Artykuł metodologiczny

Humor czy racjonalność? Neuralne mechanizmy, które wyjaśniają, jak typ agenta i styl językowy wpływają na zadowolenie z naprawy usług wywołanych przez aplikacje do zamawiania przewozów

519 wyświetleń

⸱

DOI:

10.3791/69813

⸱

13 marca 2026

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

W tym artykule

Podsumowanie

To badanie wykorzystuje ERP, aby zbadać, jak typ agenta (człowiek/AI) i styl językowy (zabawny/racjonalny) wpływają na zadowolenie z usług wynikających z korzystania z aplikacji do wywoływania taxi, mając na celu odkrycie mechanizmów neurokognitywnych.

Streszczenie

W branży usług przewozowych, skuteczne strategie odzyskiwania usług po awariach są kluczowe dla satysfakcji pasażerów i reputacji platformy. Jednak jak kombinacja typu agenta i stylu językowego wpływa na satysfakcję pasażerów i leżące u jej podstaw mechanizmy neuronalne, pozostaje niejasne. Niniejsze badanie zaprojektowało eksperyment z potencjałami związanymi z zdarzeniem (ERPs) w celu zbadania, jak dwa kluczowe czynniki w naprawie po awarii — typ agenta usługowego i styl językowy — wpływają na satysfakcję pasażerów i jej korelaty neuronowe. Zastosowana została konstrukcja wewnątrz-podmiotów 2 (Typ agenta: Człowiek/AI) × 2 (Styl językowy: Humorystyczny/Racjonalny). Za pomocą oprogramowania E-Prime, uczestnikom przedstawiano pięć wstępnie wybranych, typowych scenariuszy awarii usług przewozowych. Każdemu scenariuszowi towarzyszyła standaryzowana oferta kompensacji w postaci vouchera dostarczana przez agenta, przy czym typ agenta i styl językowy były systematycznie zmieniane w trakcie prób. Procedura obejmowała jednoczesne rejestrowanie 64-kanałowych sygnałów elektroencefalograficznych (EEG) i zbieranie ocen satysfakcji behawioralnej. Dane behawioralne wskazywały na wyższe oceny satysfakcji dla agenta ludzkiego i humorystycznego stylu językowego. Wyniki ERPs ujawniły bardziej ujemne amplitudy N2 i ujemności związanej z informacją zwrotną (FRN) wywoływane przez racjonalny styl językowy, podczas gdy agenci ludzcy i racjonalny styl wywoływały bardziej dodatnie amplitudy P300. Niniejsze badanie szczegółowo opisuje standaryzowaną przygotowanie stymulacji eksperymentalnych, precyzyjną kontrolę czasową procedury eksperymentalnej, przygotowanie rejestracji EEG oparte na międzynarodowym systemie 10-20 oraz kompletną metodologiczną linię od pozyskiwania danych do przetwarzania wstępnego. Ten protokół oferuje wysoką rozdzielczość czasową i dobrą reproduktywalność. Jest odpowiedni dla badań w dziedzinie neurobiologii konsumenckiej, interakcji człowiek-komputer i zarządzania usługami, które wymagają precyzyjnej ilościowej oceny dynamiki czasowej leżącej u podstaw procesów poznawczych społecznych i podejmowania decyzji.

Wprowadzenie

Udział w wypożyczaniu pojazdów, będący flagowym modelem gospodarki dzielącej, stał się integralnym elementem miejskich ekosystemów mobilności ze względu na fundamentalną zależność od interakcji w czasie rzeczywistym i doświadczenia użytkownika1. Jednakże, awarie usług – takie jak nieuprzejmość kierowców, awarie pojazdów czy opóźnienia w podróży – są trudne do całkowitego wyeliminowania. Te incydenty są często nieoczekiwane i zależne od kontekstu, łatwo wywołując niezadowolenie pasażerów i erozję zaufania2. Na wysoce konkurencycznym rynku, szybka i skuteczna odbudowa usług nie jest tylko koniecznym krokiem w celu naprawienia natychmiastowych niedociągnięć; stanowi ona strategiczne imperatyw dla odbudowy zaufania użytkowników i utrzymania długoterminowej lojalności3.

