Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

समानता के फैसले के संग्रह और विश्लेषण के लिए एक साइकोफिजिक्स प्रतिमान

Published: March 1, 2022 doi: 10.3791/63461
Automatic Translation
1, 2
1Program in Neuroscience, Weill Cornell Graduate School of Medical Sciences, 2Feil Family Brain and Mind Research Institute, Weill Cornell Medical College

Summary

प्रोटोकॉल बड़ी मात्रा में समानता निर्णय प्राप्त करने के लिए एक प्रयोगात्मक साइकोफिजिक्स प्रतिमान प्रस्तुत करता है, और एक साथ विश्लेषण वर्कफ़्लो। प्रतिमान संदर्भ प्रभावों की जांच करता है और कम से कम पांच आयामों के यूक्लिडियन रिक्त स्थान के संदर्भ में समानता डेटा के मॉडलिंग को सक्षम बनाता है।

Abstract

समानता निर्णय आमतौर पर मानसिक प्रतिनिधित्व और उनके तंत्रिका सहसंबंध का अध्ययन करने के लिए उपयोग किया जाता है। इस दृष्टिकोण का उपयोग कई डोमेन में अवधारणात्मक रिक्त स्थान को चिह्नित करने के लिए किया गया है: रंग, वस्तुएं, छवियां, शब्द और ध्वनियां। आदर्श रूप से, कोई भी उत्तेजनाओं के सभी जोड़ों के बीच कथित समानता के अनुमानों की तुलना करना चाह सकता है, लेकिन यह अक्सर अव्यावहारिक होता है। उदाहरण के लिए, यदि कोई किसी विषय को दो अन्य वस्तुओं की समानता के साथ दो वस्तुओं की समानता की तुलना करने के लिए कहता है, तो तुलना की संख्या उत्तेजना सेट आकार की चौथी शक्ति के साथ बढ़ती है। एक वैकल्पिक रणनीति एक विषय को अलग-थलग जोड़े की समानताओं को रेट करने के लिए पूछना है, उदाहरण के लिए, एक लायकर्ट पैमाने पर। यह बहुत अधिक कुशल है (रेटिंग की संख्या क्वार्टिक रूप से सेट आकार के साथ द्विघात रूप से बढ़ती है), लेकिन ये रेटिंग अस्थिर होती हैं और सीमित रिज़ॉल्यूशन होती हैं, और दृष्टिकोण यह भी मानता है कि कोई संदर्भ प्रभाव नहीं हैं।

यहां, समानता के निर्णयों के कुशल संग्रह के लिए एक उपन्यास रैंकिंग प्रतिमान प्रस्तुत किया गया है, साथ ही एक विश्लेषण पाइपलाइन (प्रदान किए गए सॉफ़्टवेयर) के साथ जो परीक्षण करता है कि क्या यूक्लिडियन दूरी मॉडल डेटा के लिए खाते हैं। विशिष्ट परीक्षणों में एक केंद्रीय संदर्भ उत्तेजना के आसपास आठ उत्तेजनाएं होती हैं: विषय संदर्भ के लिए उनकी समानता के क्रम में उत्तेजनाओं को रैंक करता है। प्रत्येक परीक्षण में उपयोग की जाने वाली उत्तेजनाओं के संयोजनों के विवेकपूर्ण चयन से, दृष्टिकोण में स्थिरता और संदर्भ प्रभावों के लिए आंतरिक नियंत्रण होते हैं। दृष्टिकोण को यूक्लिडियन रिक्त स्थान से पांच आयामों तक खींची गई उत्तेजनाओं के लिए मान्य किया गया था।

दृष्टिकोण को 37 शब्दों के बीच समानताओं को मापने वाले एक प्रयोग के साथ चित्रित किया गया है। प्रत्येक परीक्षण प्रपत्र के 28 युग्मवार तुलनाओं के परिणामों को प्राप्त करता है, "क्या बी की तुलना में संदर्भ के समान था? जबकि सीधे उत्तेजनाओं के जोड़े के सभी जोड़े की तुलना में 221445 परीक्षणों की आवश्यकता होती है, यह डिजाइन 222 परीक्षणों से प्राप्त 5994 ऐसी तुलनाओं से अवधारणात्मक स्थान के पुनर्निर्माण को सक्षम बनाता है।

Introduction

मनुष्य मानसिक रूप से आने वाली संवेदी जानकारी को संसाधित करते हैं और कार्यों की एक विस्तृत श्रृंखला को करने के लिए प्रतिनिधित्व करते हैं, जैसे कि वस्तु मान्यता, नेविगेशन, पर्यावरण के बारे में अनुमान लगाना, और कई अन्य। समानता के फैसले आमतौर पर इन मानसिक अभ्यावेदनों की जांच करने के लिए उपयोग किए जाते हैं1। मानसिक प्रतिनिधित्व की संरचना को समझना वैचारिक ज्ञान के संगठन में अंतर्दृष्टि प्रदान कर सकता है2। मस्तिष्क सक्रियण पैटर्न 3 के लिए समानता के फैसले से संबंधित करके, तंत्रिका गणना में अंतर्दृष्टि प्राप्त करना भी संभव है। इसके अतिरिक्त, समानता के फैसले उन विशेषताओं को प्रकट करते हैं जो धारणा 4 में प्रमुख हैं। विकास के दौरान मानसिक प्रतिनिधित्व कैसे बदलते हैं, इसका अध्ययन करना इस बात पर प्रकाश डाल सकता है कि वे कैसे सीखे जाते हैं5। इस प्रकार, समानता निर्णय मस्तिष्क में सूचना प्रसंस्करण में मूल्यवान अंतर्दृष्टि प्रदान करते हैं।

समानताओं का उपयोग करके मानसिक प्रतिनिधित्व का एक सामान्य मॉडल एक ज्यामितीय अंतरिक्ष मॉडल 6,7,8 है। संवेदी डोमेन पर लागू, इस तरह के मॉडल को अक्सर एक अवधारणात्मक स्पेस 9 के रूप में संदर्भित किया जाता है। अंतरिक्ष में बिंदु उत्तेजनाओं का प्रतिनिधित्व करते हैं और बिंदुओं के बीच की दूरी उनके बीच कथित असमानता के अनुरूप होती है। समानता के फैसले से, कोई भी असमानताओं के मात्रात्मक अनुमान प्राप्त कर सकता है। इन pairwise असमानताओं (या अवधारणात्मक दूरी) तो बहुआयामी स्केलिंग 10 के माध्यम से अवधारणात्मक अंतरिक्ष मॉडल करने के लिए इस्तेमाल किया जा सकता है।

समानता निर्णय एकत्र करने के लिए कई तरीके हैं, जिनमें से प्रत्येक के फायदे और नुकसान हैं। असमानता के मात्रात्मक उपायों को प्राप्त करने का सबसे सीधा तरीका विषयों को उत्तेजनाओं की प्रत्येक जोड़ी के बीच असमानता की डिग्री को पैमाने पर रेट करने के लिए कहना है। हालांकि यह अपेक्षाकृत त्वरित है, अनुमान लंबे सत्रों में अस्थिर होते हैं क्योंकि विषय पिछले निर्णयों पर वापस नहीं जा सकते हैं, और संदर्भ प्रभाव, यदि मौजूद हैं, तो पता नहीं लगाया जा सकता है। (यहां, एक संदर्भ प्रभाव को दो उत्तेजनाओं के बीच न्यायित समानता में बदलाव के रूप में परिभाषित किया गया है, जो अन्य उत्तेजनाओं की उपस्थिति के आधार पर है जिनकी तुलना नहीं की जा रही है। वैकल्पिक रूप से, विषयों को उत्तेजनाओं के सभी जोड़ों की तुलना उत्तेजनाओं के अन्य सभी जोड़ों से करने के लिए कहा जा सकता है। हालांकि यह असमानताओं के एक अधिक विश्वसनीय रैंक ऑर्डरिंग को उत्पन्न करेगा, तुलना की संख्या को उत्तेजनाओं की संख्या की चौथी शक्ति के साथ तराजू की आवश्यकता होती है, जिससे यह केवल छोटे उत्तेजना सेटों के लिए संभव हो जाता है। त्वरित विकल्प, जैसे क्लस्टर 11 की पूर्वनिर्धारित संख्या में सॉर्ट करना या मुफ्त सॉर्टिंग की अपनी सीमाएं हैं। नि: शुल्क छँटाई (बवासीर की किसी भी संख्या में) सहज ज्ञान युक्त है, लेकिन यह विषय को उत्तेजनाओं को वर्गीकृत करने के लिए मजबूर करता है, भले ही उत्तेजनाएं आसानी से वर्गीकरण के लिए खुद को उधार न दें। अधिक हाल ही में बहु-व्यवस्था विधि, व्युत्क्रम एमडीएस, इन सीमाओं में से कई को दरकिनार करती है और बहुत कुशल है12। हालांकि, इस विधि के लिए विषयों को 2 डी यूक्लिडियन विमान पर अपने मानसिक प्रतिनिधित्व को प्रोजेक्ट करने और एक विशिष्ट ज्यामितीय तरीके से समानताओं पर विचार करने की आवश्यकता होती है, जिससे यह धारणा बनती है कि समानता संरचना को एक विमान पर यूक्लिडियन दूरी से पुनर्प्राप्त किया जा सकता है। इस प्रकार, बड़ी मात्रा में समानता निर्णय एकत्र करने के लिए एक कुशल विधि की आवश्यकता बनी हुई है, निर्णय के अंतर्निहित ज्यामिति के बारे में धारणाएं बनाए बिना।

यहां वर्णित एक ऐसी विधि है जो दोनों यथोचित रूप से कुशल है और उपरोक्त संभावित नुकसान से भी बचती है। प्रत्येक परीक्षण 13 में एक केंद्रीय संदर्भ के लिए समानता के क्रम में उत्तेजनाओं को रैंक करने के लिए विषयों को पूछकर, विषयों की प्रतिक्रियाओं की ज्यामितीय संरचना के बारे में कुछ भी माने बिना, सापेक्ष समानता को सीधे जांचा जा सकता है। प्रतिमान समान और विभिन्न संदर्भों दोनों के साथ तुलना के एक सबसेट को दोहराता है, जिससे संदर्भ प्रभावों के प्रत्यक्ष मूल्यांकन के साथ-साथ पसंद की संभावनाओं के संदर्भ में वर्गीकृत प्रतिक्रियाओं के अधिग्रहण की अनुमति मिलती है। विश्लेषण प्रक्रिया इन रैंक निर्णयों को कई युग्मवार तुलनाओं में विघटित करती है और उनका उपयोग अवधारणात्मक रिक्त स्थान के यूक्लिडियन मॉडल के निर्माण और खोज के लिए करती है जो निर्णयों की व्याख्या करते हैं। विधि मध्यम आकार (जैसे, 19 से 49) के उत्तेजना सेट के प्रतिनिधित्व का विस्तार से वर्णन करने के लिए उपयुक्त है।

