The Collective Trust Game: une adaptation de groupe en ligne du jeu de confiance basée sur le paradigme HoneyComb

Summary

Le Collective Trust Game est un jeu de confiance multi-agents basé sur ordinateur basé sur le paradigme HoneyComb, qui permet aux chercheurs d’évaluer l’émergence de la confiance collective et des constructions connexes, telles que l’équité, la réciprocité ou la signalisation avancée. Le jeu permet des observations détaillées des processus de groupe à travers le comportement des mouvements dans le jeu.

Abstract

La nécessité de comprendre la confiance dans les groupes de manière holistique a conduit à une vague de nouvelles approches pour mesurer la confiance collective. Cependant, cette construction n’est souvent pas pleinement saisie dans ses qualités émergentes par les méthodes de recherche disponibles. Dans cet article, le Collective Trust Game (CTG) est présenté, un jeu de confiance multi-agents basé sur ordinateur basé sur le paradigme HoneyComb, qui permet aux chercheurs d’évaluer l’émergence de la confiance collective. Le CTG s’appuie sur des recherches antérieures sur la confiance interpersonnelle et adapte le jeu de confiance largement connu à un cadre de groupe dans le paradigme HoneyComb. Les participants assument le rôle d’investisseur ou de fiduciaire; Les deux rôles peuvent être joués par des groupes. Dans un premier temps, les investisseurs et les fiduciaires sont dotés d’une somme d’argent. Ensuite, les investisseurs doivent décider du montant, le cas échéant, de leur dotation qu’ils veulent envoyer aux fiduciaires. Ils communiquent leurs tendances ainsi que leur décision finale en se déplaçant d’avant en arrière sur un terrain de jeu affichant les montants d’investissement possibles. À la fin de leur temps de décision, le montant convenu par les investisseurs est multiplié et envoyé aux fiduciaires. Les fiduciaires doivent communiquer aux investisseurs la part de cet investissement, le cas échéant, qu’ils veulent rembourser. Encore une fois, ils le font en se déplaçant sur le terrain de jeu. Cette procédure est répétée pendant plusieurs cycles afin que la confiance collective puisse émerger en tant que construction partagée grâce à des interactions répétées. Avec cette procédure, le CTG offre la possibilité de suivre l’émergence de la confiance collective en temps réel grâce à l’enregistrement des données de mouvement. Le CTG est hautement personnalisable en fonction de questions de recherche spécifiques et peut être exécuté comme une expérience en ligne avec peu d’équipement à faible coût. Cet article montre que le CTG combine la richesse des données d’interaction de groupe avec la validité interne élevée et l’efficacité temporelle des jeux économiques.

Introduction

Le Collective Trust Game (CTG) offre la possibilité de mesurer la confiance collective en ligne au sein d’un groupe d’humains. Il généralise le jeu de confiance original de Berg, Dickhaut et McCabe¹ (BDM) au niveau du groupe et peut capturer et quantifier la confiance collective dans ses qualités émergentes ^2,3,4, ainsi que des concepts connexes tels que l’équité, la réciprocité ou la signalisation avant.

Les recherches antérieures conceptualisent principalement la confiance comme une construction uniquement interpersonnelle, par exemple, entre un leader et un suiveur^5,6, excluant les niveaux d’analyse supérieurs. Surtout dans les contextes organisationnels, cela pourrait ne pas être suffisant pour comprendre la confiance de manière holistique, il est donc grand nécessaire de comprendre les processus par lesquels la confiance se construit (et diminue) au niveau du groupe.

Récemment, la recherche sur la confiance a incorporé une pensée plus multi-niveaux. Fulmer et Gelfand⁷ ont passé en revue un certain nombre d’études sur la confiance et les ont classées en fonction du niveau d’analyse étudié dans chaque étude. Les trois différents niveaux d’analyse sont interpersonnels (dyadique), de groupe et organisationnels. Il est important de noter que Fulmer et Gelfand⁷ distinguent en outre différents référents. Les référents sont les entités vers lesquelles la confiance est dirigée. Cela signifie que lorsque « A fait confiance à B à X », alors A (l’investisseur dans les jeux économiques) est représenté par le niveau (individuel, groupe, organisationnel) et B (le fiduciaire) est représenté par le référent (individuel, groupe, organisationnel). X représente un domaine spécifique auquel Trust fait référence. Cela signifie que X peut être quelque chose comme une inclination généralement positive, un soutien actif, une fiabilité ou des échanges financiers comme dans les jeux économiques¹.

Ici, la confiance collective est définie en fonction de la définition de la confiance interpersonnelle de Rousseau et ses collègues⁸, et semblable aux études antérieures sur la confiance collective 9,10,11,12,13,14; La confiance collective comprend l’intention d’un groupe d’accepter la vulnérabilité en fonction des attentes positives des intentions ou du comportement d’un autre individu, groupe ou organisation. La confiance collective est un état psychologique partagé entre un groupe d’humains et formé en interaction avec ce groupe. L’aspect crucial de la confiance collective est donc le partage au sein d’un groupe.

Cela signifie que la recherche sur la confiance collective doit aller au-delà d’une simple moyenne de processus individuels et conceptualiser la confiance collective comme un phénomène émergent ^2,3,4, car les nouveaux développements de la science de groupe montrent que les processus de groupe sont fluides, dynamiques et émergents ^2,15. Nous définissons l’émergence comme un « processus par lequel les éléments du système de niveau inférieur interagissent et, grâce à cette dynamique, créent des phénomènes qui se manifestent à un niveau supérieur du système »¹⁶ (p. 335). Proposé, cela devrait également s’appliquer à la confiance collective.

La recherche qui reflète l’accent mis sur l’émergence et la dynamique des processus de groupe devrait utiliser des méthodologies appropriées¹⁷ pour saisir ces qualités. Cependant, l’état actuel de la mesure de la confiance collective semble être à la traîne. La plupart des études ont utilisé une technique simple de calcul de la moyenne à travers les données de chaque individu du groupe 9,10,12,13,18. On peut soutenir que cette approche n’a que peu de validité prédictive² car elle ne tient pas compte du fait que les groupes ne sont pas simplement des agrégations d’individus, mais des entités de niveau supérieur avec des processus uniques. Certaines études ont tenté de remédier à ces inconvénients: une étude d’Adams¹⁹ a utilisé une approche de variable latente, tandis que Kim et ses collègues¹⁰ ont utilisé des vignettes pour estimer la confiance collective. Ces approches sont prometteuses en ce sens qu’elles reconnaissent la confiance collective comme une construction de niveau supérieur. Pourtant, comme le notent Chetty et ses collègues²⁰, les mesures basées sur des enquêtes manquent d’incitations à répondre honnêtement, de sorte que la recherche sur la confiance a de plus en plus adopté des mesures comportementales ou compatibles avec les incitations^21,22.

