Article de méthode

Humour ou rationalité ? Les mécanismes neuronaux expliquant comment le type d’agent et le style de langage influencent la satisfaction lors de la récupération des défaillances des services de covoiturage

519 vues

⸱

DOI :

10.3791/69813

⸱

13 mars 2026

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

Dans cet article

Résumé

Cette étude utilise des ERP pour étudier comment le type d’agent (humain/IA) et le style de langage (humoristique/rationnel) influencent la satisfaction du service de récupération des services de covoiturage, visant à découvrir les mécanismes neurocognitifs.

Résumé

Dans le secteur du covoiturage, des stratégies efficaces de récupération après une défaillance de service sont cruciales pour la satisfaction des passagers et la réputation des quais. Cependant, la manière dont la combinaison du type d’agent et du style linguistique influence la satisfaction des passagers et les mécanismes neuronaux sous-jacents reste floue. Cette étude a conçu une expérience sur les potentiels liés aux événements (ERP) pour étudier comment deux facteurs clés de la remédiation post-défaillance — le type d’agent de service et le style linguistique — influencent la satisfaction des passagers et ses corrélats neuronaux. Un design 2 (Type d’agent : Humain/IA) × 2 (Style linguistique : Humoristique/Rationnel) dans les sujets a été utilisé. Grâce au logiciel E-Prime, les participants se sont vu présenter cinq scénarios présélectionnés et courants d’échec de service de covoiturage. Chaque scénario était suivi d’une offre standardisée de rémunération par bons délivrée par un agent, le type d’agent et le style de langue variant systématiquement selon les essais. La procédure impliquait l’enregistrement simultané des signaux électroencéphalographiques (EEG) à 64 canaux et la collecte des évaluations de satisfaction comportementale. Les données comportementales ont indiqué des taux de satisfaction plus élevés pour l’agent humain et un style de langage humoristique. Les résultats des ERP ont révélé davantage d’amplitudes négatives de N2 et de négativité liée à la rétroaction (FRN) provoquées par le style rationnel, tandis que les agents humains et le style rationnel ont suscité des amplitudes P300 plus positives. Cette étude détaille la préparation standardisée des stimuli expérimentaux, le contrôle précis du timing de la procédure expérimentale, la préparation de l’enregistrement EEG basée sur le système International 10-20, ainsi que l’ensemble du pipeline méthodologique allant de l’acquisition des données au prétraitement. Ce protocole offre une haute résolution temporelle et une bonne reproductibilité. Il convient à la recherche en neurosciences de la consommation, en interaction homme-machine et en gestion de services, qui nécessitent une quantification précise des dynamiques temporelles sous-jacentes à la cognition sociale et aux processus décisionnels.

Introduction

Le covoiturage, modèle phare de l’économie du partage, est devenu un élément essentiel des écosystèmes de mobilité urbaine en raison de sa dépendance fondamentale à l’interaction en temps réel et à l’expérience utilisateur1. Cependant, les pannes de service — telles que la courtoisie du conducteur, un dysfonctionnement du véhicule ou des retards de trajet — sont difficiles à éliminer complètement. Ces incidents sont souvent inattendus et dépendent du contexte, déclenchant facilement l’insatisfaction des passagers et érodant la confiance2. Dans un marché très concurrentiel, une reprise rapide et efficace du service n’est pas seulement une étape nécessaire pour corriger immédiatement les lacunes ; Il constitue un impératif stratégique pour reconstruire la confiance des utilisateurs et maintenir une fidélité à longterme 3.

La recherche traditionnelle sur la récupération des services a principalement employé des méthodologies comportementales, telles que les questionnaires et les expériences basées surdes scénarios 4. Ces études évaluent l’efficacité de différentes stratégies de rétablissement en mesurant des indicateurs explicites tels que la satisfaction et l’intention de rachat. Bien que cette recherche ait généré des résultats substantiels, elle se limite en grande partie à observer les résultats comportementaux finaux des consommateurs. Des preuves directes font encore défaut concernant le processus interne de la « boîte noire » — en particulier la manière dont le cerveau traite, évalue et transforme finalement les informations de récupération du service en décision. En d’autres termes, bien qu’il existe des connaissances sur les stratégies efficaces, la compréhension des mécanismes neurocognitifs sous-jacents reste limitée. Plusieurs questions spécifiques persistent : Les différences entre agents humains et IA se manifestent-elles aux premiers stades du traitement de l’information ? Comment les styles de communication humoristique versus rationnels modulent-ils les émotions négatives suscitées par les échecs de service ? Quel est le parcours neuronal complet — de la détection des conflits à l’intégration cognitive — qui sous-tend la décision finale de satisfaction ?

