Summary
Hier präsentieren wir Ihnen Computer-basierte, Multi-Agenten-Spiel Waben, die experimentelle Untersuchungen der kollektiven menschlichen Bewegung Verhalten über Black-Dot-Avatare auf eine virtuelle 2D sechseckigen Spielfeld ermöglicht. Verschiedene experimentelle Bedingungen, wie Variable Anreize auf Ziel-Felder "oder" Vision Radius eingestellt werden, und deren Auswirkungen auf die menschliche Bewegungsverhalten untersucht werden können.
Abstract
Kollektiven menschlichen Verhaltens wie Gruppenbewegung zeigt häufig überraschende Muster und Regelmäßigkeiten, wie die Entstehung der Führung. Neuere Literatur hat ergeben, dass diese Muster, häufig sichtbar auf globaler Ebene der Gruppe, selbst organisierten, individuellen Verhaltensweisen zugrunde liegen, die mehrere einfache lokale Parameter folgen. Verständnis der Dynamik des menschlichen kollektiven Verhaltens kann helfen, die um Koordination und Führung in Gruppe und Menge Szenarien, z. B. Ermittlung der ideale Platzierung und Anzahl der Notausgänge in Gebäuden zu verbessern.
In diesem Artikel präsentieren wir die experimentellen Paradigma Waben, die verwendet werden, um Bedingungen und Auswirkungen des menschlichen kollektiven Verhaltens systematisch zu erforschen. Dieses Paradigma nutzt eine computerbasierte Multi-User-Plattform bietet eine Einstellung, die geformt und auf verschiedene Arten von Fragestellungen angepasst werden kann. Situative Bedingungen (z. B. Kosten-Nutzen-Verhältnisses für bestimmte Verhaltensweise, monetäre Anreize und Ressourcen, verschiedene Grade der Unsicherheit) einstellbar von Experimentatoren, je nach Fragestellung. Jeder Teilnehmer Bewegungen werden vom Server als sechseckige Koordinaten mit Zeitstempel mit einer Genauigkeit von 50 ms und mit individuellen IDs erfasst. So kann eine Metrik definiert werden, auf dem Spielfeld und Bewegungsparameter (z. B. Entfernung, Geschwindigkeit, clustering, etc.) der Teilnehmer können im Laufe der Zeit gemessen werden. Bewegungsdaten sind wiederum mit nicht-EDV Daten aus Fragebögen, die innerhalb der gleichen Testeinrichtung sammelte kombinierbar.
Das HoneyComb-Paradigma ebnet den Weg für neue Arten der menschlichen Bewegung Experimente. Wir zeigen hier, dass diese Experimente Ergebnisse mit ausreichend interne Validität sinnvoll vertiefen unser Verständnis des menschlichen kollektiven Verhaltens machen können.
Introduction
Das Computer-basierte Multi-Agent Spiel HoneyComb1 bietet eine methodische Paradigma um experimentell untersuchen, wie kollektiven menschlichen Bewegung Muster und Strukturen ergeben sich aus individuellen Verhalten. Menschliche Teilnehmern werden optisch als Avatare (schwarze Punkte) auf einem sechseckigen virtuellen Spielfeld ähnlich einer Honigwabe angeordnet (Abbildung 1) dargestellt. Die Teilnehmer bewegen ihre Avatare per Mausklick zu erreichen Ziel Sechsecke, Verschieben von Ressourcen (Video 1) zu verbringen, und maximieren Sie ihre monetäre Belohnung durch den Bau zusammenhängende Gruppen (Video 2). Räumlichen Gegebenheiten (z. B. Vision Radius), Belohnung Strukturen (z. B. monetäre Ziel Felder) und Kommunikationskanäle manipuliert werden, um die zu entdecken und darüber, inwieweit diese Bedingungsregeln beeinflussen Koordinierung und Führung kollektive Bewegung.
Verfahrens-/Bedingungsregeln, Ziele und Belohnung Motivatoren des Spiels wurden von Sozialpsychologen gestaltet, menschlichen kollektiven Bewegung zu untersuchen. In tierischen Schwärme sowie Menschenmassen kann man beobachten, emergent Phänomene (z.B. globale Muster) transpirierenden vom individuellen Verhalten, das örtlichen Regeln folgt. Schulen der Fische und Vögel scheinen beispielsweise als kohärente Einheiten in Richtung einer räumlichen Ziel2,3,4, trotz großen Gruppengrößen bewegen, die ihre Fähigkeit zur globalen oder interindividuelle Kommunikation reduzieren. Empirische Forschung5,6,7, behavioral modeling,8,9,10und Computer-Simulationen11,12, 13 haben gezeigt, dass in verschiedenen Arten, darunter Menschen14,15,16, komplexe Muster auf Gruppenebene ohne interne oder externe Supervision entstehen. Lokalen individuelle Bewegung und oft genügen einfache Regeln auf mikroskopischer Ebene geordnete Bewegung auf der makroskopischen Ebene zu erzeugen. Solche Experimente dazu beitragen, zunehmende Beweise2,6 , dass nicht nur große Schwärme, aber auch kleine Gruppen (Gruppen von Menschen sowie andere Tiergruppen) Interaktion auf lokaler Ebene Regeln1koordiniert werden.
