该方案介绍了一种实验心理物理学范式，用于获取大量相似性判断数据，并提供了相应的分析流程。该范式可探究情境效应，并能够将相似性数据建模为至少五维的欧几里得空间。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
相似性判断常用于研究心理表征及其神经相关机制。该方法已被用于刻画多个领域的感知空间：颜色、物体、图像、词语和声音。理想情况下，研究者可能希望比较所有刺激对之间感知相似性的估计值，但这通常不切实际。例如，若要求受试者判断两件物品的相似程度是否高于另外两件物品，所需的比较次数将随刺激集大小的四次方增长。另一种策略是要求受试者对孤立的刺激对进行相似性评分，例如使用李克特量表。这种方法效率更高（评分数量随刺激集大小呈二次方增长而非四次方），但这类评分往往不稳定且分辨率有限，同时该方法还假设不存在情境效应。
本文提出了一种用于高效收集相似性判断数据的新型排序范式，并提供了一套分析流程（附带软件），用于检验欧几里得距离模型是否能够解释实验数据。典型的试验包含围绕一个中心参考刺激的八个刺激：受试者需将这些刺激按照其与参考刺激的相似性进行排序。通过在每次试验中精心选择刺激组合，该方法具备针对一致性和情境效应的内部控制机制。该方法已针对来自最高五维欧几里得空间的刺激进行了验证。
该方法通过一项测量37个词语之间相似性的实验加以说明。每次试验产生28组成对比较结果，形式为“与参照物相比，A是否比B更相似？”若直接比较所有刺激对的组合，将需要221445次试验；而本设计仅需222次试验获得的5994组成对比较结果，即可重构出感知空间。
引言
人类通过心理加工和表征传入的感觉信息，以完成各种各样的任务，例如物体识别、导航、对环境进行推断等。相似性判断常被用于探究这些心理表征1。理解心理表征的结构有助于揭示概念知识的组织方式2。此外，通过将相似性判断与大脑激活模式关联，还可以深入了解神经计算过程3。同时，相似性判断能够揭示感知过程中显著的特征4。研究心理表征在发育过程中的变化，有助于阐明其学习机制5。因此，相似性判断为理解大脑中的信息处理提供了重要线索。
常见的 使用相似性构建心理表征的模型是一种几何空间模型6,7,8应用于感觉领域时，这类模型通常被称为感知空间9空间中的点代表刺激，点之间的距离对应于它们之间的感知差异程度。通过相似性判断，可以获得差异程度的定量估计值。这些成对的差异值（或感知距离）随后可用于构建感知空间模型 通过 多维尺度变换10.
收集相似性判断的方法有多种，每种方法都有其优缺点。获取相异性定量度量最直接的方式是要求受试者使用量表对每对刺激之间的相异程度进行评分。虽然这种方法相对快捷，但在长时间的实验过程中，由于受试者无法回溯修改先前的判断，且无法检测是否存在情境效应，导致估计结果往往不稳定。（此处将情境效应定义为：当其他未被直接比较的刺激存在时，两个刺激之间被判断的相似性发生改变。）另一种方法是要求受试者将所有刺激对与其他所有刺激对进行比较。尽管这种方法可以获得更可靠的相异性排序，但所需比较次数随刺激数量的四次方增长，因此仅适用于较小的刺激集合。诸如将刺激归入预设数量类别11 或自由分类等更快速的替代方法也有其局限性。自由分类（可分成任意数量的组）虽然直观，但它迫使受试者对刺激进行归类，即使这些刺激本身并不适合归类。较新出现的多排列方法（即逆向多维标度法）克服了其中许多限制，且效率很高12。然而，该方法要求受试者将其心理表征投射到二维欧几里得平面上，并以特定的几何方式考虑相似性，这隐含假设了相似性结构可以从平面上的欧几里得距离中恢复。因此，仍需要一种高效的方法来收集大量相似性判断数据，同时不依赖于对判断背后几何结构的假设。
本文描述了一种既具有合理效率又能避免上述潜在问题的方法。通过在每次试验中要求受试者将刺激按其与一个中心参照物的相似性进行排序13，可以直接探测相对相似性，而无需对受试者反应的几何结构做出任何假设。该实验范式重复进行一部分比较，其中既包含相同背景也包含不同背景的条件，从而能够直接评估背景效应，并以选择概率的形式获取分级反应数据。分析过程将这些排序判断分解为多个成对比较，并利用这些比较构建和搜索能够解释判断结果的感知空间的欧几里得模型。该方法适用于详细描述中等规模刺激集（例如19至49个刺激）的表征。
为了验证该方法的可行性，开展了一项实验，采用37种动物作为刺激材料。数据在10个每小时一次的实验阶段中收集，并对每位受试者的数据进行独立分析。分析结果表明，不同受试者之间具有一致性，且情境效应可忽略不计。此外，该研究还利用刺激物感知空间的欧几里得模型，评估了受试者对刺激物间差异感知的一致性。本文所提出的实验范式与分析流程具有良好的灵活性，预期可为致力于刻画多种感知空间几何特性的研究人员提供帮助。
访问受限。请登录或开始试用以查看此内容。
方案
实验开始前，所有受试者均根据机构指南和《赫尔辛基宣言》签署知情同意书。本研究的方案已获得威尔康奈尔医学院机构审查委员会的批准。
1. 安装与设置
- 从 GitHub 仓库 similarities（https://github.com/jvlab/similarities）下载代码。在命令行中运行：git clone https://github.com/jvlab/similarities.git。如果未安装 git，可从该仓库下载压缩文件夹形式的代码。
注意：仓库中包含两个子目录：experiments（包含两个示例实验）和 analysis（包含一组用于分析收集到的相似性数据的 Python 脚本）。在 experiments 目录中，一个实验（word_exp）使用词语刺激材料，另一个实验（image_exp）显示图像刺激材料。具备一定的 Python 基础将有所帮助，但非必需。假定用户熟悉命令行操作：多个步骤需要从命令行运行脚本。 - 安装以下工具并设置虚拟环境。
- python 3：请参见链接中的说明：https://realpython.com/installing-python/。本项目需要 Python 3.8 版本。
- PsychoPy：通过链接（https://www.psychopy.org/download.html），点击安装部分下的蓝色按钮，为相应操作系统下载最新独立版本的 PsychoPy。本项目使用 PsychoPy 2021.2 版本；所提供的示例实验必须使用下文指定的正确版本 PsychoPy 运行。
- conda：通过链接（https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation），为相应操作系统下载 conda（可通过 Miniconda 或 Anaconda 安装）。
- 在命令行中运行以下命令，以创建包含所需 Python 包的虚拟环境：
cd ~/similarities
conda env create -f environment.yaml - 检查虚拟环境是否已创建，并按如下方式激活：
conda env list # 应列出 venv_sim_3.8
conda activate venv_sim_3.8 # 进入虚拟环境
conda deactivate # 运行脚本后退出虚拟环境
注意：在环境中运行脚本有时可能较慢。运行脚本时，请允许最多一分钟时间，以便在命令行中看到打印输出。
- 为确保下载的代码按预期工作，请按照以下步骤运行提供的示例实验。
注意：实验目录（similarities/experiments）包含两个示例实验（word_exp 和 image_exp），分别使用两种类型的刺激材料：词语和图像。- 打开 PsychoPy。转到视图，然后单击编码器，因为 PsychoPy 默认的构建器无法打开 .py 文件。转到文件，然后单击打开，并打开word_exp.py（similarities/experiments/word_exp/word_exp.py）。
- 要加载实验，请单击绿色的运行实验按钮。输入姓名缩写或姓名以及会话编号，然后单击确定。
- 按照说明运行几个试验，检查点击后刺激词是否变灰。准备退出时按Esc键。
注意：PsychoPy 将以全屏模式打开，首先显示说明，然后进行若干试验，此时用占位文本代替实际刺激词。点击后词语将变灰。当所有词语均被点击后，下一试验开始。任何时候均可通过按下Esc键终止 PsychoPy。如果程序在步骤 1.3.2 或 1.3.3 中终止，可能是用户的操作系统需要访问键盘和鼠标权限。如果是这样，PsychoPy Runner 窗口中将打印一条描述性错误信息，指导用户操作。 - 接下来，检查图像实验能否使用占位图像正常运行。打开 PsychoPy，转到文件，单击打开，选择image_exp.psyexp（similarities/experiments/image_exp/image_exp.psyexp）。
- 为确保使用正确版本，请单击齿轮图标。在使用 PsychoPy 版本选项中，从下拉菜单中选择2021.2。
- 与之前相同，单击绿色的运行实验按钮。输入姓名缩写或姓名以及会话编号，然后单击确定。
注意：与步骤 1.3.2 类似，PsychoPy 将首先显示说明，然后在图像加载完成后呈现试验。每个试验包含围绕中心图像的八个占位图像。点击图像后其将变灰。可通过按Esc键退出程序。 - 导航至每个实验目录中的数据目录，查看输出：
similarities/experiments/image_exp/data
similarities/experiments/word_exp/data
注意：实验数据将写入 data 目录。responses.csv 文件包含逐试验的点击响应。日志文件包含所有按键和鼠标点击记录。若 PsychoPy 意外退出，该文件可用于故障排查。
- 可选步骤：为验证分析脚本是否按预期工作，请按以下方式重现“代表性结果”部分中的部分图表。
- 创建一个用于存放预处理数据的目录：
cd ~/similarities
mkdir sample-materials/subject-data/preprocessed - 将所有 responses.csv 文件中的原始数据合并为一个 json 文件。在命令行中运行以下命令：
cd similarities
conda activate venv_sim_3.8
python -m analysis.preprocess.py - 当提示输入参数时，依次输入以下值：1）被试数据路径：./sample-materials/subject-data，2）实验名称：sample_word，3）被试 ID：S7。生成的 json 文件将位于 similarities/sample-materials/subject-data/preprocessed 目录中。
- 数据预处理完成后，请按照项目 README 文件中“重现图表”部分的步骤操作。这些分析脚本将在后续用于分析用户自己实验所收集的数据。
- 创建一个用于存放预处理数据的目录：
2. 通过建立自定义实验进行数据采集
注意：步骤3.1之前的操作流程同时适用于图像实验和词语实验。在此步骤之后，两个实验的流程相同，因此不再单独说明图像实验。
- 选择要运行的实验。导航至词语实验（similarities/experiments/word_exp）或图像实验（similarities/experiments/image_exp）。
- 确定刺激材料的数量。默认的刺激集大小为37。如需更改，请在源代码编辑器中打开配置文件（similarities/analysis/config.yaml）。在分析配置文件的 num_stimuli 参数中，根据实验设计要求将刺激集大小设置为整数 k 和 m 对应的 mk + 1。
注意：在标准设计中，k ≥ 3 且 m = 6。因此，num_stimuli 的有效取值包括 19、25、31、37、43 和 49（参见 表1 中实验设计的可能扩展）。 - 确定最终的实验刺激材料。如果运行的是词语实验，请准备一个词语列表。如果运行的是图像实验，请新建一个目录，并将所有刺激图像放入该目录中。支持的图像类型为 png 和 jpeg。文件名中不得使用句点作为分隔符（例如，image.1.png 无效，而 image1.png 或 image_1.png 有效）。
- 如果运行词语实验，请按以下步骤准备刺激材料。
- 在 experiments/word_exp 目录下创建一个名为 stimuli.txt 的新文件。该文件将在步骤 3.3 中被读取。
- 在文件中，每行写入一个刺激集中的词语，词语应以其在显示中呈现的形式书写。避免在词语前后添加额外的空行或空格。可参考示例材料 (similarities/sample-materials/word-exp-materials/sample_word_stimuli.txt）。
- 如果运行图像实验，请按以下方式设置刺激集路径。
- 在 experiments 目录中，找到名为 config.yaml 的配置文件 (similarities/experiments/config.yaml)。
- 使用源代码编辑器打开该文件，并将 files 变量的值更新为包含刺激集的目录路径（见步骤 2.3）。PsychoPy 将在此目录中查找图像刺激材料。
3. 创建排序实验
- 使用 stimuli.txt 文件。如果正在运行单词实验，则可使用步骤 2.4 中创建的文件；否则，请使用文件名列表（可参考 similarities/sample-materials/image-exp-materials/sample_image_stimuli.txt）。将此文件放置到相应的实验目录中（word_exp 或 image_exp）。
- 避免在文件名中出现多余的空行或空格。刺激材料的命名应采用 camelCase 或 snake_case 格式。
- 接下来，创建试次配置。在 analysis 目录中打开 config.yaml 文件，并将 path_to_stimulus_list 参数的值设置为指向 stimuli.txt 文件的路径（即步骤 3.1 中创建的文件）。
- 从 similarities 目录下依次执行以下命令来运行脚本：
cd ~/similarities
conda activate venv_sim_3.8
python -m analysis.trial_configuration
conda deactivate # 退出虚拟环境 - 该操作将在 similarities 目录下生成一个名为 trial_conditions.csv 的文件，其中每一行包含一个试次中呈现的刺激材料名称及其在显示中的位置。示例文件 trial_conditions.csv 已提供（similarities/sample-materials）。有关分析脚本输入参数的详细信息，请参阅项目 README 中的 Usage 部分。
- 从 similarities 目录下依次执行以下命令来运行脚本：
图1：实验试次的代表性示例（步骤3.3）。（A）每一行包含单次试次的详细信息。表头表示刺激在圆周上的位置。ref下的刺激出现在中心，stim 1至stim 8则围绕参考刺激排列。（B）A中的第一个试次（行）由PsychoPy渲染，显示围绕参考刺激“猴子”的八个刺激。请点击此处查看该图的放大版本。
注意：此时，一个完整的实验运行（即一个完整数据集）所需的全部 222 次试验已经生成。图 1A 展示了上述脚本为“word”实验生成的条件文件的一部分（见代表性结果）。
- 接下来，将这 222 次试验划分为若干个实验环节，并随机化试验顺序。在典型设计中，每个实验环节包含 111 次试验，每次实验环节大约需要 1 小时完成。
- 为此，请在命令行中运行以下命令：
conda activate venv_sim_3.8
cd ~/similarities
python -m analysis.randomize_session_trials - 当系统提示时，输入以下参数：步骤 3.3.2 中生成的 trial_conditions.csv 文件路径；输出目录；每个环节的试验次数：111；重复次数：5。
注意：重复次数也可调整，但这会影响第 4 步中进行的实验环节总数（参见讨论部分：实验范式）。如果更改重复次数的默认值，请务必同时修改配置文件（similarities/analysis/config.yaml）中 num_repeats 参数的值。如有需要，可查阅项目 README 文件中“创建试验”（Create Trials）部分的逐步说明，了解如何手动完成上述操作。
- 为此，请在命令行中运行以下命令：
- 将生成的每个文件重命名并保存为 conditions.csv，并分别存放在独立的目录中。推荐的目录结构请参见：similarities/sample-materials/subject-data 以及项目 README 文件。
注意：如步骤 4 所述，在标准设计中，每个实验需重复五次，共进行 10 个时长为 1 小时的实验环节，每天进行一个环节。为避免受试者疲劳，应要求受试者每天仅参加一个实验环节。不同刺激集规模所需的试验次数和实验环节数量请见 表 1。
4. 运行实验并收集相似性数据
- 向受试者解释任务并给出指导说明。在每次试验中，受试者将看到一个位于中央的参考刺激，周围环绕着八个刺激，要求他们按照与中央参考刺激的相似程度顺序点击周围的刺激，即首先点击最相似的，最后点击最不相似的。
- 要求受试者尽量采用一致的策略。告知他们将在10个实验环节中多次看到相同的刺激排列。如果本研究旨在探测语义信息的表征，请确保受试者在开始前已熟悉这些刺激。
- 导航至相关实验目录（参见步骤2.1）。如果是首次运行该实验，请创建一个名为 subject-data 的目录以存储受试者的响应数据，并在其下创建两个子目录：raw 和 preprocessed。为每位受试者在 subject-data/raw 目录下创建一个独立的子目录。
- 将步骤3中为特定实验环节准备的 conditions.csv 文件复制并粘贴到当前目录，即包含 psyexp 文件的目录中。如果该目录中已存在名为 conditions.csv 的文件，请确保将其替换为当前实验环节对应的文件。
- 打开 PsychoPy，然后在相应实验目录中打开 psyexp 或 py 文件。在 PsychoPy 中，点击绿色的 Play 按钮以运行实验。在弹出的对话框中输入受试者姓名或编号以及实验环节编号，然后点击 OK 开始。每个实验环节开始时会显示操作说明。
- 允许受试者约1小时完成任务。由于任务为自定节奏进行，鼓励受试者根据需要休息。当受试者完成该环节后，PsychoPy 将自动终止，并在 similarities/experiments/
_exp/data 目录下生成数据文件。
- 将这些文件转移至 subject-data/raw/ 目录（在步骤4.3中创建）。有关推荐的目录结构，请参见 README 文件。
注意：如前所述，日志文件用于故障排查。PsychoPy 意外关闭的最常见原因是受试者在实验过程中误按了 Escape 键。若发生此情况，截至最后一个完成试验的所有响应仍会被写入 responses.csv 文件中。 - 如果 PsychoPy 意外关闭，请重新打开并创建一个新的 conditions.csv 文件，仅包含尚未尝试的试验条目。用此文件替换当前实验环节的原有 conditions 文件，然后重新运行实验。请确保将生成的文件保存在正确位置。实验结束后，可手动将两个响应文件合并为一个，但此操作并非必需。
- 对于其余每个实验环节，重复执行步骤4.4至4.8。
- 所有实验环节完成后，合并原始数据文件，并将其重新格式化为单个 json 文件以供后续处理。为此，请在终端中运行 preprocess.py 脚本（similarities/analysis/preprocess.py），具体命令如下：
cd ~/similarities
conda activate venv_sim_3.8
python -m analysis.preprocess - 当系统提示时，输入所需参数：subject-data 目录的路径、需要预处理数据的受试者编号，以及实验名称（用于命名输出文件），然后按 Enter 键。
- 退出虚拟环境：
conda deactivate
注意：此操作将在输出目录中生成一个 json 文件，整合每个试验在多次重复中的响应数据。相似性数据从 subject-data/raw 中读取，并写入 subject-data/preprocessed 目录。
5. 分析相似性判断
注意：要求受试者按照与参考刺激的相似性顺序点击刺激，从而在每次试验中提供一个排序。对于标准实验，每项试验重复五次，生成相同的八个刺激的五次排序结果（见图2B）。这些排序判断被解释为一系列比较过程，即受试者对感知距离的成对比较。假设受试者在每次点击前都会提出如下问题：“参考刺激与刺激A之间的（感知）距离是否小于参考刺激与刺激B之间的距离？”如图2C所示，这将为每次试验产生多个成对相似性比较的选择概率。下文的分析将使用这些选择概率。
图 2：从排序判断中获取选择概率。（A）我们开展的词汇实验中一个试次的示意图。（B）同一试次在多个实验阶段中获得的五种排序结果。（C）排序判断所对应的成对差异性比较的选择概率。请点击此处查看该图的放大版本。
- 从排序判断中确定成对选择概率。
- 在相似性/分析中运行 describe_data.py 在命令行中。
cd ~/similarities
conda activate venv_sim_3.8
python -m analysis.describe_data - 当系统提示时，输入 subject-data/preprocessed 的路径，以及要进行分析的被试者列表。
注意：这将生成三类图：i) 特定受试者完整数据集中选择概率的分布图，ii) 用于评估成对受试者之间选择概率一致性的热图，以及 iii) 针对在两种不同情境中出现的所有比较的选择概率热图，以评估情境效应。具体操作上，这意味着比较成对试验中的选择概率，这些试验包含相同的参考刺激和环中相同的刺激对，但环中所有其他刺激不同：热图显示选择概率如何依赖于该情境。
- 在相似性/分析中运行 describe_data.py 在命令行中。
- 使用选择概率生成感知空间的低维欧几里得模型。运行 model_fitting.py 在命令行中如下所示：
cd ~/similarities
conda activate venv_sim_3.8
python -m analysis.model_fitting- 当系统提示时，提供以下输入参数：被试数据/预处理后数据所在目录的路径；刺激数量（默认为37个）；迭代次数（建模分析应运行的次数）；输出目录；以及高斯噪声的强度（默认为0.18）。
注意：此脚本运行需要数小时。运行完成后，将生成包含描述相似性数据的一维、二维、三维、四维和五维模型最佳拟合坐标的 npy 文件，并保存至输出目录。同时将生成一个包含各模型对数似然值的 csv 文件。
- 当系统提示时，提供以下输入参数：被试数据/预处理后数据所在目录的路径；刺激数量（默认为37个）；迭代次数（建模分析应运行的次数）；输出目录；以及高斯噪声的强度（默认为0.18）。
- 可视化所获得模型的对数似然值并评估其拟合优度。为此，请运行 相似性/分析/模型拟合图.py 在命令行中：
cd ~/similarities
python -m analysis.model_fitting_figure- 当系统提示时，输入所需参数：包含对数似然值的 CSV 文件路径（来自步骤 5.2）。
- 分析生成的图表，其中 y 轴显示对数似然值，x 轴显示模型维度。作为合理性检验，除欧几里得模型外，还包含了两个模型：随机选择模型和最佳可能模型。
注意：随机选择模型假设受试者是随机点击的，因此它为任何优于随机的模型提供了对数似然值的绝对下限。类似地，作为对数似然值的上限（标记为“最佳”），存在一个模型，该模型使用经验选择概率作为其模型概率时所对应的对数似然值。 - 验证没有欧几里得模型优于最佳模型，因为该最佳模型在设计上已过拟合，且不受几何约束。检查所绘制的似然值是否相对于最佳对数似然值。
- 可视化每位受试者的感知空间。生成散点图，展示5D模型中的数据点在前两个主成分上的投影。为此，请运行 相似性/分析/感知空间可视化.py 在命令行中：
cd ~/similarities
python -m analysis.perceptual_space_visualizations- 当系统提示时，输入参数：受试者 ID（以空格分隔）以及包含从步骤 5.2 获得的 5D 点的 npy 文件路径。
- 脚本执行完毕后，退出虚拟环境：
conda deactivate
注意：该脚本用于可视化相似性判断结果。它将通过主成分分析，把5维数据点投影到前两个主成分上（已归一化为具有相等方差），生成二维散点图。若受试者认为两个项目相似性较低，则对应点之间的距离将更远。 反之亦然.
访问受限。请登录或开始试用以查看此内容。
结果
图1A展示了在步骤3.3中由脚本生成的条件文件的一部分，用于词汇实验。每一行对应一个试验。ref列中的刺激呈现在显示器中央。列名stim1至stim8对应圆周上的八个位置，从中央参考位置右侧开始逆时针排列。词汇实验中的一个示例试验如图1B所示。
为了验证该方法的可行性与可重复性，开展了一项实验，其中刺激集包含37种动物的名称。作为一项研究的一部分，从八名视力正常的健康受试者中收集了完整的数据集。为展示该方法，本文展示了其中三名受试者的数据，这三名受试者中有两名对研究目的不知情。所有受试者均按照《赫尔辛基宣言》以及威尔康奈尔医学院的机构指南签署了知情同意书。
数据采集后，执行上述初始处理步骤（方案步骤 4.10–4.12）。将被试在每次试验中的反应解释为一系列独立的二元选择，形式为“参考刺激与 s1 之间的距离是否小于参考刺激与 s2<...
访问受限。请登录或开始试用以查看此内容。
讨论
本方案适用于获取和分析可视觉呈现的刺激材料的相似性判断。首先讨论实验范式、分析方法及可能的扩展，随后探讨该方法的优缺点。
实验范式：本方法以包含37个动物名称的领域为例进行演示，并提供了一组感知判断的示例数据集，以便读者能够按照步骤5进行分析，并重现图3–6 中的部分内容（方案步骤1.4）。实验设计将这37个刺激分为222次试验——每次试验包含一个位于中心的参考刺激和八个环绕排列的比较刺激——并满足以下若干条件：a）37个刺激中的每一个均作为参考刺激出现相同次数（六次）（222 = 37×6）；b）在某一刺激作为参考刺激的六次试验中，其余36个刺激均至少有一次作为比较刺激出现；c）24个刺激与某一给定参考刺激仅进行一次比较；d）有六对刺激分别在两个独立的试验中与同一参考刺激进行比较。该范式的一个关键特征是：对于每个参考刺激，有六对比较刺激在不同情境下出现，这使得我们能够在步骤5中检验情境效应（见图...
访问受限。请登录或开始试用以查看此内容。
披露
作者无任何利益冲突需要披露。
致谢
本工作由美国国立卫生研究院（NIH）资助，项目编号 EY07977。作者还感谢 Usman Ayyaz 在软件测试方面的协助，以及 Muhammad Naeem Ayyaz 对手稿提出的修改意见。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 计算机工作站 | N/A | N/A | 操作系统：Windows / MacOS 10 或更高版本 / Linux；3.1 GHz 双核 Intel Core i5 或同级别处理器；8GB 或以上内存；具备文件读写与执行权限的用户权限 |
| conda | 版本 4.11 | 操作系统：Windows / MacOS 10 或更高版本 / Linux | |
| Microsoft Excel | Microsoft | 任意版本 | 用于打开并随机排列实验条件文件中的行和列。 |
| PsychoPy | N/A | 版本 2021.2 | 用于运行心理物理学研究的框架 |
| Python 3 | Python 软件基金会 | Python 版本 3.8 | Python3 及其相关内置库 |
| 必需的 Python 库 | N/A | numpy 版本：1.17.2 或更高；matplotlib 版本 3.4.3 或更高；scipy 版本 1.3.1 或更高；pandas 版本 0.25.3 或更高；seaborn 版本 0.9.0 或更高；scikit_learn 版本 0.23.1 或更高；yaml 版本 6.0 或更高 | numpy、scipy 和 scikit_learn 是包含优化和向量运算内置函数的计算模块。matplotlib 和 seaborn 是绘图库。pandas 用于读取和编辑 csv 文件中的数据。 |
参考文献
- Edelman, S. Representation is representation of similarities. TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).
- 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. Maximum likelihood difference scaling. Journal of Vision. 3 (8), 573-585 (2003).
- 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. Hyperbolic geometry of the olfactory space. Science Advances. 4 (8), (2018).
- 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).
访问受限。请登录或开始试用以查看此内容。
重印与许可
标签
