Summary
이 프로토콜은 많은 양의 유사성 판단과 그에 수반되는 분석 워크 플로우를 얻기 위해 실험적 정신 물리학 패러다임을 제시합니다. 패러다임은 컨텍스트 효과를 조사하고 적어도 다섯 차원의 유클리드 공간의 관점에서 유사성 데이터의 모델링을 가능하게합니다.
Abstract
유사성 판단은 일반적으로 정신적 표현과 신경 상관 관계를 연구하는 데 사용됩니다. 이 접근법은 색상, 객체, 이미지, 단어 및 소리와 같은 많은 영역에서 지각 공간을 특성화하는 데 사용되었습니다. 이상적으로, 모든 자극 쌍 사이의 인식 된 유사성에 대한 추정치를 비교하고 싶을 수도 있지만, 이것은 종종 비실용적입니다. 예를 들어, 피험자에게 두 항목의 유사성을 다른 두 항목의 유사성과 비교하도록 요청하면 비교 횟수는 자극 집합 크기의 네 번째 힘에 따라 증가합니다. 대안적인 전략은 피험자에게 고립된 쌍들의 유사성을 예를 들어, Likert 척도로 평가하도록 요청하는 것이다. 이것은 훨씬 더 효율적이지만 (등급의 수는 사분위가 아닌 설정된 크기에 따라 사분면으로 증가합니다), 이러한 등급은 불안정하고 해상도가 제한적인 경향이 있으며 접근 방식은 컨텍스트 효과가 없다고 가정합니다.
여기에서는 유사성 판단의 효율적인 수집을위한 새로운 순위 패러다임과 유클리드 거리 모델이 데이터를 설명하는지 여부를 테스트하는 분석 파이프 라인 (소프트웨어 제공)이 제시됩니다. 전형적인 시험은 중앙 기준 자극을 중심으로 여덟 가지 자극으로 구성된다: 피험자는 기준과의 유사성 순서대로 자극을 순위화한다. 각 임상시험에서 사용된 자극의 조합을 신중하게 선택함으로써, 접근법은 일관성과 맥락 효과에 대한 내부 통제를 갖는다. 이 접근법은 최대 다섯 차원의 유클리드 공간에서 가져온 자극에 대해 검증되었습니다.
이 접근법은 37 단어 사이의 유사성을 측정하는 실험으로 설명됩니다. 각 시험은 "A가 B보다 참조와 더 유사합니까?"라는 형태의 28 쌍 비교 결과를 산출합니다. 모든 자극 쌍을 직접 비교하는 것은 221445 번의 시험이 필요했지만,이 설계는 222 번의 시도에서 얻은 5994 건의 비교에서 지각 공간을 재구성 할 수있게합니다.
Introduction
인간은 들어오는 감각 정보를 정신적으로 처리하고 표현하여 객체 인식, 탐색, 환경에 대한 추론 및 기타 여러 작업을 수행합니다. 유사성 판단은 일반적으로 이러한 정신적 표현을 조사하는 데 사용됩니다1. 정신적 표현의 구조를 이해하면 개념적 지식의 조직에 대한 통찰력을 제공 할 수 있습니다2. 유사성 판단을 뇌 활성화 패턴과 관련시킴으로써 신경 계산에 대한 통찰력을 얻는 것도 가능합니다3. 또한, 유사성 판단은 인식에서 두드러진 특징을 드러낸다4. 발달 과정에서 정신적 표현이 어떻게 변하는지 연구하는 것은 그들이 어떻게 학습되는지를 밝힐 수 있습니다5. 따라서 유사성 판단은 뇌의 정보 처리에 대한 귀중한 통찰력을 제공합니다.
유사성을 사용하는 정신적 표현의 일반적인 모델은 기하학적 공간 모델6,7,8이다. 감각 영역에 적용된 이러한 종류의 모델은 종종 지각 공간9이라고 불립니다. 공간의 점들은 자극을 나타내며 점들 사이의 거리는 그들 사이의 인식 된 불일치에 해당합니다. 유사성 판단으로부터 유사성에 대한 정량적 추정치를 얻을 수 있습니다. 이러한 쌍 방향 불일치(또는 지각 거리)는 다차원 스케일링(multidimensional scaling)10을 통해 지각 공간을 모델링하는 데 사용될 수 있습니다.
유사성 판단을 수집하는 방법에는 여러 가지가 있으며 각 방법에는 장점과 단점이 있습니다. 불일치에 대한 양적 척도를 얻는 가장 간단한 방법은 피험자에게 각 자극 쌍 사이의 불일치 정도를 척도로 평가하도록 요청하는 것입니다. 이것은 비교적 빠르지 만, 피험자가 이전의 판단으로 돌아갈 수 없기 때문에 추정치가 긴 세션에서 불안정한 경향이 있으며, 문맥 효과가있는 경우 감지 할 수 없습니다. (여기서, 문맥 효과는 비교되지 않는 다른 자극의 존재에 기초하여, 두 자극 사이의 판단된 유사성의 변화로서 정의된다.) 대안적으로, 피험자는 자극의 모든 쌍을 다른 모든 자극 쌍과 비교하도록 요청받을 수 있다. 이것은 불일치의 더 신뢰할 수있는 순위 순서를 산출 할 것이지만, 비교의 수는 자극 수의 네 번째 힘과의 척도를 필요로했기 때문에 작은 자극 세트에서만 실현 가능했습니다. 미리 정의된 수의 클러스터로 정렬11 또는 자유 정렬과 같은 더 빠른 대안에는 자체 제한이 있습니다. 자유로운 정렬 (임의의 수의 말뚝으로)은 직관적이지만, 자극이 쉽게 분류에 도움이되지 않더라도 피험자가 자극을 분류하도록 강요합니다. 보다 최근의 다중 배열 방법인 역 MDS는 이러한 많은 한계를 우회하며 매우 효율적입니다12. 그러나이 방법은 피험자가 자신의 정신적 표현을 2D 유클리드 평면에 투사하고 특정 기하학적 방식으로 유사성을 고려하여 유사성 구조가 평면의 유클리드 거리에서 회복 될 수 있다고 가정해야합니다. 따라서, 판단의 기초가 되는 기하학에 대한 가정을 하지 않고, 많은 양의 유사성 판단을 수집하는 효율적인 방법에 대한 필요성이 여전히 남아 있다.
여기에 설명 된 방법은 합리적으로 효율적이며 위의 잠재적 인 함정을 피하는 방법입니다. 피험자에게 각 임상시험에서 중심 기준과 유사성의 순서로 자극의 순위를 매기도록 요청함으로써13, 상대적 유사성은 피험자의 반응의 기하학적 구조에 대해 아무 것도 가정하지 않고 직접 조사될 수 있다. 패러다임은 동일하고 다른 컨텍스트 모두와 비교의 하위 집합을 반복하여 컨텍스트 효과에 대한 직접적인 평가뿐만 아니라 선택 확률 측면에서 등급이 매겨진 응답을 획득 할 수 있습니다. 분석 절차는 이러한 순위 판단을 여러 쌍 별 비교로 분해하고이를 사용하여 판단을 설명하는 지각 공간의 유클리드 모델을 구축하고 검색합니다. 이 방법은 중간 크기(예를 들어, 19 내지 49)의 자극 세트의 표현을 상세하게 기술하는데 적합하다.
접근법의 타당성을 입증하기 위해, 자극으로 37 마리의 동물 세트를 사용하여 실험을 수행했다. 데이터는 10 1 시간 세션의 과정에 걸쳐 수집 된 다음 각 피험자에 대해 개별적으로 분석되었습니다. 분석은 피험자 간의 일관성과 무시할 수있는 문맥 효과를 보여주었습니다. 또한 지각 공간의 유클리드 모델과 자극 사이의 인식 된 불일치의 일관성을 평가했습니다. 이 논문에 설명 된 패러다임 및 분석 절차는 유연하며 다양한 지각 공간의 기하학적 특성을 특성화하는 데 관심이있는 연구원에게 유용 할 것으로 예상됩니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
실험을 시작하기 전에 모든 피험자는 제도적 지침과 헬싱키 선언에 따라 정보에 입각 한 동의를 제공합니다. 이 연구의 경우,이 프로토콜은 Weill Cornell Medical College의 기관 검토위원회에 의해 승인되었습니다.
