Tutaj prezentujemy komputerową, wieloagentową grę HoneyComb, która umożliwia eksperymentalne badanie zachowań zbiorowego ruchu człowieka za pomocą awatarów z czarnymi kropkami na wirtualnym sześciokątnym boisku 2D. Można ustawić różne warunki eksperymentalne, takie jak zmienne bodźce na polach bramkowych lub promieniu widzenia, a także zbadać ich wpływ na zachowanie ruchowe człowieka.
Artykuł metodologiczny
Paradygmat plastra miodu w badaniach nad zbiorowymi zachowaniami ludzkimi
W tym artykule
Podsumowanie
Streszczenie
Zbiorowe ludzkie zachowanie, takie jak ruch grupowy, często wykazuje zaskakujące wzorce i prawidłowości, takie jak pojawienie się przywództwa. Najnowsza literatura ujawniła, że te wzorce, często widoczne na poziomie globalnym grupy, opierają się na samoorganizujących się, indywidualnych zachowaniach, które podążają za kilkoma prostymi parametrami lokalnymi. Zrozumienie dynamiki zbiorowych zachowań ludzkich może pomóc w poprawie koordynacji i przywództwa w scenariuszach grupowych i grupowych, takich jak określenie idealnego rozmieszczenia i liczby wyjść ewakuacyjnych w budynkach.
W tym artykule prezentujemy eksperymentalny paradygmat HoneyComb, który może być używany do systematycznego badania warunków i skutków zbiorowego zachowania ludzi. Paradygmat ten wykorzystuje komputerową platformę dla wielu użytkowników, zapewniając otoczenie, które można kształtować i dostosowywać do różnych typów pytań badawczych. Warunki sytuacyjne (np. stosunek kosztów do korzyści dla określonego zachowania, zachęty pieniężne i zasoby, różne stopnie niepewności) mogą być ustalane przez eksperymentatorów, w zależności od pytania badawczego. Ruchy każdego uczestnika są rejestrowane przez serwer jako współrzędne sześciokątne ze znacznikami czasu z dokładnością do 50 ms i z indywidualnymi identyfikatorami. W ten sposób można zdefiniować metrykę na boisku, a parametry ruchu (np. odległości, prędkość, grupowanie itp.) uczestników mogą być mierzone w czasie. Dane o ruchu mogą być z kolei łączone z nieskomputeryzowanymi danymi z kwestionariuszy zebranych w tej samej konfiguracji eksperymentu.
Paradygmat HoneyComb toruje drogę dla nowych typów eksperymentów z ruchami ludzkimi. Pokazujemy tutaj, że te eksperymenty mogą dostarczyć wyników o wystarczającej wewnętrznej ważności, aby znacząco pogłębić nasze zrozumienie ludzkiego zbiorowego zachowania.
Wprowadzenie
Komputerowa gra wieloagentowa HoneyComb1 oferuje metodologiczny paradygmat do eksperymentalnego zbadania, w jaki sposób zbiorowe wzorce ruchów ludzkich i struktury grupowe wyłaniają się z indywidualnych zachowań. Ludzcy uczestnicy są wizualnie reprezentowani jako awatary (czarne kropki) na sześciokątnym wirtualnym polu gry przypominającym plaster miodu (Rysunek 1). Uczestnicy przesuwają swoje awatary za pomocą kliknięcia myszką, aby osiągnąć sześciokąty celu, wydać zasoby ruchu (Wideo 1) i zmaksymalizować swoje nagrody pieniężne, budując spójne grupy (Wideo 2). Warunkami przestrzennymi (np. promieniem widzenia), strukturami nagród (np. polami celów pieniężnych) i kanałami komunikacyjnymi można manipulować w celu odkrycia, które i w jakim stopniu te reguły warunków wpływają na koordynację i przywództwo w ruchu zbiorowym.
Zasady proceduralne/warunkowe, cele i motywatory nagród zostały zaprojektowane przez psychologów społecznych w celu zbadania zbiorowego ruchu ludzi. Zarówno w rojach zwierząt, jak i w ludzkich stadach, można zaobserwować zjawiska emergentne (tj. globalne wzorce) wynikające z indywidualnych zachowań, które są zgodne z lokalnymi regułami. Na przykład, ławice ryb i stada ptaków wydają się poruszać jako spójne jednostki w kierunku celu przestrzennego2,3,4, pomimo dużych rozmiarów grup, które zmniejszają ich zdolność do globalnej lub międzyindywidualnej komunikacji. Badania empiryczne5,6,7, modelowanie behawioralne8,9,10, oraz symulacje komputerowe11,12,13 wykazały, że u różnych gatunków, w tym ludzi14,15,16, złożone wzorce na poziomie grupy pojawiają się bez wewnętrznej kontroli i zewnętrznego nadzoru. Lokalne ruchy indywidualne i, często, proste zasady na poziomie mikroskopowym są wystarczające do wygenerowania uporządkowanego ruchu na poziomie makroskopowym. Takie eksperymenty przyczyniają się do zwiększenia liczby dowodów2,6 że nie tylko duże roje, ale także małe grupy (grupy ludzi, a także inne grupy zwierząt) są koordynowane przez lokalne zasady interakcji1.