Unser neue Ansatz mit Computer-basierte Multi-User-Avatar Spiele zeigt ein Hauptvorteil bei der Suche nach dynamischen menschlichen kollektive Phänomene. Mit HoneyComb Avatar Plattform1,17,18,19, räumlich-zeitliche Daten der einzelnen Bewegungsverhalten (Bewegung von tatsächlichen Personen geregelt) können vollständig gesammelt werden vom Server, und die Entwicklung von Verhaltensmustern und kollektiven Strukturen kann mit einer Genauigkeit von 50 ms (Tabelle 1) analysiert werden. Als visuelle und auditive sensorische Kommunikation kann, durch die Forderung eingeschränkt werden können Teilnehmer verwenden Sie Ohrstöpsel und umschließt ihren Arbeitsstationen mit Trennwänden, schwärmen und andere Masse Verhalten Bedingungen experimentell angenähert werden. In mehreren Experimenten1,17,18,19manipulieren wir Vision Radius (global vs. lokale, Abbildung 2), monetäre Anreize (Abbildung 3a, b ), Untergruppen (Abbildung 4) und die Kopräsenz von anderen Spielern (Abbildung 5) um die Auswirkungen dieser Variablen auf die Entstehung von kollektiver Verhaltensmuster wie menschliche Beflockung Verhalten17, Führung zu testen 1und Wettbewerb18. Um die Daten zu sammeln, eine Einrichtung von zehn bis zwölf Notebooks und einem Server verwendet wurde (Abbildung 6).
Die selbstorganisierte Koordination der Einzelaktivitäten im Gruppe-Lebewesen hat viel wissenschaftliche Aufmerksamkeit, besonders in den letzten zehn Jahren angezogen. Prüfungen sind breit gefächert, von einfache Strecke Bildung und Pfad Auswahl bei Ameisen, die komplexe Entstehung der Wirbelstrukturen in Fischschwärmen und sogar die Trennung von bidirektionalen fließt der Fußgänger2.
Mit unserem HoneyComb-Paradigma tragen wir einen methodischen Ansatz, um die Auswirkungen der unterschiedlichen situativen Optionen/Einschränkungen, diverse Verhaltensregeln und individuellen Merkmalen auf mikroskopischer Ebene auf die Entstehung von empirisch zu untersuchen makroskopischen Verhaltens Strukturen beim Menschen. Ein wichtiger Vorteil ist, dass das Paradigma streng kontrollierbare experimentelle Einstellungen definiert von Experimentatoren bietet, die es ermöglicht, Manipulation der Ergebnisse von einem einzigen Experiment messen oder vergleichen mehrere Experimente. Das virtuelle Spielfeld kann so konfiguriert werden, entsprechend den Anforderungen des Studiendesigns und sensorischen Kommunikationskanäle zwischen den Teilnehmern können ausgeschlossen oder reduziert entsprechend die Testparameter. Darüber hinaus können Umwelt Affordances (z.B. Wettbewerb, nicht-kompetitiver Konsens und Rettung Einstellungen) geformt werden. So, unsere Plattform erzwingt interne Validität (z.B. passend zum Studiendesign so nah wie möglich an die Forschungsfragen) bietet die Möglichkeit, für die spezifische Fragestellung relevanten Variablen manipulieren/Kontrolle mit Menschen regiert Bewegungsdaten, menschlichen Bewegung zu untersuchen. Feldexperimente Rendern Vorteile in Bezug auf externe Validität (Generalizability) Ergebnisse15,20,21 in die reale Welt, weil sie Auswirkungen von unbekannten unkontrollierbare/unterdrückende soziale nicht entgegenstehen Hinweise sowie und Para-nonverbale Verhalten im Menschen1.
Der Computer-basierten Multi-Agent Spiel HoneyComb hat gedient, zu untersuchen, die Entstehung von Koordination und Führung Muster der menschlichen Spieler ihre Avatare auf dem virtuellen Spielfeld bewegen. Teilnehmer erhielten nur lokale Informationen über monetäre Anreize erhältlich auf Ziel Sechsecke, inklusive den Anreiz für den Gruppenzusammenhalt basierend auf die Vermehrung der monetäre Belohnung durch die Anzahl der Mitspieler, die auch am Ende auf das gleiche Ziel Sechseck. In unserer ersten Reihe von Studien wir nur die Testeinrichtung für zwei einfache Parameter von Schwärmen Verhalten (Ausrichtung und Zusammenhalt) und gegenseitige Informationstransfer auf "lesen/senden" nur Bewegung Verhalten der anderen Teilnehmer reduziert. Wir variiert dann Visierlänge der anderen Teilnehmer Bewegungsverhalten entweder globalen oder lokalen Blick auf dem virtuellen Spielfeld, die besteht aus 97 kleineren Sechsecke und begrenzt die entbehrlichen Bewegung Ressourcen (mögliche Züge) der Spieler.
Die Form und die Elemente der virtuellen Plattform und der Versuchsleiter definiert Parameter der Spiele in der Lage, auf dieser Plattform gespielt werden können entsprechend der spezifischen Forschungsfragen entworfen werden. Je nach Untersuchungsziel kann die Größe des Spielfeldes geändert werden; die Farben, Formen und Bedeutungen der Avatare können angepasst werden; Ressourcen können implementiert werden; und die Belohnung Struktur und den Inhalt variiert werden. Informationen, Unsicherheit und widersprüchlichen Präferenzen können mehr oder weniger auch implementierten22sein. Unterschiedlichen globalen Playeransicht Informations- und Kontrollinstrumente sind ebenfalls möglich. Daher können über experimentelle Anweisungen, die Umwelt Affordances des Experiments veränderten (z. B. ein Konsens vs. Flucht Szenario) sein. Im nächsten Abschnitt klären wir, wie diese Variablen angewendet werden können, indem Sie beschreiben eine echte Studie, die einige dieser Parameter verwendet, um spezifische Studienfragen zu beantworten.