1. 설치 및 설정
- GitHub 리포지토리, 유사성(https://github.com/jvlab/similarities)에서 코드를 다운로드합니다. 명령 줄에서 실행 : git 복제 https://github.com/jvlab/similarities.git. - git이 설치되지 않은 경우 저장소에서 압축 된 폴더로 코드를 다운로드하십시오.
참고 : 저장소에는 두 개의 하위 디렉토리가 있습니다 : 두 개의 샘플 실험을 포함하는 실험과 수집 된 유사성 데이터를 분석하기위한 파이썬 스크립트 세트가 포함 된 분석. 실험 디렉토리에서 하나는 (word_exp) 단어 자극을 사용하고 다른 하나는 (image_exp) 이미지 자극을 표시합니다. 파이썬에 익숙해지면 도움이 될 것이지만 반드시 필요한 것은 아닙니다. 명령줄에 익숙하다고 가정합니다: 여러 단계를 수행하려면 명령줄에서 스크립트를 실행해야 합니다. - 다음 도구를 설치하고 가상 환경을 설정합니다.
- python 파이썬 3 : 지침은 링크를 참조하십시오 : https://realpython.com/installing-python/. 이 프로젝트에는 Python 버전 3.8이 필요합니다.
- PsychoPy: 링크(https://www.psychopy.org/download.html)에서 설치 아래의 파란색 버튼을 사용하여 관련 운영 체제용 최신 독립 실행형 버전의 PsychoPy를 다운로드합니다. 이 프로젝트는 PsychoPy 버전 2021.2를 사용합니다. 제공된 샘플 실험은 아래에 명시된 올바른 버전의 PsychoPy로 실행되어야 합니다.
- conda: 링크 (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation)에서 Miniconda 또는 Anaconda를 통해 관련 운영 체제에 대한 conda를 다운로드하십시오.
- 명령줄에서 다음을 실행하여 필요한 python 패키지로 가상 환경을 만듭니다.
CD ~/유사성
conda env create -f environment.yaml - 가상 환경이 만들어졌는지 확인하고 다음과 같이 활성화하십시오.
conda env list # venv_sim_3.8이 나열되어야합니다.
conda는 가상 환경에 들어가기 위해 venv_sim_3.8 #을 활성화합니다.
conda는 스크립트를 실행한 후 가상 환경을 종료하기 위해 #을 비활성화합니다
참고: 환경에서 스크립트를 실행하는 것이 때때로 느려질 수 있습니다. 스크립트를 실행할 때 명령줄에서 인쇄된 출력을 볼 수 있도록 최대 몇 분까지 허용하십시오.
- 다운로드한 코드가 예상대로 작동하는지 확인하려면 아래 단계를 사용하여 제공된 샘플 실험을 실행합니다.
참고: 실험 디렉토리(유사성/실험)에는 샘플 실험(word_exp 및 image_exp)이 포함되어 있어 단어와 이미지의 두 가지 자극을 사용합니다.- PsychoPy를 엽니 다. 보기로 이동 한 다음 코더를 클릭하십시오, PsychoPy의 기본 빌더는 .py 파일을 열 수 없습니다. 파일로 이동한 다음 열기를 클릭하고 word_exp.py(유사성/실험/word_exp/word_exp.py)을 엽니다.
- 실험을 로드하려면 녹색 실험 실행 단추를 클릭합니다. 이니셜 또는 이름 및 세션 번호를 입력하고 확인을 클릭합니다.
- 지침에 따라 몇 가지 시도를 실행하여 클릭 할 때 자극이 회색으로 표시되는지 확인하십시오. 종료할 준비가 되면 Esc 키를 누릅니다.
참고 : PsychoPy는 전체 화면으로 열리고 먼저 지침을 표시 한 다음 자극 단어 대신 자리 표시자 텍스트로 몇 가지 시도를 표시합니다. 클릭하면 단어가 회색으로 표시됩니다. 모든 단어를 클릭하면 다음 평가판이 시작됩니다. 언제든지 PsychoPy는 Escape 키를 눌러 종료 할 수 있습니다. 1.3.2 또는 1.3.3 단계에서 프로그램이 종료되면 사용자의 운영 체제에서 키보드 및 마우스에 액세스해야 할 수 있습니다. 이 경우 PsychoPy Runner 창에 설명 오류 메시지가 인쇄되어 사용자를 안내합니다. - 그런 다음 이미지 실험이 자리 표시자 이미지로 실행되는지 확인합니다. PsychoPy를 엽니 다. 파일로 이동합니다. 열기 를 클릭하고 image_exp.psyexp(유사성/실험/image_exp/ image_exp.psyexp )를 선택합니다.
- 올바른 버전이 사용되는지 확인하려면 기어 아이콘을 클릭합니다 . PsychoPy 버전 사용 옵션에서 드롭다운 메뉴에서 2021.2 를 선택합니다.
- 이전과 마찬가지로 녹색 실험 실행 단추를 클릭합니다. 이니셜 또는 이름 및 세션 번호를 입력하고 확인을 클릭합니다.
참고: 1.3.2 단계에서와 마찬가지로 PsychoPy는 먼저 지침을 표시한 다음 이미지가 로드된 후 평가판을 렌더링합니다. 각 평가판에는 중앙 이미지를 둘러싼 여덟 개의 자리 표시자 이미지가 포함됩니다. 이미지를 클릭하면 회색으로 표시됩니다. Escape를 눌러 프로그램을 종료할 수 있습니다. - 각 실험 디렉터리의 데이터 디렉터리로 이동하여 출력을 확인합니다.
유사성/실험/image_exp/데이터
유사성/실험/word_exp/데이터
참고: 실험 데이터는 데이터 디렉토리에 기록됩니다. 응답.csv 파일에는 평가판별 클릭 응답이 포함되어 있습니다. 로그 파일에는 모든 키 누름과 마우스 클릭이 포함됩니다. PsychoPy가 예기치 않게 종료되는 경우 문제 해결에 유용합니다.
- 선택적으로 분석 스크립트가 예상대로 작동하는지 확인하려면 다음과 같이 대표 결과 섹션의 일부 수치를 재현합니다.
- 전처리된 데이터에 대한 디렉토리를 만듭니다.
CD ~/유사성
mkdir 샘플 - 재료 / 주제 데이터 / 전처리 된 - 모든 응답.csv 파일의 원시 데이터를 하나의 json 파일에 결합합니다. 명령줄에서 다음을 실행합니다.
CD 유사성
콘다 활성화 venv_sim_3.8
파이썬 -m analysis.preprocess.py - 메시지가 표시되면 입력 매개 변수에 대해 다음 값을 입력합니다. 1) 주체-데이터 경로: ./sample-materials/subject-data, 2), 실험 이름: sample_word, 3) 주체 ID: S7. json 파일은 유사성 / 샘플 재료 / 주제 데이터 / 사전 처리됩니다.
- 데이터가 사전 처리되면 재현 그림 아래의 프로젝트 README의 단계를 따릅니다. 이러한 분석 스크립트는 나중에 실행되어 사용자 자신의 실험에서 수집된 데이터를 분석합니다.
- 전처리된 데이터에 대한 디렉토리를 만듭니다.
2. 사용자 지정 실험을 설정하여 데이터 수집
참고: 절차는 3.1단계까지 이미지와 단어 실험에 대해 간략하게 설명되어 있습니다. 이 단계에 따라 프로세스는 두 실험에 대해 동일하므로 이미지 실험은 명시적으로 언급되지 않습니다.
- 실행할 실험을 선택합니다. 실험(유사성/실험/word_exp) 또는 이미지 실험(유사성/실험/image_exp)이라는 단어로 이동합니다.
- 자극의 수를 결정하십시오. 자극 세트의 기본 크기는 37입니다. 이를 변경하려면 소스 코드 편집기에서 구성 파일(유사성/분석/config.yaml)을 엽니다. 분석 구성 파일의 num_stimuli 매개변수에서 정수 k 및 m에 대한 실험 설계에서 요구하는 대로 자극 크기를 mk + 1로 설정합니다.
