Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

The Collective Trust Game: Eine Online-Gruppenadaption des Trust-Spiels basierend auf dem HoneyComb-Paradigma

Published: October 20, 2022 doi: 10.3791/63600
Automatic Translation
1, *1, *1, 1, 1
1University of Goettingen
* These authors contributed equally

Summary

Das Collective Trust Game ist ein computerbasiertes Multi-Agenten-Vertrauensspiel, das auf dem HoneyComb-Paradigma basiert und es Forschern ermöglicht, die Entstehung von kollektivem Vertrauen und verwandten Konstrukten wie Fairness, Gegenseitigkeit oder Vorwärtssignalisierung zu bewerten. Das Spiel ermöglicht detaillierte Beobachtungen von Gruppenprozessen durch Bewegungsverhalten im Spiel.

Abstract

Die Notwendigkeit, Vertrauen in Gruppen ganzheitlich zu verstehen, hat zu einer Welle neuer Ansätze zur Messung des kollektiven Vertrauens geführt. Dieses Konstrukt wird jedoch mit den verfügbaren Forschungsmethoden oft nicht vollständig in seinen emergenten Qualitäten erfasst. In diesem Artikel wird das Collective Trust Game (CTG) vorgestellt, ein computerbasiertes Multi-Agenten-Vertrauensspiel, das auf dem HoneyComb-Paradigma basiert und es Forschern ermöglicht, die Entstehung von kollektivem Vertrauen zu beurteilen. Das CTG baut auf früheren Forschungen zum zwischenmenschlichen Vertrauen auf und passt das weithin bekannte Trust Game an ein Gruppensetting im HoneyComb-Paradigma an. Die Teilnehmer übernehmen entweder die Rolle eines Anlegers oder eines Treuhänders; Beide Rollen können von Gruppen gespielt werden. Anleger und Treuhänder werden zunächst mit einer Geldsumme ausgestattet. Dann müssen die Anleger entscheiden, wie viel, wenn überhaupt, von ihrer Stiftung sie an die Treuhänder senden möchten. Sie kommunizieren ihre Tendenzen sowie ihre endgültige Entscheidung, indem sie sich auf einem Spielfeld hin und her bewegen und mögliche Investitionsbeträge anzeigen. Am Ende ihrer Entscheidungszeit wird der Betrag, auf den sich die Anleger geeinigt haben, multipliziert und an die Treuhänder gesendet. Die Treuhänder müssen mitteilen, wie viel von dieser Investition, wenn überhaupt, sie an die Anleger zurückgeben wollen. Auch dies tun sie, indem sie sich auf dem Spielfeld bewegen. Dieses Verfahren wird über mehrere Runden wiederholt, so dass kollektives Vertrauen durch wiederholte Interaktionen als gemeinsames Konstrukt entstehen kann. Mit diesem Verfahren bietet das CTG die Möglichkeit, die Entstehung kollektiven Vertrauens durch die Aufzeichnung von Bewegungsdaten in Echtzeit zu verfolgen. Das CTG ist in hohem Maße an spezifische Forschungsfragen anpassbar und kann als Online-Experiment mit weniger, kostengünstiger Ausrüstung durchgeführt werden. Dieser Beitrag zeigt, dass das CTG den Reichtum an Gruppeninteraktionsdaten mit der hohen internen Validität und Zeiteffektivität ökonomischer Spiele kombiniert.

Introduction

Das Collective Trust Game (CTG) bietet die Möglichkeit, kollektives Vertrauen online innerhalb einer Gruppe von Menschen zu messen. Es verallgemeinert das ursprüngliche Trust Game von Berg, Dickhaut und McCabe1 (BDM) auf Gruppenebene und kann kollektives Vertrauen in seine emergenten Qualitäten 2,3,4 sowie verwandte Konzepte wie Fairness, Reziprozität oder Vorwärtssignalisierung erfassen und quantifizieren.

Frühere Forschungen konzeptualisieren Vertrauen meist als ein rein zwischenmenschliches Konstrukt, zum Beispiel zwischen einem Führer und einem Anhänger5,6, ohne höhere Analyseebenen. Gerade in organisatorischen Kontexten reicht dies möglicherweise nicht aus, um Vertrauen ganzheitlich zu verstehen, daher besteht ein großer Bedarf, die Prozesse zu verstehen, durch die Vertrauen auf Gruppenebene aufgebaut (und abnimmt).

In jüngster Zeit hat die Vertrauensforschung mehr Mehrebenendenken integriert. Fulmer und Gelfand7 überprüften eine Reihe von Studien zum Thema Vertrauen und kategorisierten sie nach dem Analyseniveau, das in jeder Studie untersucht wird. Die drei verschiedenen Analyseebenen sind zwischenmenschlich (dyadisch), gruppen- und organisatorisch. Wichtig ist, dass Fulmer und Gelfand7 zusätzlich zwischen verschiedenen Referenten unterscheiden. Die Referenten sind die Entitäten, auf die Vertrauen gerichtet ist. Dies bedeutet, dass, wenn "A B an X vertraut", dann wird A (der Investor in wirtschaftlichen Spielen) durch die Ebene (Individuum, Gruppe, Organisation) und B (der Treuhänder) durch den Referenten (Individuum, Gruppe, Organisation) repräsentiert. X steht für eine bestimmte Domäne, auf die sich Vertrauen bezieht. Dies bedeutet, dass X alles sein kann, wie eine allgemein positive Neigung, aktive Unterstützung, Zuverlässigkeit oder finanzieller Austausch wie in Wirtschaftsspielen1.

Hier wird kollektives Vertrauen auf der Grundlage der Definition von zwischenmenschlichem Vertrauen8 von Rousseau und Kollegen und ähnlich wie frühere Studien über kollektives Vertrauen 9,10,11,12,13,14 definiert; Kollektives Vertrauen umfasst die Absicht einer Gruppe, Verletzlichkeit zu akzeptieren, basierend auf positiven Erwartungen an die Absichten oder das Verhalten einer anderen Person, Gruppe oder Organisation. Kollektives Vertrauen ist ein psychologischer Zustand, der von einer Gruppe von Menschen geteilt wird und in Interaktion zwischen dieser Gruppe gebildet wird. Der entscheidende Aspekt des kollektiven Vertrauens ist daher die Gemeinsamkeit innerhalb einer Gruppe.

Dies bedeutet, dass die Forschung über kollektives Vertrauen über einen einfachen Durchschnitt individueller Prozesse hinausblicken und kollektives Vertrauen als emergentes Phänomen konzeptualisieren muss 2,3,4, da neue Entwicklungen in der Gruppenwissenschaft zeigen, dass Gruppenprozesse fließend, dynamisch und emergent sind 2,15. Wir definieren Emergenz als einen "Prozess, durch den untergeordnete Systemelemente interagieren und durch diese Dynamik Phänomene erzeugen, die sich auf einer höheren Ebene des Systems manifestieren"16 (S. 335). Vorgeschlagen sollte dies auch für das kollektive Vertrauen gelten.

Forschung, die den Fokus auf Entstehung und Dynamik von Gruppenprozessen widerspiegelt, sollte geeignete Methoden17 verwenden, um diese Qualitäten zu erfassen. Der aktuelle Stand der kollektiven Vertrauensmessung scheint jedoch hinterherzuhinken. Die meisten Studien haben eine einfache Mittelungstechnik für die Daten jedes Individuums in der Gruppe 9,10,12,13,18 verwendet. Dieser Ansatz hat wohl nur wenig prädiktive Gültigkeit2, da er außer Acht lässt, dass Gruppen nicht einfach Aggregationen von Individuen sind, sondern übergeordnete Entitäten mit einzigartigen Prozessen. Einige Studien haben versucht, diese Nachteile anzugehen: Eine Studie von Adams19 verwendete einen latenten variablen Ansatz, während Kim und Kollegen10 Vignetten verwendeten, um das kollektive Vertrauen zu schätzen. Diese Ansätze sind insofern vielversprechend, als sie kollektives Vertrauen als übergeordnetes Konstrukt anerkennen. Doch wie Chetty und Kollegen20 bemerken, fehlen umfragebasierten Maßnahmen Anreize, wahrheitsgemäß zu antworten, so dass die Forschung über Vertrauen zunehmend verhaltens- oder anreizkompatible Maßnahmen angenommen hat21,22.

Dieses Problem wird durch eine Reihe von Studien angesprochen, die eine Verhaltensmethode, nämlich das BDM1, angepasst haben, um von Gruppen23,24,25,26 gespielt zu werden. Im BDM treten zwei Parteien entweder als Investoren (A) oder als Treuhänder (B) auf. In diesem sequentiellen Wirtschaftsspiel erhalten sowohl A als auch B eine anfängliche Ausstattung (z. B. 10 Euro). Dann muss A entscheiden, wie viel, wenn überhaupt, von seiner Stiftung er an B senden möchte (z. B. 5 Euro). Dieser Betrag wird dann vom Experimentator verdreifacht, bevor B entscheiden kann, wie viel, wenn überhaupt, des erhaltenen Geldes (z. B. 15 Euro) er an A zurücksenden möchte (z. B. 7,5 Euro). Der Geldbetrag, den A an B sendet, wird operationalisiert, um das Vertrauensniveau von A gegenüber B zu sein, während der Betrag, den B zurücksendet, verwendet werden kann, um die Vertrauenswürdigkeit von B oder den Grad der Fairness in der Dyade von A und B zu messen. Eine große Anzahl von Forschungen hat das Verhalten in dyadischen Vertrauensspielen untersucht27. Das BDM kann sowohl als sogenanntes "One-Shot"-Spiel gespielt werden, bei dem die Teilnehmer das Spiel nur einmal mit einer bestimmten Person spielen, als auch in wiederholten Runden, in denen Aspekte wie Reziprozität28,29 sowie Vorwärtssignalisierung eine Rolle spielen können.