Protocol
Datenerhebung und Datenanalyse in diesem Projekt wurden von der Ethikkommission des Georg-Elias-Müller Institut für Psychologie der Universität Göttingen (Vorschlag 039/2012) genehmigt.
1. Versuchsaufbau
- Wählen Sie einen Speicherort, der von einem stark frequentierten Bereich ist, wie in einem Computer Lab oder andere Bereich mit einzelnen Arbeitsstationen angegeben, die als ein LAN (Local Area Network) konfiguriert werden kann.
- Vereinbaren Sie für 10 bis 12 Notebooks des gleichen Typs für das Experiment sowie einem Computer verwendet werden, funktionieren wie der Server (Abbildung 6). Die Server-Programm als auch die Client-Programme benötigen eine JAVA-Laufzeitumgebung, die auf alle gemeinsamen Betriebssysteme verfügbar ist (ein Raspberry Pi als Client kann genügen).
- Gerätekonfiguration
- Ordnen Sie Notizbücher auf einzelnen Arbeitsplatz Tische mit Stühle wie in Abbildung 7dargestellt.
- Schließen Sie Notebooks an die Server-Computer über Ethernet-Kabel und einen Netzwerk-Switch an ein lokales Netzwerk erstellen.
- Installieren Sie die Trennwände zwischen den einzelnen Arbeitsstationen, visuelle sensorischen Kommunikation (Augenkontakt, Gesten, Mimik, etc.) zwischen den benachbarten Teilnehmern zu verhindern.
- Erwerben Sie Ohrstöpsel (für den einmaligen Gebrauch), um an alle Teilnehmer, akustische Kommunikation zwischen den Teilnehmern zu verhindern verteilt werden.
(2) Teilnehmer Rekrutierung
- Wählen Sie einen Einstellung Speicherort wo gibt es eine große Menge von Menschen, wie die Eingangshalle ein Auditorium.
- Adresse potenziellen Rekruten mit dem standardisierten Text, der erklärt, die Zweck und allgemeines Experiment, Experiment Dauer, maximale Zahlung berechnet je nach Leistung und Voraussetzung für die Teilnahme an einem Multiplayer-Spiel auf im Besitz der Institution Notebooks.
- Sicherstellen Sie, dass die Teilnehmer die englische und deutsche Anleitung und Fragebögen, die im Zusammenhang mit den Experimenten verstehen können.
- Wenn das experimentelle Design die Verwendung von Farben beinhaltet, sicherzustellen Sie, dass Teilnehmer Farbenblindheit, das zu verhindern sind, können die verwendeten Farben zu unterscheiden.
- Rekrutieren Sie bisherigen Teilnehmer nicht, wie Teilnehmer naiv, das Experiment sein sollte.
- Führen Sie bereit Rekruten zu einem Wartebereich, Weg von den recruiting-Bereich. Bitten sie Abschluss der Gruppe Rekrutierung erwarten, ohne miteinander zu reden. Erklären Sie, dass diese Einschränkung, Integrität der Versuchsergebnisse zusammenhängt.
- Nach 10 bis 12 Teilnehmer rekrutiert haben, führen sie in der Pre-arranged Computerraum oder bestimmten Bereich wo das Experiment stattfinden wird.
- Bevor die Teilnehmer in die Partition-eingehüllte Workstations ihre Plätze einnehmen, haben Sie die Teilnehmer eine Benennung Einverständniserklärung unterschreiben.
- Verteilen Sie die Ohrstöpsel hygienisch, einmalige Nutzung für alle Teilnehmer. Informieren Sie, dass audiovisueller Kommunikation mit anderen Teilnehmern verboten ist. Daher ist die Verwendung der Ohrstöpsel und Partition-eingehüllte Workstations obligatorisch.
- Haben Sie die Teilnehmer ihre Plätze in der Partition-eingehüllte Arbeitsstationen einzunehmen.
3. Versuchsdurchführung
Hinweis: In diesem experimentellen Verfahren, das Spiel von Boos Et Al. verwendet 1 bezeichnet man als Anwendungsbeispiel.
- Vorbereitungsphase
- Das Programm selbst wird als eine Zip-Datei HC.zip enthält (1) die Runnables HC.jar, (2) drei Dateien für die Konfiguration, hc_server.config, hc_panel.config, und hc_client.config und (3) zwei Unterordner namens Intro und Rawdata formatiert.
- Erstellen eines freigegebenen Ordners auf dem Servercomputer und die HC.zip in diesen Ordner entpacken.
- Auf jedem Clientcomputer montieren und auf diesen freigegebenen Ordner zugreifen und öffnen Sie ein Terminal (Linux, Mac OS X: Spotlight | Suche | terminal) oder eine Eingabeaufforderung (Windows: Suche "Cmd"), beziehungsweise. Verwenden Sie den Befehl "Dir" oder "ls", so dass die entpackten Dateien auf jedem Terminal angezeigt werden.