Nasze nowatorskie podejście, wykorzystujące komputerowe gry z awatarami dla wielu użytkowników, pokazuje jedną z głównych zalet w badaniu dynamicznych ludzkich zjawisk zbiorowych. Korzystając z platformy awatarów HoneyComb1,17,18,19, dane czasoprzestrzenne dotyczące indywidualnych zachowań ruchowych (ruch regulowany przez rzeczywiste osoby) mogą być w pełni gromadzone przez serwer, a rozwój wzorców zachowań i struktur zbiorowych może być analizowany z dokładnością do 50 ms (Tabela 1). Ponieważ wizualna i słuchowa komunikacja sensoryczna może być ograniczona poprzez wymaganie od uczestników używania zatyczek do uszu i okrycie ich stanowisk pracy ściankami działowymi, rój i inne warunki zachowania tłumu można przybliżyć eksperymentalnie. W kilku eksperymentach1,17,18,19, manipulowaliśmy promieniem widzenia (globalny vs. lokalny, Rysunek 2), zachętami pieniężnymi (Rysunek 3a,b), podgrupami (Rysunek 4) oraz współobecnością innych graczy (Rysunek 5) w celu zbadania wpływu tych zmiennych na pojawienie się zbiorowych wzorców zachowań, takich jak ludzkie zachowania stadne17, leadership1 i competition18. Do zebrania danych użyto konfiguracji od dziesięciu do dwunastu notebooków i jednego serwera (Rysunek 6).
Samoorganizująca się koordynacja indywidualnych działań u gatunków żyjących w grupie przyciągnęła wiele uwagi naukowej, szczególnie w ciągu ostatniej dekady. Badania są bardzo różnorodne, od prostego tworzenia szlaków i wyboru ścieżek u mrówek po złożone pojawianie się struktur wirowych w ławicach ryb, a nawet segregację dwukierunkowych przepływów pieszych2.
Dzięki naszemu paradygmatowi HoneyComb, przyczyniamy się do metodologicznego podejścia do empirycznego badania wpływu różnych opcji/ograniczeń sytuacyjnych, różnych reguł zachowania i indywidualnych cech na poziomie mikroskopowym na pojawienie się makroskopowych struktur behawioralnych u ludzi. Ważną zaletą jest to, że paradygmat oferuje ściśle kontrolowane ustawienia eksperymentalne zdefiniowane przez eksperymentatorów, dzięki czemu manipulacja umożliwia mierzenie wyników pojedynczego eksperymentu lub porównywanie wielu eksperymentów. Wirtualne pole gry można skonfigurować zgodnie z wymaganiami projektu badania, a kanały komunikacji sensorycznej między uczestnikami mogą zostać wyeliminowane lub ograniczone zgodnie z parametrami eksperymentu. Dodatkowo można kształtować afordancje środowiskowe (np. konkurencyjny, niekonkurencyjny konsensus i warunki ratunkowe). W ten sposób nasza platforma wymusza wewnętrzną trafność (tj. jak najściślejsze dopasowanie projektu badania do pytań badawczych), oferując możliwość manipulowania/kontrolowania zmiennych istotnych dla konkretnego pytania badawczego, wykorzystując dane o ruchu człowieka do badania ruchu człowieka. Eksperymenty terenowe przynoszą korzyści w zakresie zewnętrznej trafności (uogólnienia) wyników15,20,21 do świata rzeczywistego, ponieważ nie wykluczają skutków nieznanych, niekontrolowanych/nietłumionych sygnałów społecznych, a także zachowań nie- i parawerbalnych u ludzi1.
Komputerowa gra dla wielu agentów HoneyComb posłużyła do zbadania pojawienia się wzorców koordynacji i przywództwa u ludzkich graczy poruszających swoimi awatarami na wirtualnym polu gry. Uczestnikom przekazano jedynie lokalne informacje na temat zachęt pieniężnych możliwych do uzyskania na sześciokątach bramek, które obejmowały zachętę do spójności grupy opartą na pomnożeniu nagród pieniężnych przez liczbę współgraczy, którzy również znaleźli się na tym samym sześciokącie bramki. W naszej pierwszej serii badań ograniczyliśmy konfigurację eksperymentu do dwóch prostych parametrów zachowania roju (wyrównanie i spójność) i ograniczyliśmy wzajemny transfer informacji do "czytania/przekazywania" tylko zachowań ruchowych innych uczestników. Następnie zmieniliśmy promień widzenia zachowań innych uczestników do globalnego lub lokalnego widoku wirtualnego pola gry, które składa się z 97 mniejszych sześciokątów, i ograniczyliśmy możliwe do wykorzystania zasoby ruchu (możliwe ruchy) graczy.
Kształt i elementy platformy wirtualnej oraz zdefiniowane przez eksperymentatora parametry gier, w które można grać na tej platformie, mogą być zaprojektowane zgodnie z konkretnymi pytaniami badawczymi. W zależności od celu badawczego wielkość pola gry może ulec zmianie; Kolory, kształty i znaczenia awatarów można dostosowywać; zasoby mogą być wdrażane; A struktura i treść nagród mogą być różne. Mniej lub bardziej informacje, niepewność i sprzeczne preferencje mogą być również zaimplementowane22. Możliwe są również różne informacje o globalnym widoku gracza i sterowaniu. W związku z tym, za pomocą instrukcji eksperymentalnych, afordancje środowiskowe eksperymentu mogą zostać zmienione (np. scenariusz konsensusu vs. ucieczki). W następnej sekcji wyjaśnimy, w jaki sposób można zastosować te zmienne, opisując rzeczywiste badanie, w którym wykorzystano niektóre z tych parametrów w celu udzielenia odpowiedzi na konkretne pytania badawcze.
Protokół
Gromadzenie danych i analiza danych w tym projekcie zostały zatwierdzone przez Komisję Etyki Instytutu Psychologii Georg-Elias-Müller Uniwersytetu w Getyndze (propozycja 039/2012).
1. Konfiguracja eksperymentalna
- Wybierz lokalizację, która znajduje się z dala od obszaru o dużym natężeniu ruchu, na przykład w pracowni komputerowej lub innym określonym obszarze z indywidualnymi stacjami roboczymi, które można skonfigurować jako sieć LAN (sieć lokalna).
- Zorganizuj od 10 do 12 notebooków tego samego typu, które będą używane w eksperymencie, a także jeden komputer, który będzie działał jako serwer (Rysunek 6). Zarówno program serwerowy, jak i programy klienckie wymagają środowiska uruchomieniowego JAVA, które jest dostępne we wszystkich popularnych systemach operacyjnych (wystarczy Raspberry Pi jako klient).