In vielen Studien, die den BDM für die Gruppen23,24,25,26 angepasst haben, wurden entweder der Investor, der Treuhänder oder beide Rollen von Gruppen gespielt. Keine dieser Studien erfasste jedoch Gruppenprozesse. Die einfache Ersetzung von Individuen durch Gruppen in Studiendesigns entspricht nicht den Standards, die Kolbe und Boos17 oder Kozlowski15 für die Untersuchung emergenter Phänomene aufgestellt haben. Um diese Lücke zu schließen, wurde das CTG entwickelt.

Ziel der Entwicklung des CTG war es, ein Paradigma zu schaffen, das das weit verbreitete BDM1 mit einem Ansatz kombiniert, der kollektives Vertrauen als emergentes verhaltensbasiertes Konstrukt erfasst, das von einer Gruppe geteilt wird.

Das CTG basiert auf dem HoneyComb-Paradigma von Boos und Kollegen30, das auch im Journal of Visualized Experiments31 veröffentlicht wurde und nun für den Einsatz in der Vertrauensforschung angepasst wurde. Wie von Ritter und Kollegen32 beschrieben, ist das HoneyComb-Paradigma "eine computerbasierte virtuelle Spielplattform mit mehreren Agenten, die entwickelt wurde, um alle sensorischen und Kommunikationskanäle mit Ausnahme der Wahrnehmung von Avatarbewegungen der Teilnehmer auf dem Spielfeld zu eliminieren" (S. 3). Das HoneyComb-Paradigma eignet sich besonders für Forschungsgruppenprozesse, da es Forschern ermöglicht, die Bewegung von Mitgliedern einer realen Gruppe mit räumlich-zeitlichen Daten aufzuzeichnen. Man könnte argumentieren, dass HoneyComb neben der Gruppeninteraktionsanalyse17 eines der wenigen Werkzeuge ist, mit denen Forscher Gruppenprozesse sehr detailliert verfolgen können. Im Gegensatz zur Gruppeninteraktionsanalyse ist die quantitative Analyse der räumlich-zeitlichen Daten von HoneyComb weniger zeitintensiv. Darüber hinaus ermöglicht die reduktionistische Umgebung und die Möglichkeit, jegliche zwischenmenschliche Kommunikation zwischen den Teilnehmern mit Ausnahme der Bewegung auf dem Spielfeld auszuschließen, den Forschern, Störfaktoren (z. B. körperliche Erscheinung, Stimme, Gesichtsausdrücke) zu begrenzen und Experimente mit hoher interner Gültigkeit zu erstellen. Während es schwierig ist, alle einflussreichen Aspekte eines Gruppenprozesses in Studien zu identifizieren, die Gruppendiskussionsdesigns verwenden33, ermöglicht der Fokus auf grundlegende Prinzipien der Gruppeninteraktion in einem Bewegungsparadigma den Forschern, alle Aspekte des Gruppenprozesses in diesem Experiment zu quantifizieren. Darüber hinaus haben frühere Forschungen proxämisches Verhalten34 verwendet, um den Raum zwischen sich und einem anderen Individuum zu reduzieren, um Vertrauenzu untersuchen 35,36.

Figure 1
Abbildung 1: Schematische Übersicht des CTG. (A) Schematischer Ablauf einer CTG-Runde. (B) Anfängliche Platzierung der Avatare zu Beginn der Runde. Die drei blau gefärbten Investoren stehen auf dem Anfangsfeld "0". Der gelbe Treuhänder steht auf dem Anfangsfeld "0". (C) Screenshot während der Investitionsphase, der drei Investoren (blaue Avatare) auf der unteren Hälfte des Spielfelds zeigt. Einer (großer blauer Avatar) steht derzeit auf "12", zwei Investoren stehen derzeit auf "24". Zwei Avatare haben Schwänze (gekennzeichnet durch orangefarbene Pfeile). Die Schwänze zeigen an, aus welcher Richtung sie sich in ihr aktuelles Feld bewegt haben (z. B. hat sich ein Investor (großer blauer Avatar) gerade von "0" auf "12" bewegt). Der Avatar ohne Schwanz steht seit mindestens 4000 ms auf diesem Feld. (D) Screenshot während der Rückkehrphase, der einen Treuhänder (gelber Avatar) und die obere Hälfte des Spielfeldes zeigt. Der Treuhänder steht derzeit auf "3/6" und ist kürzlich von "2/6" dorthin gezogen, wie durch den Schwanz angezeigt. Die blaue Zahl unten (36) zeigt die Investition der Anleger an. Die gelbe Zahl, die durch den Pfeil angezeigt wird, ist die aktuelle Rendite (54), wie in der Mitte des Spielfelds dargestellt. Die Rendite errechnet sich wie folgt: (investieren (36 Cent) x 3) x aktueller Renditeanteil (3/6) = 54 Cent. (E) Pop-up-Fenster, das den Teilnehmern Feedback gibt, wie viel sie während der Runde verdient haben, und 15 Sekunden lang nach Ablauf der Auszeit des Treuhänders angezeigt wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Das Hauptverfahren des CTG (Abbildung 1A) orientiert sich eng am Verfahren des BDM1, um die Ergebnisse mit früheren Studien mit diesem ökonomischen Spiel vergleichbar zu machen. Da das HoneyComb-Paradigma auf dem Bewegungsprinzip basiert, geben die Teilnehmer den Betrag an, den sie investieren oder zurückgeben möchten, indem sie ihren Avatar auf das kleine Sechseckfeld bewegen, das einen bestimmten Geldbetrag oder Bruchteil anzeigt, der zurückgegeben werden soll (Abbildung 1C, D). Vor jeder Runde werden sowohl die Anleger als auch die Treuhänder mit einem bestimmten Geldbetrag (z. B. 72 Cent) ausgestattet, wobei die Anleger in der unteren Hälfte des Spielfelds und die Treuhänder in der oberen Hälfte des Spielfelds platziert werden (Abbildung 1B). In der Standardeinstellung dürfen sich die Anleger zuerst bewegen, während die Treuhänder still bleiben. Die Anleger bewegen sich über das Spielfeld, um anzugeben, wie viel, wenn überhaupt, ihrer Stiftung sie an den Treuhänder senden möchten (Abbildung 1C). Durch das Hin- und Herbewegen auf dem Feld können die Teilnehmer auch anderen Investoren mitteilen, wie viel sie an den Treuhänder senden möchten. Je nach Konfiguration müssen die Teilnehmer einstimmig entscheiden, wie viel sie investieren möchten, indem sie nach Erreichen des Timeouts auf einem Spielfeld zusammenlaufen. Einstimmige Entscheidungen waren erforderlich, um durchzusetzen, dass Investoren miteinander interagieren müssen, anstatt nur nebeneinander zu spielen. Kommen die Anleger zu keiner gemeinsamen Entscheidung, wird eine Strafe (z.B. 24 Cent) von ihrem Konto abgezogen. Dies wurde umgesetzt, um sicherzustellen, dass die Anleger hoch motiviert sind, ein gemeinsames Maß an kollektivem Vertrauen zu erreichen. Sobald die Zeit der Anleger abgelaufen ist, wird das investierte Geld multipliziert und an die Treuhänder gesendet, die sich dann bewegen dürfen, während die Anleger still bleiben. Die Treuhänder zeigen durch Bewegung an, wie viel sie an die Anleger zurückgeben möchten (Abbildung 1D). Die verfügbaren Renditeoptionen werden als Bruchteile auf dem Spielfeld angezeigt, um die kognitive Belastung der Treuhänder vergleichsweise gering zu halten. Das Spielfeld, auf dem die Treuhänder nach Ablauf ihrer zugewiesenen Zeit stehen, gibt an, welcher Anteil (z. B. 4/6) an die Anleger zurückgegeben wird. Die Runde endet mit einem Pop-up (Abbildung 1E), das für jeden Teilnehmer zusammenfasst, wie viel er in dieser Runde verdient hat und wie hoch sein aktueller Kontostand ist.

Runden sollten mehrmals wiederholt werden. Forscher sollten die Teilnehmer das CTG für mindestens 10 oder 15 Runden in den gleichen Rollen spielen lassen. Dies ist notwendig, da kollektives Vertrauen ein emergentes Konstrukt ist und sich bei wiederholten Interaktionen innerhalb einer Gruppe entwickeln muss. In ähnlicher Weise werden andere Konzepte wie Forward-Signaling (d. h. das Erzielen hoher Renditen von Treuhändern mit hohen Investitionen in der nächsten Runde) nur in wiederholten Interaktionen auftauchen. Es ist jedoch von entscheidender Bedeutung, dass die Teilnehmer die genaue Anzahl der zu spielenden Runden nicht kennen, da sich gezeigt hat, dass sich das Verhalten drastisch ändern kann, wenn sich die Teilnehmer bewusst sind, dass sie die letzte Runde spielen (d.h. mehr unfaires Verhalten oder Ablenkungen in Wirtschaftsspielen37,38).

