Summary
يقدم البروتوكول نموذجا تجريبيا للفيزياء النفسية للحصول على كميات كبيرة من أحكام التشابه ، وسير عمل تحليل مصاحب. يحقق النموذج في تأثيرات السياق ويتيح نمذجة بيانات التشابه من حيث المساحات الإقليدية ذات الأبعاد الخمسة على الأقل.
Abstract
تستخدم أحكام التشابه عادة لدراسة التمثيلات العقلية وارتباطاتها العصبية. تم استخدام هذا النهج لتوصيف المساحات الإدراكية في العديد من المجالات: الألوان والكائنات والصور والكلمات والأصوات. من الناحية المثالية ، قد يرغب المرء في مقارنة تقديرات التشابه المتصور بين جميع أزواج المحفزات ، ولكن هذا غالبا ما يكون غير عملي. على سبيل المثال ، إذا طلب المرء من موضوع ما مقارنة تشابه عنصرين مع تشابه عنصرين آخرين ، فإن عدد المقارنات ينمو مع القوة الرابعة لحجم مجموعة التحفيز. تتمثل الاستراتيجية البديلة في مطالبة الشخص المعني بالتشابه في معدل الأزواج المعزولة ، على سبيل المثال ، على مقياس Likert. هذا أكثر كفاءة بكثير (عدد التصنيفات ينمو بشكل تربيعي مع حجم محدد بدلا من ربع سنوي) ، ولكن هذه التصنيفات تميل إلى أن تكون غير مستقرة ولها دقة محدودة ، ويفترض النهج أيضا أنه لا توجد تأثيرات سياقية.
هنا ، يتم تقديم نموذج تصنيف جديد لجمع أحكام التشابه بكفاءة ، إلى جانب خط أنابيب تحليل (برنامج مقدم) يختبر ما إذا كانت نماذج المسافة الإقليدية تمثل البيانات. تتكون التجارب النموذجية من ثمانية محفزات حول حافز مرجعي مركزي: يصنف الموضوع المحفزات حسب تشابهها مع المرجع. ومن خلال الاختيار الحكيم لمجموعات المحفزات المستخدمة في كل تجربة، فإن النهج ينطوي على ضوابط داخلية للاتساق وتأثيرات السياق. تم التحقق من صحة النهج للمحفزات المستمدة من المساحات الإقليدية التي تصل إلى خمسة أبعاد.
يتم توضيح هذا النهج من خلال تجربة قياس أوجه التشابه بين 37 كلمة. تسفر كل تجربة عن نتائج 28 مقارنة زوجية للنموذج ، "هل كان A أكثر تشابها مع المرجع من B إلى المرجع؟" في حين أن المقارنة المباشرة لجميع أزواج المحفزات كانت تتطلب تجارب 221445 ، فإن هذا التصميم يمكن من إعادة بناء الفضاء الإدراكي من 5994 مقارنة تم الحصول عليها من 222 تجربة.
Introduction
يقوم البشر عقليا بمعالجة وتمثيل المعلومات الحسية الواردة لأداء مجموعة واسعة من المهام ، مثل التعرف على الأشياء ، والملاحة ، وإجراء استنتاجات حول البيئة ، وغيرها الكثير. تستخدم أحكام التشابه عادة للتحقيق في هذه التمثيلات العقلية1. يمكن أن يوفر فهم بنية التمثيلات العقلية نظرة ثاقبة على تنظيم المعرفة المفاهيمية2. من الممكن أيضا اكتساب نظرة ثاقبة على الحسابات العصبية، من خلال ربط أحكام التشابه بأنماط تنشيط الدماغ3. بالإضافة إلى ذلك، تكشف أحكام التشابه عن ميزات بارزة في الإدراك4. يمكن لدراسة كيفية تغير التمثيلات العقلية أثناء النمو أن تلقي الضوء على كيفية تعلمها5. وبالتالي ، توفر أحكام التشابه نظرة ثاقبة قيمة في معالجة المعلومات في الدماغ.
نموذج شائع للتمثيلات العقلية باستخدام أوجه التشابه هو نموذج الفضاء الهندسي6،7،8. وبتطبيقه على المجالات الحسية، غالبا ما يشار إلى هذا النوع من النماذج باسم الفضاء الإدراكي9. تمثل النقاط الموجودة في الفضاء المحفزات وتتوافق المسافات بين النقاط مع الاختلاف المدرك بينها. من أحكام التشابه ، يمكن للمرء الحصول على تقديرات كمية للاختلافات. ويمكن بعد ذلك استخدام هذه الاختلافات الزوجية (أو المسافات الإدراكية) لنمذجة الفضاء الإدراكي عبر التحجيم متعدد الأبعاد10.
هناك العديد من الطرق لجمع أحكام التشابه ، لكل منها مزاياها وعيوبها. الطريقة الأكثر مباشرة للحصول على مقاييس كمية للاختلاف هي أن تطلب من الأشخاص تقييم درجة الاختلاف بين كل زوج من المحفزات على نطاق واسع. في حين أن هذا سريع نسبيا ، إلا أن التقديرات تميل إلى أن تكون غير مستقرة عبر الجلسات الطويلة حيث لا يمكن للموضوعات العودة إلى الأحكام السابقة ، ولا يمكن اكتشاف تأثيرات السياق ، إذا كانت موجودة. (هنا ، يتم تعريف تأثير السياق على أنه تغيير في التشابه المحكوم عليه بين محفزين ، بناء على وجود محفزات أخرى لا تتم مقارنتها.) بدلا من ذلك ، يمكن أن يطلب من الأشخاص مقارنة جميع أزواج المحفزات بجميع أزواج المحفزات الأخرى. وفي حين أن هذا من شأنه أن يسفر عن ترتيب أكثر موثوقية للاختلافات في الترتيب، فإن عدد المقارنات يتطلب مقاييس مع القوة الرابعة لعدد المحفزات، مما يجعل من الممكن فقط مجموعات التحفيز الصغيرة. البدائل الأسرع، مثل الفرز إلى عدد محدد مسبقا من المجموعات11 أو الفرز الحر لها حدودها الخاصة. الفرز الحر (في أي عدد من الأكوام) بديهي ، لكنه يجبر الموضوع على تصنيف المحفزات ، حتى لو كانت المحفزات لا تصلح بسهولة للتصنيف. الطريقة الأكثر حداثة متعددة الترتيبات، MDS العكسية، تتحايل على العديد من هذه القيود وهي فعالة للغاية12. ومع ذلك ، تتطلب هذه الطريقة من الأشخاص إسقاط تمثيلاتهم العقلية على مستوى إقليدية 2D والنظر في أوجه التشابه بطريقة هندسية محددة ، مما يجعل الافتراض بأن بنية التشابه يمكن استردادها من المسافات الإقليدية على متن طائرة. وبالتالي ، لا تزال هناك حاجة إلى طريقة فعالة لجمع كميات كبيرة من أحكام التشابه ، دون وضع افتراضات حول الهندسة الكامنة وراء الأحكام.
الموصوفة هنا هي طريقة فعالة بشكل معقول وتتجنب أيضا المزالق المحتملة المذكورة أعلاه. من خلال مطالبة الأشخاص بترتيب المحفزات بترتيب التشابه مع مرجع مركزي في كل تجربة13، يمكن التحقيق في التشابه النسبي مباشرة، دون افتراض أي شيء عن البنية الهندسية لاستجابات الأشخاص. يكرر النموذج مجموعة فرعية من المقارنات مع سياقات متطابقة ومختلفة ، مما يسمح بالتقييم المباشر لتأثيرات السياق بالإضافة إلى الحصول على استجابات متدرجة من حيث احتمالات الاختيار. يتحلل إجراء التحليل هذه الأحكام الرتبية إلى مقارنات زوجية متعددة ويستخدمها لبناء النماذج الإقليدية للمساحات الإدراكية التي تفسر الأحكام والبحث عنها. هذه الطريقة مناسبة لوصف بالتفصيل تمثيل مجموعات التحفيز ذات الأحجام المعتدلة (على سبيل المثال ، 19 إلى 49).