- Führen Sie den Befehl "Java-Version" auf jedem Terminal um sicherzustellen, dass eine Java-Runtime-Umgebung zur Verfügung steht. Wenn dies nicht der Fall ist, installieren Sie Java, bevor Sie fortfahren.
- Blick in den drei Dateien zu konfigurieren.
- Hc_server.configure konfigurieren (1) Anzahl von Spielern, 2) Mindestzahlen und maximale Anzahl der Spielzüge, die jeder Spieler zu machen, (3) Werte der sogenannten Nuggets und (4) Wahrnehmung Radius Zustand (lokal oder global) zu bearbeiten.
Hinweis: Die beiden Wahrnehmung Bedingungen sind die globale Bedingung (Spieler kann Positionen von Avataren aller Teilnehmer sehen) und lokalen Zustand (Spieler sehen nur die Avatare direkt neben ihren Avatar; siehe Abbildung 3) - Bearbeiten Sie hc_client.configure um die Clients den Server IP sagen.
- Passen Sie in hc_panel.config die Größe der Sechsecke entsprechend der Bildschirmauflösung.
- Hc_server.configure konfigurieren (1) Anzahl von Spielern, 2) Mindestzahlen und maximale Anzahl der Spielzüge, die jeder Spieler zu machen, (3) Werte der sogenannten Nuggets und (4) Wahrnehmung Radius Zustand (lokal oder global) zu bearbeiten.
- Starten Sie zunächst das Serverprogramm HC_Gui.jar (Abb. 8) mit dem Befehl "Java-jar HC_Gui.jar". Starten Sie die Client-Programmen auf jeder Arbeitsstation mit dem Befehl "Java-jar HC_ClientAppl.jar".
Hinweis: Der Klienten Bildschirmen sollte die Meldung angezeigt, "Bitte warten. Der Computer ist mit dem Server verbinden." Auf dem Server GUI wird eine Linie angezeigt, die IP-Adresse der einzelnen Clients angezeigt. Wenn alle Clients verbunden sind, das Server-Programm zeigt die Meldung, "alle Clients verbunden sind. "Ready to start?"
Hinweis: Der Experimentator kann die Sitzung bis zu diesem Zeitpunkt vorzubereiten. - Wenn alle Teilnehmer ihre Plätze eingenommen haben, geben Sie die letzten Anweisungen, bevor sie die Ohrstöpsel einfügen.
- Klicken Sie auf "OK", um die Sitzung zu starten. Hereon, das Experiment nur den Anweisungen auf dem Bildschirm für Teilnehmer sichtbar gesteuert. Anweisungen für ein einzelnes Experiment erfordern mehrere Bildschirmseiten und Lesung wird ermöglicht durch die Teilnehmer paging hin und her wie nötig.
Hinweis: Jeder Teilnehmer gibt, indem Sie auf eine bestimmte Taste auf dem Bildschirm, dass er/Sie die Anleitung gelesen hat. Das Experiment kann nicht beginnen, bis alle Teilnehmer fertig die Anweisungen zu lesen sind.
- Testphase
- Beobachten Sie, ob die Teilnehmer Maus-ihre Avatar Dot (doppelt so groß wie die sichtbaren Avatar Punkte der anderen Teilnehmer) auf dem HoneyComb virtuelle 97-Hexagon Spielfeld Steuern (siehe Abbildung 1).
- Haben Sie die Teilnehmer die Testphase in der Mitte des Feldes, dann Umzug auf dem HoneyComb virtuellen Spielfeld entsprechend den zuvor bereitgestellten Anweisungen auf dem Bildschirm zu starten.
- Alle Anweisungen, wie man das Spiel spielen werden als bearbeitbare html-Dateien in den Programmordner des Spiels HoneyComb platziert. Siehe Unterordner Intro/de und Intro/de für Deutsch und Englisch Anweisungen jeweils.
- Müssen Sie die Spieler mit der linken Maustaste in das benachbarte kleine Sechseck ihrer Wahl zu ihrem Avatar Punkt bewegen. Nur benachbarte Felder wählbar für die initiale und anschließende bewegt.
Hinweis: Nach jedem Zug erscheint eine kleine Rute für 4000 ms für jeden Teilnehmer, die die letzte Richtung, aus der er/sie gefeiert.
- Kann jeder Teilnehmer nur einmal teilnehmen, um mögliche Verzerrungen zu vermeiden.
Hinweis: Das hier beschriebene Spiel erfordert ca. 5-10 min, einschließlich das Lesen der Anleitung. Insgesamt 400 Teilnehmer in 40 zehn-Mann-Gruppen von Boos Et Al. getestet wurden 1. - Das Experiment mit den gleichen Teilnehmern nicht neu, wenn es eine technische Panne oder Ausfall ein Teilnehmers.
4. Post-Test-Phase
- Sobald das Spiel beendet ist, haben Sie die Teilnehmer füllen Fragebögen demografische Daten, Big Five Persönlichkeitsfaktoren, empfundene Maß an Stress oder Ruhe und Zufriedenheit (zahlbar bei Abschluss des Experiments) zu zahlen. Diese Fragebögen können als Stand-alone-html-Dateien angeboten werden.
- Während Teilnehmer Fragebögen ausfüllen, bereiten Sie anonyme Umschläge mit der entsprechenden Menge an Geld verdient in die Waben Spiel gerade abgeschlossen. Das Spiel HoneyComb berechneten Beträge an jeden Spieler werden auf dem Bildschirm des Servers festgelegt.