Auf diese Weise liefert die CTG Informationen über die Entstehung kollektiven Vertrauens auf mehreren Ebenen. Erstens sollte das Niveau des kollektiven Vertrauens, das in der Endrunde gezeigt wurde, eine genaue Darstellung des gemeinsamen Vertrauensniveaus sein, das die Anleger gegenüber dem/den Treuhänder haben. Zweitens kann der in jede Runde investierte Betrag als Ersatz für die Entstehung von kollektivem Vertrauen über wiederholte Interaktionen dienen. Drittens geben Bewegungsdaten Aufschluss über den Gruppenprozess, der bestimmt, wie viel Geld in jede Runde investiert wird.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Die Datenerhebung und Datenanalyse in diesem Projekt wurde von der Ethikkommission des Georg-Elias-Müller-Instituts für Psychologie der Universität Göttingen genehmigt (Antrag 289/2021); das Protokoll folgt den Richtlinien zur Humanforschung der Ethikkommissionen des Georg-Elias-Müller-Instituts für Psychologie. Die CTG-Software kann vom OSF-Projekt heruntergeladen werden (DOI 10.17605/OSF. IO/U24PX) unter dem Link: https://s.gwdg.de/w88YNL.

1. Technisches Setup vorbereiten

  1. Erstellung von Online-Einwilligungserklärungen und Fragebögen
    1. Bereiten Sie eine Online-Einwilligungserklärung in einem Online-Fragebogen-Tool vor.
    2. Bereiten Sie ggf. einen Online-Fragebogen in einem Online-Fragebogentool vor.
      HINWEIS: Es ist möglich, einen kurzen Fragebogen in das HoneyComb-Programm aufzunehmen (siehe Schritt 1.3.5). Um längere Fragebögen zu verwenden, verwenden Sie stattdessen ein separates Online-Fragebogen-Tool. Beispiele für Online-Fragebogen-Tools finden Sie im Materialverzeichnis.
  2. Vorbereiten des Remotedesktopservers
    1. Installieren Sie ein Linux-basiertes Betriebssystem auf einem Remoteserver. Wenn möglich, fragen Sie technische Assistenten nach den verfügbaren Ressourcen an der Institution. Befolgen Sie andernfalls eine Installationsrichtlinie39.
    2. Erstellen Sie verschiedene Benutzer auf diesem Server40.
      1. Erstellen Sie einen Benutzeradministrator , der über Root-Berechtigungen verfügt und auf den ausschließlich der technische Leiter im Test zugreift.
      2. Erstellen Sie einen Benutzerexperimentator , der über Berechtigungen zum Erstellen von freigegebenen Ordnern, zum Importieren und Exportieren von Daten verfügt und auf das alle Mitarbeiter zugreifen können, die Daten sammeln (einschließlich Studenten/Forschungsassistenten usw.).
      3. Erstellen Sie mehrere Benutzer mit den Namen participant-1, participant-2 usw.
        HINWEIS: Forscher können nur so viele Teilnehmer in einer experimentellen Sitzung testen wie Benutzer, die erstellt werden.
    3. Führen Sie den Befehl java -version auf dem Benutzer admin aus, um sicherzustellen, dass eine Java-Laufzeitumgebung auf dem Server verfügbar ist. Wenn nicht, installieren Sie die neueste Java-Version, bevor Sie fortfahren, und stellen Sie sicher, dass alle Benutzer darauf zugreifen können.
    4. Installieren Sie das Programm
      1. Laden Sie das Programm herunter.
        HINWEIS: Das Programm kann als Zip-Datei heruntergeladen werden HC_CTG.zip enthält 1) die lauffähige 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.
      2. Erstellen Sie einen Ordner für den Experimentatorbenutzer und teilen Sie ihn mit den anderen Benutzern41. Extrahieren Sie die Dateien aus der komprimierten Datei HC_CTG.zip in diesen Ordner.
      3. Greifen Sie für jeden teilnehmenden Benutzer auf diesen freigegebenen Ordner zu, und überprüfen Sie, ob der Benutzer auf die Dateien zugreifen kann.
  3. Öffnen Sie die drei Konfigurationsdateien.
    1. Bearbeiten Sie hc_server.config , und speichern Sie die bearbeitete Datei.
      1. Konfigurieren Sie die Anzahl der Spieler, indem Sie n_Pl auf die gewünschte Anzahl einstellen. Geben Sie beispielsweise 4 hinter dem = ein.
      2. Konfigurieren Sie die Anzahl der zu spielenden Runden (playOrder), indem Sie die Spielnummer 54a wiederholen (z. B. 54a, 54a, 54a, 54a für vier Runden).
        HINWEIS: i54a steht für die Anweisungen und sollte nicht in der Konfigurationsdatei gelöscht werden.
      3. Konfigurieren Sie, ob ein Fragebogen in HoneyComb angezeigt werden soll, indem Sie 200 am Ende von playOrder einfügen. Löschen Sie 200 , wenn ein separates Online-Fragebogen-Tool verwendet wird.
      4. Konfigurieren Sie die Investitionsskala. Um die Skala für Investoren (iscale) zu konfigurieren, geben Sie an, welche Werte als Anlageschritte zur Verfügung stehen sollen (z. B. 0, 12, 24, 36, 48, 60, 72). Verwenden Sie ganze Zahlen, die ein Vielfaches von drei sind, damit Auszahlungen ebenfalls ganze Zahlen sind.
        HINWEIS: Diese konfigurierten Werte werden den Anlegern auch als mögliche Investitionsschritte angezeigt.
        1. Konfigurieren Sie die Anzeigeskala für Treuhänder (tlabel), indem Sie auswählen, welche Werte als mögliche Renditen auf dem Spielfeld angezeigt werden sollen (z. B. 0, 1/6, 2/6, 3/6, 4/6, 5/6, 1). HINWEIS: Diese Skala hat keinen Einfluss auf die Berechnung der Auszahlungen.
        2. Konfigurieren Sie die Skala für Treuhänder (tscala), indem Sie auswählen, welche Rückgabewerte als Rückgabe möglich sein sollen (z. B. 0, 0,166666, 0,3333, 0,5, 0,6666, 0,833331, 1). Verwenden Sie nur digitale Werte (d. h. keine Brüche).
          HINWEIS: Diese Werte werden zur Berechnung von Auszahlungen verwendet und NICHT auf dem Spielfeld angezeigt.
      5. Konfigurieren Sie die Time-Ins (timeInI für Investoren, timeInT für Treuhänder) und Timeouts (timeOutI für Investoren, Timeout für Treuhänder) in Sekundenschnelle. Beispiel: timeInI = 0, timeOutI = 30, timeInT = 30 und timeout = 45.
      6. Konfigurieren Sie den Geldbetrag, mit dem Anleger und Treuhänder in jeder Runde ausgestattet sind, in Cent (r52).
      7. Konfigurieren Sie den Faktor, mit dem die Investition multipliziert wird, bevor sie an den Treuhänder gesendet wird (f52).
      8. Konfigurieren Sie, ob die Gruppe eine einstimmige Entscheidung treffen muss ( setzen Sie bEinstimmig auf wahr) oder nicht ( setzen Sie einstimmig auf falsch)
      9. Konfigurieren Sie, ob die Gruppe zu gleichen Teilen ausgezahlt wird (setzen Sie bCommon auf true) oder je nachdem, wie viel jeder Anleger zur Investition beigetragen hat (setzen Sie bCommon auf false).
      10. Wenn bUnanimous auf true gesetzt ist, konfigurieren Sie die Strafe - den Geldbetrag, der von den Investoren abgezogen wird, wenn keine einstimmige Entscheidung getroffen wird (S. 52).
    2. Bearbeiten Sie ggf . hc_client.config. Stellen Sie sicher , dass ip_nr auf localhost festgelegt ist, damit die Clients eine Verbindung zum Experimentator herstellen können.
    3. Bearbeiten Sie hc_panel.config.
      1. Passen Sie die Größe der Sechsecke (Radius) entsprechend der Bildschirmauflösung an. Testen Sie das Experiment auf mehreren verschiedenen Bildschirmen, um sicherzustellen, dass das Experiment auf einer Vielzahl von Bildschirmen sichtbar ist.
      2. Passen Sie den Text an, der auf dem Spielfeld unter Beschriftungen angezeigt wird (z. B. Ihre Rolle ist: Investor, Kontostand usw.).
    4. Passen Sie die Anweisungen bei Bedarf an und/oder übersetzen Sie sie. Bearbeiten und speichern Sie dazu die einfachen HTML-Dateien (Abbildung 2A) im Ordner "intro" innerhalb des HoneyComb-Programmordners.
    5. Wenn Sie den Fragebogen innerhalb des HoneyComb-Programms verwenden möchten, passen Sie den Fragebogen in der Datei qq.txt an und/oder übersetzen Sie ihn und speichern Sie die Datei.
    6. Halten Sie dieses Setup über alle Experimentsitzungen hinweg konstant (innerhalb einer Testbedingung). Dokumentieren Sie alle Konfigurationen.