दृष्टिकोण की व्यवहार्यता को प्रदर्शित करने के लिए, एक प्रयोग किया गया था, जिसमें उत्तेजनाओं के रूप में 37 जानवरों के एक सेट का उपयोग किया गया था। डेटा 10 एक घंटे के सत्रों के दौरान एकत्र किया गया था और फिर प्रत्येक विषय के लिए अलग से विश्लेषण किया गया था। विश्लेषण ने विषयों और नगण्य संदर्भ प्रभावों में स्थिरता का खुलासा किया। इसने अपने अवधारणात्मक स्थानों के यूक्लिडियन मॉडल के साथ उत्तेजनाओं के बीच कथित असमानताओं की स्थिरता का भी आकलन किया। इस पेपर में उल्लिखित प्रतिमान और विश्लेषण प्रक्रियाएं लचीली हैं और अवधारणात्मक रिक्त स्थान की एक श्रृंखला के ज्यामितीय गुणों की विशेषता में रुचि रखने वाले शोधकर्ताओं के लिए उपयोग की उम्मीद है।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

प्रयोगों को शुरू करने से पहले, सभी विषय संस्थागत दिशानिर्देशों और हेलसिंकी की घोषणा के अनुसार सूचित सहमति प्रदान करते हैं। इस अध्ययन के मामले में, प्रोटोकॉल को वेइल कॉर्नेल मेडिकल कॉलेज के संस्थागत समीक्षा बोर्ड द्वारा अनुमोदित किया गया था।

1. स्थापना और सेट-अप

  1. GitHub रिपॉजिटरी, समानताएं (https://github.com/jvlab/similarities) से कोड डाउनलोड करें। कमांड लाइन में, चलाएँ: गिट क्लोन https://github.com/jvlab/similarities.git। - यदि गिट स्थापित नहीं है, तो कोड को रिपॉजिटरी से ज़िप्ड फ़ोल्डर के रूप में डाउनलोड करें।
    नोट: रिपॉजिटरी में दो उपनिर्देशिकाएं हैं: प्रयोग, जिसमें दो नमूना प्रयोग होते हैं, और विश्लेषण, जिसमें एकत्रित समानता डेटा का विश्लेषण करने के लिए पायथन स्क्रिप्ट का एक सेट होता है। प्रयोगों निर्देशिका में एक (word_exp) शब्द उत्तेजनाओं का उपयोग करता है और दूसरा (image_exp) छवि उत्तेजनाओं को प्रदर्शित करता है। पायथन के साथ कुछ परिचितता सहायक होगी, लेकिन आवश्यक नहीं है। कमांड लाइन के साथ परिचित माना जाता है: एकाधिक चरणों को कमांड लाइन से स्क्रिप्ट चलाने की आवश्यकता होती है।
  2. निम्न उपकरण स्थापित करें और एक वर्चुअल वातावरण सेट करें।
    1. पायथन 3: निर्देशों के लिए लिंक देखें: https://realpython.com/installing-python/। इस परियोजना को पायथन संस्करण 3.8 की आवश्यकता है।
    2. PsychoPy: लिंक (https://www.psychopy.org/download.html) से, प्रासंगिक ऑपरेटिंग सिस्टम के लिए PsychoPy के नवीनतम स्टैंडअलोन संस्करण को डाउनलोड करें, नीले बटन का उपयोग करके, स्थापना के तहत। यह परियोजना साइकोपी संस्करण 2021.2 का उपयोग करती है; प्रदान किए गए नमूना प्रयोगों को नीचे निर्दिष्ट के रूप में PsychoPy के सही संस्करण के साथ चलाया जाना चाहिए।
    3. कोंडा: लिंक (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation) से, प्रासंगिक ऑपरेटिंग सिस्टम के लिए मिनीकोंडा या एनाकोंडा के माध्यम से कोंडा डाउनलोड करें।
    4. आदेश पंक्ति में, आवश्यक पायथन पैकेज के साथ एक वर्चुअल वातावरण बनाने के लिए निम्न चलाएँ:
      cd~/similarities
      कोंडा env बनाने के लिए -f environment.yaml
    5. यह देखने के लिए जाँचें कि क्या वर्चुअल वातावरण बनाया गया है और इसे निम्नानुसार सक्रिय करें:
      कोंडा env सूची # venv_sim_3.8 सूचीबद्ध किया जाना चाहिए
      कोंडा वर्चुअल वातावरण में प्रवेश करने के लिए venv_sim_3.8 # सक्रिय करें
      स्क्रिप्ट चलाने के बाद वर्चुअल वातावरण से बाहर निकलने के लिए कोंडा निष्क्रिय #
      नोट:: किसी वातावरण में स्क्रिप्ट चलाना कभी-कभी धीमा हो सकता है। जब आप कोई स्क्रिप्ट चलाते हैं तो कृपया कमांड लाइन में किसी भी मुद्रित आउटपुट को देखने के लिए एक मिनट तक की अनुमति दें।
  3. यह सुनिश्चित करने के लिए कि डाउनलोड किया गया कोड अपेक्षा के अनुरूप काम करता है, नीचे दिए गए चरणों का उपयोग करके प्रदान किए गए नमूना प्रयोगों को चलाएँ।
    नोट: प्रयोग निर्देशिका (समानताएं / प्रयोग) में नमूना प्रयोग (word_exp और image_exp) शामिल हैं, जो दो प्रकार की उत्तेजनाओं का उपयोग करते हैं: शब्द और छवियां।
    1. साइकोपी खोलें। दृश्य पर जाएँ, फिर कोडर क्लिक करें, क्योंकि PsychoPy का डिफ़ॉल्ट बिल्डर .py फ़ाइलें नहीं खोल सकता. फ़ाइल पर जाएँ, फिर खोलें क्लिक करें, और word_exp.py खोलें (समानताएँ/प्रयोग/word_exp/word_exp.py).
    2. प्रयोग लोड करने के लिए, हरे रंग के चलाएँ प्रयोग बटन पर क्लिक करें। आद्याक्षर या नाम और सत्र संख्या दर्ज करें और ठीक क्लिक करें.
    3. निर्देशों का पालन करें और कुछ परीक्षणों के माध्यम से चलाने के लिए जांचने के लिए कि उत्तेजनाओं को ग्रे बाहर जब क्लिक किया जाता है. बाहर निकलने के लिए तैयार होने पर एस्केप दबाएं ।
      नोट: PsychoPy फुलस्क्रीन में खुलेगा, पहले निर्देश प्रदर्शित करेगा, और फिर कुछ परीक्षण, उत्तेजना शब्दों के बजाय प्लेसहोल्डर पाठ के साथ। क्लिक करने पर, शब्द ग्रे आउट हो जाते हैं। जब सभी शब्दों को क्लिक किया गया है, तो अगला परीक्षण शुरू होता है। किसी भी समय, PsychoPy एस्केप कुंजी दबाकर समाप्त किया जा सकता है। यदि प्रोग्राम चरण 1.3.2 या 1.3.3 के दौरान समाप्त हो जाता है, तो यह संभव है कि उपयोगकर्ता के ऑपरेटिंग सिस्टम को कुंजीपटल और माउस तक पहुँच की आवश्यकता हो. यदि हां, तो साइकोपी रनर विंडो में एक वर्णनात्मक त्रुटि संदेश मुद्रित किया जाएगा, जो उपयोगकर्ता का मार्गदर्शन करेगा।
    4. अगला, जाँचें कि छवि प्रयोग प्लेसहोल्डर छवियों के साथ चलता है। साइकोपी खोलें। फ़ाइल पर जाएँ. खोलें क्लिक करें और image_exp.psyexp चुनें (समानताएं/ प्रयोग / image_exp / image_exp.psyexp)।
    5. यह सुनिश्चित करने के लिए कि सही संस्करण का उपयोग किया जाता है, गियर आइकन पर क्लिक करें. विकल्प से PsychoPy संस्करण का उपयोग करें ड्रॉपडाउन मेनू से 2021.2 का चयन करें।
    6. पहले की तरह, हरे रंग के प्रयोग चलाएँ बटन पर क्लिक करें। आद्याक्षर या नाम और सत्र संख्या दर्ज करें और ठीक क्लिक करें.
      नोट:: चरण 1.3.2 के रूप में, PsychoPy पहले निर्देश प्रदर्शित करेगा और फिर छवियों को लोड करने के बाद परीक्षण रेंडर करेगा। प्रत्येक परीक्षण में एक केंद्रीय छवि के आसपास आठ प्लेसहोल्डर छवियां होंगी। एक छवि पर क्लिक करने से यह धूसर हो जाएगा। कार्यक्रम एस्केप दबाकर छोड़ा जा सकता है।
    7. आउटपुट देखने के लिए प्रयोग निर्देशिकाओं में से प्रत्येक में डेटा निर्देशिका पर नेविगेट करें:
      समानताएं/प्रयोग/image_exp/डेटा
      समानताएं/प्रयोग/word_exp/डेटा
      नोट:: प्रयोगात्मक डेटा डेटा निर्देशिका के लिए लिखे जाते हैं। प्रतिसाद.csv फ़ाइल में परीक्षण-दर-परीक्षण क्लिक प्रत्युत्तर होते हैं. लॉग फ़ाइल में सभी keypresses और माउस क्लिक शामिल हैं। यह समस्या निवारण के लिए उपयोगी है, अगर PsychoPy अनपेक्षित रूप से छोड़ देता है।
  4. वैकल्पिक रूप से, यह सत्यापित करने के लिए कि विश्लेषण स्क्रिप्ट अपेक्षा के अनुरूप कार्य करते हैं, प्रतिनिधि परिणाम अनुभाग में कुछ आंकड़ों को निम्नानुसार पुन: उत्पन्न करें.
    1. पूर्वसंसाधित डेटा के लिए कोई निर्देशिका बनाएँ:
      cd~/similarities
      mkdir नमूना सामग्री/ विषय-डेटा/
    2. सभी प्रतिक्रियाओं से कच्चे डेटा को संयोजित करें.csv फ़ाइलों को एक json फ़ाइल में संयोजित करें। आदेश पंक्ति में, निम्न चलाएँ:
      सीडी समानताएं
      कोंडा venv_sim_3.8 सक्रिय
      अजगर-मी analysis.preprocess.py
    3. संकेत दिए जाने पर, इनपुट पैरामीटर के लिए निम्न मान दर्ज करें: 1) विषय-डेटा के लिए पथ: ./sample-materials/subject-data, 2), प्रयोग का नाम: sample_word, और 3) विषय ID: S7. जेएसओएन फाइल समानताओं / नमूना-सामग्री / विषय-डेटा / प्रीप्रोसेस्ड में होगी।
    4. एक बार डेटा preprocessed है, reproducing आंकड़े के तहत परियोजना README में चरणों का पालन करें। इन विश्लेषण स्क्रिप्ट को उपयोगकर्ता के स्वयं के प्रयोग से एकत्र किए गए डेटा का विश्लेषण करने के लिए बाद में चलाया जाएगा।

