Methodenartikel

Humor oder Rationalität? Die neuronalen Mechanismen, wie Agententyp und Sprachstil die Zufriedenheit mit der Wiederherstellung von Service-Failure im Fahrdienst beeinflussen

519 Ansichten

⸱

DOI:

10.3791/69813

⸱

13. März 2026

 ,  ,  ,  , 
1School of Economics and Management, Harbin Engineering University, 2School of Economics and Management, Northeast Agricultural University

In diesem Artikel

Zusammenfassung

Diese Studie nutzt ERPs, um zu untersuchen, wie Agententyp (Mensch/KI) und Sprachstil (humorvoll/rational) die Zufriedenheit der Erholung von Fahrdienstdiensten beeinflussen, mit dem Ziel, neurokognitive Mechanismen aufzudecken.

Zusammenfassung

In der Fahrdienst-Hailing-Branche sind effektive Servicewiederherstellungsstrategien nach Serviceausfällen entscheidend für die Passagierzufriedenheit und den Ruf der Plattform. Wie die Kombination aus Agententyp und Sprachstil die Zufriedenheit der Passagiere und die zugrunde liegenden neuronalen Mechanismen beeinflusst, bleibt jedoch unklar. Diese Studie entwarf ein Event-Related Potentials (ERPs)-Experiment, um zu untersuchen, wie zwei Schlüsselfaktoren bei der Behebung nach einem Ausfall – der Typ des Serviceagenten und der Sprachstil – die Passagierzufriedenheit und deren neuronale Korrelate beeinflussen. Ein 2 (Agententyp: Mensch/KI) × 2 (Sprachstil: Humorvoll/Rational) wurde innerhalb des Subjekt-Designs verwendet. Mit der E-Prime-Software wurden den Teilnehmern fünf vorausgewählte, häufige Ausfallszenarien des Fahrdienstdienstes präsentiert. Auf jedes Szenario folgte ein standardisiertes Gutscheinentschädigungsangebot eines Agenten, wobei der Agententyp und Sprachstil systematisch zwischen den Studien variierten. Das Verfahren umfasste die gleichzeitige Aufzeichnung von 64-Kanal-elektroenzephalographischen (EEG)-Signalen und die Sammlung von Verhaltenszufriedenheitsbewertungen. Verhaltensdaten zeigten höhere Zufriedenheitswerte für den menschlichen Akteur und den humorvollen Sprachstil. Die ERP-Ergebnisse zeigten mehr negative N2- und feedback-bezogene Negativitätsamplituden (FRN), die durch den rationalen Sprachstil ausgelöst werden, während menschliche Agenten und der rationale Stil mehr positive P300-Amplituden hervorriefen. Diese Studie beschreibt die standardisierte Vorbereitung experimenteller Reize, die präzise Zeitsteuerung des experimentellen Verfahrens, die EEG-Aufzeichnungsvorbereitung basierend auf dem International 10-20-System sowie die vollständige methodische Pipeline von der Datenerfassung bis zur Vorverarbeitung. Dieses Protokoll bietet eine hohe zeitliche Auflösung und gute Reproduzierbarkeit. Es eignet sich für Forschung in den Bereichen Konsumentenneurowissenschaften, Mensch-Computer-Interaktion und Service Management, die eine präzise Quantifizierung der zeitlichen Dynamiken der sozialen Kognition und Entscheidungsprozesse erfordern.

Einleitung

Ride-Hailing, ein Flaggschiffmodell der Sharing Economy, ist aufgrund seiner grundlegenden Abhängigkeit von Echtzeitinteraktion und Nutzererfahrung zu einem integralen Bestandteil urbaner Mobilitätsökosystemegeworden. Serviceausfälle – wie Fahrerunhöflichkeit, Fahrzeugstörungen oder Reiseverzögerungen – sind jedoch schwer vollständig zu beseitigen. Diese Vorfälle sind oft unerwartet und kontextabhängig, lösen leicht Unzufriedenheit bei den Fahrgästen aus und untergraben dasVertrauen. In einem sehr wettbewerbsintensiven Markt ist eine schnelle und effektive Dienstleistungswiederherstellung nicht nur ein notwendiger Schritt, um unmittelbare Mängel zu beheben; Sie stellt ein strategisches Imperativ dar, um das Vertrauen der Nutzer wiederherzustellen und langfristige Loyalität aufrechtzuerhalten3.

Die traditionelle Forschung zur Service-Recovery verwendet überwiegend verhaltensbezogene Methoden wie Fragebögen und szenariobasierte Experimente4. Diese Studien bewerten die Wirksamkeit verschiedener Erholungsstrategien, indem sie explizite Indikatoren wie Zufriedenheit und Rückkaufabsicht messen. Obwohl diese Forschung umfangreiche Ergebnisse geliefert hat, beschränkt sie sich weitgehend auf die Beobachtung der endgültigen Verhaltensergebnisse der Verbraucher. Es fehlen weiterhin direkte Belege bezüglich des internen "Black-Box"-Prozesses – insbesondere darauf, wie das Gehirn Informationen zur Service-Recovery verarbeitet, bewertet und letztlich in eine Entscheidung umwandelt. Mit anderen Worten: Obwohl Wissen darüber besteht, welche Strategien wirksam sind, bleibt das Verständnis der zugrunde liegenden neurokognitiven Mechanismen begrenzt. Mehrere spezifische Fragen bestehen: Zeigen sich Unterschiede zwischen menschlichen und KI-Agenten bereits in den frühen Phasen der Informationsverarbeitung? Wie modulieren humorvolle versus rationale Kommunikationsstile die negativen Emotionen, die durch Dienstversagen ausgelöst werden? Was ist der vollständige neuronale Weg – von der Konflikterkennung bis zur kognitiven Integration –, der der endgültigen Zufriedenheitsentscheidung zugrunde liegt?