2. Teilnehmerwerbung

  1. Online-Werbung
    1. Rekrutieren Sie Teilnehmer über verfügbare Kanäle (z.B. Social Media, Uni-Blog, Flyer mit QR-Code). Nennen Sie wichtige Informationen zum Experiment, z. B. Zweck, Dauer und maximale Zahlung, die entsprechend dem Spielverhalten berechnet werden.
      HINWEIS: Die hier vorgestellte Stichprobe wurde über einen Online-Blog für Psychologiestudierende der Universität Göttingen sowie unbezahlte Anzeigen in Social-Media-Gruppen rekrutiert. Ein Beispielflyer ist in der ergänzenden Abbildung 1 zu sehen.
    2. Machen Sie potenzielle Teilnehmer darauf aufmerksam, dass die Teilnahme die Nutzung von persönlichen Laptops / PCs mit einer stabilen Internetverbindung und in einem ruhigen, abgeschiedenen Bereich erfordert. Machen Sie die Teilnehmer darauf aufmerksam, dass sie möglicherweise ein Programm installieren müssen, um die Remotedesktopverbindung herzustellen.
      HINWEIS: Eine Teilnahme über Mobiltelefone oder Tablets ist nicht möglich.
    3. Stellen Sie sicher, dass die Teilnehmer die Einschlusskriterien des Experiments wie Sprachanforderungen oder Farbsehen erfüllen.
    4. Stellen Sie sicher, dass die Teilnehmer nicht an früheren Experimenten am CTG teilgenommen haben.
  2. Buchen Sie experimentelle Sitzungen mit den Teilnehmern
    1. Bitten Sie die Teilnehmer, Zeitfenster für ihre Teilnahme zu buchen.
    2. Verwenden Sie eine Teilnehmerverwaltungssoftware, um automatisierte Einladungs- oder Erinnerungs-E-Mails zu versenden.
    3. Überbuchen Sie Zeitfenster von mindestens einem Teilnehmer, um sicherzustellen, dass genügend Teilnehmer für die Durchführung des Experiments anwesend sind.
  3. Senden Sie den Teilnehmern eine Bestätigungs-E-Mail mit den folgenden Details: Anleitung zur Computereinrichtung, Installation des Remotedesktopverbindungstools und Herstellen der Verbindung mit Remotedesktop. Stellen Sie sicher, dass Sie noch KEINE Anmeldeinformationen senden, um technische Probleme aufgrund einer früheren Anmeldung zu vermeiden.
  4. Senden Sie den Teilnehmern ca. 24 Stunden vor dem Experiment Erinnerungs-E-Mails, einschließlich des Links zur Videokonferenzplattform. Geben Sie die Informationen zur Installation an, die in der Bestätigungs-E-Mail gesendet wurden.

3. Versuchsaufbau (vor jeder experimentellen Sitzung)

  1. Vorbereiten der Videokonferenzplattform (Abbildung 3)
    1. Stellen Sie sicher, dass die Teilnehmer daran gehindert sind, ihr Mikrofon oder ihre Kamera freizugeben. Stellen Sie sicher, dass die Teilnehmer die Namen der anderen nicht sehen können.
    2. Geben Sie das Mikrofon und die Kamera des Experimentators frei, und geben Sie den Bildschirm mit minimalen Anweisungen auf der Videokonferenzplattform frei (Abbildung 3).
  2. Vorbereiten des Remote-Desktops
    1. Benutzerexperimentator
      1. Starten Sie eine Remotedesktopverbindung mit dem Experimentatorbenutzer. Öffnen Sie den freigegebenen Ordner und starten Sie ein Terminal, indem Sie mit der rechten Maustaste in das Verzeichnis klicken und hier Terminal öffnen wählen.
      2. Starten Sie das Serverprogramm HC_Gui.jar, indem Sie den Befehl java -jar HC_Gui.jar im Terminal eingeben und die EINGABETASTE drücken.
    2. Benutzer Teilnehmer-1, Teilnehmer-2 usw.
      1. Stellen Sie eine Remotedesktopverbindung mit den Benutzern participant-1, participant-2, ... her. Öffnen Sie den freigegebenen Ordner und starten Sie wie bisher ein Terminal in diesem Ordner.
      2. Starten Sie die Client-Programme für jeden Benutzer, indem Sie den Befehl java -jar HC .jar in das Terminal eingeben und die EINGABETASTE drücken.
      3. Überprüfen Sie, ob die Verbindungen bei allen teilnehmenden Benutzern korrekt aufgebaut sind.
        HINWEIS: Auf den Bildschirmen der teilnehmenden Benutzer sollte die Meldung Bitte warten angezeigt werden. Der Computer stellt eine Verbindung zum Server her. Es wird empfohlen, so viele Laptops wie Benutzer zu haben (Abbildung 4).
    3. Benutzerexperimentator
      1. Überprüfen Sie, ob in der Benutzeroberfläche des Servers eine Zeile angezeigt wird, in der die IP-Adresse jedes Teilnehmerbenutzers angezeigt wird. Wenn alle teilnehmenden Benutzer verbunden sind, überprüfen Sie, ob das Serverprogramm die Meldung Alle Clients sind verbunden anzeigt. Bereit zu starten?. Klicken Sie auf OK.
      2. Überprüfen Sie, ob auf den Bildschirmen der teilnehmenden Benutzer der Begrüßungsbildschirm des Experiments (erste Anweisungsseite) angezeigt wird.
        HINWEIS: Der Experimentator kann die Sitzung bis zu diesem Punkt vorbereiten.

4. Versuchsablauf

  1. Lassen Sie die Teilnehmer zur Videokonferenz im geplanten Experimentzeitfenster zu. Begrüßen Sie alle Teilnehmer mit einem standardisierten Text. Erklären Sie den Teilnehmern das technische Verfahren.
  2. Teilen Sie den Link zur Online-Einwilligungserklärung. Überprüfen Sie, ob alle Teilnehmer ihre schriftliche Zustimmung gegeben haben.
  3. Führen Sie die Teilnehmer an, das Remotedesktopverbindungstool zu öffnen und jedem Teilnehmer seine individuellen Anmeldedaten per persönlichem Chat in der Videokonferenz zu senden.
    HINWEIS: Wenn sich die Teilnehmer bei den teilnehmenden Benutzern anmelden, verlieren die Notebooks im Labor die Verbindung zu den teilnehmenden Benutzern. Von hier an läuft das Experiment automatisch ab, bis die Teilnehmer die letzte Seite erreichen und sie anweisen, zur Videokonferenz zurückzukehren.
  4. Lassen Sie die Teilnehmer bestätigen, dass sie die erste Anleitungsseite gelesen haben, indem Sie auf OK klicken. Sobald alle Teilnehmer bestätigt haben, warten Sie, bis die Teilnehmer das Spiel abgeschlossen haben.
    HINWEIS: Die Teilnehmer können die Anweisungen in ihrem bevorzugten Tempo durchblättern. Sobald alle Teilnehmer bestätigt haben, dass sie die Anleitung gelesen haben, startet das CTG automatisch. Das Spiel durchläuft automatisch so viele Runden, wie in der Datei server.config angegeben.
  5. Testphase
    1. Weisen Sie den Teilnehmern eine von zwei Rollen zu: Investor oder Treuhänder.
      HINWEIS: Mehreren Teilnehmern kann dieselbe Rolle zugewiesen werden.
    2. Lassen Sie die Anleger im untersten Feld beginnen (angezeigte Investition von 0) und die Treuhänder im obersten Feld (mit einer Rendite von 0) (Abbildung 1B).
    3. Weisen Sie die Teilnehmer an, ihren Avatar per Linksklick in ein benachbartes Sechseckfeld zu verschieben. Weisen Sie die Teilnehmer an, dass nur benachbarte Felder ausgewählt und Felder nicht übersprungen werden können. Weisen Sie die Teilnehmer an, dass ihr Avatar nach jeder Bewegung 4000 ms lang einen kleinen Schwanz anzeigt, der die letzte Richtung angibt, aus der sie sich zum aktuellen Feld bewegt haben (Abbildung 1C).
    4. Erlauben Sie den Anlegern, sich von Anfang an zu bewegen (Time-in = 0), um durch Bewegung anzuzeigen, wie viel sie investieren möchten. Nach einer gewissen Zeit die Bewegung von Anlegern verbieten (Time-Out).
      HINWEIS: Das Feld, auf dem sie stehen, zeigt dann an, wie viel investiert wird. In der Mitte des Spielfeldes zeigt eine blaue Zahl zusätzlich den Betrag an, der an den Treuhänder gesendet wird. Wenn das Experiment so eingerichtet ist, dass einstimmige Investitionen erforderlich sind, werden Investitionen nur getätigt, wenn alle Teilnehmer auf dem gleichen Feld stehen.
    5. Erklären Sie in den Anweisungen, dass der investierte Betrag mit einem Faktor (z. B. drei) multipliziert und an die Treuhänder gesendet wird. Beschränken Sie den Umzug der Treuhänder, solange die Anleger umziehen, indem Sie die Treuhänderzeit auf die Länge der Treuhänder-Auszeit festlegen.
    6. Weisen Sie die Treuhänder an, den Bruchteil anzugeben, den sie an die Anleger zurückgeben möchten. Sobald das Treuhand-Timeout erreicht ist, wird das Feld, auf dem die Treuhänder stehen, verwendet, um den Anteil anzugeben, der an die Anleger zurückgegeben wird. Der zurückgegebene Betrag wird ebenfalls in der Mitte des Spielfelds durch eine gelbe Zahl angezeigt (Abbildung 1D).
    7. Lassen Sie sich im Popup-Fenster den Geldbetrag anzeigen, den die Person am Ende der Runde verdient hat (Abbildung 1E).
    8. Wiederholen Sie die Spielrunde nach Bedarf (d. h. wie in der Datei server.config angegeben).
    9. Sobald alle Runden abgeschlossen sind, bitten Sie die Teilnehmer, einen persönlichen eindeutigen Code zu generieren, damit die Einnahmen im Spiel mit ihrem Namen verbunden werden können, während die Verhaltensdaten anonym bleiben.
    10. Nachdem die Teilnehmer den Code generiert haben, zeigen Sie einen Bildschirm an, in dem die Teilnehmer aufgefordert werden, zur Videokonferenz zurückzukehren und die Remotedesktopverbindung zu schließen.
      HINWEIS: Der experimentelle Ablauf (Abschnitt 4 in diesem Protokoll mit 15 Spielrunden) dauert 35 min.
    11. Wenn technische Probleme oder Fehler eines Teilnehmers einen Abbruch der Experimentsitzung erfordern, sehen Sie davon ab, das Experiment mit denselben Teilnehmern neu zu starten.
  6. Post-Testing-Phase
    1. Stellen Sie nach Abschluss des Spiels sicher, dass alle Teilnehmer die Remotedesktopverbindung geschlossen haben. Lassen Sie die Teilnehmer Fragebögen ausfüllen, die für eine bestimmte Forschungsfrage geeignet sind.
    2. Während die Teilnehmer die Fragebögen ausfüllen, schließen Sie das Serverprogramm auf dem Experimentatorbenutzer, indem Sie auf Stop & Exit klicken. Dadurch wird auch das Programm für die teilnehmenden Benutzer geschlossen.
    3. Danken Sie den Teilnehmern für ihre Zeit und erklären Sie, wie und wann ihre Einnahmen an sie überwiesen werden. Stellen Sie sicher, dass alle Teilnehmer die Videokonferenz verlassen haben, insbesondere wenn direkt danach ein weiteres Experimentzeitfenster geplant ist.