참고: 표준 설계에서 k ≥ 3이고 m = 6입니다. 따라서 num_stimuli의 유효한 값에는 19, 25, 31, 37, 43 및 49가 포함됩니다(설계의 가능한 확장은 표 1 참조). - 실험 자극을 마무리하십시오. 단어 실험을 실행 중인 경우 단어 목록을 준비합니다. 이미지 실험을 위해 새 디렉토리를 만들고 모든 자극 이미지를 배치하십시오. 지원되는 이미지 유형은 png 및 jpeg입니다. 마침표를 파일 이름의 구분 기호로 사용하지 마십시오(예: image.1.png는 유효하지 않지만 image1.png 또는 image_1.png은 유효함).
- 단어 실험을 실행하는 경우 다음과 같이 자극을 준비하십시오.
- 실험/word_exp에서 stimuli.txt라는 새 파일을 만듭니다. 이 파일은 3.3단계에서 읽습니다.
- 파일에서 자극 세트의 단어를 디스플레이에 표시하기위한 것처럼 각 단어를 별도의 줄에 씁니다. 단어 옆에 빈 줄이나 여분의 공백을 피하십시오. 참고를 위해 샘플 재료 (유사성/샘플-재료/단어-특급-재료/sample_word_stimuli.txt)를 참조하십시오.
- 이미지 실험이 실행 중인 경우 다음과 같이 자극 집합의 경로를 설정합니다.
- 실험 디렉토리에서 config.yaml(유사성/실험/config.yaml)이라는 구성 파일을 찾습니다.
- 소스 코드 편집기에서 파일을 열고 files 변수의 값을 자극 세트가 포함된 디렉토리의 경로로 업데이트합니다(단계 2.3). 이것은 PsychoPy가 이미지 자극을 찾는 곳입니다.
3. 순위 평가판 만들기
- 자극.txt 파일을 사용합니다. 단어 실험을 실행 중인 경우 2.4단계에서 만든 파일을 사용할 수 있습니다. 그렇지 않으면 파일 이름 목록을 사용하십시오 (참조: 유사성/샘플 재료/이미지-특급 재료/sample_image_stimuli.txt 참조). 이 파일을 적절한 실험 디렉토리(word_exp 또는 image_exp)에 배치합니다.
- 여분의 빈 줄과 이름의 공백을 피하십시오. 자극 이름에 낙타 케이스 또는 snake_case를 사용하십시오.
- 그런 다음 평가판 구성을 만듭니다. 분석 디렉토리에서 config.yaml 파일을 열고 path_to_stimulus_list 매개변수의 값을 stimuli.txt 경로로 설정합니다(3.1단계에서 생성됨).
- similarities 디렉터리에서 다음 명령을 차례로 실행하여 스크립트를 실행합니다.
CD ~/유사성
콘다 활성화 venv_sim_3.8
파이썬 -m analysis.trial_configuration
콘다 비활성화 # 가상 환경을 종료합니다. - 이렇게 하면 유사성에서 trial_conditions.csv라는 파일이 만들어지며, 각 행에는 평가판에 나타나는 자극의 이름과 디스플레이의 위치가 포함됩니다. 샘플 trial_conditions.csv 파일(유사성/샘플 재료)이 제공됩니다. 분석 스크립트의 입력 매개변수에 대한 자세한 내용은 사용법 아래의 프로젝트 README를 참조하십시오.
- similarities 디렉터리에서 다음 명령을 차례로 실행하여 스크립트를 실행합니다.
그림 1: 임상시험의 대표적인 예(3.3단계). (A) 각 행에는 단일 평가판의 세부 정보가 포함되어 있습니다. 헤더는 원 주위의 자극의 위치를 나타냅니다. ref 아래의 자극은 중앙에 나타나고 stim 1에서 stim 8까지 참조 주위에 나타납니다. (B) A로부터의 첫 번째 시험 (행)은 PsychoPy에 의해 렌더링되어 참조 자극 인 원숭이 주위에 여덟 가지 자극을 표시합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
참고: 이 시점에서 하나의 완전한 실험 실행, 즉 하나의 전체 데이터 세트에 대한 222개의 전체 시험 세트가 생성되었습니다. 그림 1A는 단어 실험에 대한 위의 스크립트에 의해 생성 된 조건 파일의 일부를 보여줍니다 (대표 결과 참조).
- 다음으로이 222 건의 시험을 세션으로 나누고 시험 순서를 무작위 화하십시오. 일반적인 설계에서 세션은 111개의 평가판으로 구성되며, 각 세션은 실행하는 데 약 1시간이 걸립니다.
- 이렇게 하려면 명령줄에서 다음을 실행합니다.
콘다 활성화 venv_sim_3.8
CD ~/유사성
파이썬 -m analysis.randomize_session_trials - 메시지가 표시되면 다음 입력 매개 변수를 입력합니다: 3.3.2단계에서 만든 trial_conditions.csv 경로; 출력 디렉토리; 세션당 시행 횟수: 111회; 반복 횟수 : 5.
참고: 반복 횟수도 다양할 수 있지만 4단계에서 수행되는 세션 수에 영향을 미칩니다(토론: 실험 패러다임 참조). 반복 횟수의 기본값을 변경하는 경우 구성 파일에서 num_repeats 매개변수 값(유사성/분석/config.yaml)을 편집해야 합니다. 필요한 경우 평가판 만들기 섹션의 README 파일에서 위의 작업을 수동으로 수행하기 위한 단계별 지침을 확인합니다.
- 이렇게 하려면 명령줄에서 다음을 실행합니다.
- 이름을 바꾸고 생성된 각 파일을 조건.csv로 자체 디렉토리에 저장합니다. 여기에서 권장되는 디렉토리 구조를 참조하십시오 : 유사성 / 샘플 - 재료 / 주제 데이터 및 프로젝트 README.
참고: 4단계에서 설명한 대로 각 실험은 표준 설계에서 10시간의 긴 세션 동안 각각 별도의 날짜에 다섯 번 반복됩니다. 피험자는 피로를 피하기 위해 하루에 한 번만 오도록 요청해야합니다. 다양한 크기의 자극 세트에 필요한 시험 및 세션 수에 대해서는 표 1 을 참조하십시오.
4. 실험 실행 및 유사성 데이터 수집
- 피험자에게 과제를 설명하고 지시를하십시오. 각 시험에서, 피험자는 여덟 개의 자극으로 둘러싸인 중앙 기준 자극을 볼 것이고, 중앙 기준과 유사성의 순서로, 주위의 자극을 클릭하도록 요청받을 것이고, 즉, 가장 유사한 첫 번째와 가장 덜 유사한 마지막을 클릭해야 한다.
- 그들에게 일관된 전략을 사용해 보라고 한다. 그들에게 10 세션 동안 여러 번 동일한 자극 구성을 보여줄 것이라고 말하십시오. 연구가 의미 론적 정보의 표현을 조사하는 경우, 피험자가 시작하기 전에 자극에 익숙한지 확인하십시오.
- 관련 실험 디렉터리로 이동합니다(2.1단계 참조). 실험을 처음 실행하는 경우 주체-데이터라는 디렉터리를 만들어 주체 응답을 저장합니다. 두 개의 하위 디렉터리(원시 디렉터리와 사전 처리됨)를 만듭니다. 각 주제에 대해 subject-data/raw 내에 하위 디렉토리를 만듭니다.
- 특정 세션에 대해 3단계에서 준비한 조건.csv 파일을 복사하여 현재 디렉토리, 즉 psyexp 파일이 포함된 디렉토리에 붙여넣습니다. 명명된 조건.csv이라는 파일이 이미 있는 경우 해당 파일을 현재 세션에 대한 파일로 바꿔야 합니다.
- PsychoPy를 연 다음 관련 실험의 디렉토리에서 psyexp 또는 py 파일을 엽니다. PsychoPy에서 녹색 재생 버튼을 클릭하여 실험을 실행합니다. 모달 팝업에서 주체 이름 또는 ID 및 세션 번호를 입력합니다. 확인을 클릭하여 시작합니다. 각 세션이 시작될 때 지침이 표시됩니다.
- 피사체가 작업을 완료하는 데 약 1 시간 정도 걸립니다. 과제가 스스로 진행됨에 따라 필요한 경우 피험자가 휴식을 취하도록 격려하십시오. 피사체가 세션을 완료하면 PsychoPy가 자동으로 종료되고 파일이 유사성 / 실험 / <이미지 또는 단어 >_exp / 데이터 디렉토리에 생성됩니다.
- 이를 주체-데이터/원시/
디렉토리로 전송하십시오(4.3단계에서 생성됨). 권장 디렉토리 구조는 추가 정보를 참조하십시오.
참고: 앞서 언급했듯이 로그 파일은 문제 해결을 위한 것입니다. PsychoPy가 예기치 않게 닫히는 가장 일반적인 원인은 피험자가 세션 중에 실수로 이스케이프 를 누르기 때문입니다. 이 경우 마지막으로 완료된 평가판까지 재판에 대한 응답은 응답.csv 파일에 계속 기록됩니다. - PsychoPy가 예기치 않게 닫히면 다시 열고 시도되지 않은 시도 만 사용하여 새로운 조건.csv 파일을 만듭니다. 기존 세션의 조건 파일을 이 파일로 바꾸고 실험을 다시 실행합니다. 생성된 파일을 적절한 위치에 저장해야 합니다. 세션이 끝나면 두 응답 파일을 수동으로 하나로 결합할 수 있지만 반드시 필요한 것은 아닙니다.
- 나머지 각 세션에 대해 4.4~4.8단계를 반복합니다.
- 모든 세션이 완료되면 원시 데이터 파일을 결합하고 추가 처리를 위해 단일 json 파일로 다시 포맷하십시오. 이렇게하려면 다음과 같이 터미널에서 preprocess.py (유사성 / 분석 / 전처리 .py)을 실행하십시오.
CD ~/유사성
콘다 활성화 venv_sim_3.8
파이썬 -m analysis.preprocess - 메시지가 표시되면 요청된 입력 매개 변수(주체-데이터 디렉터리의 경로, 데이터를 전처리할 주체 ID 및 실험 이름(출력 파일 이름을 지정하는 데 사용됨)를 입력합니다. Enter 키를 누릅니다.
- 가상 환경을 종료합니다.
콘다 비활성화
참고: 이렇게 하면 출력 디렉터리에 json 파일이 만들어져 각 평가판에 대한 반복에 대한 응답을 결합합니다. 유사성 데이터는 주체-데이터/원시에서 읽혀지고 주체-데이터/사전 처리된 데이터에 기록됩니다.
5. 유사성 판단 분석
참고 : 피험자는 참조와 유사성 순서대로 자극을 클릭하도록 요청받으며, 따라서 각 시험에서 순위를 제공합니다. 표준 실험의 경우 각 시험을 다섯 번 반복하여 동일한 여덟 가지 자극의 다섯 순위 순서를 생성합니다( 그림 2B 참조). 이러한 순위 판단은 피험자가 지각 거리의 쌍을 비교하는 일련의 비교로 해석됩니다. 피험자가 각 클릭하기 전에 다음과 같은 질문을 하고 있다고 가정한다: "참조와 자극 A 사이의 (지각적) 거리가 기준과 자극 B 사이의 거리보다 작은가?" 그림 2C에 표시된 바와 같이, 이는 각 시도에 대한 다중 쌍 유사성 비교에 대한 선택 확률을 산출합니다. 아래 분석은 이러한 선택 확률을 사용합니다.
그림 2: 순위 판단에서 선택 확률 얻기. (A) 우리가 수행한 실험이라는 단어에서 나온 시험의 예증. (B) 여러 세션 동안 동일한 재판에 대해 다섯 개의 순위 주문이 획득되었습니다. (C) 순위 판단이 나타내는 쌍 유사점 비교에 대한 선택 확률. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
- 순위 순서 판단에서 쌍 선택 확률을 결정합니다.
- 유사성/분석에서는 명령줄에서 describe_data.py 를 실행합니다.
CD ~/유사성
콘다 활성화 venv_sim_3.8
파이썬 -m analysis.describe_data - 메시지가 표시되면 주체-데이터/전처리된 경로와 분석을 실행할 피험자 목록을 입력합니다.
참고: 이렇게 하면 세 가지 종류의 플롯이 생성됩니다: i) 지정된 피사체의 전체 데이터 세트에 대한 선택 확률의 분포, ii) 피사체 쌍에 대한 선택 확률 간의 일관성을 평가하기 위한 히트맵, iii) 컨텍스트 효과를 평가하기 위해 두 컨텍스트에서 발생하는 모든 비교에 대한 선택 확률의 히트맵. 운영적으로, 이것은 반지에 동일한 기준과 공통된 자극 쌍을 포함하지만 링의 다른 모든 자극에서 다른 모든 자극을 포함하는 일련의 시험에서 선택 확률을 비교하는 것을 의미합니다 : 히트 맵은 선택 확률이이 맥락에 어떻게 의존하는지 보여줍니다.
- 유사성/분석에서는 명령줄에서 describe_data.py 를 실행합니다.
- 선택 확률을 사용하여 지각 공간의 저차원 유클리드 모델을 생성합니다. 명령줄 에서 다음과 같이 model_fitting.py을 실행합니다.
CD ~/유사성
콘다 활성화 venv_sim_3.8
파이썬 -m analysis.model_fitting- 메시지가 표시되면 다음 입력 매개 변수를 제공합니다: 주체-데이터/전처리된 디렉터리에 대한 경로; 자극의 수 (기본적으로 37); 반복 횟수 (모델링 분석을 실행해야하는 횟수); 출력 디렉토리; 가우시안 소음의 양(기본적으로 0.18)입니다.
참고: 이 스크립트를 실행하는 데 몇 시간이 걸립니다. 완료되면 유사성 데이터를 설명하는 1D, 2D, 3D, 4D 및 5D 모델에 가장 적합한 좌표가 포함 된 npy 파일이 출력 디렉토리에 기록됩니다. 서로 다른 모델의 로그 우도 값을 포함하는 csv 파일이 생성됩니다.
- 메시지가 표시되면 다음 입력 매개 변수를 제공합니다: 주체-데이터/전처리된 디렉터리에 대한 경로; 자극의 수 (기본적으로 37); 반복 횟수 (모델링 분석을 실행해야하는 횟수); 출력 디렉토리; 가우시안 소음의 양(기본적으로 0.18)입니다.
- 획득한 모델의 로그 가능성을 시각화하고 적합도를 평가합니다. 이렇게하려면 명령 줄에서 유사성 / 분석 / model_fitting_figure.py 를 실행하십시오.
CD ~/유사성
파이썬 -m analysis.model_fitting_figure- 메시지가 표시되면 필요한 매개 변수, 즉 로그 가능성이 포함된 csv 파일의 경로(5.2단계부터)를 입력합니다.
- 생성된 그림을 분석하여 y축의 로그 가능성과 x축의 모델 치수를 보여 줍니다. 온전한 검사로 유클리드 모델 외에도 두 가지 모델이 포함되어 있습니다 : 무작위 선택 모델과 최상의 모델.
참고: 무작위 선택 모델은 피험자가 무작위로 클릭한다고 가정합니다. 따라서 무작위보다 나은 모든 모델에 대한 로그 우도에 대한 절대 하한을 제공합니다. 마찬가지로, 로그 우도(최상으로 레이블이 지정됨)의 상한선으로서 경험적 선택 확률을 모델 확률로 사용하는 모델의 로그 가능성이 있습니다. - 유클리드 모델이 최상의 모델보다 성능이 우수한지 확인합니다. 최상의 모델은 설계상 오버핏이며 기하학적 고려 사항에 의해 제약을 받지 않는 것입니다. 플롯된 가능성이 최상의 로그 가능성과 관련이 있는지 확인합니다.
- 각 주제에 대한 지각 공간을 시각화합니다. 처음 두 주성분에 투영된 5D 모델의 점을 보여 주는 산점도를 생성합니다. 이렇게하려면 명령 줄에서 유사성 / 분석 / perceptual_space_visualizations.py 를 실행하십시오.
CD ~/유사성
파이썬 -m analysis.perceptual_space_visualizations- 메시지가 표시되면 매개 변수(공백으로 구분됨)와 5.2단계에서 얻은 5D 포인트가 포함된 npy 파일의 경로를 입력합니다.
- 스크립트 실행이 완료되면 가상 환경을 종료합니다.
콘다 비활성화
참고: 이 스크립트는 유사성 판단을 시각화하기 위한 스크립트입니다. 5D 점을 처음 두 주성분에 투영하여 동일한 분산을 갖도록 정규화하여 2D 산점도를 생성합니다. 피험자가 덜 유사하다고 생각하면 두 점이 더 멀리 떨어져 있고 그 반대의 경우도 마찬가지입니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
그림 1A는 단어 실험에 대해 3.3단계에서 스크립트에서 생성된 조건 파일의 일부를 보여 줍니다. 각 행은 평가판에 해당합니다. ref 열의 자극이 디스플레이 중앙에 나타납니다. stim1에서 stim8까지의 열 이름은 원을 따라 8개의 위치에 해당하며, 중앙 참조의 오른쪽에 있는 위치부터 시계 반대 방향으로 실행됩니다. 실험이라는 단어의 샘플 시험이 그림 1B에 나와 있습니다.
타당성과 재현성을 입증하기 위해 자극 세트가 37 마리의 동물의 이름으로 구성된 실험이 수행되었습니다. 완전한 데이터 세트는 연구의 일환으로 정상적인 시력을 가진 여덟 명의 건강한 피험자로부터 수집되었습니다. 이 방법을 입증하기 위해 세 명의 피험자의 데이터가 여기에 표시되며, 그 중 두 명은 연구 목적에 순진했습니다. 정보에 입각 한 동의는 헬싱키 선언과 Weill Cornell Medical College의 제도적 지침에 따라 얻어졌습니다.
데이터 수집 후, 위에서 요약한 초기 처리(프로토콜 단계 4.10-4.12)가 수행되었다. 각 시험에서 피험자의 반응은 주변 고리의 모든 자극 쌍에 대해 "참조와 s1 사이의 거리가 참조와 s2 사이의 거리보다 작습니까?"라는 형태의 독립적이고 이진 선택의 집합으로 해석되었습니다. 순위 판단은 도 2C에 도시된 바와 같이 이러한 쌍 선택으로 분해되었다.
도 3A는 이들 선택 확률의 분포를 보여주며, 이는 피험자에 걸쳐 매우 일관적이었다(프로토콜 단계 5.1). 각 시험이 5 번 반복되었으므로 선택 확률은 0, 0.2, 0.4, 0.6, 0.8 및 1의 값을 취했습니다. 가장 빈번한 선택 확률은 0과 1이며 각 피험자의 모든 결정의 50 % -70 %에 달합니다. 이것들은 매번 하나의 옵션이 선택되는 판단입니다. 예를 들어, s1과 s2 사이의 거리를 s1과 s3 사이의 거리보다 작게 판단하면 5 번 중 0은 선택 확률 0에 해당합니다. 이 판단을 5 번 중 5 번하는 것은 선택 확률 1에 해당합니다. 특히, 도 3B의 각 패널에서 대각선 근처의 데이터 클러스터링에서 볼 수 있듯이 극단적이지 않은 판단에 대해서도 피험자 간의 선택 확률에 많은 일관성이 있습니다.
다음으로, 문맥 효과를 평가하였다. 이것은 실험 설계의 중요한 특징 때문에 가능했다: 기준 자극의 많은 삼중항 및 2개의 비교 자극 s1 및 s2 는 두 개의 맥락에서 반복된다(즉, 자극 어레이를 완성하기 위해 여섯 개의 다른 자극의 뚜렷한 세트와 함께). 이어서, 각 쌍별 비교에 대한 선택 확률을 각 문맥에서 개별적으로 표로 표로 작성하였다. 그림 4 의 우세한 대각선은 각 피험자에 대해 두 문맥에서의 선택 확률 - 0과 1 사이의 중간인 선택 확률을 포함하여-이 거의 동일하다는 것을 나타낸다. 선택 확률이 문맥에 크게 의존한다면, 그들은 강하게 상관 관계가 없을 것이고,이 대각선은 두드러지지 않을 것입니다.
문맥 효과는 또한 통계적 측정에 의해 평가되었다. 문맥 효과의 측정은 다음과 같이 구성된다. 첫 번째 단계는 관찰된 데이터 세트(아래에 자세히 설명되어 있음)에 대한 불균형 통계량을 계산하는 것이며, 관찰된 판단이 상황에 따라 달라지는 것처럼 보이는 정도를 정량화합니다. 그런 다음 실제 데이터와 동일한 시험 구성, 시험 횟수 및 전체 선택 확률로 10000개의 시뮬레이션된 데이터 세트를 구성하지만 관찰된 판단을 두 컨텍스트에 무작위로 할당하여 컨텍스트 효과를 포함하지 않는 방식으로 생성합니다. 다음으로 관찰된 응답에 대해 수행된 것처럼 이러한 시뮬레이션된 데이터 세트에 대한 불균형 통계를 계산합니다. 마지막으로 관찰된 응답에 대한 불균형 통계량과 시뮬레이션된 데이터 세트에 대한 불균형 통계량을 비교하여 컨텍스트 효과가 없는 데이터 세트에서 관찰된 불균형을 얻을 수 있었을 확률을 결정합니다. < 0.05의 경험적 p-값은 컨텍스트 효과가 있음을 나타냅니다. 도 4의 데이터에 대해, p-값은 각각 0.98, 0.30 및 0.33이었고, S4, S7 및 S9의 경우, 즉 모든 값은 0.05>하였다.
데이터 세트에 대한 불균형 통계는 두 컨텍스트에서 발생하는 모든 트라이어드에 대한 기여도의 합계로 계산됩니다. 각 트라이어드에 대한 기여도(예를 들어, d(ref, s1)와 d(ref, s2)를 비교)는 다음과 같이 결정된다. 첫째,이 트라이어드에 대한 판단은 2 x 2 테이블로 집계됩니다. 열은 두 컨텍스트에 해당하므로 열 합계는 해당 컨텍스트의 총 프레젠테이션 수에 의해 제한됩니다. 행은 대체 판단의 카운트, d(ref, s1) < d(ref, s2) 또는 d(ref, s1) > d(ref, s2)에 해당하므로 행 합계는 컨텍스트 간에 합산된 관찰된 선택에 의해 제한됩니다. 두 꼬리 Fisher 정확한 test14는 상호 작용이 실제로 존재하지 않으면 행과 열 (판단 및 컨텍스트) 사이의 관찰 된 (또는 그 이상의) 상호 작용이있는 테이블이 표시 될 확률을 산출하기 때문에이 확률의 음수 로그를 전체 불균형 통계에 대한이 트라이어드의 기여로 사용합니다. 음수 로그를 합산하여 전체 불균형 통계량을 생성하면 컨텍스트 효과가 없다는 귀무 가설 하에서 트라이어드 간에 관찰된 불균형의 공동 확률을 캡처합니다.
동물 이름의 정신적 표현을 모델링하기 위해, 1, 2, 3, 4 및 5 차원의 지각 공간의 유클리드 모델을 최대 가능성 접근법을 사용하여 도출했습니다. 피험자의 응답은 추정의 오류, 즉 결정 단계에서의 잡음을 나타내는 가산 가우시안 잡음과 두 거리의 비교를 반영하는 결정으로 모델링되었다. 그림 5는 5개의 유클리드 모델의 로그 가능성(의사결정 당)을 보여줍니다. 로그-가능성들은 최상의 모델, 즉 관찰된 선택 확률을 각 비교에 할당하는 모델, 즉 어떤 기하학적 고려에 의해서도 이러한 확률을 제한하지 않고 로그-우도에 상대적으로 도시된다. 이러한 로그 가능성을 원근감있게 표현하기 위해 무작위 선택 모델의 로그 가능성도 표시됩니다. 이는 모델 성능의 하한 역할을 합니다. 모델 적합도는 추가된 각 치수에 따라 향상됩니다. 가장 큰 점프는 1D와 2D 모델 사이이며, 이는 단순한 1D 모델이 데이터를 완전히 설명하지 못한다는 것을 나타냅니다. 그러나 치수 4 ~ 5 주변의 고원은 5D 모델조차도 유사성 판단을 설명하는 거리를 완전히 포착하지 못한다는 것을 나타냅니다. 접근 방식의 유효성을 검사하기 위해 파이프라인은 시뮬레이션된 데이터에서도 실행되었습니다. 각각 1D, 2D, 3D, 4D 및 5D 공간에서 도출된 점들 사이의 유사성 판단을 생성하기 위해 별도의 실험을 시뮬레이션하였다. 모든 경우에 이 메서드는 차원을 올바르게 식별했습니다. 또한 올바른 차원을 가진 모델은 모델에서 얻은 근거 진실 로그 우도에 동의하는 로그 가능성을 산출했습니다.
마지막으로, 지각 공간 모델에서 점의 구성이 시각화되었습니다. 도 6은 한 피험체, S7에 대한 이러한 데이터를 도시한다. 주성분 분석(PCA)은 지각 공간의 5D 모델로부터의 점들에 대해 수행되었다. 처음 두 개 및 첫 번째 및 세 번째 주성분에 각각 투영된 점들은 도 6A 및 도 6B에 도시되어 있으며, 축은 동일한 분산에 대해 정규화된다. 실험적으로 얻은 유사성 판단과 일치하는 점 사이의 거리 : 유사한 것으로 인식 된 동물은 서로 가까운 점으로 표시되었습니다.
그림 3: 과목 간 일관성. (A) 모든 쌍 비교를 위해 세 과목에 걸친 선택 확률의 분포. (B) 피험자 쌍에 걸친 동일한 쌍 비교에 대한 선택 확률. 컬러 바는 관찰된 관절 확률과 독립적인 관절 확률의 비율을 보여줍니다. 주 대각선을 따라 높은 값은 피사체 간 일관성을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: 컨텍스트 효과. 세 과목 각각에 대해 두 가지 맥락에서 이루어진 모든 쌍 비교에 대한 선택 확률. A는 삼중항이 제시된 한 컨텍스트를 임의로 참조하고 B는 다른 컨텍스트를 참조합니다. 컬러 바는 관찰된 관절 확률과 독립적인 관절 확률의 비율을 보여줍니다. 주 대각선을 따라 높은 값은 컨텍스트 효과가 없음을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 모델 피팅 분석 결과. 서로 다른 차원의 모델과 세 가지 주제에 대해 표시된 무작위 선택(하한) 모델에 대한 상대적 로그 가능성. 0의 상대적 로그 우도는 최상의 모델의 로그 우도에 해당하며, 여기서 선택 확률은 형상을 고려하지 않고 경험적 선택 확률과 일치합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
도 6: 한 피사체의 지각 공간(S7)을 보다 상세히 설명함. 모델링에서 얻은 5D 좌표의 투영은 (A)의 처음 두 주성분과 (B)의 첫 번째 및 세 번째 주성분에 투영됩니다. 축은 각 축을 따른 분산이 동일하도록 크기가 조정됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
표 1: 예제 매개변수 세트. 실험 패러다임은 더 적거나 더 많은 자극, 시험 및 쌍 비교를 갖도록 다양 할 수 있습니다. 굵게 표시된 글꼴의 행은 사용한 매개 변수를 나타냅니다. 이 테이블을 다운로드하려면 여기를 클릭하십시오.
표 2: 분석 / config.yaml 및 실험 / config.yaml의 매개 변수. 이 테이블을 다운로드하려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
여기에 설명 된 프로토콜은 시각적으로 제시 될 수있는 자극에 대한 유사성 판단을 얻고 분석하는 데 효과적입니다. 실험 패러다임, 분석 및 가능한 확장이 먼저 논의되고 나중에이 방법의 장점과 단점이 논의됩니다.
실험 패러다임: 제안 된 방법은 37 동물 이름의 도메인을 사용하여 시연되며, 5 단계의 분석을 따르고 그림 3-6의 일부를 재현 할 수 있도록 지각 적 판단의 샘플 데이터 세트가 제공됩니다 (프로토콜 단계 1.4). 실험 설계는 이러한 37개의 자극을 222개의 시도로 그룹화합니다 - 각각 중앙에 기준 자극을 포함하고 주변 고리에 여덟 개의 비교 자극을 포함함- 몇 가지 기준이 유지되도록 합니다: a) 37개의 자극 각각은 기준으로서 동일한 수(6회)의 횟수(222 = 37×6), b) 자극이 기준이 되는 6번의 시도에 걸쳐, 나머지 36개의 자극은 모두 적어도 한 번 비교 자극으로서 사용되고, c) 24개의 자극은 주어진 기준과 정확히 하나의 비교에서 발생하며, d) 6쌍의 자극은 두 번의 개별 시험에서 기준과 함께 나타난다. 여섯 쌍의 비교 자극이 각 참조 자극에 대해 별도의 컨텍스트에서 발생한다는 패러다임의 이러한 측면은 5 단계에서 컨텍스트 효과를 확인할 수있게합니다 (그림 4 참조). 이 표준 설계는 "s1에 대한 참조의 유사성이 s2에 대한 참조의 유사성보다 크거나 작은가"라는 형태의 6216 = 222×28 비교를 산출합니다. 이 효율성은 222 건의 각 시험이 8 개의 유사성의 순위를 산출하고 8 개의 순위 유사성이 28 개의 쌍 별 비교를 생성하기 때문에 가능합니다. 이 6216 개의 비교 중 222 개가 반복되어 5994 개의 고유 한 비교가 제공됩니다.
일단 자극 영역이 선택되면, 다음으로 가장 중요한 설계 결정은 샘플의 수이다. 많은 대안적인 설계들이 가능하며(표 1), 자극이 다른 맥락에서 반복되는 방식에 대한 다른 선택들이 있다. 도 4에서 언급된 바와 같이, 각 시험 내에는 서로 다른 임상시험에서 함께 나타나는 삼중항(참조 및 두 개의 주변 자극을 포함함)이 있다. 공통 참조를 갖는 다른 시도와 겹치는 주변 자극의 수(이 경우 두 개와 같음)는 분석 구성 파일의 겹침 파라미터에 의해 제어됩니다. 이 매개 변수를 늘리면 두 번의 시도간에 더 많은 자극이 공유되어 거리 순위에 대한보다 광범위한 비교가 가능합니다 (예 : "s1이 s2보다 참조와 더 유사하고 s2가 s3보다 유사합니까?"). 이 파라미터와 다른 파라미터의 다른 값으로 가능한 다른 실험 설계의 예는 표 1을 참조하십시오. 모든 매개 변수, 매개 변수가 제어하는 항목 및 매개 변수를 변경할 위치에 대한 자세한 내용은 표 2를 참조하십시오. 특히, 이미지 및 단어 실험에 대한 num_images_per_trial 및 num_words_per_trial 매개 변수를 각각 변경함으로써 각 시험에서 참조 주위에 나타나는 자극의 수를 변경할 수도 있습니다. 서라운드의 크기를 늘리면 시험 당 비교 횟수가 증가하고 컨텍스트 효과를 더 잘 연구 할 수 있습니다. 이를 줄이면 작업 복잡성이 줄어 듭니다. 시험에서의 비교 자극의 수 (Ncircle), 실험에서의 자극의 수 (Nstim), 시험 수 (Ntrials), 고유 비교 수 (Ncomparisons) 및 반복 비교 횟수 (Nrepeated)는 상호 관련되어 있으며 앞서 언급 한 시도 간의 중첩 (Noverlap ) 및 기준 자극 당 시험 수 (k). 자극 세트 크기는 임의의 정수인 m에 의해 결정됩니다. 이러한 관계는 다음과 같습니다.
혼란을 최소화하는 데 도움이되는 패러다임 및 데이터 수집 절차에 대한 다른 세부 사항이 있습니다. 자극 및 시험 순서의 배치를 무작위화하는 것(단계 3.4)은 세션이 반복되더라도 피험자가 자극의 배치에서 공간적 또는 시간적 패턴을 인식하기 시작하지 않도록 하는 것이 중요하다. 또한 유사성을 측정하는 방법에 대한 직접적인 단서를 피험자에게 제공하지 않는 것이 중요합니다 (4 단계) 결과가 편향 될 수 있기 때문입니다. 그들은 특정 실험의 맥락에서 유사성이 그들에게 무엇을 의미하는지 스스로 결정해야합니다. 그러나 실험을 마친 후 피험자를 브리핑하는 것이 유용한데, 이는 피험자마다 결과가 어떻게 다른지 이해하는 데 도움이 될 수 있습니다. 어떤 이유로 세션이 손상되거나 중단된 경우 모든 평가판이 동일한 횟수만큼 완료되도록 전체 세션을 삭제하는 것이 좋습니다.
유사성 데이터 분석: 실험은 각 시험에 대해 Ncircle 비교 자극과 기준 사이의 유사성의 순위 순서를 산출합니다. 자극 쌍의 비교로 분해 될 때,이 시험은 각각의 고유 한 비교에 대한 선택 확률을 산출합니다. 그런 다음 선택 확률을 분석하여 지각 공간의 기하학적 모델을 검색합니다 (프로토콜 단계 5). 이 분석은 유클리드 공간에서 자극 d(si, sj) 사이의 거리 측면에서 선택 확률을 설명하려고 시도합니다. 즉, 목표는 각 자극에 좌표를 할당하여 s2 이전에 s1을 클릭할 확률이 피험자가 d(ref, s1) < d(ref, s2)로 판단한 확률을 반영하도록 하는 것입니다. 이 피팅 절차는 몇 가지 새로운 요소를 가지고 있기 때문에 그리고 사용자가 그것을 수정할 수 있도록 하기 위해 여기에 설명되어 있습니다 (프로토콜 단계 5.2).
분석은 일종의 다차원 스케일링 문제이지만 몇 가지 특징이 있습니다. 첫째, 데이터는 거리의 추정치보다는 불일치 판단의 순위 순서를 제공합니다. 둘째, 데이터 세트는 광범위하지만 쌍 방향 거리의 가능한 모든 비교의 하위 집합만 포함합니다. 마지막으로, 목표는 어느 거리가 더 큰지에 대한 이진 결정이 아니라 선택 확률을 설명하는 것입니다. 이러한 고려 사항을 염두에두고 비용 함수가 선택되므로 모델 예측 선택 확률이 실험적으로 관찰 된 선택 확률을 산출 할 가능성이 가장 높을 때 값이 최소화됩니다. 따라서 모델 아래에서 관찰된 선택 확률의 음수 로그-우도로 정의되고, 쌍 비교의 총 수로 정규화되며, 이전 작업15에서 조정됩니다.
여기서 N0 = N비교. Nrepeats 및 Nrepeats는 프로토콜의 반복 횟수(즉, 각각의 고유 시험이 반복되는 횟수)이고,
여기서, srdede는 시험에서의 기준 자극, si 및 sj 및 sr 주위의 고리에서의 자극을 나타낸다. P(d(sr, si)< d(sr, sj))는 sr과 si 사이의 거리가 sr과 sj 사이의 거리보다 작은 것으로 판단될 확률을 나타내는 모델 확률을 나타내며, C는 피험자가 d(sr, si)를 판단한 횟수를 나타낸다. ) < d (sr, sj). 모델링 분석의 목적은 경험적 선택 확률을 설명하는 유클리드 공간에서 점의 구성을 찾는 것입니다. 반복적으로, 최소화는 각 자극에 할당된 좌표를 조정하고, 그렇게 함으로써 모델 선택 확률(P)을 조정한다. 최소화는 비용 함수가 공차 아래로 감소하는 것을 멈추거나(공차라는 조정 가능한 매개변수가 이를 제어함) 최대 반복 횟수에 도달하면(매개변수 max_iterations로 제어됨) 종료됩니다.
자극 좌표를 모델 선택 확률과 연결하기 위해, 피험자가 - 시험에서 클릭할 두 자극 중에서 선택할 때 - 참조에 대한 상대 거리, 즉 d(sr, si) 및 d(sr, sj)의 내부 비교를 할 것이라고 가정한다. 이러한 거리는 (기본적으로) 자극 sr, si 및 sj에 할당된 점 사이의 일반적인 유클리드 거리입니다. 또한,이 정신적 비교는 내부 소음을 가지고 있다고 가정되며, 우리는 Maloney et al.16,17에 의해 1 차원 도메인에 대해 도입 된 모델 인 표준 편차 σ의 가우스 적 근원으로 모델링하고 다차원 도메인에도 사용됩니다 15. 모델 선택 확률은 다음과 같이 좌표와 관련이 있습니다.
σ 내부 노이즈는 분석 구성 파일에서 시그마를 변경하여 제어할 수 있습니다. 일련의 자극 좌표로 알고리즘을 초기화하기 위해 랭크 순서 판단을 사용하여 대략적인 거리 세트를 얻은 다음 표준 다차원 scaling10을 이러한 거리에 적용하여 초기 좌표를 얻었습니다. 이러한 대략적인 거리는 각 자극 쌍에 대한 승패를 집계하여 결정되었습니다. 즉, 데이터의 모든 쌍 비교를 살펴보면 거리가 d(sr, sk)가 다른 것보다 크게 판단 될 때마다 d (sr, sn)가 더 큰 거리 d (sr, sk)에 대해 승리가 기록되고 d (sr, sn)에 대한 손실이 기록됩니다. ). 핵심 아이디어는 두 자극 사이의 거리가 클수록 다른 거리 (승리의 관점에서)보다 더 큰 것으로 판단되고 그 반대의 경우도 마찬가지라는 것입니다. 모든 비교를 반복하고 각 자극 쌍의 승패를 표로 작성한 후 거리 추정치는 다음과 같이 계산됩니다.
이 작업이 완료되면 초기 좌표 집합은 dinit (si, sj)에 표준 메트릭 다차원 배율을 적용하여 결정됩니다.
이와 같이 설명된 최소화 루틴은 1, 2, 3, 4 및 5차원의 모델을 얻기 위해 독립적으로 실행된다. 각각의 경우에, 추론된 자극 포인트들의 최적 좌표들, 그리고 비용 함수의 값들, 즉, 경험적 선택 확률들의 음의 로그-우도들이 리턴된다. 로그-우도는 그림 5에서 가능한 최상의 로그 가능성과 관련하여 플롯되며, 이는 방정식 1과 유사하게 계산됩니다.
,
모든 비교를 위해. 온전성 검사로서, 그림 5에서는 모델의 성능을 판단할 수 있는 하한인 랜덤 모델 로그 가능성도 플롯됩니다. 무작위 선택 로그 가능성을 계산할 때
모든 비교를 위해.
가능한 확장 기능 : 첫째로, 앞서 언급한 바와 같이, 실험 패러다임은 상이한 크기의 자극 세트를 수용하도록 변형될 수 있고, 고리 내의 자극의 수는 시험당 상이한 수의 쌍 비교를 산출하도록 변경될 수 있다( 표 1 참조).
둘째, 분석에서 유클리드가 아닌 거리 메트릭을 활용하는 것이 유용할 수 있다. 예를 들어, 한 연구에 따르면 도시 블록 메트릭은 표면 밝기와 조명의 지각 공간을 더 잘 나타냅니다18. 제안된 방법은 일반화될 수 있으므로, 다른 거리 메트릭들(예를 들어, 도시-블록 거리, 민코프스키 거리, 또는 쌍곡선 거리19)을 갖는 모델들은 유사성 데이터에 적합하다. 이렇게 하려면 제공된 코드를 수정하고 대체 거리 메트릭을 구현해야 합니다. 필요한 주요 변경 사항은 유사성 / 분석 / dist_model_ll_vectorized 파일의 105 행 (함수 이름 : pairwise_likelihood_analysis.py)입니다.
강점과 한계 : 제안 된 접근법의 주요 강점은 다양한 자극 세트 크기, 다양한 수의 비교, 반복 또는 시험 당 자극 수뿐만 아니라 문맥 효과를 측정하기위한 다양한 겹치는 세트 크기로 실험을 설계하기위한 유연한 프레임 워크를 제공한다는 것입니다. 재판 간의 겹침의 크기와 재판에서 서라운드의 크기를 변경함으로써 유사성 판단에서 문맥의 역할을 조사하는 동시에 재판 당 쌍 유사성 판단을 많이 얻을 수 있습니다. 이 방법은 유사성 데이터를 수집하기위한 이전 실험 패러다임의 많은 한계를 해결합니다. 예를 들어, 배열 기반 방법12,20(유사한 아이템이 함께 배치되고 서로 다른 아이템이 떨어져 배치된 2D 유클리드 평면에 자극이 배치되어야 함) 및 정렬 방법(자극을 더미로 분류할 필요가 있음)과 달리,11 순위 방법은 피험자에게 자신의 내부 표현을 어떤 기하학적 구조에도 투사하도록 촉구하지 않는다. 일부 과거 방법의 또 다른 한계 - 예를 들어, 두 자극이 빠른 인식 과제21에서 서로 혼동되는 경우 유사한 것으로 간주되는 혼란 행렬21 - 등급이 매겨진 척도를 산출하지 않는다는 것입니다. 이 방법은 등급이 매겨진 측정값, 즉 선택 확률을 산출합니다.
위에서 강조한 바와 같이, 수집 방법은 내부 표현이 유클리드 공간이라고 가정하지 않는다는 점에서 유연하다. 여기서, 분석 방법은 유클리드 모델만을 시험한다; 그러나 소스 코드의 지역화 된 수정을 통해 비 유클리드 모델도 포함하도록 확장 할 수 있습니다. 그러나 모델링 프레임워크는 컨텍스트 효과를 고려하도록 설계되지 않았습니다. 그들이 중요하다면, 그것은 도출 될 수있는 결론에주의 깊게 배치 할 것입니다.
제안 된 방법은 쌍을 이루는 비교 접근법보다 시간 효율적입니다. 패러다임의 각 시험은 약 ~ 30 초 (피험자는 한 시간에 111 건의 시험을 수행)가 소요되며 시간당 111×28 = 3108 건의 비교가 이루어집니다. 단일 비교 시험은 시행 당 3 초 미만으로 걸릴 가능성이 낮으며 시간당 1200 비교가 가능합니다. 또한, 효율성의 두 번째 수준이 있습니다 : 현재의 접근법은 모든 쌍 거리의 비교를 필요로하지 않습니다. 원고의 예를 들어, 쌍 거리의 전체 세트는 221445 비교에 해당하지만, 현재의 접근법에서는 각각 5 또는 10 번 반복되는 5994 개의 고유 비교의 희소 한 하위 집합이 유사성 데이터를 모델링하기에 충분합니다. 그러나이 방법은 효율적이지만 여전히 시간이 많이 걸리며 피험자로부터 상당한 헌신이 필요합니다. 결과적으로, 데이터가 피험자 간에 풀링되지 않는 한, 수백 개의 자극 세트에 대해 실현 가능한 접근법이 아니다. 마지막으로, 이 접근법은 비시각적 자극에 직접적으로 적용되지 않는다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 할 것이 없습니다.
Acknowledgments
이 연구는 국립 보건원 (NIH)의 기금으로 지원되며 EY07977을 부여합니다. 저자는 또한 소프트웨어 테스트에 도움을 준 Usman Aiyaz와 원고에 대한 그의 의견에 대해 Muhammad Naeem Ayyaz에게 감사하고 싶습니다.
Materials
| Name | Company | Catalog Number | Comments |
| Computer Workstation | N/A | N/A | OS: Windows/ MacOS 10 or higher/ Linux; 3.1 GHz Dual-Core Intel Core i5 or similar; 8GB or more memory; User permissions for writing and executing files |
| conda | Version 4.11 | OS: Windows/ MacOS 10 or higher/ Linux | |
| Microsoft Excel | Microsoft | Any | To open and shuffle rows and columns in trial conditions files. |
| PsychoPy | N/A | Version 2021.2 | Framework for running psychophysical studies |
| Python 3 | Python Software Foundation | Python Version 3.8 | Python3 and associated built-in libraries |
| Required Python Libraries | N/A | numpy version: 1.17.2 or higher; matplotlib version 3.4.3 or higher; scipy version 1.3.1 or higher; pandas version 0.25.3 or higher; seaborn version 0.9.0 or higher; scikit_learn version 0.23.1 or higher; yaml version 6.0 or higher | numpy, scipy and scikit_learn are computing modules with in-built functions for optimization and vector operations. matplotlib and seaborn are plotting libraries. pandas is used to reading in and edit data from csv files. |
References
- Edelman, S.
- Hahn, U., Chater, N. Concepts and similarity. Knowledge, Concepts and Categories. , The MIT Press. 43-84 (1997).
- Kriegeskorte, N., Kievit, R. A. Representational geometry: integrating cognition, computation, and the brain. Trends in Cognitive Sciences. 17 (8), 401-412 (2013).
- Hebart, M. N., Zheng, C. Y., Pereira, F., Baker, C. I. Revealing the multidimensional mental representations of natural objects underlying human similarity judgements. Nature Human Behaviour. 4 (11), 1173-1185 (2020).
- Deng, W. S., Sloutsky, V. M. The development of categorization: Effects of classification and inference training on category representation. Developmental Psychology. 51 (3), 392-405 (2015).
- Shepard, R. N. Stimulus and response generalization: tests of a model relating generalization to distance in psychological space. Journal of Experimental Psychology. 55 (6), 509-523 (1958).
- Coombs, C. H. A method for the study of interstimulus similarity. Psychometrika. 19 (3), 183-194 (1954).
- Gärdenfors, P. Conceptual Spaces: The Geometry of Thought. , The MIT Press. (2000).
- Zaidi, Q., et al. Perceptual spaces: mathematical structures to neural mechanisms. The Journal of Neuroscience The Official Journal of the Society for Neuroscience. 33 (45), 17597-17602 (2013).
- Krishnaiah, P. R., Kanal, L. N. Handbook of Statistics 2. , Elsevier. (1982).
- Tsogo, L., Masson, M. H., Bardot, A. Multidimensional Scaling Methods for Many-Object Sets: A Review. Multivariate Behavioral Research. 35 (3), 307-319 (2000).
- Kriegeskorte, N., Mur, M. Inverse MDS: Inferring dissimilarity structure from multiple item arrangements. Frontiers in Psychology. 3, 245 (2012).
- Rao, V. R., Katz, R. Alternative Multidimensional Scaling Methods for Large Stimulus Sets. Journal of Marketing Research. 8 (4), 488-494 (1971).
- Hoffman, J. I. E. Hypergeometric Distribution. Biostatistics for Medical and Biomedical Practitioners. , Academic Press. 179-182 (2015).
- Victor, J. D., Rizvi, S. M., Conte, M. M. Two representations of a high-dimensional perceptual space. Vision Research. 137, 1-23 (2017).
- Knoblauch, K., Maloney, L. T. Estimating classification images with generalized linear and additive models. Journal of Vision. 8 (16), 1-19 (2008).
- Maloney, L. T., Yang, J. N.
- Logvinenko, A. D., Maloney, L. T. The proximity structure of achromatic surface colors and the impossibility of asymmetric lightness matching. Perception & Psychophysics. 68 (1), 76-83 (2006).
- Zhou, Y., Smith, B. H., Sharpee, T. O.
- Goldstone, R. An efficient method for obtaining similarity data. Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).
- Townsend, J. T. Theoretical analysis of an alphabetic confusion matrix. Perception & Psychophysics. 9, 40-50 (1971).