Obwohl bestimmte Erholungsstrategien (wie finanzielle Entschädigung oder Entschuldigung) als allgemein wirksam bekannt sind, bleibt ein tiefes Verständnis dafür, warum und wie diese Strategien auf kognitiver und affektiver Ebene wirken – sowie deren zugrunde liegende dynamische neuronale Mechanismen – begrenzt. Diese methodische Lücke schränkt die Fähigkeit ein, präzisere, effizientere und personalisierte Service-Recovery-Lösungen zu entwerfen. Um diese "Black Box" zu untersuchen, verwendet die vorliegende Studie die Event-Related Potentials (ERPs) Technologie als zentralen methodischen Ansatz. Durch die Erfassung elektroenzephalographischer Signale, die zeitlich an bestimmte Reizereignisse gebunden sind, bieten ERPs eine millisekundenzeitliche Auflösung, die die nicht-invasive und kontinuierliche Erfassung der sofortigen Gehirnaktivität während der kognitiven Verarbeitungermöglicht. Im Vergleich zur funktionellen Magnetresonanztomographie (fMRT) bietet ERP einen deutlichen Vorteil bei temporaler Präzision8. Im Vergleich zu traditionellen Selbstbeurteilungsmaßen können ERPs retrospektive Verzerrungen und soziale Attraktivitätseffekte effektiv vermeiden und so die unmittelbaren und unbewussten neuronalen Reaktionen von Individuen direkt offenbaren. Im Kontext von Serviceausfall und -wiederherstellung bedeutet das, dass ERPs die präzise Trennung und Beobachtung einer Reihe schneller, sequentieller psychologischer Prozesse ermöglichen. Dazu gehören die frühe Konflikterkennung (widerspiegelt in der N2-Komponente), mittelfristige Emotions- und Ergebnisbewertung (reflektiert in der FRN-Komponente) sowie spätstufe, höherstufige kognitive Integration und motivationale Bewertung (reflektiert in der P300-Komponente)10,11,12,13,14,15. Daher dienen ERPs als ideales Werkzeug, um die komplexen neuronalen Mechanismen zu erläutern, die der Entscheidungsfindung der Service-Recovery zugrunde liegen.

Basierend auf den oben skizzierten methodischen Überlegungen präsentiert dieses Papier ein systematisches, rigoroses und reproduzierbares ERPs-Experimental-Protokoll. Dieses Protokoll ist darauf ausgelegt, zu untersuchen, wie zwei zentrale Service-Recovery-Elemente – Serviceagententyp (Mensch vs. KI) und Sprachstil (humorvoll vs. rational) – gemeinsam die Passagierzufriedenheit und die zugrundeliegenden neuronalen Mechanismen nach einem Fahrdienstausfall beeinflussen. Das Protokoll wirbt Universitätsstudenten mit vorheriger Fahrdiensterfahrung ein. Es verwendet ein Standard-S1-S2-experimentelles Paradigma und ein 2 (Agententyp: Mensch vs. KI) × 2 (Sprachstil: Humorvoll vs. rational) innerhalb der Subjekte. Stimuli, darunter Ausfallszenarien und nachfolgende Wiederherstellungsvorschläge, werden mit der E-Prime-Software standardisiert präsentiert. Das Verfahren beinhaltet die gleichzeitige Erfassung von 64-Kanal-elektroenzephalographischen (EEG)-Daten und Verhaltenszufriedenheitsbewertungen.

Diese Studie verwendet das Protokoll, um Verhaltensreaktionen zu untersuchen und die verschiedenen kognitiven Verarbeitungsphasen der Service Recovery aus neurodynamischer Perspektive aufzudecken16,17. Zum Beispiel könnte der rationale Stil emotionale Erwartungen verletzen und dadurch stärkere Konfliktsignale und mehr negatives Feedback in frühen Phasen hervorrufen, was sich in negativeren N2- und FRN-Amplitudenvon 18, 19 und 20 widerspiegelt. Darüber hinaus könnte der menschliche Agent in der späten Integrationsphase aufgrund seiner sozialen Merkmale eine positivere motivationale Bewertung erhalten, was sich durch eine positivere P300-Amplitude21 zeigt. Gleichzeitig erhöht der rationale Sprachstil wahrscheinlich die kognitiven Ressourcen, die zur Konfliktlösung benötigt werden, was sich auch in einer größeren P300-Amplitude22 widerspiegeln kann.

Dieses Protokoll bietet eine hohe zeitliche Auflösung und gute Reproduzierbarkeit. Seine Designbegründung und methodischen Details sind nicht nur für den Kontext des Fahrdienstdienstes anwendbar, sondern dienen auch als Referenz für breitere Forschungsfelder. Diese Bereiche umfassen Verbraucherneurowissenschaften, Mensch-Computer-Interaktion, Service Management und Kommunikationswissenschaften. Somit trägt es zur präzisen Quantifizierung und zum Verständnis der dynamischen Informationsverarbeitung im menschlichen Gehirn in verschiedenen Kontexten sozialer Interaktion und Entscheidungsfindung bei.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Dieses Forschungsprotokoll wurde von den lokalen und institutionellen Ethikkomitees genehmigt und entspricht der neuesten Version der Helsinkier Erklärung. Alle Teilnehmer haben vor der Teilnahme eine schriftliche informierte Zustimmung gegeben und können jederzeit aus der Studie zurücktreten, um ihre Rechte zu schützen.