5. Abschluss des Experiments

  1. Übertragen und sichern Sie die Daten (z.B. in der Cloud) in Form einer *.csv und einer *.txt Datei pro Gruppe und Experimentzeitfenster, gekennzeichnet durch einen Tages- und Zeitstempel des Experiments.
  2. Schließen Sie alle Remotedesktopverbindungen.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Dieser Beitrag präsentiert Ergebnisse einer Pilotstudie, die mit dem CTG mit 16 Teilnehmern (fünf Männer, 11 Frauen; Alter: M = 21, SD = 2,07). Laut Johanson und Brooks42 ist diese Stichprobengröße in einem Pilotexperiment ausreichend, insbesondere wenn sie mit einem qualitativen Ansatz kombiniert wird, um eine hohe Informationsdichte über die subjektiven Erfahrungen der Teilnehmer während des Experiments zu erreichen. Es wird empfohlen, dass immer dann, wenn Forscher beabsichtigen, das CTG an ihre spezifische Forschungsidee anzupassen, z. B. durch Anpassung der Anzahl der Teilnehmer innerhalb jeder Gruppe, vor der Hauptdatenerhebung eine ähnliche Pilotstudie durchgeführt wird, um eine hohe Datenqualität zu gewährleisten.

Auf Basis der Pilotdaten bietet dieses Paper sowohl eine Darstellung möglicher Analysemethoden von CTG-Daten als auch eine erste Validierung des CTG-Aufbaus. Die hier berichteten Ergebnisse umfassen Bewegungs- und Investitionsdaten aus der CTG-Pilotstudie (Beispielergebnisse einer Gruppe sind in Supplementary Data 1 und Supplementary Data 2 zu sehen, und ein Beispiel-Datenvorverarbeitungsskript ist im OSF-Projekt zu sehen: https://s.gwdg.de/Cwx3ex) sowie Fragebogendaten über die subjektive Erfahrung der Teilnehmer während des Experiments und Anmerkungen zum Spiel.

Für diese Publikation werden Pilotdaten (N = 16) verwendet, um zu zeigen, wie wissenschaftliche Hypothesen mit dem CTG getestet werden könnten, wenn eine ausreichende Stichprobengröße erreicht wurde. Es ist zu beachten, dass in der Regel viel größere Stichprobengrößen erforderlich sind, um eine ausreichende Trennschärfe für statistische Analysen zu erreichen. Die hier berichteten Ergebnisse sollen lediglich zur Veranschaulichung möglicher Analysen und Visualisierungen dienen (Abbildung 5). Das CTG eignet sich besonders für die Untersuchung kollektiver Vertrauensprozesse und deren Entstehung oder Schwinden in Abhängigkeit vom Verhalten anderer Gruppenmitglieder oder des Treuhänders.

Zunächst wurden die Qualitäten kollektiven Vertrauens als emergentes Phänomen untersucht. Es wird die Hypothese aufgestellt, dass sich Investitionen in das kollektive Vertrauensspiel im Laufe der Zeit ändern (d.h. entstehen). Dies bedeutet, dass sich die mittleren Investitionen in der ersten, mittleren (d. h. siebten) und fünfzehnten Runde signifikant voneinander unterscheiden sollten. Diese Hypothese wurde mit gepaarten Stichproben-t-Tests (Bonferroni-korrigiert) getestet. Aufgrund des geringen Stichprobenumfangs (N = 16 in vier Gruppen) konnten in den Pilotdaten keine signifikanten Unterschiede zwischen der ersten (M = 27,0, SD = 20,49), siebten (M = 39, SD = 30,0; Differenz zu Runde 1: t(3) = -0,511, p = 1) und fünfzehnten Runde (M = 42, SD = 31,75; Differenz zu Runde 1: t(3) = -0,678, p = 1; Differenz zu Runde 7: t(3) = -0,397, p = 1). Die Daten wurden erneut analysiert, wobei nur die einstimmig getätigten Investitionen verwendet wurden. Es wurden keine signifikanten Unterschiede zwischen den Runden gefunden, wahrscheinlich auch aufgrund der kleinen Stichprobe (M 1 = 24, SD1 = 24; M 7 = 52, SD7 = 18,33; M 15 = 56, SD15 = 18,33). Die zugehörigen Daten sind in Abbildung 5A zu sehen. In Studien mit ausreichenden Stichprobengrößen würde ein signifikanter Unterschied zwischen den Runden und entweder ein kontinuierlicher Anstieg oder Rückgang der Investitionen über Runden darauf hindeuten, dass kollektives Vertrauen in das Experiment entsteht, da die Anleger in der Gruppe wiederholt interagieren und somit ein gemeinsames Vertrauensniveau aufbauen können.

Darüber hinaus kann die Entstehung von kollektivem Vertrauen auch anhand von Bewegungsdaten untersucht werden, wie in Abbildung 5B zu sehen ist, die drei Verhaltensmarker des Entscheidungsprozesses zeigt: (a) Entscheidungszeit (rot; Zeit bis zum letzten Zug der Anleger; M = 12,25, SD = 7,05) als Operationalisierung der Prozesslänge, (b) Zuglänge (grün; durchschnittliche Zeit zwischen zwei Bewegungen: M = 2,42, SD = 2,16) als Operationalisierung der Beratung und (c) Richtungsänderungen (blau; Anzahl der Änderungen einer Bewegungsrichtung; M = 0,25, SD = 0,66) als Operationalisierung der Anpassung an andere Investoren während einer Entscheidung. Wenn kollektives Vertrauen über Runden entsteht, sollte der Prozess, der durch die drei Verhaltensmarker quantifiziert wird, im Laufe der Zeit weniger komplex werden, da kollektives Vertrauen die Grundlage für die Anlageentscheidung der Gruppe sein sollte. Dies bedeutet, dass, wenn kollektives Vertrauen ein emergentes Konstrukt ist, wir sehen sollten, dass Gruppen in früheren Runden länger für Anlageentscheidungen brauchen, da noch kein gemeinsames Vertrauensniveau (d.h. kollektives Vertrauen) entstanden ist. Im Laufe der Interaktionen sollten Anlageentscheidungen kürzer (gemessen an der Entscheidungszeit) und einfacher (gemessen an Bewegungslängen- und Richtungsänderungen) werden, da sich ein gemeinsames Maß an kollektivem Vertrauen entwickelt hat und weniger Interaktion oder Koordination erforderlich ist, um eine Gruppeninvestition zu bestimmen. Daher sollten Forscher eine größere Stichprobe verwenden, um das Fortschreiten von Verhaltensmarkern über Runden zu modellieren. Eine negative Steigung könnte auf die Entstehung von kollektivem Vertrauen als Grundlage für Gruppenanlageentscheidungen hindeuten.