2. एक कस्टम प्रयोग की स्थापना द्वारा डेटा संग्रह

नोट:: प्रक्रियाओं दोनों छवि और शब्द प्रयोगों के लिए चरण 3.1 करने के लिए रेखांकित कर रहे हैं। इस चरण के बाद, प्रक्रिया दोनों प्रयोगों के लिए समान है, इसलिए छवि प्रयोग का स्पष्ट रूप से उल्लेख नहीं किया गया है।

  1. चलाने के लिए किसी प्रयोग का चयन करें. शब्द प्रयोग (समानताएं / प्रयोग / word_exp) या छवि प्रयोग (समानताएं / प्रयोग / image_exp) पर नेविगेट करें।
  2. उत्तेजनाओं की संख्या पर निर्णय लें। उत्तेजना सेट का डिफ़ॉल्ट आकार 37 है। इसे बदलने के लिए, किसी स्रोत कोड संपादक में कॉन्फ़िगरेशन फ़ाइल (समानताएँ/analysis/config.yaml) खोलें. विश्लेषण कॉन्फ़िगरेशन फ़ाइल के num_stimuli पैरामीटर में, mk + 1 के बराबर उत्तेजना आकार सेट करें जैसा कि पूर्णांक k और m के लिए प्रयोगात्मक डिज़ाइन द्वारा आवश्यक है।
    नोट: मानक डिजाइन में, k ≥ 3 और m = 6 है। इसलिए, num_stimuli के लिए मान्य मान ों में 19, 25, 31, 37, 43, और 49 शामिल हैं (डिज़ाइन के संभावित एक्सटेंशन के लिए तालिका 1 देखें)।
  3. प्रयोगात्मक उत्तेजनाओं को अंतिम रूप देना। यदि प्रयोग शब्द चलाया जा रहा है, तो शब्दों की एक सूची तैयार करें। छवि प्रयोग के लिए, एक नई निर्देशिका बनाएं और इसमें सभी उत्तेजना छवियों को रखें। समर्थित छवि प्रकार png और jpeg हैं. फ़ाइल नामों में विभाजक के रूप में अवधियों का उपयोग न करें (उदाहरण के लिए, image.1.png अमान्य है लेकिन image1.png या image_1.png मान्य हैं).
  4. यदि प्रयोग शब्द चल रहा है, तो उत्तेजनाओं को निम्नानुसार तैयार करें।
    1. प्रयोगों में एक नई फ़ाइल बनाएँ / word_exp नाम उत्तेजनाओं.txt। यह फ़ाइल चरण 3.3 में पढ़ी जाएगी।
    2. फ़ाइल में, शब्दों को उत्तेजना सेट में लिखें क्योंकि वे प्रदर्शन में दिखाई देने के लिए हैं, प्रत्येक शब्द को एक अलग पंक्ति में रखते हुए। शब्दों के बगल में अतिरिक्त खाली लाइनों या अतिरिक्त रिक्त स्थान से बचें। संदर्भ के लिए नमूना सामग्री देखें (समानताएं / नमूना-सामग्री / शब्द-एक्सपी-सामग्री / sample_word_stimuli.txt)।
  5. यदि छवि प्रयोग चलाया जा रहा है, तो निम्नानुसार उत्तेजना सेट करने के लिए पथ सेट करें।
    1. प्रयोग निर्देशिका में, कॉन्फ़िगरेशन फ़ाइल को config.yaml (समानताएं/ experiments/config.yaml) कहा जाता है।
    2. किसी स्रोत कोड संपादक में फ़ाइल खोलें और उत्तेजना सेट (चरण 2.3) वाली निर्देशिका के पथ के लिए चर फ़ाइलों के मान को अद्यतन करें। यह वह जगह है जहां साइकोपी छवि उत्तेजनाओं की तलाश करेगा।

3. रैंकिंग परीक्षण बनाना

  1. एक उत्तेजना.txt फ़ाइल का उपयोग करें। यदि प्रयोग शब्द चलाया जा रहा है, तो चरण 2.4 में बनाई गई फ़ाइल का उपयोग किया जा सकता है। अन्यथा, फ़ाइल नामों की सूची का उपयोग करें (संदर्भ के लिए, समानताएं / नमूना-सामग्री / छवि-एक्सपी-सामग्री / sample_image_stimuli.txt देखें)। इस फ़ाइल को उपयुक्त प्रयोग निर्देशिका (word_exp या image_exp) में रखें.
  2. अतिरिक्त खाली लाइनों से बचें, साथ ही साथ नामों में किसी भी स्थान से बचें। उत्तेजना नामों के लिए camelCase या snake_case का उपयोग करें।
  3. अगला, परीक्षण कॉन्फ़िगरेशन बनाएँ। विश्लेषण निर्देशिका में config.yaml फ़ाइल को खोलें और उत्तेजनाओं के पथ के लिए path_to_stimulus_list पैरामीटर का मान सेट करें.txt (चरण 3.1 में बनाया गया)।
    1. समानता निर्देशिका से, एक के बाद एक निम्न आदेश निष्पादित करके स्क्रिप्ट चलाएँ:
      cd~/similarities
      कोंडा venv_sim_3.8 सक्रिय
      अजगर-m analysis.trial_configuration
      कोंडा निष्क्रिय करना       # आभासी वातावरण से बाहर निकलें
    2. यह समानताओं में trial_conditions.csv नामक एक फ़ाइल बनाता है जिसमें प्रत्येक पंक्ति में एक परीक्षण में दिखाई देने वाली उत्तेजनाओं के नाम होते हैं, साथ ही प्रदर्शन में उनकी स्थिति भी होती है। एक नमूना trial_conditions.csv फ़ाइल प्रदान की जाती है (समानताएं / नमूना-सामग्री)। विश्लेषण स्क्रिप्ट के लिए इनपुट पैरामीटर पर विवरण के लिए, उपयोग के अंतर्गत प्रोजेक्ट README देखें।

Figure 1
चित्रा 1: परीक्षणों के प्रतिनिधि उदाहरण (चरण 3.3)। (ए) प्रत्येक पंक्ति में एक एकल परीक्षण का विवरण होता है। शीर्ष लेख वृत्त के चारों ओर उत्तेजना की स्थिति को इंगित करते हैं। रेफरी के तहत उत्तेजना केंद्र में दिखाई देती है और स्टिम 1 से स्टिम 8 संदर्भ के चारों ओर दिखाई देती है। (बी) ए से पहला परीक्षण (पंक्ति) साइकोपी द्वारा संदर्भ उत्तेजना, बंदर के चारों ओर आठ उत्तेजनाओं को प्रदर्शित करने के लिए प्रस्तुत किया जाता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

नोट:: इस बिंदु पर, एक पूर्ण प्रयोगात्मक रन के लिए 222 परीक्षणों का एक पूर्ण सेट, यानी, एक पूर्ण डेटा सेट के लिए, जनरेट किया गया है। चित्र 1A शब्द प्रयोग के लिए उपरोक्त स्क्रिप्ट द्वारा उत्पन्न एक शर्त फ़ाइल का हिस्सा दिखाता है (प्रतिनिधि परिणाम देखें)।

  1. अगला, इन 222 परीक्षणों को सत्रों में तोड़दें और परीक्षण आदेश को यादृच्छिक करें। विशिष्ट डिजाइन में, सत्रों में 111 परीक्षण शामिल हैं, जिनमें से प्रत्येक को चलाने के लिए लगभग 1 घंटे की आवश्यकता होती है।
    1. ऐसा करने के लिए, आदेश पंक्ति में निम्न चलाएँ:
      कोंडा venv_sim_3.8 सक्रिय
      cd~/similarities
      अजगर-m analysis.randomize_session_trials
    2. संकेत दिए जाने पर, निम्न इनपुट पैरामीटर दर्ज करें: चरण 3.3.2 में बनाए गए trial_conditions.csv के लिए पथ; आउटपुट निर्देशिका; प्रति सत्र परीक्षणों की संख्या: 111; दोहराने की संख्या: 5.
      नोट: दोहराव की संख्या भी भिन्न हो सकती है, लेकिन चरण 4 में आयोजित सत्रों की संख्या को प्रभावित करेगी (चर्चा: प्रयोगात्मक प्रतिमान देखें)। यदि दोहराव की संख्या का डिफ़ॉल्ट मान परिवर्तित कर रहा है, तो कॉन्फ़िग फ़ाइल (समानताएँ/analysis/config.yaml) में num_repeats पैरामीटर के मान को संपादित करना सुनिश्चित करें. यदि आवश्यक हो, तो परीक्षण बनाएँ अनुभाग के अंतर्गत README फ़ाइल में उपरोक्त मैन्युअल रूप से करने के लिए चरण-दर-चरण निर्देशों की जाँच करें.
  2. का नाम बदलें और जनरेट की गई फ़ाइलों में से प्रत्येक को शर्तों के रूप में सहेजें.csv, अपनी स्वयं की निर्देशिका में। अनुशंसित निर्देशिका संरचना को यहां देखें: समानताएं / नमूना-सामग्री / विषय-डेटा और परियोजना README में।
    नोट: जैसा कि चरण 4 में उल्लिखित है, प्रत्येक प्रयोग को मानक डिजाइन में पांच बार दोहराया जाता है, 10 घंटे लंबे सत्रों के दौरान, प्रत्येक एक अलग दिन पर। थकान से बचने के लिए विषयों को प्रति दिन केवल एक सत्र के लिए आने के लिए कहा जाना चाहिए। विभिन्न आकारों के उत्तेजना सेट के लिए आवश्यक परीक्षणों और सत्रों की संख्या के लिए तालिका 1 देखें।