- Verteilen Sie die verdienten Zahlungen an die Teilnehmer, wie sie aus dem Testgebiet.
- Schließen Sie das Serverprogramm, dann schließen Sie die Client-Programme zu, sobald das Server-Programm schließen beendet hat.
- Übertragen Sie die Daten in Form von 2 Text-Dateien gekennzeichnet durch Tag und Zeitstempel des Versuchs, einen USB-Stick.
Representative Results
Ein erstes Experiment mit der Wabe Paradigma gezeigt, dass Menschen grundlegende Beflockung Verhalten, z. B. sucht die Nähe des anderen, ohne aufwies belohnt17. Anschließend wir die Frage behandelt wie einzelne Menschen das gleiche physische Ziel/auch von Boos Et Al. untersuchten erreichen verhaltensrelevanten koordiniert werden können 1, konzentriert sich nicht nur auf unspezifische Beflockung Verhalten, sondern auch Koordination und Führung Gruppenverhalten. Mit den beschriebenen Experiment definierten Parametern, Ziel Sechseck Standorte wurden definiert und eine monetäre Belohnung-Option wurde verwendet, um gemeinsame Ziele basierend auf gemeinsamen Anreize sowie Motivation in Richtung Gruppenzusammenhalt zu untersuchen. Motivation, Gruppenzusammenhalt zu erreichen wurde verbessert, indem Sie eine zusätzliche Belohnung basierend auf wie viele andere Teilnehmer landeten in dem gleichen Ziel Sechseck festlegen. In jedem der 40 zehn-Mann-Gruppen entstanden zwei Untergruppen (eine Minderheit, bestehend aus zwei zufällig ausgewählte Personen und eine Mehrheitsgruppe, bestehend aus den verbleibenden acht) geben die folgenden Ebenen der Information. Die Mitglieder der beiden Minderheit informierten sich über den Standort von einer zwei-Euro-Preis Sechseck und fünf ein-Euro-Preis Sechsecke (Abbildung 9, links). Die acht Mitglieder des Arbeitskreises Mehrheit wurden nicht über die 2-Euro-Preis Sechseck informiert und stattdessen zeigten die Standorte der sechs gleichermaßen belohnt ein-Euro-Ziel Sechsecke (Abbildung 9, rechts). Keiner der Teilnehmer wurde gesagt, dass es verschiedene Untergruppen.
Wir haben unsere Studienfragen nach lusiger Et Al.entwickelt " s23 Computer-Simulationsmodell. Weil die einzige Information, die unter den Spielern ausgetauscht wurden ihre Fähigkeiten auf die Bewegung der anderen Spieler wahrnehmen, wir wollten sehen, (i) ob diese Informationen ausreichend für die informiert/höher belohnt Minderheit, die Bewegungen zu koordinieren die uninformierte/untere belohnt Mehrheitsgruppe, und wenn ja, (Ii) wie der doppelten Preis Ziel informierte Minderheit würde/könnte die uninformierte Mehrheit zu ihren zwei-Euro-Ziel Sechseck. Wie bereits erwähnt, wir beschränkt diese Studiendesigns zu zwei grundlegenden Parameter des schwärmen Verhalten, 1) Ausrichtung (Mitglieder der Gruppe hin zu einem Ziel Sechseck) und (2) Zusammenhalt (Gruppenmitglieder tendenziell in Richtung als Gruppe verschieben). Für den Parameter Ausrichtung richten wir die sechs Ziel Sechsecke, die einen monetären Profit gewährt. Für den Zusammenhalt-Parameter (z.B. Entscheidungen zu bewegen, die aufeinander abgestimmt wurden bewegt sich mit anderen Teilnehmern), wir erhalten Teilnehmer eine Belohnung, bezogen auf die Menge der Avatare am Ende, die in der gleichen Sechseck als ihre eigenen waren.
Die wabenförmigen Spielfeld enthält 97 Sechsecke. Alle Teilnehmer Avatare begann das Spiel gemeinsam in der Wabe mittleren Sechseck. Jeder Spieler erhielt eine maximale 15 Umzug-Zählung. Alle beschränkten sich zu bewegen, ihren Avatar (per Mausklick) nur über einen der sechs Seiten des Sechsecks um eines benachbarten Sechseck. Das Spiel endete, als jeder Avatar war auf eine Auszahlung oder wenn jeder Spieler komplett verwendet hatte ihre 15 Umzug-Graf.
Ein zusätzliche Experiment Faktor wurde implementiert, um eine dritte Studie-Frage zu beantworten: (Iii) ob Wahrnehmung Radius (global vs. lokale Bedingung) von den anderen Teilnehmern Bewegungskoordination auswirkt. Die Wahrnehmung der Hälfte der 40 zehn-Mann-Gruppen beschränkte sich nach dem Zufallsprinzip, was bedeutete, dass zwanzig Gruppen (lokale Bedingung) die Bewegung nur die Avatare direkt neben ihren Avatar wahrnehmen konnte. Die restlichen zwanzig 10-Personen-Gruppen (globale Bedingung) konnten alle Teilnehmer Avatar Standorte und Bewegungen wahrnehmen.
