《Computers in Human Behavior》：“Compete, Cooperate... Why not both?” Player orientation and hybrid vs. competitive mechanics in gamified crowdsourcing with JellyfishGO!
编辑推荐：
在本研究中，研究人员探讨了个体玩家取向——由Bartle分类法（Bartle’s taxonomy）划分——如何影响有目的的众包游戏（Games with a purpose, GWAPs）中竞争性与混合性（团队内合作+轻度团队间竞争）机制下的表现。研究人员部
在本研究中，研究人员探讨了个体玩家取向——由Bartle分类法（Bartle’s taxonomy）划分——如何影响有目的的众包游戏（Games with a purpose, GWAPs）中竞争性与混合性（团队内合作+轻度团队间竞争）机制下的表现。研究人员部署了JellyfishGO!，这是一款移动增强现实（Augmented Reality, AR）GWAP，并通过为期一周的准实验田野试验（quasi-experimental field trial）对其进行验证，结合了高分辨率游戏内行为日志与两种互补的玩家动机测量工具：一项在初始画像时施测的六项玩家类型决策（Player-Type Decision, PTD），用于确定主导性Bartle标签；以及游戏结束后收集的完整24项项Hexad用户类型量表（Hexad User Types Scale），用于捕捉连续性动机子量表。PTD作为简约的调节变量，Hexad则作为连续性协变量，用于聚合效度检验与敏感性分析。研究的核心研究问题（Research Question, RQ）为：RQ：在GWAP机制中，由Bartle分类法划分的游戏玩家取向是否影响众包参与者在竞争性与混合性（团队内合作+轻度团队间竞争）机制下的吞吐量？
关键研究发现：
混合机制在试验中产生了最大、最稳健的吞吐量增益。混合与竞争条件下的吞吐量内部收益率（Internal Rate of Return, IRR）落在约1.47–1.91的紧凑区间内。几乎没有证据表明Bartle玩家取向调节了混合机制的吞吐量增益。杀手型（Killer）玩家在混合环境中表现出显著的活动短爆发。会话级共识质量是不变的，限制了忠实度推断。
该研究围绕"竞争还是合作"这一游戏化众包领域的经典问题展开。随着公民科学（Citizen science）与有目的的众包游戏（GWAPs）的兴起，如何通过游戏机制激励志愿者持续参与并确保数据质量，成为学界关注的焦点。然而，现有研究对竞争与合作机制的优劣始终存在分歧：部分研究表明竞争机制能提升产出数量，但也有学者发现竞争可能损害数据准确性，而混合机制（团队内合作+团队间竞争）是否优于纯竞争或纯合作，仍缺乏严格的实证检验。更为关键的是，尽管许多研究呼吁关注玩家个体差异，却几乎没有研究系统地将Bartle分类法（Bartle’s taxonomy）等玩家取向框架引入GWAPs，检验不同取向玩家对竞争与混合机制的反应差异。正是在这一背景下，Diogo Guimar?es等研究人员开展了本研究，试图回答玩家取向是否影响众包参与者在竞争性与混合性机制下的吞吐量这一核心问题。
该研究的主要方法包括：研究人员部署了自主开发的移动增强现实（AR）GWAP——JellyfishGO!，该平台通过AR锚定的水母生成、简单的捕捉机制及情境感知任务来结构化参与者的贡献行为。研究采用为期一周的准实验田野试验设计，在葡萄牙四所高等教育机构招募了64名18至35岁的学生和早期职业研究者，组成32个两人团队。初始画像时通过六项玩家类型决策（PTD）量表确定每位参与者的主导性Bartle类型（成就者、探索者、社交者、杀手），游戏结束后收集完整的24项Hexad用户类型量表以进行聚合效度检验。数据分析采用模型无关的组内Bartle对比（置换检验、自助95%置信区间、Hedges' d效应量）、稳健普通最小二乘回归（OLS，按玩家聚类标准误）以及泊松与负二项广义线性模型（GLM）等多种互补策略。
研究结果显示：
4.1 样本特征：主导性玩家类型与Hexad画像。分析样本由64名参与者组成。初始画像PTD标签显示，探索者（30次，46.9%）、社交者（23次，35.9%）、成就者（22次，34.4%）和杀手（22次，34.4%）为主要类型。Hexad的聚合效度检验表明，整体52.6%的PTD标签记录与竞争性Hexad类型对齐，13.4%与社交型对齐，34.0%与两者均不相关。Hexad各子量表的Cronbach's α系数介于0.72（破坏者）至0.93（慈善者）之间，显示出良好的内部一致性。
4.2 描述性对比：竞争性与混合性结果。在会话层面，共记录373个竞争性会话和73个混合性会话。混合性会话产生的平均捕捉次数（126.70次）远高于竞争性会话（25.05次），每分钟捕捉次数（1.59次对0.89次）同样偏向混合性。在玩家周和团队层面，混合性条件同样表现出更高的累积和速率指标。值得注意的是，竞争性会话与混合性会话数量严重不平衡（373对73），且数据分布高度右偏、重尾，这促使研究人员采用每分钟捕捉次数作为主要吞吐量指标，并引入稳健性检验。
4.3 主要推断检验：Bartle×模式交互作用。模型无关的组内Bartle对比显示，混合性机制在所有Bartle类型组中都表现出捕捉强度的优势：成就者（平均差+0.734次/分钟）、探索者（+0.614次/分钟）、社交者（+0.658次/分钟）和杀手（+0.760次/分钟），且所有置换检验均达到统计显著水平。稳健OLS模型估计的混合性主效应为正（系数≈+0.734，标准误0.259，p=0.005），但解释的方差比例有限（调整R2≈0.06），交互项系数均较小且不精确，无一达到常规显著性水平（所有交互p>0.4）。会话长度方面，混合性会话在所有Bartle组中均显著更长（平均差约+1506至+4498秒）。会话级共识质量指标在日志数据中不变，无法在该粒度上进行质量推断。
4.4 稳健性检验与敏感性分析以及Bartle亚组分析。研究人员实施了四项主要稳健性检验：截尾样本敏感性检验（排除每玩家捕捉次数最高和最低的5%）、替代模型族检验（负二项GLM）、留一团队刀切法（jackknife，32次重复估计）以及保守性臂重新分类。截尾样本的泊松IRR约为1.47，负二项估计约为1.79，刀切法示例复制约为1.91，保守臂重新分类约为1.65。总体而言，混合性对竞争性的IRR范围约为1.47至1.91，这一紧凑窗口概括了对截尾、模型族和案例移除的敏感性。纳入和排除欺诈标记记录未改变定性结论。在Bartle亚组分析中，混合性优势在所有类型中广泛存在，但交互项系数仍无可靠证据表明混合性增益的大小随主导Bartle取向系统性地不同。会话级共识质量不变，因此关于忠实度的推断必须推迟到团队或周水平聚合或更丰富的质量遥测数据。
在讨论部分，研究人员对结果进行了系统解读。研究的核心结论是：混合性框架（团队内合作加上轻度团队间竞争）可靠地提升了跨样本的吞吐量，但几乎没有证据表明通过六项PTD测量的玩家取向系统性地调节了这一收益的大小。在探索性期望方面，成就者偏好竞争性单人机制的期望未获支持——成就者并未在竞争性会话中表现更优，反而同样受益于混合性框架。探索者的发现偏好期望和社交者的持续性参与与更高忠实度期望仅获得弱支持：探索者确实在混合条件下表现出更高的强度，但缺乏探索特定的新颖性指标；社交者表现出相当大的异质性（仅26%的社交者记录与竞争性Hexad主导类型对齐，尽管这在四种类型中是最高的），且会话级共识质量不变，因此忠实度部分无法在会话粒度上进行裁决。杀手的活跃度爆发期望与观察到的杀手玩家在混合环境中短期强度增加一致，但由于会话级质量未变化，无法将爆发与"速度换错误"关联。调节和泛化性期望仅获得有限支持，因为臂×Bartle交互系数较小且不精确。
在理论整合方面，研究结果与现有文献相互印证，即混合配置——团队内合作加上轻度团队间竞争——是提升吞吐量的重要杠杆。研究认为，Bartle分类法并未被驳斥，而是得到了理论上的细化：混合机制可能同时激活多条动机路径，产生跨类型的叠加性参与增益，而非产生类型特异性的吞吐量分布。方法学上的重要启示包括：必须将暴露、重尾参与和测量粒度纳入考量，层次混合效应模型（hierarchical mixed-effects models）是未来确证性研究的方向。
研究结论部分明确指出：混合性架构——团队内合作加上轻度团队间竞争——提升了贡献量（吞吐量）：混合性会话更长，且每分钟捕捉次数更高，IRR在约1.47至1.91的紧凑窗口内，该效应在截尾、负二项重新设定、刀切复制和保守臂重新分类后均得以维持。这为研究假设提供了强有力支持，对杀手活跃度爆发期望提供了 Qualified 支持，而探索者多样性和社交者忠实度期望因质量指标不变而无法检验。玩家类型调节作用较小且不精确，因此被解读为有限而非系统性的。该论文发表于《Computers in Human Behavior》，为GWAPs的机制设计提供了重要的实证依据，也为未来结合动机、机制与数据忠实度的玩家导向型众包系统研究奠定了基础。
