Ein psychophysikalisches Paradigma zur Sammlung und Analyse von Ähnlichkeitsurteilen

Dies ist eine effiziente Methode zum Sammeln und Analysieren von Ähnlichkeitsurteilen, und sie geht nichts über die geometrischen Eigenschaften von Probanden aus, die mentalen Repräsentationen zugrunde liegen. Die Hauptvorteile der Methode sind ihre Flexibilität und Minimierung von Annahmen über die Art der Wahrnehmungsdarstellung. Die Arten von Reizen und die Komplexität von Versuchen können variiert werden, und eine breite Palette von geometrischen Modellen kann an die Daten angepasst werden.

Diese Methode könnte für Forscher nützlich sein, die daran interessiert sind, die mentalen Repräsentationen von niedrigen und hohen Aspekten visueller Reize zu charakterisieren. Wählen Sie ein auszuführendes Experiment aus. Navigieren Sie zum Wort Experiment, indem Sie auf Ähnlichkeiten klicken, dann auf Experimente, dann auf word_exp oder zum Bildexperiment, indem Sie auf Ähnlichkeiten, dann auf Experimente und dann auf image_exp klicken.

Finalisieren Sie die experimentellen Reize. Wenn das Wort Experiment ausgeführt wird, bereiten Sie eine Liste von Wörtern vor. Erstellen Sie für das Bildexperiment ein neues Verzeichnis und platzieren Sie alle Stimulusbilder darin.

Suchen Sie im Verzeichnis experiments die Konfigurationsdatei config. yaml, indem Sie auf Ähnlichkeiten, dann auf Experimente und dann auf config.yaml klicken. Öffnen Sie die Datei in einem Quellcode-Editor und aktualisieren Sie den Wert der Dateivariablen auf den Pfad zu dem Verzeichnis, das den Stimulussatz enthält.

Hier wird PsychoPy nach den Bildreizen suchen. Erstellen Sie Testkonfigurationen, indem Sie die Konfiguration öffnen. Yaml-Datei im Analyseverzeichnis und setzen Sie dann den Wert des Parameters path_2_stimulus_list auf den Pfad zu Stimuli.txt.

Führen Sie das Skript im Verzeichnis Ähnlichkeiten aus, indem Sie die im Fenster angezeigten Befehle nacheinander ausführen. Dadurch wird eine Datei mit dem Namen trial_conditions erstellt. CSV in Ähnlichkeiten, in denen jede Zeile die Namen der in einem Versuch erscheinenden Reize zusammen mit ihren Positionen enthält.

Teilen Sie den vollständigen Satz von 222 generierten Studien in Sitzungen auf und randomisieren Sie die Testreihenfolge, indem Sie die im Fenster angezeigten Befehle ausführen. Im typischen Design umfassen die Sitzungen 111 Versuche, von denen jede etwa eine Stunde dauert. Wenn Sie dazu aufgefordert werden, geben Sie die angezeigten Eingabeparameter ein.

Benennen Sie jede der generierten Dateien um und speichern Sie sie als Bedingungen. csv in einem eigenen Verzeichnis. Kopieren Sie die Bedingungen.

CSV-Datei und fügen Sie sie in das aktuelle Verzeichnis ein, das die Psyexp-Datei enthält. Öffnen Sie PsychoPy und öffnen Sie die psyexp- oder py-Datei im entsprechenden Experimentverzeichnis. Klicken Sie in PsychoPy auf die grüne Wiedergabeschaltfläche, um das Experiment auszuführen.

Geben Sie im modalen Popup-Fenster den Antragstellernamen oder die ID und die Sitzungsnummer ein und klicken Sie auf OK, um zu beginnen. Anweisungen werden zu Beginn jeder Sitzung angezeigt. Lassen Sie dem Probanden etwa eine Stunde Zeit, um die Aufgabe zu erledigen, und da die Aufgabe im Selbststudium liegt, ermutigen Sie die Probanden, bei Bedarf Pausen einzulegen.

Nachdem alle Sitzungen abgeschlossen sind, kombinieren Sie die Rohdatendateien und formatieren Sie sie in einer einzigen JSON-Datei zur weiteren Verarbeitung durch Ausführen des Vorprozesses. py im Terminal mit den auf dem Bildschirm sichtbaren Befehlen. Wenn Sie dazu aufgefordert werden, geben Sie die angeforderten Eingabeparameter ein, einschließlich des Pfads zum Verzeichnis der Subjektdaten, der Betreff-IDs für die Vorverarbeitung der Daten und des Versuchsnamens, der zum Benennen der Ausgabedatei verwendet wird, und drücken Sie dann die EINGABETASTE.

Dadurch wird eine JSON-Datei im Ausgabeverzeichnis erstellt, die Antworten für jede Testversion über Wiederholungen hinweg kombiniert. Um die paarweisen Auswahlwahrscheinlichkeiten aus Rangfolgeurteilen zu bestimmen, gehen Sie zu Ähnlichkeiten, dann Analyse und führen Sie describe_data aus. py in der Befehlszeile.

Wenn Sie dazu aufgefordert werden, geben Sie den Pfad zu den Subjektdaten und die Liste der Probanden ein, die die Analyse ausführen sollen. Dadurch werden drei Arten von Plots erstellt. Generieren Sie niedrigdimensionale euklidische Modelle der Wahrnehmungsräume unter Verwendung der Auswahlwahrscheinlichkeiten, indem Sie model_fitting ausführen.

py über die auf dem Bildschirm angezeigte Befehlszeile. Wenn Sie dazu aufgefordert werden, geben Sie die Eingaben für das Verzeichnis für die Subjektdaten / vorverarbeiteten Daten an, die Anzahl der Stimuli, die standardmäßig 37 beträgt, die Anzahl der Iterationen, das Ausgabeverzeichnis und die Menge des Gaußschen Rauschens, die standardmäßig 0,18 beträgt. Visualisieren Sie die Log-Wahrscheinlichkeit der erhaltenen Modelle und bewerten Sie ihre Anpassung, indem Sie Ähnlichkeiten, Analysen model_fitting_figure.py ausführen.

Wenn Sie dazu aufgefordert werden, geben Sie den erforderlichen Pfad zu den CSV-Dateien ein, die Protokollwahrscheinlichkeiten enthalten. Visualisieren Sie die Wahrnehmungsräume für jedes Motiv und generieren Sie Streudiagramme, die die Punkte aus dem 5D-Modell zeigen, die auf die ersten beiden Hauptkomponenten projiziert werden, indem Sie die angezeigten Befehle ausführen. Wenn Sie dazu aufgefordert werden, geben Sie die Eingabeparameter und den Pfad zu der NPY-Datei ein, die die 5D-Punkte enthält.

Nachdem das Skript ausgeführt wurde, beenden Sie die virtuelle Umgebung. In der für das Wortexperiment generierten Datei entspricht die erste Zeile einem Versuch, in dem acht Reize um den Referenz-Reizaffen herum erscheinen. Die Rangurteile wurden in paarweise Entscheidungen zerlegt.

Die Verteilung der Auswahlwahrscheinlichkeiten war über die Probanden hinweg sehr konsistent. Die Datenclusterbildung in der Nähe der Diagonale in jedem Panel zeigt eine große Konsistenz in den Auswahlwahrscheinlichkeiten zwischen den Probanden und für die Urteile, die nicht an den Extremen liegen. Die dominante Diagonale zeigt an, dass die Auswahlwahrscheinlichkeiten in den beiden Kontexten, einschließlich der Zwischenwahlwahrscheinlichkeiten zwischen Null und Eins, für jedes Subjekt nahezu identisch sind.

Die Log-Wahrscheinlichkeiten werden relativ zur Log-Wahrscheinlichkeit des besten Modells angezeigt, d. h. eines Modells, das jedem Vergleich die beobachtete Auswahlwahrscheinlichkeit zuweist, ohne diese Wahrscheinlichkeiten durch eine geometrische Betrachtung einzuschränken. Die Hauptkomponentenanalyse wurde an den Punkten aus dem 5D-Modell des Wahrnehmungsraums durchgeführt, bei denen die als ähnlich wahrgenommenen Tiere durch Punkte nahe beieinander gekennzeichnet wurden. Es ist wichtig, beim Entwerfen eines Experiments über alle Parameter zu entscheiden und sie in den Konfigurationsdateien festzulegen, bevor Sie mit Schritt zwei beginnen.

Es ist auch sehr wichtig, die Daten jedes Subjekts sorgfältig zu verfolgen. Die Methode bietet eine große Anzahl von Ähnlichkeitsurteilen, so dass eine Reihe von Analysen angewendet werden können, z. B. Clusteranalyse, Kontextfokus oder Modellierung mit verschiedenen geometrischen Räumen.