- Konfiguracja sprzętu
- Ułóż zeszyty na indywidualnych stołach stanowisk pracy z krzesłami, jak pokazano na Rysunek 7.
- Podłącz notebooki do komputera serwera za pomocą Ethernet i przełącznika sieciowego, aby utworzyć sieć lokalną.
- Zainstaluj ścianki działowe między poszczególnymi stanowiskami pracy, aby zapobiec wizualnej komunikacji sensorycznej (kontakt wzrokowy, gesty rąk, mimika twarzy itp.) między sąsiednimi uczestnikami.
- Zaopatrz się w zatyczki do uszu (do jednorazowego użytku), które zostaną rozdane wszystkim uczestnikom, aby zapobiec słyszalnej komunikacji między uczestnikami.
2. Rekrutacja uczestników
- Wybierz miejsce rekrutacji, w którym znajduje się duża liczba osób, np. hol wejściowy audytorium.
- Zwracaj się do potencjalnych rekrutów, korzystając ze standardowego tekstu, który wyjaśnia cel i tło eksperymentu, czas trwania eksperymentu, maksymalną wypłatę obliczoną na podstawie wyników oraz wymóg udziału w grze wieloosobowej na laptopach należących do instytucji.
- Upewnij się, że uczestnicy rozumieją instrukcje i kwestionariusze w języku angielskim i niemieckim związane z eksperymentami.
- Jeśli projekt eksperymentalny obejmuje użycie kolorów, upewnij się, że uczestnicy są wolni od ślepoty barw, która może uniemożliwić im rozróżnienie użytych kolorów.
- Nie rekrutuj poprzednich uczestników, ponieważ uczestnicy powinni być naiwni w stosunku do eksperymentu.
- Zaprowadź chętnych rekrutów do poczekalni z dala od obszaru rekrutacji. Uprzejmie prosimy, aby poczekali na zakończenie rekrutacji grupowej bez rozmawiania ze sobą. Wyjaśnij, że to ograniczenie jest związane z integralnością wyników eksperymentu.
- Po zrekrutowaniu od 10 do 12 uczestników zaprowadź ich do wcześniej przygotowanej pracowni komputerowej lub określonego obszaru, w którym odbędzie się eksperyment.
- Zanim uczestnicy zajmą miejsca na stanowiskach pracy otoczonych przegrodami, poproś ich o podpisanie formularza potwierdzającego świadomą zgodę.
- Rozdaj higieniczne, jednorazowe zatyczki do uszu wszystkim uczestnikom. Poinformuj ich, że komunikacja audiowizualna z innymi uczestnikami jest zabroniona. Dlatego stosowanie zatyczek do uszu i stacji roboczych z przegrodami jest obowiązkowe.
- Poproś uczestników, aby zajęli miejsca na stacjach roboczych otoczonych przegrodami.
3. Procedura eksperymentalna
UWAGA: W tej eksperymentalnej procedurze, gra używana przez Boosa i wsp.1 jest opisany jako przykład zastosowania.
- Faza przygotowawcza
- Sam program jest sformatowany jako plik zip HC.zip zawierający 1) HC.jar runnables, 2) trzy pliki do konfiguracji, a mianowicie hc_server.config, hc_panel.config i hc_client.config oraz 3) dwa podfoldery o nazwach intro i rawdata.
- Utwórz folder udostępniony na serwerze i rozpakuj HC.zip do tego folderu.
- Na każdym komputerze klienckim zamontuj i uzyskaj dostęp do tego folderu współdzielonego, a następnie otwórz odpowiednio terminal (Linux, Mac OS X: spotlight | search | terminal) lub monit (Windows: wyszukaj "cmd"). Użyj polecenia "dir" lub "ls", aby rozpakowane pliki pojawiły się na każdym terminalu.
- Wykonaj polecenie "java -version" na każdym terminalu, aby upewnić się, że środowisko uruchomieniowe Java jest dostępne. Jeśli nie, zainstaluj Javę, zanim przejdziesz dalej.
- Spójrz na trzy pliki konfiguracyjne.
- Edytuj hc_server.configure, aby skonfigurować 1) liczbę graczy, 2) minimalną liczbę i maksymalną liczbę ruchów, które każdy gracz może wykonać, 3) wartości tzw. samorodków oraz 4) warunek promienia percepcji (lokalny lub globalny).
UWAGA: Dwa warunki percepcji to warunek globalny (gracz może zobaczyć pozycje awatarów wszystkich uczestników) i stan lokalny (gracz widzi tylko te awatary, które sąsiadują z jego awatarem; patrz Rysunek 3) - Edytuj hc_client.configure, aby poinformować klientów o adresie IP serwera.
- W pliku hc_panel.config dostosuj rozmiar sześciokątów zgodnie z rozdzielczością ekranu.
- Edytuj hc_server.configure, aby skonfigurować 1) liczbę graczy, 2) minimalną liczbę i maksymalną liczbę ruchów, które każdy gracz może wykonać, 3) wartości tzw. samorodków oraz 4) warunek promienia percepcji (lokalny lub globalny).
- Najpierw uruchom program serwerowy HC_Gui.jar (Rysunek 8) za pomocą polecenia "java -jar HC_Gui.jar". Następnie uruchom programy klienckie na każdej stacji roboczej za pomocą polecenia "java -jar HC_ClientAppl.jar".
UWAGA: Na ekranach klientów powinien pojawić się komunikat "Proszę czekać. Komputer łączy się z serwerem." W graficznym interfejsie użytkownika serwera pojawi się wiersz wyświetlający adres IP każdego z klientów. Gdy wszyscy klienci są połączeni, program serwera wyświetla komunikat "Wszyscy klienci są połączeni. Gotowy do startu?"
UWAGA: Eksperymentator może przygotować sesję do tego momentu. - Kiedy wszyscy uczestnicy zajmą swoje miejsca, udziel ostatecznych instrukcji, zanim włożą zatyczki do uszu.
- Kliknij "OK", aby rozpocząć sesję. W tym przypadku eksperyment jest kontrolowany tylko przez instrukcje wyświetlane na ekranach widocznych dla uczestników. Instrukcje do pojedynczego eksperymentu wymagają wielu stron ekranu, a czytanie jest możliwe dzięki temu, że uczestnicy przewijają się tam i z powrotem, jeśli to konieczne.
UWAGA: Każdy uczestnik zaznacza, poprzez kliknięcie w wyznaczony do tego przycisk na ekranie, że zapoznał się z instrukcją. Eksperyment nie może się rozpocząć, dopóki wszyscy uczestnicy nie skończą czytać instrukcji.
- Faza testowania
- Obserwuj, czy uczestnicy kontrolują za pomocą myszy kropkę awatara (dwa razy większą niż widoczne kropki awatara innych uczestników) na wirtualnym 97-sześciokątnym polu gry HoneyComb (patrz Rysunek 1).
- Poproś uczestników, aby rozpoczęli fazę testowania na środku pola, a następnie poruszali się po wirtualnym polu gry HoneyComb zgodnie z wcześniej wyświetlanymi instrukcjami na ekranie.
- Wszystkie instrukcje dotyczące gry są umieszczone jako edytowalne pliki html w folderze programu gry HoneyComb. Zobacz podfoldery intro/de i intro/en, aby uzyskać instrukcje odpowiednio w języku niemieckim i angielskim.
- Poproś graczy, aby kliknęli lewym przyciskiem myszy na sąsiedni mały sześciokąt, aby przesunąć kropkę swojego awatara. Tylko sąsiednie pola mogą być wybrane dla początkowego i kolejnych ruchów.
UWAGA: Po każdym ruchu na 4000 ms dla każdego uczestnika pojawia się mały ogonek, wskazujący ostatni kierunek, z którego się pojawił.
- Pozwól każdemu uczestnikowi wziąć udział tylko raz, aby uniknąć ewentualnych uprzedzeń.
UWAGA: Opisana tutaj gra wymaga 5-10 minut, wliczając w to przeczytanie instrukcji. Ogółem 400 uczestników w 40 dziesięcioosobowych grupach zostało przetestowanych przez Boosa i wsp.1. - Nie wznawiaj eksperymentu z tymi samymi uczestnikami, jeśli wystąpi awaria techniczna lub jeśli uczestnik nie powiedzie się.
4. Faza po teście
- Po zakończeniu gry poproś uczestników, aby wypełnili kwestionariusze oceniające dane demograficzne, czynniki osobowości Wielkiej Piątki, postrzegany poziom stresu lub spokoju oraz satysfakcję z wynagrodzenia (płatną po zakończeniu eksperymentu). Kwestionariusze te mogą być oferowane jako samodzielne pliki html.
- Podczas gdy uczestnicy wypełniają kwestionariusze, przygotuj anonimowe koperty z odpowiednią kwotą pieniędzy zarobionych w ukończonej właśnie grze HoneyComb. Kwoty obliczone na podstawie plastra miodu, które mają zostać wypłacone każdemu graczowi, są określone na ekranie serwera.
- Rozdziel zarobione płatności między uczestników, gdy opuszczą obszar testowy.
- Zamknij program serwera, a następnie zamknij programy klienckie po zakończeniu zamykania programu serwera.
- Przenieś dane w postaci 2 plików tekstowych oznaczonych znacznikiem dnia i godziny eksperymentu na pamięć USB.
Wyniki
Wstępny eksperyment z wykorzystaniem paradygmatu HoneyComb wykazał, że ludzie wykazują podstawowe oznaki zachowań stadnych, takich jak dążenie do bliskości z innymi osobami, nawet bez otrzymywania nagrody17. Następnie podjęliśmy próbę odpowiedzi na pytanie, w jaki sposób poszczególni ludzie mogą być koordynowani behawioralnie, aby osiągnąć ten sam fizyczny cel, co było przedmiotem badań przeprowadzonych również przez Boosa et al.1, koncentrując się nie tylko na niespecyficznych zachowaniach stadnych, ale także na koordynacji grupowej i zachowaniach przywódczych. Przy użyciu opisanych powyżej parametrów zdefiniowanych dla eksperymentu wyznaczono lokalizacje sześciokątów celu, a opcję nagrody pieniężnej wykorzystano do zbadania wspólnych celów opartych na wspólnych bodźcach, a także motywacji do spójności grupy. Motywację do osiągnięcia spójności grupy zwiększono poprzez ustalenie dodatkowej nagrody zależnej od liczby pozostałych uczestników, którzy znaleźli się w tym samym sześciokącie celu. W każdej z 40 dziesięcioosobowych grup utworzono dwie podgrupy (grupę mniejszościową składającą się z dwóch losowo wybranych osób oraz grupę większościową składającą się z pozostałych ośmiu osób), przekazując im następujące poziomy informacji. Dwóch członków grupy mniejszościowej zostało poinformowanych o lokalizacji jednego sześciokąta z nagrodą 2 euro oraz pięciu sześciokątów z nagrodą 1 euro (Rysunek 9, lewa strona). Ośmiu członków grupy większościowej nie zostało poinformowanych o sześciokącie z nagrodą 2 euro, lecz wskazano im lokalizacje sześciu równowartościowo nagradzanych sześciokątów celu z nagrodą 1 euro (Rysunek 9, prawa strona). Żaden z uczestników nie został poinformowany o istnieniu różnych podgrup.
Pytania badawcze sformułowaliśmy w oparciu o model symulacji komputerowej opracowany przez Couzin et al.23. Ponieważ jedyną informacją wymienianą między graczami była ich zdolność do postrzegania ruchów innych osób, dążyliśmy do sprawdzenia, (i) czy informacja ta była wystarczająca, aby poinformowana grupa mniejszościowa (otrzymująca wyższą nagrodę) mogła koordynować ruchy niepoinformowanej grupy większościowej (otrzymującej niższą nagrodę), a jeśli tak, to (ii) w jaki sposób grupa mniejszościowa poinformowana o celu podwójnej nagrody prowadziłaby lub mogłaby prowadzić niepoinformowaną większość do sześciokąta celu opatrzonego nagrodą dwóch euro. Jak wspomniano wcześniej, ograniczyliśmy projekt badania do dwóch podstawowych parametrów zachowań rojenia: 1) wyrównania (członkowie grupy poruszający się w kierunku sześciokąta celu) oraz 2) spójności (tendencja członków grupy do poruszania się jako grupa). W przypadku parametru wyrównania wyznaczyliśmy sześć sześciokątów celu, które zapewniały gratyfikację pieniężną. W przypadku parametru spójności (t.j. dokonywania wyborów ruchów skoordynowanych z ruchami pozostałych uczestników), przyznaliśmy uczestnikom nagrodę w zależności od liczby awatarów, które na koniec znajdowały się w tym samym sześciokącie co ich własny awatar.
Pole gry HoneyComb składa się z 97 sześciokątów. Awatary wszystkich uczestników rozpoczynały grę wspólnie w środkowym sześciokącie plastra miodu. Każdemu graczowi przyznano maksymalnie 15 ruchów. Wszyscy byli ograniczeni do przemieszczania swojego awatara (poprzez kliknięcie myszą) tylko przez jeden z sześciu boków sześciokąta do sąsiedniego pola. Gra kończyła się, gdy każdy awatar znalazł się na polu nagrody lub gdy każdy gracz całkowicie wykorzystał limit 15 ruchów.
Wprowadzono dodatkowy czynnik eksperymentalny, aby odpowiedzieć na trzecie pytanie badawcze: (iii) czy promień percepcji (warunek globalny vs. lokalny) innych uczestników wpływa na koordynację ruchu. Percepcja w połowie z 40 dziesięcioosobowych grup została ograniczona w sposób losowy, co oznaczało, że dwadzieścia grup (warunek lokalny) mogło postrzegać ruchy tylko tych awatarów, które znajdowały się bezpośrednio obok ich własnego awatara. Pozostałe dwadzieścia 10-osobowych grup (warunek globalny) mogło postrzegać położenie i ruchy awatarów wszystkich uczestników.
Aby odpowiedzieć na pytanie (ii) [które cechy ruchu grup mniejszościowych doprowadziły do większego sukcesu (skutecznego dotarcia grupy do pola celu, a tym samym do większej nagrody pieniężnej)], zdefiniowano i przeanalizowano różne zachowania ruchowe, w tym osobę inicjującą ruch (first mover), wspólne ścieżki/kierunki ruchu dwóch uczestników z grup mniejszościowych, długości ścieżek, średni czas między ruchami, kolejność ruchów początkowych wśród uczestników, cechy osobowości z modelu Wielkiej Piątki (ekstrawersja, otwartość itp.) oraz biegłość w obsłudze komputera. Procedura statystyczna, model skończonych mieszanek z dwoma rozkładami dwumianowymi oraz szczegółowe wyniki zostały opublikowane w pracy Boos et al.1.
Nasze badanie wykazało, że w grupie ludzi, którym przypisano awatary na dwuwymiarowym polu gry HoneyComb (poruszające się zgodnie z opisanymi powyżej parametrami i warunkami), 20% z nich (mniejszościowa grupa 2-osobowa) było w stanie, opierając się wyłącznie na swoich ruchach, skutecznie poprowadzić pozostałe 80%, nawet gdy ich percepcja była ograniczona jedynie do sąsiadujących awatarów na polu gry. W tym przypadku skuteczna rola lidera uczestników z tej 2-osobowej grupy mniejszościowej polegała na tym, że pozostali uczestnicy wykonywali podobne ruchy początkowe, a uczestnicy z 2-osobowej grupy mniejszościowej jako pierwsi wykonywali ruch początkowy1 (Wideo 2). Szczegółowe parametry zachowań ruchowych tej grupy przedstawiono w Tabeli 2. Pogłębiona analiza dyspersji grupy w czasie została zaprezentowana na Rysunku 10. Stwierdziliśmy również, co zaskakujące, że ani zmienne osobowościowe, ani poziom umiejętności obsługi komputera wśród tych uczestników z grupy mniejszościowej nie odgrywały kluczowej roli w ich sukcesie.
Rycina 1: Pole gry komputerowej dla wielu agentów HoneyComb. Wizualna reprezentacja graczy jako awatarów (czarne kropki) na wirtualnym sześciokątnym polu gry. Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Rysunek 2: Perspektywa lokalna vs. globalna. Uczestnicy z perspektywą lokalną widzą awatary innych graczy wyłącznie w swoim zasięgu wzroku. W tym przypadku zaznaczony gracz (czerwony) widzi tylko 4 z 9 współgraczy. Perspektywa globalna, jeśli zostanie skonfigurowana, zapewniłaby widoczność wszystkich współgraczy. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 3: Zachęty finansowe. Ilustracja przedstawia sposób implementacji zachęt finansowych w grze HoneyComb. Awatary zaznaczone na szaro znajdują się poza lokalnym promieniem percepcji i są zatem niewidoczne dla danego gracza. Przedstawiono dwa różne punkty widzenia. (a) Gracz poinformowany: gracz ten dysponuje jednym polem celu o wyższej nagrodzie, oznaczonym jako „€€”, (b) gracz niepoinformowany: gracz ten posiada sześć równorzędnych pól celu o niższej nagrodzie, oznaczonych jako „€”. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 4: Eksperyment z awatarami podgrup. W tym scenariuszu tworzone są dwie podgrupy poprzez nadanie awatarom uczestników kolorów niebieskiego i żółtego. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 5: Gra pojedyncza vs. gra wspólna. Ilustracja przedstawia dwa różne ustawienia z perspektywy jednego gracza, analogicznie do Belz et al.17 (1a/b) gra pojedyncza: współgracze są niewidoczni i nie mogą zostać odnalezieni na heksagonalnym wirtualnym polu gry, (2a/b) gra wspólna: współgracze są widoczni tak długo, jak pozostają w promieniu lokalnej percepcji innych graczy. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 6: Konfiguracja serwera i klientów. Od dziesięciu do dwunastu laptopów (klienci C1 do C12) powinno zostać rozmieszczonych w pobliżu komputera serwera (i z nim połączonych). Zastosowanie ścianek działowych otaczających stacje robocze każdego uczestnika (oznaczonych grubymi liniami) uniemożliwia komunikację wizualną z osobami spoza środowiska wirtualnego. Ze względu na mniejsze opóźnienia i bardziej niezawodną przepustowość danych zaleca się stosowanie kabli LAN zamiast sieci WLAN. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 7: Kontekst otoczenia. Komunikacja (sensoryczna, wizualna, słuchowa) między uczestnikami jest ograniczona dzięki zastosowaniu ścianek działowych i zatyczek do uszu. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 8: Interfejs graficzny na serwerze. Dla każdego połączonego klienta znajduje się wiersz wyświetlający adres IP oraz inne dane (np. liczbę ruchów, pozycję, kwotę do wypłaty dla każdego gracza). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 9: Skuteczne przywództwo. Po lewej stronie zrzut ekranu przedstawia poinformowanego gracza zbliżającego się do pola z celem pieniężnym (patrz również Rycina 4), który skutecznie prowadzi pięciu innych graczy do swojego pola celu. Po prawej stronie niepoinformowany gracz stracił z oczu współgraczy. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.
Rycina 10: Szczegółowa analiza dyspersji przestrzennej w czasie gry (grupa 44). Średnia odległość między członkami grupy w czasie dla całej grupy (średnia grupy) w porównaniu z dwoma graczami, którzy zostali poinformowani o lokalizacji pola celu z wyższą nagrodą €€ (Poinformowany 1, Poinformowany 2), oraz ośmioma niepoinformowanymi graczami (Niepoinformowani). Pod koniec gry jeden niepoinformowany gracz oddalił się od grupy i dotarł do pola celu € (Gracz odizolowany). Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.
Wideo 1: Przykład ruchu zbiorowego z perspektywy niepoinformowanego gracza (grupa 44). Kliknij tutaj, aby obejrzeć to wideo. (Kliknij prawym przyciskiem myszy, aby pobrać.)
Wideo 2: Przykład ruchu zbiorowego z perspektywy dwóch poinformowanych graczy w tej samej grze co w Wideo 1 (grupa 44). Kliknij tutaj, aby obejrzeć to wideo. (Kliknij prawym przyciskiem myszy, aby pobrać.)
| gnr | czas | pid | s1 | s2 | ||
| ... | ||||||
| 5 | 14:56:42,281 | 5 | 2 | 2 | ||
| 5 | 14:56:42,500 | 2 | 3 | 5 | ||
| ... | ||||||
| 5 | 14:56:44,593 | 0 | 3 | 6 | NNug=2 | nieprzesunięty |
| 5 | 14:56:44,578 | 3 | 2 | 2 | ||
| 5 | 14:56:44,796 | 7 | 3 | 3 | ||
| 5 | 14:56:45,125 | 6 | -5 | -3 | ||
| 5 | 14:56:46,109 | 1 | 2 | 2 | ||
| 5 | 14:56:46,281 | 5 | 2 | 2 | nieprzesunięte | |
| 5 | 14:56:46,765 | 3 | 3 | 3 | ||
| 5 | 14:56:47,531 | 4 | 2 | 3 | nieprzesunięte | |
| 5 | 14:56:48,187 | 9 | 3 | 6 | NNug=2 | nieprzesunięty |
| 5 | 14:56:48,625 | 2 | 3 | 6 | NNug=2 | nieprzesunięte |
| 5 | 14:56:48,625 | 8 | 3 | 2 | nieprzesunięty | |
| 5 | 14:56:48,640 | 6 | -6 | -3 | NNug=1 | |
| 5 | 14:56:48,640 | 4 | 3 | 4 | ||
| 5 | 14:56:48,953 | 7 | 3 | 3 | nieprzesunięte | |
| 5 | 14:56:49,390 | 5 | 3 | 3 | ||
| ... | ||||||
| 5 | 14:56:52,671 | 4 | 3 | 4 | nieprzesunięte | |
| 5 | 14:56:52,687 | 6 | -6 | -3 | NNug=1 | nieprzesunięte |
Tabela 1: Format danych. Ruchy każdego uczestnika oraz powiązane z nimi znaczniki czasu na sześciokątnym wirtualnym polu gry są zapisywane jako współrzędne sześciokątne w osobnych wierszach, co umożliwia zastosowanie modelowania hierarchicznego/mieszanego. Tabela przedstawia fragment zbioru danych wygenerowanego przez grupę składającą się z 10 graczy (grupa 44).
| Grupa 44 (przykład) | ∑ Ruchy | Ranga 1st przenieś | Opóźnienie | Wypłata | Końcowy odległość | Odległość do pola E | Czas | % pola zbadano |
| (a) Zmienne na poziomie indywidualnym | ||||||||
| ID gracza 01 | 6 | 1 | 1,73 | 18 | 0,67 | 0 | - | - |
| Identyfikator gracza 1 | 6 | 10 | 3,74 | 9 | 0,67 | 0 | - | - |
| Identyfikator gracza 2 | 6 | 3 | 2,19 | 9 | 0,67 | 0 | - | - |
| Identyfikator gracza 3 | 7 | 9 | 2,68 | 9 | 0,67 | 0 | - | - |
| Identyfikator gracza 4 | 6 | 7 | 4,38 | 9 | 0,67 | 0 | - | - |
| ID gracza 5 | 9 | 8 | 3,98 | 9 | 0,67 | 0 | - | - |
| Identyfikator gracza 6 | 12 | 5 | 2,70 | 1 | 6,00 | 6 | - | - |
| Identyfikator gracza 71 | 6 | 6 | 4,96 | 18 | 0,67 | 0 | - | - |
| Identyfikator gracza 8 | 9 | 4 | 4,03 | 9 | 0,67 | 0 | - | - |
| Identyfikator gracza 9 | 6 | 2 | 2,45 | 9 | 0,67 | 0 | - | - |
| (b) Zmienne na poziomie grupy | ||||||||
| Niepoinformowany | 7,63 | 5,88 | 3,27 | 8 | 1,33 | 0,75 | - | - |
| Świadomy | 6,00 | 4,00 | 3,35 | 18 | 0,67 | 0,00 | - | - |
| Cała grupa | 7,30 | - | 3,28 | 10 | 1,20 | 0,60 | 39,02 | 27,84 |
Tabela 2: Szczegółowe wyniki analizy zachowań ruchowych grupy (grupa 44). Wyniki przedstawiono (a) dla poziomu indywidualnego oraz (b) dla poziomu grupowego. Na poziomie grupowym obliczono średnie dla niepoinformowanej większości (ośmiu graczy), poinformowanej mniejszości (dwóch graczy) oraz całej grupy (10 graczy). 1Graczy o identyfikatorach 0 i 7 wybrano losowo do otrzymania informacji o lokalizacji pola celu z wyższą nagrodą €€; ∑ Moves = całkowita liczba ruchów; Ranga 1Tekst źródłowy nie został dostarczony. Proszę o przesłanie treści do przetłumaczenia. przenieś = ranga 1Proszę podać tekst źródłowy do tłumaczenia. poruszać się w relacji do innych graczy; Opóźnienie = średni czas opóźnienia ruchu między dwoma krokami w s; Wypłata = indywidualna nagroda po ukończeniu gry w €; Końcowy odległość = średnia odległość każdego gracza od wszystkich pozostałych graczy pod koniec gry; Odległość odległość do pola bramkowego w momencie zakończenia gry; Czas = całkowity czas trwania gry w sek.; % przebadanych pól = procent całkowitego pola (97 sześciokątów) zbadanego przez grupę. Patrz również Rysunek 10 do szczegółowej analizy dyspersji grupy w czasie rozgrywki, Wideo 1 i Film 2 dla zbiorowego ruchu grupy, a Tabela 1 dla fragmentu danych o ruchu.
Dyskusja
Jednym z podstawowych pytań związanych z wykorzystaniem środowisk wirtualnych z wieloma klientami jako paradygmatu badawczego do badania zbiorowych zachowań ludzi jest to, czy wyniki można zastosować do rzeczywistych scenariuszy. Innymi słowy, czy podejście metodologiczne daje wyniki o wystarczającej trafności ekologicznej lub zewnętrznej? Przedstawianie ludzkich uczestników jako awatarów na wirtualnym polu gry i pozwalanie im na poruszanie się za pomocą kliknięć myszką zmniejsza sygnały społeczne. Dodatkowo, ograniczenie komunikacji do minimum pozwala eksperymentatorom zbadać, które ukryte sygnały behawioralne są przekazywane między ludźmi, które mogą wpływać na koordynację i zachowania przywódcze grupy ludzkiej oraz w ramach której afordancji środowiskowej (np. ratunek, rywalizacja, ewakuacja) na te zachowania wpływa więcej i w jakim stopniu. Tak długo, jak istnieje ścisłe przestrzeganie dwóch faz wstępnego testowania w protokole i procedurach testowych, to redukcjonistyczne podejście gwarantuje wewnętrzną ważność. Aby umożliwić przeniesienie wyników do "rzeczywistej" dynamiki grupy i tłumu, faza konfiguracji eksperymentalnej i testów może być stopniowo modyfikowana, aby stać się bardziej złożona (np. umożliwiając dodatkową komunikację poza zwykłym przekazywaniem/odczytywaniem zachowań ruchowych, dodawanie informacji o indywidualnych cechach osadzonych semantycznie w różnych scenariuszach świata rzeczywistego itp.) i opisana w instrukcjach wyświetlanych na ekranie czytanych przez uczestników przed rozpoczęciem gry.
Aby rozwiązać kwestię zewnętrznej trafności, sześciokątne pole gry [początkowo wybrane w celu standaryzacji ruchów gracza do ustandaryzowanych, dwuwymiarowych współrzędnych sześciokątnych ze względu na (wstępnie przetestowaną) użyteczność i redukcję czynników zakłócających] może być zróżnicowane. Dwuwymiarowa siatka z możliwością swobodnego ruchu umożliwiłaby graczom tworzenie bardziej ciągłych i złożonych danych o ruchu. Na przykład trójwymiarowe środowisko stworzone przez Unity lub Unreal-Engine może również zwiększyć ekologiczną/zewnętrzną ważność. Jednak z każdym krokiem w kierunku nauczenia się ograniczenia ruchu pojawia się problem. Wraz ze wzrostem złożoności swobody poruszania się w symulowanym scenariuszu, zwiększa się wpływ czynników zakłócających (np . różnic interpersonalnych, takich jak doświadczenie z komputerem, znajomość orientacji przestrzennej w grach trójwymiarowych), co może prowadzić do tendencyjnych wyników i zmniejszać trafność wewnętrzną.
Zaletą metody opisanej w protokole HoneyComb jest to, że można ją łączyć z modelami symulacji komputerowych i wykorzystywać jako paradygmat do empirycznego testowania, czy zbiorowe wzorce znalezione w symulacjach komputerowych odnoszą się również do zachowania w grupach ludzi. Aby zwiększyć zewnętrzną wiarygodność takich testów, uczestnicy powinni zostać zapytani w kwestionariuszu po fazie testowej, czy czują się wystarczająco i ludzko reprezentowani przez swoje awatary i czy są w stanie postrzegać swoich współgraczy jako ludzkich aktorów. Protokół określa fizyczną obecność współgraczy siedzących na stacjach roboczych obok siebie (nawet jeśli parametry protokołu wykluczają komunikację sensoryczną, słuchową lub wizualną) w celu wzmocnienia tych odczuć ludzkiego ucieleśnienia.
Podsumowując, metody zastosowane w podejściu HoneyComb nakreślone w fazach przedtestowej, testowej i potestowej protokołu zapewniają nowy paradygmat do badania podstawowych mechanizmów zjawisk zbiorowych, takich jak koordynacja grupy, przywództwo i zróżnicowanie wewnątrzgrupowe. Najważniejszym ograniczeniem metody jest jej podatność na błędy ludzkie przez rekruterów. w szczególności jeśli nie są wystarczająco rygorystyczne w zapewnieniu, że uczestnicy nie komunikują się ze sobą podczas fazy wstępnej i testowej.
Oświadczenia
Autorzy nie mają nic do ujawnienia.
Podziękowania
To badanie zostało sfinansowane przez Niemiecką Inicjatywę Doskonałości (Strategia Instytucjonalna: https://www.uni-goettingen.de/en/32632.html). Dziękujemy Margaricie Neff-Heinrich za korektę tekstu w języku angielskim.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Notebooki | |||
| Ścianki działowe między stanowiskami | |||
| Zatyczki do uszu | |||
| Sprzęt do instalacji |
Bibliografia
- Boos, M., Pritz, J., Lange, S., Belz, M. Leadership in Moving Human Groups. PLoS Computational Biology. 10 (4), e1003541(2014).
- Moussaid, M., Garnier, S., Theraulaz, G., Helbing, D. Collective information processing and pattern formation in swarms, flocks, and crowds. Topics in Cognitive Science. 1 (3), 469-497 (2009).
- Sumpter, D. J. T. Collective Animal Behavior. , Princeton University Press. Princeton. (2010).
- Krause, J., et al. Fish shoal composition: mechanisms and constraints. Proceedings - Royal Society. Biological Sciences. 267 (1456), 2011-2017 (2000).
- Camazine, S., et al. Self-Organization in Biological Systems. , Princeton University Press. Princeton. (2003).
- King, A. J., Sueur, C., Huchard, E., Cowlishaw, G. A rule-of-thumb based on social affiliation explains collective movements in desert baboons. Animal Behavior. 82 (6), 1337-1345 (2011).
- Fischer, J., Zinner, D. Communication and cognition in primate group movement. International Journal of Primatology. 32 (6), 1279-1295 (2011).
- Couzin, I. D., Krause, J. Self-organization and collective behavior in vertebrates. Advances in the Study of Behavior. 32, 1-75 (2003).
- Katz, Y., Tunstrøm, K., Ioannou, C. C., Huepe, C., Couzin, I. D. Inferring the structure and dynamics of interactions in schooling fish. Proceedings of the National Academy of Sciences of the United States of America. 108 (46), 18720-18725 (2011).
- Guy, S. J., Curtis, S., Lin, M. C., Manocha, D. Least-effort trajectories lead to emergent crowd behaviors. Physical Review E: Statistical, Nonlinear, and Soft Matter Physics. 85 (1), 016110(2012).
- Shao, W., Terzopoulos, D. Autonomous pedestrians. Proceedings of the 2005 ACM SIGGRAPH/Eurographics Symposium on Computer Animation. , (2005).
- Reynolds, C. W. Flocks, herds and schools: A distributed behavioral model. Seminal Graphics. , ACM. 273-282 (1987).
- Pelechano, N., Allbeck, J. M., Badler, N. I. Controlling individual agents in high-density crowd simulation. Proceedings of the 2007 ACM SIGGRAPH/Eurographics Symposium on Computer Animation. , 99-108 (2007).
- Helbing, D., Molnár, P., Farkas, I. J., Bolay, K. Self-organizing pedestrian movement. Environment and Planning B: Planning and Design. 28 (3), 361-383 (2001).
- Dyer, J. R. G., Johansson, A., Helbing, D., Couzin, I. D., Krause, J. Leadership, consensus decision making and collective behavior in humans. Philosophical Transactions - Royal Society. Biological Sciences. 364 (1518), 781-789 (2009).
- Moussaid, M., Schinazi, V. R., Kapadia, M., Thrash, T. Virtual Sensing and Virtual Reality: How New Technologies can Boost Research on Crowd Dynamics. Frontiers in Robotics and AI. , (2018).
- Belz, M., Pyritz, L. W., Boos, M. Spontaneous flocking in human groups. Behavioral Processes. 92, 6-14 (2013).
- Boos, M., Franiel, X., Belz, M. Competition in human groups - Impact on group cohesion, perceived stress and outcome satisfaction. Behavioral Processes. 120, 64-68 (2015).
- Boos, M., Li, W., Pritz, J. Patterns of Group Movement on a Virtual Playfield: Empirical and Simulation Approaches. Social Network Analysis: Interdisciplinary Approaches and Case Studies. Fu, X., Luo, J. -D., Boos, M. , 197-223 (2017).
- Dyer, J. R. G., et al. Consensus decision making in human crowds. Animal Behavior. 75 (2), 461-470 (2008).
- Faria, J. J., Dyer, J. R. G., Tosh, C. R., Krause, J. Leadership and social information use in human crowds. Animal Behavior. 79 (4), 895-901 (2010).
- Conradt, L. Models in animal collective decision-making: information uncertainty and conflicting preferences. Interface Focus. 2 (2), 226-240 (2011).
- Couzin, I. D., Krause, J., Franks, N. R., Levin, S. A. Effective leadership and decision-making in animal groups on the move. Nature. 433, 513-516 (2005).
Przedruki i uprawnienia