Tradycyjne badania nad odbudową usług przeważnie wykorzystywały metodologię behawioralną, taką jak ankiety i eksperymenty oparte na scenariuszach4. Te badania oceniają skuteczność różnych strategii odbudowy, mierząc wyraźne wskaźniki, takie jak satysfakcja i intencja ponowienia zakupu. Choć badania te przyniosły znaczne wyniki, są one w dużej mierze ograniczone do obserwacji końcowych zachowań konsumentów. Nadal brakuje bezpośrednich dowodów na wewnętrzny proces "czarnej skrzynki" – konkretnie, jak mózg przetwarza, ocenia i ostatecznie zamienia informacje o odbudowie usług na decyzję. Innymi słowy, choć istnieje wiedza na temat skutecznych strategii, zrozumienie podstawowych mechanizmów neurokognitywnych pozostaje ograniczone. Istnieją jeszcze kilka konkretnych pytań: Czy różnice między agentami ludzkimi a AI objawiają się na wczesnych etapach przetwarzania informacji? Jak humorystyczne czy racjonalne style komunikacji modulują negatywne emocje wywołane przez awarie usług? Jaki jest pełny szlakow neuronowy – od wykrywania konfliktu do integracji poznawczej – który leży u podstaw ostatecznej decyzji zadowalającej?

Mimo że pewne strategie odbudowy (takie jak rekompensata pieniężna czy przeprosiny) są znane jako ogólnie skuteczne, głębokie zrozumienie, dlaczego i jak te strategie działają na poziomie poznawczym i afektywnym – a także ich podstawowe dynamiczne mechanizmy neuronowe – nadal jest ograniczone. Ta luka metodologiczna ogranicza zdolność do projektowania dokładniejszych, bardziej efektywnych i spersonalizowanych rozwiązań dotyczących odbudowy usług. Aby zbadać tę "czarną skrzynkę", obecne badanie stosuje potencjały związane z zdarzeniami (ERP) jako swój podstawowy podejście metodologiczne. Poprzez rejestrowanie sygnałów elektroencefalograficznych zsynchronizowanych z określonymi wydarzeniami stymulującymi, ERP zapewnia rozdzielczość czasową w milisekundach, umożliwiając nieinwazyjne i ciągłe rejestrowanie chwilowej aktywności mózgu podczas przetwarzania poznawczego5,6,7. W porównaniu z funkcjonalnym rezonansem magnetycznym (fMRI), ERP oferuje wyraźną przewagę w precyzji czasowej8. W odniesieniu do tradycyjnych środków samozgłaszania, ERP może skutecznie uniknąć odwrotnego uprzedzenia i efektów pożądania społecznego, ujawniając tym samym bezpośrednio natychmiastowe i nieświadome reakcje neuronowe osób9. W kontekście awarii i odbudowy usług, oznacza to, że ERP pozwala na precyzyjne rozdzielenie i obserwację serii szybkie, sekwencyjne procesy psychologiczne. Obejmują one wczesne wykrywanie konfliktu (odbijane w komponentzie N2), średnioterminową ocenę emocji i wyników (odbijane w komponentzie FRN) oraz późną integrację poznawczą wyższego rzędu i oceny motywacyjne (odbijane w komponentzie P300)10,11,12,13,14,15. Dlatego ERP służy jako idealne narzędzie do wyjaśnienia złożonych mechanizmów neuronowych leżących u podstaw decyzji dotyczących odbudowy usług.