Zweitens wurden das Verhalten des Treuhänders und die Abhängigkeiten des Verhaltens der Treuhänder und Investoren analysiert. Es wurde die Hypothese aufgestellt, dass Treuhänder einen Geldbetrag ungleich Null an die Anleger zurückgeben würden, wie in Untersuchungen zu einzelnen Treuhandspielen 1,43 festgestellt wurde. Ein Ein-Stichproben-t-Test zeigte tatsächlich, dass die Treuhänder deutlich mehr als Null (M = 43,89, SD = 35,38) an die Anleger zurückgaben; t(59) = 9,608, p < .001. Dies war noch ausgeprägter, wenn nur die Renditen einbezogen wurden, denen Investitionen ungleich Null vorausgingen (M = 62,70, SD = 24,36; t(46) = 16,677, p < .001). Abbildung 5C zeigt, dass Treuhänder am häufigsten 4/6 der Investition zurückgeben.

Darüber hinaus wurde untersucht, ob die Renditen der Treuhänder auf Reziprozität basieren, indem eine höhere Investition in eine Runde mit höheren Renditefraktionen (d.h. 0/6, 1/6, 2/6, ...) in derselben Runde korreliert. Es scheint eine signifikante Korrelation zwischen Investitionen und Renditen zu geben, wie in Abbildung 5D, linkes Bild, zu sehen ist; t(58) = 9,446, p < .001, r = .78. Dies deutet darauf hin, dass Treuhänder möglicherweise hohe Investitionen mit hohen Renditen erwidert haben. Dies könnte jedoch auf die Runden zurückzuführen sein, in denen die Anleger entweder null investiert haben oder keine einstimmige Entscheidung getroffen haben, so dass der Treuhänder keine Option hatte, etwas zurückzugeben. Abschließend wurde analysiert, ob höhere Renditeanteile von Anlegern als Terminsignale wahrgenommen werden, so dass höhere Renditeanteile in Runde t mit hohen Investitionen in Runde t+1 korrelieren. Wie in Abbildung 5D, rechtes Bild, zu sehen ist, wurde dies durch die Daten nicht bestätigt; t(54) = 0,207, p = .837, r = .028.

Zusammenfassend lässt sich sagen, dass die quantitativen Daten der CTG sowohl aus Bewegungs- als auch aus Investitionsdaten jedes Teilnehmers in jeder Runde bestehen. Während Investitionsdaten Parallelen zu früheren Anwendungen des individuellen Vertrauensspiels aufweisen, ermöglichen Bewegungsdaten den Forschern, den Prozess des kollektiven Vertrauens zu beobachten. Es ist zu beachten, dass Daten in tatsächlichen Gruppen gesammelt werden, was die externe Validität erhöht, aber erfordert, dass die verschachtelte Datenstruktur berücksichtigt wird. Dies wurde für die berichteten Analysen nicht durchgeführt, da die geringe Stichprobengröße der Pilotdaten die Anwendung linearer Modelle mit gemischten Effekten einschränkt.

Zusätzlich wurden Daten zu subjektiven Erfahrungen in der Pilotstichprobe mit einem Fragebogen nach dem Experiment (Ergänzungsdossier 1) erhoben, der insgesamt 13 Items umfasste, von denen 11 offene Fragen waren. Neben der subjektiven Erfahrung während des Experiments wurden die Items nach bestimmten Aspekten des CTG gefragt, die die Datenqualität beeinflussen könnten, wie z.B. subjektive Verhaltensprinzipien der Teilnehmer während des Spiels, geglaubte Absicht des Experiments oder Klarheit der Anweisungen. Zwei geschlossene Fragen bewerteten auf einer fünfstufigen Likert-Skala, ob die Teilnehmer die Investition durch Bewegung als intuitiv empfanden (-2: "überhaupt nicht" bis +2: "sehr") und ob die Zeit, die den Teilnehmern gegeben wurde, um sich im Spiel zu bewegen, ausreichend erschien (-2: "viel zu kurz"; 0: "ungefähr richtig"; +2: "viel zu lang").

Im Allgemeinen berichteten die Teilnehmer über subjektive Erfahrungen, die der Absicht des Experiments und der Leichtigkeit des Befolgens von Anweisungen entsprachen, während sie auch genügend Naivität gegenüber der Absicht der Studie zeigten. Die Teilnehmer gaben im Durchschnitt an, dass das Spiel "ziemlich intuitiv" war (M = 0,69, SD = 0,79) und empfanden die Zeit als "ungefähr richtig" (M = -0,31, SD = 0,79).

Die Antworten der Teilnehmer auf die offenen Fragen wurden nach Mayring44 qualitativ analysiert. Insgesamt waren die Teilnehmer mit dem Rekrutierungsprozess und dem Online-Verfahren, der Wahrung der Anonymität im Experiment, der Klarheit der Anweisungen und Informationen sowie der Logik des Spiels zufrieden. Die meisten Teilnehmer waren mit dem Design der Avatare zufrieden, da sie leicht unterschieden werden konnten. Allerdings berichtete nur die Hälfte der Teilnehmer, dass sie sich durch ihren Avatar repräsentiert fühlten und bemerkte, dass Symbole oder Tiergesichter vielleicht interessanter gewesen wären. Aufgrund dieser Ergebnisse sollten die Forscher in Betracht ziehen, ein Maß für die Verkörperung der Teilnehmer in Anwendungen des CTG aufzunehmen, um diese Erfahrung zu kontrollieren und gleichzeitig ein minimalistisches experimentelles Design beizubehalten.

Die meisten Teilnehmer bemerkten, dass sie den Drang verspürten, sich in der Mitte des Spielfelds (d. h. bei der höchsten Anlageoption) anzunähern. Teilnehmer, die dies erlebten, berichteten, dass der Drang, sich in der Mitte anzunähern, mit ihrer Bereitschaft zusammenfiel, hohe Beträge zu investieren. Darüber hinaus berichteten einige Teilnehmer, dass sie, anstatt sich in die Mitte gezogen zu fühlen, das Gefühl hatten, dass sie Mitspieler in die Mitte ziehen mussten. Aufgrund praktischer Einschränkungen des Experiments und möglicher Kompromisse mit Intuitivität wurde das ursprüngliche Design beibehalten, bei dem hohe Investitionen und Renditen in der Mitte konvergieren.

Die Teilnehmer berichteten über eine Vielzahl von Vermutungen über das Ziel der Studie, wie z.B. Gruppeneinfluss auf eigene Entscheidungen, Vertrauen oder Verhalten von Treuhändern. Während diese Vermutungen thematisch der untersuchten Vertrauensentstehung nahe kommen, berichteten die Teilnehmer von Verhaltensstrategien wie Gewinnmaximierung oder Absichten, das Verhalten von Mitspielern zu beeinflussen. Diese Strategien passen gut zum ökonomischen Spielcharakter des CTG und wirken den Verhaltensweisen, die die Studie beobachten wollte, nicht entgegen.

Aufgrund der Ergebnisse subjektiver Erfahrungen konnte der Schluss gezogen werden, dass das CTG Kriterien der internen Validität erfüllt. Die hier berichtete quantitative Datenanalyse soll lediglich veranschaulichen, wie mit dem CTG erhobene Daten statistisch ausgewertet werden können.