Antwort Frage (Ii) [führte Bewegung Merkmale der Minderheiten zu mehr Erfolg (erfolgreich erreichen ein Ziel-Feld als Gruppe und daher größere monetäre Belohnung)], wir definiert und analysiert verschiedene Bewegung Verhaltensweisen einschließlich first-Mover, gemeinsame Wege/Bewegungsrichtungen der zwei Minderheit Teilnehmer, Bahnlängen, durchschnittliche Zeit zwischen den Moves, Initial-Zugfolge zwischen Teilnehmern, Big Five Persönlichkeitsmerkmale (Extraversion, Offenheit usw.)und EDV-Kenntnisse. Das statistische Verfahren, ein Finite-Mischung-Modell mit zwei Binome und detaillierte Ergebnisse sind veröffentlicht in Boos Et al. 1.
Unsere Studie zeigte, dass in einer Gruppe von Menschen zugewiesenen Avatare in einer 2D Wabe spielen Feld (bewegende gemäß den oben beschriebenen Parameter), 20 % von ihnen (die 2-Personen-Minderheit) basiert ausschließlich auf ihre Bewegungen konnte erfolgreich führen die anderen 80 %, auch wenn ihre Wahrnehmung beschränkt sich auf nur benachbarte Avatare auf dem Spielfeld war. Hier brachte erfolgreicher Führung dieser Minderheit 2-Personen-Gruppe-Teilnehmer, die ihre Teilnehmer machte ähnliche Ansätze und, dass diese Minderheit 2-Personen-Teilnehmer zunächst wurden zu einem ersten Schritt1 (Video 2). Detaillierte Parameter dieser Gruppe Bewegung Verhalten finden Sie in Tabelle 2. Eine eingehende Analyse des Konzerns Dispersion im Laufe der Zeit ist in Abbildung 10zur Verfügung gestellt. Wir fanden auch überraschend, dass Persönlichkeit Variablen weder Computerkenntnisse unter den Teilnehmern dieser Minderheit in deren Erfolg eine entscheidende Rolle gespielt.
Abbildung 1: Spielfeld von Computer-basierten Multi-Agenten-Spiel HoneyComb. Visuelle Darstellung von menschlichen Spielern als Avatare (schwarze Punkte) auf einem virtuellen Spielfeld Sechseck. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 2: lokale vs. globale Perspektiven. Teilnehmer mit lokalen Perspektiven sehen nur andere Spieler-Avatare in ihrer Sichtweite. In diesem Fall kann der markierte Spieler (rot) nur 4 von 9 Mitspieler zu sehen. Eine globale Perspektive böte wenn konfiguriert, Sichtbarkeit von allen Mitspielern. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 3: monetäre Anreize. Die folgende Abbildung zeigt wie monetäre Anreize im Spiel HoneyComb umgesetzt werden können. Avatare als grau befinden sich außerhalb der lokalen Wahrnehmung Radius und sind somit für den jeweiligen Spieler unsichtbar markiert. Zwei unterschiedliche Standpunkte werden angezeigt. (a) informierte Spieler: dieser Spieler ist ausgestattet mit einem höheren belohnt Ziel-Feld, die gekennzeichnet ist als "€", (b) uninformierten Spieler: dieser Player ist ebenfalls vorhanden, sechs gleich niedriger belohnt Ziel Felder, die als "€" gekennzeichnet sind. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 4: Untergruppe Avatar Experiment. In diesem Szenario werden zwei Untergruppen erstellt, durch die Teilnehmer Avatare als blaue und gelbe Färbung. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 5: einzelne vs. gemeinsame Spiel. Die folgende Abbildung zeigt zwei verschiedene Einstellungen Gesichtspunkt eines Spielers, vergleichbar mit Belz Et al. 17 (1a/b) Einzelspiel: Mitspielern sind unsichtbar und kann nicht gefunden werden, auf dem virtuellen Spielfeld Sechseck, gemeinsamen Spiel (2a/b): Mitspieler sichtbar sind, solange sie die lokale Wahrnehmung im Umkreis von anderen Spielern bleiben. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 6: Server und Client Konfiguration. Zehn bis zwölf Notebooks (Kunden C1 bis C12) sollte in der Nähe von angeordnet (und verbunden) Server-Computer. Die Verwendung von Partitionen umschließt jedes Teilnehmers Workstation (angegeben als dicke Linien) verbietet visuellen Kommunikation mit anderen außerhalb der virtuellen Umgebung. LAN-Kabel anstelle von WLAN wird durch weniger Latenz und zuverlässiger Datendurchsatz empfohlen. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 7: kontextbezogene Einstellungen. Kommunikation (sensorische, visuelle, auditive) unter den Teilnehmern beschränkt sich durch den Einsatz von Trennwänden und Ohrstöpsel. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 8: grafische Benutzeroberfläche auf dem Server. Für jeden angeschlossenen Client gibt es eine Zeile mit IP-Adresse und andere Daten (z. B. Anzahl der Züge, Position, Menge an jeden Spieler bezahlt werden). Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 9: erfolgreiche Führung. Auf der linken Seite der Screenshot zeigt ein informiert Spieler nähert sich eine monetäre Ziel Feld (siehe auch Abbildung 4, erfolgreich führen fünf andere Spieler zu seinem Ziel-Bereich). Auf der rechten Seite hat ein uninformierter Spieler seinen Mitspielern aus den Augen verloren. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 10: gründliche Analyse der räumlichen Streuung über Spielzeit (Gruppe 44). Durchschnittlicher Abstand zwischen den Gruppenmitgliedern im Laufe der Zeit für die gesamte Gruppe (Gruppe bedeuten), verglichen mit sowohl Spieler, die über den Standort von höher belohnt € Ziel-Feld (1 informiert, informiert 2) informiert wurden, und acht uninformierten Spieler ( Uninformierte). Bis zum Ende des Spiels hatten einen uninformierten Spieler verlor die Gruppe und kamen auf einem € Ziel-Feld (isolierte Spieler). Bitte klicken Sie hier für eine größere Version dieser Figur.
Video 1: Beispiel für kollektive Bewegung aus der Perspektive eines uninformierten Players (Gruppe 44). Bitte klicken Sie hier, um dieses Video anzusehen. (Rechtsklick zum download)
Video 2: Beispiel für kollektive Bewegung aus der Perspektive der beiden informierte Spieler im selben Spiel als Video 1 (Gruppe 44) . Bitte klicken Sie hier, um dieses Video anzusehen. (Rechtsklick zum download)
| GNR | Zeit | 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 | not_moved |
| 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 | not_moved | |
| 5 | 14:56:46, 765 | 3 | 3 | 3 | ||
| 5 | 14:56:47, 531 | 4 | 2 | 3 | not_moved | |
| 5 | 14:56:48, 187 | 9 | 3 | 6 | NNug = 2 | not_moved |
| 5 | 14:56:48, 625 | 2 | 3 | 6 | NNug = 2 | not_moved |
| 5 | 14:56:48, 625 | 8 | 3 | 2 | not_moved | |
| 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 | not_moved | |
| 5 | 14:56:49, 390 | 5 | 3 | 3 | ||
| ... | ||||||
| 5 | 14:56:52, 671 | 4 | 3 | 4 | not_moved | |
| 5 | 14:56:52, 687 | 6 | -6 | -3 | NNug = 1 | not_moved |
Tabelle 1: Datenformat. Jeder Teilnehmer bewegt und damit verbundenen Zeitstempel auf dem virtuellen Spielfeld Sechseck werden als sechseckige Koordinaten in separaten Zeilen aktivieren der Verwendung von hierarchischen/gemischter Modellierung erfasst. Die Tabelle zeigt einen Auszug aus dem Dataset generiert von einer Gruppe bestehend aus 10 Spielern (Gruppe 44).
| Gruppe 44 (Beispiel) |
∑ Bewegt sich |
Rang eines 1st bewegen |
Latenz | Auszahlung | Endgültige Entfernung |
Entfernung €€-Feld |
Zeit | % des Feldes erforschten |
| (a) einzelne Variablen auf | ||||||||
| Spieler-ID0-1 | 6 | 1 | 1,73 | 18 | 0,67 | 0 | - | - |
| Player ID1 | 6 | 10 | 3,74 | 9 | 0,67 | 0 | - | - |
| Player ID2 | 6 | 3 | 2,19 | 9 | 0,67 | 0 | - | - |
| Player ID3 | 7 | 9 | 2,68 | 9 | 0,67 | 0 | - | - |
| Player ID4 | 6 | 7 | 4,38 | 9 | 0,67 | 0 | - | - |
| Player ID5 | 9 | 8 | 3,98 | 9 | 0,67 | 0 | - | - |
| Player ID6 | 12 | 5 | 2,70 | 1 | 6,00 | 6 | - | - |
| Spieler ID71 | 6 | 6 | 4,96 | 18 | 0,67 | 0 | - | - |
| Player ID8 | 9 | 4 | 4,03 | 9 | 0,67 | 0 | - | - |
| Player ID9 | 6 | 2 | 2,45 | 9 | 0,67 | 0 | - | - |
| (b) Gruppe Ebene Variablen | ||||||||
| Uninformiert | 7,63 | 5,88 | 3,27 | 8 | 1,33 | 0,75 | - | - |
| Informiert | 6,00 | 4,00 | 3,35 | 18 | 0,67 | 0,00 | - | - |
| Ganze Gruppe | 7,30 | - | 3,28 | 10 | 1,20 | 0,60 | 39,02 | 27,84 |
Tabelle 2: detaillierte Ergebnisse der Gruppe Bewegung Verhaltensanalyse (Gruppe 44). Ergebnisse sind (a) für die individuelle Ebene, und (b) für die Gruppenebene aufgeführt. Auf Konzernebene wurden Mittel für die uninformierten Mehrheit (8 Spieler), informierte Minderheit (zwei Spieler) und die ganze Gruppe (10 Spieler) berechnet. 1 Spieler mit IDs 0 und 7 wurden nach dem Zufallsprinzip ausgewählt, um über den Standort von höher belohnt € Ziel-Bereich informiert werden; ∑ Moves = Gesamtzahl der Züge; Rang 1Stbewegen = Rang 1St Bewegung im Verhältnis zu den anderen Spielern; Latenz = mittlere Bewegung Wartezeit zwischen zwei Schritten in sec.; Auszahlung = individuelle Belohnung nach Beendigung des Spiels in €; Endgültige Entfernung = durchschnittliche Entfernung der einzelnen Spieler auf alle verbleibenden Spieler durch das Ende des Spiels; Entfernung zum €-Feld = Abstand zum Ziel-Feld € bis Ende des Spiels; Zeit = Gesamtdauer des Spiels in sec.; % der Felder erforscht = prozentualer Anteil der Betrag im Feld (97 Sechsecke) von der Gruppe erkundet. Bitte siehe auch Abbildung 10 für eine eingehende Analyse des Konzerns Dispersion über Spielzeit, Video 1 und Video 2 für die kollektive Bewegung des Konzerns und Tabelle 1 für einen Auszug von Bewegungsdaten.
