Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Un paradigme psychophysique pour la collecte et l’analyse des jugements de similitude

2.7K vues

⸱

DOI :

10.3791/63461

⸱

1 mars 2022

 , 
1Program in Neuroscience, Weill Cornell Graduate School of Medical Sciences, 2Feil Family Brain and Mind Research Institute, Weill Cornell Medical College

Dans cet article

Résumé

Le protocole présente un paradigme psychophysique expérimental pour obtenir de grandes quantités de jugements de similitude, et un flux de travail d’analyse qui l’accompagne. Le paradigme sonde les effets de contexte et permet de modéliser les données de similarité en termes d’espaces euclidiens d’au moins cinq dimensions.

Résumé

Les jugements de similitude sont couramment utilisés pour étudier les représentations mentales et leurs corrélats neuronaux. Cette approche a été utilisée pour caractériser les espaces perceptifs dans de nombreux domaines : couleurs, objets, images, mots et sons. Idéalement, on pourrait vouloir comparer les estimations de la similitude perçue entre toutes les paires de stimuli, mais cela est souvent peu pratique. Par exemple, si l’on demande à un sujet de comparer la similitude de deux éléments avec la similitude de deux autres éléments, le nombre de comparaisons augmente avec la quatrième puissance de la taille de l’ensemble de stimulus. Une autre stratégie consiste à demander à un sujet d’évaluer les similitudes de paires isolées, par exemple sur une échelle de Likert. Ceci est beaucoup plus efficace (le nombre d’évaluations augmente quadratiquement avec la taille définie plutôt que quartiquement), mais ces évaluations ont tendance à être instables et ont une résolution limitée, et l’approche suppose également qu’il n’y a pas d’effets de contexte.

Ici, un nouveau paradigme de classement pour une collecte efficace des jugements de similitude est présenté, ainsi qu’un pipeline d’analyse (logiciel fourni) qui teste si les modèles de distance euclidiens rendent compte des données. Les essais typiques consistent en huit stimuli autour d’un stimulus de référence central : le sujet classe les stimuli par ordre de similitude avec la référence. Par une sélection judicieuse des combinaisons de stimuli utilisées dans chaque essai, l’approche comporte des contrôles internes pour la cohérence et les effets contextuels. L’approche a été validée pour des stimuli tirés d’espaces euclidiens allant jusqu’à cinq dimensions.

L’approche est illustrée par une expérience mesurant les similitudes entre 37 mots. Chaque essai donne les résultats de 28 comparaisons par paires de la forme , « A était-il plus similaire à la référence que B ne l’était à la référence ? » Bien que la comparaison directe de toutes les paires de paires de stimuli aurait nécessité des essais 221445, cette conception permet de reconstruire l’espace perceptuel à partir de 5994 comparaisons obtenues à partir de 222 essais.

Introduction

Les humains traitent mentalement et représentent les informations sensorielles entrantes pour effectuer un large éventail de tâches, telles que la reconnaissance d’objets, la navigation, les inférences sur l’environnement et bien d’autres. Les jugements de similitude sont couramment utilisés pour sonder ces représentations mentales1. Comprendre la structure des représentations mentales peut donner un aperçu de l’organisation des connaissances conceptuelles2. Il est également possible de mieux comprendre les calculs neuronaux, en reliant les jugements de similitude aux modèles d’activation cérébrale3. De plus, les jugements de similitude révèlent des caractéristiques qui sont saillantes dans la perception4. L’étude de l’évolution des représentations mentales au cours du développement peut éclairer la façon dont elles sont apprises5. Ainsi, les jugements de similitude fournissent des informations précieuses sur le traitement de l’information dans le cerveau.

Un modèle commun de représentations mentales utilisant des similitudes est un modèle d’espace géométrique6,7,8. Appliqué aux domaines sensoriels, ce type de modèle est souvent appelé espace perceptif9. Les points dans l’espace représentent des stimuli et les distances entre les points correspondent à la dissimilarité perçue entre eux. À partir de jugements de similitude, on peut obtenir des estimations quantitatives des dissemblances. Ces dissemblances par paires (ou distances perceptuelles) peuvent ensuite être utilisées pour modéliser l’espace perceptuel via une mise à l’échelle multidimensionnelle10.

Il existe de nombreuses méthodes pour recueillir des jugements de similitude, chacune avec ses avantages et ses inconvénients. Le moyen le plus simple d’obtenir des mesures quantitatives de dissimilarité est de demander aux sujets d’évaluer sur une échelle le degré de dissimilarité entre chaque paire de stimuli. Bien que cela soit relativement rapide, les estimations ont tendance à être instables sur de longues sessions, car les sujets ne peuvent pas revenir aux jugements précédents et les effets contextuels, s’ils sont présents, ne peuvent pas être détectés. (Ici, un effet de contexte est défini comme un changement dans la similitude jugée entre deux stimuli, basé sur la présence d’autres stimuli qui ne sont pas comparés.) Alternativement, les sujets peuvent être invités à comparer toutes les paires de stimuli à toutes les autres paires de stimuli. Bien que cela donnerait un ordre de classement plus fiable des dissimilarités, le nombre de comparaisons nécessitait des échelles avec la quatrième puissance du nombre de stimuli, ce qui ne le rendait possible que pour de petits ensembles de stimuli. Les alternatives plus rapides, comme le tri en un nombre prédéfini de clusters11 ou le tri libre, ont leurs propres limites. Le tri libre (en n’importe quel nombre de piles) est intuitif, mais il oblige le sujet à catégoriser les stimuli, même si les stimuli ne se prêtent pas facilement à la catégorisation. La méthode multi-arrangement plus récente, le MDS inverse, contourne bon nombre de ces limitations et est très efficace12. Cependant, cette méthode exige que les sujets projettent leurs représentations mentales sur un plan euclidien 2D et considèrent les similitudes d’une manière géométrique spécifique, en supposant que la structure de similitude peut être récupérée à partir de distances euclidiennes sur un plan. Ainsi, il reste nécessaire de disposer d’une méthode efficace pour recueillir de grandes quantités de jugements de similitude, sans faire d’hypothèses sur la géométrie sous-jacente aux jugements.

Décrite ici est une méthode qui est à la fois raisonnablement efficace et évite également les pièges potentiels ci-dessus. En demandant aux sujets de classer les stimuli par ordre de similitude avec une référence centrale dans chaque essai13, la similitude relative peut être sondée directement, sans rien supposer sur la structure géométrique des réponses des sujets. Le paradigme répète un sous-ensemble de comparaisons avec des contextes identiques et différents, permettant une évaluation directe des effets contextuels ainsi que l’acquisition de réponses graduées en termes de probabilités de choix. La procédure d’analyse décompose ces jugements de rang en plusieurs comparaisons par paires et les utilise pour construire et rechercher des modèles euclidiens d’espaces perceptifs qui expliquent les jugements. La méthode convient pour décrire en détail la représentation d’ensembles de stimulus de tailles modérées (p. ex., 19 à 49).

Pour démontrer la faisabilité de l’approche, une expérience a été menée, en utilisant un ensemble de 37 animaux comme stimuli. Les données ont été recueillies au cours de 10 séances d’une heure, puis analysées séparément pour chaque sujet. L’analyse a révélé une cohérence entre les sujets et des effets de contexte négligeables. Il a également évalué la cohérence des dissemblances perçues entre les stimuli avec les modèles euclidiens de leurs espaces perceptifs. Le paradigme et les procédures d’analyse décrits dans cet article sont flexibles et devraient être utiles aux chercheurs intéressés à caractériser les propriétés géométriques d’une gamme d’espaces perceptifs.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Avant de commencer les expériences, tous les sujets fournissent un consentement éclairé conformément aux directives institutionnelles et à la Déclaration d’Helsinki. Dans le cas de cette étude, le protocole a été approuvé par le comité d’examen institutionnel du Weill Cornell Medical College.

1. Installation et configuration

  1. Téléchargez le code à partir du référentiel GitHub, similitudes (https://github.com/jvlab/similarities). Dans la ligne de commande, exécutez : git clone https://github.com/jvlab/similarities.git. - Si git n’est pas installé, téléchargez le code sous forme de dossier compressé à partir du référentiel.
    REMARQUE : Dans le référentiel se trouvent deux sous-répertoires : les expériences, qui contiennent deux exemples d’expériences, et l’analyse, qui contient un ensemble de scripts python pour analyser les données de similarité collectées. Dans le répertoire des expériences, l’un (word_exp) utilise des stimuli de mots et l’autre (image_exp) affiche des stimuli d’image. Une certaine familiarité avec Python sera utile, mais pas nécessaire. La connaissance de la ligne de commande est supposée : plusieurs étapes nécessitent l’exécution de scripts à partir de la ligne de commande.
  2. Installez les outils suivants et configurez un environnement virtuel.
    1. python 3: Voir le lien pour les instructions: https://realpython.com/installing-python/. Ce projet nécessite Python version 3.8.
    2. PsychoPy: À partir du lien (https://www.psychopy.org/download.html), téléchargez la dernière version autonome de PsychoPy pour le système d’exploitation concerné, en utilisant le bouton bleu, sous Installation. Ce projet utilise PsychoPy version 2021.2 ; les exemples d’expériences fournis doivent être exécutés avec la version correcte de PsychoPy comme spécifié ci-dessous.
    3. conda: À partir du lien (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation), téléchargez conda, via Miniconda ou Anaconda, pour le système d’exploitation approprié.
    4. Dans la ligne de commande, exécutez ce qui suit pour créer un environnement virtuel avec les packages python requis :
      cd ~/similitudes
      conda env create -f environment.yaml
    5. Vérifiez si l’environnement virtuel a été créé et activez-le comme suit :
      conda env list # venv_sim_3.8 doit être listé
      conda active venv_sim_3.8 # pour entrer dans l’environnement virtuel
      conda deactivate # pour quitter l’environnement virtuel après l’exécution des scripts
      REMARQUE : L’exécution de scripts dans un environnement peut parfois être lente. Veuillez prévoir jusqu’à une minute pour voir toute sortie imprimée dans la ligne de commande lorsque vous exécutez un script.
  3. Pour vous assurer que le code téléchargé fonctionne comme prévu, exécutez les exemples d’expériences fournis en suivant les étapes ci-dessous.
    REMARQUE: Le répertoire des expériences (similitudes / expériences) contient des exemples d’expériences (word_exp et image_exp), en utilisant deux types de stimuli: les mots et les images.
    1. Ouvrez PsychoPy. Accédez à Affichage, puis cliquez sur Codeur, car le générateur par défaut de PsychoPy ne peut pas ouvrir .py fichiers. Accédez à Fichier, puis cliquez sur Ouvrir et ouvrez word_exp.py (similitudes/expériences/word_exp/word_exp.py).
    2. Pour charger l’expérience, cliquez sur le bouton vert Exécuter l’expérience . Entrez les initiales ou le nom et le numéro de session, puis cliquez sur OK.
    3. Suivez les instructions et parcourez quelques essais pour vérifier que les stimuli grisent lorsqu’on clique dessus. Appuyez sur Echap lorsque vous êtes prêt à quitter.
      REMARQUE: PsychoPy s’ouvrira en plein écran, affichant d’abord des instructions, puis quelques essais, avec du texte d’espace réservé au lieu de mots de stimulation. Lorsque vous cliquez dessus, les mots grisent. Lorsque tous les mots ont été cliqués, le procès suivant commence. À tout moment, PsychoPy peut être terminé en appuyant sur la touche Échap . Si le programme se termine pendant les étapes 1.3.2 ou 1.3.3, il est possible que le système d’exploitation de l’utilisateur nécessite un accès au clavier et à la souris. Si c’est le cas, un message d’erreur descriptif sera imprimé dans la fenêtre PsychoPy Runner, qui guidera l’utilisateur.
    4. Ensuite, vérifiez que l’expérience d’image s’exécute avec des images d’espace réservé. Ouvrez PsychoPy. Accédez à Fichier. Cliquez sur Ouvrir et choisissez image_exp.psyexp (similarities/experiments/image_exp/image_exp.psyexp).
    5. Pour vous assurer que la version correcte est utilisée, cliquez sur l’icône Engrenage . Dans l’option Utiliser la version de PsychoPy , sélectionnez 2021.2 dans le menu déroulant.
    6. Comme précédemment, cliquez sur le bouton vert Exécuter l’expérience . Entrez les initiales ou le nom et le numéro de session, puis cliquez sur OK.
      REMARQUE: Comme à l’étape 1.3.2, PsychoPy affichera d’abord les instructions, puis rendra les essais après le chargement des images. Chaque version d’évaluation contiendra huit images d’espace réservé entourant une image centrale. Cliquer sur une image la grisera. Le programme peut être arrêté en appuyant sur Echap.
    7. Accédez au répertoire de données dans chacun des répertoires d’expérience pour voir la sortie :
      similitudes/expériences/image_exp/données
      similitudes/expériences/word_exp/données
      REMARQUE : Les données expérimentales sont écrites dans le répertoire de données. Le fichier .csv réponses contient des réponses par clic essai par essai. Le fichier journal contient toutes les pressions sur les touches et les clics de souris. Il est utile pour le dépannage, si PsychoPy se ferme de manière inattendue.
  4. Si vous le souhaitez, pour vérifier que les scripts d’analyse fonctionnent comme prévu, reproduisez certains des chiffres de la section Résultats représentatifs comme suit.
    1. Créez un répertoire pour les données prétraitées :
      cd ~/similitudes
      mkdir échantillon-matériaux/données-sujet/prétraité
    2. Combinez les données brutes de tous les fichiers .csv réponses en un seul fichier json. Dans la ligne de commande, exécutez ce qui suit :
      similitudes cd
      conda activer venv_sim_3.8
      python -m analysis.preprocess.py
    3. Lorsque vous y êtes invité, entrez les valeurs suivantes pour les paramètres d’entrée : 1) chemin d’accès aux données du sujet : ./sample-materials/subject-data, 2), nom de l’expérience : sample_word et 3) ID du sujet : S7. Le fichier json sera en similitudes/échantillons-matériaux/données-sujets/prétraités.
    4. Une fois les données prétraitées, suivez les étapes du fichier README du projet sous La rubrique Reproduction des figures. Ces scripts d’analyse seront exécutés ultérieurement pour analyser les données collectées à partir de la propre expérience de l’utilisateur.

2. Collecte de données par la mise en place d’une expérience personnalisée

REMARQUE: Les procédures sont décrites pour les expériences d’image et de mot jusqu’à l’étape 3.1. Après cette étape, le processus est le même pour les deux expériences, de sorte que l’expérience d’image n’est pas explicitement mentionnée.

  1. Sélectionnez une expérience à exécuter. Accédez au mot expérience (similitudes/expériences/word_exp) ou à l’expérience d’image (similitudes/expériences/image_exp).
  2. Décidez du nombre de stimuli. La taille par défaut du jeu de stimuli est 37. Pour modifier cela, ouvrez le fichier de configuration (similarities/analysis/config.yaml) dans un éditeur de code source. Dans le paramètre num_stimuli du fichier de configuration d’analyse, définissez la taille du stimulus égale à mk + 1 comme l’exige la conception expérimentale pour les entiers k et m.
    REMARQUE: Dans la conception standard, k ≥ 3 et m = 6. Par conséquent, les valeurs valides pour num_stimuli comprennent 19, 25, 31, 37, 43 et 49 (voir le tableau 1 pour les extensions possibles de la conception).
  3. Finaliser les stimuli expérimentaux. Si le mot expérience est en cours d’exécution, préparez une liste de mots. Pour l’expérience d’image, créez un nouveau répertoire et placez-y toutes les images de stimulus. Les types d’images pris en charge sont png et jpeg. N’utilisez pas de points comme séparateurs dans les noms de fichiers (par exemple, image.1.png n’est pas valide mais image1.png ou image_1.png sont valides).
  4. Si vous exécutez le mot expérience, préparez les stimuli comme suit.
    1. Créez un nouveau fichier dans les expériences/word_exp nommé stimuli.txt. Ce fichier sera lu à l’étape 3.3.
    2. Dans le fichier, écrivez les mots du jeu de stimuli tels qu’ils sont censés apparaître dans l’affichage, chaque mot se trouvant sur une ligne distincte. Évitez les lignes vides supplémentaires ou les espaces supplémentaires à côté des mots. Voir les exemples de matériaux pour référence (similitudes/échantillons-matériaux/word-exp-materials/sample_word_stimuli.txt).
  5. Si l’expérience d’image est en cours d’exécution, définissez le chemin d’accès au jeu de stimuli comme suit.
    1. Dans le répertoire experiments, recherchez le fichier de configuration appelé config.yaml (similarities/experiments/config.yaml).
    2. Ouvrez le fichier dans un éditeur de code source et mettez à jour la valeur de la variable files dans le chemin d’accès au répertoire contenant le jeu de stimuli (étape 2.3). C’est là que PsychoPy cherchera les stimuli d’image.

3. Création d’essais de classement

  1. Utilisez un fichier stimuli.txt. Si le mot experiment est en cours d’exécution, le fichier créé à l’étape 2.4 peut être utilisé. Sinon, utilisez la liste des noms de fichiers (pour référence, voir similarities/sample-materials/image-exp-materials/sample_image_stimuli.txt). Placez ce fichier dans le répertoire d’expérience approprié (word_exp ou image_exp).
  2. Évitez les lignes vides supplémentaires, ainsi que les espaces dans les noms. Utilisez camelCase ou snake_case pour les noms de stimulus.
  3. Ensuite, créez des configurations d’évaluation. Ouvrez le fichier config.yaml dans le répertoire d’analyse et définissez la valeur du paramètre path_to_stimulus_list sur le chemin d’accès aux stimuli.txt (créé à l’étape 3.1).
    1. À partir du répertoire similarities, exécutez le script en exécutant les commandes suivantes l’une après l’autre :
      cd ~/similitudes
      conda activer venv_sim_3.8
      python -m analysis.trial_configuration
      conda désactiver       # quitter l’environnement virtuel
    2. Cela crée un fichier appelé trial_conditions.csv dans les similitudes dans lequel chaque ligne contient les noms des stimuli apparaissant dans un essai, ainsi que leurs positions dans l’affichage. Un exemple trial_conditions.csv fichier est fourni (similitudes/échantillons-matériaux). Pour plus d’informations sur les paramètres d’entrée des scripts d’analyse, reportez-vous au fichier README du projet sous Utilisation.

figure-protocol-1
Figure 1 : Exemples représentatifs d’essais (étape 3.3). (A) Chaque ligne contient les détails d’un seul essai. Les en-têtes indiquent la position du stimulus autour du cercle. Le stimulus sous ref apparaît au centre et stim 1 à stim 8 apparaissent autour de la référence. (B) Le premier essai (ligne) de A est rendu par PsychoPy pour afficher les huit stimuli autour du stimulus de référence, le singe. Veuillez cliquer ici pour voir une version agrandie de cette figure.

REMARQUE : À ce stade, un ensemble complet de 222 essais pour une série expérimentale complète, c’est-à-dire pour un ensemble complet de données, a été généré. La figure 1A montre une partie d’un fichier de conditions généré par le script ci-dessus, pour le mot expérience (voir Résultats représentatifs).

  1. Ensuite, divisez ces 222 essais en sessions et randomisez l’ordre des essais. Dans la conception typique, les sessions comprennent 111 essais, dont chacun nécessite environ 1 h pour fonctionner.
    1. Pour ce faire, dans la ligne de commande, exécutez ce qui suit :
      conda activer venv_sim_3.8
      cd ~/similitudes
      python -m analysis.randomize_session_trials
    2. Lorsque vous y êtes invité, entrez les paramètres d’entrée suivants : chemin d’accès à trial_conditions.csv créé à l’étape 3.3.2 ; répertoire de sortie; nombre d’essais par session : 111 ; nombre de répétitions: 5.
      REMARQUE : Le nombre de répétitions peut également être modifié, mais cela aura une incidence sur le nombre de séances effectuées à l’étape 4 (voir Discussion : Paradigme expérimental). Si vous modifiez la valeur par défaut du nombre de répétitions, veillez à modifier la valeur du paramètre num_repeats dans le fichier de configuration (similarities/analysis/config.yaml). Si nécessaire, consultez les instructions pas à pas pour effectuer manuellement ce qui précède dans le fichier README sous la section Créer des évaluations.
  2. Renommez et enregistrez chacun des fichiers générés en tant que conditions.csv, dans son propre répertoire. Voir la structure de répertoire recommandée ici: similarities/sample-materials/subject-data et dans le projet README.
    REMARQUE: Comme indiqué à l’étape 4, chaque expérience est répétée cinq fois dans la conception standard, au cours de sessions de 10 heures, chacune sur une journée distincte. Les sujets doivent être invités à venir pour une seule séance par jour afin d’éviter la fatigue. Voir le tableau 1 pour le nombre d’essais et de séances nécessaires pour des ensembles de stimulus de différentes tailles.

4. Exécution de l’expérience et collecte de données de similarité

  1. Expliquez la tâche aux sujets et donnez-leur des instructions. Dans chaque essai, les sujets verront un stimulus de référence central entouré de huit stimuli et seront invités à cliquer sur les stimuli dans l’environnement, par ordre de similitude avec la référence centrale, c’est-à-dire qu’ils devraient cliquer sur le premier plus similaire et le moins similaire en dernier.
  2. Demandez-leur d’essayer d’utiliser une stratégie cohérente. Dites-leur qu’on leur montrera la même configuration de stimuli plusieurs fois au cours des 10 séances. Si l’étude sonde la représentation de l’information sémantique, assurez-vous que les sujets sont familiers avec les stimuli avant de commencer.
  3. Accédez au répertoire d’expériences approprié (voir l’étape 2.1). Si c’est la première fois que l’expérience est exécutée, créez un répertoire appelé subject-data pour stocker les réponses des sujets. Créez-y deux sous-répertoires : brut et prétraité. Pour chaque sujet, créez un sous-répertoire dans subject-data/raw.
  4. Copiez les conditions.csv fichier préparé à l’étape 3 pour la session spécifique et collez-le dans le répertoire actif, c’est-à-dire le répertoire contenant le fichier psyexp. S’il existe déjà un fichier nommé conditions.csv, assurez-vous de le remplacer par celui de la session en cours.
  5. Ouvrez PsychoPy, puis ouvrez le fichier psyexp ou py dans le répertoire de l’expérience concernée. Dans PsychoPy, cliquez sur le bouton vert Play pour exécuter l’expérience. Dans la fenêtre contextuelle modale, entrez le nom du sujet ou l’ID et le numéro de session. Cliquez sur OK pour commencer. Les instructions seront affichées au début de chaque session.
  6. Laissez le sujet environ 1 h pour terminer la tâche. Comme la tâche est auto-rythmée, encouragez les sujets à prendre des pauses si nécessaire. Lorsque le sujet aura terminé la session, PsychoPy se terminera automatiquement et les fichiers seront générés dans le répertoire similarities/experiments/_exp/data.
  7. Transférez-les dans le répertoire subject-data/raw/ (créé à l’étape 4.3). Voir README pour la structure de répertoires recommandée.
    REMARQUE: Comme mentionné, le fichier journal est destiné au dépannage. La cause la plus fréquente de fermeture inattendue de PsychoPy est qu’un sujet appuie accidentellement sur Escape pendant une session. Si cela se produit, les réponses pour les essais jusqu’au dernier essai terminé seront toujours écrites dans le fichier .csv réponses.
  8. Si PsychoPy se ferme de manière inattendue, rouvrez-le et créez une nouvelle condition.csv fichier, avec seulement les essais qui n’avaient pas été tentés. Remplacez le fichier de conditions de la session existante par celui-ci et réexécutez l’expérience. Assurez-vous d’enregistrer les fichiers générés à l’endroit approprié. À la fin de la session, les deux fichiers de réponses peuvent être combinés manuellement en un seul, bien que cela ne soit pas nécessaire.
  9. Pour chacune des sessions restantes, répétez les étapes 4.4 à 4.8.
  10. Une fois toutes les sessions terminées, combinez les fichiers de données brutes et reformatez-les en un seul fichier json pour un traitement ultérieur. Pour ce faire, exécutez preprocess.py dans le terminal (similitudes/analyse/prétraitement.py) comme suit :
    cd ~/similitudes
    conda activer venv_sim_3.8
    python -m analysis.preprocess
  11. Lorsque vous y êtes invité, entrez les paramètres d’entrée demandés : le chemin d’accès au répertoire des données de l’objet, les ID d’objet pour lesquels prétraiter les données et le nom de l’expérience (utilisé pour nommer le fichier de sortie). Appuyez sur Entrée.
  12. Quittez l’environnement virtuel :
    conda désactiver
    REMARQUE : Cela créera un fichier json dans le répertoire de sortie qui combine les réponses entre les répétitions pour chaque essai. Les données de similarité sont lues à partir des données sujet/brutes et écrites dans les données sujet/prétraitées.

5. Analyse des jugements de similitude

REMARQUE: Les sujets sont invités à cliquer sur les stimuli par ordre de similitude avec la référence, fournissant ainsi un classement dans chaque essai. Pour les expériences standard, répétez chaque essai cinq fois, en générant cinq ordres de classement des huit mêmes stimuli (voir la figure 2B). Ces jugements de rang sont interprétés comme une série de comparaisons dans lesquelles un sujet compare des paires de distances perceptuelles. On suppose que le sujet pose la question suivante avant chaque clic : « La distance (perceptuelle) entre la référence et le stimulus A est-elle plus petite que la distance entre la référence et le stimulus B ? » Comme le montre la figure 2C, cela donne des probabilités de choix pour plusieurs comparaisons de similitudes par paires pour chaque essai. L’analyse ci-dessous utilise ces probabilités de choix.

figure-protocol-2
Figure 2 : Obtention de probabilités de choix à partir de jugements de classement. (A) Une illustration d’un essai tiré du mot expérience que nous avons menée. (B) Cinq ordres de classement ont été obtenus pour le même essai, au cours de plusieurs sessions. (C) Probabilités de choix pour les comparaisons de dissimilarité par paires que représentent les jugements de classement. Veuillez cliquer ici pour voir une version agrandie de cette figure.

  1. Déterminez les probabilités de choix par paires à partir des jugements d’ordre de rang.
    1. Dans similarities/analysis, exécutez describe_data.py dans la ligne de commande.
      cd ~/similitudes
      conda activer venv_sim_3.8
      python -m analysis.describe_data
    2. Lorsque vous y êtes invité, entrez le chemin d’accès aux données d’objet/prétraitées et la liste des sujets pour lesquels exécuter l’analyse.
      REMARQUE : Cela créera trois types de graphiques : i) la distribution des probabilités de choix pour l’ensemble complet de données d’un sujet donné, ii) des cartes thermiques pour évaluer la cohérence entre les probabilités de choix pour les paires de sujets, et iii) une carte thermique des probabilités de choix pour toutes les comparaisons qui se produisent dans deux contextes afin d’évaluer les effets de contexte. Sur le plan opérationnel, cela signifie comparer les probabilités de choix dans des paires d’essais qui contiennent la même référence et une paire commune de stimuli dans l’anneau mais diffèrent dans tous les autres stimuli de l’anneau : la carte thermique montre comment la probabilité de choix dépend de ce contexte.
  2. Générer des modèles euclidiens de faible dimension des espaces perceptifs, en utilisant les probabilités de choix. Exécutez model_fitting.py dans la ligne de commande comme suit :
    cd ~/similitudes
    conda activer venv_sim_3.8
    python -m analysis.model_fitting
    1. Indiquez les paramètres d’entrée suivants lorsque vous y êtes invité : chemin d’accès au répertoire subject-data/prétraité ; le nombre de stimuli (37 par défaut); le nombre d’itérations (le nombre de fois que l’analyse de modélisation doit être exécutée); le répertoire de sortie; et la quantité de bruit gaussien (0,18 par défaut).
      REMARQUE : l’exécution de ce script prend quelques heures. Une fois terminé, les fichiers npy contenant les coordonnées les mieux adaptées aux modèles 1D, 2D, 3D, 4D et 5D décrivant les données de similitude seront écrits dans le répertoire de sortie. Un fichier csv contenant les valeurs log-probabilité des différents modèles sera généré.
  3. Visualisez la probabilité logarithmique des modèles obtenus et évaluez leur ajustement. Pour ce faire, exécutez similarities/analysis/model_fitting_figure.py dans la ligne de commande :
    cd ~/similitudes
    python -m analysis.model_fitting_figure
    1. Lorsque vous y êtes invité, entrez le paramètre nécessaire : le chemin d’accès aux fichiers csv contenant les probabilités de journal (à partir de l’étape 5.2).
    2. Analysez la figure générée, montrant les probabilités logarithmiques sur l’axe des y et les dimensions du modèle sur l’axe des x. Comme contrôle de santé mentale, deux modèles en plus des modèles euclidiens sont inclus: un modèle à choix aléatoire et un meilleur modèle possible.
      REMARQUE : Le modèle de choix aléatoire suppose que les sujets cliquent au hasard. Ainsi, il fournit une limite inférieure absolue sur la probabilité logarithmique pour tout modèle qui est meilleur que aléatoire. De même, en tant que limite supérieure de la probabilité logarithmique (étiquetée la meilleure), il y a la probabilité logarithmique d’un modèle qui utilise les probabilités de choix empiriques comme probabilités de son modèle.
    3. Vérifiez qu’aucun modèle euclidien ne surpasse le meilleur modèle, car le meilleur modèle est, de par sa conception, surajusté et non contraint par des considérations géométriques. Vérifiez que les probabilités tracées sont relatives à la meilleure probabilité logarithmique.
  4. Visualisez les espaces perceptifs pour chaque sujet. Générez des nuages de points montrant les points du modèle 5D projetés sur les deux premiers composants principaux. Pour ce faire, exécutez similarities/analysis/perceptual_space_visualizations.py dans la ligne de commande :
    cd ~/similitudes
    python -m analysis.perceptual_space_visualizations
    1. Lorsque vous y êtes invité, entrez les paramètres: les ID d’objet (séparés par des espaces) et le chemin d’accès au fichier npy contenant les points 5D obtenus à partir de l’étape 5.2.
    2. Une fois l’exécution du script terminée, quittez l’environnement virtuel :
      conda désactiver
      REMARQUE: Ce script est destiné à la visualisation des jugements de similitude. Il créera un nuage de points 2D, en projetant les points 5D sur les deux premières composantes principales, normalisées pour avoir une variance égale. Deux points seront plus éloignés si le sujet les considérait comme moins similaires et vice versa.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

La figure 1A montre une partie d’un fichier de conditions généré par le script à l’étape 3.3, pour le mot experiment. Chaque ligne correspond à un essai. Le stimulus dans la colonne ref apparaît au centre de l’écran. Les noms de colonne stim1 à stim8 correspondent à huit positions le long d’un cercle, dans le sens inverse des aiguilles d’une montre, à partir de la position à droite de la référence centrale. Un exemple d’essai tiré du mot expérience est illustré à la figu...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Le protocole décrit ici est efficace pour obtenir et analyser des jugements de similitude pour les stimuli qui peuvent être présentés visuellement. Le paradigme expérimental, l’analyse et les extensions possibles sont discutés en premier, puis les avantages et les inconvénients de la méthode.

Paradigme expérimental : La méthode proposée est démontrée à l’aide d’un domaine de 37 noms d’animaux, et un échantillon d’ensemble de données de jugements perceptuels est fourni afin que...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n’ont rien à divulguer.

Remerciements

Le travail est soutenu par un financement des National Institutes of Health (NIH), subvention EY07977. Les auteurs tiennent également à remercier Usman Ayyaz pour son aide dans le test du logiciel, et Muhammad Naeem Ayyaz pour ses commentaires sur le manuscrit.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Systèmed’exploitation: Windows/MacOS 10 ou supérieur/Linux ; Intel Core i5 double cœur 3,1 GHz ou similaire ; 8 Go de mémoire ou plus ; Autorisations de l’utilisateur pour l’écriture et l’exécution de fichiers
condaVersion 4.11Système d’exploitation : Windows/ MacOS 10 ou supérieur/ Linux
PsychoPyN/AVersion 2021.2Framework pour l’exécution d’études psychophysiques
Python 3Python Software FoundationPython Version 3.8Python3 et bibliothèques intégrées associées
Bibliothèques Python requisesN/Anumpy : 1.17.2 ou supérieure ; matplotlib version 3.4.3 ou supérieure ; scipy version 1.3.1 ou supérieure ; pandas version 0.25.3 ou supérieure ; seaborn version 0.9.0 ou supérieure ; version scikit_learn 0.23.1 ou supérieur ; YAML version 6.0 ou ultérieure  ;Numpy, Scipy et scikit_learn sont des modules de calcul avec des fonctions intégrées pour l’optimisation et les opérations vectorielles. Matplotlib et Seaborn sont des bibliothèques de traçage. pandas a l’habitude de lire et d’éditer des données à partir de fichiers CSV.
Microsoft Excel Microsoft Any Pour ouvrir et mélanger des lignes et des colonnes dans les fichiers de conditions d’essai. version

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Mots-clés

Espace perceptuelparadigme de classementmod les de distance euclidiennecomparaisons par pairesanalyse en composantes principalesanalyse de clusterseffets de contexterepr sentations mentales
Un paradigme psychophysique pour la collecte et l’analyse des jugements de similitude
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d'utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.