集体人类行为研究的蜂窝范式
Summary
在这里, 我们提出了基于计算机的多代理游戏蜜梳子, 它可以通过一个虚拟的2d 六角形游戏场上的黑点-雷达对人类集体运动行为进行实验研究。可以设定不同的实验条件, 如目标场或视觉半径上的可变激励, 并研究其对人体运动行为的影响。
Abstract
集体的人类行为, 如群体运动, 经常表现出令人惊讶的模式和规律性, 如领导的出现。最近的文献表明, 这些模式往往在群体的全球层面上可见, 其基础是遵循几个简单的局部参数的自我组织的个人行为。了解人类集体行为的动态有助于改善群体和人群场景中的协调和领导, 如确定建筑物中紧急出口的理想位置和数量。
在本文中, 我们提出了实验范式霍尼康, 它可以用来系统地调查条件和人类集体行为的影响。这种范式使用基于计算机的多用户平台, 提供了一个可以塑造和适应各种研究问题的设置。情景条件 (例如,具体行为的成本效益比率、货币激励和资源、不同程度的不确定性) 可由实验者根据研究问题设定。每个参与者的动作由服务器记录为六角形坐标, 时间戳的精度为50毫秒, 并且具有单独的 id。因此, 可以在游戏场上定义一个指标, 并且可以随着时间的推移测量参与者的运动参数 (例如距离、速度、聚类等)。运动数据又可以与在同一实验设置中收集的调查问卷中的非计算机化数据相结合。
霍尼康范式正在为新型的人类运动实验铺平道路。我们在这里证明, 这些实验可以使结果具有足够的内在有效性, 从而有意义地加深我们对人类集体行为的理解。
Introduction
基于计算机的多智能体游戏 honeycomb1 提供了一个方法范式, 实验研究集体人类运动模式和群体结构是如何从个人行为中产生的.在类似蜂窝的六角形虚拟游戏场上, 人类参与者在视觉上表示为头像 (黑点) (图 1)。参与者通过鼠标单击移动他们的头像, 以达到目标六边形, 花费移动资源 (视频 1), 并通过建立有凝聚力的团体, 最大限度地提高他们的金钱回报 (视频 2)。空间条件 (例如 ,视觉半径 ) 、奖励结构 (例如货币目标字段 ) 和通信渠道可以纵 , 以便发现这些条件规则在多大程度上影响协调和领导在集体运动中。
游戏的程序条件规则、目标和奖励激励者是由社会心理学家设计的, 目的是调查人类的集体运动。在动物群和人类人群中, 人们可以观察到从遵循当地规则的个人行为中发生的紧急现象 (即全球模式)。例如, 鱼类和成群结队的鸟类似乎作为连贯的实体向空间目标2、3、4移动, 尽管群体规模大, 降低了它们的全球或个人间通信能力。经验研究 5,6,7, 行为建模 8,9,10, 和计算机模拟11,12,13已表明, 在包括人类14、15、16 在内的不同物种中, 在没有内部控制或外部监督的情况下, 群体一级的复杂模式出现。局部个体运动, 往往是微观层面上的简单规则, 足以在宏观层面上产生有序的运动。这种实验有助于越来越多的证据2,6 , 不仅大群, 而且小群体 (人类群体以及其他动物群体) 都由地方互动规则1协调。
我们使用基于计算机的多用户头像游戏的新方法显示了研究动态人类集体现象的一个主要优势。使用 honeycombb 头像平台1,17,18,19, 单个移动行为 (由实际个人控制的移动) 的时空数据可以完全收集的服务器, 和行为模式和集体结构的发展可以用50毫秒的精度进行分析 (表 1)。由于视觉和听觉感觉通信可以通过要求参与者使用耳塞和用隔墙包裹他们的工作站来限制视觉和听觉感觉交流, 因此可以在实验中近似地处理蜂群和其他人群行为条件。在几个实验1,17,18,19, 我们操纵视觉半径 (全局与局部,图 2), 货币激励 (图 3a, b)、子组 (图 4) 和其他参与者的共存 (图 5), 以测试这些变量对集体行为模式出现的影响, 如人类蜂群行为17, 领导1、比赛18日。为了收集数据, 使用了10到12台笔记本和一台服务器的设置 (图 6)。
群体生物物种个体活动的自我组织协调引起了很多科学关注, 特别是在过去十年中。考试范围广泛, 从蚂蚁的简单轨迹形成和路径选择, 到鱼群涡旋结构的复杂出现, 甚至行人双向流动的分离 2.
通过我们的 honeycombs 范式, 我们提供了一种方法学方法来经验地调查各种情景选择约束、不同的行为规则和微观层面的个体特征对其出现的影响。人类的宏观行为结构。一个重要的优点是, 该范例提供了由实验者定义的严格可控的实验设置, 使操作能够测量单个实验的结果或比较多个实验。虚拟游戏场可以根据研究设计的要求进行配置, 参与者之间的感官交流渠道可以根据实验参数消除或减少。此外, 还可以形成环境供给 (例如,竞争性、非竞争性共识和救援环境)。因此, 我们的平台通过提供操作与特定研究问题相关的控制变量的可能性, 强制执行内部有效性 (即尽可能地将研究设计与研究问题相匹配), 使用人的运动数据来检查人类的运动。现场实验使结果 15、20、21对现实世界具有外部有效性 (通用性) 方面的好处, 因为它们不排除未知的无法控制的社会的影响暗示以及人类的非和准语言行为1。
基于计算机的多智能体游戏 honeycombb 已经开始调查人类玩家在虚拟游戏场中移动他们的化身的协调和领导模式的出现。参与者只获得关于在目标六边形上获得的货币奖励的当地信息, 其中包括基于同样以同一目标获得的共同玩家数量的货币奖励成倍增加的群体凝聚力激励六 角。在我们的第一个系列研究中, 我们将实验设置限制在蜂群行为的两个简单参数 (对齐和衔接), 并将相互信息传递减少到只有其他参与者的运动行为的 “重新传递”。然后, 我们将其他参与者移动行为的视线半径改变为由97个较小的六边形组成的虚拟游戏场的全局或本地视图, 并限制玩家的消耗性移动资源 (可能的移动)。
虚拟平台的形状和元素以及能够在该平台上玩的游戏的实验定义参数, 可以根据具体的研究问题进行设计。根据研究目标的不同, 可以改变游戏场的大小;化身的颜色、形状和意义可以调整;资源可以实施;奖励结构和内容可以改变。更多或更少的信息、不确定性和相互冲突的偏好也可以实现22。不同的全球播放器视图信息和控制也是可能的。因此,通过实验说明, 实验的环境提供可以改变 (例如,共识与逃逸场景)。在下一节中, 我们将通过描述一个实际的研究来澄清如何应用这些变量, 该研究使用其中的一些参数来回答具体的研究问题。
Protocol
Representative Results
Discussion
使用多客户端虚拟环境作为研究范式来研究人类集体行为的一个基本问题是, 研究结果是否适用于实际场景。换言之, 方法方法是否产生具有足够生态或外部有效性的结果？在虚拟游戏场上代表人类参与者作为化身, 并让他们通过鼠标点击移动减少了社交线索。此外, 将沟通控制在最低限度, 可以让实验者调查哪些默契的行为暗示在人与人之间传播, 这些暗示可能会影响人类群体的协调和领导行为, 以及在哪些环境提供下 (例如:这些行为受到更多和程度的影响。只要在协议和测试程序中严格遵守两个测试前阶段, 这种简化方法就能保证内部有效性。为了允许将结果转移到 “真实” 群体和人群动态, 实验设置和测试阶段可能会逐渐修改, 变得更加复杂 (例如,允许额外的沟通, 而不仅仅是透射/阅读运动行为, 将有关在语义上嵌入到各种真实场景中的个人特征的信息添加到各种实际场景中等), 并在游戏开始前参与者阅读的屏幕说明中进行描述。
为了解决外部有效性的问题, 六边形游戏场 [最初选择标准化的玩家的运动到标准化的二维六角形坐标, 由于 (预先测试) 可用性和混淆因素的减少] 可以改变。具有自由运动选择的二维网格将使玩家能够创建更连续、更复杂的运动数据。例如, 由统一或不真实引擎创建的三维环境也可以提高生态/外部有效性。然而, 随着减少行动限制的每一步, 都会出现一个问题。随着模拟场景中运动自由复杂性的不断增加, 混淆因素 (如计算机体验等人际差异、熟悉三维游戏中的空间方向) 的影响增加, 这可能会导致偏颇的结果, 并降低内部有效性。
霍尼康协议中概述的方法的优点是, 它可以与计算机模拟模型结合起来, 并作为一个范例, 以进行经验测试, 如果计算机模拟中发现的集体模式也保持在人类群体中的行为。为了提高这些测试的外部有效性, 应在测试后阶段的调查问卷中询问参与者, 他们是否感到自己的化身有足够和人性化的代表, 是否能够将自己的共同参与者视为人类行为者。该协议指定了坐在并排的工作站上的同机人员的物理存在 (尽管协议参数排除了感官听觉或视觉交流), 以增强这些人类化身的感觉。
总之, 在协议的测试前、测试和测试后阶段中概述的 honeycomb 方法所采用的方法为研究群体协调、领导和群体内等集体现象的基本机制提供了一种新的范例差利该方法最重要的局限性是容易受到招聘人员人为错误的影响, 特别是如果他们在确保参与者在测试前和测试阶段不相互沟通方面不够严格。
Offenlegungen
The authors have nothing to disclose.
Acknowledgements
这项研究由德国英才倡议 (机构战略: https://www.uni-goettingen.de/en/32632.html) 资助。我们感谢玛格丽特·内夫-海因里奇的英语校对。
Materials
| Notebooks | |||
| Partition walls between work stations | |||
| Earplugs | |||
| Equipment for LAN installation |
Referenzen
- Boos, M., Pritz, J., Lange, S., Belz, M. Leadership in Moving Human Groups. PLoS Computational Biology. 10 (4), e1003541 (2014).
- Moussaid, M., Garnier, S., Theraulaz, G., Helbing, D. Collective information processing and pattern formation in swarms, flocks, and crowds. Topics in Cognitive Science. 1 (3), 469-497 (2009).
- Sumpter, D. J. T. . Collective Animal Behavior. , (2010).
- Krause, J., et al. Fish shoal composition: mechanisms and constraints. Proceedings – Royal Society. Biological Sciences. 267 (1456), 2011-2017 (2000).
- Camazine, S., et al. . Self-Organization in Biological Systems. , (2003).
- King, A. J., Sueur, C., Huchard, E., Cowlishaw, G. A rule-of-thumb based on social affiliation explains collective movements in desert baboons. Animal Behavior. 82 (6), 1337-1345 (2011).
- Fischer, J., Zinner, D. Communication and cognition in primate group movement. International Journal of Primatology. 32 (6), 1279-1295 (2011).
- Couzin, I. D., Krause, J. Self-organization and collective behavior in vertebrates. Advances in the Study of Behavior. 32, 1-75 (2003).
- Katz, Y., Tunstrøm, K., Ioannou, C. C., Huepe, C., Couzin, I. D. Inferring the structure and dynamics of interactions in schooling fish. Proceedings of the National Academy of Sciences of the United States of America. 108 (46), 18720-18725 (2011).
- Guy, S. J., Curtis, S., Lin, M. C., Manocha, D. Least-effort trajectories lead to emergent crowd behaviors. Physical Review E: Statistical, Nonlinear, and Soft Matter Physics. 85 (1), 016110 (2012).
- Shao, W., Terzopoulos, D. Autonomous pedestrians. Proceedings of the 2005 ACM SIGGRAPH/Eurographics Symposium on Computer Animation. , (2005).
- Reynolds, C. W. Flocks, herds and schools: A distributed behavioral model. Seminal Graphics. , 273-282 (1987).
- Pelechano, N., Allbeck, J. M., Badler, N. I. Controlling individual agents in high-density crowd simulation. Proceedings of the 2007 ACM SIGGRAPH/Eurographics Symposium on Computer Animation. , 99-108 (2007).
- Helbing, D., Molnár, P., Farkas, I. J., Bolay, K. Self-organizing pedestrian movement. Environment and Planning B: Planning and Design. 28 (3), 361-383 (2001).
- Dyer, J. R. G., Johansson, A., Helbing, D., Couzin, I. D., Krause, J. Leadership, consensus decision making and collective behavior in humans. Philosophical Transactions – Royal Society. Biological Sciences. 364 (1518), 781-789 (2009).
- Moussaid, M., Schinazi, V. R., Kapadia, M., Thrash, T. Virtual Sensing and Virtual Reality: How New Technologies can Boost Research on Crowd Dynamics. Frontiers in Robotics and AI. , (2018).
- Belz, M., Pyritz, L. W., Boos, M. Spontaneous flocking in human groups. Behavioral Processes. 92, 6-14 (2013).
- Boos, M., Franiel, X., Belz, M. Competition in human groups – Impact on group cohesion, perceived stress and outcome satisfaction. Behavioral Processes. 120, 64-68 (2015).
- Boos, M., Li, W., Pritz, J., Fu, X., Luo, J. -. D., Boos, M. Patterns of Group Movement on a Virtual Playfield: Empirical and Simulation Approaches. Social Network Analysis: Interdisciplinary Approaches and Case Studies. , 197-223 (2017).
- Dyer, J. R. G., et al. Consensus decision making in human crowds. Animal Behavior. 75 (2), 461-470 (2008).
- Faria, J. J., Dyer, J. R. G., Tosh, C. R., Krause, J. Leadership and social information use in human crowds. Animal Behavior. 79 (4), 895-901 (2010).
- Conradt, L. Models in animal collective decision-making: information uncertainty and conflicting preferences. Interface Focus. 2 (2), 226-240 (2011).
- Couzin, I. D., Krause, J., Franks, N. R., Levin, S. A. Effective leadership and decision-making in animal groups on the move. Nature. 433, 513-516 (2005).