Figure 2
Abbildung 2: Beispiel einer Spielanleitung . (A) Vom Experimentator vorbereiteter HTML-Code. (B) HTML-Datei, die im Browser angezeigt wird. (C) Anweisungen, wie sie den Teilnehmern während des Experiments gezeigt wurden. Beachten Sie die Schaltflächen auf der Unterseite, um durch die Anweisungen zu navigieren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 3
Abbildung 3: Screenshot der Videokonferenzplattform. Der Experimentator hat seine Kamera, sein Mikrofon und seine Präsentation mit grundlegenden Informationen zur Videokonferenzplattform und zur Remotedesktopverbindung geteilt. Ein Teilnehmer hat bereits an der Konferenz teilgenommen, darf aber sein Mikrofon, seinen Bildschirm oder seine Kamera nicht teilen, um die Anonymität zu wahren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 4
Abbildung 4: Aufbau im Labor. Bevor das Experiment gestartet wird, startet der Experimentator eine Remotedesktopverbindung mit allen Laptops. Notebook 1 ist mit dem Experimentbenutzer verbunden und bleibt während des gesamten Experiments verbunden. Die Notebooks 2 bis 5 werden verwendet, um die Verbindung mit Teilnehmerbenutzern herzustellen und zu überprüfen ("Teilnehmer-1" bis "Teilnehmer-4"). Wenn Teilnehmer über das Remotedesktopverbindungstool eine Verbindung zu den teilnehmenden Benutzern herstellen, verlieren Notebooks im Labor die Verbindung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 5
Abbildung 5: Ergebnisse basierend auf Pilotdaten (N = 16 in vier Gruppen). (A) Geigendiagramme der Gruppeninvestitionen (Cent) in den Runden 1, 7 und 15. Geigenformen zeigen die Wahrscheinlichkeitsdichte der Investitionen an, fette Linien den Median, Kästchen in Violinen den Interquartilsbereich und die Schnurrhaare den 1,5-fachen Interquartilsbereich. Links; alles investiert. Rechts; einstimmig investiert. (B) Drei verschiedene Marker von Bewegungsdaten, die verwendet werden können, um Aspekte des Anlageentscheidungsprozesses in der Gruppe zu quantifizieren. Rot; Entscheidungszeit (Zeit bis zum letzten Zug in Sekunden). Grün; Mittelwert der Zuglängen (Zeit von einem Zug zum nächsten in Sekunden). Blau; Anzahl der Richtungsänderungen im Bewegungsmuster (Anzahl). (C) Häufigkeitsdiagramm (Zählung) der Rückgaben. Links; Alle Renditen (als Renditebrüche) über Runden hinweg werden gezählt. Rechts; Es werden nur die Renditen (als Renditeanteile) gezählt, vor denen die Treuhänder eine Investition erhalten haben. (D) Streudiagramme von Investitionen (Cent) und Renditen (als Renditeanteile). Die blaue Linie zeigt vorhergesagte Werte an (unter Verwendung eines linearen Modells mit Formel: y ~ x), das graue Band zeigt den Standardfehler der Vorhersagen an. Links; Reziprozitätskorrelation. Korrelieren hohe Investitionen mit hohen Renditen in derselben Runde? Rechts; Vorwärtssignalisierungskorrelation. Korrelieren hohe Renditen mit hohen Investitionen in der Folgerunde? Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Ergänzende Abbildung 1: Beispiel für Online-Werbung durch Flyer, der in einem Online-Blog veröffentlicht wurde. Dieser Flyer ist ein Beispiel dafür, welche Informationen in der Werbung des Teilnehmerrekrutierungsflyers enthalten sein sollten und auf welche Weise sie präsentiert werden könnten. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzendes Dossier 1: Vollständiger Fragebogen der Pilotstudie. Den vollständigen Fragebogen, der in der Pilotstudie verwendet wurde, finden Sie hier. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Daten1: Beispieldatenausgabe, die Anlagedaten einer Gruppe enthält (d. h. vier Teilnehmer: drei Anleger (PID 0-2) und ein Treuhänder (PID 4). Dies ist ein Beispiel für eine Rohdatendatei, die a) Informationen zur Spielreihenfolge, b) die Liste der Spieler, c) die Start- ("StartSicht") und Endpositionen ("letzter gemeinsamer Spielplatz") aller Spieler sowie d) deren Investition, Gewinn und Kontostand ("Salden: Kostenprämie saldo") enthält. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Daten 2: Beispieldatenausgabe mit Bewegungsdaten einer Gruppe (d.h. vier Teilnehmer: drei Anleger (PID 0-2) und ein Treuhänder (PID 4). Dies ist ein Beispiel für eine Rohdatendatei, die koordiniert ("sj") jedes Spielers ("pid") zu einem bestimmten Zeitpunkt im Experiment enthält. Der Beginn einer neuen Runde wird durch eine "-1" als "pid" angezeigt. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Das CTG bietet Forschern die Möglichkeit, das klassische BDM1 für Gruppen anzupassen und emergente Prozesse innerhalb der Gruppen eingehend zu beobachten. Während andere Arbeiten23,24,25,26 bereits versucht haben, das BDM1 an Gruppeneinstellungen anzupassen, ist die einzige Möglichkeit, auf Gruppenprozesse zuzugreifen, in diesen Studien mühsame Gruppeninteraktionsanalysen von Videodiskussionen. Da dies oft eine mühsame und zeitraubende Aufgabe ist17, berichten Studien regelmäßig nicht über diese Aspekte. In Bezug auf diese bestehenden Methoden ist das CTG nach Kenntnis der Autoren das erste Paradigma, das es Forschern ermöglicht, kollektives Vertrauen als emergentes Phänomen in Echtzeit durch Bewegungsdaten zu verfolgen. Das CTG ist daher zeiteffizienter. Darüber hinaus ermöglicht die Verwendung quantitativer Analysen zur Erfassung von Gruppenprozessen den Forschern, Prozessanalysen vorzuregistrieren, was bei qualitativeren Ansätzen oft schwierig ist.

Damit das Paradigma qualitativ hochwertige Daten erzeugt, ist es entscheidend, das Protokoll genau zu befolgen. Die folgenden fünf kritischen Schritte verdienen besondere Aufmerksamkeit der Forscher. Zunächst sollen die im Spiel vorgenommenen Konfigurationen über alle Experimentiersitzungen hinweg konstant gehalten und dokumentiert werden. Zweitens sollten Teilnehmer, die bereits an ähnlichen Studien teilgenommen haben (d. H. Studien mit einer Vertrauensspielversion), in der Rekrutierungsphase ausgeschlossen werden, da dies zu Verhaltensverzerrungen führen und die Effektstärkereduzieren könnte 45. Drittens müssen Forscher sicherstellen, dass die Teilnehmer anonym sind, indem sie den Teilnehmern verbieten, ihr Mikrofon, ihre Kamera und ihren vollständigen Namen während der Videokonferenz zu teilen, da der Grad der Anonymität nachweislich das Verhalten in Wirtschaftsspielen beeinflusst27. Viertens müssen Forscher während des Starts des Spiels gründlich überprüfen, ob eine korrekte Verbindung zwischen dem teilnehmenden Benutzer und dem Experimentbenutzer hergestellt wird, indem sie sicherstellen, dass der teilnehmende Benutzer in der GUI des Experimentators aufgeführt ist. Fünftens müssen wissenschaftliche Mitarbeiter, die die Daten sammeln, umfassend geschult werden, um technische Herausforderungen mit den Teilnehmern beheben zu können. Falls Teilnehmer Probleme beim Aufbau der Remotedesktopverbindung haben, müssen wissenschaftliche Mitarbeiter in der Lage sein, Unterstützung zu leisten, um die Teilnehmer in der Gruppe zu halten. Wenn eine Person aufgrund technischer Schwierigkeiten ausfällt, müssen möglicherweise alle Teilnehmer innerhalb des Experimentzeitfensters verschoben werden, was zu zusätzlichen finanziellen Kosten und Zeitverlust führt.

Wenn technische Schwierigkeiten beim Start des Spiels auftreten, stellen Sie sicher, dass (a) eine aktuelle Java-Laufzeitumgebung auf Ihrem Remotedesktop-Computer installiert ist, (b) alle Benutzer auf die Dateien in den freigegebenen Ordnern zugreifen und diese ausführen können, (c) alle Benutzer die Befehle im selben Verzeichnis ausführen und (d) alle PCs/Laptops, die auf die Remotedesktopverbindung zugreifen, über eine stabile Internetverbindung verfügen. Überprüfen Sie zur Fehlerbehebung während der experimentellen Sitzung, ob (a) alle Teilnehmer und die Forscher über eine stabile Internetverbindung verfügen, (b) die Teilnehmer die richtigen Anmeldeinformationen für die Remotedesktopverbindung erhalten haben und (c) der Server, auf dem die Remotedesktopverbindung ausgeführt wird, während der experimentellen Sitzung über ausreichende Ressourcen verfügt (z. B. CPU-Auslastung überprüfen).

Das CTG ist sehr anpassungsfähig an unterschiedliche Forschungsfragen, was eine breite Palette möglicher Anwendungen in der Forschung ermöglicht. Je nach Ziel einer Studie kann eine Vielzahl von Parametern angepasst werden, wie z.B. die Anzahl der Spieler, das Erfordernis einstimmiger Entscheidungen, das visuelle Erscheinungsbild, das Timing und die monetären Parameter des BDM. Während die Flexibilität dieses Paradigmas ein Vorteil ist, ist es wichtig zu bedenken, dass Anpassungen des Paradigmas immer rigoros in der Theorie begründet und pilotiert werden sollten. Abgesehen von den Konfigurationen, die Forscher in den *.config-Dateien vornehmen können, kann das Spiel nur über den von Johannes Pritz programmierten Quellcode angepasst werden, der noch nicht online verfügbar ist. Während viele Anpassungen möglich sind, beschränkt das Framework der HoneyComb-Plattform mögliche Anwendungen auf Bewegungsaufgaben und diskrete Investitionsmöglichkeiten.

In zukünftigen Anwendungen des CTG könnte die Menge der Rücklauffraktionen erhöht werden (z.B. 1/10, 2/10, 3/10, ...), um eine höhere Auflösung des Rückkehrverhaltens zu erzielen. Auf diese Weise können sowohl die Seite der Investoren als auch die Treuhänder von Einzelpersonen oder Gruppen gespielt werden, was die Untersuchung verschiedener Ebenen und Vertrauensreferenzen ermöglicht, wie von Fulmer und Gelfand7 vorgeschlagen. Zukünftige Anwendungen dieses Protokolls könnten auch das Online-Verfahren dieser Methode mit anderen Experimenten von der HoneyComb-Plattform 30,32,46,47 kombinieren oder andere Formen der Kommunikation wie einen Chat oder sogar eine persönliche Interaktion zwischen Investoren und/oder Treuhändern in einem Vor-Ort-Experiment umfassen, wie von Boos und Kollegen vorgestellt 31 . Auf diese Weise könnten auch andere Hinweise, die die Entstehung kollektiven Vertrauens beeinflussen, wie nonverbale Kommunikation, anhand dieses Paradigmas untersucht werden.

Insgesamt kombiniert das CTG die Vorteile wirtschaftlicher Spiele - hohe interne Validität und Einfachheit - mit reichhaltigen Gruppenprozessdaten. Auf diese Weise kann das CTG als Sprungbrett in der Gruppenforschung zu Vertrauens- und Fairnessprozessen dienen.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts offenzulegen.