Bien que certaines stratégies de rétablissement (telles que la compensation monétaire ou les excuses) soient généralement efficaces, une compréhension approfondie des raisons et de la manière dont ces stratégies fonctionnent aux niveaux cognitif et affectif — ainsi que de leurs mécanismes neuronaux dynamiques sous-jacents — reste limitée. Cette lacune méthodologique limite la capacité à concevoir des solutions de récupération de service plus précises, efficaces et personnalisées. Pour étudier cette « boîte noire », la présente étude utilise la technologie des potentiels liés aux événements (ERP) comme approche méthodologique centrale. En enregistrant des signaux électroencéphalographiques verrouillés dans le temps à des événements stimulus spécifiques, les ERP fournissent une résolution temporelle milliseconde, permettant la capture non invasive et continue de l’activité cérébrale instantanée lors du traitementcognitif 5,6,7. Comparées à l’imagerie par résonance magnétique fonctionnelle (IRMf), les ERP offrent un avantage distinct en précisiontemporelle 8. Par rapport aux mesures traditionnelles d’auto-évaluation, les ERP peuvent efficacement éviter les biais rétrospectifs et les effets de désirabilité sociale, révélant ainsi directement les réponses neuronales immédiates et inconscientes desindividus 9. Dans le contexte de la défaillance et de la récupération du service, cela signifie que les ERP permettent la séparation précise et l’observation d’une série de processus psychologiques rapides et séquentiels. Cela inclut la détection précoce des conflits (reflétée dans la composante N2), l’évaluation à moyen terme des émotions et des résultats (reflétée dans la composante FRN), ainsi que l’intégration cognitive avancée et l’évaluation motivationnelle en phase avancée (en reflétant dans la composante P300)10,11,12,13,14,15. Par conséquent, les ERP constituent un outil idéal pour élucider les mécanismes neuronaux complexes sous-jacents à la prise de décision de récupération de service.

Sur la base des considérations méthodologiques décrites ci-dessus, cet article présente un protocole expérimental systématique, rigoureux et reproductible des ERP. Ce protocole est conçu pour étudier comment deux éléments clés de récupération de service — le type d’agent de service (Humain vs. IA) et le style de langage (Humoristique vs. Rationnel) — influencent conjointement la satisfaction des passagers et ses mécanismes neuronaux sous-jacents après une défaillance d’un service de covoiturage. Le protocole recrute des étudiants universitaires ayant déjà une expérience en covoiturage. Il utilise un paradigme expérimental standard S1-S2 et un design 2 (Type d’agent : humain vs. IA) × 2 (style linguistique : humoristique vs. rationnel) dans les sujets. Les stimuli comprenant des scénarios de défaillance de service et des propositions de récupération ultérieures sont présentés de manière standardisée à l’aide du logiciel E-Prime. La procédure implique l’acquisition simultanée de données électroencéphalographiques (EEG) à 64 canaux et des évaluations de satisfaction comportementale.

Cette étude utilise ce protocole pour examiner les réponses comportementales et pour révéler les différentes étapes du traitement cognitif sous-jacentes aux effets de la récupération du service d’un point de vue neurodynamique16,17. Par exemple, le style rationnel pourrait violer les attentes émotionnelles et ainsi susciter des signaux de conflit plus forts et plus de rétroaction négative lors des premiers stades des stades, reflétés par des amplitudes négatives N2 et FRN 18,19,20. De plus, l’agent humain pourrait recevoir une évaluation motivationnelle plus positive durant la phase avancée d’intégration grâce à ses attributs sociaux, illustrés par une amplitude P300 pluspositive 21. Par contre, le style de langage rationnel augmente probablement les ressources cognitives nécessaires à la résolution des conflits, ce qui peut aussi se refléter dans une amplitude P300plus grande 22.