4. प्रयोग चल रहा है और समानता डेटा एकत्र

  1. विषयों को कार्य समझाएं और उन्हें निर्देश दें। प्रत्येक परीक्षण में, विषय आठ उत्तेजनाओं से घिरे एक केंद्रीय संदर्भ उत्तेजना को देखेंगे और केंद्रीय संदर्भ के लिए समानता के क्रम में चारों ओर उत्तेजनाओं को क्लिक करने के लिए कहा जाएगा, यानी, उन्हें सबसे समान पहले और कम से कम समान अंतिम पर क्लिक करना चाहिए।
  2. उन्हें एक सुसंगत रणनीति का उपयोग करने की कोशिश करने के लिए कहें। उन्हें बताएं कि उन्हें 10 सत्रों के दौरान कई बार उत्तेजनाओं का एक ही विन्यास दिखाया जाएगा। यदि अध्ययन शब्दार्थ जानकारी के प्रतिनिधित्व की जांच करता है, तो सुनिश्चित करें कि विषय शुरू करने से पहले उत्तेजनाओं से परिचित हैं।
  3. प्रासंगिक प्रयोग निर्देशिका पर नेविगेट करें (चरण 2.1 देखें). यदि यह पहली बार प्रयोग चला रहा है, तो विषय प्रतिक्रियाओं को संग्रहीत करने के लिए विषय-डेटा नामक एक निर्देशिका बनाएँ। इसमें दो उपनिर्देशिकाएं बनाएं: कच्चे और पूर्व-संसाधित। प्रत्येक विषय के लिए, विषय-डेटा/कच्चे के भीतर एक उपनिर्देशिका बनाएँ.
  4. शर्तों.csv विशिष्ट सत्र के लिए चरण 3 में तैयार फ़ाइल की प्रतिलिपि बनाएँ और इसे वर्तमान निर्देशिका में चिपकाएँ, यानी, psyexp फ़ाइल वाली निर्देशिका। यदि वहाँ पहले से ही कोई फ़ाइल है, तो शर्तों का नाम.csv, तो इसे वर्तमान सत्र के लिए एक के साथ प्रतिस्थापित करना सुनिश्चित करें।
  5. PsychoPy खोलें और फिर प्रासंगिक प्रयोग की निर्देशिका में psyexp या py फ़ाइल खोलें। PsychoPy में, प्रयोग चलाने के लिए हरे रंग के प्ले बटन पर क्लिक करें। मोडल पॉप-अप में, विषय का नाम या आईडी और सत्र संख्या दर्ज करें। प्रारंभ करने के लिए ठीक क्लिक करें. निर्देश प्रत्येक सत्र की शुरुआत में प्रदर्शित किए जाएंगे।
  6. कार्य को पूरा करने के लिए विषय को लगभग 1 घंटे की अनुमति दें। जैसा कि कार्य आत्म-पुस्तक है, विषयों को यदि आवश्यक हो तो ब्रेक लेने के लिए प्रोत्साहित करें। जब विषय सत्र समाप्त हो जाता है, तो साइकोपी स्वचालित रूप से समाप्त हो जाएगा, और फ़ाइलें समानता / प्रयोगों / <इमेज या शब्द>_exp / डेटा निर्देशिका में उत्पन्न होंगी।
  7. इन्हें विषय-डेटा/raw/ निर्देशिका (चरण 4.3 में बनाया गया) में स्थानांतरित करें. अनुशंसित निर्देशिका संरचना के लिए README देखें.
    नोट:: जैसा कि उल्लेख किया गया है, लॉग फ़ाइल समस्या निवारण के लिए है। साइकोपी के लिए अप्रत्याशित रूप से बंद होने का सबसे आम कारण यह है कि एक विषय गलती से एक सत्र के दौरान एस्केप को दबाता है। यदि ऐसा होता है, तो अंतिम पूर्ण परीक्षण तक परीक्षणों के लिए प्रतिक्रियाएं अभी भी प्रतिक्रियाओं.csv फ़ाइल में लिखी जाएंगी।
  8. यदि साइकोपी अप्रत्याशित रूप से बंद हो जाता है, तो इसे फिर से खोलें और केवल उन परीक्षणों के साथ एक नई स्थिति.csv फ़ाइल बनाएं, जिनका प्रयास नहीं किया गया था। मौजूदा सत्र की शर्तों की फ़ाइल को इस एक के साथ बदलें और प्रयोग को फिर से चलाएँ। उचित स्थान पर उत्पन्न फ़ाइलों को सहेजना सुनिश्चित करें। सत्र के अंत में, दो प्रतिक्रियाओं की फ़ाइलों को मैन्युअल रूप से एक में जोड़ा जा सकता है, हालांकि यह आवश्यक नहीं है।
  9. शेष सत्रों में से प्रत्येक के लिए, चरण 4.4 से 4.8 तक दोहराएँ।
  10. सभी सत्रों के पूरा होने के बाद, कच्चे डेटा फ़ाइलों को संयोजित करें और उन्हें आगे की प्रक्रिया के लिए एक एकल json फ़ाइल में पुन: स्वरूपित करें। ऐसा करने के लिए, टर्मिनल में preprocess.py (समानताएं/ विश्लेषण / प्रीप्रोसेस.py) निम्नानुसार चलाएं:
    cd~/similarities
    कोंडा venv_sim_3.8 सक्रिय
    python-m analysis.preprocess
  11. संकेत दिए जाने पर, अनुरोधित इनपुट पैरामीटर दर्ज करें: विषय-डेटा निर्देशिका का पथ, विषय ID जिसके लिए डेटा को प्रीप्रोसेस करना है, और प्रयोग नाम (आउटपुट फ़ाइल को नाम देने के लिए उपयोग किया जाता है)। Enter दबाएँ.
  12. वर्चुअल वातावरण से बाहर निकलें:
    कोंडा निष्क्रिय करना
    नोट:: यह आउटपुट निर्देशिका में एक json फ़ाइल बनाएगा जो प्रत्येक परीक्षण के लिए दोहराता है भर में प्रतिसाद को जोड़ती है। समानता डेटा को विषय-डेटा / कच्चे से पढ़ा जाता है और विषय-डेटा / पूर्व-संसाधित करने के लिए लिखा जाता है।

5. समानता निर्णय का विश्लेषण

नोट: विषयों को संदर्भ के लिए समानता के क्रम में उत्तेजनाओं को क्लिक करने के लिए कहा जाता है, इस प्रकार प्रत्येक परीक्षण में एक रैंकिंग प्रदान करता है। मानक प्रयोगों के लिए, प्रत्येक परीक्षण को पांच बार दोहराएं, एक ही आठ उत्तेजनाओं के पांच रैंक ऑर्डरिंग उत्पन्न करें ( चित्रा 2 बी देखें)। इन रैंक निर्णयों की व्याख्या तुलना की एक श्रृंखला के रूप में की जाती है जिसमें एक विषय अवधारणात्मक दूरी के जोड़े की तुलना करता है। यह माना जाता है कि विषय प्रत्येक क्लिक से पहले निम्नलिखित प्रश्न पूछ रहा है: "क्या संदर्भ और उत्तेजना ए के बीच की दूरी (अवधारणात्मक) दूरी संदर्भ और उत्तेजना बी के बीच की दूरी से छोटी है? जैसा कि चित्रा 2 C में दिखाया गया है, यह प्रत्येक परीक्षण के लिए एकाधिक युग्मवार समानता तुलना के लिए विकल्प संभावनाओं को उत्पन्न करता है। नीचे दिया गया विश्लेषण इन विकल्प संभावनाओं का उपयोग करता है।

Figure 2
चित्रा 2: रैंकिंग निर्णय से पसंद की संभावनाओं को प्राप्त करना। (ए) हमारे द्वारा किए गए शब्द प्रयोग से एक परीक्षण का एक उदाहरण। (बी) कई सत्रों के दौरान एक ही परीक्षण के लिए पांच रैंक ऑर्डर प्राप्त किए गए थे। (C) pairwise असमानता तुलना के लिए विकल्प संभावनाएं जो रैंकिंग निर्णय का प्रतिनिधित्व करती हैं। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

  1. रैंक ऑर्डर निर्णय से युग्मवार विकल्प संभावनाओं का निर्धारण करें।
    1. समानता /विश्लेषण में, कमांड लाइन में describe_data.py चलाएँ।
      cd~/similarities
      कोंडा venv_sim_3.8 सक्रिय
      अजगर-m analysis.describe_data
    2. संकेत दिए जाने पर, विषय-डेटा/प्रीप्रोसेस्ड का पथ और विश्लेषण चलाने के लिए विषयों की सूची दर्ज करें.
      नोट: यह तीन प्रकार के भूखंडों का निर्माण करेगा: i) किसी दिए गए विषय के पूर्ण डेटा सेट के लिए पसंद की संभावनाओं का वितरण, ii) विषयों के जोड़े के लिए पसंद की संभावनाओं में स्थिरता का आकलन करने के लिए हीटमैप, और iii) संदर्भ प्रभावों का आकलन करने के लिए दो संदर्भों में होने वाली सभी तुलनाओं के लिए विकल्प संभावनाओं का एक हीटमैप। परिचालन रूप से, इसका मतलब है कि परीक्षणों के जोड़े में पसंद की संभावनाओं की तुलना करना जिसमें एक ही संदर्भ और अंगूठी में उत्तेजनाओं की एक आम जोड़ी होती है लेकिन अंगूठी में अन्य सभी उत्तेजनाओं में भिन्न होती है: हीटमैप दिखाता है कि विकल्प की संभावना इस संदर्भ पर कैसे निर्भर करती है।
  2. विकल्प संभावनाओं का उपयोग करते हुए अवधारणात्मक रिक्त स्थान के कम-आयामी यूक्लिडियन मॉडल उत्पन्न करें। आदेश पंक्ति में model_fitting.py निम्नानुसार चलाएँ:
    cd~/similarities
    कोंडा venv_sim_3.8 सक्रिय
    अजगर-m analysis.model_fitting
    1. संकेत दिए जाने पर निम्न इनपुट पैरामीटर प्रदान करें: विषय-डेटा/प्रीप्रोसेस्ड निर्देशिका के लिए पथ; उत्तेजनाओं की संख्या (डिफ़ॉल्ट रूप से 37); पुनरावृत्तियों की संख्या (मॉडलिंग विश्लेषण को चलाने की संख्या); आउटपुट निर्देशिका; और गाऊसी शोर की मात्रा (डिफ़ॉल्ट रूप से 0.18).
      नोट:: इस स्क्रिप्ट को चलाने के लिए कुछ घंटे लगते हैं। समाप्त होने पर, समानता डेटा का वर्णन करने वाले 1D, 2D, 3D, 4D और 5D मॉडल के लिए सबसे अच्छा-फिट निर्देशांक वाली NPY फ़ाइलें आउटपुट निर्देशिका में लिखी जाएंगी। विभिन्न मॉडलों के लॉग-संभावना मानों वाली csv फ़ाइल उत्पन्न की जाएगी.
  3. प्राप्त मॉडल की लॉग-संभावना की कल्पना करें और उनके फिट का आकलन करें। ऐसा करने के लिए, कमांड लाइन में समानताएं/विश्लेषण/model_fitting_figure.py चलाएँ:
    cd~/similarities
    अजगर-मी analysis.model_fitting_figure
    1. जब संकेत दिया जाता है, तो आवश्यक पैरामीटर इनपुट करें: लॉग-संभावनाओं वाली csv फ़ाइलों का पथ (चरण 5.2 से)।
    2. उत्पन्न आकृति का विश्लेषण करें, जो x-अक्ष पर y-अक्ष और मॉडल आयामों पर लॉग-संभावनाओं को दर्शाता है. एक विवेक की जांच के रूप में, यूक्लिडियन मॉडल के अलावा दो मॉडल शामिल हैं: एक यादृच्छिक विकल्प मॉडल और एक सबसे अच्छा संभव मॉडल।
      नोट:: यादृच्छिक विकल्प मॉडल मानता है विषय यादृच्छिक रूप से क्लिक करें। इस प्रकार, यह किसी भी मॉडल के लिए लॉग-संभावना पर एक पूर्ण कम बाउंड प्रदान करता है जो यादृच्छिक से बेहतर है। इसी तरह, लॉग-संभावना (सबसे अच्छा लेबल) के लिए एक ऊपरी बाउंड के रूप में, एक मॉडल की लॉग-संभावना है जो अपने मॉडल संभावनाओं के रूप में अनुभवजन्य पसंद संभावनाओं का उपयोग करता है।
    3. सत्यापित करें कि कोई यूक्लिडियन मॉडल सबसे अच्छे मॉडल को बेहतर नहीं करता है, क्योंकि सबसे अच्छा मॉडल, डिजाइन द्वारा, ओवरफिट और ज्यामितीय विचारों से अप्रतिबंधित है। जाँचें कि प्लॉट की गई संभावनाएँ सर्वोत्तम लॉग-संभावना के सापेक्ष हैं.
  4. प्रत्येक विषय के लिए अवधारणात्मक रिक्त स्थान की कल्पना करें। पहले दो प्रमुख घटकों पर प्रक्षेपित 5 डी मॉडल से अंक दिखाते हुए स्कैटरप्लॉट उत्पन्न करें। ऐसा करने के लिए, कमांड लाइन में समानताएं/विश्लेषण/perceptual_space_visualizations.py चलाएँ:
    cd~/similarities
    अजगर-मी analysis.perceptual_space_visualizations
    1. जब संकेत दिया जाता है, तो पैरामीटर इनपुट करें: विषय ID (रिक्तस्थान द्वारा अलग) और चरण 5.2 से प्राप्त 5D बिंदुओं वाले npy फ़ाइल का पथ.
    2. स्क्रिप्ट निष्पादित करना समाप्त करने के बाद, वर्चुअल वातावरण से बाहर निकलें:
      कोंडा निष्क्रिय करना
      नोट:: यह स्क्रिप्ट समानता निर्णय के विज़ुअलाइज़ेशन के लिए है। यह पहले दो प्रमुख घटकों पर 5 डी बिंदुओं को प्रोजेक्ट करके एक 2 डी स्कैटर प्लॉट बनाएगा, जो समान विचरण के लिए सामान्यीकृत है। दो बिंदु दूर होंगे यदि विषय ने उन्हें कम समान और इसके विपरीत माना।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

