Artigo de método

Humor ou racionalidade? Os Mecanismos Neurais de Como o Tipo de Agente e o Estilo de Linguagem Influenciam a Satisfação com a Recuperação de Falhas em Serviços de Transporte

519 vistas

⸱

DOI:

10.3791/69813

⸱

13 de março de 2026

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

Neste artigo

Resumo

Este estudo utiliza ERPs para investigar como o tipo de agente (humano/IA) e o estilo de linguagem (humorístico/racional) influenciam a satisfação da recuperação de serviços de transporte, com o objetivo de descobrir mecanismos neurocognitivos.

Resumo

No setor de transporte por aplicativo, estratégias eficazes de recuperação de serviços após falhas no serviço são cruciais para a satisfação dos passageiros e para a reputação da plataforma. No entanto, como a combinação do tipo de agente e do estilo de linguagem influencia a satisfação dos passageiros e os mecanismos neurais subjacentes permanece incerto. Este estudo desenvolveu um experimento de potenciais relacionados a eventos (ERPs) para investigar como dois fatores-chave na remediação pós-falha — tipo de agente de serviço e estilo de linguagem — afetam a satisfação dos passageiros e seus correlatos neurais. Um design 2 (Tipo de Agente: Humano/IA) × 2 (Estilo de Linguagem: Humorístico/Racional) dentro dos sujeitos foi empregado. Usando o software E-Prime, os participantes foram apresentados a cinco cenários pré-selecionados e comuns de falha de serviço de transporte. Cada cenário era seguido por uma oferta padronizada de compensação em voucher entregue por um agente, com o tipo de agente e o estilo da linguagem variando sistematicamente entre os ensaios. O procedimento envolveu o registro simultâneo de sinais eletroencefalográficos (EEG) de 64 canais e a coleta de avaliações de satisfação comportamental. Dados comportamentais indicaram maiores índices de satisfação para agentes humanos e o estilo de linguagem humorístico. Os resultados dos ERPs revelaram amplitudes mais negativas de N2 e negatividade relacionada à realimentação (FRN) provocadas pelo estilo racional, enquanto agentes humanos e o estilo racional provocaram amplitudes P300 mais positivas. Este estudo detalha a preparação padronizada dos estímulos experimentais, o controle preciso do tempo do procedimento experimental, a preparação do registro do EEG baseada no sistema International 10-20 e toda a linha metodológica desde a aquisição de dados até o pré-processamento. Esse protocolo oferece alta resolução temporal e boa reprodutibilidade. É adequado para pesquisas em neurociência do consumidor, interação humano-computador e gestão de serviços, que exigem quantificação precisa da dinâmica temporal subjacente à cognição social e aos processos de tomada de decisão.

Introdução

O ride-hailing, um modelo emblemático da economia compartilhada, tornou-se um componente integral dos ecossistemas de mobilidade urbana devido à sua dependência fundamental da interação em tempo real e da experiência dousuário. No entanto, falhas de serviço — como falta de educação do motorista, falha no veículo ou atrasos na viagem — são difíceis de eliminar completamente. Esses incidentes são frequentemente inesperados e dependentes do contexto, provocando facilmente insatisfação dos passageiros e corroendo aconfiança 2. Em um mercado altamente competitivo, a recuperação rápida e eficaz do serviço não é apenas um passo necessário para corrigir deficiências imediatas; Constitui um imperativo estratégico para reconstruir a confiança dos usuários e manter a lealdadea longo prazo 3.

Pesquisas tradicionais sobre recuperação de serviços têm empregado predominantemente metodologias comportamentais, como questionários e experimentos baseados emcenários 4. Esses estudos avaliam a eficácia de diferentes estratégias de recuperação medindo indicadores explícitos como satisfação e intenção de recompra. Embora essa pesquisa tenha gerado descobertas substanciais, ela se limita em grande parte a observar os resultados comportamentais finais dos consumidores. Ainda faltam evidências diretas sobre o processo interno da "caixa-preta" — especificamente, como o cérebro processa, avalia e, em última análise, transforma as informações de recuperação do serviço em uma decisão. Em outras palavras, embora exista conhecimento sobre quais estratégias são eficazes, o entendimento dos mecanismos neurocognitivos subjacentes permanece limitado. Várias perguntas específicas persistem: As diferenças entre agentes humanos e de IA se manifestam durante os estágios iniciais do processamento de informações? Como os estilos de comunicação humorístico versus racional modulam as emoções negativas provocadas por falhas no serviço? Qual é o caminho neural completo — da detecção de conflitos à integração cognitiva — que fundamenta a decisão final de satisfação?

Embora certas estratégias de recuperação (como compensação monetária ou pedido de desculpas) sejam conhecidas por serem geralmente eficazes, uma compreensão profunda do porquê e de como essas estratégias funcionam nos níveis cognitivo e afetivo — bem como de seus mecanismos neurais dinâmicos subjacentes — permanece limitada. Essa lacuna metodológica limita a capacidade de projetar soluções de recuperação de serviços mais precisas, eficientes e personalizadas. Para investigar essa "caixa-preta", o presente estudo utiliza a tecnologia de potenciais relacionados a eventos (ERPs) como sua abordagem metodológica central. Ao registrar sinais eletroencefalográficos sincronizados com eventos específicos de estímulo, os ERPs fornecem resolução temporal em milissegundos, permitindo a captura contínua e não invasiva da atividade cerebral instantânea durante o processamentocognitivo 5,6,7. Comparado à ressonância magnética funcional (fMRI), as ERPs oferecem uma vantagem distinta na precisãotemporal 8. Em comparação com as medidas tradicionais de autorrelato, os ERPs podem efetivamente evitar viés retrospectivo e efeitos de desejabilidade social, revelando assim diretamente as respostas neurais imediatas e inconscientes dosindivíduos 9. No contexto de falha e recuperação de serviço, isso significa que os ERPs permitem a separação e observação precisa de uma série de processos psicológicos rápidos e sequenciais. Esses incluem a detecção precoce de conflitos (refletida no componente N2), avaliação de emoções e resultados de médio prazo (refletida no componente FRN) e integração cognitiva e avaliação motivacional de ordem superior em estágio tardio (refletida no componente P300)10,11,12,13,14,15. Portanto, os ERPs servem como uma ferramenta ideal para elucidar os complexos mecanismos neurais subjacentes à tomada de decisões de recuperação de serviços.

Com base nas considerações metodológicas descritas acima, este artigo apresenta um protocolo experimental de ERPs sistemático, rigoroso e reproduzível. Este protocolo foi projetado para investigar como dois elementos-chave de recuperação de serviço — tipo de agente de serviço (Humano vs. IA) e estilo de linguagem (Humorístico vs. Racional) — influenciam conjuntamente a satisfação dos passageiros e seus mecanismos neurais subjacentes após uma falha de serviço de transporte por aplicativo. O protocolo recruta estudantes universitários com experiência prévia em transporte por aplicativo. Ele emprega um paradigma experimental padrão S1-S2 e um design interno dos sujeitos 2 (Tipo de Agente: Humano vs. IA) × 2 (Estilo de Linguagem: Humorístico vs. Racional). Estímulos que compreendem cenários de falha de serviço e propostas subsequentes de recuperação são apresentados de forma padronizada usando o software E-Prime. O procedimento envolve a aquisição simultânea de dados eletroencefalográficos (EEG) de 64 canais e avaliações de satisfação comportamental.

Este estudo utiliza o protocolo para examinar respostas comportamentais e para desvendar os estágios distintos de processamento cognitivo subjacentes aos efeitos da recuperação do serviço sob uma perspectiva neurodinâmica16,17. Por exemplo, o estilo racional pode violar expectativas emocionais e, assim, provocar sinais de conflito mais fortes e mais feedback negativo durante os estágios precoce, refletido em amplitudes mais negativas de N2 eFRN 18,19,20. Além disso, agentes humanos podem receber uma avaliação motivacional mais positiva durante a fase tardia de integração devido aos seus atributos sociais, indicados por uma amplitude P300 maispositiva 21. Enquanto isso, o estilo racional da linguagem provavelmente aumenta os recursos cognitivos necessários para resolver conflitos, o que também pode se refletir em uma amplitude maiorde P300 22.