1. Experimentelle Reize

  1. Vorwahl von Ausfallszenarien für den Betrieb
    1. Rekrutieren Sie 100 College-Studenten mit vorheriger Fahrdiensterfahrung.
    2. Bitten Sie die Teilnehmer, ihr Unzufriedenheitsniveau mit zehn häufigen Fahrdienstausfallszenarien anhand einer 7-Punkte-Likert-Skala zu bewerten (1 = überhaupt nicht unzufrieden; 7 = sehr unzufrieden). Die Szenarien sollten folgendes umfassen: Unhöflichkeit des Fahrers, eine Panne des Fahrzeugs, falsches Ziel, verspätete Ankunft des Fahrers, Verkehrsunfälle, schlechte Hygiene im Auto, Umleitungen, Belastung vor dem Einsteigen, Fahrer, der nicht mit Gepäck hilft, und unangenehme Temperatur im Auto.
    3. Bewerten Sie die zehn Szenarien nach ihren durchschnittlichen Unzufriedenheitswerten und wählen Sie die besten 50 % der Szenarien mit den höchsten Bewertungen als formale experimentelle Materialien aus.
    4. Finalisieren Sie die folgenden fünf Szenarien von Servicefehlern für das Experiment: Fahrerunhöflichkeit, Fahrzeugpanne, falsches Ziel, verspätetes Eintreffen des Fahrers und Verkehrsunfälle.
    5. Präsentieren Sie jedes ausgewählte Szenario den Teilnehmern anhand kurzer Textbeschreibungen, die von einem "Service Failure!"-Prompt begleitet werden.
      HINWEIS: In der vorliegenden Umsetzung zeigten die ausgewählten Szenarien eine durchschnittliche Unzufriedenheitsbewertung von 6,6, was deutlich höher war als die durchschnittliche Bewertung der untersten 50 % der Szenarien (Mittelwert = 3,6). Dieser Unterschied zeigt, dass die ausgewählten Szenarien effektiv eine Wahrnehmung eines Dienstausfalls hervorriefen, was die Validität der experimentellen Reize unterstützt.
  2. Entwerfen Sie zwei Sprachstile (humorvoll und rational) für Agenten (Human Customer Service vs. KI), um eine Vergütung zu leisten und Informationen per Text zusammen mit Bildern von Kundenservice-Mitarbeitern offenzulegen. Zum Beispiel lautet in einem Szenario, in dem die Serviceeinstellung des Fahrers schlecht ist, der humorvolle Sprachstil: 'Der Fahrer ist schlecht gelaunt, und es ist ansteckend!' Hier kommt ein Bar-Gutschein, der beim nächsten Mal ein Lächeln garantiert!' Der rationale Sprachstil lautet: 'Eine Entschuldigung für die unbefriedigende Haltung des Fahrers wird ausgesprochen, und ein Bargutschein wird als Entschädigung bereitgestellt. Zukünftige Patronage ist willkommen.'
  3. Verarbeiten Sie alle experimentellen Bilder mit Adobe Photoshop 2022, um die Stimulusmaterialien zu standardisieren und deren Gültigkeit und Konsistenz sicherzustellen. Passen Sie die Bildmaße gleichmäßig auf 2560 × 1440 Pixel mit einer Auflösung von 72 DPI an. Kalibrieren Sie die Helligkeit auf einen Wert von 85 und erhöhen Sie den Kontrast um +20, um visuelle Störungen zu minimieren. Außerdem sollten Sie die Formulierungen der Reize standardisieren und optimieren, um Klarheit und Verständlichkeit zu gewährleisten und Mehrdeutigkeiten zu vermeiden.
  4. Führen Sie eine Pilotstudie durch, um Feedback der Teilnehmer zu allen Stimulusmaterialien zu sammeln. Stellen Sie sicher, dass alle Ausfallszenarien eines Service-Fehlers effektiv den Eindruck eines Serviceausfalls hervorrufen. Bestätigen Sie, dass Materialien im humorvollen Zustand hinsichtlich des wahrgenommenen Humors signifikant höher bewertet werden als solche im rationalen Zustand, ohne signifikante Unterschiede in den Bewertungen von Angemessenheit und Natürlichkeit zu zeigen. Überprüfen Sie außerdem, dass die Präsentationsdauer von 1250 ms ausreichend ist, damit die Teilnehmer den Reiztext lesen und verstehen können.
  5. Gleiche und balanciere die Textlänge, gemessen an der Anzahl der chinesischen Zeichen, über die unterschiedlichen Sprachstilbedingungen hinweg. Stellen Sie sicher, dass kein signifikanter Unterschied in der Textlänge zwischen den humorvollen und rationalen Bedingungen besteht. Kontrolle für den störenden Einfluss der Textkomplexität auf Lesezeit und kognitive Belastung.