Acknowledgments

Diese Forschung erhielt keine Drittmittel.

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.

DOWNLOAD MATERIALS LIST

References

  1. Berg, J., Dickhaut, J., McCabe, K. Trust, reciprocity, and social history. Games and Economic Behavior. 10 (1), 122-142 (1995).
  2. Costa, A. C., Fulmer, C. A., Anderson, N. R. Trust in work teams: An integrative review, multilevel model, and future directions. Journal of Organizational Behavior. 39 (2), 169-184 (2018).
  3. Kiffin-Petersen, S. Trust: A neglected variable in team effectiveness research. Journal of the Australian and New Zealand Academy of Management. 10 (1), 38-53 (2004).
  4. Grossman, R., Feitosa, J. Team trust over time: Modeling reciprocal and contextual influences in action teams. Human Resource Management Review. 28 (4), 395-410 (2018).
  5. Schoorman, F. D., Mayer, R. C., Davis, J. H. An integrative model of organizational trust: Past, present, and future. Academy of Management Review. 32 (2), 344-354 (2007).
  6. Shamir, B., Lapidot, Y. Trust in organizational superiors: Systemic and collective considerations. Organization Studies. 24 (3), 463-491 (2003).
  7. Fulmer, C. A., Gelfand, M. J. At what level (and in whom) we trust: Trust across multiple organizational levels. Journal of Management. 38 (4), 1167-1230 (2012).
  8. Rousseau, D. M., Sitkin, S. B., Burt, R. S., Camerer, C. Not so different after all: A cross-discipline view of trust. Academy of Management Review. 23 (3), 393-404 (1998).
  9. Dirks, K. T. Trust in leadership and team performance: Evidence from NCAA basketball. Journal of Applied Psychology. 85 (6), 1004-1012 (2000).
  10. Kim, P. H., Cooper, C. D., Dirks, K. T., Ferrin, D. L. Repairing trust with individuals vs. groups. Organizational Behavior and Human Decision Processes. 120 (1), 1-14 (2013).
  11. Forsyth, P. B., Barnes, L. L. B., Adams, C. M. Trust-effectiveness patterns in schools. Journal of Educational Administration. 44 (2), 122-141 (2006).
  12. Gray, J. Investigating the role of collective trust, collective efficacy, and enabling school structures on overall school effectiveness. Education Leadership Review. 17 (1), 114-128 (2016).
  13. Kramer, R. M. Collective trust within organizations: Conceptual foundations and empirical insights. Corporate Reputation Review. 13 (2), 82-97 (2010).
  14. Kramer, R. M. The sinister attribution error: Paranoid cognition and collective distrust in organizations. Motivation and Emotion. 18 (2), 199-230 (1994).
  15. Kozlowski, S. W. J. Advancing research on team process dynamics: Theoretical, methodological, and measurement considerations. Organizational Psychology Review. 5 (4), 270-299 (2015).
  16. Kozlowski, S. W. J., Chao, G. T. The dynamics of emergence: Cognition and cohesion in work teams. Managerial and Decision Economics. 33 (5-6), 335-354 (2012).
  17. Kolbe, M., Boos, M. Laborious but elaborate: The benefits of really studying team dynamics. Frontiers in Psychology. 10, 1478 (2019).
  18. McEvily, B. J., Weber, R. A., Bicchieri, C., Ho, V. Can groups be trusted? An experimental study of collective trust. Handbook of Trust Research. , 52-67 (2002).
  19. Adams, C. M. Collective trust: A social indicator of instructional capacity. Journal of Educational Administration. 51 (3), 363-382 (2013).
  20. Chetty, R., Hofmeyr, A., Kincaid, H., Monroe, B. The trust game does not (only) measure trust: The risk-trust confound revisited. Journal of Behavioral and Experimental Economics. 90, 101520 (2021).
  21. Harrison, G. W. Hypothetical bias over uncertain outcomes. Using Experimental Methods in Environmental and Resource Economics. , 41-69 (2006).
  22. Harrison, G. W. Real choices and hypothetical choices. Handbook of Choice Modelling. , Edward Elgar Publishing. 236-254 (2014).
  23. Holm, H. J., Nystedt, P. Collective trust behavior. The Scandinavian Journal of Economics. 112 (1), 25-53 (2010).
  24. Kugler, T., Kausel, E. E., Kocher, M. G. Are groups more rational than individuals? A review of interactive decision making in groups. WIREs Cognitive Science. 3 (4), 471-482 (2012).
  25. Cox, J. C. Trust, reciprocity, and other-regarding preferences: Groups vs. individuals and males vs. females. Experimental Business Research. Zwick, R., Rapoport, A. , Springer. Boston, MA. 331-350 (2002).
  26. Song, F. Intergroup trust and reciprocity in strategic interactions: Effects of group decision-making mechanisms. Organizational Behavior and Human Decision Processes. 108 (1), 164-173 (2009).
  27. Johnson, N. D., Mislin, A. A. Trust games: A meta-analysis. Journal of Economic Psychology. 32 (5), 865-889 (2011).
  28. Rosanas, J. M., Velilla, M. Loyalty and trust as the ethical bases of organizations. Journal of Business Ethics. 44, 49-59 (2003).
  29. Dunn, J. R., Schweitzer, M. E. Feeling and believing: The influence of emotion on trust. Journal of Personality and Social Psychology. 88 (5), 736-748 (2005).
  30. Boos, M., Pritz, J., Lange, S., Belz, M. Leadership in moving human groups. PLOS Computational Biology. 10 (4), 1003541 (2014).
  31. Boos, M., Pritz, J., Belz, M. The HoneyComb paradigm for research on collective human behavior. Journal of Visualized Experiments. (143), e58719 (2019).
  32. Ritter, M., Wang, M., Pritz, J., Menssen, O., Boos, M. How collective reward structure impedes group decision making: An experimental study using the HoneyComb paradigm. PLOS One. 16 (11), 0259963 (2021).
  33. Kocher, M., Sutter, M. Individual versus group behavior and the role of the decision making process in gift-exchange experiments. Empirica. 34 (1), 63-88 (2007).
  34. Ickinger, W. J. A behavioral game methodology for the study of proxemic behavior. , Doctoral Dissertation (1985).
  35. Deligianis, C., Stanton, C. J., McGarty, C., Stevens, C. J. The impact of intergroup bias on trust and approach behaviour towards a humanoid robot. Journal of Human-Robot Interaction. 6 (3), 4-20 (2017).
  36. Haring, K. S., Matsumoto, Y., Watanabe, K. How do people perceive and trust a lifelike robot. Proceedings of the World Congress on Engineering and Computer Science. 1, 425-430 (2013).
  37. Gintis, H. Behavioral game theory and contemporary economic theory. Analyse & Kritik. 27 (1), 48-72 (2005).
  38. Weimann, J. Individual behaviour in a free riding experiment. Journal of Public Economics. 54 (2), 185-200 (1994).
  39. How to install Xrdp server (remote desktop) on Ubuntu 20.04. Linuxize. , Available from: https://linuxize.com/post/how-to-install-xrdp-on-ubuntu-20-04/ (2020).
  40. How to create users in Linux (useradd Command). Linuxize. , Available from: https://linuxize.com/post/how-to-create-users-in-linux-using-the-useradd-command/ (2018).
  41. How to create a shared folder between two local user in Linux. GeeksforGeeks. , Available from: https://www.geeksforgeeks.org/how-to-create-a-shared-folder-between-two-local-user-in-linux/ (2019).
  42. Johanson, G. A., Brooks, G. P. Initial scale development: Sample size for pilot studies. Educational and Psychological Measurement. 70 (3), 394-400 (2010).
  43. Glaeser, E. L., Laibson, D. I., Scheinkman, J. A., Soutter, C. L. Measuring trust. The Quarterly Journal of Economics. 115 (3), 811-846 (2000).
  44. Mayring, P. Qualitative Content Analysis: Theoretical Background and Procedures. Approaches to Qualitative Research in Mathematics Education: Examples of Methodology and Advances in Mathematics Education. Kikner-Ahsbahs, A., Knipping, C., Presmed, N. , Springer. Dordrecht. 365-380 (2015).
  45. Chandler, J., Paolacci, G., Peer, E., Mueller, P., Ratliff, K. A. Using nonnaive participants can reduce effect sizes. Psychological Science. 26 (7), 1131-1139 (2015).
  46. Belz, M., Pyritz, L. W., Boos, M. Spontaneous flocking in human groups. Behavioural Processes. 92, 6-14 (2013).
  47. Boos, M., Franiel, X., Belz, M. Competition in human groups-Impact on group cohesion, perceived stress and outcome satisfaction. Behavioural Processes. 120, 64-68 (2015).

Tags

Behavior Ausgabe 188
The Collective Trust Game: Eine Online-Gruppenadaption des Trust-Spiels basierend auf dem HoneyComb-Paradigma
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Ritter, M., Kroll, C. F., Voigt, H., … More

Ritter, M., Kroll, C. F., Voigt, H., Pritz, J., Boos, M. The Collective Trust Game: An Online Group Adaptation of the Trust Game Based on the HoneyComb Paradigm. J. Vis. Exp. (188), e63600, doi:10.3791/63600 (2022).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter