Name: Un paradigma psicofísico para la recopilación y el análisis de juicios de similitud (Video) | JoVE Journal
Uploaded: 2022-03-01T13:45:00.000+00:00
Duration: 8 min 12 s
Description: Descubre un paradigma psicofísico flexible para recopilar y analizar juicios de similitud usando PsychoPy y modelos geométricos multidimensionales. Este método permite investigar efectos de contexto y representaciones perceptuales sin asumir propiedades geométricas predefinidas.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

El trabajo es apoyado por fondos de los Institutos Nacionales de Salud (NIH), subvención EY07977. Los autores también desean agradecer a Usman Ayyaz por su ayuda en la prueba del software, y a Muhammad Naeem Ayyaz por sus comentarios sobre el manuscrito.

<ol><li>Edelman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Representation+is+representation+of+similarities%5BTitle%5D)+AND+%22TheBehavioral+and+Brain+Sciences%22%5BJournal%5D)">Representation is representation of similarities.</a> TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).</li>
<li>Hahn, U., Chater, N. Concepts and similarity. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHahn%2C+U+%22Knowledge%2C+Concepts+and+Categories%22">Knowledge, Concepts and Categories</a>. , The MIT Press. 43-84 (1997).</li>
<li>Kriegeskorte, N., Kievit, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Representational+geometry%3A+integrating+cognition%2C+computation%2C+and+the+brain%5BTitle%5D)+AND+%22Trends+in+Cognitive+Sciences%22%5BJournal%5D)">Representational geometry: integrating cognition, computation, and the brain.</a> Trends in Cognitive Sciences. 17 (8), 401-412 (2013).</li>
<li>Hebart, M. N., Zheng, C. Y., Pereira, F., Baker, C. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Revealing+the+multidimensional+mental+representations+of+natural+objects+underlying+human+similarity+judgements%5BTitle%5D)+AND+%22Nature+Human+Behaviour%22%5BJournal%5D)">Revealing the multidimensional mental representations of natural objects underlying human similarity judgements.</a> Nature Human Behaviour. 4 (11), 1173-1185 (2020).</li>
<li>Deng, W. S., Sloutsky, V. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+development+of+categorization%3A+Effects+of+classification+and+inference+training+on+category+representation%5BTitle%5D)+AND+%22Developmental+Psychology%22%5BJournal%5D)">The development of categorization: Effects of classification and inference training on category representation.</a> Developmental Psychology. 51 (3), 392-405 (2015).</li>
<li>Shepard, R. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stimulus+and+response+generalization%3A+tests+of+a+model+relating+generalization+to+distance+in+psychological+space%5BTitle%5D)+AND+%22Journal+of+Experimental+Psychology%22%5BJournal%5D)">Stimulus and response generalization: tests of a model relating generalization to distance in psychological space.</a> Journal of Experimental Psychology. 55 (6), 509-523 (1958).</li>
<li>Coombs, C. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+method+for+the+study+of+interstimulus+similarity%5BTitle%5D)+AND+%22Psychometrika%22%5BJournal%5D)">A method for the study of interstimulus similarity.</a> Psychometrika. 19 (3), 183-194 (1954).</li>
<li>Gärdenfors, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGa%CC%88rdenfors%2C+P+%22Conceptual+Spaces%3A+The+Geometry+of+Thought%22">Conceptual Spaces: The Geometry of Thought</a>. , The MIT Press. (2000).</li>
<li>Zaidi, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Perceptual+spaces%3A+mathematical+structures+to+neural+mechanisms%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience+The+Official+Journal+of+the+Society+for+Neuroscience%22%5BJournal%5D)">Perceptual spaces: mathematical structures to neural mechanisms.</a> The Journal of Neuroscience The Official Journal of the Society for Neuroscience. 33 (45), 17597-17602 (2013).</li>
<li>Krishnaiah, P. R., Kanal, L. N. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKrishnaiah%2C+PR+%22Handbook+of+Statistics+2%22">Handbook of Statistics 2</a>. , Elsevier. (1982).</li>
<li>Tsogo, L., Masson, M. H., Bardot, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multidimensional+Scaling+Methods+for+Many-Object+Sets%3A+A+Review%5BTitle%5D)+AND+%22Multivariate+Behavioral+Research%22%5BJournal%5D)">Multidimensional Scaling Methods for Many-Object Sets: A Review.</a> Multivariate Behavioral Research. 35 (3), 307-319 (2000).</li>
<li>Kriegeskorte, N., Mur, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inverse+MDS%3A+Inferring+dissimilarity+structure+from+multiple+item+arrangements%5BTitle%5D)+AND+%22Frontiers+in+Psychology%22%5BJournal%5D)">Inverse MDS: Inferring dissimilarity structure from multiple item arrangements.</a> Frontiers in Psychology. 3, 245(2012).</li>
<li>Rao, V. R., Katz, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Alternative+Multidimensional+Scaling+Methods+for+Large+Stimulus+Sets%5BTitle%5D)+AND+%22Journal+of+Marketing+Research%22%5BJournal%5D)">Alternative Multidimensional Scaling Methods for Large Stimulus Sets.</a> Journal of Marketing Research. 8 (4), 488-494 (1971).</li>
<li>Hoffman, J. I. E. Hypergeometric Distribution. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHoffman%2C+JIE+%22Biostatistics+for+Medical+and+Biomedical+Practitioners%22">Biostatistics for Medical and Biomedical Practitioners</a>. , Academic Press. 179-182 (2015).</li>
<li>Victor, J. D., Rizvi, S. M., Conte, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Two+representations+of+a+high-dimensional+perceptual+space%5BTitle%5D)+AND+%22Vision+Research%22%5BJournal%5D)">Two representations of a high-dimensional perceptual space.</a> Vision Research. 137, 1-23 (2017).</li>
<li>Knoblauch, K., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimating+classification+images+with+generalized+linear+and+additive+models%5BTitle%5D)+AND+%22Journal+of+Vision%22%5BJournal%5D)">Estimating classification images with generalized linear and additive models.</a> Journal of Vision. 8 (16), 1-19 (2008).</li>
<li>Maloney, L. T., Yang, J. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Maximum+likelihood+difference+scaling%5BTitle%5D)+AND+%22Journal+of+Vision%22%5BJournal%5D)">Maximum likelihood difference scaling.</a> Journal of Vision. 3 (8), 573-585 (2003).</li>
<li>Logvinenko, A. D., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+proximity+structure+of+achromatic+surface+colors+and+the+impossibility+of+asymmetric+lightness+matching%5BTitle%5D)+AND+%22Perception+%26+Psychophysics%22%5BJournal%5D)">The proximity structure of achromatic surface colors and the impossibility of asymmetric lightness matching.</a> Perception & Psychophysics. 68 (1), 76-83 (2006).</li>
<li>Zhou, Y., Smith, B. H., Sharpee, T. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hyperbolic+geometry+of+the+olfactory+space%5BTitle%5D)+AND+%22Science+Advances%22%5BJournal%5D)">Hyperbolic geometry of the olfactory space.</a> Science Advances. 4 (8), (2018).</li>
<li>Goldstone, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+efficient+method+for+obtaining+similarity+data%5BTitle%5D)+AND+%22Behavior+Research+Methods%2C+Instruments%2C+%26+Computers%22%5BJournal%5D)">An efficient method for obtaining similarity data.</a> Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).</li>
<li>Townsend, J. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Theoretical+analysis+of+an+alphabetic+confusion+matrix%5BTitle%5D)+AND+%22Perception+%26+Psychophysics%22%5BJournal%5D)">Theoretical analysis of an alphabetic confusion matrix.</a> Perception & Psychophysics. 9, 40-50 (1971).</li>
</ol>

Los autores no tienen nada que revelar.

El protocolo aquí esbozado es efectivo para obtener y analizar juicios de similitud para estímulos que pueden ser presentados visualmente. El paradigma experimental, el análisis y las posibles extensiones se discuten primero, y luego las ventajas y desventajas del método.
Paradigma experimental: El método propuesto se demuestra utilizando un dominio de 37 nombres de animales, y se proporciona un conjunto de datos de muestra de juicios perceptivos para que uno pueda seguir el a...