Ce protocole offre une haute résolution temporelle et une bonne reproductibilité. Sa logique de conception et ses détails méthodologiques s’appliquent non seulement au contexte des services de covoiturage, mais fournissent également une référence pour des domaines de recherche plus larges. Ces domaines incluent les neurosciences des consommateurs, l’interaction homme-machine, la gestion des services et les études de communication. Ainsi, il contribue à la quantification précise et à la compréhension du traitement dynamique de l’information dans le cerveau humain à travers divers contextes d’interaction sociale et de prise de décision.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Ce protocole de recherche a été approuvé par les comités d’éthique locaux et institutionnels et est conforme à la dernière version de la Déclaration d’Helsinki. Tous les participants ont donné un consentement éclairé écrit avant la participation et peuvent se retirer de l’étude à tout moment afin de protéger leurs droits.

1. Stimuli expérimentaux

  1. Présélection des scénarios de défaillance de service
    1. Recrutez 100 étudiants ayant déjà de l’expérience en covoiturage.
    2. Demandez aux participants d’évaluer leur niveau d’insatisfaction face à dix scénarios courants d’échec de service de service de covoiturage en utilisant une échelle Likert à 7 points (1 = insatisfait du tout ; 7 = très insatisfait). Les scénarios doivent inclure : impolitesse du conducteur, panne du véhicule, mauvaise destination, arrivée en retard, accidents de la route, mauvaise hygiène à bord, détours du conducteur, facturation avant l’embarquement, refus d’aide avec les bagages, et température inconfortable à bord.
    3. Classez les dix scénarios selon leur taux moyen d’insatisfaction et sélectionnez les 50 % des scénarios les plus élevés comme matériaux expérimentaux formels.
    4. Finaliser les cinq scénarios de défaillance de service suivants pour l’expérience : impolitesse du conducteur, panne du véhicule, mauvaise destination, arrivée en retard du conducteur et accidents de la route.
    5. Présentez chaque scénario sélectionné aux participants à l’aide de brèves descriptions textuelles accompagnées d’une consigne « Défaillance du service ! ».
      REMARQUE : Dans la mise en œuvre actuelle, les scénarios sélectionnés ont montré un taux moyen d’insatisfaction de 6,6, qui était nettement supérieur à la note moyenne des 50 % des scénarios les plus bas (moyenne = 3,6). Cette différence indique que les scénarios sélectionnés ont effectivement suscité une perception d’échec de service, soutenant la validité des stimuli expérimentaux.
  2. Concevez deux styles de langage (humoristique et rationnel) pour que les agents (Human Customer Service vs. AI Customer Service) fournissent une compensation et divulguent des informations via des textes combinés à des images de représentants du service client. Par exemple, dans un cas où l’attitude du chauffeur envers le service est mauvaise, le style de langage humoristique indique : « Le chauffeur est de mauvaise humeur, et c’est contagieux ! Voici un coupon en espèces, pour vous assurer un sourire la prochaine fois ! » Le style du langage rationnel déclare : « Des excuses sont exprimées pour l’attitude insatisfaisante du conducteur, et un coupon en espèces est fourni en compensation. Le patronage futur est le bienvenu. »
  3. Traiter toutes les images expérimentales à l’aide d’Adobe Photoshop 2022 pour standardiser les supports de stimulation, en assurant leur validité et leur cohérence. Ajustez uniformément les dimensions de l’image à 2560 × 1440 pixels avec une résolution de 72 DPI. Calibrez la luminosité à une valeur de 85 et augmentez le contraste de +20 pour minimiser les interférences visuelles. De plus, standardisez et optimisez la formulation liée aux stimuli afin d’assurer clarté et facilité de compréhension, en évitant toute ambiguïté.
  4. Mener une étude pilote pour recueillir les retours des participants sur tous les supports de stimulation. Assurez-vous que tous les scénarios de défaillance du service suscitent efficacement une perception de défaillance du service. Confirmez que les matériaux en état humoristique sont notés significativement plus haut en termes d’humour perçu que ceux dans l’état rationnel, tout en ne montrant aucune différence significative dans les évaluations d’adéquation et de naturel. Vérifiez également que la durée de la présentation de 1250 ms est suffisante pour que les participants lisent et comprennent le texte de stimulus.
  5. Ajustez et équilibrez la longueur du texte, mesurée par le nombre de caractères chinois, selon les différentes conditions de style linguistique. Veillez à ce qu’il n’existe aucune différence significative de longueur du texte entre les conditions humoristiques et rationnelles. Contrôle de l’influence déconcertante de la complexité du texte sur le temps de lecture et la charge cognitive.

2. Procédure expérimentale

  1. Adoptez un 2 (type d’agent : humain vs. IA) × 2 (style de langage : humoristique vs. rationnel) dans la conception factorielle des sujets.
  2. Générez quatre versions distinctes de la séquence expérimentale. Pour chaque version, combinez les quatre conditions expérimentales (humain-humoristique, humain-rationnel, IA-humoristique, IA-rationnel) avec les cinq scénarios de défaillance de service.
  3. Essais du programme 120 en E-Prime, divisez-les en 2 blocs de 60 essais, insérez un écran de repos obligatoire de 120 secondes entre les blocs, et structurez chaque essai comme suit :
    1. Affichez le point de fixation au centre de l’écran pendant 500 ms.
    2. Présentez une invite indiquant l’échec du service de covoiturage pendant 1000 ms.
    3. Affiche un écran noir pendant 250 ms.
    4. Affichez les informations concernant la divulgation d’identité de l’agent de service pendant 1000 ms.
    5. Affiche un écran noir pendant 250 ms.
    6. Fournir au participant un script d’excuses livré dans un style humoristique/rationnel par l’agent de service pendant 1250 ms.
    7. Affiche un écran noir pendant 250 ms.
    8. Offrez une compensation au participant sous forme d’un coupon équivalent (un bon de course équivalent au coût du service) pour 1250 ms.
    9. Affiche un écran noir pendant 250 ms.
    10. Demander au participant d’évaluer sa satisfaction vis-à-vis de la solution proposée (1 = très insatisfait, 5 = très satisfait) ; L’interface d’évaluation restera en place jusqu’à ce que le participant fasse une sélection.

figure-protocol-1
Figure 1 : Procédure expérimentale. La séquence d’événements et la durée de présentation d’un seul essai expérimental sont affichées de gauche à droite comme suit : un croisement de fixation (500 ms), un prompt de scénario de défaillance de service (1000 ms), un écran vide (250 ms), des informations sur le type d’agent de service (1000 ms), un écran vide (250 ms), un style de langue (1250 ms), un écran vide (250 ms), une stratégie de récupération de service (informations sur les bons, 1250 ms), un écran vide (250 ms), et enfin l’interface de notation de satisfaction (affichée jusqu’à la réponse du participant). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

3. Préparation expérimentale et enregistrement électrophysiologique

  1. Préparation expérimentale
    1. Recrutez 20 étudiants rémunérés de premier et de troisième cycle (8 femmes) de l’Université d’ingénierie de Harbin selon les critères d’inclusion : droitier, vision normale ou corrigée à normale, absence d’antécédents de troubles psychiatriques ou neurologiques, et aucun antécédent de lissage ou de teinture des cheveux au cours des six derniers mois. Les participants avaient entre 18 et 28 ans (M = 23,25, DS = ±2,23). Planifiez des sessions expérimentales individuelles pour chaque participant. Excluez les participants ayant un excès d’artefacts de données de l’analyse ultérieure.
    2. Après l’arrivée du participant au laboratoire, effectuez un briefing préliminaire. Introduisez l’équipement principal, les matériaux et la procédure expérimentale complète étape par étape. Expliquez clairement les exigences spécifiques des tâches expérimentales, la durée estimée et les précautions importantes. Assurez-vous que le participant comprend pleinement l’intensité de l’expérience.
    3. Fournir un formulaire écrit de consentement éclairé aux participants avant l’initiation officielle de l’expérience. Exigez que les participants lisent attentivement le formulaire et le signent avant le début de l’expérience.
    4. Demandez au participant de laver ses cheveux avec un shampooing neutre dans une zone désignée afin d’éliminer l’huile du cuir chevelu, la poussière et d’autres impuretés pouvant affecter la conductivité entre les électrodes et le cuir chevelu. Ensuite, demandez au participant d’utiliser le sèche-cheveux fourni par le laboratoire pour bien sécher ses cheveux, en veillant à ne pas laisser de zones humides. Réglez le sèche-cheveux à une vitesse moyenne (environ 1600 W) et un mode température constante (environ 50°C).
    5. Guidez le participant vers le laboratoire dédié à l’enregistrement EEG. Le laboratoire est équipé professionnellement d’un blindage électromagnétique et d’une forte isolation phonique. Ajustez la climatisation et l’éclairage ambiant pour garantir une température ambiante d’environ 22°C et un éclairage tamisé. Demandez au participant de s’asseoir dans le fauteuil confortable. Assurez-vous que la distance entre les yeux du participant et le centre de l’écran soit d’environ 1 mètre.
    6. Prenez des boules de coton à 75 % d’alcool médical et un nettoyant visage non irritant. Essuyez doucement les zones spécifiques du visage des participants avec ces objets.
    7. Positionner le capuchon d’électrode, équipé de 64 électrodes Ag/AgCl, sur le cuir chevelu du participant selon le système international 10-20. Alignez la ligne médiane de la casquette avec la ligne nasion-inion du participant. Placez l’électrode CZ au sommet de la tête. Vérifiez la position du capuchon : assurez-vous que les électrodes Fp1 et Fp2 sont situées à environ 2 cm au-dessus du nasion, et que les électrodes T3 et T4 sont placées à environ 2 cm au-dessus du tragus auditif.
    8. Remplissez tous les puits d’électrodes avec un gel conducteur. Sécurisez toutes les électrodes externes avec du ruban médical. Placez l’électrode de référence sur le bout du nez. Placez les électrodes verticales d’électrooculolograme (VEOG) à environ 1 cm au-dessus et en dessous de la douille orbitale gauche. Placez les électrodes électrooculogrammes horizontales (HEOG) d’environ 1 cm latérales par rapport au canthus externe de chaque œil. Positionnez les électrodes d’enregistrement (M1, M2) respectivement sur les mastoïdes gauche et droite.
    9. Ajustez la sangle mentonnière du capuchon d’électrode pour qu’elle soit ajustée mais confortable afin d’éviter le déplacement de l’électrode pendant l’expérience. Ensuite, vérifiez la position finale du bouchon pour vous assurer qu’il n’est ni tordu ni tourné.
    10. Passez le logiciel d’enregistrement en mode vérification d’impédance. Remplissez les puits de toutes les électrodes du bouchon avec un gel conducteur à l’aide d’une seringue à pointe émoussée. Séparez doucement les cheveux à chaque site de l’électrode pour assurer un contact complet entre l’électrode et le cuir chevelu. Ajustez continuellement les électrodes jusqu’à ce que l’impédance pour chaque canal descende en dessous et se stabilise à 10 kΩ. Vérifiez que les valeurs d’impédance sont affichées dans la plage acceptable (généralement indiquées par un bleu ou une couleur foncée sur le moniteur d’impédance).
    11. Informez les participants que l’expérience se déroulera dans un environnement clos et calme. Indiquez-lui de rester détendu, de maintenir une posture assise stable, d’éviter les mouvements excessifs du corps et de rester concentré tout au long de l’expérience.
    12. Présentez les stimuli à l’aide d’un écran LCD de 22 pouces. Réglez le taux de rafraîchissement de l’écran à 60 Hz.
  2. Procédure d’exploitation logicielle E-Prime
    1. Lance E-Studio et charge le projet. Insérez la clé matérielle E-Prime dans un port USB de l’ordinateur. Double-cliquez sur l’icône E-Studio sur le bureau pour lancer le logiciel. Cliquez sur Fichier -> Ouvrir dans la barre de menu et sélectionnez le fichier projet de cette expérience.
    2. Entrez les informations du participant. Sur l’interface de démarrage E-Run, entrez avec précision le numéro de sujet (par exemple, 001), le numéro de session et d’autres informations requises.
    3. Exécutez la séance d’entraînement. Cliquez sur Outils -> E-Run, puis sélectionnez Exécuter dans la fenêtre contextuelle. Le programme affichera d’abord les instructions de tâche. Assurez-vous que le participant peut clairement réitérer la procédure expérimentale et la méthode de réponse correcte. Ensuite, organisez les 10 essais d’entraînement. La structure de ces essais est identique à celle de l’expérience principale. Après la séance d’entraînement, demandez au participant s’il a réussi à lire et comprendre efficacement les informations présentées dans les stimuli.
    4. Lancez l’expérience principale. Après les essais d’entraînement, passez à l’écran d’instruction. Confirmez la préparation du participant, puis demandez-lui d’appuyer sur la barre d’espace pour commencer l’expérience principale. Assurez-vous que l’expérience principale comprend 120 essais répartis en 2 blocs, avec 60 essais attribués à chaque bloc. Insérez une pause obligatoire de 2 minutes entre les deux blocs.
    5. Surveillez la session et les données de sauvegarde. Suivez l’avancement de la session depuis une salle adjacente via un écran de surveillance. À la fin de l’expérience, assurez-vous qu’E-Prime sauvegarde automatiquement le fichier de données.
  3. Débriefing et rémunération
    1. Sauvegardez les données EEG et retirez le capuchon d’électrode des participants. Demandez aux participants de nettoyer le gel conducteur résiduel de leurs cheveux et de leur peau. Veillez à ne pas laisser de résidu de gel sur leurs cheveux ou leur peau. Assurez-vous que les participants ne ressentent aucun inconfort après le nettoyage.
    2. Concluez l’expérience et versez aux participants une rémunération de 30 RMB (environ 4,50 USD).
  4. Procédure de prétraitement des données
    1. Inspectez les données. Inspectez visuellement les données EEG. Excluez les époques présentant des dérives de base significatives ou des artefacts bruits sévères d’une analyse ultérieure.
    2. Artéfacts oculaires corrects. Définir le canal vertical de l’électrooculolograme (VEOG) comme référence pour les artefacts oculaires. Appliquez l’algorithme de réduction des artefacts oculaires dans le logiciel Scan pour corriger les artefacts de clignement et de mouvement oculaire.
    3. Époque des données. Segmentez les données EEG continues en époques verrouillées dans le temps de l’apparition du stimulus, en utilisant les marqueurs d’événement insérés par le programme E-Prime. Définissons la fenêtre temporelle d’époque de -200 ms (avant stimulus) à +800 ms (post-stimulus).
    4. Effectuer une correction de base. Définissez l’intervalle pré-stimulus de 200 ms comme référence initiale. Soustrayez son amplitude moyenne des données post-stimulus à l’aide de l’algorithme de correction de base dans le logiciel Scan.
    5. Rejetez les artefacts. Rejetez les époques où l’amplitude du signal dépasse ±100 μV dans la fenêtre d’analyse afin d’éliminer la contamination due à l’activité musculaire et à d’autres artefacts à haute amplitude.
    6. Réexaminez les données. Calculez le signal moyen provenant des électrodes des mastoïdes gauche et droite. Reréférez tous les canaux hors ligne à cette moyenne mastoïde calculée.
    7. Moyenne dans les matières. Pour chaque participant, faites la moyenne de toutes les époques sans artefacts appartenant à la même condition de stimulus afin d’obtenir des formes d’onde ERP stables et spécifiques à chaque condition pour chaque individu.
    8. Appliquez un filtre. Filtrez les formes d’onde moyennes des ERP à l’aide d’un filtre passe-bas de 30 Hz (réduction de 24 dB/octave).
    9. Créez des moyennes générales. Combinez les moyennes individuelles pour chaque condition sur tous les participants afin de créer des ERP à moyenne générale et obtenez les formes d’onde au niveau du groupe pour chaque condition expérimentale.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Comme montré dans la Figure 2a, 2 (agent de service : humain vs. IA) ×2 (style de langage : humoristique vs. rationnel), les mesures répétées d’ANOVA sur les notes de satisfaction ont révélé un effet principal significatif de l’agent de service. Les comparaisons par paires ont montré que la satisfaction avec l’agent humain (3,005) était plus élevée qu’avec l’agent IA (2,750). Un effet principal significatif du style linguistique a également été constaté. Les...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Cette étude intègre des mesures comportementales avec la technique ERP à haute résolution temporelle afin de révéler systématiquement les mécanismes cognitifs et neuronaux à plusieurs étapes par lesquels le type d’agent de service (humain vs. IA) et le style de langage (humoristique vs. rationnel) influencent la satisfaction des passagers lors de la récupération du service. Les résultats comportementaux montrent que l’agent humain et le style de langage humoristique conduisent individuel...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n’ont rien à divulguer.

Remerciements

Ce travail a été soutenu par la Fondation nationale des sciences naturelles de Chine (n° 72001055). Nous remercions tous les collègues du laboratoire 412 pour leur aide dans l’expérience. ST, XY et JY ont conçu et conçu l’étude. XY et XZ ont mené les expériences. XY a analysé les données et a rédigé le manuscrit. ST a examiné le manuscrit. Tous les auteurs ont contribué à l’article et approuvé la version soumise.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
NeuroScan Synamp2 AmplifierNeurosoft Labs Inc., USASYN-2-641.Enregistrement continu d'EEG avec filtre passe-bande (0,05–100 Hz) et taux d'échantillonnage (1 000 Hz)
2.Équipé du logiciel Scan 4.3.1 pour la surveillance de l'impédance et l'enregistrement des données
3.Compatible avec les coiffes d'électrodes à 64 canaux
Coiffe d'électrodes Ag/AgCl à 64 canauxElectro-Cap InternationalEC-64Installation selon le système standard international 10-20.Utilisez le bout du nez comme référence en ligne. Toutes les voies ont été recalibrées hors ligne sur la moyenne des références mastoïdiennes gauche et droite. L'électrode entre FPz et Fz a été appliquée comme masse. Les EOG verticales et horizontales ont été enregistrées par deux électrodes situées au-dessus et au-dessous de l'œil gauche à 10 mm et les électrodes latérales sur le canthus externe des deux yeux. Toutes les impédances des électrodes ont été maintenues en dessous de 10 KΩ.
Logiciel E-primePsychology Software ToolsUtilisé pour concevoir des expériences, initier des expériences, présenter des stimuli, contrôler le processus expérimental et collecter des données comportementales.
Gel conducteur Quik-GelCompumedics Limited AustraliaRP0002831Gel conducteur médical. Sa fonction principale est d'être appliqué entre les électrodes et le cuir chevelu ou la peau lors des examens neurophysiologiques par électroencéphalogramme (EEG) pour réduire la résistance, assurant une conduction électrique fluide, obtenant ainsi des résultats d'essais clairs et précis.
NuprepWeaver and company10-30Gel de préparation cutanée (abrasif). Avant les examens électrophysiologiques par électroencéphalogramme (EEG), il est utilisé pour abraser et nettoyer la peau, éliminant efficacement les huiles et les cellules mortes pour réduire l'impédance cutanée, assurant ainsi une conduction du signal d'électrode plus claire et plus précise.
Seringue BD 10 mlBecton, Dickinson and CompanyREF309604Seringue standard de 10 ml. Utilisée pour remplir les cavités cylindriques de toutes les électrodes de la coiffe d'électrodes de pâte conductrice, assurant un contact suffisant entre le cuir chevelu et les électrodes.
Sèche-cheveux SalonShine Care ION+PHILIPSHP8206Sèche rapidement les cheveux et utilise la technologie des ions négatifs pour réduire l'électricité statique et les frisottis.
Shampooing Bee & FlowerShanghai Bee & Flower Daily Necessities Co., Ltd.GB/T 29679Shampoing doux. Élimine efficacement l'excès d'huile et de saleté du cuir chevelu, réduisant les interférences avec l'expérience.
Alcool 75% Dezhou Chuangyi Medical Technology Co., Ltd.1378Réduit l'impédance cutanée.
Ruban adhésif chirurgical 3M TransporeMinnesota Mining and Manufacturing Medical Devices (Shanghai) Co., Ltd.1527C-1Utilisé pour fixer les électrodes externes.
Écran LCDDellE2219HNUtilisé pour afficher la procédure expérimentale et les stimuli, servant d'interface importante pour l'interaction homme-machine.

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

R tablissement du servicepotentiels voqu senregistrement EEGsatisfaction des passagersinteraction homme machinevaluations comportementales

Articles connexes