Discussion
Eine grundlegende Frage in verwenden von virtuellen Umgebungen Multi-Client als ein Forschungsparadigma, um menschlichen kollektiven Verhaltens zu untersuchen ist, ob die Ergebnisse auf tatsächlichen Szenarien anwendbar sind. Mit anderen Worten Ergebnissen der methodische Ansatz mit ausreichend ökologische oder externe Validität? Menschliche Teilnehmern als Avatare auf einem virtuellen Spielfeld darstellt und lassen sie sich per Maus-Klicks bewegen reduziert soziale Signale. Darüber hinaus Experimentatoren zu untersuchen, die stillschweigende Verhaltens Signale übertragen werden, unter den Menschen, die menschliche Gruppenverhalten Koordinierung und Führung beeinträchtigen können und unter welchen ökologischen Affordance ermöglicht Kommunikation auf ein Minimum zu halten (z.B. Wettbewerb, Rettung, Evakuierung) diese Verhaltensweisen durch mehr und in welchem Ausmaß betroffen sind. Solange gibt es strikter Einhaltung der zwei Pre-Testphasen im Protokoll und Testverfahren, garantiert diese reduktionistische Ansatz interne Validität. Um die Übertragung der Ergebnisse auf "echte" Gruppe und Menge Dynamik zu ermöglichen, der experimentelle Aufbau und Testphasen allmählich veränderbar zu mehr Komplex (z. B. für weitere Kommunikation über bloße Übertragung/Lesung Bewegung Verhalten, Hinzufügen von Informationen über einzelne Eigenschaften semantisch in realen Szenarien eingebettet etc.) und beschrieben in der Anleitung auf dem Bildschirm der Teilnehmer bevor das Spiel beginnt.
Um die Frage der externe Validität zu begegnen, kann das Sechseck-Spielfeld [ursprünglich gewählten Spielers Bewegungen auf standardisierte, zweidimensionale sechseckigen Koordinaten durch (getestete) Usability und Reduzierung von Störfaktoren zu standardisieren] variiert werden. Ein zweidimensionales Raster mit freien Wahl könnten Spieler kontinuierlich und komplexe Bewegungsdaten zu erstellen. Eine dreidimensionale Umgebung erstellt von Unity oder Unreal-Engine kann z. B. auch die ökologischen/externe Gültigkeit erhöhen. Mit jedem Schritt in Richtung lessoning die Einschränkung der Bewegungsfreiheit, stellt sich jedoch ein Problem. Mit steigender Komplexität der Freiheitsbewegung in der simulierten Szenario, den Einfluss von Störfaktoren (z. B. zwischenmenschliche Unterschiede wie Computer-Erfahrung, Vertrautheit mit räumlicher Orientierung im dreidimensionalen Spiele) erhöht, die zu verzerrten Ergebnissen führen und interne Validität reduzieren können.
Der Vorteil der Methode des HoneyComb-Protokolls ist, dass es in mit Computer-Simulation-Modelle Kombination und als Paradigma empirisch zu testen, ob kollektive Muster gefunden in den Computersimulationen auch für das Verhalten in Gruppen von Menschen halten verwendet werden kann. Um die externe Validität solcher Tests zu erhöhen, sollten Teilnehmer in den Post-Test-Phase Fragebogen gefragt, ob sie ausreichend fühlte und menschlich vertreten durch ihre Avatare und ob sie ihren Mitspielern als menschliche Akteure wahrnehmen konnten. Das Protokoll gibt die physische Präsenz der Co Spieler sitzen in Arbeitsstationen nebeneinander (obwohl die Protokollparameter sensorische auditive oder visuelle Kommunikation ausschließen) um diese Gefühle der menschliche Verkörperung zu verbessern.
Zusammenfassend lässt sich sagen, die Methoden der Waben in das Protokoll vor dem Test, Test und Posttest Phasen skizzierte Ansatz bieten eine neuartige Paradigma zur Untersuchung der grundlegender Mechanismen der kollektive Phänomene wie Gruppe Koordination, Führung, und innerhalb der Gruppe Differentiation. Die Methode wichtigste Einschränkung ist seine Anfälligkeit für menschliches Versagen von Recruitern, insbesondere dann, wenn sie nicht streng genug sind, um sicherzustellen, dass die Teilnehmer während der Pre-Test und Test nicht miteinander kommunizieren.
Disclosures
Die Autoren haben nichts preisgeben.
Acknowledgments
Diese Forschung wurde von der deutschen Exzellenzinitiative finanziert (Zukunftskonzept: https://www.uni-goettingen.de/en/32632.html). Wir danken für ihr Englisch Korrekturlesen Margarita Neff-Heinrich.
Materials
| Name | Company | Catalog Number | Comments |
| Notebooks | |||
| Partition walls between work stations | |||
| Earplugs | |||
| Equipment for LAN installation |
References
- Boos, M., Pritz, J., Lange, S., Belz, M.
- 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.
- 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.
- 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.
- 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).