2. Experimentelles Verfahren

  1. Adoptiere ein 2 (Agententyp: Mensch vs. KI) × 2 (Sprachstil: humorvoll vs. rational) faktorielles Design innerhalb der Subjekte.
  2. Erzeugen Sie vier verschiedene Versionen der experimentellen Sequenz. Für jede Version kombiniert man die vier experimentellen Bedingungen (menschlich-humoristisch, menschlich-rational, KI-humoristisch, KI-rational) mit den fünf Szenarien von Service-Ausfall.
  3. Programme 120 Versuche in E-Prime, teilen Sie sie in 2 Blöcke zu je 60 Prüfungen auf, fügen Sie zwischen den Blöcken einen obligatorischen 120-Sekunden-Ruhebildschirm ein und strukturieren Sie jede Prüfung wie folgt:
    1. Zeigen Sie den Fixierungspunkt 500 ms in der Mitte des Bildschirms an.
    2. Geben Sie eine Anzeige an, die auf das Ausfall des Fahrdienstes für 1000 ms hinweist.
    3. Zeige einen leeren Bildschirm für 250 ms.
    4. Anzeige von Informationen über die Identitätsoffenlegung des Serviceagenten für 1000 ms.
    5. Zeige einen leeren Bildschirm für 250 ms.
    6. Stellen Sie dem Teilnehmer ein Entschuldigungsskript vor, das vom Servicemitarbeiter in humorvoller/rationaler Sprache für 1250 ms vorgetragen wird.
    7. Zeige einen leeren Bildschirm für 250 ms.
    8. Bieten Sie dem Teilnehmer eine Vergütung in Form eines gleichwertigen Gutscheins (eines Fahrgutscheins in Höhe der Kosten des Dienstes) über 1250 ms an.
    9. Zeige einen leeren Bildschirm für 250 ms.
    10. Bitten Sie den Teilnehmer, seine Zufriedenheit mit der vorgeschlagenen Lösung zu bewerten (1 = sehr unzufrieden, 5 = sehr zufrieden); Die Bewertungsoberfläche bleibt bestehen, bis der Teilnehmer eine Auswahl getroffen hat.

figure-protocol-1
Abbildung 1: Experimentelles Verfahren. Die Ereignissequenz und die Präsentationsdauern einer einzelnen experimentellen Studie werden von links nach rechts wie folgt dargestellt: ein Fixationskreuz (500 ms), ein Service-Ausfallszenario-Prompt (1000 ms), ein leerer Bildschirm (250 ms), Serviceagenten-Typinformationen (1000 ms), ein leerer Bildschirm (250 ms), Sprachstil (1250 ms), ein leerer Bildschirm (250 ms), Eine Service-Wiederherstellungsstrategie (Gutscheininformationen, 1250 ms), ein leerer Bildschirm (250 ms) und schließlich die Zufriedenheitsbewertungsoberfläche (angezeigt, bis der Teilnehmer antwortete). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

3. Experimentelle Vorbereitung und elektrophysiologische Aufzeichnung

  1. Experimentelle Vorbereitung
    1. Rekrutieren Sie 20 bezahlte Bachelor- und Masterstudierende (8 weiblich) von der Harbin Engineering University gemäß den Einschlusskriterien: Rechtshändigkeit, normales oder korrigiertes Sehvermögen, keine Vorgeschichte psychiatrischer oder neurologischer Störungen und keine Vorgeschichte von Haarglättung oder Färben in den letzten sechs Monaten. Die Teilnehmer waren zwischen 18 und 28 Jahren alt (M=23,25, SD=±2,23). Vereinbaren Sie individuelle experimentelle Sitzungen für jeden Teilnehmer. Teilnehmer mit übermäßigen Datenartefakten von weiteren Analysen ausschließen.
    2. Nachdem der Teilnehmer im Labor angekommen ist, führen Sie ein vorläufiges Briefing durch. Führe die Kernausrüstung, Materialien und das gesamte experimentelle Verfahren Schritt für Schritt vor. Erklären Sie klar die spezifischen Anforderungen der experimentellen Aufgaben, die geschätzte Dauer und wichtige Vorsichtsmaßnahmen. Stellen Sie sicher, dass der Teilnehmer die Intensität des Experiments vollständig versteht.
    3. Stellen Sie den Teilnehmern vor dem offiziellen Beginn des Experiments ein schriftliches Formular zur informierten Einwilligung vor. Verlangen Sie von den Teilnehmern, das Formular sorgfältig zu lesen und zu unterschreiben, bevor das Experiment beginnt.
    4. Weisen Sie den Teilnehmer an, die Haare mit einem neutralen Shampoo an einem bestimmten Ort zu waschen, um Kopfhautöl, Staub und andere Verunreinigungen zu entfernen, die die Leitfähigkeit zwischen den Elektroden und der Kopfhaut beeinträchtigen können. Anschließend wird der Teilnehmer angewiesen, den im Labor bereitgestellten Haartrockner zu benutzen, um die Haare gründlich zu trocknen, damit keine feuchten Stellen zurückbleiben. Stellen Sie den Föhn auf mittlere Luftgeschwindigkeit (ca. 1600 W) und einen Konstanttemperaturmodus (ca. 50°C) ein.
    5. Führen Sie den Teilnehmer in das spezielle EEG-Aufzeichnungslabor. Das Labor ist professionell mit elektromagnetischer Abschirmung und hoher Schalldämmung ausgestattet. Stellen Sie die Klimaanlage und die Umgebungsbeleuchtung so ein, dass eine Raumtemperatur von etwa 22°C und eine schwache Beleuchtung gewährleistet ist. Weisen Sie den Teilnehmer an, sich auf den bequemen Stuhl zu setzen. Stellen Sie sicher, dass der Abstand zwischen den Augen des Teilnehmers und der Bildschirmmitte etwa 1 Meter beträgt.
    6. Nehmen Sie 75 % medizinischen Alkoholwattebäuschchen und einen nicht reizenden Gesichtsreiniger. Wischen Sie mit diesen Gegenständen vorsichtig die spezifischen Bereiche des Gesichts der Teilnehmer ab.
    7. Positionieren Sie die Elektrodenkappe, ausgestattet mit 64 Ag/AgCl-Elektroden, gemäß dem internationalen 10-20-System auf der Kopfhaut des Teilnehmers. Richte die Mittellinie der Kappe mit der Nasions-zu-Inion-Linie des Teilnehmers aus. Platziere die CZ-Elektrode am Scheitelpunkt des Kopfes. Überprüfen Sie die Positionierung der Kappe: Stellen Sie sicher, dass die Fp1- und Fp2-Elektroden etwa 2 cm oberhalb der Nasion angebracht sind und die T3- und T4-Elektroden etwa 2 cm oberhalb des Ohrtragus.
    8. Füllen Sie alle Elektrodenbohrungen mit leitfähigem Gel. Sichern Sie alle externen Elektroden mit medizinischem Klebeband. Setze die Referenzelektrode an die Nasenspitze. Positionieren Sie die vertikalen Elektrookulogrammelektroden (VEOG) etwa 1 cm oberhalb und unterhalb der linken Orbitalfassung. Platzieren Sie die horizontalen Elektrookulogrammelektroden (HEOG) etwa 1 cm seitlich zum äußeren Eck jedes Auges. Positionieren Sie die Aufzeichnungselektroden (M1, M2) jeweils auf dem linken und rechten Mastoid.
    9. Stellen Sie den Kinnriemen der Elektrodenkappe so an, dass er eng und bequem sitzt, um eine Verschiebung der Elektroden während des Experiments zu verhindern. Überprüfen Sie dann die Endposition der Kappe, um sicherzustellen, dass sie nicht verdreht oder gedreht ist.
    10. Schalte die Aufnahmesoftware auf den Impedanzkontrollmodus. Füllen Sie die Öffnungen aller Elektroden in der Kappe mit leitfähigem Gel mit einer stumpfen Spritze. Trennen Sie das Haar vorsichtig an jeder Elektrodenstelle, um einen vollständigen Kontakt zwischen Elektrode und Kopfhaut sicherzustellen. Stellen Sie die Elektroden kontinuierlich ein, bis die Impedanz für jeden Kanal unter 10 kΩ sinkt und sich stabilisiert. Überprüfen Sie, dass die Impedanzwerte im akzeptablen Bereich angezeigt werden (typischerweise durch eine blaue oder dunkle Farbe auf dem Impedanzmonitor angezeigt).
    11. Informieren Sie die Teilnehmer, dass das Experiment in einer geschlossenen und ruhigen Umgebung durchgeführt wird. Weisen Sie sie an, einen entspannten Zustand zu halten, eine stabile Sitzhaltung zu halten, übermäßige Körperbewegungen zu vermeiden und während des gesamten Experiments konzentriert zu bleiben.
    12. Präsentieren Sie die Reize mit einem 22-Zoll-LCD-Monitor. Stellen Sie die Bildwiederholrate auf 60 Hz ein.
  2. E-Prime Software-Betriebsverfahren
    1. Starte E-Studio und lade das Projekt. Stecken Sie den E-Prime-Hardwareschlüssel in einen USB-Anschluss des Computers. Doppelklicke auf das E-Studio-Symbol auf dem Desktop, um die Software zu starten. Klicken Sie auf Datei -> Öffnen Sie in der Menüleiste und wählen Sie die Projektdatei für dieses Experiment aus.
    2. Geben Sie Teilnehmerinformationen ein. Auf der E-Run-Startoberfläche geben Sie genau die Betreffnummer (z. B. 001), die Sitzungsnummer und weitere erforderliche Informationen ein.
    3. Führen Sie die Übungseinheit durch. Klicken Sie auf Tools -> E-Run und wählen Sie dann im Pop-up-Fenster Ausführen . Das Programm zeigt zuerst die Aufgabenanweisungen an. Stellen Sie sicher, dass der Teilnehmer das experimentelle Verfahren und die korrekte Antwortmethode klar wiederholen kann. Anschließend führen Sie die 10 Übungsprüfungen durch. Die Struktur dieser Versuche ist identisch mit der des Hauptexperiments. Nach der Übungssitzung fragen Sie den Teilnehmer, ob er die in den Reizen präsentierten Informationen effektiv lesen und verstehen konnte.
    4. Starte das Hauptexperiment. Nach Abschluss der Übungstests gehen Sie zum Instruktionsbildschirm. Überprüfen Sie die Einsatzbereitschaft des Teilnehmers und weisen Sie ihn an, die Leertaste zu drücken, um das Hauptexperiment zu beginnen. Stellen Sie sicher, dass das Hauptexperiment 120 Versuche umfasst, die in 2 Blöcke aufgeteilt sind, wobei 60 Versuche auf jeden Block verteilt sind. Fügen Sie eine obligatorische 2-minütige Ruhepause zwischen den beiden Blöcken ein.
    5. Überwachen Sie die Sitzung und Speicherdaten. Überwachen Sie den Sitzungsfortschritt von einem angrenzenden Raum über einen Monitorbildschirm. Nach Abschluss des gesamten Experiments stellen Sie sicher, dass E-Prime die Datendatei automatisch speichert.
  3. Nachbefragung und Entschädigung
    1. Speichere die EEG-Daten und entferne die Elektrodenkappe von den Teilnehmern. Weisen Sie die Teilnehmer an, das restliche leitfähige Gel von Haaren und Haut zu entfernen. Stellen Sie sicher, dass keine Gelrückstände auf ihrem Haar oder ihrer Haut zurückbleiben. Bestätigen Sie, dass die Teilnehmer nach der Reinigung keine Beschwerden verspüren.
    2. Beenden Sie das Experiment und zahlen Sie den Teilnehmern eine Vergütung von 30 RMB (ca. 4,50 USD).
  4. Datenvorverarbeitungsverfahren
    1. Inspiziere die Daten. Überprüfen Sie die EEG-Daten visuell. Epochen mit signifikanter Basisdrift oder schweren Lärmartefakten werden von der weiteren Analyse ausgeschlossen.
    2. Korrekte okulare Artefakte. Setzen Sie den vertikalen Elektrookulogramm-(VEOG)-Kanal als Referenz für okulare Artefakte ein. Wenden Sie den Algorithmus zur Reduktion von Augenartefakten in der Scan-Software an, um Blinzel- und Augenbewegungsartefakte zu korrigieren.
    3. Epoche die Daten. Segmentieren Sie die kontinuierlichen EEG-Daten in Epochen, die zeitlich an den Beginn des Reizes gebunden sind, mithilfe der vom E-Prime-Programm eingesetzten Ereignismarker. Definieren Sie das Epochenzeitfenster von -200 ms (vor dem Reiz) bis +800 ms (nach dem Reiz).
    4. Führen Sie eine Baseline-Korrektur durch. Definieren Sie das 200 ms Vor-Stimulus-Intervall als Ausgangspunkt. Subtrahieren Sie seine mittlere Amplitude von den Post-Stimulus-Daten mithilfe des Baseline-Korrekturalgorithmus in der Scan-Software.
    5. Artefakte ablehnen. Verstoße Epochen, in denen die Signalamplitude innerhalb des Analysefensters ±100 μV übersteigt, um Kontaminationen durch Muskelaktivität und andere hochamplitudenartige Artefakte zu eliminieren.
    6. Referenziere die Daten erneut. Berechnen Sie das Durchschnittssignal von den Elektroden an den linken und rechten Mastoiden. Beziehen Sie alle offline geschalteten Kanäle auf diesen berechneten Mastoid-Durchschnitt.
    7. Durchschnittlich innerhalb der Fächer. Für jeden Teilnehmer werden alle artefaktfreien Epochen, die zur gleichen Stimulusbedingung gehören, gemittelt, um stabile, zustandsspezifische ERP-Wellenformen für jede Person zu erhalten.
    8. Einen Filter anwenden. Filtern Sie die gemittelten ERP-Wellenformen mit einem 30-Hz-Tiefpassfilter (24 dB/Oktav-Roll-off).
    9. Erstelle große Durchschnitte. Kombinieren Sie die individuellen Durchschnittswerte für jede Erkrankung aller Teilnehmer, um große Durchschnitts-ERPs zu erstellen und die Wellenformen auf Gruppenebene für jede experimentelle Bedingung zu erhalten.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Wie in Abbildung 2a, 2 (Serviceagent: Mensch vs. KI) ×2 (Sprachstil: humorvoll vs. rational) gezeigt, zeigten wiederholte ANOVA-Messungen auf die Zufriedenheitsbewertungen einen signifikanten Haupteffekt des Serviceagenten. Paarweise Vergleiche zeigten, dass die Zufriedenheit mit dem menschlichen Agenten (3,005) höher war als mit dem KI-Agenten (2,750). Ein bedeutender Haupteffekt des Sprachstils wurde ebenfalls festgestellt. Paarweise Vergleiche zeigten, da...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Diese Studie integriert Verhaltensmessungen mit der hochzeitlichen ERP-Technik, um systematisch die mehrstufigen kognitiven und neuronalen Mechanismen aufzuzeigen, durch die der Serviceagententyp (Mensch vs. KI) und Sprachstil (humorvoll vs. rational) die Passagierzufriedenheit bei der Serviceerholung beeinflussen. Verhaltensergebnisse zeigen, dass menschlicher Agent und humorvoller Sprachstil jeweils zu höheren Zufriedenheitswerten führen. Ein signifikanter Interaktionseffekt wurde beob...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren haben nichts offenzulegen.

Danksagungen

Diese Arbeit wurde von der Nationalen Naturwissenschaftlichen Stiftung Chinas (Nr. 72001055) unterstützt. Wir danken allen Kollegen in Labor 412 für ihre Unterstützung bei dem Experiment. ST, XY und JY entwarfen und entwarfen die Studie. XY und XZ führten die Experimente durch. XY analysierte die Daten und schrieb das Manuskript. ST hat das Manuskript geprüft. Alle Autoren haben zum Artikel beigetragen und die eingereichte Version genehmigt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
NeuroScan Synamp2 VerstärkerNeurosoft Labs Inc., USASYN-2-641.Kontinuierliche EEG-Aufnahme mit Bandpass-Filter (0,05–100 Hz) und Abtastrate (1.000 Hz)
2.Ausgestattet mit Scan 4.3.1 Software für Impedanzüberwachung und Datenerfassung
3.Kompatibel mit 64-Kanal-Elektrodenkappen
64-Kanal Ag/AgCl ElektrodenkappeElectro-Cap InternationalEC-64Installation nach dem internationalen Standard 10-20-System. Verwendet die Nasenspitze als Online-Referenz. Alle Kanäle wurden offline auf den Durchschnitt der linken und rechten Mastoid-Referenzen umbezogen. Die Elektrode zwischen FPz und Fz wurde als Masse angelegt. Das vertikale EOG und horizontale EOG wurden durch zwei Elektroden oberhalb und unterhalb des linken Auges aufgenommen, 10 mm und seitliche Elektroden an den äußeren Kanthi beider Augen. Alle Elektrodenimpedanzen wurden unter 10 kΩ gehalten.
E-prime SoftwarePsychology Software ToolsWird für das Entwerfen von Experimenten, das Starten von Experimenten, das Präsentieren von Reizen, die Kontrolle des experimentellen Prozesses und das Sammeln von Verhaltensdaten verwendet.
Quik-Gel Leitfähiges GelCompumedics Limited AustraliaRP0002831Medizinisches leitfähiges Gel. Seine Hauptfunktion besteht darin, zwischen den Elektroden und der Kopfhaut oder Haut während elektroenzephalographischer (EEG) neurophysiologischer Untersuchungen angewendet zu werden, um den Widerstand zu reduzieren, eine reibungslose Weiterleitung elektrischer Signale zu gewährleisten und so klare und genaue Testergebnisse zu erhalten.
NuprepWeaver and company10-30Hautvorbereitungsgel (abrasiv). Vor elektroenzephalographischen (EEG) elektrophysiologischen Untersuchungen wird es verwendet, um die Haut zu rauen und zu reinigen, um Öle und abgestorbene Haut effektiv zu entfernen und so den Hautwiderstand zu reduzieren und eine klarere und genauere Signalübertragung der Elektroden zu gewährleisten.
BD 10ml SpritzeBecton, Dickinson and CompanyREF309604Standardspritze mit 10ml Kapazität. Wird verwendet, um die zylindrischen Hohlräume aller Elektroden in der Elektrodenkappe mit leitfähiger Paste zu füllen und so einen ausreichenden Kontakt zwischen der Kopfhaut und den Elektroden sicherzustellen.
SalonShine Care ION+HaartrocknerPHILIPSHP8206Trocknet schnell das Haar und nutzt negative Ionentechnologie, um Statik und Frizz zu reduzieren.
Bee & Flower ShampooShanghai Bee & Flower Daily Necessities Co., Ltd.GB/T 29679Mildes Shampoo. Entfernt effektiv überschüssiges Kopfhautöl und Schmutz und reduziert so die Interferenz mit dem Experiment.
75% Alkohol Dezhou Chuangyi Medical Technology Co., Ltd.1378Reduziert den Hautwiderstand.
3M Transpore OperationsklebebandMinnesota Mining and Manufacturing Medical Devices (Shanghai) Co., Ltd.1527C-1Wird verwendet, um externe Elektroden zu sichern.
LCD-MonitorDellE2219HNWird verwendet, um das experimentelle Verfahren und die Stimuli anzuzeigen und dient als wichtige Schnittstelle für die Mensch-Maschine-Interaktion.

Referenzen

  1. Liu, Y., Jia, R., Ye, J., Qu, X. How machine learning informs ride-hailing services: A survey. Commun Transp Res. 2, 100075 (2022).
  2. Hien, N. N., Long, N. T., Liem, V. T., Luu, D. X. Customer responses to airline service failure: Perspectives from expectation disconfirmation theory. SAGE Open. 14 (2), 21582440241248334 (2024).
  3. Tahir, Z. Effectiveness of offline and online rewards in restoring satisfaction and trust. Span J Mark ESIC. 25 (3), 409-424 (2021).
  4. Shi, Y., Zhang, R., Ma, C., Wang, L. Robot service failure: The double-edged sword effect of emotional labor in service recovery. J Serv Theory Pract. 33 (1), 72-88 (2023).
  5. Helfrich, R. F., Knight, R. T. Cognitive neurophysiology: Event-related potentials. Handbook of Clinical Neurology. 160, 543-558 (2019).
  6. Beres, A. M. Time is of the essence: A review of electroencephalography and event-related brain potentials in language research. Appl Psychophysiol Biofeedback. 42 (4), 247-255 (2017).
  7. Donchin, E. . Cognitive Psychophysiology: Event-Related Potentials and the Study of Cognition: The Carmel Conferences Volume I. , (2022).
  8. Liu, T. T. Noise contributions to the fMRI signal: An overview. NeuroImage. 143, 141-151 (2016).
  9. Tivadar, R. I., Murray, M. M. A primer on electroencephalography and event-related potentials for organizational neuroscience. Organ Res Methods. 22 (1), 69-94 (2019).
  10. Duan, H., Wang, L., Wu, J. Psychophysiological correlates between emotional response inhibition and posttraumatic stress symptom clusters. Sci Rep. 8 (1), 16876 (2018).
  11. Fu, C., Zhang, Z., He, J., Huang, S., Qiu, J., et al. Brain dynamics of decision-making in the generalized trust game: Evidence from ERPs and EEG time-frequency analysis. Acta Psychol Sin. 50 (3), 317 (2018).
  12. Hauser, T. U., Iannaccone, R., Stämpfli, P., Drechsler, R., Brandeis, D., et al. The feedback-related negativity revisited: New insights into localization, meaning, and network organization. NeuroImage. 84, 159-168 (2014).
  13. Chen, Y. T., Yu, H., Zhang, T. T., Han, L. Z., He, Y. J., et al. Female sensitivity to opponents' emotional feedback: Evidence from subliminal emotional feedback. J Psychol Sci. 44 (5), 1026-1034 (2021).
  14. Polich, J. Updating P300: An integrative theory of P3a and P3b. Clin Neurophysiol. 118 (10), 2128-2148 (2007).
  15. Gao, X., Gao, L., Li, Y., Sui, X. The neural response process of cognitive decision making: An ERP study. Brain Sci. 13 (4), 648 (2023).
  16. Lee, W. L., Lau, P. L., Chan, S. L. Personal growth experiences of countertransference among Malaysian counsellors: A phenomenological study. J Health Transl Med. 26 (1), 96-104 (2023).
  17. McRae, K. Cognitive emotion regulation: A review of theory and scientific findings. Curr Opin Behav Sci. 10, 119-124 (2016).
  18. Amodio, D. M., Bartholow, B. D., Ito, T. A. Tracking the dynamics of the social brain: ERP approaches for social cognitive and affective neuroscience. Soc Cogn Affect Neurosci. 9 (3), 385-393 (2014).
  19. Li, M., Wang, R. Chatbots in e-commerce: The effect of chatbot language style on customers' continuance usage intention and brand attitudes. J Retail Consum Serv. 71, 103209 (2023).
  20. Slingerland, E. . Loss and ambiguity aversion and the willingness to pay for index insurance: Experimental evidence from rural Kenya. , (2017).
  21. Lu, J., Li, W., Xie, Y., Huang, Q., Li, J. Prosociality moderates outcome evaluation in competition tasks. Sci Rep. 12 (1), 11397 (2022).
  22. Yang, S., Shi, B., Wang, L., Wang, Z., Peng, S. Long-term cognitive tasks impair resource allocation in working memory: A time-frequency and ERP study. IEEE Access. 8, 211482-211489 (2020).
  23. Heßler, P. O., Pfeiffer, J., Hafenbrädl, S. When self-humanization leads to algorithm aversion: What users want from decision support systems on prosocial microlending platforms. Bus Inf Syst Eng. 64 (3), 275-292 (2022).
  24. Luo, X., Tong, S., Fang, Z., Qu, Z. Machines versus humans: The impact of AI chatbot disclosure on customer purchases. Mark Sci. 38 (6), 937-947 (2019).
  25. Xie, L., Cao, B., Li, Z., Li, F. Neural dynamics of cognitive control in various types of incongruence. Front Hum Neurosci. 14, 214 (2020).
  26. Leue, A., Lange, S., Beauducel, A. Modulation of conflict monitoring intensity: The role of aversive reinforcement, cognitive demand, and trait-BIS. Cogn Affect Behav Neurosci. 12 (2), 287-307 (2012).
  27. Pan, F., Lu, Q., Chen, Y., Wu, X., Li, Q. Emotional conflict occurs at a late stage: Evidence from the paired-picture paradigm. Transl Neurosci. 7 (1), 56-61 (2016).
  28. Yang, Z., Zhou, J., Yang, H. The impact of AI response methods on service recovery satisfaction after service failure. Sustainability. 15 (4), 3294 (2023).
  29. Chen, X. A systemic review of the brain mechanism of humor processing. Int J Educ Humanit. 15 (3), 65-70 (2024).
  30. Niu, Y. The intersection of technology and tradition: A comparative analysis of AI and live anchors in verbal expression. Stud Art Archit. 3 (4), 28-33 (2024).
  31. Weber, C., Bellebaum, C. Prediction-error-dependent processing of immediate and delayed positive feedback. Sci Rep. 14 (1), 9674 (2024).
  32. Ehsan, U., Harrison, B., Chan, L., Riedl, M. O. Rationalization: Generating natural language explanations for AI decisions. , 81-87 (2018).
  33. Adam, M., Wessel, M., Benlian, A. AI-based chatbots in customer service and their effects on user compliance. Electron Mark. 31 (2), 427-445 (2021).
  34. Al-Ezzi, A., Kamel, N., Faye, I., Gunaseli, E. Review of EEG, ERP, and brain connectivity estimators as predictive biomarkers of social anxiety disorder. Front Psychol. 11, 730 (2020).
  35. Liang, Y., Sha, Z., Li, K. Functional near-infrared spectroscopy in schizophrenia research: Progress, challenges, and future directions. Med Sci Monit. 31, e949491 (2025).
  36. Hay, L., Duffy, A. H., Gilbert, S. J., Grealy, M. A. Functional magnetic resonance imaging in design studies: Methodological considerations and recommendations. Des Stud. 78, 101078 (2022).
  37. Dimigen, O., Stein, A. A high-speed OLED monitor for precise stimulation in vision, eye-tracking, and EEG research. bioRxiv. , (2024).
  38. Spapé, M., Verdonschot, R., Van Steenbergen, H. . The E-Primer: An Introduction to Creating Psychological Experiments in E-Prime. , (2019).
  39. Michel, C. M., Brunet, D. EEG source imaging: A practical review of analysis steps. Front Neurol. 10, 325 (2019).
  40. Qin, Y., Zhang, Y., Zhang, Y., Liu, S., Guo, X. Application and development of EEG acquisition and feedback technology. Biosensors. 13 (10), 930 (2023).
  41. Clausen, M., Kyhn, M. P., Papachristos, E., Merritt, T. Exploring humor as a repair strategy during communication breakdowns with voice assistants. , 1-9 (2023).
  42. Jiang, T., Li, H., Hou, Y. Cultural differences in humor perception, usage, and implications. Front Psychol. 10, 123 (2019).
  43. Tung, P. H. Influence of personality traits on satisfaction with public service in Hanoi, Vietnam. Linguist Cult Rev. 5 (S4), 2341-2364 (2021).
  44. Klapprott, F., Kaestner, D., Gumz, A. Macht der Ton die Musik?. Die Psychotherapie. 68 (1), 13-20 (2023).
  45. Nguyen-Phuoc, D. Q., Su, D. N., Tran, P. T., Le, D. T., Johnson, L. W. Factors influencing customer loyalty toward ride-hailing taxi services: A case study of Vietnam. Transp Res Part A. 134, 96-112 (2020).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Wiedergewinnung des Kundenzufriedenheitereigniskorrelierte PotentialeEEG AufzeichnungPassagierzufriedenheitMensch Computer InteraktionVerhaltensbewertungen

Verwandte Artikel