Na podstawie wymienionych wyżej względów metodologicznych, niniejsza praca przedstawia systematyczny, rygorystyczny i powtarzalny protokół ERP. Protokół ten został zaprojektowany w celu zbadania, jak dwa kluczowe elementy odbudowy usług – typ agenta usługowego (Ludzki vs. AI) i styl językowy (Humorystyczny vs. Racjonalny) – wpływają wspólnie na zadowolenie pasażerów i leżące u jego podstaw mechanizmy neuronowe po awarii usługi wypożyczania pojazdów. Protokół rekrutuje studentów uczelni wyższych mających doświadczenie w korzystaniu z wypożyczania pojazdów. Zastosował standardowy paradygmat eksperymentalny S1-S2 oraz projekt wewnątrzpodmiotowy 2 (Typ Agenta: Ludzki vs. AI) × 2 (Styl Językowy: Humorystyczny vs. Racjonalny). Stymulatory obejmujące scenariusze awarii usług i następujące propozycje odbudowy są prezentowane w standaryzowany sposób przy użyciu oprogramowania E-Prime. Procedura polega na jednoczesnym pozyskiwaniu danych elektroencefalograficznych (EEG) z 64 kanałów i ocen zadowolenia behawioralnego.

Niniejsze badanie zastosował

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Niniejszy protokół badawczy został zatwierdzony przez lokalne i instytucjonalne komisje etyczne i jest zgodny z najnowszą wersją Deklaracji Helsińskiej. Wszyscy uczestnicy wyrazili pisemną świadomą zgodę przed przystąpieniem do badania i mogą wycofać się z niego w dowolnym momencie w celu ochrony swoich praw.

1. Bodźce eksperymentalne

  1. Wstępna selekcja scenariuszy awarii usług
    1. Zrekrutuj 100 studentów z wcześniejszym doświadczeniem w korzystaniu z usług zamawiania przejazdów.
    2. Poproś uczestników o ocenę poziomu niezadowolenia z dziesięciu powszechnych scenariuszy awarii usług zamawiania przejazdów przy użyciu 7-stopniowej skali Likerta (1 = w ogóle niezadowolony; 7 = bardzo niezadowolony). Scenariusze powinny obejmować: nieuprzejmość kierowcy, awarię pojazdu, błędny cel podróży, spóźnienie kierowcy, wypadki drogowe, złą higienę wewnątrz pojazdu, nadkładanie drogi przez kierowcę, pobranie opłaty przed wejściem do pojazdu, brak pomocy kierowcy przy bagażach oraz niekomfortową temperaturę w pojeździe.
    3. Uszereguj dziesięć scenariuszy według średnich ocen niezadowolenia i wybierz 50% scenariuszy z najwyższymi ocenami jako formalne materiały eksperymentalne.
    4. Ustal następujące pięć scenariuszy awarii usług do wykorzystania w eksperymencie: nieuprzejmość kierowcy, awaria pojazdu, błędny cel podróży, spóźnienie kierowcy oraz wypadki drogowe.
    5. Przedstaw każdy wybrany scenariusz uczestnikom za pomocą krótkich opisów tekstowych wraz z komunikatem „Awaria usługi!”.
      UWAGA: W obecnej implementacji wybrane scenariusze wykazały średnią ocenę niezadowolenia na poziomie 6,6, co było znacznie wyższe niż średnia ocena pozostałych 50% scenariuszy (średnia = 3,6). Różnica ta wskazuje, że wybrane scenariusze skutecznie wywołały postrzeganie awarii usługi, co potwierdza trafność bodźców eksperymentalnych.
  2. Zaprojektuj dwa style językowe (humorystyczny i racjonalny) dla Agentów (Ludzka Obsługa Klienta vs AI Obsługa Klienta) w celu zaproponowania rekompensaty i ujawnienia informacji za pomocą tekstu połączonego z obrazami przedstawiającymi przedstawicieli obsługi klienta. Na przykład w scenariuszu, w którym postawa kierowcy jest zła, humorystyczny styl językowy brzmi: „Kierowca ma zły humor i jest on zaraźliwy! Oto kupon gotówkowy, który zapewni uśmiech następnym razem!”. Racjonalny styl językowy brzmi: „Przepraszamy za niezadowalającą postawę kierowcy i przekazujemy kupon gotówkowy w ramach rekompensaty. Zapraszamy do ponownego skorzystania z usług”.
  3. Przetwórz wszystkie obrazy eksperymentalne w programie Adobe Photoshop 2022, aby ustandaryzować materiały bodźcowe, zapewniając ich trafność i spójność. Jednolicie dostosuj wymiary obrazów do 2560 × 1440 pikseli przy rozdzielczości 72 DPI. Skalibruj jasność do wartości 85 i zwiększ kontrast o +20, aby zminimalizować zakłócenia wizualne. Ponadto ustandaryzuj i zoptymalizuj sformułowania związane z bodźcami, aby zapewnić przejrzystość i łatwość zrozumienia, unikając wszelkich niejednoznaczności.
  4. Przeprowadź badanie pilotażowe w celu zebrania opinii uczestników na temat wszystkich materiałów bodźcowych. Upewnij się, że wszystkie scenariusze awarii usług skutecznie wywołują postrzeganie awarii usługi. Potwierdź, że materiały w warunkach humorystycznych są oceniane znacznie wyżej pod kątem postrzeganego humoru niż materiały w warunkach racjonalnych, przy jednoczesnym braku istotnych różnic w ocenach stosowności i naturalności. Zweryfikuj również, czy czas prezentacji wynoszący 1250 ms jest wystarczający, aby uczestnicy mogli przeczytać i zrozumieć tekst bodźca.
  5. Dopasuj i zrównoważ długość tekstu, mierzoną liczbą znaków chińskich, w różnych warunkach stylu językowego. Upewnij się, że między warunkami humorystycznymi a racjonalnymi nie występuje istotna różnica w długości tekstu. Kontroluj zakłócający wpływ złożoności tekstu na czas czytania i obciążenie poznawcze.

2. Procedura eksperymentalna

  1. Zastosuj wewnątrzobiektowy plan czynnikowy 2 (typ agenta: człowiek vs. AI) × 2 (styl językowy: humorystyczny vs. racjonalny).
  2. Wygeneruj cztery odrębne wersje sekwencji eksperymentalnej. W każdej wersji połącz cztery warunki eksperymentalne (człowiek-humorystyczny, człowiek-racjonalny, AI-humorystyczny, AI-racjonalny) z pięcioma scenariuszami awarii usługi.
  3. Zaprogramuj 120 prób w programie E-Prime, podziel je na 2 bloki po 60 prób, wstaw obowiązkowy 120-sekundowy ekran odpoczynku między blokami i ustrukturyzuj każdą próbę w następujący sposób:
    1. Wyświetl punkt fiksacyjny w centrum ekranu przez 500 ms.
    2. Przedstaw komunikat wskazujący na awarię usługi zamawiania przejazdów przez 1000 ms.
    3. Wyświetl pusty ekran przez 250 ms.
    4. Wyświetl informacje dotyczące ujawnienia tożsamości agenta obsługi przez 1000 ms.
    5. Wyświetl pusty ekran przez 250 ms.
    6. Przedstaw uczestnikowi skrypt przeprosin w stylu językowym humorystycznym lub racjonalnym, przekazany przez agenta obsługi, przez 1250 ms.
    7. Wyświetl pusty ekran przez 250 ms.
    8. Zaoferuj uczestnikowi rekompensatę w formie równoważnego kuponu (voucher na przejazd o wartości równej kosztowi usługi) przez 1250 ms.
    9. Wyświetl pusty ekran przez 250 ms.
    10. Poproś uczestnika o ocenę poziomu satysfakcji z zaproponowanego rozwiązania (1 = bardzo niezadowolony, 5 = bardzo zadowolony); interfejs oceny pozostanie widoczny do momentu dokonania wyboru przez uczestnika.

Schemat eksperymentu dotyczącego obsługi klienta z fiksacją, typem agenta, stylem językowym i oceną satysfakcji.
Rycina 1: Procedura eksperymentalna. Sekwencja zdarzeń i czasy prezentacji dla pojedynczej próby eksperymentalnej przedstawiono od lewej do prawej w następujący sposób: krzyżyk fiksacyjny (500 ms), komunikat z opisem scenariusza błędu w obsłudze (1000 ms), pusty ekran (250 ms), informacja o typie agenta obsługi (1000 ms), pusty ekran (250 ms), styl językowy (1250 ms), pusty ekran (250 ms), strategia naprawy usługi (informacja o voucherze, 1250 ms), pusty ekran (250 ms), a na koniec interfejs oceny satysfakcji (wyświetlany do momentu odpowiedzi uczestnika). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

3. Przygotowanie eksperymentalne i rejestracja elektrofizjologiczna

  1. Przygotowanie eksperymentalne
    1. Zrekrutować 20 wynagradzanych studentów studiów licencjackich i magisterskich (8 kobiet) z Harbin Engineering University zgodnie z kryteriami włączenia: praworęczność, wzrok prawidłowy lub skorygowany do normy, brak historii zaburzeń psychiatrycznych lub neurologicznych oraz brak prostowania lub farbowania włosów w ciągu ostatnich sześciu miesięcy. Wiek uczestników wynosił 18–28 lat (M=23,25, SD=±2,23). Zaplanować indywidualne sesje eksperymentalne dla każdego uczestnika. Wykluczyć z dalszej analizy uczestników z nadmierną liczbą artefaktów w danych.
    2. Po przybyciu uczestnika do laboratorium przeprowadzić wstępny instruktaż. Przedstawić główny sprzęt, materiały oraz pełną procedurę eksperymentalną krok po kroku. Jasno wyjaśnić specyficzne wymagania dotyczące zadań eksperymentalnych, szacowany czas trwania oraz ważne środki ostrożności. Upewnić się, że uczestnik w pełni rozumie intensywność eksperymentu.
    3. Przed oficjalnym rozpoczęciem eksperymentu dostarczyć uczestnikom pisemny formularz świadomej zgody. Wymagać od uczestników uważnego przeczytania i podpisania formularza przed rozpoczęciem badania.
    4. Polecić uczestnikowi umycie włosów neutralnym szamponem w wyznaczonym miejscu, aby usunąć z skóry głowy tłuszcz, kurz i inne zanieczyszczenia, które mogą wpływać na przewodność między elektrodami a skórą. Następnie polecić uczestnikowi dokładne wysuszenie włosów za pomocą dostarczonej w laboratorium suszarki, upewniając się, że nie pozostały żadne wilgotne miejsca. Ustawić suszarkę na średnią prędkość przepływu powietrza (około 1600 W) i tryb stałej temperatury (około 50°C).
    5. Wprowadzić uczestnika do dedykowanego laboratorium zapisu EEG. Laboratorium jest profesjonalnie wyposażone w ekranowanie elektromagnetyczne i wysoką izolację akustyczną. Dostosować klimatyzację i oświetlenie otoczenia, aby zapewnić temperaturę w pomieszczeniu około 22°C i przyciemnione światło. Polecić uczestnikowi usiąść w wygodnym fotelu. Upewnić się, że odległość między oczami uczestnika a środkiem ekranu wynosi około 1 metra.
    6. Przygotować nasączone 75% alkoholem medycznym waciki oraz łagodny środek do oczyszczania twarzy. Delikatnie przetrzeć tymi środkami wyznaczone obszary twarzy uczestników.
    7. Założyć czepek z elektrodami, wyposażony w 64 elektrody Ag/AgCl, na skórę głowy uczestnika zgodnie z międzynarodowym systemem 10-20. Wyrównać linię środkową czepka z linią nasion-inion uczestnika. Umieścić elektrodę CZ w wierzchołku głowy. Zweryfikować pozycjonowanie czepka: upewnić się, że elektrody Fp1 i Fp2 znajdują się około 2 cm powyżej nasionu, a elektrody T3 i T4 są rozmieszczone około 2 cm powyżej tragusa ucha.
    8. Wypełnić wszystkie otwory elektrod żelem przewodzącym. Zabezpieczyć wszelkie elektrody zewnętrzne za pomocą taśmy medycznej. Umieścić elektrodę referencyjną na czubku nosa. Rozmieścić elektrody pionowego elektrookulogramu (VEOG) około 1 cm powyżej i poniżej lewego oczodołu. Umieścić elektrody poziomego elektrookulogramu (HEOG) około 1 cm bocznie od zewnętrznego kącika każdego oka. Rozmieścić elektrody rejestrujące (M1, M2) odpowiednio na lewym i prawym wyrostku sutkowatym.
    9. Dostosować pasek podbródkowy czepka tak, aby przylegał ściśle, ale wygodnie, co zapobiegnie przesunięciu elektrod podczas eksperymentu. Następnie zweryfikować końcową pozycję czepka, aby upewnić się, że nie jest on przekrzywiony ani obrócony.
    10. Przełączyć oprogramowanie rejestrujące w tryb sprawdzania impedancji. Wypełnić otwory wszystkich elektrod w czepku żelem przewodzącym za pomocą strzykawki z tępą końcówką. Delikatnie rozsunąć włosy w miejscu każdej elektrody, aby zapewnić pełny kontakt elektrody ze skórą głowy. Na bieżąco korygować położenie elektrod, aż impedancja każdego kanału spadnie i ustabilizuje się poniżej 10 kΩ. Zweryfikować, czy wartości impedancji są wyświetlane w dopuszczalnym zakresie (zazwyczaj oznaczonym kolorem niebieskim lub ciemnym na monitorze impedancji).
    11. Poinformować uczestników, że eksperyment będzie przeprowadzany w zamkniętym i cichym środowisku. Polecić im utrzymanie stanu relaksacji, stabilną postawę siedzącą, unikanie nadmiernych ruchów ciała oraz zachowanie koncentracji przez cały czas trwania badania.
    12. Prezentować bodźce za pomocą 22-calowego monitora LCD. Ustawić częstotliwość odświeżania ekranu na 60 Hz.
  2. Procedura obsługi oprogramowania E-Prime
    1. Uruchomić E-Studio i wczytać projekt. Włożyć klucz sprzętowy E-Prime do portu USB w komputerze. Dwukrotnie kliknąć ikonę E-Studio na pulpicie, aby uruchomić oprogramowanie. Kliknąć File -> Open na pasku menu i wybrać plik projektu dla tego eksperymentu.
    2. Wprowadzić informacje o uczestniku. W interfejsie startowym E-Run dokładnie wprowadzić numer badanego (np. 001), numer sesji oraz inne wymagane informacje.
    3. Przeprowadzić sesję treningową. Kliknąć Tools -> E-Run, a następnie wybrać Run w wyskakującym oknie. Program najpierw wyświetli instrukcje do zadania. Upewnić się, że uczestnik potrafi jasno powtórzyć procedurę eksperymentalną i poprawny sposób reagowania. Następnie przeprowadzić 10 prób treningowych. Struktura tych prób jest identyczna z głównym eksperymentem. Po sesji treningowej zapytać uczestnika, czy był w stanie efektywnie odczytać i zrozumieć informacje przedstawione w bodźcach.
    4. Rozpocząć główny eksperyment. Po zakończeniu prób treningowych przejść do ekranu instrukcji. Potwierdzić gotowość uczestnika, a następnie polecić mu naciśnięcie spacji, aby rozpocząć główny eksperyment. Upewnić się, że główny eksperyment obejmuje 120 prób podzielonych na 2 bloki, po 60 prób w każdym bloku. Wprowadzić obowiązkową 2-minutową przerwę między dwoma blokami.
    5. Monitorować sesję i zapisać dane. Monitorować przebieg sesji z sąsiedniego pomieszczenia za pomocą ekranu monitora. Po zakończeniu całego eksperymentu upewnić się, że E-Prime automatycznie zapisał plik z danymi.
  3. Podsumowanie i wynagrodzenie
    1. Zapisać dane EEG i zdjąć czepek z elektrodami z uczestników. Polecić uczestnikom usunięcie pozostałości żelu przewodzącego z włosów i skóry. Upewnić się, że na włosach lub skórze nie pozostały żadne resztki żelu. Potwierdzić, że uczestnicy nie odczuwają dyskomfortu po procesie oczyszczania.
    2. Zakończyć eksperyment i wypłacić uczestnikom wynagrodzenie w wysokości 30 RMB (około 4,50 USD).
  4. Procedura preprocessingu danych
    1. Przejrzeć dane. Dokonać wizualnej inspekcji danych EEG. Wykluczyć z dalszej analizy epoki zawierające znaczny dryft linii bazowej lub silne artefakty szumowe.
    2. Skorygować artefakty oczne. Ustawić kanał pionowego elektrookulogramu (VEOG) jako referencję dla artefaktów ocznych. Zastosować algorytm redukcji artefaktów ocznych w oprogramowaniu Scan, aby skorygować artefakty mrugania i ruchów gałek ocznych.
    3. Wyodrębnić epoki danych. Podzielić ciągłe dane EEG na epoki zsynchronizowane czasowo z pojawieniem się bodźca, korzystając z markerów zdarzeń wstawionych przez program E-Prime. Zdefiniować okno czasowe epoki od -200 ms (przed bodźcem) do +800 ms (po bodźcu).
    4. Przeprowadzić korekcję linii bazowej. Zdefiniować 200 ms przed bodźcem jako linię bazową. Odjąć jej średnią amplitudę od danych po bodźcu, korzystając z algorytmu korekcji linii bazowej w oprogramowaniu Scan.
    5. Odrzucić artefakty. Odrzucić epoki, w których amplituda sygnału przekracza ±100 µV w oknie analizy, aby wyeliminować zanieczyszczenia wynikające z aktywności mięśniowej i innych artefaktów o wysokiej amplitudzie.
    6. Zmienić referencję danych. Obliczyć średni sygnał z elektrod umieszczonych na lewym i prawym wyrostku sutkowatym. Przypisać wszystkim kanałom offline tę obliczoną średnią sutkowatą jako nową referencję.
    7. Obliczyć średnią wewnątrzpodmiotową. Dla każdego uczestnika uśrednić wszystkie wolne od artefaktów epoki należące do tego samego warunku bodźca, aby uzyskać stabilne, specyficzne dla warunku przebiegi ERP dla każdej osoby.
    8. Zastosować filtr. Przefiltrować uśrednione przebiegi ERP za pomocą filtru dolnoprzepustowego 30 Hz (stromość 24 dB/oktawa).
    9. Utworzyć średnie zbiorcze. Połączyć indywidualne średnie dla każdego warunku we wszystkich grupach uczestników, aby stworzyć średnie zbiorcze ERP i uzyskać przebiegi na poziomie grupowym dla każdego warunku eksperymentalnego.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Jak pokazano na Rysunku 2a, analiza ANOVA z powtarzanymi pomiarami 2 (agent obsługi: człowiek vs AI) × 2 (styl językowy: humorystyczny vs racjonalny) dla ocen satysfakcji wykazała istotny efekt główny agenta obsługi. Porównania parowe wykazały, że satysfakcja z obsługi przez człowieka (3,005) była wyższa niż w przypadku agenta AI (2,750). Stwierdzono również istotny efekt główny stylu językowego. Porównania parowe wskazały, że satysfakcja w warunkach humorystycznych (3,018) była wyższa niż w...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

To badanie integruje miary behawioralne z techniką ERP o wysokiej rozdzielczości czasowej, aby systematycznie ujawniać wielostopniowe mechanizmy poznawcze i neuronowe, za pomocą których typ agenta usługowego (człowiek kontra AI) oraz styl językowy (humorystyczny kontra racjonalny) wpływają na zadowolenie pasażerów z odzysku usług. Wyniki behawioralne pokazują, że agent ludzki i humorystyczny styl językowy indywidualnie prowadzą do wyższych ocen zadowolenia. Zaobserwowano istotny efekt interakcji: zadowolenie było najwyżs...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Praca ta była wspierana przez Narodowe Fundusze Nauki Przyrodniczej Chin (nr 72001055). Dziękujemy wszystkim kolegom z Laboratorium 412 za pomoc w eksperymencie. ST, XY i JY zaprojektowali i skoncepcyjnie opracowywali badanie. XY i XZ przeprowadzili eksperymenty. XY przeanalizował dane i napisał manuskrypt. ST przeglądał manuskrypt. Wszyscy autorzy przyczynili się do artykułu i zatwierdzili przesłaną wersję.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
NeuroScan Synamp2 AmplifierNeurosoft Labs Inc., USASYN-2-641.Ciągłe nagrywanie EEG z filtrem paśmie przenoszenia (0,05–100 Hz) i częstotliwości próbkowania (1 000 Hz)
2.Wyposażony w oprogramowanie Scan 4.3.1 do monitorowania impedancji i rejestracji danych
3.Kompatybilny z 64-kanałowymi nakładkami elektrod
64-kanałowa nakładka elektrodowa Ag/AgClElectro-Cap InternationalEC-64Montaż zgodnie z międzynarodowym standardem systemu 10-20. Użyj czubka nosa jako odniesienia online. Wszystkie kanały były offline ponownie odniesiene do średniej referencji mastoida lewego i prawego. Elektroda między FPz i Fz została zastosowana jako uziemienie. Pionowe EOG i poziome EOG były rejestrowane przez dwa elektrody umieszczone nad i pod lewym okiem 10 mm i bocznymi elektrodami na zewnętrznych kątach oczu obu oczu. Wszystkie impedancje elektrod były utrzymywane poniżej 10 KΩ.
Oprogramowanie E-primePsychology Software ToolsUżywane do projektowania eksperymentów, inicjowania eksperymentów, prezentowania stymulacji, kontrolowania procesu eksperymentalnego i zbierania danych behawioralnych.
Żel przewodzący Quik-GelCompumedics Limited AustraliaRP0002831Medyczny przewodzący żel. Jego główną funkcją jest nakładanie między elektrodami a skórą głowy lub skórą podczas badań neurofizjologicznych elektroencefalogramu (EEG) w celu zmniejszenia rezystancji, zapewniając gładkie przewodzenie sygnałów elektrycznych, a tym samym uzyskanie jasnych i dokładnych wyników testów.
NuprepWeaver and company10-30Żel przygotowujący skórę (ścierny). Przed badaniami elektrofizjologicznymi elektroencefalogramu (EEG) służy do ścierania i czyszczenia skóry, skutecznie usuwając oleje i martwe komórki skóry w celu zmniejszenia impedancji skóry, zapewniając tym samym czystsze i bardziej dokładne przewodzenie sygnałów elektrod.
Strzykawka BD 10mlBecton, Dickinson and CompanyREF309604Standardowa strzykawka o pojemności 10 ml. Używana do wypełniania cylindrycznych wnęk wszystkich elektrod w nakładce elektrodowej pastą przewodzącą, zapewniając wystarczający kontakt między skórą głowy a elektrodami.
Suszarka SalonShine Care ION+PHILIPSHP8206Szybko suszy włosy i wykorzystuje technologię jonów ujemnych do zmniejszenia elektryzacji i puszenia.
Szampon Bee & FlowerShanghai Bee & Flower Daily Necessities Co., Ltd.GB/T 29679Łagodny szampon. Skutecznie usuwa nadmiar oleju i brudu ze skóry głowy, zmniejszając zakłócenia w eksperymencie.
75% alkohol Dezhou Chuangyi Medical Technology Co., Ltd.1378Zmniejsza impedancję skóry.
Taśma chirurgiczna 3M TransporeMinnesota Mining and Manufacturing Medical Devices (Shanghai) Co., Ltd.1527C-1Używana do mocowania zewnętrznych elektrod.
Monitor LCDDellE2219HNUżywany do wyświetlania procedury eksperymentalnej i stymulacji, służąc jako ważny interfejs do interakcji człowiek-komputer.

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

naprawa us ugipotencja y wywo anezapis EEGsatysfakcja pasa erainterakcja cz owiek komputeroceny behawioralne

Powiązane artykuły