Esse protocolo oferece alta resolução temporal e boa reprodutibilidade. Sua lógica de design e detalhes metodológicos são aplicáveis não apenas ao contexto do serviço de transporte por aplicativo, mas também fornecem uma referência para campos de pesquisa mais amplos. Esses campos incluem neurociência do consumidor, interação humano-computador, gestão de serviços e estudos de comunicação. Assim, contribui para a quantificação e compreensão precisa do processamento dinâmico de informações no cérebro humano em vários contextos de interação social e tomada de decisões.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Este protocolo de pesquisa foi aprovado pelos comitês de ética locais e institucionais e está em conformidade com a versão mais recente da Declaração de Helsinque. Todos os participantes forneceram consentimento informado por escrito antes da participação e podem se retirar do estudo a qualquer momento para proteger seus direitos.

1. Estímulos experimentais

  1. Pré-seleção de cenários de falha de serviço
    1. Recrute 100 estudantes universitários com experiência prévia em transporte por aplicativo.
    2. Peça aos participantes que avaliem seu nível de insatisfação com dez cenários comuns de falha de serviço de transporte usando uma escala de Likert de 7 pontos (1 = insatisfeito de forma alguma; 7 = muito insatisfeito). Os cenários devem incluir: grosseria do motorista, pane no veículo, destino incorreto, chegada atrasada, acidentes de trânsito, má higiene no carro, desvios do motorista, ser cobrado antes do embarque, motorista não ajudar com a bagagem e temperatura desconfortável dentro do carro.
    3. Classifique os dez cenários de acordo com suas médias de insatisfação e selecione os 50% melhores dos cenários com as maiores avaliações como materiais experimentais formais.
    4. Finalize os seguintes cinco cenários de falha de serviço para uso no experimento: grosseria do motorista, quebra do veículo, destino incorreto, chegada atrasada do motorista e acidentes de trânsito.
    5. Apresente cada cenário selecionado aos participantes usando breves descrições textuais acompanhadas de um prompt "Falha no Serviço!".
      NOTA: Na implementação atual, os cenários selecionados apresentaram uma média de insatisfação de 6,6, substancialmente superior à média dos 50% piores dos cenários (média = 3,6). Essa diferença indica que os cenários selecionados efetivamente provocaram uma percepção de falha no serviço, apoiando a validade dos estímulos experimentais.
  2. Crie dois estilos de linguagem (humorístico e racional) para os Agentes (Atendimento ao Cliente Humano vs. Atendimento ao Cliente com IA) para fornecer compensação e divulgar informações por meio de texto combinado com imagens de representantes de atendimento ao cliente. Por exemplo, em um cenário em que a atitude do motorista em relação ao serviço é ruim, o estilo de linguagem bem-humorado diz: 'O motorista está de mau humor, e isso é contagiante! Lá vem um cupom em dinheiro, garantindo um sorriso da próxima vez!' O estilo da linguagem racional afirma: 'Um pedido de desculpas é expresso pela atitude insatisfatória do motorista, e um cupom em dinheiro é fornecido como compensação. O patrocínio futuro é bem-vindo.'
  3. Processe todas as imagens experimentais usando Adobe Photoshop 2022 para padronizar os materiais de estímulo, garantindo sua validade e consistência. Ajuste as dimensões da imagem uniformemente para 2560 × 1440 pixels com resolução de 72 DPI. Calibre o brilho para um valor de 85 e aumente o contraste em +20 para minimizar interferências visuais. Além disso, padronize e otimize a redação relacionada aos estímulos para garantir clareza e facilidade de entendimento, evitando quaisquer ambiguidades.
  4. Conduza um estudo piloto para coletar feedback dos participantes sobre todos os materiais de estímulo. Garanta que todos os cenários de falha de serviço efetivamente provoquem uma percepção de falha no serviço. Confirme que materiais em condição humorística são classificados significativamente mais altos em humor percebido do que aqueles em condição racional, sem apresentar diferença significativa nas avaliações de adequação e naturalidade. Além disso, verifique se a duração de 1250 ms da apresentação é suficiente para que os participantes leiam e compreendam o texto do estímulo.
  5. Iguale e balancee o comprimento do texto, medido pelo número de caracteres chineses, entre as diferentes condições de estilo do idioma. Certifique-se de que não haja diferença significativa no comprimento do texto entre as condições humorísticas e racionais. Controle para a influência confusa da complexidade do texto no tempo de leitura e na carga cognitiva.

2. Procedimento experimental

  1. Adote um design fatorial dentro dos sujeitos 2 (tipo agente: humano vs. IA) × 2 (estilo de linguagem: humorístico vs. racional).
  2. Gerar quatro versões distintas da sequência experimental. Para cada versão, combine as quatro condições experimentais (humorística humana, racional humana, humorística IA, racional IA) com os cinco cenários de falha de serviço.
  3. Programa 120 testes em E-Prime, divida-os em 2 blocos de 60 testes, insira uma tela obrigatória de descanso de 120 segundos entre os blocos e estruture cada teste da seguinte forma:
    1. Exiba o ponto de fixação no centro da tela por 500 ms.
    2. Apresente um prompt indicando a falha do serviço de ride-hailing por 1000 ms.
    3. Mostra uma tela em branco por 250 ms.
    4. Exiba informações sobre a divulgação de identidade do agente de serviço por 1000 ms.
    5. Mostra uma tela em branco por 250 ms.
    6. Forneça ao participante um script de pedido de desculpas entregue em um estilo de linguagem humorístico/racional pelo agente de serviço por 1250 ms.
    7. Mostra uma tela em branco por 250 ms.
    8. Ofereça ao participante uma compensação na forma de um cupom equivalente (um voucher de viagem igual ao custo do serviço) por 1250 ms.
    9. Mostra uma tela em branco por 250 ms.
    10. Peça ao participante que avalie sua satisfação com a solução proposta (1 = muito insatisfeito, 5 = muito satisfeito); a interface de avaliação permanecerá até que o participante faça uma seleção.

figure-protocol-1
Figura 1: Procedimento experimental. A sequência de eventos e as durações de apresentação para um único teste experimental são mostradas da esquerda para a direita da seguinte forma: um cruzamento de fixação (500 ms), um prompt de cenário de falha de serviço (1000 ms), uma tela em branco (250 ms), informações do tipo de agente de serviço (1000 ms), uma tela em branco (250 ms), estilo de linguagem (1250 ms), uma tela em branco (250 ms), uma estratégia de recuperação de serviço (informações do voucher, 1250 ms), uma tela em branco (250 ms) e, por fim, a interface de avaliação de satisfação (exibida até que o participante respondesse). Por favor, clique aqui para ver uma versão ampliada desta figura.

3. Preparação experimental e registro eletrofisiológico

  1. Preparação Experimental
    1. Recrute 20 estudantes de graduação e pós-graduação remunerados (8 mulheres) da Universidade de Engenharia de Harbin de acordo com os critérios de inclusão: destros, visão normal ou corrigida para normal, sem histórico de distúrbios psiquiátricos ou neurológicos, e sem histórico de alisamento ou tingimento de cabelo nos últimos seis meses. Os participantes tinham entre 18 e 28 anos (M=23,25, SD=±2,23). Agende sessões experimentais individuais para cada participante. Exclua participantes com artefatos de dados excessivos de análises posteriores.
    2. Após a chegada do participante ao laboratório, conduza um briefing preliminar. Apresente o equipamento principal, os materiais e o procedimento experimental completo passo a passo. Explique claramente os requisitos específicos das tarefas experimentais, a duração estimada e as precauções importantes. Garanta que o participante compreenda completamente a intensidade do experimento.
    3. Forneça um formulário de consentimento informado por escrito aos participantes antes da iniciação oficial do experimento. Exija que os participantes leiam o formulário cuidadosamente e o assinem antes do início do experimento.
    4. Instrua o participante a lavar o cabelo com um shampoo neutro em uma área designada para remover óleo do couro cabeludo, poeira e outras impurezas que possam afetar a condutividade entre os eletrodos e o couro cabeludo. Em seguida, instrua o participante a usar o secador de cabelo fornecido pelo laboratório para secar completamente o cabelo, garantindo que não restem áreas úmidas. Ajuste o secador para uma velocidade média (aproximadamente 1600 W) e um modo de temperatura constante (aproximadamente 50°C).
    5. Guie o participante até o laboratório dedicado de gravação de EEG. O laboratório é equipado profissionalmente com blindagem eletromagnética e alto isolamento acústico. Ajuste o ar-condicionado e a iluminação ambiente para garantir uma temperatura ambiente de aproximadamente 22°C e iluminação fraca. Instrua o participante a sentar-se na cadeira confortável. Certifique-se de que a distância entre os olhos do participante e o centro da tela seja de aproximadamente 1 metro.
    6. Tome alcoólicos de algodão com álcool medicinal 75% e um limpador facial não irritante. Limpe delicadamente as áreas específicas do rosto dos participantes com esses itens.
    7. Posicione a tampa do eletrodo, equipada com 64 eletrodos Ag/AgCl, no couro cabeludo do participante de acordo com o sistema internacional 10-20. Alinhe a linha média do boné com a linha nasion-inion do participante. Coloque o eletrodo CZ no vértice da cabeça. Verifique a posição da tampo: certifique-se de que os eletrodos Fp1 e Fp2 estejam localizados aproximadamente 2 cm acima do nasion, e que os eletrodos T3 e T4 estejam posicionados aproximadamente 2 cm acima do trago auricular.
    8. Preencha todos os poços de eletrodos com gel condutor. Fixe quaisquer eletrodos externos com fita médica. Coloque o eletrodo de referência na ponta do nariz. Posicione os eletrodos eletrooculogramistas verticais (VEOG) aproximadamente 1 cm acima e abaixo do soquete orbital esquerdo. Coloque os eletrodos horizontais do eletrooculograma (HEOG) aproximadamente 1 cm lateralmente ao canto externo de cada olho. Posicione os eletrodos de gravação (M1, M2) nos mastoides esquerdo e direito, respectivamente.
    9. Ajuste a tira do queixo da tampa do eletrodo para um ajuste justo, porém confortável, para evitar o deslocamento do eletrodo durante o experimento. Depois, verifique a posição final da tampa para garantir que ela não esteja torcida ou girada.
    10. Mude o software de gravação para o modo de verificação de impedância. Encha os poços de todos os eletrodos na tampa com gel condutor usando uma seringa de ponta roma. Divida suavemente o cabelo em cada local do eletrodo para garantir contato total entre o eletrodo e o couro cabeludo. Ajuste continuamente os eletrodos até que a impedância de cada canal caia abaixo e se estabilize em 10 kΩ. Verifique se os valores de impedância estão exibidos dentro da faixa aceitável (normalmente indicada por uma cor azul ou escura no monitor de impedância).
    11. Informe os participantes que o experimento será realizado em um ambiente fechado e silencioso. Instrua-os a manter um estado relaxado, manter uma postura estável ao sentar, evitar movimentos excessivos do corpo e manter o foco durante todo o experimento.
    12. Apresente os estímulos usando um monitor LCD de 22 polegadas. Ajuste a taxa de atualização da tela para 60 Hz.
  2. Procedimento de Operação do Software E-Prime
    1. Abra o e-Studio e carregue o projeto. Insira a chave de hardware do E-Prime em uma porta USB do computador. Clique duas vezes no ícone do E-Studio na área de trabalho para iniciar o software. Clique em Arquivo -> Abrir na barra de menu e selecione o arquivo do projeto para este experimento.
    2. Insira as Informações do Participante. Na interface de inicialização do E-Run, insira corretamente o número do Sujeito (por exemplo, 001), número da sessão e outras informações necessárias.
    3. Execute a sessão de prática. Clique em Ferramentas -> E-Run, depois selecione Executar na janela pop-up. O programa primeiro exibirá as instruções da tarefa. Garanta que o participante possa reiterar claramente o procedimento experimental e o método correto de resposta. Em seguida, realize os 10 testes práticos. A estrutura desses ensaios é idêntica à do experimento principal. Após a sessão de prática, pergunte ao participante se ele conseguiu ler e compreender efetivamente as informações apresentadas nos estímulos.
    4. Inicie o experimento principal. Após a conclusão dos testes práticos, dirija-se à tela de instruções. Confirme a prontidão do participante e então instrua-o a pressionar a barra de espaço para iniciar o experimento principal. Garantir que o experimento principal compreenda 120 ensaios divididos em 2 blocos, com 60 ensaios alocados a cada bloco. Insira um período obrigatório de descanso de 2 minutos entre os dois blocos.
    5. Monitore a sessão e os dados salvos. Monitore o progresso da sessão a partir de uma sala adjacente por meio de uma tela de monitor. Após a conclusão de todo o experimento, certifique-se de que o E-Prime salve automaticamente o arquivo de dados.
  3. Debriefing e Remuneração
    1. Salve os dados do EEG e remova a tampa do eletrodo dos participantes. Instrua os participantes a limpar o gel condutor residual do cabelo e da pele. Certifique-se de que não reste resíduo de gel no cabelo ou na pele. Confirme que os participantes não sentem desconforto após o processo de limpeza.
    2. Concluir o experimento e pagar aos participantes uma remuneração de 30 RMB (aproximadamente 4,50 USD).
  4. Procedimento de Pré-processamento de Dados
    1. Inspecionar os dados. Inspecione visualmente os dados do EEG. Exclua épocas que contenham desvio significativo da linha de base ou artefatos de ruído severo de análises posteriores.
    2. Artefatos oculares corretos. Defina o canal vertical do eletrooculograma (VEOG) como referência para artefatos oculares. Aplique o algoritmo de redução de artefatos oculares no software Scan para corrigir artefatos de piscar e movimento ocular.
    3. Época dos dados. Segmente os dados contínuos do EEG em épocas com tempo fixo ao início do estímulo, usando os marcadores de evento inseridos pelo programa E-Prime. Defina a janela de tempo da época de -200 ms (pré-estímulo) até +800 ms (pós-estímulo).
    4. Realize a correção de base. Defina o intervalo pré-estímulo de 200 ms como a linha base. Subtraia sua amplitude média dos dados pós-estímulo usando o algoritmo de correção de linha de base no software Scan.
    5. Rejeite artefatos. Rejeitar épocas em que a amplitude do sinal excede ±100 μV dentro da janela de análise para eliminar contaminação por atividade muscular e outros artefatos de alta amplitude.
    6. Reconsulte os dados. Calcule o sinal médio dos eletrodos nos mastoides esquerdo e direito. Reconsulte todos os canais offline para essa média mastoide calculada.
    7. Média dentro dos sujeitos. Para cada participante, faça a média de todas as épocas livres de artefatos pertencentes à mesma condição de estímulo para obter formas de onda de ERPs estáveis e específicas para cada indivíduo.
    8. Aplique um filtro. Filtre as formas de onda médias dos ERPs usando um filtro passa-baixa de 30 Hz (redução de 24 dB/oitava).
    9. Crie médias grandiosas. Combine as médias individuais de cada condição entre todos os participantes para criar as médias grandes ERPs e obter as formas de onda em nível de grupo para cada condição experimental.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Como mostrado na Figura 2a, 2 (agente de serviço: humano vs. IA) ×2 (estilo de linguagem: humorístico vs. racional) medidas repetidas de ANOVA nas classificações de satisfação revelaram um efeito principal significativo do agente de serviço. Comparações par a par mostraram que a satisfação com o agente humano (3,005) foi maior do que com o agente de IA (2,750). Um efeito principal significativo do estilo linguístico também foi encontrado. Comparações par a p...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Este estudo integra medidas comportamentais com técnicas ERPs de alta resolução temporal para revelar sistematicamente os mecanismos cognitivos e neurais em múltiplos estágios pelos quais o tipo de agente de serviço (Humano vs. IA) e o estilo de linguagem (Humorístico vs. Racional) influenciam a satisfação dos passageiros com a recuperação do serviço. Resultados comportamentais mostram que o agente humano e o estilo de linguagem humorístico levam individualmente a maiores índices de sati...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores não têm nada a revelar.

Agradecimentos

Esse trabalho foi apoiado pela Fundação Nacional de Ciências Naturais da China (nº 72001055). Agradecemos a todos os colegas do Laboratório 412 pela ajuda no experimento. ST, XY e JY conceberam e projetaram o estudo. XY e XZ conduziram os experimentos. XY analisou os dados e escreveu o manuscrito. ST revisou o manuscrito. Todos os autores contribuíram para o artigo e aprovaram a versão submetida.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
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-64Instalação de acordo com o padrão internacional do sistema 10-20.Use a ponta do nariz como referência online. Todos os canais foram re-referênciados offline para a média das referências mastóideas esquerda e direita. O eletrodo entre FPz e Fz foi aplicado como terra. O EOG vertical e o EOG horizontal foram registrados por dois eletrodos localizados acima e abaixo do olho esquerdo, 10 mm e eletrodos laterais nos cantos externos de ambos os olhos. Todas as impedâncias dos eletrodos foram mantidas abaixo de 10 KΩ.
E-prime softwarePsychology Software ToolsUsado para projetar experimentos, iniciar experimentos, apresentar estímulos, controlar o processo experimental e coletar dados comportamentais.
Quik-Gel Conductive GelCompumedics Limited AustraliaRP0002831Gel condutivo médico. Sua função principal é ser aplicado entre os eletrodos e o couro cabeludo ou a pele durante exames neurofisiológicos de eletroencefalograma (EEG) para reduzir a resistência, garantindo uma condução suave dos sinais elétricos, obtendo assim resultados de teste claros e precisos.
NuprepWeaver and company10-30Gel de preparação da pele (abrasivo). Antes dos exames eletrofisiológicos de eletroencefalograma (EEG), é usado para esfoliar e limpar a pele, removendo efetivamente óleos e pele morta para reduzir a impedância da pele, garantindo assim uma condução de sinal do eletrodo mais clara e precisa.
BD 10ml SyringeBecton, Dickinson and CompanyREF309604Seringa de capacidade padrão de 10ml. Usada para preencher as cavidades cilíndricas de todos os eletrodos na capa de eletrodos com pasta condutora, garantindo contato suficiente entre o couro cabeludo e os eletrodos.
SalonShine Care ION+DryerPHILIPSHP8206Seca rapidamente o cabelo e utiliza tecnologia de íons negativos para reduzir a estática e o frizz.
Bee & Flower ShampooShanghai Bee & Flower Daily Necessities Co., Ltd.GB/T 29679Shampoo suave. Remove efetivamente o excesso de óleo e sujeira do couro cabeludo, reduzindo a interferência no experimento.
75% Alcohol Dezhou Chuangyi Medical Technology Co., Ltd.1378Reduz a impedância da pele.
3M Transpore Surgical TapeMinnesota Mining and Manufacturing Medical Devices (Shanghai) Co., Ltd.1527C-1Usado para fixar eletrodos externos.
LCD MonitorDellE2219HNUsado para exibir o procedimento experimental e os estímulos, servindo como uma interface importante para interação homem-computador.

Referências

  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Recupera o de Servi oPotenciais Relacionados a EventosRegistro de EEGSatisfa o do PassageiroIntera o Humano ComputadorAvalia es Comportamentais

Artigos relacionados