信封，内含参与者在刚刚完成的 HoneyComb 游戏中所获得的相应金额。每位玩家应得的金额由游戏服务器界面明确标注。
- 在参与者离开测试区域时，向其发放相应的报酬。
- 先关闭服务器程序，待服务器程序完全关闭后，再关闭客户端程序。
- 将实验数据以两个带有实验日期和时间戳记的文本文件形式，转移至 U 盘。
结果
一项基于 HoneyComb 范式的初步实验表明，人类在未获得奖励的情况下也表现出群聚行为的基本特征，例如倾向于接近他人17。随后，我们进一步探讨了个体人类如何通过行为协调以达到相同的物理目标/终点，这一问题也曾在 Boos et al.1 的研究中被考察，我们的研究不仅关注非特异性的群聚行为，还聚焦于群体协调与领导行为。利用上述实验所定义的参数，设定了目标六边形的位置，并引入金钱奖励机制，以考察基于共同激励的共享目标以及对群体凝聚的动机。通过规定额外奖励——即最终进入同一目标六边形的参与者人数越多，奖励越高——进一步增强了实现群体凝聚的动机。在每组包含十名参与者的 40 个小组中，通过提供不同层次的信息，将每组划分为两个子群体（一个少数群体，由两名随机选定的个体组成；一个多数群体，由其余八名成员组成）。两名少数群体成员被告知一个两欧元奖励六边形和五个一欧元奖励六边形的位置（图9，左）；而多数群体的八名成员则未被告知两欧元奖励六边形的存在，仅被告知六个奖励相同的一欧元目标六边形的位置（图9，右）。所有参与者均未被告知存在不同的子群体。
我们根据Couzin et al.的23计算机模拟模型设计了研究问题。由于参与者之间交换的唯一信息是他们感知其他参与者运动的能力，因此我们旨在探究：（i）此类信息是否足以使知情/高奖励的少数群体协调不知情/低奖励的多数群体的运动；若可以，则进一步探究（ii）具有双倍奖励目标的知情少数群体将如何或能否引导不知情的多数群体到达其两欧元奖励的目标六边形区域。如前所述，我们将这些研究设计限定于群体聚集行为的两个基本参数：1）对齐性（群体成员朝向目标六边形移动）和2）凝聚性（群体成员倾向于以群体形式协调移动）。针对对齐性参数，我们设置了六个可获得金钱回报的目标六边形区域；针对凝聚性参数（即所做出的移动选择与其他参与者的移动相协调），我们根据参与者最终所在六边形区域内与其处于同一位置的虚拟形象数量给予相应奖励。
HoneyComb 游戏区域包含 97 个六边形。所有参与者的头像从蜂窝状区域中央的六边形同时开始游戏。每位玩家最多可移动 15 步，且均被限制只能移动自己的头像（通过 仅允许每个角色通过六边形的其中一条边移动至相邻的六边形（例如通过鼠标点击）。当所有角色均位于收益区域，或所有玩家已用完各自的15次移动次数时，游戏结束。
为回答第三个研究问题，引入了一个额外的实验因素：（iii）感知半径（全局 与 其他参与者所处的局部条件会影响运动协调。在40个十人小组中，有一半小组的感知受到随机限制，即二十个小组（局部条件）只能感知与其虚拟形象相邻的其他虚拟形象的运动。其余二十个十人小组（全局条件）则能够感知所有参与者的虚拟形象位置和运动。
为回答问题（ii）[少数群体的哪些运动特征导致了更高的成功率（作为群体成功到达目标区域，从而获得更高的金钱奖励）]，我们定义并分析了多种运动行为，包括首位行动者、两名少数群体参与者之间运动路径/方向的一致性、路径长度、移动之间的平均时间间隔、参与者中初始移动的顺序，以及大五人格特征（外向性、开放性 等等。），以及计算机素养。统计方法采用双二项分布的有限混合模型，详细结果发表于 Boos 等1.
本研究结果表明，在一组人类受试者中，即使仅能感知游戏区域内相邻的虚拟角色，20%的受试者（两人组成的少数群体）仅通过其移动行为，便能够在二维蜂窝状游戏区域（按照上述参数和条件移动）中成功引导其余80%的参与者。此处，“成功领导”是指这些少数群体成员的同伴参与者做出了类似的初始移动，且这些少数群体成员率先做出了初始移动1（视频 2）。有关该群体运动行为的详细参数，请参见表 2。群体随时间推移的分散情况的深入分析见图 10。我们还意外发现，这些少数群体参与者的个性特征或计算机操作熟练程度对其成功并未起到关键作用。
图1：基于计算机的多智能体游戏 HoneyComb 的游戏界面。 人类玩家以头像形式（黑点）分布在六边形虚拟游戏场上的可视化表示。请点击此处查看此图的放大版本。
图 2：局部与全局视角的对比。具有局部视角的参与者只能看到其视野范围内的其他玩家头像。在此情况下，被标记的玩家（红色）仅能看到 9 名队友中的 4 名。若配置为全局视角，则可看到所有队友。请点击此处查看该图的放大版本。
图3：金钱激励机制。 本图示说明了金钱激励如何在HoneyComb游戏中实施。标记为灰色的头像位于局部感知半径之外，因此对相应玩家不可见。图中展示了两种不同的视角。（a）知情玩家：该玩家被赋予一个奖励较高的目标区域，标记为“€€”；（b）不知情玩家：该玩家被赋予六个奖励较低且相等的目标区域，标记为“€”。 请点击此处查看此图的放大版本。
图 4：子组虚拟形象实验。 在此情景中，通过将参与者的虚拟形象着色为蓝色和黄色，形成两个子组。请点击此处查看此图的放大版本。
图5：单个 与 联合游戏 此图展示了一名参与者视角下的两种不同场景设置，可与Belz的研究进行比较 等17 (1a/b) 单人游戏：玩家不可见，且无法在六边形虚拟游戏区域内找到其他玩家；(2a/b) 联机游戏：只要其他玩家处于本地感知半径范围内，即可被看见。 请点击此处以查看此图的放大版本。
图6：服务器与客户端配置。 应将十到十二台笔记本电脑（客户端 C1 至 C12）布置在服务器计算机附近，并与其连接。使用隔板包围每位参与者的工位（图中以粗线表示），以阻止其与虚拟环境之外的其他人进行视觉交流。建议使用局域网线缆（LAN）而非无线局域网（WLAN），因为前者延迟更低，数据传输更可靠。请点击此处查看此图的放大版本。
图7：实验环境设置。 由于使用了隔板和耳塞，参与者之间的交流（感觉、视觉、听觉）受到限制。请点击此处查看该图的放大版本。
图8：服务器端的图形界面。 对于每个已连接的客户端，均有一行显示其IP地址及其他数据（例如，移动次数、位置、每位参与者需支付的金额）。请点击此处查看该图的放大版本。
图9：成功的领导行为。 左侧截图显示一名知情玩家正接近一个金钱目标格（另见图4），并成功引导其他五名玩家到达其目标格。右侧则显示一名不知情玩家失去了与其他玩家的联系。请点击此处查看此图的放大版本。
图10：游戏过程中空间分散性的深入分析（第44组）。 整个群体的成员间平均距离随时间的变化（群体均值），并与两名知晓高奖励€€目标区域位置的玩家（知情者1、知情者2）以及八名不知情玩家（不知情者）进行比较。游戏结束时，一名不知情玩家脱离群体并到达了一个€目标区域（孤立玩家）。请点击此处查看该图的放大版本。
视频 1：来自非知情参与者视角的集体运动示例（第 44 组）。 请点击此处观看视频。（右键可下载。）
视频 2：来自与视频 1 相同游戏中的两位知情参与者视角的集体运动示例 （第 44 组）。 请点击此处观看该视频。（右键单击可下载。）
| gnr | 时间 | pid | s1 | s2 | ||
| ... | ||||||
| 5 | 14:56:42,281 | 5 | 2 | 2 | ||
| 5 | 14:56:42,500 | 2 | 3 | 5 | ||
| ... | ||||||
| 5 | 14:56:44,593 | 0 | 3 | 6 | NNug=2 | 未移动 |
| 5 | 14:56:44,578 | 3 | 2 | 2 | ||
| 5 | 14:56:44,796 | 7 | 3 | 3 | ||
| 5 | 14:56:45,125 | 6 | -5 | -3 | ||
| 5 | 14:56:46,109 | 1 | 2 | 2 | ||
| 5 | 14:56:46,281 | 5 | 2 | 2 | 未移动 | |
| 5 | 14:56:46,765 | 3 | 3 | 3 | ||
| 5 | 14:56:47,531 | 4 | 2 | 3 | 未移动 | |
| 5 | 14:56:48,187 | 9 | 3 | 6 | NNug=2 | 未移动 |
| 5 | 14:56:48,625 | 2 | 3 | 6 | NNug=2 | 未移动 |
| 5 | 14:56:48,625 | 8 | 3 | 2 | 未移动 | |
| 5 | 14:56:48,640 | 6 | -6 | -3 | NNug=1 | |
| 5 | 14:56:48,640 | 4 | 3 | 4 | ||
| 5 | 14:56:48,953 | 7 | 3 | 3 | 未移动 | |
| 5 | 14:56:49,390 | 5 | 3 | 3 | ||
| ... | ||||||
| 5 | 14:56:52,671 | 4 | 3 | 4 | 未移动 | |
| 5 | 14:56:52,687 | 6 | -6 | -3 | NNug=1 | 未移动 |
表1： 数据格式。 每位参与者在六边形虚拟游戏区域上的移动及其对应的时间戳被记录为六边形坐标，并以独立的行存储，便于进行分层/混合建模分析。该表格展示了由10名玩家（第44组）组成的一个小组所产生的数据集节选。
| 第44组 （示例） | ∑ 动作 | 排名 1st 移动 | 潜伏期 | 支付 | 最终 距离 | 距离 至 €€-场 | 时间 | %视野 探究 |
| (a) 个体水平变量 | ||||||||
| 播放器 ID01 | 6 | 1 | 1,73 | 18 | 0,67 | 0 | - | - |
| 播放器 ID1 | 6 | 10 | 3,74 | 9 | 0,67 | 0 | - | - |
| 播放器 ID2 | 6 | 3 | 2,19 | 9 | 0,67 | 0 | - | - |
| 播放器 ID3 | 7 | 9 | 2,68 | 9 | 0,67 | 0 | - | - |
| 播放器 ID4 | 6 | 7 | 4,38 | 9 | 0,67 | 0 | - | - |
| 播放器 ID5 | 9 | 8 | 3,98 | 9 | 0,67 | 0 | - | - |
| 播放器 ID6 | 12 | 5 | 2,70 | 1 | 6,00 | 6 | - | - |
| 播放器 ID71 | 6 | 6 | 4,96 | 18 | 0,67 | 0 | - | - |
| 播放器 ID8 | 9 | 4 | 4,03 | 9 | 0,67 | 0 | - | - |
| 播放器 ID9 | 6 | 2 | 2,45 | 9 | 0,67 | 0 | - | - |
| (b) 组水平变量 | ||||||||
| 未告知 | 7,63 | 5,88 | 3,27 | 8 | 1,33 | 0,75 | - | - |
| 知情 | 6,00 | 4,00 | 3,35 | 18 | 0,67 | 0,00 | - | - |
| 整个组 | 7,30 | - | 3,28 | 10 | 1,20 | 0,60 | 39,02 | 27,84 |
表2：群体运动行为分析的详细结果（群体44）。 结果分别列出：(a) 个体层面；(b) 群体层面。在群体层面，计算了非知情多数群体（8名参与者）、知情少数群体（2名参与者）以及整个群体（10名参与者）的均值。 1编号为 0 和 7 的参与者被随机选中，获知奖励较高的 €€ 目标区域的位置；∑ 移动次数 = 移动总次数；排名为 1st 移动 = 第1名st 相对于其他参与者移动； 潜伏期 = 两步之间的平均运动潜伏期，单位为秒； 付款 = 完成游戏后获得的个人奖励（单位：欧元）； 最终 距离 = 游戏结束时每位玩家到其余所有玩家的平均距离； 距离 到终点区的距离 = 比赛结束时距 €€ 终点区的距离； 时间 = 游戏总时长，单位为秒； 探索的视野百分比 = 该群体探索的总区域百分比（共97个六边形）。另请参见 图10 为了深入分析该组在游戏时间中的分散情况， 视频 1 和 视频 2 用于群体的集体运动，以及 表1 用于一段运动数据的示例。
讨论
在使用多用户虚拟环境作为研究人类集体行为的范式时，一个基本问题是：所得结果是否适用于真实场景？换句话说，这种方法论途径所产生的结果是否具有足够的生态效度或外部效度？通过在虚拟场域中以虚拟形象代表人类参与者，并允许他们移动 通过 鼠标点击减少了社交线索。此外，将交流保持在最低限度，可使研究者探究在人类之间传递的、可能影响人类群体协调与领导行为的隐性行为线索，以及在何种环境可供性下（例如， 救援、竞争、疏散）这些行为受到的影响程度更大。只要严格遵循方案中的两个测试前阶段及测试流程，这种简化论方法就能保证内部效度。为了使结果能够被推广到 "真实" 群体与人群动力学，实验设置和测试阶段可逐步调整以变得更加复杂（例如， 在多种现实场景中，语义上嵌入个体特征信息，从而实现超越单纯传递/读取运动行为的额外交流。 等） 和 参与者在游戏开始前根据屏幕上的说明进行阅读。
为了解决外部效度问题，可以调整六边形游戏区域[最初选择该区域是为了将玩家的移动标准化为二维六边形坐标，因其经过预实验验证具有良好的可用性，并能减少混杂因素]。采用可自由选择移动方向的二维网格，可使玩家生成更连续且复杂的移动数据。例如，使用 Unity 或 Unreal Engine 创建的三维环境，也可进一步提高生态效度/外部效度。然而，每一步减少移动限制的尝试都会引发一个问题：随着模拟场景中移动自由度复杂性的增加，混杂因素（例如，个体差异如计算机使用经验、对三维游戏中空间定位的熟悉程度）的影响也随之增强，可能导致结果偏差并降低内部效度。
HoneyComb 方案中所述方法的优势在于，它可以与计算机模拟模型相结合，并作为范式用于实证检验：在计算机模拟中发现的集体模式是否同样适用于人类群体的行为。为了增强此类测试的外部效度，在测试后阶段的问卷中应询问参与者，他们是否感觉自己的虚拟形象足以且人性化地代表了自身，以及他们是否能够将共同参与的玩家感知为真实的人类个体。该方案要求共同参与的玩家在工作站中彼此相邻而坐（尽管方案参数排除了感官上的听觉或视觉交流），以增强这种人类具身化的感觉。
总之，本方案中预测试、测试和后测试阶段所采用的HoneyComb方法提供了一种新颖的范式，用于研究群体协调、领导力和群内分化等集体现象的基本机制。n. 该方法最主要的局限性在于招募人员的人为误差风险，特别是当他们在确保参与者于前测和测试阶段不相互交流方面不够严格时。
披露
作者无任何利益冲突需要披露。
致谢
本研究由德国卓越计划（机构战略：https://www.uni-goettingen.de/en/32632.html）资助。感谢Margarita Neff-Heinrich对本文的英文校对。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 实验记录本 | |||
| 工作站之间的隔板 | |||
| 耳塞 | |||
| 局域网安装设备 |
参考文献
- Boos, M., Pritz, J., Lange, S., Belz, M. Leadership in Moving Human Groups. PLoS Computational Biology. 10 (4), e1003541(2014).
- 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. Autonomous pedestrians. Proceedings of the 2005 ACM SIGGRAPH/Eurographics Symposium on Computer Animation. , (2005).
- 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. Self-organizing pedestrian movement. Environment and Planning B: Planning and Design. 28 (3), 361-383 (2001).
- 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. Spontaneous flocking in human groups. Behavioral Processes. 92, 6-14 (2013).
- 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).
重印与许可
标签