Cette préoccupation est abordée par un certain nombre d’études qui ont adapté une méthode comportementale, à savoir le BDM¹, pour être joué par les groupes^23,24,25,26. Dans le BDM, deux parties agissent soit en tant qu’investisseurs (A), soit en tant que fiduciaires (B). Dans ce jeu économique séquentiel, A et B reçoivent une dotation initiale (par exemple, 10 euros). Ensuite, A doit décider du montant, le cas échéant, de sa dotation qu’il souhaite envoyer à B (par exemple, 5 euros). Ce montant est ensuite triplé par l’expérimentateur, avant que B puisse décider combien, le cas échéant, de l’argent reçu (par exemple, 15 euros) il souhaite renvoyer à A (par exemple, 7,5 euros). Le montant d’argent que A envoie à B est opérationnalisé pour être le niveau de confiance de A envers B, tandis que le montant que B renvoie peut être utilisé pour mesurer la fiabilité de B ou le degré d’équité dans la dyade de A et B. Un grand nombre de recherches ont étudié le comportement dans les jeux de confiance dyadique²⁷. Le BDM peut être joué à la fois comme un jeu dit « one-shot », dans lequel les participants ne jouent le jeu qu’une seule fois avec une personne spécifique, et dans des tours répétés, dans lesquels des aspects tels que la réciprocité^28,29 ainsi que la signalisation avancée peuvent jouer un rôle.

Dans de nombreuses études qui ont adapté le BDM pour les groupes^23,24,25,26, l’investisseur, le fiduciaire ou les deux rôles ont été joués par des groupes. Cependant, aucune de ces études n’a enregistré de processus de groupe. Le simple fait de remplacer des individus par des groupes dans les plans d’étude ne répond pas aux normes Kolbe et Boos¹⁷ ou Kozlowski¹⁵ établies pour les enquêtes sur les phénomènes émergents. Pour combler cette lacune, le CTG a été développé.

L’objectif du développement du CTG était de créer un paradigme qui combinerait le BDM¹ largement utilisé avec une approche qui capture la confiance collective comme une construction émergente basée sur le comportement qui est partagée au sein d’un groupe.

Le CTG est basé sur le paradigme HoneyComb de Boos et ses collègues³⁰, qui a également été publié dans le Journal of Visualized Experiments³¹ et a maintenant été adapté pour être utilisé dans la recherche sur la confiance. Comme décrit par Ritter et ses collègues³², le paradigme HoneyComb est « une plate-forme de jeu virtuel informatisée multi-agents qui a été conçue pour éliminer tous les canaux sensoriels et de communication, à l’exception de la perception des mouvements d’avatar assignés par les participants sur le terrain de jeu » (p. 3). Le paradigme HoneyComb est particulièrement adapté aux processus de groupe de recherche car il permet aux chercheurs d’enregistrer le mouvement des membres d’un groupe réel avec des données spatio-temporelles. On pourrait soutenir que, après l’analyse des interactions de groupe¹⁷, HoneyComb est l’un des rares outils qui permet aux chercheurs de suivre les processus de groupe en détail. Contrairement à l’analyse des interactions de groupe, l’analyse quantitative des données spatio-temporelles de HoneyComb prend moins de temps. De plus, l’environnement réductionniste et la possibilité d’exclure toute communication interpersonnelle entre les participants, à l’exception du mouvement sur le terrain de jeu, permettent aux chercheurs de limiter les facteurs de confusion (p. ex., l’apparence physique, la voix, les expressions faciales) et de créer des expériences à validité interne élevée. Bien qu’il soit difficile d’identifier tous les aspects influents d’un processus de groupe dans les études utilisant des modèles de discussion de groupe³³, l’accent mis sur les principes de base de l’interaction de groupe dans un paradigme de mouvement permet aux chercheurs de quantifier tous les aspects du processus de groupe dans cette expérience. De plus, des recherches antérieures ont utilisé le comportement proxémique³⁴ - réduisant ainsi l’espace entre soi et un autre individu - pour étudier la confiance^35,36.

Figure 1 : Vue d’ensemble schématique du GEC. A) Procédure schématique d’un cycle de GEC. (B) Placement initial des avatars au début du tour. Les trois investisseurs de couleur bleue se tiennent sur le champ initial « 0 ». Le syndic jaune se tient sur le champ initial « 0 ». (C) Capture d’écran pendant la phase d’investissement montrant trois investisseurs (avatars bleus) sur la moitié inférieure du terrain de jeu. Un (grand avatar bleu) se tient actuellement sur « 12 », deux investisseurs sont actuellement debout sur « 24 ». Deux avatars ont des queues (indiquées par des flèches orange). Les queues indiquent de quelle direction ils se sont déplacés vers leur champ actuel (par exemple, un investisseur (grand avatar bleu) vient de passer de « 0 » à « 12 »). L’avatar sans queue se tient sur ce terrain depuis au moins 4000 ms. (D) Capture d’écran pendant la phase de retour montrant un administrateur (avatar jaune) et la moitié supérieure du terrain de jeu. Le syndic est actuellement debout sur « 3/6 » et y a récemment déménagé de « 2/6 » comme indiqué par la queue. Le chiffre bleu ci-dessous (36) indique l’investissement réalisé par les investisseurs. Le chiffre jaune, indiqué par la flèche, est le retour actuel (54) tel qu’il est représenté au milieu du terrain de jeu. Le rendement est calculé comme suit : (investir (36 cents) x 3) x fraction de rendement actuel (3/6) = 54 cents. (E) Fenêtre contextuelle donnant aux participants un retour sur le montant qu’ils ont gagné pendant la ronde, affichée pendant 15 s après l’expiration du délai d’absence du syndic. Veuillez cliquer ici pour voir une version agrandie de cette figure.

La procédure principale du CTG (Figure 1A) est étroitement basée sur la procédure du BDM¹, afin de rendre les résultats comparables aux études précédentes utilisant ce jeu économique. Comme le paradigme HoneyComb est basé sur le principe du mouvement, les participants indiquent le montant qu’ils aimeraient investir ou retourner en déplaçant leur avatar sur le petit champ hexagonal qui indique une certaine somme d’argent ou fraction à retourner (Figure 1C,D). Avant chaque tour, les investisseurs et les fiduciaires reçoivent une certaine somme d’argent (p. ex., 72 cents), les investisseurs étant placés dans la moitié inférieure du terrain de jeu et les fiduciaires dans la moitié supérieure du terrain de jeu (figure 1B). Dans le cadre de défaut, les investisseurs sont autorisés à se déplacer en premier, tandis que les fiduciaires restent immobiles. Les investisseurs se déplacent à travers le terrain de jeu pour indiquer le montant, le cas échéant, de leur dotation qu’ils aimeraient envoyer au fiduciaire (figure 1C). En faisant des allers-retours sur le terrain, les participants peuvent également communiquer à d’autres investisseurs le montant qu’ils aimeraient envoyer au fiduciaire. Selon la configuration, les participants doivent décider à l’unanimité du montant qu’ils souhaitent investir en convergeant vers un terrain de jeu lorsque le temps mort est atteint. Des décisions unanimes ont été nécessaires pour faire respecter le fait que les investisseurs doivent interagir les uns avec les autres, au lieu de simplement jouer côte à côte. Si les investisseurs ne parviennent pas à une décision commune, une pénalité (par exemple, 24 cents) est déduite de leur compte. Cela a été mis en œuvre pour s’assurer que les investisseurs seraient très motivés à atteindre un niveau partagé de confiance collective. Une fois le temps des investisseurs écoulé, l’argent investi est multiplié et envoyé aux fiduciaires qui sont ensuite autorisés à se déplacer pendant que les investisseurs restent immobiles. Les fiduciaires indiquent par mouvement combien ils aimeraient retourner aux investisseurs (figure 1D). Les options de rendement disponibles sont affichées sous forme de fractions sur le terrain de jeu pour maintenir la charge cognitive des fiduciaires relativement faible. Le terrain de jeu sur lequel les fiduciaires se tiennent une fois le temps alloué écoulé indique quelle fraction (par exemple, 4/6) est retournée aux investisseurs. Le tour se termine par une fenêtre contextuelle (Figure 1E) qui résume pour chaque participant combien il a gagné au cours de cette ronde et quel est le solde de son compte courant.

Les rondes doivent être répétées plusieurs fois. Les chercheurs devraient demander aux participants de jouer au CTG pendant au moins 10 ou 15 tours dans les mêmes rôles. Cela est nécessaire car la confiance collective est une construction émergente et doit se développer lors d’interactions répétées au sein d’un groupe. De même, d’autres concepts tels que la signalisation prospective (c.-à-d. les rendements élevés réciproques des fiduciaires ayant des investissements élevés au prochain tour) n’émergeront que lors d’interactions répétées. Il est toutefois crucial que les participants ne soient pas conscients du nombre exact de tours à jouer, car il a été démontré que le comportement peut changer radicalement lorsque les participants sont conscients qu’ils jouent le dernier tour (c’est-à-dire un comportement plus injuste ou des détournements dans les jeux économiques^37,38).

Le CTG fournit ainsi des informations sur l’émergence de la confiance collective à plusieurs niveaux. Premièrement, le niveau de confiance collective démontré lors de la ronde finale devrait représenter fidèlement le niveau partagé de confiance des investisseurs envers le ou les fiduciaires. Deuxièmement, le montant investi à chaque tour peut servir d’indicateur de l’émergence d’une confiance collective au fil des interactions répétées. Troisièmement, les données de mouvement mettent en lumière le processus de groupe qui détermine combien d’argent est investi dans chaque tour.

Protocol

La collecte et l’analyse des données dans ce projet ont été approuvées par le comité d’éthique de l’Institut de psychologie Georg-Elias-Müller de l’Université de Göttingen (proposition 289/2021); le protocole suit les lignes directrices sur la recherche humaine des comités d’éthique de l’Institut Georg-Elias-Müller de psychologie. Le logiciel CTG peut être téléchargé à partir du projet OSF (DOI 10.17605/OSF. IO/U24PX) sous le lien: https://s.gwdg.de/w88YNL.

1. Préparer la configuration technique

1. Préparer des formulaires de consentement et des questionnaires en ligne
   1. Préparez un formulaire de consentement en ligne dans un outil de questionnaire en ligne.
   2. S’il y a lieu, préparez un questionnaire en ligne dans un outil de questionnaire en ligne.
      REMARQUE : Il est possible d’inclure un court questionnaire dans le programme HoneyComb (voir l’étape 1.3.5). Pour utiliser des questionnaires plus longs, utilisez plutôt un outil de questionnaire en ligne distinct. Des exemples d’outils de questionnaire en ligne sont donnés dans le tableau des matériaux.
2. Préparer le serveur de bureau à distance
   1. Installez un système d’exploitation Linux sur un serveur distant. Si possible, renseignez-vous auprès des assistants techniques sur les ressources disponibles dans l’établissement. Sinon, suivez les directives d’installation³⁹.
   2. Créez différents utilisateurs sur ce serveur⁴⁰.
      1. Créez un administrateur utilisateur qui dispose des autorisations root et auquel seul le responsable technique de l’expérience accède.
      2. Créez un utilisateur expérimentateur qui a les autorisations de créer des dossiers partagés, d’importer et d’exporter des données, et qui peut être consulté par tout le personnel collectant des données (y compris les étudiants / assistants de recherche, etc.).
      3. Créez plusieurs utilisateurs nommés participant-1, participant-2, etc.
         REMARQUE : Les chercheurs ne pourront tester qu’autant de participants au cours d’une session expérimentale que d’utilisateurs créés.
   3. Exécutez la commande java -version sur l’utilisateur admin pour vous assurer qu’un environnement d’exécution Java est disponible sur le serveur. Si ce n’est pas le cas, installez la version Java la plus récente avant de continuer et assurez-vous que tous les utilisateurs peuvent y accéder.
   4. Installer le programme
      1. Téléchargez le programme.
         REMARQUE: Le programme peut être téléchargé sous forme de fichier zip HC_CTG.zip contenant 1) le HC.jar exécutable, 2) trois fichiers pour la configuration (hc_server.config, hc_panel.config et hc_client.config), et 3) deux sous-dossiers nommés intro et rawdata.
      2. Créez un dossier sur l’utilisateur expérimentateur et partagez-le avec les autres utilisateurs⁴¹. Extrayez les fichiers du fichier compressé HC_CTG.zip dans ce dossier.
      3. Pour chaque utilisateur participant, accédez à ce dossier partagé et vérifiez que l’utilisateur peut accéder aux fichiers.
3. Ouvrez les trois fichiers de configuration.
   1. Modifiez hc_server.config et enregistrez le fichier modifié.
      1. Configurez le nombre de joueurs en n_Pl définissant sur le nombre souhaité. Par exemple, entrez 4 derrière le =.
      2. Configurez le nombre de tours à jouer (playOrder) en répétant le numéro de jeu 54a (par exemple, 54a, 54a, 54a, 54a pendant quatre tours).
         REMARQUE: i54a représente les instructions et ne doit pas être supprimé dans le fichier de configuration.
      3. Configurez si un questionnaire doit être affiché dans HoneyComb en incluant 200 à la fin de playOrder. Supprimer 200 si un outil de questionnaire en ligne distinct est utilisé.
      4. Configurez l’échelle d’investissement. Pour configurer l’échelle pour les investisseurs (iscale), entrez les valeurs qui doivent être disponibles en tant qu’étapes d’investissement (par exemple, 0, 12, 24, 36, 48, 60, 72). Utilisez des entiers qui sont des multiples de trois pour que les paiements soient également des entiers.
         REMARQUE: Ces valeurs configurées sont également affichées comme étapes d’investissement possibles pour les investisseurs.
         1. Configurez l’échelle d’affichage pour les fiduciaires (tlabel) en choisissant les valeurs qui doivent être affichées comme rendements possibles sur le terrain de jeu (par exemple, 0, 1/6, 2/6, 3/6, 4/6, 5/6, 1). REMARQUE: Cette échelle n’influence pas le calcul des paiements.
         2. Configurez l’échelle pour les fiduciaires (tscala) en choisissant les valeurs de rendement qui doivent être possibles comme rendements (par exemple, 0, 0,166666, 0,3333, 0,5, 0,6666, 0,833331, 1). Utilisez uniquement des valeurs numériques (c.-à-d. pas de fractions).
            REMARQUE: Ces valeurs sont utilisées pour calculer les paiements et ne sont PAS affichées sur le terrain de jeu.
      5. Configurez les time-ins (timeInI pour les investisseurs, timeInT pour les fiduciaires) et les délais d’expiration (timeOutI pour les investisseurs, timeout pour les fiduciaires) en secondes. Par exemple, timeInI = 0, timeOutI = 30, timeInT = 30 et timeout = 45.
      6. Configurez le montant d’argent dont les investisseurs et les fiduciaires sont dotés à chaque tour en cents (r52).
      7. Configurez le facteur avec lequel l’investissement est multiplié avant d’être envoyé au fiduciaire (f52).
      8. Configurer si le groupe doit parvenir à une décision unanime (définir bUnanimité sur vrai) ou non (définir l’unanimité sur faux)
      9. Configurez si le groupe est payé à parts égales (définissez bCommon sur true) ou en fonction de la contribution de chaque investisseur à l’investissement (définissez bCommon sur false).
      10. Si bUnanimité est réglé sur true, configurez la pénalité - le montant d’argent déduit des investisseurs si une décision unanime n’est pas prise (p52).
   2. Modifiez hc_client.config si nécessaire. Veillez à définir ip_nr sur localhost afin que les clients puissent se connecter à l’expérimentateur.
   3. Modifiez hc_panel.config.
      1. Ajustez la taille des hexagones (rayon) en fonction de la résolution de l’écran. Testez l’expérience sur plusieurs écrans différents pour vous assurer qu’elle sera visible sur une grande variété d’écrans.
      2. Ajustez le texte affiché sur le terrain de jeu sous les étiquettes (par exemple, Votre rôle est : investisseur, Solde du compte, etc.)
   4. Ajustez et/ou traduisez les instructions, si nécessaire. Pour ce faire, modifiez et enregistrez les fichiers HTML simples (Figure 2A) dans le dossier « intro » du dossier du programme HoneyComb.
   5. Si vous souhaitez utiliser le questionnaire dans le programme HoneyComb, ajustez et/ou traduisez le questionnaire dans le fichier qq.txt et enregistrez le fichier.
   6. Gardez cette configuration constante sur toutes les sessions d’expérience (dans une condition d’expérience). Documentez toutes les configurations.