चित्र 1A शब्द प्रयोग के लिए चरण 3.3 में स्क्रिप्ट द्वारा जनरेट की गई शर्तों की फ़ाइल का भाग दिखाता है. प्रत्येक पंक्ति एक परीक्षण से मेल खाती है। रेफरी कॉलम में उत्तेजना प्रदर्शन के केंद्र में दिखाई देती है। स्तंभ नाम stim1 से stim8 एक वृत्त के साथ आठ पदों के अनुरूप हैं, वामावर्त चल रहे हैं, केंद्रीय संदर्भ के दाईं ओर की स्थिति से शुरू होते हैं। प्रयोग शब्द से एक नमूना परीक्षण चित्र 1B में दिखाया गया है।

व्यवहार्यता और पुनरुत्पादन का प्रदर्शन करने के लिए, एक प्रयोग किया गया था जिसमें उत्तेजना सेट में 37 जानवरों के नाम शामिल थे। पूर्ण डेटासेट एक अध्ययन के हिस्से के रूप में सामान्य दृष्टि के साथ आठ स्वस्थ विषयों से एकत्र किए गए थे। विधि को प्रदर्शित करने के लिए, उन विषयों में से तीन से डेटा यहां दिखाया गया है, जिनमें से दो अध्ययन के उद्देश्य के लिए भोले थे। सूचित सहमति हेलसिंकी की घोषणा और Weill Cornell मेडिकल कॉलेज के संस्थागत दिशानिर्देशों के अनुसार प्राप्त की गई थी।

डेटा संग्रह के बाद, ऊपर उल्लिखित प्रारंभिक प्रसंस्करण (प्रोटोकॉल चरण 4.10-4.12) किया गया था। प्रत्येक परीक्षण में विषयों की प्रतिक्रियाओं को फॉर्म के स्वतंत्र, द्विआधारी विकल्पों के एक सेट के रूप में व्याख्या की गई थी "क्या संदर्भ और एस 1 के बीच की दूरी संदर्भ और एस 2 के बीच की तुलना में कम है?" आसपास की अंगूठी में उत्तेजनाओं के सभी जोड़े के लिए। रैंक निर्णयों को इस तरह के युग्मवार विकल्पों में विघटित किया गया था, जैसा कि चित्र 2 C में दिखाया गया है।

चित्रा 3A इन पसंद संभावनाओं के वितरण को दर्शाता है, जो विषयों में अत्यधिक सुसंगत था (प्रोटोकॉल चरण 5.1)। चूंकि प्रत्येक परीक्षण को पांच बार दोहराया गया था, इसलिए विकल्प संभावनाओं ने निम्नलिखित मान लिए: 0, 0.2, 0.4, 0.6, 0.8, और 1. सबसे लगातार पसंद की संभावनाएं 0 और 1 हैं, जो प्रत्येक विषय में सभी निर्णयों का 50% -70% है; ये वे निर्णय हैं जिनके लिए हर बार एक विकल्प चुना जाता है। उदाहरण के लिए, s1 और s2 के बीच की दूरी को 5 बार में से s1 और s3 0 के बीच की दूरी से कम के रूप में आंकना 0 की विकल्प संभावना के अनुरूप होगा; इस निर्णय को 5 में से 5 बार बनाना 1 की विकल्प संभावना के अनुरूप होगा। विशेष रूप से, विषयों के बीच पसंद की संभावनाओं में स्थिरता का एक बड़ा सौदा है, यहां तक कि उन निर्णयों के लिए भी जो चरम सीमाओं पर नहीं हैं, जैसा कि चित्रा 3 बी में प्रत्येक पैनल में विकर्ण के पास डेटा के क्लस्टरिंग द्वारा देखा गया है।

अगला, संदर्भ प्रभावों का मूल्यांकन किया गया था। यह प्रयोगात्मक डिजाइन की एक महत्वपूर्ण विशेषता के कारण संभव था: एक संदर्भ उत्तेजना के कई ट्रिपल और दो तुलनात्मक उत्तेजनाओं s1 और s2 को दो संदर्भों में दोहराया जाता है (यानी, उत्तेजना सरणी को पूरा करने के लिए छह अन्य उत्तेजनाओं के अलग-अलग सेट के साथ)। फिर, प्रत्येक युग्मवार तुलना के लिए विकल्प प्रायिकता प्रत्येक संदर्भ में अलग-अलग सारणीबद्ध की गई थी। चित्रा 4 में प्रमुख विकर्ण इंगित करता है कि प्रत्येक विषय के लिए दो संदर्भों में पसंद की संभावनाएं - जिसमें 0 और 1 के बीच मध्यवर्ती विकल्प संभावनाएं शामिल हैं - समान के करीब हैं। यदि विकल्प संभावनाएं संदर्भ पर बहुत अधिक निर्भर थीं, तो वे दृढ़ता से सहसंबद्ध नहीं होंगे, और यह विकर्ण प्रमुख नहीं होगा।

संदर्भ प्रभावों का मूल्यांकन एक सांख्यिकीय उपाय द्वारा भी किया गया था। संदर्भ प्रभाव का माप निम्नानुसार बनाया गया है। पहला कदम मनाया डेटासेट (नीचे विस्तृत) के लिए एक असंतुलन आंकड़े की गणना करना है, जो उस हद तक निर्धारित करता है जिस तक मनाया निर्णय संदर्भ पर निर्भर करते हैं। फिर हम वास्तविक डेटा के रूप में एक ही परीक्षण कॉन्फ़िगरेशन, परीक्षण गिनती और समग्र पसंद की संभावनाओं के साथ 10000 सिम्युलेटेड डेटासेट का निर्माण करते हैं, लेकिन इस तरह से उत्पन्न होते हैं जिसमें कोई संदर्भ प्रभाव नहीं होता है - यादृच्छिक रूप से दो संदर्भों में देखे गए निर्णयों को असाइन करके। हम अगले इन सिम्युलेटेड डेटासेट के लिए असंतुलन के आंकड़ों की गणना करते हैं जैसा कि मनाया प्रतिक्रियाओं के लिए किया गया था। अंत में, हम सिम्युलेटेड डेटासेट के लिए असंतुलन आंकड़े के साथ मनाया प्रतिक्रियाओं के लिए असंतुलन आँकड़े की तुलना करते हैं, इस संभावना को निर्धारित करने के लिए कि मनाया गया असंतुलन बिना किसी संदर्भ प्रभाव के डेटासेट से प्राप्त किया जा सकता था। < 0.05 का एक अनुभवजन्य पी-मान बताता है कि एक संदर्भ प्रभाव मौजूद है। चित्र 4 में डेटा के लिए, p-मान क्रमशः S4, S7 और S9 के लिए 0.98, 0.30 और 0.33 थे, अर्थात्, सभी मान 0.05 > गए थे।

डेटासेट के लिए असंतुलन आँकड़े की गणना दो संदर्भों में होने वाले सभी ट्रायड्स पर योगदान के योग के रूप में की जाती है। प्रत्येक ट्रायड के लिए योगदान (तुलना, कहते हैं, डी (रेफरी, एस 1) डी (रेफरी, एस 2) के साथ) इस प्रकार निर्धारित किया जाता है। सबसे पहले, इस ट्रायड के लिए निर्णय एक 2 x 2 तालिका में tallied हैं। स्तंभ दो संदर्भों के अनुरूप होते हैं, इसलिए स्तंभ योग उस संदर्भ में प्रस्तुतियों की कुल संख्या से सीमित होते हैं. पंक्तियाँ वैकल्पिक निर्णयों की गणना के अनुरूप हैं, d(ref, s1) < d(ref, s2) या d(ref, s1) > d(ref, s2) >, इसलिए पंक्ति राशियों को मनाया विकल्पों द्वारा विवश किया जाता है, संदर्भों में अभिव्यक्त किया जाता है। चूंकि दो-पूंछ वाले फिशर सटीक परीक्षण 14 से संभावना है कि पंक्तियों और स्तंभों (निर्णय और संदर्भों) के बीच मनाया गया (या अधिक से अधिक) इंटरैक्शन के साथ एक तालिका देखी जाएगी यदि कोई इंटरैक्शन वास्तव में मौजूद नहीं है, तो हम इस संभावना के नकारात्मक लघुगणक का उपयोग समग्र असंतुलन आंकड़े के लिए इस त्रिकोण के योगदान के रूप में करते हैं। एक समग्र असंतुलन आंकड़ा बनाने के लिए नकारात्मक लघुगणक को संक्षेप में इस प्रकार कोई संदर्भ प्रभाव की शून्य परिकल्पना के तहत, ट्रायड्स में मनाया असंतुलन की संयुक्त संभावना को कैप्चर करता है।

जानवरों के नामों के मानसिक प्रतिनिधित्व को मॉडल करने के लिए, 1, 2, 3, 4 और 5 आयामों के अवधारणात्मक रिक्त स्थान के यूक्लिडियन मॉडल को अधिकतम संभावना दृष्टिकोण का उपयोग करके व्युत्पन्न किया गया था। विषयों की प्रतिक्रियाओं को अनुमान में त्रुटियों का प्रतिनिधित्व करने वाले योज्य गाऊसी शोर के साथ दो दूरी की तुलना को दर्शाने वाले निर्णयों के रूप में मॉडलिंग की गई थी, यानी, निर्णय चरण में शोर। चित्रा 5 पांच यूक्लिडियन मॉडल के लॉग-संभावनाओं (प्रति निर्णय) को दर्शाता है। लॉग-संभावनाओं को सबसे अच्छे मॉडल की लॉग-संभावना के सापेक्ष दिखाया गया है, यानी, एक मॉडल जो किसी भी ज्यामितीय विचार द्वारा इन संभावनाओं को बाधित किए बिना, प्रत्येक तुलना के लिए मनाया पसंद संभावना प्रदान करता है। इन लॉग-संभावनाओं को परिप्रेक्ष्य में रखने के लिए, यादृच्छिक-विकल्प मॉडल की लॉग-संभावना भी इंगित की जाती है; यह मॉडल प्रदर्शन के लिए एक कम बाध्य के रूप में कार्य करता है। मॉडल फिट प्रत्येक जोड़ा आयाम के साथ सुधार करता है। सबसे बड़ी छलांग 1 डी और 2 डी मॉडल के बीच है, यह दर्शाता है कि एक साधारण 1 डी मॉडल डेटा को पूरी तरह से समझाने में विफल रहता है। हालांकि, आयाम 4 से 5 के आसपास का पठार इंगित करता है कि यहां तक कि 5 डी मॉडल भी समानता के फैसले के लिए जिम्मेदार दूरी को पूरी तरह से कैप्चर नहीं करता है। दृष्टिकोण को मान्य करने के लिए, पाइपलाइन को सिम्युलेटेड डेटा पर भी चलाया गया था। अलग-अलग प्रयोगों को क्रमशः 1 डी, 2 डी, 3 डी, 4 डी और 5 डी रिक्त स्थान से खींचे गए बिंदुओं के बीच समानता निर्णय उत्पन्न करने के लिए अनुकरण किया गया था। सभी मामलों में, विधि ने सही ढंग से आयामीता की पहचान की। इसके अलावा, सही आयामीता के साथ एक मॉडल ने एक लॉग-संभावना उत्पन्न की जो मॉडल से प्राप्त जमीनी सच्चाई लॉग-संभावना से सहमत थी।

अंत में, अवधारणात्मक अंतरिक्ष मॉडल में बिंदुओं के संगठन की कल्पना की गई थी। चित्रा 6 एक विषय, S7 के लिए इन डेटा को दिखाता है। प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए) अवधारणात्मक स्थान के 5 डी मॉडल से बिंदुओं पर किया गया था। क्रमशः पहले दो और पहले और तीसरे प्रमुख घटकों पर प्रक्षेपित बिंदुओं को चित्र 6A और चित्र 6B में दिखाया गया है, जिसमें समान विचरण के लिए सामान्यीकृत अक्ष हैं। प्रयोगात्मक रूप से प्राप्त समानता निर्णयों के साथ संरेखित बिंदुओं के बीच की दूरी: समान के रूप में माना जाने वाले जानवरों को उन बिंदुओं द्वारा दर्शाया गया था जो एक-दूसरे के पास थे।

Figure 3
चित्रा 3: विषयों में स्थिरता। (ए) सभी युग्मवार तुलनाओं के लिए तीन विषयों में पसंद की संभावनाओं का वितरण। (बी) विषयों के जोड़े में एक ही जोड़ीवार तुलना के लिए विकल्प संभावनाएं। रंग पट्टी स्वतंत्र संयुक्त प्रायिकता के लिए मनाया संयुक्त संभावना के अनुपात को दर्शाता है। मुख्य विकर्ण के साथ उच्च मान विषयों में स्थिरता का संकेत देते हैं। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 4
चित्रा 4: संदर्भ प्रभाव. तीन विषयों में से प्रत्येक के लिए दो संदर्भों में किए गए सभी युग्मवार तुलनाओं के लिए विकल्प संभावनाएं। ए, मनमाने ढंग से, एक संदर्भ को संदर्भित करता है जिसमें एक त्रिकोण प्रस्तुत किया गया था, और बी दूसरे संदर्भ को संदर्भित करता है। रंग पट्टी स्वतंत्र संयुक्त प्रायिकता के लिए मनाया संयुक्त संभावना के अनुपात को दर्शाता है। मुख्य विकर्ण के साथ उच्च मान संदर्भ प्रभावों की कमी का संकेत देते हैं। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 5
चित्रा 5: मॉडल-फिटिंग विश्लेषण के परिणाम। विभिन्न आयामों के मॉडल के साथ-साथ यादृच्छिक विकल्प (कम बाध्य) मॉडल के लिए सापेक्ष लॉग-संभावनाएं, तीन विषयों के लिए दिखाया गया है। शून्य की एक सापेक्ष लॉग-संभावना सबसे अच्छे मॉडल की लॉग-संभावना से मेल खाती है, जिसमें पसंद की संभावनाएं ज्यामिति के विचार के बिना अनुभवजन्य पसंद संभावनाओं से मेल खाती हैं। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 6
चित्रा 6: अधिक विस्तार से एक विषय (S7) का अवधारणात्मक स्थान। मॉडलिंग से प्राप्त 5 डी निर्देशांक का प्रक्षेपण (ए) में पहले दो प्रमुख घटकों पर और (बी) में पहले और तीसरे प्रमुख घटकों पर प्रक्षेपित किया गया है। अक्षों को स्केल किया जाता है ताकि प्रत्येक अक्ष के साथ विचरण बराबर हो। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

तालिका 1: उदाहरण पैरामीटर सेट करता है। प्रयोगात्मक प्रतिमान को कम या अधिक उत्तेजनाओं, परीक्षणों और युग्मवार तुलनाओं के लिए भिन्न किया जा सकता है। बोल्ड फ़ॉन्ट में पंक्ति हमारे द्वारा उपयोग किए गए पैरामीटर को इंगित करती है. इस तालिका को डाउनलोड करने के लिए कृपया यहाँ क्लिक करें.

तालिका 2: विश्लेषण/config.yaml और प्रयोगों/config.yaml में पैरामीटर। इस तालिका को डाउनलोड करने के लिए कृपया यहाँ क्लिक करें.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

यहां उल्लिखित प्रोटोकॉल उत्तेजनाओं के लिए समानता के फैसले प्राप्त करने और विश्लेषण करने के लिए प्रभावी है जिसे नेत्रहीन रूप से प्रस्तुत किया जा सकता है। प्रयोगात्मक प्रतिमान, विश्लेषण और संभावित एक्सटेंशन पर पहले चर्चा की जाती है, और बाद में विधि के फायदे और नुकसान।

प्रयोगात्मक प्रतिमान: प्रस्तावित विधि को 37 पशु नामों के डोमेन का उपयोग करके प्रदर्शित किया जाता है, और अवधारणात्मक निर्णयों का एक नमूना डेटासेट प्रदान किया जाता है ताकि कोई भी चरण 5 में विश्लेषण का पालन कर सके और आंकड़े 3-6 (प्रोटोकॉल चरण 1.4) के कुछ हिस्सों को पुन: पेश कर सके। प्रयोगात्मक डिजाइन इन 37 उत्तेजनाओं को 222 परीक्षणों में समूहित करता है - प्रत्येक में केंद्र में एक संदर्भ उत्तेजना और आसपास की अंगूठी में आठ तुलनात्मक उत्तेजनाएं होती हैं - जैसे कि कई मानदंड धारण करते हैं: ए) 37 उत्तेजनाओं में से प्रत्येक संदर्भ के रूप में प्रकट होता है एक समान संख्या (छह) बार (222 = 37×6), बी) छह परीक्षणों पर जिसमें एक उत्तेजना संदर्भ है, शेष सभी 36 उत्तेजनाओं का उपयोग कम से कम एक बार तुलना उत्तेजनाओं के रूप में किया जाता है, ग) 24 उत्तेजनाएं किसी दिए गए संदर्भ के साथ बिल्कुल एक तुलना में होती हैं, और डी) उत्तेजनाओं के छह जोड़े दो अलग-अलग परीक्षणों में संदर्भ के साथ दिखाई देते हैं। प्रतिमान का यह पहलू, कि प्रत्येक संदर्भ उत्तेजना के लिए अलग-अलग संदर्भों में तुलना उत्तेजनाओं के छह जोड़े होते हैं, चरण 5 में संदर्भ प्रभावों की जांच करने की अनुमति देता है (चित्रा 4 देखें)। यह मानक डिजाइन 6216 = 222×28 फॉर्म की तुलना करता है "क्या एस 1 के संदर्भ की समानता एस 2 के संदर्भ की समानता से अधिक या कम है। यह दक्षता संभव है क्योंकि 222 परीक्षणों में से प्रत्येक आठ समानताओं की रैंकिंग पैदा करता है, और आठ रैंक समानताएं 28 जोड़ीवार तुलना उत्पन्न करती हैं। इन 6216 तुलनाओं में से, 222 को दोहराया जाता है, जिससे हमें 5994 अद्वितीय तुलनाएं मिलती हैं।