لإثبات جدوى النهج ، أجريت تجربة ، باستخدام مجموعة من 37 حيوانا كمحفزات. تم جمع البيانات على مدار 10 جلسات مدتها ساعة واحدة ثم تم تحليلها بشكل منفصل لكل موضوع. كشف التحليل عن الاتساق بين الموضوعات وتأثيرات السياق التي لا تذكر. كما قيمت اتساق أوجه الاختلاف المدركة بين المحفزات والنماذج الإقليدية لمساحاتها الإدراكية. تتسم إجراءات النموذج والتحليل الموضحة في هذه الورقة بالمرونة ومن المتوقع أن تكون مفيدة للباحثين المهتمين بتوصيف الخصائص الهندسية لمجموعة من المساحات الإدراكية.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
قبل بدء التجارب ، تقدم جميع الأشخاص الموافقة المستنيرة وفقا للمبادئ التوجيهية المؤسسية وإعلان هلسنكي. في حالة هذه الدراسة ، تمت الموافقة على البروتوكول من قبل مجلس المراجعة المؤسسية لكلية طب وايل كورنيل.
1. التثبيت والإعداد
- قم بتنزيل الرمز من مستودع GitHub ، أوجه التشابه (https://github.com/jvlab/similarities). في سطر الأوامر، قم بتشغيل: git استنساخ https://github.com/jvlab/similarities.git. - إذا لم يتم تثبيت git ، فقم بتنزيل الرمز كمجلد مضغوط من المستودع.
ملاحظة: يوجد في المستودع دليلان فرعيان: التجارب ، التي تحتوي على تجربتين نموذجيتين ، والتحليل ، الذي يحتوي على مجموعة من البرامج النصية بايثون لتحليل بيانات التشابه التي تم جمعها. في دليل التجارب ، يستخدم أحدهما (word_exp) محفزات الكلمات والآخر (image_exp) يعرض محفزات الصورة. بعض الإلمام ببايثون سيكون مفيدا ، ولكن ليس ضروريا. يفترض الإلمام بسطر الأوامر: تتطلب خطوات متعددة تشغيل البرامج النصية من سطر الأوامر. - قم بتثبيت الأدوات التالية وإعداد بيئة افتراضية.
- python 3: انظر الرابط للحصول على التعليمات: https://realpython.com/installing-python/. يتطلب هذا المشروع إصدار بايثون 3.8.
- PsychoPy: من الرابط (https://www.psychopy.org/download.html) ، قم بتنزيل أحدث إصدار مستقل من PsychoPy لنظام التشغيل ذي الصلة ، باستخدام الزر الأزرق ، ضمن التثبيت. يستخدم هذا المشروع الإصدار 2021.2 من PsychoPy ؛ يجب تشغيل تجارب العينة المقدمة باستخدام الإصدار الصحيح من PsychoPy كما هو محدد أدناه.
- conda: من الرابط (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation) ، قم بتنزيل conda ، من خلال Miniconda أو Anaconda ، لنظام التشغيل ذي الصلة.
- في سطر الأوامر، قم بتشغيل ما يلي لإنشاء بيئة ظاهرية مع حزم python المطلوبة:
CD ~ / أوجه التشابه
conda env create -f environment.yaml - تحقق لمعرفة ما إذا كان قد تم إنشاء البيئة الافتراضية وتنشيطها على النحو التالي:
يجب إدراج قائمة conda env # venv_sim_3.8
conda تنشيط venv_sim_3.8 # للدخول إلى البيئة الافتراضية
conda إلغاء تنشيط # للخروج من البيئة الافتراضية بعد تشغيل البرامج النصية
ملاحظة: قد يكون تشغيل البرامج النصية في بيئة بطيئا في بعض الأحيان. يرجى الانتظار لمدة تصل إلى دقيقة لرؤية أي مخرجات مطبوعة في سطر الأوامر عند تشغيل برنامج نصي.
- للتأكد من أن التعليمات البرمجية التي تم تنزيلها تعمل كما هو متوقع، قم بتشغيل نماذج التجارب المتوفرة باستخدام الخطوات أدناه.
ملاحظة: يحتوي دليل التجارب (أوجه التشابه / التجارب) على تجارب عينة (word_exp و image_exp) ، مع استخدام نوعين من المحفزات: الكلمات والصور.- افتح PsychoPy. انتقل إلى عرض، ثم انقر على المبرمج، لأن منشئ PsychoPy الافتراضي لا يمكنه فتح .py الملفات. انتقل إلى ملف، ثم انقر على فتح، وافتح word_exp.py (أوجه التشابه/التجارب/word_exp/ word_exp.py ).
- لتحميل التجربة، انقر على الزر تشغيل التجربة الأخضر. أدخل الأحرف الأولى أو الاسم ورقم الجلسة وانقر فوق موافق.
- اتبع التعليمات وقم بإجراء بعض التجارب للتحقق من أن المحفزات رمادية اللون عند النقر عليها. اضغط على Escape (هروب ) عندما تكون جاهزا للخروج.
ملاحظة: سيتم فتح PsychoPy في وضع ملء الشاشة، وعرض التعليمات أولا، ثم بعض التجارب، مع نص العنصر النائب بدلا من كلمات التحفيز. عند النقر فوقها، تصبح الكلمات رمادية. عند النقر فوق جميع الكلمات، تبدأ النسخة التجريبية التالية. في أي وقت ، يمكن إنهاء PsychoPy عن طريق الضغط على مفتاح الهروب . إذا انتهى البرنامج خلال الخطوات 1.3.2 أو 1.3.3 ، فمن الممكن أن يتطلب نظام تشغيل المستخدم الوصول إلى لوحة المفاتيح والماوس. إذا كان الأمر كذلك ، طباعة رسالة خطأ وصفية في نافذة PsychoPy Runner ، والتي ستوجه المستخدم. - بعد ذلك، تحقق من تشغيل تجربة الصورة مع صور العناصر النائبة. افتح PsychoPy. انتقل إلى ملف. انقر فوق فتح واختر image_exp.psyexp (أوجه التشابه / التجارب / image_exp / image_exp.psyexp ).
- لضمان استخدام الإصدار الصحيح، انقر فوق رمز الترس . من الخيار استخدام إصدار PsychoPy ، حدد 2021.2 من القائمة المنسدلة.
- كما كان من قبل، انقر على الزر تشغيل التجربة الأخضر. أدخل الأحرف الأولى أو الاسم ورقم الجلسة وانقر فوق موافق.
ملاحظة: كما هو الحال في الخطوة 1.3.2، سيقوم PsychoPy أولا بعرض الإرشادات ثم عرض التجارب بعد تحميل الصور. ستحتوي كل تجربة على ثماني صور عناصر نائبة تحيط بصورة مركزية. سيؤدي النقر فوق صورة إلى رماديتها. يمكن إنهاء البرنامج عن طريق الضغط على Escape. - انتقل إلى دليل البيانات في كل دليل من أدلة التجربة للاطلاع على المخرجات:
أوجه التشابه / التجارب / image_exp / البيانات
أوجه التشابه / التجارب / word_exp / البيانات
ملاحظة: تتم كتابة البيانات التجريبية إلى دليل البيانات. يحتوي ملف .csv الردود على استجابات النقر لكل تجربة على حدة. يحتوي ملف السجل على كافة ضغطات المفاتيح ونقرات الماوس. من المفيد استكشاف الأخطاء وإصلاحها ، إذا تم إنهاء PsychoPy بشكل غير متوقع.
- اختياريا، للتحقق من أن البرامج النصية للتحليل تعمل كما هو متوقع، قم بإعادة إنتاج بعض الأرقام في قسم النتائج التمثيلية على النحو التالي.
- إنشاء دليل للبيانات التي تمت معالجتها مسبقا:
CD ~ / أوجه التشابه
mkdir عينة المواد/الموضوع-البيانات/المعالجة مسبقا - قم بدمج البيانات الأولية من جميع الاستجابات .csv الملفات إلى ملف json واحد. في سطر الأوامر، قم بتشغيل ما يلي:
أوجه التشابه في الأقراص المضغوطة
كوندا تنشيط venv_sim_3.8
بايثون -م analysis.preprocess.py - عند المطالبة، أدخل القيم التالية لمعلمات الإدخال: 1) المسار إلى بيانات الموضوع: ./sample-materials/subject-data، 2)، اسم التجربة: sample_word، و3) معرف الموضوع: S7. سيكون ملف json في أوجه التشابه / مواد العينات / بيانات الموضوع / المعالجة المسبقة.
- بمجرد معالجة البيانات مسبقا ، اتبع الخطوات الواردة في المشروع README ضمن أرقام إعادة الإنتاج. سيتم تشغيل البرامج النصية للتحليل هذه لاحقا لتحليل البيانات التي تم جمعها من تجربة المستخدم الخاصة.
- إنشاء دليل للبيانات التي تمت معالجتها مسبقا:
2. جمع البيانات عن طريق إعداد تجربة مخصصة
ملاحظة: يتم تحديد الإجراءات لكل من تجارب الصور والكلمات حتى الخطوة 3.1. بعد هذه الخطوة ، تكون العملية هي نفسها لكلتا التجربتين ، لذلك لم يتم ذكر تجربة الصورة صراحة.
- حدد تجربة لتشغيلها. انتقل إلى كلمة تجربة (أوجه التشابه / التجارب / word_exp) أو تجربة الصورة (أوجه التشابه / التجارب / image_exp).
- اتخاذ قرار بشأن عدد المحفزات. الحجم الافتراضي لمجموعة التحفيز هو 37. لتغيير ذلك، افتح ملف التكوين (أوجه التشابه/التحليل/config.yaml) في محرر التعليمات البرمجية المصدر. في المعلمة num_stimuli لملف تكوين التحليل ، اضبط حجم التحفيز مساويا ل mk + 1 كما هو مطلوب في التصميم التجريبي للأعداد الصحيحة k و m.
ملاحظة: في التصميم القياسي ، k ≥ 3 و m = 6. ولذلك، فإن القيم الصالحة num_stimuli تشمل 19 و25 و31 و37 و43 و49 (انظر الجدول 1 للاطلاع على التمديدات المحتملة للتصميم). - وضع اللمسات الأخيرة على المحفزات التجريبية. إذا كان يتم تشغيل كلمة تجربة، فقم بإعداد قائمة بالكلمات. بالنسبة لتجربة الصورة ، قم بإنشاء دليل جديد ووضع جميع صور التحفيز فيه. أنواع الصور المدعومة هي png و jpeg. لا تستخدم النقاط كفواصل في أسماء الملفات (على سبيل المثال، image.1.png غير صالح ولكن image1.png أو image_1.png صالحة).
- في حالة تشغيل كلمة تجربة ، قم بإعداد المحفزات على النحو التالي.
- إنشاء ملف جديد في التجارب/word_exp يسمى المحفزات .txt. ستتم قراءة هذا الملف في الخطوة 3.3.
- في الملف ، اكتب الكلمات الموجودة في مجموعة التحفيز كما يفترض أن تظهر في الشاشة ، مع كل كلمة في سطر منفصل. تجنب الأسطر الفارغة الإضافية أو المسافات الإضافية بجوار الكلمات. انظر عينات المواد للرجوع إليها (أوجه التشابه / مواد العينات / مواد الكلمات / sample_word_stimuli.txt).
- إذا كانت تجربة الصورة قيد التشغيل، فاضبط المسار إلى مجموعة التحفيز على النحو التالي.
- في دليل التجارب، ابحث عن ملف التكوين المسمى config.yaml (أوجه التشابه/التجارب/config.yaml).
- افتح الملف في محرر التعليمات البرمجية المصدر وقم بتحديث قيمة متغير الملفات إلى المسار إلى الدليل الذي يحتوي على مجموعة التحفيز (الخطوة 2.3). هذا هو المكان الذي ستبحث فيه PsychoPy عن محفزات الصورة.
3. إنشاء تجارب الترتيب
- استخدم ملف .txt المحفزات. إذا كان يتم تشغيل كلمة تجربة، يمكن استخدام الملف الذي تم إنشاؤه في الخطوة 2.4. وإلا، استخدم قائمة أسماء الملفات (للرجوع إليها، انظر أوجه التشابه/مواد العينات/الصور-exp-المواد/sample_image_stimuli.txt). ضع هذا الملف في دليل التجربة المناسب (word_exp أو image_exp).
- تجنب الخطوط الفارغة الإضافية ، وكذلك أي مسافات في الأسماء. استخدم camelCase أو snake_case لأسماء التحفيز.
- بعد ذلك، قم بإنشاء تكوينات تجريبية. افتح الملف config.yaml في دليل التحليل وقم بتعيين قيمة المعلمة path_to_stimulus_list إلى المسار إلى المحفزات.txt (التي تم إنشاؤها في الخطوة 3.1).
- من دليل أوجه التشابه ، قم بتشغيل البرنامج النصي عن طريق تنفيذ الأوامر التالية واحدة تلو الأخرى:
CD ~ / أوجه التشابه
كوندا تنشيط venv_sim_3.8
بايثون -م analysis.trial_configuration
إلغاء تنشيط كوندا # الخروج من البيئة الافتراضية - يؤدي ذلك إلى إنشاء ملف يسمى trial_conditions.csv في أوجه التشابه التي يحتوي فيها كل صف على أسماء المحفزات التي تظهر في التجربة ، إلى جانب مواقعها في الشاشة. يتم توفير نموذج trial_conditions.csv الملف (أوجه التشابه / مواد العينة). للحصول على تفاصيل حول معلمات الإدخال للبرامج النصية للتحليل، راجع المشروع README ضمن الاستخدام.
- من دليل أوجه التشابه ، قم بتشغيل البرنامج النصي عن طريق تنفيذ الأوامر التالية واحدة تلو الأخرى:
الشكل 1: أمثلة تمثيلية للمحاكمات (الخطوة 3-3). (ألف) يحتوي كل صف على تفاصيل محاكمة واحدة. تشير الرؤوس إلى موضع الحافز حول الدائرة. يظهر الحافز تحت المرجع في الوسط ويظهر stim 1 إلى stim 8 حول المرجع. (ب) يتم تقديم التجربة الأولى (الصف) من A بواسطة PsychoPy لعرض المحفزات الثمانية حول الحافز المرجعي ، القرد. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
ملاحظة: في هذه المرحلة، تم إنشاء مجموعة كاملة من 222 تجربة لتشغيل تجريبي كامل واحد، أي لمجموعة بيانات كاملة واحدة. يوضح الشكل 1A جزءا من ملف شروط تم إنشاؤه بواسطة البرنامج النصي أعلاه، لكلمة التجربة (انظر النتائج التمثيلية).
- بعد ذلك ، قم بتقسيم هذه التجارب ال 222 إلى جلسات وقم بتوزيع ترتيب التجربة عشوائيا. في التصميم النموذجي ، تتكون الجلسات من 111 تجربة ، تتطلب كل منها حوالي 1 ساعة للتشغيل.
- للقيام بذلك، في سطر الأوامر قم بتشغيل ما يلي:
كوندا تنشيط venv_sim_3.8
CD ~ / أوجه التشابه
بايثون -م analysis.randomize_session_trials - عند المطالبة، أدخل معلمات الإدخال التالية: المسار إلى trial_conditions.csv الذي تم إنشاؤه في الخطوة 3.3.2; دليل الإخراج ؛ عدد المحاكمات في كل جلسة: 111؛ عدد التكرارات: 5.
ملاحظة: يمكن أيضا أن يختلف عدد التكرارات ولكنه سيؤثر على عدد الجلسات التي أجريت في الخطوة 4 (انظر المناقشة: النموذج التجريبي). في حالة تغيير القيمة الافتراضية لعدد التكرارات، تأكد من تحرير قيمة المعلمة num_repeats في ملف التكوين (أوجه التشابه/التحليل/config.yaml). إذا لزم الأمر، تحقق من الإرشادات خطوة بخطوة للقيام بما سبق يدويا في الملف التمهيدي ضمن القسم إنشاء الإصدارات التجريبية.
- للقيام بذلك، في سطر الأوامر قم بتشغيل ما يلي:
- إعادة تسمية وحفظ كل من الملفات التي تم إنشاؤها كشروط.csv، في الدليل الخاص به. انظر هيكل الدليل الموصى به هنا: أوجه التشابه / مواد العينات / بيانات الموضوع وفي المشروع README.
ملاحظة: كما هو موضح في الخطوة 4 ، يتم تكرار كل تجربة خمس مرات في التصميم القياسي ، على مدار جلسات طويلة مدتها 10 ساعات ، كل منها في يوم منفصل. يجب أن يطلب من الأشخاص الحضور لجلسة واحدة فقط يوميا لتجنب التعب. انظر الجدول 1 للاطلاع على عدد المحاكمات والجلسات اللازمة لمجموعات التحفيز ذات الأحجام المختلفة.
4. تشغيل التجربة وجمع بيانات التشابه
- شرح المهمة للموضوعات وإعطائهم التعليمات. في كل تجربة، سيعرض الأشخاص محفزا مرجعيا مركزيا محاطا بثمانية محفزات ويطلب منهم النقر فوق المحفزات في المحيط، بترتيب التشابه مع المرجع المركزي، أي يجب عليهم النقر فوق المحفزات الأكثر تشابها أولا والأقل تشابها في النهاية.
- اطلب منهم محاولة استخدام استراتيجية متسقة. أخبرهم أنه سيتم عرض نفس تكوين المحفزات عدة مرات على مدار 10 جلسات. إذا كانت الدراسة تحقق في تمثيل المعلومات الدلالية ، فتأكد من أن الأشخاص على دراية بالمحفزات قبل البدء.
- انتقل إلى دليل التجارب ذي الصلة (راجع الخطوة 2.1). إذا كانت هذه هي المرة الأولى التي يتم فيها تشغيل التجربة، فقم بإنشاء دليل يسمى بيانات الموضوع لتخزين استجابات الموضوع. قم بإنشاء دليلين فرعيين فيه: الخام والمعالج مسبقا. لكل موضوع، قم بإنشاء دليل فرعي ضمن بيانات الموضوع/الخام.
- انسخ ملف الشروط .csv تم إعداده في الخطوة 3 للجلسة المحددة والصقه في الدليل الحالي ، أي الدليل الذي يحتوي على ملف psyexp. إذا كان هناك بالفعل ملف هناك ، والشروط المسماة .csv ، فتأكد من استبداله بالملف الخاص بالجلسة الحالية.
- افتح PsychoPy ثم افتح ملف psyexp أو py في دليل التجربة ذات الصلة. في PsychoPy ، انقر فوق الزر " تشغيل" الأخضر لتشغيل التجربة. في النافذة المنبثقة المشروطة، أدخل اسم الموضوع أو المعرف ورقم الجلسة. انقر فوق موافق للبدء. سيتم عرض التعليمات في بداية كل جلسة.
- اسمح للموضوع حوالي 1 ساعة بإكمال المهمة. نظرا لأن المهمة تسير بخطى ذاتية ، شجع الأشخاص على أخذ فترات راحة إذا لزم الأمر. عندما ينتهي الموضوع من الجلسة ، سيتم إنهاء PsychoPy تلقائيا ، وسيتم إنشاء الملفات في دليل أوجه التشابه / التجارب / <الصورة أو الكلمة >_exp / البيانات.
- قم بنقلها إلى دليل subject-data/raw/
(الذي تم إنشاؤه في الخطوة 4.3). راجع README للحصول على بنية الدليل الموصى بها.
ملاحظة: كما ذكرنا، ملف السجل لاستكشاف الأخطاء وإصلاحها. السبب الأكثر شيوعا لإغلاق PsychoPy بشكل غير متوقع هو أن الموضوع يضغط عن طريق الخطأ على الهروب أثناء الجلسة. إذا حدث ذلك، فستظل الردود على المحاكمات حتى آخر تجربة مكتملة مكتوبة إلى ملف .csv الردود. - إذا تم إغلاق PsychoPy بشكل غير متوقع ، فأعد فتحه وخلق ظروف جديدة .csv الملف ، مع التجارب التي لم تتم محاولتها فقط. استبدل ملف شروط جلسة العمل الحالية بهذا الملف وأعد تشغيل التجربة. تأكد من حفظ الملفات التي تم إنشاؤها في المكان المناسب. في نهاية الجلسة ، يمكن دمج ملفي الردود يدويا في ملف واحد ، على الرغم من أن هذا ليس ضروريا.
- لكل جلسة من جلسات العمل المتبقية، كرر الخطوات من 4.4 إلى 4.8.
- بعد اكتمال جميع الجلسات، قم بدمج ملفات البيانات الخام وإعادة تنسيقها في ملف json واحد لمزيد من المعالجة. للقيام بذلك ، قم بتشغيل preprocess.py في المحطة الطرفية (أوجه التشابه / التحليل / ما قبل المعالجة .py) كما يلي:
CD ~ / أوجه التشابه
كوندا تنشيط venv_sim_3.8
بايثون -m analysis.preprocess - عند المطالبة، أدخل معلمات الإدخال المطلوبة: المسار إلى دليل بيانات الموضوع، ومعرفات الموضوعات التي يجب معالجة البيانات لها مسبقا، واسم التجربة (المستخدم لتسمية ملف الإخراج). اضغط على مفتاح الإدخال Enter.
- الخروج من البيئة الافتراضية:
إلغاء تنشيط كوندا
ملاحظة: سيؤدي ذلك إلى إنشاء ملف json في دليل الإخراج الذي يجمع بين الاستجابات عبر التكرارات لكل إصدار تجريبي. تتم قراءة بيانات التشابه من بيانات الموضوع / الخام وكتابتها إلى بيانات الموضوع / المعالجة مسبقا.
5. تحليل أحكام التشابه
ملاحظة: يطلب من الأشخاص النقر فوق المحفزات بترتيب التشابه مع المرجع ، وبالتالي توفير ترتيب في كل تجربة. بالنسبة للتجارب القياسية، كرر كل تجربة خمس مرات، وتوليد خمسة ترتيب للرتب من نفس المحفزات الثمانية (انظر الشكل 2B). يتم تفسير أحكام الرتبة هذه على أنها سلسلة من المقارنات التي يقارن فيها الموضوع أزواج من المسافات الإدراكية. من المفترض أن الموضوع يطرح السؤال التالي قبل كل نقرة: "هل المسافة (الإدراكية) بين المرجع والحافز A أصغر من المسافة بين المرجع والحافز B؟" وكما هو مبين في الشكل 2 جيم، ينتج عن ذلك احتمالات اختيار لمقارنات التشابه الزوجي المتعددة لكل تجربة. يستخدم التحليل أدناه احتمالات الاختيار هذه.
الشكل 2: الحصول على احتمالات الاختيار من ترتيب الأحكام. (أ) رسم توضيحي لتجربة من كلمة التجربة التي أجريناها. (باء) تم الحصول على خمسة رتب لنفس المحاكمة، على مدى جلسات متعددة. (ج) احتمالات الاختيار لمقارنات التباين الزوجي التي تمثلها أحكام الترتيب. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
- تحديد احتمالات الاختيار الزوجي من أحكام ترتيب الرتبة.
- في أوجه التشابه / التحليل ، قم بتشغيل describe_data.py في سطر الأوامر.
CD ~ / أوجه التشابه
كوندا تنشيط venv_sim_3.8
بايثون -م analysis.describe_data - عند المطالبة، أدخل المسار إلى بيانات الموضوع/المعالجة مسبقا وقائمة الموضوعات التي سيتم تشغيل التحليل لها.
ملاحظة: سيؤدي ذلك إلى إنشاء ثلاثة أنواع من المؤامرات: أ) توزيع احتمالات الاختيار لمجموعة البيانات الكاملة لموضوع معين ، ب) الخرائط الحرارية لتقييم الاتساق عبر احتمالات الاختيار لأزواج من الموضوعات ، و ج) خريطة حرارية لاحتمالات الاختيار لجميع المقارنات التي تحدث في سياقين لتقييم تأثيرات السياق. من الناحية التشغيلية، هذا يعني مقارنة احتمالات الاختيار في أزواج من التجارب التي تحتوي على نفس المرجع وزوج شائع من المحفزات في الحلقة ولكنها تختلف في جميع المحفزات الأخرى في الحلقة: توضح الخريطة الحرارية كيف يعتمد احتمال الاختيار على هذا السياق.
- في أوجه التشابه / التحليل ، قم بتشغيل describe_data.py في سطر الأوامر.
- توليد نماذج إقليدية منخفضة الأبعاد للمساحات الإدراكية ، باستخدام احتمالات الاختيار. قم بتشغيل model_fitting.py في سطر الأوامر كما يلي:
CD ~ / أوجه التشابه
كوندا تنشيط venv_sim_3.8
بايثون -م analysis.model_fitting- توفير معلمات الإدخال التالية عند مطالبتك بذلك: المسار إلى دليل بيانات الموضوع / المعالجة مسبقا ؛ عدد المحفزات (37 بشكل افتراضي) ؛ عدد التكرارات (عدد المرات التي يجب فيها تشغيل تحليل النمذجة) ؛ دليل الإخراج؛ ومقدار الضوضاء الغاوسية (0.18 بشكل افتراضي).
ملاحظة: يستغرق تشغيل هذا البرنامج النصي بضع ساعات. عند الانتهاء ، سيتم كتابة ملفات npy التي تحتوي على الإحداثيات الأكثر ملاءمة لنماذج 1D و 2D و 3D و 4D و 5D التي تصف بيانات التشابه إلى دليل الإخراج. سيتم إنشاء ملف csv يحتوي على قيم احتمالية السجل للنماذج المختلفة.
- توفير معلمات الإدخال التالية عند مطالبتك بذلك: المسار إلى دليل بيانات الموضوع / المعالجة مسبقا ؛ عدد المحفزات (37 بشكل افتراضي) ؛ عدد التكرارات (عدد المرات التي يجب فيها تشغيل تحليل النمذجة) ؛ دليل الإخراج؛ ومقدار الضوضاء الغاوسية (0.18 بشكل افتراضي).
- تصور الاحتمال المنطقي للنماذج التي تم الحصول عليها وتقييم ملاءمتها. للقيام بذلك، قم بتشغيل أوجه التشابه/التحليل/model_fitting_figure.py في سطر الأوامر:
CD ~ / أوجه التشابه
بايثون -م analysis.model_fitting_figure- عند المطالبة، أدخل المعلمة المطلوبة: المسار إلى ملفات csv التي تحتوي على احتمالات السجل (من الخطوة 5.2).
- حلل الشكل الذي تم إنشاؤه، مع إظهار احتمالات السجل على المحور y وأبعاد النموذج على المحور x. كفحص للسلامة العقلية ، يتم تضمين نموذجين بالإضافة إلى النماذج الإقليدية: نموذج اختيار عشوائي وأفضل نموذج ممكن.
ملاحظة: يفترض نموذج الاختيار العشوائي أن تنقر الموضوعات عشوائيا. وبالتالي ، فإنه يوفر حدا أدنى مطلقا على احتمال السجل لأي نموذج أفضل من العشوائي. وبالمثل ، كحد أعلى لاحتمال السجل (المسمى الأفضل) ، هناك احتمال السجل للنموذج الذي يستخدم احتمالات الاختيار التجريبي كاحتمالات نموذجه. - تحقق من عدم تفوق أي نموذج إقليدية على أفضل نموذج ، حيث أن أفضل نموذج هو ، من حيث التصميم ، مفرط وغير مقيد بالاعتبارات الهندسية. تحقق من أن الاحتمالات المرسومة مرتبطة بأفضل احتمال للسجل.
- تصور المساحات الإدراكية لكل موضوع. قم بإنشاء مخططات مبعثرة توضح النقاط من نموذج 5D المتوقع على أول مكونين رئيسيين. للقيام بذلك، قم بتشغيل أوجه التشابه/التحليل/perceptual_space_visualizations.py في سطر الأوامر:
CD ~ / أوجه التشابه
بايثون -م analysis.perceptual_space_visualizations- عند المطالبة ، أدخل المعلمات: معرفات الموضوع (مفصولة بمسافات) والمسار إلى ملف npy الذي يحتوي على نقاط 5D التي تم الحصول عليها من الخطوة 5.2.
- بعد انتهاء البرنامج النصي من التنفيذ، قم بإنهاء البيئة الظاهرية:
إلغاء تنشيط كوندا
ملاحظة: هذا البرنامج النصي مخصص لتصور أحكام التشابه. وسوف يخلق مؤامرة مبعثرة 2D ، من خلال إسقاط نقاط 5D على أول مكونين رئيسيين ، وتطبيع ليكون لها تباين متساو. ستكون هناك نقطتان أبعدان إذا اعتبرهما الموضوع أقل تشابها والعكس صحيح.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
يوضح الشكل 1A جزءا من ملف شروط تم إنشاؤه بواسطة البرنامج النصي في الخطوة 3.3، لتجربة الكلمة. كل صف يتوافق مع المحاكمة. يظهر الحافز في عمود المرجع في وسط الشاشة. تتوافق أسماء الأعمدة stim1 إلى stim8 مع ثمانية مواضع على طول دائرة، تعمل عكس اتجاه عقارب الساعة، بدءا من الموضع الموجود على يمين المرجع المركزي. يظهر الشكل 1B تجربة عينة من كلمة تجربة.
لإثبات الجدوى والتكاثر ، أجريت تجربة تضمنت فيها مجموعة التحفيز أسماء 37 حيوانا. تم جمع مجموعات بيانات كاملة من ثمانية أشخاص أصحاء يتمتعون برؤية طبيعية كجزء من دراسة. ولتوضيح هذه الطريقة، تظهر هنا بيانات من ثلاثة من هؤلاء الأشخاص، اثنان منهم كانا ساذجين لغرض الدراسة. تم الحصول على الموافقة المستنيرة وفقا لإعلان هلسنكي والمبادئ التوجيهية المؤسسية لكلية طب وايل كورنيل.
بعد جمع البيانات ، تم إجراء المعالجة الأولية الموضحة أعلاه (خطوة البروتوكول 4.10-4.12). تم تفسير استجابات الأشخاص في كل تجربة على أنها مجموعة من الخيارات الثنائية المستقلة للنموذج "هل المسافة بين المرجع و s1 أقل من المسافة بين المرجع و s2؟" لجميع أزواج المحفزات في الحلقة المحيطة. وقد تحللت أحكام الرتب إلى مثل هذه الخيارات الزوجية، كما هو مبين في الشكل 2 جيم.
ويبين الشكل 3 ألف توزيع احتمالات الاختيار هذه، التي كانت متسقة للغاية بين المواضيع (الخطوة 5-1 من البروتوكول). وبما أن كل تجربة تكررت خمس مرات، فإن احتمالات الاختيار أخذت القيم التالية: 0 و 0.2 و 0.4 و 0.6 و 0.8 و 1. احتمالات الاختيار الأكثر شيوعا هي 0 و 1، وتبلغ 50٪ -70٪ من جميع القرارات في كل موضوع من الموضوعات. هذه هي الأحكام التي يتم اختيار خيار واحد لها في كل مرة. على سبيل المثال ، الحكم على المسافة بين s1 و s2 بأنها أقل من المسافة بين s1 و s3 0 من أصل 5 مرات يتوافق مع احتمال الاختيار من 0 ؛ جعل هذا الحكم 5 من أصل 5 مرات يتوافق مع احتمال اختيار 1. ومن الجدير بالذكر أن هناك قدرا كبيرا من الاتساق في احتمالات الاختيار بين الموضوعات، حتى بالنسبة للأحكام التي ليست في أقصى الحدود، كما يتضح من تجميع البيانات بالقرب من القطر في كل لوحة من اللوحات في الشكل 3 باء.
بعد ذلك ، تم تقييم آثار السياق. كان هذا ممكنا بسبب سمة مهمة من سمات التصميم التجريبي: يتم تكرار العديد من التوائم الثلاثة للحافز المرجعي ومحفزين للمقارنة s1 و s2 في سياقين (أي مع مجموعات متميزة من ستة محفزات أخرى لإكمال مصفوفة التحفيز). بعد ذلك ، تم جدولة احتمال الاختيار لكل مقارنة زوجية في كل سياق على حدة. يشير القطر السائد في الشكل 4 إلى أن احتمالات الاختيار لكل موضوع في السياقين - بما في ذلك احتمالات الاختيار الوسيطة بين 0 و 1 - قريبة من التطابق. إذا كانت احتمالات الاختيار تعتمد اعتمادا كبيرا على السياق ، فلن تكون مرتبطة ارتباطا وثيقا ، ولن يكون هذا القطر بارزا.
كما تم تقييم آثار السياق من خلال مقياس إحصائي. يتم إنشاء مقياس تأثير السياق على النحو التالي. تتمثل الخطوة الأولى في حساب إحصائية اختلال التوازن لمجموعة البيانات المرصودة (المفصلة أدناه) ، والتي تحدد كميا مدى اعتماد الأحكام المرصودة على السياق. ثم نقوم ببناء 10000 مجموعة بيانات محاكية بنفس تكوينات التجربة ، وعدد التجارب ، واحتمالات الاختيار الإجمالية مثل البيانات الفعلية ، ولكن يتم إنشاؤها بطريقة لا تحتوي على أي تأثيرات سياقية - عن طريق تعيين الأحكام المرصودة عشوائيا إلى السياقين. نقوم بعد ذلك بحساب إحصائية عدم التوازن لمجموعات البيانات المحاكية هذه تماما كما حدث للاستجابات المرصودة. وأخيرا، نقارن إحصائية عدم التوازن للاستجابات المرصودة مع إحصائية عدم التوازن لمجموعات البيانات المحاكاة، لتحديد احتمال الحصول على الاختلال الملحوظ من مجموعة بيانات بدون تأثير سياقي. تشير القيمة التجريبية p < 0.05 إلى وجود تأثير سياقي. وبالنسبة للبيانات الواردة في الشكل 4، كانت قيم p 0.98 و 0.30 و 0.33 بالنسبة للقيم S4 و S7 و S9 على التوالي، أي أن جميع القيم كانت > 0.05.
يتم حساب إحصائية عدم التوازن لمجموعة البيانات كمجموع مساهمات على جميع الثالوث التي تحدث في سياقين. يتم تحديد المساهمة لكل ثالوث (مقارنة ، على سبيل المثال ، d (ref ، s1) مع d (ref ، s2)) على النحو التالي. أولا ، يتم حساب الأحكام الخاصة بهذا الثالوث في جدول 2 × 2. تتوافق الأعمدة مع السياقين، وبالتالي فإن مجاميع الأعمدة مقيدة بإجمالي عدد العروض التقديمية في هذا السياق. تتوافق الصفوف مع عدد الأحكام البديلة ، d(ref ، s1) < d(ref ، s2) أو d (ref ، s1) > d (ref ، s2) ، لذلك يتم تقييد مجاميع الصفوف بواسطة الخيارات المرصودة ، التي يتم تلخيصها عبر السياقات. نظرا لأن اختبار فيشر الدقيق ثنائي الذيل14 ينتج عنه احتمال رؤية جدول يحتوي على التفاعل الملحوظ (أو الأكبر) بين الصفوف والأعمدة (الأحكام والسياقات) إذا لم يكن هناك تفاعل موجود بالفعل ، فإننا نستخدم اللوغاريتم السلبي لهذا الاحتمال كمساهمة لهذا الثالوث في إحصائية الاختلال الكلي. وبالتالي فإن جمع اللوغاريتمات السالبة لإنشاء إحصائية اختلال التوازن الكلي يلتقط الاحتمال المشترك للاختلال الملحوظ عبر الثلاثيات ، تحت فرضية الصفر لعدم وجود تأثير سياقي.
لنمذجة التمثيل العقلي لأسماء الحيوانات ، تم اشتقاق النماذج الإقليدية للمساحات الإدراكية من الأبعاد 1 و 2 و 3 و 4 و 5 باستخدام نهج الحد الأقصى للاحتمال. تم تصميم استجابات الأشخاص كقرارات تعكس مقارنة مسافتين مع ضوضاء غاوسية مضافة تمثل أخطاء في التقدير ، أي الضوضاء في مرحلة القرار. ويبين الشكل 5 احتمالات السجل (لكل قرار) لخمسة نماذج إقليدية. يتم عرض الاحتمالات السجلية بالنسبة إلى الاحتمال المنطقي لأفضل نموذج ، أي النموذج الذي يعين احتمال الاختيار المرصود لكل مقارنة ، دون تقييد هذه الاحتمالات بأي اعتبار هندسي. ولوضع هذه الاحتمالات المنطقية في منظورها الصحيح، يشار أيضا إلى الاحتمال المنطقي لنموذج الاختيار العشوائي؛ هذا بمثابة الحد الأدنى لأداء النموذج. يتحسن تناسب النموذج مع كل بعد مضاف. أكبر قفزة هي بين نماذج 1D و 2D ، مما يشير إلى أن نموذج 1D بسيط يفشل في شرح البيانات بالكامل. ومع ذلك ، فإن الهضبة حول الأبعاد من 4 إلى 5 تشير إلى أنه حتى نموذج 5D لا يلتقط تماما المسافات التي تفسر أحكام التشابه. للتحقق من صحة النهج ، تم تشغيل خط الأنابيب أيضا على بيانات محاكاة. تمت محاكاة تجارب منفصلة لتوليد أحكام التشابه بين النقاط المستمدة من المساحات 1D و 2D و 3D و 4D و 5D على التوالي. في جميع الحالات ، حددت الطريقة الأبعاد بشكل صحيح. وعلاوة على ذلك، فإن النموذج ذي الأبعاد الصحيحة يسفر عن احتمال سجل يتفق مع احتمال سجل الحقيقة الأرضية الذي تم الحصول عليه من النموذج.
وأخيرا ، تم تصور تنظيم النقاط في نماذج الفضاء الإدراكي. ويبين الشكل 6 هذه البيانات لموضوع واحد، S7. تم إجراء تحليل المكون الرئيسي (PCA) على نقاط من نموذج 5D للفضاء الإدراكي. وترد النقاط المسقطة على المكونين الرئيسيين الأولين والأول والثالث على التوالي في الشكلين 6 ألف و6 باء، مع تطبيع المحاور من أجل التباين المتساوي. المسافات بين النقاط المتوافقة مع أحكام التشابه التي تم الحصول عليها تجريبيا: تم الإشارة إلى الحيوانات التي ينظر إليها على أنها متشابهة بنقاط كانت قريبة من بعضها البعض.
الشكل 3: الاتساق بين المواضيع. (أ) توزيع احتمالات الاختيار على ثلاثة مواضيع لجميع المقارنات الزوجية. (ب) احتمالات الاختيار لنفس المقارنات الزوجية عبر أزواج من الموضوعات. يوضح شريط الألوان نسبة احتمال المفصل المرصود إلى احتمال المفصل المستقل. تشير القيم العالية على طول القطر الرئيسي إلى الاتساق عبر الموضوعات. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 4: تأثيرات السياق. احتمالات الاختيار لجميع المقارنات الزوجية التي تم إجراؤها في سياقين ، لكل موضوع من الموضوعات الثلاثة. يشير A ، بشكل تعسفي ، إلى سياق واحد تم فيه تقديم ثالوث ، ويشير B إلى السياق الآخر. يوضح شريط الألوان نسبة احتمال المفصل المرصود إلى احتمال المفصل المستقل. تشير القيم العالية على طول القطر الرئيسي إلى عدم وجود تأثيرات سياقية. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 5: نتائج تحليل تركيب النماذج. الاحتمالات السجلية النسبية للنماذج ذات الأبعاد المختلفة وكذلك لنموذج الاختيار العشوائي (الحد الأدنى) ، الموضح لثلاثة مواضيع. يتوافق احتمال السجل النسبي للصفر مع الاحتمال المنطقي لأفضل نموذج ، حيث تتطابق احتمالات الاختيار مع احتمالات الاختيار التجريبية دون النظر إلى الهندسة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 6: الفضاء الإدراكي لموضوع واحد (S7) بمزيد من التفصيل. إسقاط إحداثيات 5D التي تم الحصول عليها من النمذجة المسقطة على أول مكونين رئيسيين في (A) وعلى المكونات الرئيسية الأولى والثالثة في (B). يتم قياس المحاور بحيث يكون التباين على طول كل محور متساويا. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الجدول 1: أمثلة على مجموعات المعلمات. يمكن تنويع النموذج التجريبي للحصول على عدد أقل أو أكثر من المحفزات والتجارب والمقارنات الزوجية. يشير الصف بخط غامق إلى المعلمات التي استخدمناها. يرجى النقر هنا لتنزيل هذا الجدول.
الجدول 2: المعلمات في التحليل / config.yaml والتجارب / config.yaml. يرجى النقر هنا لتنزيل هذا الجدول.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
البروتوكول الموضح هنا فعال للحصول على وتحليل أحكام التشابه للمحفزات التي يمكن تقديمها بصريا. تتم مناقشة النموذج التجريبي والتحليل والامتدادات المحتملة أولا ، وبعد ذلك مزايا وعيوب الطريقة.
النموذج التجريبي: يتم عرض الطريقة المقترحة باستخدام مجال من 37 اسما حيوانيا ، ويتم توفير مجموعة بيانات عينة من الأحكام الإدراكية بحيث يمكن للمرء متابعة التحليل في الخطوة 5 وإعادة إنتاج أجزاء من الأشكال 3-6 (خطوة البروتوكول 1.4). يجمع التصميم التجريبي هذه المحفزات ال 37 في 222 تجربة - تحتوي كل منها على حافز مرجعي في المركز وثمانية محفزات مقارنة في الحلقة المحيطة - بحيث تحمل عدة معايير: أ) يظهر كل من المحفزات ال 37 كمرجع عددا متساويا (ستة) من المرات (222 = 37×6) ، ب) على التجارب الست التي يكون فيها الحافز هو المرجع ، يتم استخدام جميع المحفزات ال 36 المتبقية كمحفزات مقارنة مرة واحدة على الأقل ، ج) 24 محفزا تحدث في مقارنة واحدة بالضبط مع مرجع معين ، و د) تظهر ستة أزواج من المحفزات مع المرجع في تجربتين منفصلتين. هذا الجانب من النموذج، أن ستة أزواج من محفزات المقارنة تحدث في سياقات منفصلة لكل حافز مرجعي، يسمح بالتحقق من تأثيرات السياق في الخطوة 5 (انظر الشكل 4). ينتج عن هذا التصميم القياسي 6216 = 222×28 مقارنة النموذج "هل تشابه المرجع إلى s1 أكبر أو أقل من تشابه الإشارة إلى s2". هذه الكفاءة ممكنة لأن كل تجربة من التجارب ال 222 تسفر عن ترتيب ثمانية أوجه تشابه ، وتولد أوجه التشابه الثمانية المرتبة 28 مقارنة زوجية. من بين هذه المقارنات 6216 ، يتم تكرار 222 ، مما يعطينا 5994 مقارنة فريدة.
بمجرد اختيار مجال التحفيز ، فإن قرار التصميم التالي الأكثر أهمية هو عدد العينات. العديد من التصاميم البديلة ممكنة (الجدول 1) ، مع خيارات أخرى للطريقة التي تتكرر بها المحفزات في سياقات مختلفة. وكما ذكر في الشكل 4، يوجد داخل كل تجربة ثلاثة توائم - تضم المرجع واثنين من المحفزات المحيطة - تظهر معا في تجربة أخرى. يتم التحكم في عدد المحفزات المحيطة المتداخلة مع تجربة أخرى ذات مرجع مشترك - في هذه الحالة ، يساوي اثنين - بواسطة معلمة التداخل في ملف تكوين التحليل. ومن شأن زيادة هذه المعلمة أن تؤدي إلى مشاركة المزيد من المحفزات بين تجربتين، مما يسمح بإجراء مقارنات أكثر شمولا لترتيب المسافة، على سبيل المثال، "هل S1 أكثر تشابها مع المرجع من s2 وهل s2 أكثر تشابها من s3؟" عبر سياقين. وللاطلاع على أمثلة للتصاميم التجريبية الأخرى الممكنة بقيم مختلفة لهذه المعلمة وغيرها، انظر الجدول 1. للحصول على تفاصيل حول جميع المعلمات وما تتحكم فيه ومكان تغييرها، راجع الجدول 2. ومن الجدير بالذكر أنه من الممكن أيضا تغيير عدد المحفزات التي تظهر حول مرجع في كل تجربة عن طريق تغيير المعلمات num_images_per_trial num_words_per_trial لتجارب الصورة والكلمة على التوالي. ومن شأن زيادة حجم المحيط أن يزيد من عدد المقارنات لكل تجربة وأن يحسن آثار سياق الدراسة؛ ومن شأن تقليصه أن يقلل من تعقيد المهام. عدد محفزات المقارنة في التجربة (Ncircle) ، وعدد المحفزات في التجربة (Nstim) ، وعدد التجارب (Ntrials) ، وعدد المقارنات الفريدة (Ncomparisons) وعدد المقارنات المتكررة (Nrepeated) مترابطة وتعتمد على حجم التداخل المذكور سابقا بين التجارب (Noverlap ) وعدد التجارب لكل حافز مرجعي (ك). يتم تحديد حجم مجموعة التحفيز بواسطة m ، وهو عدد صحيح تعسفي. هذه العلاقات مدرجة أدناه:
هناك تفاصيل أخرى عن النموذج وإجراءات جمع البيانات التي تساعد على تقليل الارتباك. يعد التوزيع العشوائي لوضع المحفزات وترتيب التجربة (الخطوة 3.4) أمرا مهما حتى عندما تتكرر الجلسات ، لا يبدأ الموضوع في التعرف على الأنماط المكانية أو الزمنية في وضع المحفزات. من المهم أيضا عدم إعطاء الموضوعات أي إشارات مباشرة حول كيفية قياس التشابه (الخطوة 4) لأن هذا يمكن أن ينحاز إلى النتائج. يجب أن يقرروا بأنفسهم ما يعنيه التشابه بالنسبة لهم في سياق التجربة المحددة. ومع ذلك ، من المفيد استخلاص المعلومات من الأشخاص بعد الانتهاء من التجربة ، لأن هذا قد يساعد في فهم كيفية اختلاف النتائج عبر الموضوعات. إذا كانت الجلسة تالفة أو مجهضة لسبب ما، فإننا نوصي بحذف الجلسة بأكملها، بحيث يتم إكمال جميع التجارب عددا متساويا من المرات.
تحليل بيانات التشابه: تنتج التجربة ، لكل تجربة ، ترتيبا للتشابه بين محفزات مقارنة Ncircle والمرجع. عندما تتحلل هذه التجارب إلى مقارنات بين أزواج من المحفزات، فإنها تسفر عن احتمالات اختيار لكل من المقارنات الفريدة. ثم يتم تحليل احتمالات الاختيار للبحث عن نماذج هندسية للفضاء الإدراكي (خطوة البروتوكول 5). يحاول التحليل حساب احتمالات الاختيار من حيث المسافات بين المحفزات ، d (si ، sj) ، في الفضاء الإقليدي. أي أن الهدف هو تعيين إحداثيات لكل حافز بحيث يعكس احتمال الاختيار للنقر فوق s1 قبل s2 احتمال أن يكون الموضوع قد حكم على d(ref, s1) < d(ref, s2). يتم وصف إجراء التركيب هذا هنا لأنه يحتوي على بعض العناصر الجديدة ، ولتمكين المستخدم من تعديله (خطوة البروتوكول 5.2).
التحليل هو نوع من مشكلة التحجيم متعددة الأبعاد ، ولكن مع بعض السمات المميزة. أولا، توفر البيانات ترتيبا لأحكام الاختلاف، بدلا من تقديرات المسافات. ثانيا، تحتوي مجموعة البيانات، على الرغم من اتساعها، على مجموعة فرعية فقط من جميع المقارنات الممكنة للمسافات الزوجية. أخيرا ، الهدف هو حساب احتمالات الاختيار ، وليس مجرد قرار ثنائي لأي مسافة أكبر. مع أخذ هذه الاعتبارات في الاعتبار ، يتم اختيار دالة التكلفة بحيث يتم تقليل قيمتها إلى الحد الأدنى عندما تكون احتمالات الاختيار المتوقعة من النموذج أكثر احتمالا للاختيار المرصود تجريبيا. ولذلك يعرف بأنه الاحتمال السالب لاحتمالات الاختيار المرصودة في إطار النموذج، ويتم تطبيعه من خلال العدد الإجمالي للمقارنات الزوجية، وهو مقتبس من العمل السابق15:
حيث N0 = Ncomparisons. Nrepeats ، و Nrepeats هو عدد مرات تكرار البروتوكول ، (أي عدد المرات التي يتم فيها تكرار كل تجربة فريدة) ، و
هنا ، يشير srdeإلى الحافز المرجعي في التجربة ، si و sj والمحفزات في الحلقة حول sr. P (d(sr, si) < d(sr, sj)) يمثل احتمال النموذج بأن المسافة بين sr و si يتم الحكم عليها على أنها أصغر من المسافة بين sr و sj و C تشير إلى عدد المرات التي يحكم فيها على الشخص d(sr, si ) < د(sr, sj). الهدف من تحليل النمذجة هو العثور على تكوين للنقاط في الفضاء الإقليدية ، والتي تمثل احتمالات الاختيار التجريبي. بشكل متكرر ، يقوم التقليل إلى أدنى حد بضبط الإحداثيات المخصصة لكل حافز ، وبذلك ، فإن احتمالات اختيار النموذج (P). ينتهي التصغير عندما تتوقف دالة التكلفة عن الانخفاض إلى ما دون التفاوت المسموح به (تتحكم معلمة قابلة للتعديل تسمى التسامح في ذلك) أو إذا تم الوصول إلى الحد الأقصى لعدد التكرارات (يتم التحكم فيه بواسطة المعلمة max_iterations).
لربط إحداثيات التحفيز باحتمالات اختيار النموذج ، من المفترض أن يقوم الموضوع - عند الاختيار بين محفزين للنقر في تجربة - بإجراء مقارنة داخلية لمساقطه النسبية إلى المرجع ، وهما d (sr ، si) و d (sr ، sj). هذه المسافات هي (افتراضيا) المسافات الإقليدية العادية بين النقاط المخصصة للمحفزات sr و si و sj. علاوة على ذلك ، من المفترض أن هذه المقارنة العقلية لها ضوضاء داخلية ، والتي نقوم بنمذجتها كمصدر غاوسي مضاف للانحراف المعياري σ ، وهو نموذج تم تقديمه للمجالات أحادية البعد بواسطة Maloney et al.16,17 ويستخدم أيضا للمجالات متعددة الأبعاد 15. ترتبط احتمالات اختيار النموذج بالإحداثيات من خلال:
يمكن التحكم في الضوضاء الداخلية ، σ ، بواسطة سيغما مختلفة في ملف تكوين التحليل. لتهيئة الخوارزمية بمجموعة من إحداثيات التحفيز، تم استخدام أحكام ترتيب الرتب للحصول على مجموعة من المسافات التقريبية ثم تم تطبيق مقياس قياسي متعدد الأبعاد10 على هذه المسافات للحصول على الإحداثيات الأولية. تم تحديد هذه المسافات التقريبية من خلال حساب المكاسب والخسائر لكل زوج من المحفزات. أي ، بالنظر إلى جميع المقارنات الزوجية في البيانات ، في كل مرة يتم فيها الحكم على مسافة ، d(sr ، sk) أكبر من غيرها ، d (sr ، sn) ، يتم تسجيل فوز للمسافة الأكبر d (sr ، sk) ويتم تسجيل خسارة ل d (sr ، sn ). الفكرة الأساسية هي أنه كلما زادت المسافة بين محفزين ، كلما تم الحكم عليها في كثير من الأحيان على أنها أكبر من مسافة أخرى (من حيث الانتصارات) والعكس صحيح. بعد التكرار من خلال جميع المقارنات وجدولة المكاسب والخسائر لكل زوج من المحفزات ، يتم حساب تقديرات المسافة على النحو التالي:
بمجرد الانتهاء من ذلك ، يتم تحديد المجموعة الأولية من الإحداثيات من خلال تطبيق القياس القياسي متعدد الأبعاد المتري على dinit (si ، sj).
يتم تشغيل روتين التقليل الموصوف بشكل مستقل للحصول على نماذج من الأبعاد 1 و 2 و 3 و 4 و 5. في كل حالة ، يتم إرجاع الإحداثيات المثلى لنقاط التحفيز المستنبطة ، وكذلك قيمة دالة التكلفة ، أي الاحتمال القياسي السلبي لاحتمالات الاختيار التجريبي. يتم رسم احتمال السجل في الشكل 5 بالنسبة إلى أفضل احتمال سجل ممكن ، والذي يتم حسابه بالمثل كما في المعادلة 1 ، مع
,
لجميع المقارنات. كفحص للتعقل ، في الشكل 5 ، يتم أيضا رسم احتمال سجل النموذج العشوائي ، وهو حد أدنى يمكن من خلاله الحكم على أداء النماذج. عند حساب احتمال سجل الاختيار العشوائي ، نقوم بتعيين
لجميع المقارنات.
الامتدادات المحتملة: أولا، كما ذكرنا سابقا، يمكن تعديل النموذج التجريبي لاستيعاب مجموعات التحفيز ذات الأحجام المختلفة، ويمكن تغيير عدد المحفزات في الحلقة للحصول على أعداد مختلفة من المقارنات الزوجية لكل تجربة (انظر الجدول 1).
ثانيا ، قد يكون من المفيد استخدام مقاييس المسافة غير الإقليدية في التحليل. على سبيل المثال، وجدت إحدى الدراسات أن مقياس كتلة المدينة يمثل بشكل أفضل مساحة إدراكية من خفة السطح والإضاءة18. يمكن تعميم الطريقة المقترحة، بحيث تكون النماذج ذات مقاييس المسافة الأخرى مثل مسافة كتلة المدينة أو مسافة مينكوفسكي أو المسافة الزائدية19 مناسبة لبيانات التشابه. للقيام بذلك ، سيتعين على المرء تعديل الشفرة المقدمة وتنفيذ مقياس مسافة بديل. التغيير الرئيسي المطلوب هو في السطر 105 (اسم الوظيفة: dist_model_ll_vectorized) في أوجه التشابه / التحليل / pairwise_likelihood_analysis.py الملف.
نقاط القوة والقيود: تتمثل إحدى نقاط القوة الرئيسية للنهج المقترح في أنه يوفر إطارا مرنا لتصميم التجارب بأحجام مختلفة من مجموعات التحفيز ، أو أعداد مختلفة من المقارنات ، أو التكرار ، أو عدد المحفزات لكل تجربة بالإضافة إلى أحجام مجموعة مختلفة متداخلة لقياس تأثيرات السياق. من خلال تغيير حجم التداخل بين المحاكمات وحجم المحيط في المحاكمة ، يمكن للمرء أن يسبر دور السياق في أحكام التشابه ، مع الحصول على عدد كبير من أحكام التشابه الزوجي لكل محاكمة. تعالج هذه الطريقة العديد من القيود المفروضة على النماذج التجريبية السابقة لجمع بيانات التشابه. على سبيل المثال، على عكس الطرق القائمة على الترتيب12،20 (التي تتطلب ترتيب المحفزات على مستوى إقليدية ثنائية الأبعاد مع وضع عناصر مماثلة معا ووضع عناصر مختلفة منفصلة) وطرق الفرز (التي تتطلب تصنيف المحفزات إلى أكوام)،11 فإن طريقة الترتيب لا تدفع الأشخاص إلى إسقاط تمثيلهم الداخلي على أي بنية هندسية. وثمة قيد آخر لبعض الطرق السابقة - مثل مصفوفات الارتباك التي تعتبر فيها محفزتان متشابهتان إذا تم الخلط بينهما في مهام التعرف السريع21 - هو أنهما لا تسفر عن تدابير متدرجة. هذه الطريقة لا تعطي مقاييس متدرجة، أي احتمالات الاختيار.
كما تم التأكيد عليه أعلاه ، فإن طريقة الجمع مرنة من حيث أنها لا تفترض أن التمثيل الداخلي هو مساحة إقليدية. هنا ، تختبر طريقة التحليل النماذج الإقليدية فقط. ومع ذلك ، يمكن توسيعه ليشمل النماذج غير الإقليدية أيضا ، عن طريق التعديلات المترجمة في شفرة المصدر. ومع ذلك، فإن إطار النمذجة ليس مصمما ليأخذ في الاعتبار آثار السياق. وإذا كانت هذه الاستنتاجات مهمة، فإنها ستضع تحذيرا على الاستنتاجات التي يمكن استخلاصها.
الطريقة المقترحة أكثر كفاءة من حيث الوقت من نهج المقارنة المقترنة. تستغرق كل تجربة من تجارب النموذج حوالي 30 ثانية تقريبا (يقوم الأشخاص بإجراء 111 تجربة في ساعة واحدة) ، مما ينتج عنه 111×28 = 3108 مقارنات في الساعة. من غير المرجح أن تستغرق تجارب المقارنة الواحدة أقل من 3 ثوان لكل تجربة، مما سيؤدي إلى 1200 مقارنة في الساعة. بالإضافة إلى ذلك ، هناك مستوى ثان من الكفاءة: النهج الحالي لا يتطلب مقارنات لجميع المسافات الزوجية. على سبيل المثال في المخطوطة، فإن المجموعة الكاملة من المسافات الزوجية ترقى إلى مقارنات 221445، ولكن في النهج الحالي، تكفي مجموعة فرعية متفرقة من 5994 مقارنة فريدة، كل منها يتكرر 5 أو 10 مرات، لنمذجة بيانات التشابه. ومع ذلك ، فإن الطريقة ، على الرغم من كفاءتها ، لا تزال تستغرق وقتا طويلا ، وتتطلب التزاما كبيرا من المواضيع. ونتيجة لذلك، فإنه ليس نهجا مجديا لمجموعة من مئات المحفزات، ما لم يتم تجميع البيانات عبر المواضيع. وأخيرا ، لا ينطبق هذا النهج بشكل مباشر على المحفزات غير البصرية.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
ليس لدى المؤلفين ما يكشفون عنه.
Acknowledgments
يتم دعم العمل بتمويل من المعاهد الوطنية للصحة (NIH) ، منحة EY07977. كما يود المؤلفان أن يشكرا عثمان أياز على مساعدته في اختبار البرنامج، ومحمد نعيم عياز على تعليقاته على المخطوطة.
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).