2. Recrutement des participants

1. Publicité en ligne
   1. Recrutez des participants sur les canaux disponibles (p. ex., médias sociaux, blogue universitaire, dépliant avec code QR). Nommez des informations importantes sur l’expérience, telles que son objectif, sa durée et le paiement maximum calculé en fonction du comportement du jeu.
      NOTE: L’échantillon présenté ici a été recruté via un blog en ligne pour les étudiants en psychologie de l’Université de Göttingen ainsi que des annonces non rémunérées dans des groupes de médias sociaux. Un exemple de dépliant peut être vu dans la figure supplémentaire 1.
   2. Informez les participants potentiels que la participation nécessitera l’utilisation d’ordinateurs portables personnels avec une connexion Internet stable et dans un endroit calme et isolé. Informez les participants qu’ils peuvent avoir besoin d’installer un programme pour établir la connexion Bureau à distance.
      REMARQUE: La participation via des téléphones mobiles ou des tablettes n’est pas possible.
   3. Assurez-vous que les participants répondent aux critères d’inclusion de l’expérience tels que les exigences linguistiques ou la vision des couleurs.
   4. Assurez-vous que les participants n’ont pas participé à des expériences précédentes sur le CTG.
2. Réserver des sessions expérimentales avec les participants
   1. Demandez aux participants de réserver des créneaux horaires pour leur participation.
   2. Utilisez un logiciel de gestion des participants pour envoyer des courriels automatisés d’invitation ou de rappel.
   3. Surbookez les plages horaires d’au moins un participant pour s’assurer qu’un nombre suffisant de participants sont présents pour mener l’expérience.
3. Envoyez aux participants un e-mail de confirmation contenant les informations suivantes : guide sur la configuration de l’ordinateur, installation de l’outil Connexion Bureau à distance et établissement de la connexion au Bureau à distance. Assurez-vous de NE PAS envoyer d’informations de connexion pour le moment, afin d’éviter les problèmes techniques dus à une connexion antérieure.
4. Envoyez aux participants des courriels de rappel environ 24 heures avant l’expérience, y compris le lien vers la plateforme de vidéoconférence. Incluez les informations sur l’installation qui ont été envoyées dans l’e-mail de confirmation.

3. Configuration expérimentale (avant chaque session expérimentale)

1. Préparation de la plateforme de visioconférence (Figure 3)
   1. Assurez-vous que les participants ne peuvent pas partager leur microphone ou leur caméra. Assurez-vous que les participants ne peuvent pas voir les noms des autres.
   2. Partagez le microphone et la caméra de l’expérimentateur, et partagez l’écran avec un minimum d’instructions sur la plate-forme de visioconférence (Figure 3).
2. Préparer le poste de travail distant
   1. Utilisateur expérimentateur
      1. Démarrez une connexion Bureau à distance avec l’utilisateur expérimentateur. Ouvrez le dossier partagé et démarrez un terminal en cliquant avec le bouton droit de la souris dans le répertoire et en choisissant Ouvrir le terminal ici.
      2. Démarrez le programme serveur HC_Gui.jar en tapant la commande java -jar HC_Gui.jar dans le terminal et en appuyant sur ENTRÉE.
   2. Utilisateurs participant-1, participant-2, etc.
      1. Établissez une connexion de bureau à distance avec les utilisateurs participant-1, participant-2, .... Ouvrez le dossier partagé et démarrez un terminal dans ce dossier comme précédemment.
      2. Démarrez les programmes clients pour chaque utilisateur en tapant la commande java -jar HC.jar dans le terminal et en appuyant sur ENTRÉE.
      3. Vérifiez si les connexions sont correctement établies sur tous les utilisateurs participants.
         REMARQUE: Les écrans des utilisateurs participants doivent afficher le message Veuillez patienter. L’ordinateur se connecte au serveur. Il est recommandé d’avoir autant d’ordinateurs portables présents que d’utilisateurs (Figure 4).
   3. Utilisateur expérimentateur
      1. Vérifiez qu’une ligne apparaît dans l’interface graphique du serveur, affichant l’adresse IP de chacun des utilisateurs participants. Lorsque tous les utilisateurs participants sont connectés, vérifiez que le programme serveur affiche le message Tous les clients sont connectés. Prêt à commencer?. Cliquez sur OK.
      2. Vérifiez que les écrans des utilisateurs participants affichent l’écran d’accueil de l’expérience (première page d’instructions).
         REMARQUE: L’expérimentateur peut préparer la session jusqu’à ce point.

4. Procédure expérimentale

1. Admettre les participants à la vidéoconférence au créneau horaire prévu pour l’expérience. Accueillez tous les participants à l’aide d’un texte standardisé. Expliquer la procédure technique aux participants.
2. Partagez le lien vers le formulaire de consentement en ligne. Vérifiez que tous les participants ont donné leur consentement écrit.
3. Guidez les participants pour ouvrir l’outil Connexion Bureau à distance et envoyez à chaque participant leurs données de connexion individuelles via le chat personnel lors de la vidéoconférence.
   REMARQUE: Lorsque les participants se connectent aux utilisateurs participants, les blocs-notes du laboratoire perdent la connexion aux utilisateurs participants. À partir de là, l’expérience se déroule automatiquement jusqu’à ce que les participants atteignent la dernière page, leur demandant de retourner à la vidéoconférence.
4. Demandez aux participants de confirmer qu’ils ont lu la première page d’instructions en cliquant sur OK. Une fois que tous les participants ont confirmé, attendez que les participants aient terminé le jeu.
   REMARQUE: Les participants peuvent parcourir les instructions au rythme de leur choix. Une fois que tous les participants ont confirmé qu’ils ont lu les instructions, le CTG commence automatiquement. Le jeu progresse automatiquement à travers autant de tours que indiqué dans le fichier server.config.
5. Phase de test
   1. Assignez les participants à l’un des deux rôles suivants : investisseur ou fiduciaire.
      REMARQUE : le même rôle peut être attribué à plusieurs participants.
   2. Demandez aux investisseurs de commencer par le champ le plus bas (investissement indiqué de 0) et aux fiduciaires sur le champ le plus haut (indiquant un rendement de 0) (figure 1B).
   3. Demandez aux participants de déplacer leur avatar en cliquant avec le bouton gauche de la souris dans un champ hexagonal adjacent. Indiquez aux participants que seuls les champs adjacents peuvent être choisis et que les champs ne peuvent pas être ignorés. Indiquez aux participants que leur avatar affichera une petite queue pendant 4000 ms après chaque mouvement qui indique la dernière direction à partir de laquelle ils se sont déplacés vers le champ actuel (Figure 1C).
   4. Permettez aux investisseurs de bouger dès le début (time-in = 0) pour indiquer par le mouvement combien ils aimeraient investir. Après un certain temps, interdire le mouvement des investisseurs (time-out).
      REMARQUE: Le champ sur lequel ils se trouvent indiquera alors combien est investi. Au milieu du terrain de jeu, un numéro bleu indiquera également le montant envoyé au syndic. Si l’expérience est mise en place pour exiger des investissements unanimes, les investissements ne seront faits que si tous les participants se tiennent sur le même terrain.
   5. Expliquez dans les instructions que le montant investi est multiplié par un facteur (p. ex., trois) et envoyé aux fiduciaires. Empêchez les fiduciaires de déménager aussi longtemps que les investisseurs déménagent en fixant le temps d’intervention du fiduciaire à la durée du délai d’attente du fiduciaire.
   6. Demandez aux fiduciaires d’indiquer la fraction qu’ils souhaitent retourner aux investisseurs. Une fois que le délai d’attente du fiduciaire est atteint, le champ sur lequel les fiduciaires se tiennent est pris pour indiquer la fraction qui est retournée aux investisseurs. Le montant restitué est également indiqué au milieu du terrain de jeu par un chiffre jaune (Figure 1D).
   7. Demandez à la fenêtre contextuelle d’afficher le montant d’argent que la personne a gagné à la fin de la ronde (Figure 1E).
   8. Répétez le tour de jeu si nécessaire (c’est-à-dire comme indiqué dans le fichier server.config).
   9. Une fois tous les tours terminés, demandez aux participants de générer un code personnel unique afin que les gains du jeu puissent être connectés à leur nom tout en gardant les données comportementales anonymes.
   10. Une fois que les participants ont généré le code, affichez un écran qui leur demande de revenir à la vidéoconférence et de fermer la connexion Bureau à distance.
       NOTE: La procédure expérimentale (section 4 de ce protocole avec 15 tours de jeu) dure 35 minutes.
   11. Si des problèmes techniques ou une défaillance d’un participant nécessitent l’interruption de la session d’expérience, évitez de recommencer l’expérience avec les mêmes participants.
6. Phase post-test
   1. Une fois le jeu terminé, assurez-vous que tous les participants ont fermé la connexion Bureau à distance. Demandez aux participants de remplir les questionnaires comme bon leur semble pour une question de recherche spécifique.
   2. Pendant que les participants remplissent les questionnaires, fermez le programme serveur sur l’utilisateur expérimentateur en cliquant sur Stop & Quitter. Cela fermera également le programme sur les utilisateurs participants.
   3. Remerciez les participants pour leur temps et expliquez comment et quand leurs gains leur seront transférés. Assurez-vous que tous les participants ont quitté la vidéoconférence, surtout si un autre créneau horaire d’expérience est prévu directement après.

5. Terminer l’expérience

1. Transférez et sauvegardez les données (par exemple, dans le cloud), sous la forme d’un fichier *.csv et d’un fichier *.txt par groupe et par créneau horaire de l’expérience, marqué par un jour et une heure de l’expérience.
2. Fermez toutes les connexions Bureau à distance.

Representative Results

Cet article présente les résultats d’une étude pilote menée avec le CTG auprès de 16 participants (cinq hommes, 11 femmes; Âge : M = 21, ET = 2,07). Selon Johanson et Brooks⁴², cette taille d’échantillon est suffisante dans une expérience pilote, en particulier lorsqu’elle est associée à une approche qualitative pour atteindre une densité d’information élevée sur l’expérience subjective des participants pendant l’expérience. Il est recommandé que chaque fois que les chercheurs ont l’intention d’adapter le CTG à leur idée de recherche spécifique, par exemple, en personnalisant le nombre de participants au sein de chaque groupe, une étude pilote similaire soit menée avant la collecte principale des données afin d’assurer une qualité élevée des données.

Sur la base des données pilotes, cet article fournit à la fois une illustration des méthodes d’analyse possibles des données CTG ainsi qu’une première validation de la configuration CTG. Les résultats rapportés ici comprennent des données sur les mouvements et les investissements de l’étude pilote CTG (un exemple de sortie d’un groupe peut être vu dans les données supplémentaires 1 et les données supplémentaires 2 et un exemple de script de prétraitement des données peut être vu dans le projet OSF: https://s.gwdg.de/Cwx3ex) ainsi que des données de questionnaire sur l’expérience subjective des participants pendant l’expérience et des remarques sur le jeu.

Pour cette publication, les données pilotes (N = 16) sont utilisées afin de démontrer comment les hypothèses scientifiques pourraient être testées avec le CTG lorsqu’une taille d’échantillon suffisante a été atteinte. Il convient de noter que, généralement, des échantillons de taille beaucoup plus grande sont nécessaires pour atteindre une puissance suffisante pour les analyses statistiques. Les résultats rapportés ici ne doivent servir que d’illustrations pour d’éventuelles analyses et visualisations (Figure 5). Le CTG est particulièrement adapté pour étudier les processus de confiance collective et comment elle émerge ou diminue en fonction du comportement des autres membres du groupe ou du fiduciaire.

Tout d’abord, les qualités de la confiance collective en tant que phénomène émergent ont été étudiées. On suppose que les investissements dans le jeu de la confiance collective changent avec le temps (c.-à-d. émergent). Cela signifie que les investissements moyens dans les premier, moyen (c’est-à-dire septième) et quinzième tour devraient être significativement différents les uns des autres. Cette hypothèse a été testée avec des tests t d’échantillons appariés (corrigé de Bonferroni). En raison de la petite taille de l’échantillon (N = 16 dans quatre groupes), aucune différence significative n’a pu être observée dans les données pilotes entre le premier (M = 27,0, ET = 20,49), le septième (M = 39, ET = 30,0; différence par rapport au tour 1: t(3) = -0,511, p = 1) et le quinzième tour (M = 42, ET = 31,75; différence par rapport au tour 1: t(3) = -0,678, p = 1; différence par rapport au tour 7 : t(3) = -0,397, p = 1). Les données ont été réanalysées en utilisant uniquement les investissements qui avaient été faits à l’unanimité. Aucune différence significative n’a été observée entre les rondes, probablement en raison du petit échantillon (M 1 = 24, ET₁ = 24; M 7 = 52, ET₇ = 18,33; M 15 = 56, ET₁₅ = 18,33). Les données d’accompagnement sont présentées à la figure 5A. Dans les études avec des échantillons de taille suffisante, une différence significative entre les rondes et une augmentation ou une diminution continue des investissements au cours des rondes indiqueraient l’émergence d’une confiance collective dans l’expérience, car les investisseurs du groupe peuvent interagir de manière répétée et, par conséquent, établir un niveau de confiance partagé.

En outre, l’émergence de la confiance collective peut également être étudiée à l’aide de données de mouvement, comme le montre la figure 5B, qui montre trois marqueurs comportementaux du processus de décision: (a) le temps de décision (rouge; temps jusqu’au dernier mouvement des investisseurs; M = 12,25, ET = 7,05) comme opérationnalisation de la longueur du processus, (b) longueur du déplacement (vert; temps moyen entre deux mouvements : M = 2,42, ET = 2,16) comme opérationnalisation de la délibération, et (c) changements de direction (bleu; nombre de fois qu’une direction de mouvement a été modifiée; M = 0,25, ET = 0,66) comme opérationnalisation de l’ajustement à d’autres investisseurs lors d’une décision. Si la confiance collective émerge au fil des rondes, le processus quantifié par les trois marqueurs comportementaux devrait devenir moins complexe au fil du temps, car la confiance collective devrait être la base de la décision d’investissement du groupe. Cela signifie que si la confiance collective est une construction émergente, nous devrions voir les groupes prendre plus de temps pour prendre des décisions d’investissement dans les rondes précédentes, car aucun niveau de confiance partagé (c’est-à-dire la confiance collective) n’a encore émergé. Au fil des interactions, les décisions d’investissement devraient devenir plus courtes (mesurées par le temps de décision) et plus faciles (mesurées par la longueur du mouvement et les changements de direction) à mesure qu’un niveau partagé de confiance collective s’est développé et que moins d’interaction ou de coordination est nécessaire pour déterminer un investissement de groupe. Par conséquent, les chercheurs devraient utiliser un échantillon plus large pour modéliser la progression des marqueurs comportementaux au fil des rondes. Une pente négative pourrait indiquer l’émergence de la confiance collective comme base des décisions d’investissement de groupe.

Deuxièmement, le comportement du fiduciaire et les dépendances du comportement des fiduciaires et des investisseurs ont été analysés. On a émis l’hypothèse que les fiduciaires retourneraient un montant d’argent non nul aux investisseurs, comme cela a été constaté dans des recherches sur les jeux de fiducie individuels ^1,43. Un test t à échantillon unique a en effet montré que les fiduciaires ont rapporté beaucoup plus de zéro (M = 43,89, ET = 35,38) aux investisseurs; t(59) = 9,608, p < 0,001. Cela était encore plus prononcé lorsque seuls les rendements précédés d’investissements non nuls (M = 62,70, ET = 24,36; t(46) = 16,677, p < 0,001). La figure 5C montre que les fiduciaires choisissent le plus souvent de rembourser les 4/6 de l’investissement.

En outre, il a été examiné si les rendements des fiduciaires sont basés sur la réciprocité, en ce sens qu’un investissement plus élevé dans un tour est corrélé avec des fractions de rendement plus élevées (c.-à-d. 0/6, 1/6, 2/6, ...) dans le même tour. Il semble y avoir une corrélation significative entre les investissements et les rendements, comme on peut le voir sur la figure 5D, panneau de gauche; t(58) = 9,446, p < 0,001, r = 0,78. Cela indique que les fiduciaires ont peut-être fait des placements réciproques élevés avec des rendements élevés. Cependant, cela pourrait être dû aux rondes dans lesquelles les investisseurs ont investi zéro ou n’ont pas pris de décision unanime, de sorte que le fiduciaire n’avait pas la possibilité de retourner quoi que ce soit. Enfin, il a été analysé si les fractions de rendement plus élevées sont perçues comme des signaux à terme par les investisseurs, de sorte que les fractions de rendement plus élevées du tour t sont corrélées avec des investissements élevés dans le cycle t+1. Comme on peut le voir à la figure 5D, panneau de droite, cela n’a pas été corroboré par les données; t(54) = 0,207, p = 0,837, r = 0,028.

Pour résumer, les données quantitatives du CTG comprennent à la fois les données sur les mouvements et les investissements de chaque participant à chaque tour. Alors que les données d’investissement fournissent des parallèles avec les applications précédentes du jeu de confiance individuel, les données de mouvement permettent aux chercheurs d’observer le processus de confiance collective. Il convient de noter que les données sont collectées dans des groupes réels, ce qui augmente la validité externe, mais nécessite que la structure de données imbriquée soit prise en compte. Cela n’a pas été fait pour les analyses rapportées, car la petite taille de l’échantillon des données pilotes limite l’application de modèles linéaires à effets mixtes.

De plus, des données sur l’expérience subjective ont été recueillies dans l’échantillon pilote à l’aide d’un questionnaire post-expérience (dossier supplémentaire 1) qui comprenait 13 éléments au total, dont 11 étaient des questions ouvertes. En plus de l’expérience subjective pendant l’expérience, les éléments portaient sur des aspects spécifiques du CTG susceptibles d’influencer la qualité des données, tels que les principes subjectifs de comportement des participants pendant le jeu, l’intention présumée de l’expérience ou la clarté des instructions. Deux questions en format fermé ont évalué sur une échelle de Likert à cinq points si les participants percevaient l’investissement par le mouvement comme intuitif (-2 : « pas du tout » à +2 : « très ») et si le temps accordé aux participants pour se déplacer dans le jeu semblait suffisant (-2 : « beaucoup trop court » ; 0 : « à peu près juste » ; +2 : « beaucoup trop long »).

En général, les participants ont rapporté des expériences subjectives conformes à l’intention de l’expérience et à la facilité de suivre les instructions, tout en montrant suffisamment de naïveté de l’intention de l’étude. En moyenne, les participants ont déclaré que le jeu était « assez intuitif » (M = 0,69, ET = 0,79) et ont perçu le temps comme étant « à peu près correct » (M = -0,31, ET = 0,79).

Les réponses des participants aux questions ouvertes ont été analysées qualitativement selon Mayring⁴⁴. Dans l’ensemble, les participants étaient satisfaits du processus de recrutement et de la procédure en ligne, de la préservation de l’anonymat dans l’expérience, de la clarté des instructions et des informations fournies et de la logique du jeu. La plupart des participants étaient satisfaits de la conception des avatars en ce sens qu’ils pouvaient être facilement distingués. Cependant, seulement la moitié des participants ont déclaré qu’ils se sentaient représentés par leur avatar et ont fait remarquer que les symboles ou les visages d’animaux auraient pu être plus intéressants. En raison de ces résultats, les chercheurs devraient envisager d’inclure une mesure de l’incarnation des participants dans les applications de la CTG pour contrôler cette expérience tout en maintenant un plan expérimental minimaliste.

La plupart des participants ont fait remarquer qu’ils ressentaient le besoin de converger au milieu du terrain de jeu (c.-à-d. à l’option d’investissement la plus élevée). Les participants qui en ont fait l’expérience ont indiqué que l’envie de converger au milieu coïncidait avec leur volonté d’investir des montants élevés. De plus, certains participants ont rapporté qu’au lieu de se sentir attirés par le milieu, ils ont senti qu’ils devaient attirer les co-joueurs vers le milieu. En raison des contraintes pratiques de l’expérience et des compromis potentiels avec l’intuitivité, la conception initiale a été retenue dans laquelle les investissements et les rendements élevés convergent au milieu.

Les participants ont rapporté une multitude de suppositions sur l’objectif de l’étude, telles que l’influence du groupe sur ses propres décisions, la confiance ou le comportement des administrateurs. Bien que ces suppositions soient thématiquement proches de l’émergence étudiée de la confiance, les participants ont rapporté des stratégies comportementales telles que la maximisation des profits ou les intentions d’influencer le comportement des co-joueurs. Ces stratégies cadrent bien avec le caractère économique du CTG et ne contrecarrent pas les comportements que l’étude visait à observer.

Sur la base des résultats de l’expérience subjective, on pourrait conclure que le CTG satisfait aux critères de validité interne. L’analyse quantitative des données rapportée ici ne devrait servir qu’à illustrer la façon dont les données recueillies avec le CTG peuvent être analysées statistiquement.

Figure 2 : Exemple d’instructions de jeu. (A) Code HTML préparé par l’expérimentateur. (B) Fichier HTML affiché dans le navigateur. (C) Instructions telles qu’elles ont été montrées aux participants pendant l’expérience. Notez les boutons en bas pour naviguer dans les instructions. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3 : Capture d’écran de la plateforme de vidéoconférence. L’expérimentateur a partagé sa caméra, son microphone et sa présentation avec des informations de base sur la plate-forme de visioconférence et la connexion Bureau à distance. Un participant a déjà rejoint la conférence, mais il lui est interdit de partager son microphone, son écran ou sa caméra afin de garder l’anonymat. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 4 : Installation en laboratoire. Avant le début de l’expérience, l’expérimentateur démarre une connexion Bureau à distance avec tous les ordinateurs portables. Le bloc-notes 1 est connecté à l’utilisateur de l’expérience et reste connecté tout au long de l’expérience. Les blocs-notes 2 à 5 sont utilisés pour établir et vérifier la connexion avec les utilisateurs participants (« participant-1 » à « participant-4 »). Lorsque les participants établissent une connexion aux utilisateurs participants via l’outil Connexion Bureau à distance, les ordinateurs portables en laboratoire perdent la connexion. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 5 : Résultats fondés sur les données du projet pilote (N = 16 dans quatre groupes). (A) Tracés de violon des investissements de groupe (cents) dans les rondes 1, 7 et 15. Les formes de violon indiquent la densité de probabilité des investissements, les lignes en gras indiquent la médiane, les cases dans les violons indiquent la plage interquartile et les moustaches indiquent 1,5 fois la plage interquartile. Gauche; tous investissent. Droite; Investissements unanimes. (B) Trois marqueurs différents des données de mouvement qui peuvent être utilisés pour quantifier les aspects du processus de décision d’investissement dans le groupe. Rouge; Temps de décision (temps jusqu’au dernier mouvement en secondes). Vert; Longueur moyenne des déplacements (temps d’un mouvement à l’autre en secondes). Bleu; Nombre de changements de direction dans le schéma de mouvement (nombre). (C) Diagramme de fréquence (comptage) des retours. Gauche; Tous les retours (en tant que fractions de retour) entre les arrondis sont comptés. Droite; Seuls ces rendements (en tant que fractions de rendement) sont comptés avant que les fiduciaires reçoivent un investissement. (D) Nuages de points des investissements (cents) et des rendements (en fractions de rendement). La ligne bleue indique les valeurs prédites (en utilisant un modèle linéaire avec la formule: y ~ x), le ruban gris indique l’erreur type des prédictions. Gauche; corrélation de réciprocité. Des investissements élevés sont-ils corrélés à des rendements élevés dans le même tour de table? Droite; corrélation de signalisation avancée. Des rendements élevés sont-ils corrélés à des investissements élevés lors du tour suivant? Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure supplémentaire 1 : Exemple de publicité en ligne au moyen d’un dépliant affiché sur un blogue en ligne. Ce dépliant est un exemple de l’information qui devrait être incluse dans la publicité du dépliant de recrutement des participants et de la manière dont elle pourrait être présentée. Veuillez cliquer ici pour télécharger ce fichier.

Dossier complémentaire 1 : Questionnaire complet de l’étude pilote. Le questionnaire complet utilisé dans l’étude pilote peut être consulté ici. Veuillez cliquer ici pour télécharger ce fichier.

Données supplémentaires1 : Exemple de sortie de données contenant les données sur les investissements d’un groupe (c.-à-d. quatre participants : trois investisseurs (PID 0-2) et un fiduciaire (PID 4). Il s’agit d’un exemple de fichier de données brutes contenant a) des informations sur l’ordre de jeu, b) la liste des joueurs, c) les positions de départ (« StartSicht ») et finales (« dernier terrain de jeu commun ») de tous les joueurs, ainsi que d) leur investissement, leurs gains et le solde de leur compte (« Soldes: coût récompense saldo »). Veuillez cliquer ici pour télécharger ce fichier.

Données supplémentaires 2 : Exemple de sortie de données contenant des données sur les mouvements d’un groupe (c.-à-d. quatre participants : trois investisseurs (pid 0-2) et un fiduciaire (pid 4). Ceci est un exemple de fichier de données brutes contenant les coordonnées (« sj ») de chaque joueur (« pid ») à un moment donné de l’expérience. Le début d’un nouveau tour est indiqué par un « -1 » comme « pid ». Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Le CTG offre aux chercheurs la possibilité d’adapter le BDM¹ classique aux groupes et d’observer en profondeur les processus émergents au sein des groupes. Alors que d’autres travaux^23,24,25,26 ont déjà tenté d’adapter le BDM¹ aux paramètres de groupe^, la seule façon d’accéder aux processus de groupe dans ces études sont des analyses laborieuses des interactions de groupe de discussions enregistrées sur vidéo. Comme il s’agit souvent d’une tâche fastidieuse et chronophage¹⁷, les études ne rendent pas compte régulièrement de ces aspects. Par rapport à ces méthodes existantes, le CTG est, à la connaissance des auteurs, le premier paradigme qui permet aux chercheurs de suivre la confiance collective comme un phénomène émergent en temps réel grâce aux données de mouvement. Le CTG est donc plus rapide. De plus, l’utilisation d’analyses quantitatives pour capturer les processus de groupe permet aux chercheurs de préenregistrer les analyses de processus, ce qui est souvent difficile avec des approches plus qualitatives.

Pour que le paradigme produise des données de haute qualité, il est crucial de suivre de près le protocole. Les cinq étapes critiques suivantes méritent une attention particulière de la part des chercheurs. Tout d’abord, les configurations effectuées dans le jeu doivent être maintenues constantes tout au long des sessions d’expérimentation et doivent être documentées. Deuxièmement, les participants qui ont déjà participé à des études similaires (c.-à-d. des études utilisant n’importe quelle version de jeu de confiance) devraient être exclus à l’étape du recrutement, car cela pourrait créer des biais dans le comportement et réduire l’ampleur de l’effet⁴⁵. Troisièmement, les chercheurs doivent s’assurer que les participants sont anonymes en interdisant aux participants de partager leur microphone, leur caméra et leur nom complet pendant la vidéoconférence, car il a été démontré que le niveau d’anonymat affecte le comportement dans les jeux économiques²⁷. Quatrièmement, lors du démarrage du jeu, les chercheurs doivent vérifier soigneusement qu’une connexion correcte entre l’utilisateur participant et l’utilisateur de l’expérience est établie en s’assurant que l’utilisateur participant est répertorié dans l’interface graphique de l’expérimentateur. Cinquièmement, les assistants de recherche qui recueillent les données doivent recevoir une formation approfondie pour être en mesure de résoudre les problèmes techniques avec les participants. Dans le cas où les participants éprouvent des difficultés à établir la connexion Bureau à distance, les assistants de recherche doivent être en mesure de fournir un soutien afin de retenir les participants dans le groupe. Si une personne abandonne en raison de difficultés techniques, tous les participants dans le créneau horaire de l’expérience peuvent devoir être reportés, ce qui entraîne des coûts monétaires supplémentaires et une perte de temps.

Si des difficultés techniques surviennent au démarrage du jeu, assurez-vous que (a) un environnement d’exécution Java actuel est installé sur votre machine Remote Desktop, (b) tous les utilisateurs peuvent accéder aux fichiers et les exécuter dans les dossiers partagés, (c) tous les utilisateurs exécutent les commandes dans le même répertoire, et (d) tous les PC/ordinateurs portables accédant à la connexion Bureau à distance disposent d’une connexion Internet stable. Pour le dépannage au cours de la session expérimentale, vérifiez que (a) tous les participants et les chercheurs ont une connexion Internet stable, (b) les participants ont reçu les informations de connexion correctes pour la connexion Bureau à distance, et (c) le serveur exécutant la connexion Bureau à distance dispose de ressources suffisantes (par exemple, vérifier l’utilisation du processeur) pendant la session expérimentale.

Le CTG est hautement adaptable à différentes questions de recherche, ce qui permet un large éventail d’applications possibles dans la recherche. Selon l’objectif d’une étude, une multitude de paramètres peuvent être personnalisés, tels que le nombre de joueurs, l’exigence de décisions unanimes, l’apparence visuelle, le timing et les paramètres monétaires du BDM. Bien que la flexibilité de ce paradigme soit un avantage, il est important de garder à l’esprit que les adaptations du paradigme doivent toujours être rigoureusement fondées sur la théorie et pilotées. Au-delà des configurations que les chercheurs peuvent effectuer dans les fichiers *.config, le jeu ne peut être ajusté que via le code source programmé par Johannes Pritz, qui n’est pas encore disponible en ligne. Bien que de nombreuses adaptations soient possibles, le cadre de la plate-forme HoneyComb limite les applications possibles aux tâches de déplacement et aux options d’investissement discrètes.

Dans les applications futures du CTG, la quantité de fractions de retour pourrait être augmentée (par exemple, 1/10, 2/10, 3/10, ...) afin de fournir une résolution plus élevée sur le comportement de retour. De cette façon, le côté des investisseurs ainsi que celui des fiduciaires peuvent être joués par des individus ou des groupes, ce qui permet d’enquêter sur différents niveaux et référents de confiance comme l’ont proposé Fulmer et Gelfand⁷. Les applications futures de ce protocole pourraient également combiner la procédure en ligne de cette méthode avec d’autres expériences de la plate-forme HoneyComb 30,32,46,47 ou inclure d’autres formes de communication telles qu’un chat ou même une interaction en face à face entre investisseurs et / ou fiduciaires dans une expérience sur site telle que présentée par Boos et ses collègues ³¹ . De cette façon, d’autres indices influençant l’émergence de la confiance collective, tels que la communication non verbale, pourraient également être étudiés à l’aide de ce paradigme.

Dans l’ensemble, le CTG combine les avantages des jeux économiques - validité interne élevée et simplicité - avec des données de processus de groupe riches. Par ce moyen, le CTG peut servir de tremplin dans la recherche de groupe sur les processus de confiance et d’équité.

Materials

Name	Company	Catalog Number	Comments
Data Analysis Software and Packages	R	version 4.2.1 (2022-06-23 ucrt)	R Core Team R: A Language and Environment for Statistical Computing. at [https://www.R-project.org/]. R Foundation for Statistical Computing. Vienna, Austria. (2020).
Data Analysis Software and Packages	R Studio	version 2022.2.3.492 "Prairie Trillium"	RStudio Team RStudio: Integrated Development Environment for R. at [http://www.rstudio.com/]. RStudio, PBC. Boston, MA. (2020).
Data Analysis Software and Packages	ggplot2	version 3.3.6	Wickham, H. ggplot2: Elegant Graphics for Data Analysis. at [https://ggplot2.tidyverse.org]. Springer-Verlag New York. (2016).
Data Analysis Software and Packages	cowplot	version 1.1.1	Wilke, C.O. cowplot: Streamlined Plot Theme and Plot Annotations for “ggplot2.” at [https://CRAN.R-project.org/package=cowplot]. (2020).
OnlineQuestionnaireTool	LimeSurvey	Community Edition Version 3.28.16+220621	Any preferred online questionnaire tool can be used. LimeSurvey or SoSciSurvey are recommended.
Notebooks or PCs	DELL	Latitude 7400	Any laptop that is able to establish a stable Remote Desktop Connection can be used.
Participant Management Software	ORSEE	version 3.1.0	It is recommended to use ORSEE (Greiner, B. [2015]. Subject pool recruitment procedures: Organizing experiments with ORSEE. Journal of the Economic Science Association, 1, 114–125. https://doi.org/10.1007/s40881-015-0004-4), but other software options might be available.
Program to Open RemoteDesktop Connection	Remote Desktop Connection (Program distributed with each Windows 10 installation.)		The following tools are recommended: RemoteDesktopConnection (for Windows), Remmina (for Linux), or Microsoft Remote Desktop (for Mac OS).
Server to run RemoteDesktop Environment	VMware vSphere environment based on vSphere ESXi	version 6.5	Ideally provided by IT department of university/institution.
VideoConference Platform	BigBlueButton	Version 2.3	It is recommend to use a platform such as BigBlueButton or other free software that does not record participant data on an external server. The platform should provide the following functions: 1) possibility to restrict access to microphone and camera for participants, 2) hide participant names from other participants, 3) possibility to send private chat message to participants.
Virtual Machine running Linux-Installation	Xubuntu	version 20.04 "Focal Fossa"	Other Linux-based systems will also be possible.