एक बार जब उत्तेजना डोमेन चुना जाता है, तो अगला सबसे महत्वपूर्ण डिजाइन निर्णय नमूनों की संख्या है। कई वैकल्पिक डिजाइन संभव हैं (तालिका 1), जिस तरह से उत्तेजनाओं को विभिन्न संदर्भों में दोहराया जाता है, उसके लिए अन्य विकल्पों के साथ। जैसा कि चित्रा 4 में उल्लेख किया गया है, प्रत्येक परीक्षण के भीतर एक ट्रिपल है - जिसमें संदर्भ और दो आसपास की उत्तेजनाएं शामिल हैं - जो एक अन्य परीक्षण में एक साथ दिखाई देती हैं। एक सामान्य संदर्भ के साथ एक और परीक्षण के साथ ओवरलैपिंग आसपास की उत्तेजनाओं की संख्या - इस मामले में, दो के बराबर - विश्लेषण कॉन्फ़िगरेशन फ़ाइल में ओवरलैप पैरामीटर द्वारा नियंत्रित किया जाता है। इस पैरामीटर को बढ़ाने के परिणामस्वरूप दो परीक्षणों के बीच अधिक उत्तेजनाओं को साझा किया जाएगा, जिससे दूरी रैंकिंग की अधिक व्यापक तुलना की जा सकती है, उदाहरण के लिए, "क्या एस 1 एस 2 की तुलना में संदर्भ के समान है और एस 2 एस 3 की तुलना में अधिक समान है? इस और अन्य पैरामीटर के विभिन्न मानों के साथ संभव अन्य प्रयोगात्मक डिजाइनों के उदाहरणों के लिए, तालिका 1 देखें। सभी पैरामीटर्स पर विवरण के लिए, वे क्या नियंत्रित करते हैं, और उन्हें कहाँ बदलना है, तालिका 2 देखें. विशेष रूप से, प्रत्येक परीक्षण में एक संदर्भ के आसपास दिखाई देने वाली उत्तेजनाओं की संख्या को क्रमशः छवि और शब्द प्रयोगों के लिए num_images_per_trial और num_words_per_trial मापदंडों को बदलकर बदलना भी संभव है। चारों ओर के आकार में वृद्धि से प्रति परीक्षण तुलना की संख्या में वृद्धि होगी और बेहतर अध्ययन संदर्भ प्रभाव; इसे कम करने से कार्य की जटिलता कम हो जाएगी। एक परीक्षण (Ncircle) में तुलना उत्तेजनाओं की संख्या, प्रयोग (Nstim) में उत्तेजनाओं की संख्या, परीक्षणों की संख्या (Ntrials), अद्वितीय तुलनाओं की संख्या (Ncomparisons) और दोहराए गए तुलनाओं की संख्या (Nrepeated) परस्पर संबंधित हैं और परीक्षणों के बीच पहले से उल्लिखित ओवरलैप के आकार पर निर्भर करते हैं (Noverlap) ) और संदर्भ उत्तेजना प्रति परीक्षणों की संख्या (के)। उत्तेजना सेट आकार एम द्वारा निर्धारित किया जाता है, जो एक मनमाना पूर्णांक है। ये संबंध नीचे सूचीबद्ध हैं:

Equation 1
Equation 2
Equation 3
Equation 4
Equation 5
Equation 6

प्रतिमान और डेटा संग्रह प्रक्रियाओं के अन्य विवरण हैं जो confounds को कम करने में मदद करते हैं। उत्तेजनाओं और परीक्षण आदेश (चरण 3.4) के प्लेसमेंट को यादृच्छिक करना महत्वपूर्ण है ताकि सत्रों को दोहराया जाए, तो भी विषय उत्तेजनाओं के प्लेसमेंट में स्थानिक या अस्थायी पैटर्न को पहचानना शुरू न करे। यह भी महत्वपूर्ण है कि विषयों को समानता (चरण 4) को गेज करने के तरीके के बारे में कोई प्रत्यक्ष संकेत न दें क्योंकि यह परिणामों को पूर्वाग्रहित कर सकता है। उन्हें स्वयं यह तय करना चाहिए कि विशिष्ट प्रयोग के संदर्भ में उनके लिए समानता का क्या अर्थ है। हालांकि, प्रयोग पूरा करने के बाद विषयों को डीब्रीफ करना उपयोगी है, क्योंकि यह समझने में मदद कर सकता है कि निष्कर्ष विषयों में कैसे भिन्न होते हैं। यदि किसी कारण से, कोई सत्र दूषित या निरस्त हो जाता है, तो हम पूरे सत्र को हटाने की सलाह देते हैं, ताकि सभी परीक्षण समान संख्या में पूरे हो सकें।

समानता डेटा का विश्लेषण: प्रयोग पैदावार, प्रत्येक परीक्षण के लिए, Ncircle तुलना उत्तेजनाओं और संदर्भ के बीच समानता के रैंक-क्रम। जब उत्तेजनाओं के जोड़े की तुलना में विघटित किया जाता है, तो ये परीक्षण अद्वितीय तुलनाओं में से प्रत्येक के लिए पसंद की संभावनाओं को उत्पन्न करते हैं। विकल्प संभावनाओं को तब अवधारणात्मक स्थान (प्रोटोकॉल चरण 5) के ज्यामितीय मॉडल की खोज करने के लिए विश्लेषण किया जाता है। विश्लेषण एक यूक्लिडियन अंतरिक्ष में उत्तेजनाओं, डी (एसआई, एसजे) के बीच की दूरी के संदर्भ में पसंद की संभावनाओं के लिए खाते का प्रयास करता है। यही है, लक्ष्य प्रत्येक उत्तेजना को निर्देशांक असाइन करना है ताकि s2 से पहले s1 पर क्लिक करने के लिए विकल्प संभावना इस संभावना को दर्शाती है कि विषय ने d (ref, s1) < d (ref, s2) का न्याय किया है। इस फिटिंग प्रक्रिया को यहां दोनों का वर्णन किया गया है क्योंकि इसमें कुछ उपन्यास तत्व हैं, और उपयोगकर्ता को इसे संशोधित करने में सक्षम करने के लिए (प्रोटोकॉल चरण 5.2)।

विश्लेषण बहुआयामी स्केलिंग समस्या का एक प्रकार है, लेकिन कुछ विशिष्ट विशेषताओं के साथ। सबसे पहले, डेटा दूरी के अनुमानों के बजाय असमानता निर्णयों के रैंक-ऑर्डरिंग प्रदान करता है। दूसरा, डेटासेट, जबकि व्यापक, केवल युग्मवार दूरी के सभी संभावित तुलनाओं का एक सबसेट होता है। अंत में, उद्देश्य विकल्प संभावनाओं के लिए खाता है, न कि केवल एक बाइनरी निर्णय जिसमें से दूरी बड़ी है। इन विचारों को ध्यान में रखते हुए, लागत फ़ंक्शन को इस तरह से चुना जाता है कि इसका मूल्य कम से कम हो जाता है जब मॉडल-अनुमानित पसंद की संभावनाएं प्रयोगात्मक रूप से देखी गई पसंद की संभावनाओं को उत्पन्न करने की सबसे अधिक संभावना होती हैं। इसलिए इसे मॉडल के तहत मनाया पसंद संभावनाओं की नकारात्मक लॉग-संभावना के रूप में परिभाषित किया गया है, जो युग्मवार तुलनाओं की कुल संख्या द्वारा सामान्यीकृत है, और पिछले work15 से अनुकूलित है:

Equation 7

जहां N0 = Ncomparisons. Nrepeats, और Nrepeats प्रोटोकॉल के दोहराव की संख्या है, (यानी, प्रत्येक अद्वितीय परीक्षण को दोहराए जाने की संख्या), और

Equation 8
Equation 9

यहाँ, srdenotes एक परीक्षण में संदर्भ उत्तेजना, si और sj और sr के चारों ओर अंगूठी में उत्तेजनाओं. P (d(sr, si) < d(sr, sj)) मॉडल प्रायिकता को दर्शाता है कि sr और si के बीच की दूरी को sr और sj के बीच की दूरी से कम आंका जाता है और C उस समय की संख्या को दर्शाता है जिसे विषय ने d(sr, si) का न्याय किया है ) < डी (एसआर, एसजे)। मॉडलिंग विश्लेषण का उद्देश्य एक यूक्लिडियन अंतरिक्ष में बिंदुओं का एक विन्यास ढूंढना है, जो अनुभवजन्य पसंद की संभावनाओं के लिए खाता है। पुनरावर्ती रूप से, न्यूनीकरण प्रत्येक उत्तेजना को सौंपे गए निर्देशांक को समायोजित करता है, और ऐसा करने में, मॉडल विकल्प संभावनाएं (पी)। न्यूनतमीकरण तब समाप्त हो जाता है जब लागत फ़ंक्शन सहिष्णुता के नीचे कम होना बंद हो जाता है (सहिष्णुता नामक एक समायोज्य पैरामीटर इसे नियंत्रित करता है) या यदि पुनरावृत्तियों की अधिकतम संख्या तक पहुंच जाता है (पैरामीटर max_iterations द्वारा नियंत्रित)।

मॉडल विकल्प संभावनाओं के साथ उत्तेजना निर्देशांक को जोड़ने के लिए, यह माना जाता है कि एक विषय - जब परीक्षण में क्लिक करने के लिए दो उत्तेजनाओं के बीच चयन किया जाता है - संदर्भ के लिए अपनी सापेक्ष दूरी की आंतरिक तुलना करेगा, अर्थात् डी (एसआर, एसआई) और डी (एसआर, एसजे)। ये दूरी (डिफ़ॉल्ट रूप से) उत्तेजनाओं एसआर, एसआई और एसजे को सौंपे गए बिंदुओं के बीच सामान्य यूक्लिडियन दूरी हैं। इसके अलावा, यह माना जाता है कि इस मानसिक तुलना में एक आंतरिक शोर है, जिसे हम मानक विचलन σ के एक योजक गाऊसी स्रोत के रूप में मॉडल करते हैं, जो कि मैलोनी एट अल.16,17 द्वारा एक आयामी डोमेन के लिए पेश किया गया मॉडल है और बहुआयामी डोमेन 15 के लिए भी उपयोग किया जाता है। मॉडल विकल्प संभावनाएं निर्देशांक से संबंधित हैं:

Equation 10

आंतरिक शोर, σ, विश्लेषण config फ़ाइल में अलग-अलग सिग्मा द्वारा नियंत्रित किया जा सकता है। उत्तेजना निर्देशांक के एक सेट के साथ एल्गोरिथ्म को आरंभ करने के लिए, रैंक-ऑर्डर निर्णयों का उपयोग अनुमानित दूरी के एक सेट को प्राप्त करने के लिए किया गया था और फिर प्रारंभिक निर्देशांक प्राप्त करने के लिए इन दूरी पर मानक बहुआयामी स्केलिंग 10 लागू किया गया था। इन अनुमानित दूरी को उत्तेजनाओं की प्रत्येक जोड़ी के लिए जीत और नुकसान का मिलान करके निर्धारित किया गया था। यही है, डेटा में सभी युग्मवार तुलनाओं को देखते हुए, हर बार जब एक दूरी, डी (एसआर, एसके) को दूसरे से बड़ा आंका जाता है, डी (एसआर, एसएन), एक जीत बड़ी दूरी डी (एसआर, एसके) के लिए लॉग की जाती है और डी (एसआर, एसएन) के लिए एक नुकसान लॉग किया जाता है। ). मूल विचार यह है कि दो उत्तेजनाओं के बीच की दूरी जितनी अधिक होगी, उतनी ही अधिक बार इसे एक और दूरी (जीत के संदर्भ में) से अधिक के रूप में आंका जाएगा और इसके विपरीत। सभी तुलनाओं के माध्यम से पुनरावृत्ति करने और उत्तेजनाओं की प्रत्येक जोड़ी की जीत और हानि को सारणीबद्ध करने के बाद, दूरी के अनुमानों की गणना निम्नानुसार की जाती है:

Equation 11

एक बार ऐसा करने के बाद, निर्देशांक का प्रारंभिक सेट मानक मीट्रिक बहुआयामी स्केलिंग को डाइनिट (एसआई, एसजे) पर लागू करके निर्धारित किया जाता है।

इस प्रकार वर्णित न्यूनीकरण दिनचर्या को 1, 2, 3, 4 और 5 आयामों के मॉडल प्राप्त करने के लिए स्वतंत्र रूप से चलाया जाता है। प्रत्येक मामले में, अनुमानित उत्तेजना बिंदुओं के इष्टतम निर्देशांक, साथ ही साथ लागत फ़ंक्शन का मूल्य, यानी, अनुभवजन्य पसंद संभावनाओं की नकारात्मक लॉग-संभावना वापस आ जाती है। लॉग-संभावना को चित्र5 में सबसे अच्छा संभव लॉग-संभावना के सापेक्ष प्लॉट किया गया है, जिसकी गणना समीकरण 1 के समान रूप से की जाती है, के साथ

Equation 12,

सभी तुलनाओं के लिए। एक विवेक की जांच के रूप में, चित्रा 5 में, यादृच्छिक मॉडल लॉग-संभावना, एक कम बाध्य जिसके द्वारा मॉडल के प्रदर्शन का न्याय करने के लिए भी प्लॉट किया गया है। यादृच्छिक विकल्प लॉग-संभावना की गणना करते समय, हम सेट करते हैं

Equation 13

सभी तुलनाओं के लिए।

संभावित एक्सटेंशन: सबसे पहले, जैसा कि पहले उल्लेख किया गया है, प्रयोगात्मक प्रतिमान को विभिन्न आकारों के उत्तेजना सेटों को समायोजित करने के लिए संशोधित किया जा सकता है, और रिंग में उत्तेजनाओं की संख्या को प्रति परीक्षण युग्मवार तुलना की विभिन्न संख्याओं को उत्पन्न करने के लिए बदला जा सकता है ( तालिका 1 देखें)।

दूसरे, विश्लेषण में गैर-यूक्लिडियन दूरी मीट्रिक का उपयोग करना उपयोगी हो सकता है। उदाहरण के लिए, एक अध्ययन में पाया गया कि शहर-ब्लॉक मीट्रिक ने सतह की रोशनी और रोशनी के एक अवधारणात्मक स्थान का बेहतर प्रतिनिधित्व किया। प्रस्तावित विधि को सामान्यीकृत किया जा सकता है, इसलिए अन्य दूरी मीट्रिक जैसे, एक शहर-ब्लॉक दूरी, एक मिंकोव्स्की दूरी, या एक हाइपरबोलिक दूरी 19 के साथ मॉडल, समानता डेटा के लिए फिट हैं। ऐसा करने के लिए, किसी को प्रदान किए गए कोड को संशोधित करना होगा और एक वैकल्पिक दूरी मीट्रिक को लागू करना होगा। मुख्य परिवर्तन की आवश्यकता फ़ाइल समानताओं / विश्लेषण / pairwise_likelihood_analysis.py में लाइन 105 (फ़ंक्शन नाम: dist_model_ll_vectorized) में है।

ताकत और सीमाएं: प्रस्तावित दृष्टिकोण की एक प्रमुख ताकत यह है कि यह विभिन्न उत्तेजना सेट आकारों, तुलनाओं की विभिन्न संख्याओं, दोहरावों, या प्रति परीक्षण उत्तेजनाओं की संख्या के साथ-साथ संदर्भ प्रभावों को मापने के लिए विभिन्न अतिव्यापी सेट आकारों के साथ प्रयोगों को डिजाइन करने के लिए एक लचीला ढांचा प्रदान करता है। परीक्षणों और एक परीक्षण में चारों ओर के आकार के बीच ओवरलैप के आकार को बदलकर, कोई भी समानता के फैसले में संदर्भ की भूमिका की जांच कर सकता है, जबकि प्रति परीक्षण युग्मक समानता निर्णय की एक उच्च संख्या प्राप्त कर सकता है। विधि समानता डेटा एकत्र करने के लिए पिछले प्रयोगात्मक प्रतिमानों की कई सीमाओं को संबोधित करती है। उदाहरण के लिए, व्यवस्था-आधारित विधियों 12,20 के विपरीत (जिसके लिए उत्तेजनाओं को 2 डी यूक्लिडियन विमान पर व्यवस्थित करने की आवश्यकता होती है, जिसमें समान वस्तुओं को एक साथ रखा जाता है और अलग-अलग वस्तुओं को अलग रखा जाता है) और छँटाई के तरीकों (जिनके लिए उत्तेजनाओं को बवासीर में वर्गीकृत करने की आवश्यकता होती है), 11 रैंकिंग विधि विषयों को किसी भी ज्यामितीय संरचना पर अपने आंतरिक प्रतिनिधित्व को प्रोजेक्ट करने के लिए संकेत नहीं देती है। कुछ पिछले तरीकों की एक और सीमा - उदाहरण के लिए, भ्रम matrices जिसमें दो उत्तेजनाओं को समान माना जाता है यदि वे तेजी से मान्यता कार्यों में एक दूसरे के साथ भ्रमित होते हैं21 - यह है कि वे वर्गीकृत उपायों को उत्पन्न नहीं करते हैं। यह विधि वर्गीकृत उपायों की उपज करती है, यानी, पसंद की संभावनाएं।

जैसा कि ऊपर जोर दिया गया है, संग्रह विधि लचीली है कि यह नहीं मानती है कि आंतरिक प्रतिनिधित्व एक यूक्लिडियन स्थान है। यहां, विश्लेषण विधि केवल यूक्लिडियन मॉडल का परीक्षण करती है; हालांकि, इसे स्रोत कोड में स्थानीयकृत संशोधनों द्वारा गैर-यूक्लिडियन मॉडल को भी शामिल करने के लिए बढ़ाया जा सकता है। हालांकि, मॉडलिंग फ्रेमवर्क संदर्भ प्रभावों को ध्यान में रखने के लिए डिज़ाइन नहीं किया गया है। यदि वे महत्वपूर्ण थे, तो यह उन निष्कर्षों पर एक चेतावनी देगा जिन्हें खींचा जा सकता है।

प्रस्तावित विधि युग्मित तुलना दृष्टिकोण की तुलना में अधिक समय-कुशल है। प्रतिमान के प्रत्येक परीक्षण में लगभग ~ 30 s लगता है (विषय एक घंटे में 111 परीक्षण करते हैं), प्रति घंटे 111×28 = 3108 तुलनाएं प्राप्त करते हैं। एकल-तुलना परीक्षण प्रति परीक्षण 3 एस से कम लेने की संभावना नहीं है, जो प्रति घंटे 1200 तुलना प्राप्त करेगा। इसके अतिरिक्त, दक्षता का एक दूसरा स्तर है: वर्तमान दृष्टिकोण को सभी युग्मवार दूरी की तुलना की आवश्यकता नहीं है। पांडुलिपि में उदाहरण के लिए, युग्मवार दूरी का पूरा सेट 221445 तुलना के बराबर है, लेकिन वर्तमान दृष्टिकोण में, 5994 अद्वितीय तुलनाओं का एक विरल सबसेट, प्रत्येक 5 या 10 बार दोहराया जाता है, समानता डेटा को मॉडल करने के लिए पर्याप्त है। हालांकि, विधि, हालांकि कुशल, अभी भी समय लेने वाली है, और इसे विषयों से एक महत्वपूर्ण प्रतिबद्धता की आवश्यकता होती है। नतीजतन, यह सैकड़ों उत्तेजनाओं के एक सेट के लिए एक व्यवहार्य दृष्टिकोण नहीं है, जब तक कि डेटा को विषयों में पूल नहीं किया जाता है। अंत में, दृष्टिकोण सीधे nonvisual उत्तेजनाओं के लिए लागू नहीं है।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों के पास खुलासा करने के लिए कुछ भी नहीं है।

Acknowledgments

काम स्वास्थ्य के राष्ट्रीय संस्थानों (एनआईएच) से वित्त पोषण द्वारा समर्थित है, अनुदान EY07977. लेखक भी सॉफ्टवेयर के परीक्षण में उनकी सहायता के लिए उस्मान अय्याज़ को धन्यवाद देना चाहते हैं, और पांडुलिपि पर उनकी टिप्पणियों के लिए मुहम्मद नईम अय्याज़।

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.

DOWNLOAD MATERIALS LIST

References

  1. Edelman, S. Representation is representation of similarities. TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).
  2. Hahn, U., Chater, N. Concepts and similarity. Knowledge, Concepts and Categories. , The MIT Press. 43-84 (1997).
  3. Kriegeskorte, N., Kievit, R. A. Representational geometry: integrating cognition, computation, and the brain. Trends in Cognitive Sciences. 17 (8), 401-412 (2013).
  4. 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).
  5. 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).
  6. 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).
  7. Coombs, C. H. A method for the study of interstimulus similarity. Psychometrika. 19 (3), 183-194 (1954).
  8. Gärdenfors, P. Conceptual Spaces: The Geometry of Thought. , The MIT Press. (2000).
  9. 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).
  10. Krishnaiah, P. R., Kanal, L. N. Handbook of Statistics 2. , Elsevier. (1982).
  11. Tsogo, L., Masson, M. H., Bardot, A. Multidimensional Scaling Methods for Many-Object Sets: A Review. Multivariate Behavioral Research. 35 (3), 307-319 (2000).
  12. Kriegeskorte, N., Mur, M. Inverse MDS: Inferring dissimilarity structure from multiple item arrangements. Frontiers in Psychology. 3, 245 (2012).
  13. Rao, V. R., Katz, R. Alternative Multidimensional Scaling Methods for Large Stimulus Sets. Journal of Marketing Research. 8 (4), 488-494 (1971).
  14. Hoffman, J. I. E. Hypergeometric Distribution. Biostatistics for Medical and Biomedical Practitioners. , Academic Press. 179-182 (2015).
  15. Victor, J. D., Rizvi, S. M., Conte, M. M. Two representations of a high-dimensional perceptual space. Vision Research. 137, 1-23 (2017).
  16. Knoblauch, K., Maloney, L. T. Estimating classification images with generalized linear and additive models. Journal of Vision. 8 (16), 1-19 (2008).
  17. Maloney, L. T., Yang, J. N. Maximum likelihood difference scaling. Journal of Vision. 3 (8), 573-585 (2003).
  18. 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).
  19. Zhou, Y., Smith, B. H., Sharpee, T. O. Hyperbolic geometry of the olfactory space. Science Advances. 4 (8), (2018).
  20. Goldstone, R. An efficient method for obtaining similarity data. Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).
  21. Townsend, J. T. Theoretical analysis of an alphabetic confusion matrix. Perception & Psychophysics. 9, 40-50 (1971).

Tags

तंत्रिका विज्ञान अंक 181 अवधारणात्मक अंतरिक्ष दृश्य psychophysics बहुआयामी स्केलिंग
समानता के फैसले के संग्रह और विश्लेषण के लिए एक साइकोफिजिक्स प्रतिमान
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Waraich, S. A., Victor, J. D. A… More

Waraich, S. A., Victor, J. D. A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments. J. Vis. Exp. (181), e63461, doi:10.3791/63461 (2022).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter