方法論記事

ユーモアか合理性か?エージェントの種類や言語スタイルがライドシェアサービス失敗回復における満足度に与える神経メカニズム

519 閲覧数

⸱

DOI：

10.3791/69813

⸱

2026年3月13日

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

この記事について

サマリー

本研究はERPを用いて、エージェントタイプ(人間/AI)と言語スタイル(ユーモラス/合理的)がライドシェアサービス回復満足度にどのように影響するかを調査し、神経認知メカニズムの解明を目指しています。

要約

ライドシェア業界では、サービス失敗後の効果的なサービス復旧戦略が乗客満足度とプラットフォームの評判にとって極めて重要です。しかし、エージェントの種類と言語スタイルの組み合わせが乗客満足度や基礎となる神経メカニズムにどのような影響を与えるかは依然として不明です。本研究は、故障後の修復における2つの重要な要因であるサービスエージェントの種類と言語スタイルが乗客満足度とその神経相関にどのように影響するかを調査するイベント関連ポテンシャル(ERP)実験を設計しました。被験者内デザインは2(エージェントタイプ:人間/AI)×2(言語スタイル:ユーモラス/合理的)が採用されました。E-Primeソフトウェアを使い、参加者には事前に選ばれた5つの一般的な乗車サービスの失敗シナリオが提示されました。各シナリオの後には、エージェントによって標準化されたバウチャー報酬のオファーが提示され、エージェントの種類や言語スタイルは試験ごとに体系的に変化させられました。この手技は、64チャンネル脳波(EEG)信号の同時記録と行動満足度評価の収集を含んでいました。行動データは、人間のエージェントとユーモラスな言語スタイルに対してより高い満足度評価を示しました。ERPの結果は、合理的言語スタイルによって引き起こされる負のN2およびフィードバック関連負の振幅(FRN)が多いことが明らかになったのに対し、人間のエージェントと合理的スタイルではより多くの正のP300振幅が引き起こされました。本研究では、実験刺激の標準化準備、実験手順の正確なタイミング制御、International 10-20システムに基づくEEG記録準備、データ取得から前処理までの全方法論的パイプラインの詳細を詳述します。このプロトコルは高い時間分解能と良好な再現性を提供します。これは、社会的認知や意思決定プロセスの背後にある時間的ダイナミクスを正確に定量化する必要がある消費者神経科学、人間とコンピュータの相互作用、サービス管理の研究に適しています。

概要

シェアリング経済の旗艦モデルであるライドヘイリングは、リアルタイムのインタラクションとユーザー体験に根本的に依存しているため、都市モビリティエコシステムの不可欠な要素となっています。しかし、運転手の無礼、車両の故障、運行遅延などのサービス失敗を完全に排除するのは難しいです。これらの出来事はしばしば予期せず、状況に依存しており、乗客の不満を招きやすく、信頼を損なうこともあります。競争の激しい市場において、迅速かつ効果的なサービス回復は、単に即時の問題を是正するための必要手段ではありません。これはユーザーの信頼を再構築し、長期的な忠誠心を維持するための戦略的必須事項です。

サービス回復に関する従来の研究は、主にアンケートやシナリオベースの実験などの行動的方法論を用いてきました。これらの研究は、満足度や買い戻し意向といった明示的な指標を測定することで、さまざまな回復戦略の効果を評価しています。この研究は多くの成果を生み出していますが、主に消費者の最終的な行動成果の観察に限定されています。内部の「ブラックボックス」プロセス、特に脳がどのようにサービス回復情報を処理し評価し、最終的に意思決定に変換するかについては、直接的な証拠はまだ不足しています。言い換えれば、どの戦略が効果的かについては知識が存在するものの、その根底にある神経認知メカニズムの理解は限られています。いくつかの具体的な疑問が残ります。人間エージェントとAIエージェントの違いは情報処理の初期段階で現れるのでしょうか?ユーモラスなコミュニケーションスタイルと理性的なコミュニケーションスタイルは、サービス失敗によって引き起こされるネガティブな感情をどのように調節するのでしょうか?最終的な満足の決定の基盤となる、紛争検出から認知統合までの完全な神経経路とは何でしょうか?

金銭的補償や謝罪などの回復戦略は一般的に効果的であることが知られていますが、これらの戦略が認知的および感情的レベルでどのように機能するのか、そしてその基盤となる動的な神経機構についての深い理解は限られています。この方法論的なギャップは、より正確で効率的かつ個別化されたサービス復旧ソリューションを設計する能力を制約しています。この「ブラックボックス」を調査するために、本研究ではイベント関連ポテンシャル(ERP)技術を中核的な方法論的アプローチとして用いています。特定の刺激事象に時間的に固定された脳波信号を記録することで、ERPはミリ秒単位の時間分解能を提供し、認知処理中の瞬間的な脳活動を非侵襲的かつ継続的に捉えることを可能にします5,6,7。機能的磁気共鳴画像法(fMRI)と比較して、ERPは時間的精度において明確な利点を提供します。従来の自己申告測定と比較して、ERPは遡及的バイアスや社会的望ましさの影響を効果的に回避できるため、個人の即時および無意識の神経反応を直接明らかにできます。サービスの障害と回復の文脈では、ERPは一連の迅速かつ連続的な心理的プロセスを正確に分離し観察することを可能にします。これには、早期の対立検出(N2構成要素に反映)、中期の感情およびアウトカム評価(FRN構成要素に反映)、および後期の高次認知統合および動機付け評価(P300構成要素に反映)が含まれます。10,11,12,13,14,15.したがって、ERPはサービス回復の意思決定の背後にある複雑な神経メカニズムを解明する理想的なツールとなります。

上記の方法論的考慮に基づき、本論文は体系的で厳密かつ再現性の高いERP実験プロトコルを提示します。このプロトコルは、サービスエージェントの種類(人間向け対AI)と言語スタイル(ユーモラスなものと合理的)という2つの主要なサービス復旧要素が、ライドヘイリングサービスの失敗後に乗客満足度とその根底にある神経メカニズムにどのように共同で影響を与えるかを調査することを目的としています。このプロトコルは、これまでにライドシェアの経験がある大学生を募集しています。標準的なS1-S2実験パラダイムと、被験者内設計の2(エージェントタイプ:人間対AI)×2(言語スタイル:ユーモラスvs合理的)を採用しています。サービス障害シナリオおよびその後の回復提案を含む刺激は、E-Primeソフトウェアを用いて標準化された方法で提示されます。この手技は、64チャンネルの脳波計(EEG)データと行動満足度評価を同時に取得することを含みます。

本研究は、行動反応を調査し、サービス回復効果の根底にある異なる認知処理段階を神経動力学的視点から明らかにするためにプロトコルを用いています。例えば、合理的スタイルは感情的な期待を破り、初期段階でより強い対立信号やより多くのネガティブフィードバックを引き起こす可能性があり、これはより多くの負のN2とFRN振幅18,19,20として反映されます。さらに、人間のエージェントは社会的属性(よりポジティブなP300振幅21)により、統合後期段階でより肯定的な動機付け評価を受ける可能性があります。一方で、合理的な言語スタイルは対立解決に必要な認知資源を増やす可能性が高く、これはより大きなP300振幅22にも反映される可能性があります。

このプロトコルは高い時間分解能と良好な再現性を提供します。その設計理由や方法論の詳細は、ライドヘイルサービスの文脈だけでなく、より広範な研究分野の参考文献にも当てはまります。これらの分野には、消費者神経科学、ヒューマン・コンピュータ・インタラクション、サービスマネジメント、コミュニケーション学が含まれます。したがって、社会的相互作用や意思決定のさまざまな文脈における人間の脳における動的情報処理の正確な定量化と理解に貢献しています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

この研究プロトコルは、地域および機関の倫理委員会によって承認されており、ヘルシンキ宣言の最新版に準拠しています。すべての参加者は参加前に書面によるインフォームドコンセントを提供しており、権利を守るためにいつでも研究から辞退できます。

1. 実験刺激

  1. サービス障害シナリオの事前選択
    1. ライドシェアの経験がある大学生100人を募集しましょう。
    2. 参加者に7点リッカート尺度(1=全く不満なし、7=非常に不満)を用いて、10件の一般的なライドシェアサービス失敗シナリオに対する不満度を評価してもらいます。シナリオには、運転手の無礼、車両故障、誤った目的地、遅刻到着、交通事故、車内衛生状態の悪さ、迂回、乗車前に料金を請求される、荷物の手伝いをしない運転手、車内の不快な温度などが含まれます。
    3. 10のシナリオを平均不満評価でランク付けし、最も評価の高いシナリオの上位50%を正式な実験材料として選びます。
    4. 実験で使用するために、以下の5つのサービス失敗シナリオを最終決定します:運転手の無礼、車両故障、誤った目的地、遅刻運転者、交通事故。
    5. 選ばれた各シナリオを、簡単なテキスト説明と「サービス失敗!」のプロンプトを用いて参加者に提示します。
      注:本実装では、選ばれたシナリオの平均不満評価は6.6であり、シナリオの下位50%の平均評価(平均=3.6)を大きく上回っています。この違いは、選択されたシナリオがサービス障害の認識を効果的に引き起こし、実験刺激の妥当性を支持していることを示しています。
  2. エージェント向けにユーモアと合理的2つの言語スタイル(人間カスタマーサービスとAIカスタマーサービス)を設計し、テキストとカスタマーサービス担当者の画像を組み合わせて報酬を提供し、情報を開示します。例えば、運転手のサービス態度が悪い場合、ユーモラスな表現スタイルは「運転手は機嫌が悪くて、それは伝染する!次回は必ず笑顔を飾る現金クーポンです!」合理的な言語スタイルでは、「運転手の不満足な態度に対して謝罪し、現金クーポンが補償として提供される」と述べられています。今後の支援を歓迎します。」
  3. すべての実験画像はAdobe Photoshop 2022を用いて処理し、刺激材料の妥当性と一貫性を確保します。画像の寸法を1440ピクセル、解像度72 DPI×2560ピクセルに均一に調整してください。明るさを85にキャリブレーションし、コントラストを+20に上げて視覚干渉を最小限に抑えます。さらに、刺激に関連する表現を標準化・最適化し、明確さと理解しやすさを確保し、曖昧さを避けましょう。
  4. すべての刺激材料に関する参加者のフィードバックを集めるパイロットスタディを実施します。すべてのサービス障害シナリオがサービス障害の認識を効果的に引き起こすようにしてください。ユーモアのある状態の素材は、合理的な条件のものよりも知覚されたユーモアの評価が有意に高いものであり、適切さや自然さの評価には有意な差がないことを確認してください。また、1250ミリ秒の提示時間が参加者が刺激文を読み理解するのに十分であることも確認してください。
  5. 異なる言語スタイル条件で、漢字数で測定したテキストの長さをマッチング・バランスを取ること。ユーモラスな条件と合理的な条件の間にテキスト長に大きな差が出ないことを確認しましょう。テキストの複雑さが読書時間と認知負荷に与える交絡影響のコントロール。

2. 実験的手続き

  1. 被験者内で2(エージェントタイプ:人間対AI)×2(言語スタイル:ユーモラスvs合理)を採用します。
  2. 実験配列を4つの異なるバージョン生成します。各バージョンに対して、4つの実験条件(ヒューマンユーモラス、ヒューマン合理、AIユーモラス、AI合理)と5つのサービス障害シナリオを組み合わせます。
  3. E-Primeで120の試行をプログラムし、60試行を2つのブロックに分割し、ブロック間に必須の120秒休憩画面を挿入し、各試行を次のように構成します。
    1. 画面中央に500msの間、注視点を表示します。
    2. 1000msの間、ライドヘイリングサービスが故障したことを示すプロンプトを提示してください。
    3. 250msの間、空白の画面を表示します。
    4. サービスエージェントの身元開示に関する情報を1000ms表示してください。
    5. 250msの間、空白の画面を表示します。
    6. サービスエージェントがユーモラスで合理的な言語で1250ミリ秒にわたって謝罪スクリプトを提供します。
    7. 250msの間、空白の画面を表示します。
    8. 参加者に対して、サービス費用に相当する乗車券(1250ms)の形で報酬を提供します。
    9. 250msの間、空白の画面を表示します。
    10. 参加者に提案された解決策に対する満足度を評価するよう求めます(1=非常に不満、5=非常に満足);評価インターフェースは参加者が選択をするまでそのまま残ります。

figure-protocol-1
図1:実験的手順。 単一の実験試験のイベントシーケンスと提示時間は左から右へ次のように示されています:固定十字(500ms)、サービス失敗シナリオプロンプト(1000ms)、空白画面(250ms)、サービスエージェントタイプ情報(1000ms)、空白画面(250ms)、言語スタイル(1250ms)、空白画面(250ms)、 サービス回復戦略(バウチャー情報、1250ms)、空白画面(250ms)、そして最後に満足度評価インターフェース(参加者が応答するまで表示)です。 この図の拡大版はこちらをクリックしてご覧ください。

3. 実験的調製と電気生理記録

  1. 実験的調製
    1. ハルビン工科大学の有給学部生および大学院生20名(女性8名)を、右利き、正常または矯正された視力、精神的または神経疾患の既往なし、過去6か月以内に髪をストレート化または染色した履歴なしの対象者を対象に採用します。参加者は18歳から28歳(M=23.25、SD=±2.23)でした。参加者ごとに個別の実験セッションをスケジュールしてください。過剰なデータアーティファクトを持つ参加者はさらなる分析から除外します。
    2. 参加者が研究所に到着したら、予備ブリーフィングを行います。コア機器、材料、そして完全な実験手順を段階的に紹介します。実験課題の具体的な要件、推定期間、重要な注意事項を明確に説明してください。参加者が実験の強度を完全に理解できるようにしましょう。
    3. 実験の正式開始前に参加者に書面によるインフォームドコンセントフォームを提供してください。参加者には、実験開始前にフォームを注意深く読み、署名してもらうよう求めてください。
    4. 参加者には、指定された場所で中性シャンプーで髪を洗い、頭皮の油分やほこり、電極と頭皮間の導電性に影響を与える可能性のある不純物を取り除くよう指示します。その後、参加者にラボ提供のヘアドライヤーを使って、湿った部分が残らないよう徹底的に乾かすよう指示します。ヘアドライヤーを中速(約1600W)と一定温度モード(約50°C)に設定します。
    5. 参加者を専用の脳波検査室へ案内します。実験室は専門的に電磁シールドと高い遮音性能を備えています。エアコンと周囲の照明を調整し、室温を約22°Cに保ち、照明を薄暗くしてください。参加者に快適な椅子に座るよう指示します。参加者の目と画面中央の距離は約1メートルにしてください。
    6. 75%の医療用アルコール、綿球、刺激のない洗顔料を使いましょう。これらのアイテムで参加者の顔の特定の部分を優しく拭き取ります。
    7. 国際10-20システムに従い、64個のAg/AgCl電極を備えた電極キャップを参加者の頭皮に位置させます。キャップの正中線を参加者のナシオンからイニオンへの線と合わせます。CZ電極をヘッドの頂点に置きます。キャップの位置を確認する:Fp1およびFp2電極は鼻の約2cm上に、T3およびT4電極は耳管の約2cm上に位置します。
    8. すべての電極井戸に導電性ゲルを充填してください。外部電極は医療用テープで固定してください。基準電極を鼻先に置きます。垂直眼電図(VEOG)電極を左眼窩の上下約1cmに位置させます。水平眼電極(HEOG)は、各眼の外眼角から約1cm外側に置きます。記録電極(M1、M2)をそれぞれ左と右乳様突起に配置します。
    9. 実験中に電極のずれを防ぐために、電極キャップのあごストラップをぴったりと快適に調整してください。次に、キャップの最終位置を確認し、ねじれや回転がないことを確認します。
    10. 録音ソフトをインピーダンスチェックモードに切り替えてください。キャップ内のすべての電極のウェルに鈍頭シリンジを使って導電性ジェルを満たします。各電極部位の髪を優しく分けて、電極と頭皮が完全に接触するようにします。各チャネルのインピーダンスが10 kΩ以下に落ちて安定するまで電極を継続的に調整します。インピーダンス値が許容範囲内(通常はインピーダンスモニターの青色または暗色で示される)内に表示されているか確認してください。
    11. 実験は閉鎖的で静かな環境で行われることを参加者に伝えてください。リラックスした姿勢を保ち、安定した座り方を保ち、過度な体を動かさず、実験中ずっと集中力を保つよう指示してください。
    12. 22インチのLCDモニターを使って刺激を提示します。画面のリフレッシュレートを60Hzに設定してください。
  2. E-Primeソフトウェア運用手順
    1. e-studioを起動してプロジェクトを読み込みます。E-PrimeのハードウェアキーをパソコンのUSBポートに差し込みます。デスクトップのE-Studioアイコンをダブルクリックすると、ソフトウェアを起動できます。メニューバーで 「ファイル -> 開いて 、この実験用のプロジェクトファイルを選択してください。」
    2. 参加者情報の入力です。E-Runの起動インターフェースで、件名番号(例:001)、セッション番号、その他必要な情報を正確に入力してください。
    3. 練習セッションを実行してください。「 ツール」 →「 > E-Run」をクリックし、ポップアップウィンドウで 「Run 」を選択してください。プログラムはまずタスク指示を表示します。参加者が実験手順と正しい回答方法を明確に繰り返しられるようにしてください。その後、10回の模擬試験を実施します。これらの試験の構成は主要な実験と同じです。練習セッションの後、参加者に刺激で提示された情報を効果的に読み理解できたかどうかを尋ねます。
    4. メイン実験を開始しろ。模擬試験終了後、指示画面に進みます。参加者の準備状況を確認し、スペースバーを押してメイン実験を始めるよう指示します。メイン実験は120の試行を2つのブロックに分け、各ブロックに60の試行が割り当てられていることを確認してください。2つのブロックの間に2分間の休息時間を設けてください。
    5. セッションを監視し、データを保存しましょう。隣の部屋からモニター画面を通じてセッションの進行状況を監視します。実験全体が完了したら、E-Primeが自動的にデータファイルを保存するようにしてください。
  3. 報告と補償
    1. EEGデータを保存し、参加者の電極キャップを外してください。参加者に髪や皮膚から残留した導電性ジェルを除去するよう指示します。髪や肌にジェルの残留物が残らないように注意してください。清掃後に参加者に不快感がないか確認してください。
    2. 実験を終了し、参加者に30元(約4.50米ドル)の報酬を支払う。
  4. データ前処理手順
    1. データを検査してください。脳波検査(EEG)データを目視で確認してください。著しいベースラインドリフトや重度のノイズアーティファクトを含むエポックはさらなる解析から除外します。
    2. 正しい眼のアーティファクト。眼部アーティファクトの基準として垂直眼電図(VEOG)チャンネルを設定してください。Scanソフトウェアの眼部アーティファクト削減アルゴリズムを適用して、まばたきや眼球の動きのアーティファクトを補正します。
    3. データの時代。E-Primeプログラムで挿入されたイベントマーカーを使い、連続したEEGデータを刺激開始にタイムロックされたエポックに分割します。エポックタイムウィンドウを-200 ms(刺激前)から+800 ms(刺激後)まで定義します。
    4. 基準補正を行います。刺激前の200ミリ秒の間隔を基準値として定義します。Scanソフトウェアのベースライン補正アルゴリズムを用いて、刺激後データから平均振幅を差し引きます。
    5. アーティファクトを拒否する。解析ウィンドウ内で信号振幅が±100μVを超えるエポックは排除し、筋肉活動やその他の高振幅アーティファクトによる汚染を排除します。
    6. データを再度参照してください。左と右乳様突起の電極からの平均信号を計算します。この計算された乳様突起平均にオフラインのすべてのチャネルを再参照します。
    7. 科目内で平均的です。各参加者に対して、同じ刺激条件に属するアーティファクトなしのエポックを平均して、各個人の安定した条件特異的なERP波形を取得します。
    8. フィルターをかけてください。平均されたERPの波形を30Hzのローパスフィルター(24dB/オクターブのロールオフ)でフィルタリングします。
    9. グランドアベレージを作りましょう。各条件の個別平均を全参加者の平均値で組み合わせて大平均ERPを作成し、各実験条件のグループレベルの波形を得ます。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

図2aに示されているように、2(サービスエージェント:人間対AI)×2(言語スタイル:ユーモラスvs合理)を繰り返し測定した結果、満足度評価に関するANOVAはサービスエージェントの有意な主効果を示しました。ペアワイズ比較では、ヒトエージェントの満足度(3.005)がAIエージェント(2.750)よりも高かったことが示されました。言語スタイルの大きな影響も見つかりました。ペアワイズ比較では、ユーモア条件(3.018)の満足度が合理的条件(2.737)よりも高かったことが示されました。図3に示すように、サービスエージェントと言語スタイル間の相互作用効果は有意でした。さらに単純な効果分析では、ユーモラスな言語条件において、人間のエージェントに対する満足度(3.168)がAIエージェント(2.868)よりも高かったことが示されました。人間のエージェント条件では、ユーモラスな言語スタイル(3.168)に対する満足度が合理的言語スタイル(2.842)よりも高かっ...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

本研究は、行動測定と高時間分解能ERP技術を統合し、サービスエージェントの種類(人間対AI)および言語スタイル(ユーモラスvs合理)がサービス回復に対する乗客満足度に影響を与える多段階的な認知および神経メカニズムを体系的に明らかにします。行動の結果は、人間のエージェントとユーモラスな言語スタイルが個別に高い満足度評価をもたらすことを示しています。有意な相互作用効果が観察されました。人間のエージェントがユーモラスな言語スタイルと組み合わさった場合に満足度が最も高く、AIエージェントが合理的な言語スタイルを使用した場合が最も低かったのです。この発見は戦略の効果に関する境界条件を明確にします。特に、感情的に敏感なサービス回復の文脈では、標準化された合理的な言語スタイルを用いるAIエージェントが「感情的欠損」を増幅し、アルゴリズム嫌悪を引き起こすリスクを高める可能性があります。

神経レベルのERPデータは、...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者たちは何も明かすことはありません。

謝辞

この研究は中国国家自然科学基金(No. 72001055)の支援を受けました。実験に協力してくださったラボ412の同僚全員に感謝します。ST、XY、JYがこの研究を構想・設計しました。XYとXZが実験を行いました。XYはデータを分析し、原稿を執筆しました。STは原稿を審査しました。すべての著者が記事に貢献し、提出されたバージョンを承認しました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
NeuroScan Synamp2 AmplifierNeurosoft Labs Inc., USASYN-2-641.Continuous EEG recording with bandpass filter (0.05–100 Hz) and sampling rate (1,000 Hz)
2.Equipped with Scan 4.3.1 software for impedance monitoring and data recording
3.Compatible with 64-channel electrode caps
64-channel Ag/AgCl Electrode CapElectro-Cap InternationalEC-64国際規格10-20システムに従って設置。鼻先をオンラインリファレンスとして使用。すべてのチャンネルは、左右のマストイドリファレンスの平均値にオフラインで再リファレンスされました。FPzとFzの間の電極を接地として適用されました。垂直EOGと水平EOGは、左目の10 mm上下に配置された2つの電極と、両目の外側角にある外側電極によって記録されました。すべての電極インピーダンスは10 KΩ未満に維持されました。
E-prime softwarePsychology Software Tools実験設計、実験開始、刺激の提示、実験プロセスの制御、行動データの収集に使用されます。
Quik-Gel Conductive GelCompumedics Limited AustraliaRP0002831医療用導電性ゲル。その主な機能は、脳波（EEG）の神経生理学的検査中に、電極と頭皮または皮膚の間に適用して抵抗を減少させ、電気信号のスムーズな伝導を確保し、明確で正確なテスト結果を得ることです。
NuprepWeaver and company10-30皮膚準備（研磨）ゲル。脳波（EEG）の電気生理学的検査の前に使用され、皮膚を研磨して清掃し、油分と古い角質を効果的に除去して皮膚インピーダンスを減少させ、より明確で正確な電極信号の伝導を確保します。
BD 10ml SyringeBecton, Dickinson and CompanyREF309604標準的な10ml容量の注射器。電極キャップのすべての電極の円筒形の空洞を導電性ペーストで満たし、頭皮と電極の十分な接触を確保するために使用されます。
SalonShine Care ION+DryerPHILIPSHP8206髪を素早く乾かし、マイナスイオン技術を利用して静電気とフリズを軽減します。
Bee & Flower ShampooShanghai Bee & Flower Daily Necessities Co., Ltd.GB/T 29679マイルドなシャンプー。頭皮の余分な油分と汚れを効果的に取り除き、実験への干渉を軽減します。
75% Alcohol Dezhou Chuangyi Medical Technology Co., Ltd.1378皮膚インピーダンスを低下させます。
3M Transpore Surgical TapeMinnesota Mining and Manufacturing Medical Devices (Shanghai) Co., Ltd.1527C-1外部電極を固定するために使用されます。
LCD MonitorDellE2219HN実験手順と刺激を表示するために使用され、人とコンピューターのインタラクションの重要なインターフェースとして機能します。

参考文献

  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).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

EEG

関連記事