Los seres humanos procesan mentalmente y representan la información sensorial entrante para realizar una amplia gama de tareas, como el reconocimiento de objetos, la navegación, la inferencia sobre el medio ambiente y muchas otras. Los juicios de similitud se usan comúnmente para sondear estas representaciones mentales1. Comprender la estructura de las representaciones mentales puede proporcionar una visión de la organización del conocimiento conceptual2. También es posible obtener información sobre los cálculos neuronales, relacionando los juicios de similitud con los patrones de activación cerebral3. Además, los juicios de similitud revelan características que son sobresalientes en la percepción4. Estudiar cómo cambian las representaciones mentales durante el desarrollo puede arrojar luz sobre cómo se aprenden5. Por lo tanto, los juicios de similitud proporcionan una valiosa visión del procesamiento de la información en el cerebro.
Un modelo común de representaciones mentales que utilizan similitudes es un modelo de espacio geométrico6,7,8. Aplicado a los dominios sensoriales, este tipo de modelo a menudo se conoce como un espacio perceptivo9. Los puntos en el espacio representan estímulos y las distancias entre puntos corresponden a la disimilitud percibida entre ellos. A partir de juicios de similitud, se pueden obtener estimaciones cuantitativas de disimilitudes. Estas disimilitudes por pares (o distancias perceptivas) se pueden utilizar para modelar el espacio perceptivo a través de escalas multidimensionales10.
Hay muchos métodos para recopilar juicios de similitud, cada uno con sus ventajas y desventajas. La forma más sencilla de obtener medidas cuantitativas de disimilitud es pedir a los sujetos que califiquen en una escala el grado de disimilitud entre cada par de estímulos. Si bien esto es relativamente rápido, las estimaciones tienden a ser inestables a lo largo de las sesiones largas, ya que los sujetos no pueden volver a los juicios anteriores, y los efectos del contexto, si están presentes, no se pueden detectar. (Aquí, un efecto de contexto se define como un cambio en la similitud juzgada entre dos estímulos, basado en la presencia de otros estímulos que no se están comparando). Alternativamente, se puede pedir a los sujetos que comparen todos los pares de estímulos con todos los demás pares de estímulos. Si bien esto produciría un orden de clasificación más confiable de disimilitudes, el número de comparaciones requeridas escala con la cuarta potencia del número de estímulos, lo que lo hace factible solo para conjuntos de estímulos pequeños. Las alternativas más rápidas, como la clasificación en un número predefinido de clústeres11 o la clasificación libre, tienen sus propias limitaciones. La clasificación libre (en cualquier número de pilas) es intuitiva, pero obliga al sujeto a categorizar los estímulos, incluso si los estímulos no se prestan fácilmente a la categorización. El método multidislamento más reciente, el MDS inverso, elude muchas de estas limitaciones y es muy eficiente12. Sin embargo, este método requiere que los sujetos proyecten sus representaciones mentales en un plano euclidiano 2D y consideren las similitudes de una manera geométrica específica, asumiendo que la estructura de similitud se puede recuperar de las distancias euclidianas en un plano. Por lo tanto, sigue siendo necesario un método eficiente para recopilar grandes cantidades de juicios de similitud, sin hacer suposiciones sobre la geometría subyacente a los juicios.
Aquí se describe un método que es razonablemente eficiente y también evita los posibles escollos anteriores. Al pedir a los sujetos que clasifiquen los estímulos en orden de similitud con una referencia central en cada ensayo13, la similitud relativa puede ser sondeada directamente, sin asumir nada sobre la estructura geométrica de las respuestas de los sujetos. El paradigma repite un subconjunto de comparaciones con contextos idénticos y diferentes, lo que permite la evaluación directa de los efectos del contexto, así como la adquisición de respuestas graduadas en términos de probabilidades de elección. El procedimiento de análisis descompone estos juicios de rango en múltiples comparaciones por pares y los utiliza para construir y buscar modelos euclidianos de espacios perceptivos que expliquen los juicios. El método es adecuado para describir en detalle la representación de conjuntos de estímulos de tamaños moderados (por ejemplo, 19 a 49).
Para demostrar la viabilidad del enfoque, se realizó un experimento, utilizando un conjunto de 37 animales como estímulos. Los datos se recopilaron en el transcurso de 10 sesiones de una hora y luego se analizaron por separado para cada tema. El análisis reveló consistencia entre los sujetos y efectos de contexto insignificantes. También evaluó la consistencia de las diferencias percibidas entre los estímulos con modelos euclidianos de sus espacios perceptivos. El paradigma y los procedimientos de análisis descritos en este documento son flexibles y se espera que sean de utilidad para los investigadores interesados en caracterizar las propiedades geométricas de una gama de espacios perceptivos.

<table><tbody><tr><td>Estación de trabajo informática</td><td>N/A</td><td>N/A</td><td>Sistema operativo: Windows/ MacOS 10 o superior/ Linux; Intel Core i5 de doble núcleo a 3,1 GHz o similar; 8 GB o más de memoria; Permisos de usuario para escribir y ejecutar archivos</td></tr><tr><td>conda</td><td></td><td>Versión 4.11</td><td>Sistema operativo: Windows/ MacOS 10 o superior/ Linux</td></tr><tr><td>Microsoft Excel</td><td>Microsoft</td><td>Cualquiera</td><td>Para abrir y barajar filas y columnas en archivos de condiciones de prueba.</td></tr><tr><td>PsychoPy</td><td>N/A</td><td>Versión 2021.2</td><td>Marco para realizar estudios psicofísicos</td></tr><tr><td>Python 3</td><td>Python Software Foundation</td><td>Python versión 3.8</td><td>Python3 y bibliotecas integradas asociadas Bibliotecas de</td></tr><tr><td>Python requeridas</td><td>N/A</td> Versión <td>numérica: 1.17.2 o superior; matplotlib versión 3.4.3 o superior; Scipy versión 1.3.1 o superior; Pandas versión 0.25.3 o superior; Seaborn versión 0.9.0 o superior; Versión scikit_learn 0.23.1 o superior; YAML versión 6.0 o superior&nbsp;</td><td>Numpy, Scipy y scikit_learn son módulos de computación con funciones incorporadas para la optimización y las operaciones vectoriales. Matplotlib y Seaborn son bibliotecas de trazado. Pandas está acostumbrado a leer y editar datos de archivos CSV.</td></tr></tbody></table>

un paradigma psicofísico para la recopilación y el análisis de juicios de similitud

A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments

Los juicios de similitud se usan comúnmente para estudiar las representaciones mentales y sus correlatos neuronales. Este enfoque se ha utilizado para caracterizar espacios perceptivos en muchos dominios: colores, objetos, imágenes, palabras y sonidos. Idealmente, uno podría querer comparar las estimaciones de la similitud percibida entre todos los pares de estímulos, pero esto a menudo no es práctico. Por ejemplo, si se le pide a un sujeto que compare la similitud de dos elementos con la similitud de otros dos elementos, el número de comparaciones crece con el cuarto poder del tamaño del conjunto de estímulos. Una estrategia alternativa es preguntar a un sujeto a las similitudes de tasa de pares aislados, por ejemplo, en una escala Likert. Esto es mucho más eficiente (el número de calificaciones crece cuadráticamente con el tamaño establecido en lugar de cuartáticamente), pero estas calificaciones tienden a ser inestables y tienen una resolución limitada, y el enfoque también asume que no hay efectos de contexto.
Aquí, se presenta un nuevo paradigma de clasificación para la recopilación eficiente de juicios de similitud, junto con una tubería de análisis (software proporcionado) que prueba si los modelos de distancia euclidiana tienen en cuenta los datos. Los ensayos típicos consisten en ocho estímulos alrededor de un estímulo de referencia central: el sujeto clasifica los estímulos en orden de su similitud con la referencia. Mediante la selección juiciosa de las combinaciones de estímulos utilizados en cada ensayo, el enfoque tiene controles internos para la consistencia y los efectos de contexto. El enfoque fue validado para estímulos extraídos de espacios euclídeos de hasta cinco dimensiones. 
El enfoque se ilustra con un experimento que mide similitudes entre 37 palabras. Cada ensayo arroja los resultados de 28 comparaciones por pares de la forma, "¿Fue A más similar a la referencia que B a la referencia?" Si bien la comparación directa de todos los pares de pares de estímulos habría requerido ensayos 221445, este diseño permite la reconstrucción del espacio perceptivo a partir de 5994 comparaciones obtenidas de 222 ensayos.

La figura 1A muestra parte de un archivo de condiciones generado por el script en el paso 3.3, para la palabra experimento. Cada fila corresponde a una prueba. El estímulo en la columna ref aparece en el centro de la pantalla. Los nombres de columna stim1 a stim8 corresponden a ocho posiciones a lo largo de un círculo, corriendo en sentido contrario a las agujas del reloj, comenzando desde la posición a la derecha de la referencia central. En la Figura 1B se mue...

El protocolo presenta un paradigma psicofísico experimental para obtener grandes cantidades de juicios de similitud, y un flujo de trabajo de análisis acompañante. El paradigma sondea los efectos del contexto y permite el modelado de datos de similitud en términos de espacios euclídeos de al menos cinco dimensiones.

Un paradigma psicofísico para la recopilación y el análisis de juicios de similitud

Similarity judgments are commonly used to study mental representations and their neural correlates. This approach has been used to characterize perceptual ...

Este es un método eficiente para recopilar y analizar juicios de similitud, y no asume nada sobre las propiedades geométricas de los sujetos subyacentes a las representaciones mentales. Las principales ventajas del método son su flexibilidad y minimización de supuestos sobre la naturaleza de la representación perceptiva. Los tipos de estímulos y la complejidad de los ensayos pueden variar, y una amplia gama de modelos geométricos puede ajustarse a los datos.Este método podría ser útil para los investigadores interesados en caracterizar las representaciones mentales de aspectos de bajo y alto nivel de los estímulos visuales. Seleccione un experimento para ejecutarlo. Navegue a la palabra experimento haciendo clic en similitudes, luego experimentos, luego word_exp, o al experimento de imagen haciendo clic en similitudes, luego experimentos y, a continuación, image_exp.Finalizar los estímulos experimentales. Si se está ejecutando el experimento de palabras, prepare una lista de palabras. Y para el experimento de la imagen, haga un nuevo directorio y coloque todas las imágenes de estímulo en él.En el directorio de experimentos, busque el archivo de configuración denominado config. yaml haciendo clic en similitudes, luego en experimentos y, a continuación, en config.yaml. Abra el archivo en un editor de código fuente y actualice el valor de la variable de archivo a la ruta al directorio que contiene el conjunto de estímulos.Aquí es donde PsychoPy buscará los estímulos de imagen. Cree configuraciones de prueba abriendo la configuración. yaml en el directorio de análisis y, a continuación, establezca el valor del parámetro path_2_stimulus_list en la ruta a estímulos.txt.Desde el directorio de similitudes, ejecute el script ejecutando los comandos que se muestran en la ventana uno tras otro. Esto crea un archivo llamado trial_conditions. csv en similitudes en las que cada fila contiene los nombres de los estímulos que aparecen en un ensayo junto con sus posiciones.Divida el conjunto completo de 222 ensayos generados en sesiones y aleatorice el orden de prueba ejecutando los comandos que se muestran en la ventana. En el diseño típico, las sesiones comprenden 111 ensayos, cada uno de los cuales requiere aproximadamente una hora para ejecutarse. Cuando se le solicite, introduzca los parámetros de entrada mostrados.Cambie el nombre y guarde cada uno de los archivos generados como condiciones. csv en su propio directorio. Copia las condiciones.csv y péguelo en el directorio actual que contiene el archivo psyexp. Abra PsychoPy y abra el archivo psyexp o py en el directorio de experimentos correspondiente. En PsychoPy, haga clic en el botón verde de reproducción para ejecutar el experimento.En la ventana emergente modal, escriba el nombre o ID del asunto y el número de sesión y haga clic en Aceptar para comenzar. Las instrucciones se mostrarán al comienzo de cada sesión. Permita que el sujeto complete la tarea aproximadamente una hora y, como la tarea es a su propio ritmo, anime a los sujetos a tomar descansos si es necesario.Una vez completadas todas las sesiones, combine los archivos de datos sin procesar y vuelva a formatearlos en un solo archivo JSON para su posterior procesamiento ejecutando el preproceso. py en el terminal utilizando los comandos visibles en la pantalla. Cuando se le solicite, introduzca los parámetros de entrada solicitados, incluida la ruta al directorio de datos del sujeto, los ID del sujeto para procesar previamente los datos y el nombre del experimento utilizado para asignar un nombre al archivo de salida y, a continuación, pulse Intro.Esto creará un archivo JSON en el directorio de salida que combina respuestas a través de repeticiones para cada prueba. Para determinar las probabilidades de elección por pares a partir de juicios de orden de rango, vaya a similitudes, luego analice y ejecute describe_data. py en la línea de comandos.Cuando se le solicite, escriba la ruta a los datos del sujeto y la lista de sujetos para ejecutar el análisis. Esto creará tres tipos de parcelas. Generar modelos euclídeos de baja dimensión de los espacios perceptivos utilizando las probabilidades de elección ejecutando model_fitting.py usando la línea de comandos que se muestra en la pantalla. Cuando se le solicite, proporcione las entradas para el directorio al sujeto-datos/preprocesado, el número de estímulos, que será 37 por defecto, el número de iteraciones, el directorio de salida y la cantidad de ruido gaussiano, que será 0,18 por defecto. Visualice la probabilidad de registro de los modelos obtenidos y evalúe su ajuste ejecutando similitudes, análisis model_fitting_figure.py.Cuando se le solicite, ingrese la ruta necesaria a los archivos CSV que contienen las probabilidades de registro. Visualice los espacios perceptivos para cada sujeto y genere gráficos de dispersión que muestren los puntos del modelo 5D proyectados en los dos primeros componentes principales ejecutando los comandos mostrados. Cuando se le solicite, introduzca los parámetros de entrada y la ruta al archivo NPY que contiene los puntos 5D.Después de ejecutar el script, salga del entorno virtual. En el archivo generado para la palabra experimento, la primera fila corresponde a un ensayo en el que aparecen ocho estímulos alrededor del mono estímulo de referencia. Los juicios de rango se descompusieron en elecciones por pares.La distribución de las probabilidades de elección fue altamente consistente entre los sujetos. La agrupación de datos cerca de la diagonal en cada panel indica una gran consistencia en las probabilidades de elección entre los sujetos y para los juicios que no están en los extremos. La diagonal dominante indica que las probabilidades de elección en los dos contextos, incluidas las probabilidades de elección intermedias entre cero y uno, son casi idénticas para cada sujeto.Las probabilidades logarítmicas se muestran en relación con la probabilidad logarítmica del mejor modelo, es decir, un modelo que asigna la probabilidad de elección observada a cada comparación sin restringir estas probabilidades por ninguna consideración geométrica. El análisis de componentes principales se realizó en los puntos del modelo 5D del espacio perceptivo donde los animales percibidos como similares fueron denotados por puntos cercanos entre sí. Es crucial decidir sobre todos los parámetros al diseñar un experimento y establecerlos en los archivos de configuración antes de comenzar el paso dos.Hacer un seguimiento cuidadoso de los datos de cada sujeto también es muy importante. El método proporciona un gran número de juicios de similitud, por lo que se podrían aplicar una serie de análisis, como el análisis de conglomerados, un enfoque en el contexto o el modelado con diferentes espacios geométricos.

a-psychophysics-paradigm-for-collection-analysis-similarity

Research

Investigación

JoVE Journal

Neuroscience

Neurociencia

Procesamiento perceptivo y categoría del Uncanny Valley Hipótesis &#39;Dimensión de semejanza humana: algunas cuestiones metodológicas

Se demuestra cómo una medida objetiva se puede emplear en la goma de la mano paradigma ilusión ampliamente empleado. Esta medida se obtiene mediante la modificación de la tarea congruencia crossmodal bien establecida. Esta tarea permite la investigación de los procesos multisensoriales que son críticos para la modulación de las representaciones del cuerpo como en la mano ilusión de goma.

El Grupo de Congruencia crossmodal como medio para obtener una medida del comportamiento objetivo de la Guía Caucho mano Illusion Paradigm

Esto aplica paradigma experimental replica circunstancias por las que un testigo ocular de un verdadero crimen puede crear un retrato robot holística del culpable de la memoria y, a continuación, tratar de identificar al culpable de un vídeo line-up que contiene el culpable o uno en el que él o ella es no presente.

Holística Creación retrato robot y posterior Alineación vídeo Eyewitness Identificación Paradigma

Los juicios de orden temporal se pueden utilizar para estimar los parámetros de velocidad de procesamiento y los pesos atencionales y, por lo tanto, para inferir los mecanismos del procesamiento atencional. Esta metodología se puede aplicar a una amplia gama de estímulos visuales y trabaja con muchas manipulaciones de la atención.

La medición de velocidad Atención y tratamiento visual de análisis basado en modelos de resoluciones judiciales de orden temporal

métodos psicofísicos tales como el procedimiento de estimación QUEST pueden producir de manera eficiente estimaciones robustas de la intensidad de la estimulación de transición en el que las sensaciones no dolorosas en sensaciones dolorosas. Al estimular repetidamente en el umbral de intensidad, la variabilidad en las respuestas de calificación directamente se puede atribuir a las clasificaciones de percepción en los análisis posteriores.

anclado psychophysically-, Umbral robusta en estudiar el dolor relacionado con lateralización del oscilatorio prestimulus Actividad

Psicofísica es esencial para el estudio de fenómenos de percepción a través de información sensorial. Aquí presentamos un protocolo para realizar una tarea de elección forzada de dos intervalos como se implementó en un informe anterior sobre psicofísica humana donde los participantes estima la duración de intervalos de visuales, auditivos o audiovisuales de aperiódicos trenes de pulsos.

Una tarea de selección forzada de intervalo de dos comparaciones multisensorial

Se presenta un protocolo que permite la investigación de los mecanismos neurales que la mediación de los efectos perjudiciales de la emoción sobre la cognición, utilizando imágenes de resonancia magnética funcional. Este protocolo se puede utilizar con participantes sanos y clínicos.

La investigación del cerebro de imagen del efecto perjudicial de la emoción sobre la cognición

Este método describe la generación de organotípicos culturas del cerebelo y el efecto de ciertos estímulos apoptóticos sobre la viabilidad de los diferentes tipos de células del cerebelo.

Organotípicos Culturas del cerebelo: Retos y detección de apoptosis

En este informe se describe un método para aplastar el nervio ciático del ratón. Este método usa unas pinzas hemostáticas fácilmente disponibles y fácilmente reproducible y produce aplastamiento completo del nervio ciático. Además, se describe un método para preparar soportes de músculo entero adecuadas para el análisis de la regeneración del nervio después de aplastamiento del nervio ciático.

Ratón reproducible aplastamiento del nervio ciático y posterior evaluación de la regeneración mediante el análisis de músculo entero Monte

Se describe un nuevo enfoque para el análisis simultáneo de la función cerebral y la estructura utilizando imágenes de resonancia magnética (MRI). Evaluamos la estructura cerebral de alta resolución las imágenes ponderadas de difusión y la materia blanca tractografía fibra. A diferencia de las MRI estructural, estas técnicas nos permiten relacionar directamente la conectividad anatómica de las propiedades funcionales de las redes cerebrales.

Co-análisis de la estructura y función cerebral mediante resonancia magnética funcional y la difusión de imágenes ponderado

Descubre un paradigma psicofísico flexible para recopilar y analizar juicios de similitud usando PsychoPy y modelos geométricos multidimensionales. Este método permite investigar efectos de contexto y representaciones perceptuales sin asumir propiedades geométricas predefinidas.

Un paradigma psicofísico para la recopilación y el análisis de juicios de similitud

Explorar más videos