Yöntem makalesi

Mizah mı yoksa Akılcılık mı? Ajan Tipi ve Dil Stilinin Yolculuk Hizmeti Arızası Kurtarılmasından Memnuniyeti Nasıl Etkilediğine dair Sinirsel Mekanizmalar

519 görüntüleme

⸱

DOI:

10.3791/69813

⸱

13 Mart 2026

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

Bu makalede

Özet

Bu çalışma, ajan tipi (insan/yapay zeka) ve dil tarzının (mizahili/rasyonel) yolculuk hizmeti tatminini nasıl etkilediğini araştırmak için ERP'leri kullanarak, nörobilişsel mekanizmaları ortaya çıkarmayı amaçlamaktadır.

Özet

Yolculuk hizmeti sektöründe, hizmet arızalarının ardından etkili hizmet geri kazanma stratejileri, yolcu memnuniyeti ve platform itibarı için hayati öneme sahiptir. Ancak, ajan tipi ve dil tarzının birleşiminin yolcu memnuniyetini ve altta yatan sinir mekanizmalarını nasıl etkilediği net değildir. Bu çalışma, arıza sonrası iyileştirmede iki ana faktörün — hizmet ajanı tipi ve dil tarzının — yolcu memnuniyetini ve sinirsel korelasyonlarını nasıl etkilediğini incelemek için olayla ilgili potansiyeller (ERP) deneyi tasarladı. Konu içi 2 (Ajan Türü: İnsan/Yapay Zeka) × 2 (Dil Stili: Mizahı/Akılcı) tasarımları kullanıldı. E-Prime yazılımı kullanılarak, katılımcılara önceden seçilmiş, yaygın beş yolculuk hizmeti arızası senaryosu sunuldu. Her senaryoyu takip eden standartlaştırılmış bir kupon tazminat teklifi ile bir ajan tarafından sunuldu ve ajan türü ile dil tarzı denemeler arasında sistematik olarak değiştirildi. İşlem, 64 kanallı elektroensefalografik (EEG) sinyallerin eşzamanlı kaydedilmesini ve davranışsal tatmin puanlarının toplanmasını içeriyordu. Davranışsal veriler, insan ajan ve mizahi dil tarzı için daha yüksek memnuniyet oranlarını göstermiştir. ERP sonuçları, rasyonel dil tarzının ortaya çıkardığı daha fazla negatif N2 ve geri bildirime bağlı olumsuzluk (FRN) genliklerini ortaya koydu; oysa insan ajanları ve rasyonel stil daha fazla pozitif P300 genlikleri ortaya çıkardı. Bu çalışma, deneysel uyarıcıların standartlaştırılmış hazırlanmasını, deneysel prosedürün hassas zamanlama kontrolünü, Uluslararası 10-20 sistemine dayalı EEG kayıt hazırlığını ve veri toplamadan ön işlemeye kadar olan tüm metodolojik süreci detaylandırmaktadır. Bu protokol yüksek zamansal çözünürlük ve iyi tekrarlanabilirlik sunar. Tüketici sinirbilimi, insan-bilgisayar etkileşimi ve hizmet yönetimi alanlarında sosyal biliş ve karar alma süreçlerinin altında yatan zamansal dinamiklerin hassas nicelendirilmesini gerektiren araştırmalar için uygundur.

Giriş

Paylaşım ekonomisinin amiral gemisi modeli olan yolculuk, gerçek zamanlı etkileşim ve kullanıcı deneyimine temel dayanması nedeniyle kentsel mobilite ekosistemlerinin ayrılmaz bir parçasıhaline gelmiştir 1. Ancak, sürücünün nezaket eksikliği, araç arızası veya yolculuk gecikmeleri gibi servis hatalarını tamamen ortadan kaldırmak zordur. Bu olaylar genellikle beklenmedik ve bağlama bağlıdır; yolcu memnuniyetsizliğini tetikler ve güveniaşındırır 2. Oldukça rekabetçi bir piyasada, hızlı ve etkili hizmet toparlanması sadece anında eksiklikleri gidermek için gerekli bir adım değildir; Bu, kullanıcı güvenini yeniden inşa etmek ve uzun vadeli sadakati sürdürmek için stratejik birzorunluluk oluşturur 3.

Hizmet kurtarma üzerine geleneksel araştırmalar ağırlıklı olarak anketler ve senaryo tabanlı deneyler gibi davranışsal metodolojilerikullanmıştır 4. Bu çalışmalar, memnuniyet ve geri alım niyeti gibi açık göstergeleri ölçerek farklı toparlanma stratejilerinin etkinliğini değerlendirir. Bu araştırma önemli bulgular üretmiş olsa da, büyük ölçüde tüketicilerin nihai davranışsal çıktılarını gözlemlemekle sınırlıdır. İçsel "kara kutu" süreci hakkında doğrudan kanıt hâlâ eksik — özellikle beynin hizmet kurtarma bilgisini nasıl işlediği, değerlendirdiği ve nihayetinde bir karara dönüştürdüğü konusunda. Başka bir deyişle, hangi stratejilerin etkili olduğu konusunda bilgi mevcut olsa da, altta yatan nörobilişsel mekanizmaların anlaşılması sınırlıdır. Birkaç özel soru hâlâ devam ediyor: İnsan ve yapay zeka ajanları arasındaki farklar, bilgi işlemenin erken aşamalarında ortaya çıkar mı? Mizahi ve rasyonel iletişim tarzları, hizmet başarısızlıklarının yarattığı olumsuz duyguları nasıl şekillendirir? Nihai tatmin kararının altında duran çatışma tespitinden bilişsel entegrasyona kadar olan tam sinirsel yol nedir?

Bazı iyileşme stratejilerinin (örneğin maddi tazminat veya özür gibi) genel olarak etkili olduğu bilinse de, bu stratejilerin bilişsel ve duygusal düzeylerde neden ve nasıl çalıştığına dair derin bir anlayış ve temel dinamik sinirsel mekanizmaları sınırlı kalır. Bu metodolojik boşluk, daha kesin, verimli ve kişiselleştirilmiş hizmet geri kazanma çözümleri tasarlama yeteneğini kısıtlar. Bu "kara kutu"yu araştırmak için mevcut çalışma, temel metodolojik yaklaşım olarak olayla ilgili potansiyeller (ERP) teknolojisini kullanmaktadır. Belirli uyaran olaylarına zaman kilitli elektroensefalografik sinyalleri kaydederek, ERP'ler milisaniyelik zaman çözünürlüğü sağlar ve bilişsel işlem sırasında anında beyin aktivitesinin invaziv olmayan ve sürekli yakalanmasınısağlar 5,6,7. Fonksiyonel manyetik rezonans görüntülemeye (fMRI) kıyasla, ERP'ler zamansal hassasiyette belirginbir avantaj sunar 8. Geleneksel öz bildirim ölçümlerine göre, ERP'ler geriye dönük önyargı ve sosyal arzu edilirlik etkilerinden etkili bir şekilde kaçınabilir ve böylece bireylerin anlık ve bilinçsiz sinirsel yanıtlarını doğrudan ortayaçıkarır 9. Hizmet arızası ve iyileşme bağlamında, bu, ERP'lerin hızlı ve ardışık psikolojik süreçlerin kesin olarak ayrılmasına ve gözlemlenmesine olanak tanıdığı anlamına gelir. Bunlar arasında erken çatışma tespiti (N2 bileşeninde yansır), orta vadeli duygu ve sonuç değerlendirmesi (FRN bileşeninde yansıyır) ve geç aşama üst düzey bilişsel entegrasyon ve motivasyon değerlendirmesi (P300 bileşeninde yansıtılır) yer alır 10,11,12,13,14,15 . Bu nedenle, ERP'ler hizmet kurtarma kararlarının altında yatan karmaşık sinir mekanizmalarını aydınlatmak için ideal bir araç olarak hizmet eder.

Yukarıda belirtilen metodolojik hususlara dayanarak, bu makale sistematik, titiz ve tekrarlanabilir bir ERP deneysel protokolü sunmaktadır. Bu protokol, iki ana hizmet kurtarma unsurunun — hizmet ajanı türü (İnsan vs. yapay zeka) ve dil tarzı (Komik vs. Akılcı) — bir yolculuk hizmeti arızasından sonra yolcu memnuniyetini ve bunun altında yatan sinir mekanizmalarını nasıl birlikte etkilediğini araştırmak için tasarlanmıştır. Protokol, daha önce yolculuk hizmeti deneyimi olan üniversite öğrencilerini işe alır. Standart bir S1-S2 deneysel paradigması ve konu içi 2 (Ajan Türü: İnsan vs. Yapay Zeka) × 2 (Dil Stili: Mizahi vs. Akılcı) tasarımını kullanır. Hizmet arızası senaryolarını ve ardından gelen iyileştirme önerilerini içeren uyarıcımlar, E-Prime yazılımı kullanılarak standartlaştırılmış bir şekilde sunulur. Bu işlem, 64 kanallı elektroensefalografik (EEG) verilerin eşzamanlı olarak toplanmasını ve davranışsal memnuniyet puanlarını içerir.

Bu çalışma, davranışsal yanıtları incelemek ve hizmet iyileşme etkilerinin altında yatan belirgin bilişsel işleme aşamalarını nörodinamik bir bakış açısıyla ortaya çıkarmak için protokolü kullanır16,17. Örneğin, rasyonel stil duygusal beklentileri ihlal edebilir ve böylece erken ve orta evrelerde daha güçlü çatışma sinyalleri ve daha fazla olumsuz geri bildirim yaratabilir; bu da daha fazla negatif N2 ve FRNgenlikleri 18,19,20 olarak yansıtılır. Ayrıca, insan ajanları, sosyal özellikleri nedeniyle geç entegrasyon aşamasında daha olumlu motivasyon değerlendirmesi alabilirler; bu da daha olumlu bir P300genliğiyle gösterilir. Bu arada, rasyonel dil stili, çatışmayı çözmek için gereken bilişsel kaynakları artırıyor ve bu da daha büyük bir P300genliğinde 22 yansıyabilir.

Bu protokol yüksek zamansal çözünürlük ve iyi tekrarlanabilirlik sunar. Tasarım gerekçesi ve metodolojik detayları sadece yolculuk hizmeti bağlamında değil, aynı zamanda daha geniş araştırma alanları için de referans sağlar. Bu alanlar arasında tüketici sinirbilimi, insan-bilgisayar etkileşimi, hizmet yönetimi ve iletişim çalışmaları yer almaktadır. Böylece, insan beyninde dinamik bilgi işlemenin sosyal etkileşim ve karar alma bağlamlarında hassas nicelendirilmesine ve anlaşılmasına katkıda bulunur.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Bu araştırma protokolü yerel ve kurumsal etik komiteler tarafından onaylanmış olup, Helsinki Bildirgesi'nin en son versiyonuna uygundur. Tüm katılımcılar katılımdan önce yazılı bilgilendirilmiş onay vermiş ve haklarını korumak için istedikleri zaman çalışmadan çekilebilirler.

1. Deneysel uyaranlar

  1. Hizmet arızası senaryolarının ön seçimi
    1. Daha önce araç kullanma deneyimi olan 100 üniversite öğrencisini işe alın.
    2. Katılımcılardan, 7 puanlık bir Likert ölçeğiyle (1 = hiç memnun değil; 7 = çok memnuniyetsiz) on yaygın yolculuk hizmeti arızası senaryosundan memnuniyetsizlik seviyelerini değerlendirmelerini istedin. Senaryolar şunları içermelidir: sürücünün kabalığı, araç arızası, yanlış varış noktası, sürücünün geç kalması, trafik kazaları, kötü araç içi hijyen, sürücünün dolambaçtan sapması, binişten önce ücret alması, bagaj konusunda yardım etmemesi ve rahatsız edici araç içi sıcaklık.
    3. On senaryoyu ortalama memnuniyetsizlik puanlarına göre sıralayın ve resmi deneysel materyaller olarak en yüksek puana sahip senaryoların ilk %50'sini seçin.
    4. Deneyde kullanılacak beş servis arızası senaryosunu kesinleştirin: sürücünün kabalığı, araç arızası, yanlış varış noktası, sürücünün geç kalması ve trafik kazaları.
    5. Her seçilmiş senaryoyu katılımcılara kısa metinsel açıklamalar ve "Hizmet Arızası!" uyarısı ile sunun.
      NOT: Mevcut uygulamada, seçilen senaryolar ortalama memnuniyetsizlik oranı 6,6 olarak gösterdi; bu, senaryoların en altındaki %50'nin ortalama puanından (ortalama = 3,6) önemli ölçüde yüksekti. Bu fark, seçilen senaryoların hizmet başarısızlığı algısını etkili bir şekilde ortaya çıkardığını ve deneysel uyarıcıların geçerliliğini desteklediğini göstermektedir.
  2. Temsilciler için iki dil stili (İnsan Müşteri Hizmetleri vs. Yapay Zeka Müşteri Hizmetleri) tazminat sağlamak ve metin yoluyla müşteri hizmetleri temsilcilerinin görselleri ile birleştirilen bilgiler sunmak için iki dil stili (mizahi ve mantıklı) tasarlayın. Örneğin, sürücünün servis tutumu kötü olduğu bir durumda, esprili dil tarzı şöyle der: 'Sürücü kötü bir ruh halinde ve bu bulaşıcı! İşte bir nakit kupon geliyor, bir dahaki sefere gülümsemeyi garanti eder!' Akılcı dil tarzı şöyle der: 'Sürücünün tatmin edici olmayan tavrından dolayı özür dilenir ve tazminat olarak nakit kupon verilir.' Gelecekteki himaye memnuniyetle karşılanır.'
  3. Tüm deneysel görüntüleri Adobe Photoshop 2022 kullanarak uyarıcı materyalleri standartlaştırarak geçerlilik ve tutarlılıklarını garanti altına alın. Görüntü boyutlarını 2560 × 1440 piksel arasında 72 DPI çözünürlükle eşit şekilde ayarlayın. Parlaklığı 85 değerine kalibre edin ve görsel paraziti en aza indirmek için kontrastı +20 artırın. Ayrıca, uyaranlarla ilgili ifadeleri standartlaştırıp optimize ederek netlik ve anlaşılma kolaylığı sağlanır, belirsizlikleri önleyin.
  4. Tüm uyarıcı materyaller hakkında katılımcı geri bildirimi toplamak için pilot çalışma yürütün. Tüm hizmet arızası senaryolarının hizmet arızası algısını etkili bir şekilde ortaya çıkardığından emin olun. Komik durumdaki materyallerin, rasyonel durumdakilere göre algılanan mizah açısından önemli ölçüde daha yüksek derecelendirildiğini, uygunluk ve doğallık derecelendirmelerinde ise önemli bir fark olmadığını doğrulayın. Ayrıca, katılımcıların uyarı metnini okuması ve kavrayabilmesi için 1250 ms sunum süresinin yeterli olduğundan emin olun.
  5. Çince karakter sayısıyla ölçülen metin uzunluğunu, farklı dil stil koşulları arasında eşleştirin ve dengeleyin. Mizahi ve mantıklı koşullar arasında metin uzunluğunda önemli bir fark olmadığından emin olun. Metin karmaşıklığının okuma süresi ve bilişsel yük üzerindeki kafa karıştırıcı etkisi için kontrol.

2. Deneysel prosedür

  1. Konu içi faktör tasarımı 2 (ajan türü: insan vs. yapay zeka) × 2 (dil stili: mizahi vs. rasyonel) faktör tasarımı benimseyin.
  2. Deneysel dizinin dört farklı versiyonunu oluşturun. Her versiyon için, dört deneysel koşulu (insan-mizah, insan-rasyonel, yapay zeka-mizahlı, yapay zeka-rasyonel) beş hizmet arızası senaryosuyla birleştirin.
  3. 120 denemeyi E-Prime'da programlayın, bunları 60 denemeden oluşan 2 bloğa ayırın, bloklar arasına zorunlu 120 saniyelik dinlenme ekranı ekleyin ve her denemeyi şu şekilde yapılandırın:
    1. Sabitleme noktasını ekranın ortasında 500 ms boyunca gösterin.
    2. 1000 ms için araç paylaşımı hizmetinin başarısız olduğunu belirten bir prompt sunun.
    3. 250 ms boyunca boş bir ekran göster.
    4. Hizmet görevlisinin kimlik açıklamasıyla ilgili bilgileri 1000 ms için gösterin.
    5. 250 ms boyunca boş bir ekran göster.
    6. Katılımcıya, hizmet görevlisi tarafından 1250 ms için mizahili/mantıklı bir dilde sunulan bir özür metni sunun.
    7. 250 ms boyunca boş bir ekran göster.
    8. Katılımcıya, 1250 ms karşılığında eşdeğer bir kupon (hizmet maliyetine eşit bir yolculuk kuponu) şeklinde tazminat teklif edin.
    9. 250 ms boyunca boş bir ekran göster.
    10. Katılımcıdan önerilen çözümden memnuniyetini değerlendirmesini istemek (1 = çok memnun değil, 5 = çok memnun olmuş); Değerlendirme arayüzü, katılımcı bir seçim yapana kadar kalır.

figure-protocol-1
Şekil 1: Deneysel prosedür. Tek bir deneysel deneme için olay dizisi ve sunum süreleri soldan sağa şu şekilde gösterilir: bir fiksasyon çaprazı (500 ms), bir hizmet arızası senaryosu uyarısı (1000 ms), bir boş ekran (250 ms), hizmet ajanı türü bilgileri (1000 ms), bir boş ekran (250 ms), dil stili (1250 ms), bir boş ekran (250 ms), bir hizmet kurtarma stratejisi (kupon bilgisi, 1250 ms), boş bir ekran (250 ms) ve son olarak memnuniyet puanı arayüzü (katılımcı yanıt verene kadar gösterilir). Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

3. Deneysel hazırlık ve elektrofizyolojik kayıt

  1. Deneysel Hazırlık
    1. Harbin Mühendislik Üniversitesi'nden 20 ücretli lisans ve lisansüstü öğrenciyi (8 kadın) dahil etme kriterlerine göre alın: sağ elini kullanma, normal veya düzeltilmiş görme, psikiyatrik veya nörolojik bozukluk öyküsü yok ve son altı ayda saç düzeltme veya boyama öyküsü yok. Katılımcılar 18–28 yaş aralarındaydı (M=23,25, SD=±2,23). Her katılımcı için bireysel deneysel oturumlar planlayın. Aşırı veri artefaktlarına sahip katılımcıları daha fazla analizden dışlayın.
    2. Katılımcı laboratuvara vardıktan sonra ön bilgilendirme yap. Çekirdek ekipmanları, malzemeleri ve tüm deneysel prosedürü adım adım tanıtın. Deneysel görevlerin özel gereksinimlerini, tahmini süreyi ve önemli önlemleri açıkça açıklayın. Katılımcının deneyin yoğunluğunu tam olarak anladığından emin olun.
    3. Deneyin resmi başlatılmasından önce katılımcılara yazılı bir bilgilendirilmiş onay formu sunun. Katılımcıların formu dikkatlice okumalarını ve deneme başlamadan önce imzalamalarını zorunlu kılın.
    4. Katılımcıya, saç derisi yağı, toz ve elektrotlar ile saç derisi arasındaki iletkenliği etkileyebilecek diğer safsızlıkları temizlemek için belirli bir alanda nötr bir şampuanla yıkamasını söylerin. Daha sonra, katılımcıya laboratuvarda sağlanan saç kurutma makinesini kullanıp saçlarını iyice kurutmasını ve nemli bölgelerin kalmamasını sağlamasını söyle. Saç kurutma makinesini orta hava hızına (yaklaşık 1600 W) ve sabit sıcaklık moduna (yaklaşık 50°C) ayarlayın.
    5. Katılımcıyı özel EEG kayıt laboratuvarına yönlendirin. Laboratuvar, elektromanyetik koruma ve yüksek ses yalıtımı ile profesyonel olarak donatılmıştır. Klima ve ortam aydınlatmasını yaklaşık 22°C oda sıcaklığı ve loş aydınlatma sağlamak için ayarlayın. Katılımcıya rahat sandalyeye oturmasını söyleyin. Katılımcının gözleri ile ekranın merkezi arasındaki mesafenin yaklaşık 1 metre olduğundan emin olun.
    6. %75 tıbbi alkol, pamuk topları ve tahriş etmeyen yüz temizleyicisi al. Katılımcıların yüz bölgelerini bu ürünlerle nazikçe silin.
    7. 64 Ag/AgCl elektrotla donatılmış elektrot kapağını, katılımcının saç derisine Uluslararası 10-20 sistemine göre konumlandırın. Başlığın orta hattını katılımcının nasion-inion-inion'a çizgisiyle hizalayın. CZ elektrodunu kafanın tepesine yerleştirin. Kapağın konumunu doğrulayın: Fp1 ve Fp2 elektrotlarının nasion'un yaklaşık 2 cm üzerinde konumlandığından, T3 ve T4 elektrotlarının kulak tragusunun yaklaşık 2 cm üzerinde konumlandırıldığından emin olun.
    8. Tüm elektrot yuvalarını iletken jelle doldurun. Harici elektrotları tıbbi bantla sabitleyin. Referans elektrodu burnun ucuna yerleştirin. Dikey elektrookülogram (VEOG) elektrotlarını sol orbital yuvasının yaklaşık 1 cm yukarısında ve altında konumlandırın. Yatay elektrookülogram (HEOG) elektrotlarını her gözün dış kantusuna yaklaşık 1 cm yan olarak yerleştirin. Kayıt elektrotlarını (M1, M2) sırasıyla sol ve sağ mastoidlere yerleştirin.
    9. Elektrot kapağının çene kayışını, deney sırasında elektrodun yer değiştirmesini önlemek için sıkı ama rahat bir oturma yaparak ayarlayın. Sonra, kapağın son konumunu doğrulayarak bükülmediğinden veya döndürülmediğinden emin olun.
    10. Kayıt yazılımını empedans kontrol moduna geçirin. Kapapadaki tüm elektrotların kuyruklarını küt uçlu bir şırınga kullanarak iletken jelle doldurun. Her elektrot noktasında tüyleri nazikçe ayırarak elektrot ile saç derisi arasında tam temas sağlanır. Elektrotları sürekli olarak ayarlayın, her kanalın empedansı aşağı düşene ve 10 kΩ'de stabil hale gelene kadar. Empedans değerlerinin kabul edilebilir aralıkta gösterildiğinden emin olun (genellikle empedans monitöründe mavi veya koyu renkle gösterilir).
    11. Katılımcıları, deneyin kapalı ve sessiz bir ortamda yapılacağını bildirin. Onlara rahat bir durum tutmalarını, sabit bir oturma pozisyonu tutmalarını, aşırı vücut hareketlerinden kaçınmalarını ve deney boyunca odaklanmalarını öğretin.
    12. Uyarıcıyı 22 inçlik bir LCD monitör ile sunun. Ekran yenileme hızını 60 Hz'e ayarlayın.
  2. E-Prime Yazılım Çalışma Prosedürü
    1. E-Studio'yu başlat ve projeyi yükle. E-Prime donanım anahtarını bilgisayardaki USB portuna takın. Yazılımı başlatmak için masaüstündeki E-Studio simgesine çift tıklayın. File -> menü çubuğundan açın ve bu deney için proje dosyasını seçin.
    2. Katılımcı Bilgilerini Girin. E-Run başlatma arayüzünde, Konu numarası (örneğin, 001), Oturum numarası ve diğer gerekli bilgileri doğru şekilde girin.
    3. Antrenman seansını gerçekleştirin. Tools -> E-Run seçeneğine tıklayın, ardından açılır pencereden Run'u seçin. Program önce görev talimatlarını gösterecektir. Katılımcının deneysel prosedürü ve doğru yanıt yöntemini açıkça tekrarlayabildiğinden emin olun. Sonrasında 10 deneme denemesini yapın. Bu denemelerin yapısı ana deneyle aynıdır. Pratik oturumundan sonra, katılımcıya uyaranlarda sunulan bilgileri etkili şekilde okuyup anlayamayacağını sorun.
    4. Ana deneyi başlat. Deneme denemeleri tamamlandıktan sonra eğitim ekranına geçin. Katılımcının hazır olduğunu doğrulayın, ardından ana deneyi başlatmak için boşluk tuşuna basmalarını söyleyin. Ana deneyin 120 denemeden oluştuğunu, her blokta 60 denemenin ayrıldığından emin olun. İki blok arasına zorunlu 2 dakikalık bir dinlenme süresi ekleyin.
    5. Oturumu takip edin ve verileri kaydedin. Oturumun ilerlemesini yan odadan bir monitör ekranı aracılığıyla izleyin. Tüm deney tamamlandıktan sonra, E-Prime'ın veri dosyasını otomatik olarak kaydettiğinden emin olun.
  3. Bilgilendirme ve Tazminat
    1. EEG verilerini kaydedin ve katılımcılardan elektrot kapağını çıkarın. Katılımcılara saç ve ciltlerinden kalan iletken jeli temizlemelerini öğretin. Saçlarında veya cildinde jel kalıntısı kalmadığından emin olun. Katılımcıların temizlik sürecinden sonra rahatsızlık hissetmediklerini doğrulayın.
    2. Deneyi tamamlayıp katılımcılara 30 RMB (yaklaşık 4,50 USD) ücret ödeyin.
  4. Veri Ön İşleme Prosedürü
    1. Verileri inceleyin. EEG verilerini görsel olarak inceleyin. Önemli temel kayma veya şiddetli gürültü artefaktları içeren dönemleri daha fazla analizden hariç tutun.
    2. Doğru Göz Eserleri. Dikey elektrookülogram (VEOG) kanalını göz artefaktları için referans olarak ayarlayın. Tarama yazılımındaki göz eğme artefakt azaltma algoritmasını uygulayarak göz kırpma ve göz hareketi artefaktlarını düzeltin.
    3. Veriyi Epoch Et. Sürekli EEG verilerini, E-Prime programı tarafından yerleştirilen olay belirteçleri kullanılarak uyarıcı başlangıcına kadar zaman kilitli dönemlere ayırın. Epoch zaman penceresini -200 ms'den (uyarı öncesi) +800 ms'ye (uyarı sonrası) tanımlayın.
    4. Temel düzeltme yapın. 200 ms öncesi uyarı aralığını temel olarak tanımlayın. Tarama yazılımındaki temel düzeltme algoritması kullanılarak uyarı sonrası veriden ortalama genliğini çıkarın.
    5. Eserleri Reddedin. Analiz penceresinde sinyal genliği ±100 μV'yi aşan dönemleri reddederek kas aktivitesi ve diğer yüksek genlikli artefaktlardan kaynaklanan kontaminasyonu ortadan kaldırın.
    6. Verileri tekrar referans verin. Sol ve sağ mastoidlerdeki elektrotlardan gelen ortalama sinyali hesaplayın. Tüm kanalları çevrimdışı olarak bu hesaplanan mastoid ortalamasına yeniden referans verin.
    7. Dersler İçin ortalama. Her katılımcı için, aynı uyarıcı koşula ait tüm artefaktsız dönemlerin ortalamasını alın ve her birey için kararlı, kohale özgü ERP dalga formları elde edilir.
    8. Bir filtre uygulayın. Ortalama ERP dalga formlarını 30 Hz alçak geçirecek filtre (24 dB/oktav roll-off) ile filtreleyin.
    9. Büyük ortalamalar oluşturun. Tüm katılımcılar arasında her koşul için bireysel ortalamaları birleştirerek büyük ortalama ERP'ler oluşturulur ve her deneysel koşul için grup düzeyinde dalga formlarını elde edilir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Şekil 2a, 2'de (hizmet ajanı: insan vs. yapay zeka) ×2 (dil stili: mizahi vs. rasyonel) tekrarlanan ANOVA'nın memnuniyet puanları üzerindeki ölçümleri hizmet ajanının önemli bir ana etkisini ortaya koydu. İkili karşılaştırmalar, insan ajanla olan memnuniyetin (3.005) yapay zeka ajanına (2.750) göre daha yüksek olduğunu gösterdi. Dil tarzının önemli bir ana etkisi de bulundu. İkili karşılaştırmalar, komik koşulda tatmin oranın (3.018) rasyonel koşuldan (2.737...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu çalışma, davranış ölçümlerini yüksek zamanlı çözünürlüklü ERP tekniğiyle birleştirerek, hizmet ajanı tipi (İnsan vs. yapay zeka) ve dil tarzının (Komikli vs. Akılcı) yolcu memnuniyetini hizmet kurtarma sürecinde etkilediği çok aşamalı bilişsel ve sinirsel mekanizmaları sistematik olarak ortaya koymaktadır. Davranışsal sonuçlar, insan ajanı ve mizahi dil tarzının bireysel olarak daha yüksek memnuniyet oranlarına yol açtığını göstermektedir. Önemli bir etkileşim etkisi gözlemlendi: insa...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarların açıklayacak hiçbir şeyi yok.

Teşekkürler

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı (No. 72001055) tarafından desteklenmiştir. Deneydeki yardımları için Laboratuvar 412'deki tüm meslektaşlarımıza teşekkür ederiz. ST, XY ve JY çalışmayı tasarladı ve tasarladı. XY ve XZ deneyleri gerçekleştirdi. XY verileri analiz etti ve el yazmasını yazdı. ST el yazmasını inceledi. Tüm yazarlar makaleye katkıda bulunmuş ve gönderilen versiyonu onaylamıştır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
NeuroScan Synamp2 AmplifierNeurosoft Labs Inc., USASYN-2-641.Sürekli EEG kaydı bandpass filtresi (0.05–100 Hz) ve örnekleme hızı (1.000 Hz) ile
2.Empedans izleme ve veri kaydı için Scan 4.3.1 yazılımı ile donatılmıştır
3.64 kanallı elektrot kapakları ile uyumlu
64 kanallı Ag/AgCl Elektrot KapağıElectro-Cap InternationalEC-64Uluslararası standart 10-20 sistemine göre kurulum. Burun ucu çevrimiçi referans olarak kullanılır. Tüm kanallar çevrimdışı olarak sol ve sağ mastoid referanslarının ortalamasına referanslandırılmıştır. FPz ve Fz arasındaki elektrot toprak olarak uygulanmıştır. Dikey EOG ve yatay EOG, sol gözün 10 mm yukarısında ve altında bulunan iki elektrot ve her iki gözün dış kantlerindeki yanal elektrotlarla kaydedildi. Tüm elektrot empedansları 10 KΩ altında tutuldu.
E-prime yazılımıPsychology Software ToolsDeneyler tasarlamak, deneyleri başlatmak, uyaranları sunmak, deneysel süreci kontrol etmek ve davranışsal verileri toplamak için kullanılır.
Quik-Gel İletken JelCompumedics Limited AustraliaRP0002831Tıbbi iletken jel. Temel işlevi, elektroensefalogram (EEG) nörofizyolojik muayenelerde direnci azaltmak, elektrik sinyallerinin sorunsuz iletimi sağlamak ve böylece net ve doğru test sonuçları elde etmek için elektrotlar ve kafa derisi veya deri arasına uygulanmaktır.
NuprepWeaver and company10-30Deri hazırlık (aşındırıcı) jeli. Elektroensefalogram (EEG) elektrofizyolojik muayenelerden önce, cildi aşındırmak ve temizlemek için kullanılır, yağları ve ölü deriyi etkili bir şekilde temizleyerek cilt empedansını azaltır, böylece daha net ve doğru elektrot sinyali iletimi sağlar.
BD 10ml ŞırıngaBecton, Dickinson and CompanyREF309604Standart 10ml kapasiteli şırınga. Elektrot kapağındaki tüm elektrotların silindirik boşluklarını iletken macunla doldurmak için kullanılır, kafa derisi ve elektrotlar arasında yeterli teması sağlar.
SalonShine Care ION+KurutucuPHILIPSHP8206Saçları hızlı bir şekilde kurur ve statik ve kabarmayı azaltmak için negatif iyon teknolojisini kullanır.
Bee & Flower ŞampuanShanghai Bee & Flower Daily Necessities Co., Ltd.GB/T 29679Hafif şampuan. Fazla kafa derisi yağını ve kiri etkili bir şekilde temizler, deneyle müdahaleyi azaltır.
75% Alkol Dezhou Chuangyi Medical Technology Co., Ltd.1378Cilt empedansını azaltır.
3M Transpore Cerrahi BandıMinnesota Mining and Manufacturing Medical Devices (Shanghai) Co., Ltd.1527C-1Harici elektrotları sabitlemek için kullanılır.
LCD MonitörDellE2219HNDeney prosedürünü ve uyaranları görüntülemek için kullanılır, insan-bilgisayar etkileşimi için önemli bir arayüz görevi görür.

Kaynaklar

  1. Liu, Y., Jia, R., Ye, J., Qu, X. How machine learning informs ride-hailing services: A survey. Commun Transp Res. 2, 100075 (2022).
  2. Hien, N. N., Long, N. T., Liem, V. T., Luu, D. X. Customer responses to airline service failure: Perspectives from expectation disconfirmation theory. SAGE Open. 14 (2), 21582440241248334 (2024).
  3. Tahir, Z. Effectiveness of offline and online rewards in restoring satisfaction and trust. Span J Mark ESIC. 25 (3), 409-424 (2021).
  4. Shi, Y., Zhang, R., Ma, C., Wang, L. Robot service failure: The double-edged sword effect of emotional labor in service recovery. J Serv Theory Pract. 33 (1), 72-88 (2023).
  5. Helfrich, R. F., Knight, R. T. Cognitive neurophysiology: Event-related potentials. Handbook of Clinical Neurology. 160, 543-558 (2019).
  6. Beres, A. M. Time is of the essence: A review of electroencephalography and event-related brain potentials in language research. Appl Psychophysiol Biofeedback. 42 (4), 247-255 (2017).
  7. Donchin, E. . Cognitive Psychophysiology: Event-Related Potentials and the Study of Cognition: The Carmel Conferences Volume I. , (2022).
  8. Liu, T. T. Noise contributions to the fMRI signal: An overview. NeuroImage. 143, 141-151 (2016).
  9. Tivadar, R. I., Murray, M. M. A primer on electroencephalography and event-related potentials for organizational neuroscience. Organ Res Methods. 22 (1), 69-94 (2019).
  10. Duan, H., Wang, L., Wu, J. Psychophysiological correlates between emotional response inhibition and posttraumatic stress symptom clusters. Sci Rep. 8 (1), 16876 (2018).
  11. Fu, C., Zhang, Z., He, J., Huang, S., Qiu, J., et al. Brain dynamics of decision-making in the generalized trust game: Evidence from ERPs and EEG time-frequency analysis. Acta Psychol Sin. 50 (3), 317 (2018).
  12. Hauser, T. U., Iannaccone, R., Stämpfli, P., Drechsler, R., Brandeis, D., et al. The feedback-related negativity revisited: New insights into localization, meaning, and network organization. NeuroImage. 84, 159-168 (2014).
  13. Chen, Y. T., Yu, H., Zhang, T. T., Han, L. Z., He, Y. J., et al. Female sensitivity to opponents' emotional feedback: Evidence from subliminal emotional feedback. J Psychol Sci. 44 (5), 1026-1034 (2021).
  14. Polich, J. Updating P300: An integrative theory of P3a and P3b. Clin Neurophysiol. 118 (10), 2128-2148 (2007).
  15. Gao, X., Gao, L., Li, Y., Sui, X. The neural response process of cognitive decision making: An ERP study. Brain Sci. 13 (4), 648 (2023).
  16. Lee, W. L., Lau, P. L., Chan, S. L. Personal growth experiences of countertransference among Malaysian counsellors: A phenomenological study. J Health Transl Med. 26 (1), 96-104 (2023).
  17. McRae, K. Cognitive emotion regulation: A review of theory and scientific findings. Curr Opin Behav Sci. 10, 119-124 (2016).
  18. Amodio, D. M., Bartholow, B. D., Ito, T. A. Tracking the dynamics of the social brain: ERP approaches for social cognitive and affective neuroscience. Soc Cogn Affect Neurosci. 9 (3), 385-393 (2014).
  19. Li, M., Wang, R. Chatbots in e-commerce: The effect of chatbot language style on customers' continuance usage intention and brand attitudes. J Retail Consum Serv. 71, 103209 (2023).
  20. Slingerland, E. . Loss and ambiguity aversion and the willingness to pay for index insurance: Experimental evidence from rural Kenya. , (2017).
  21. Lu, J., Li, W., Xie, Y., Huang, Q., Li, J. Prosociality moderates outcome evaluation in competition tasks. Sci Rep. 12 (1), 11397 (2022).
  22. Yang, S., Shi, B., Wang, L., Wang, Z., Peng, S. Long-term cognitive tasks impair resource allocation in working memory: A time-frequency and ERP study. IEEE Access. 8, 211482-211489 (2020).
  23. Heßler, P. O., Pfeiffer, J., Hafenbrädl, S. When self-humanization leads to algorithm aversion: What users want from decision support systems on prosocial microlending platforms. Bus Inf Syst Eng. 64 (3), 275-292 (2022).
  24. Luo, X., Tong, S., Fang, Z., Qu, Z. Machines versus humans: The impact of AI chatbot disclosure on customer purchases. Mark Sci. 38 (6), 937-947 (2019).
  25. Xie, L., Cao, B., Li, Z., Li, F. Neural dynamics of cognitive control in various types of incongruence. Front Hum Neurosci. 14, 214 (2020).
  26. Leue, A., Lange, S., Beauducel, A. Modulation of conflict monitoring intensity: The role of aversive reinforcement, cognitive demand, and trait-BIS. Cogn Affect Behav Neurosci. 12 (2), 287-307 (2012).
  27. Pan, F., Lu, Q., Chen, Y., Wu, X., Li, Q. Emotional conflict occurs at a late stage: Evidence from the paired-picture paradigm. Transl Neurosci. 7 (1), 56-61 (2016).
  28. Yang, Z., Zhou, J., Yang, H. The impact of AI response methods on service recovery satisfaction after service failure. Sustainability. 15 (4), 3294 (2023).
  29. Chen, X. A systemic review of the brain mechanism of humor processing. Int J Educ Humanit. 15 (3), 65-70 (2024).
  30. Niu, Y. The intersection of technology and tradition: A comparative analysis of AI and live anchors in verbal expression. Stud Art Archit. 3 (4), 28-33 (2024).
  31. Weber, C., Bellebaum, C. Prediction-error-dependent processing of immediate and delayed positive feedback. Sci Rep. 14 (1), 9674 (2024).
  32. Ehsan, U., Harrison, B., Chan, L., Riedl, M. O. Rationalization: Generating natural language explanations for AI decisions. , 81-87 (2018).
  33. Adam, M., Wessel, M., Benlian, A. AI-based chatbots in customer service and their effects on user compliance. Electron Mark. 31 (2), 427-445 (2021).
  34. Al-Ezzi, A., Kamel, N., Faye, I., Gunaseli, E. Review of EEG, ERP, and brain connectivity estimators as predictive biomarkers of social anxiety disorder. Front Psychol. 11, 730 (2020).
  35. Liang, Y., Sha, Z., Li, K. Functional near-infrared spectroscopy in schizophrenia research: Progress, challenges, and future directions. Med Sci Monit. 31, e949491 (2025).
  36. Hay, L., Duffy, A. H., Gilbert, S. J., Grealy, M. A. Functional magnetic resonance imaging in design studies: Methodological considerations and recommendations. Des Stud. 78, 101078 (2022).
  37. Dimigen, O., Stein, A. A high-speed OLED monitor for precise stimulation in vision, eye-tracking, and EEG research. bioRxiv. , (2024).
  38. Spapé, M., Verdonschot, R., Van Steenbergen, H. . The E-Primer: An Introduction to Creating Psychological Experiments in E-Prime. , (2019).
  39. Michel, C. M., Brunet, D. EEG source imaging: A practical review of analysis steps. Front Neurol. 10, 325 (2019).
  40. Qin, Y., Zhang, Y., Zhang, Y., Liu, S., Guo, X. Application and development of EEG acquisition and feedback technology. Biosensors. 13 (10), 930 (2023).
  41. Clausen, M., Kyhn, M. P., Papachristos, E., Merritt, T. Exploring humor as a repair strategy during communication breakdowns with voice assistants. , 1-9 (2023).
  42. Jiang, T., Li, H., Hou, Y. Cultural differences in humor perception, usage, and implications. Front Psychol. 10, 123 (2019).
  43. Tung, P. H. Influence of personality traits on satisfaction with public service in Hanoi, Vietnam. Linguist Cult Rev. 5 (S4), 2341-2364 (2021).
  44. Klapprott, F., Kaestner, D., Gumz, A. Macht der Ton die Musik?. Die Psychotherapie. 68 (1), 13-20 (2023).
  45. Nguyen-Phuoc, D. Q., Su, D. N., Tran, P. T., Le, D. T., Johnson, L. W. Factors influencing customer loyalty toward ride-hailing taxi services: A case study of Vietnam. Transp Res Part A. 134, 96-112 (2020).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Hizmet KurtarmaOlayla li kili PotansiyellerEEG KaydYolcu Memnuniyetinsan Bilgisayar Etkile imiDavran sal Derecelendirmeler

İlgili makaleler