Article de méthode

Une configuration naturaliste pour présenter des personnes réelles et des actions réelles dans les études de psychologie expérimentale et de neurosciences cognitives

3K vues

⸱

DOI :

10.3791/65436

⸱

4 août 2023

 ,  ,  ,  , 
1Department of Cognitive Science, Middle East Technical University, 2Interdisciplinary Neuroscience Graduate Program, Bilkent University, 3Department of Computer Engineering, Middle East Technical University, 4Department of Cognitive Science, Jagiellonian University, 5Department of Psychology, Interdisciplinary Neuroscience Graduate Program, National Magnetic Resonance Research Center (UMRAM), Aysel Sabuncu Brain Research Center, Bilkent University

Dans cet article

Résumé

Cette étude présente une configuration expérimentale naturaliste qui permet aux chercheurs de présenter des stimuli d’action en temps réel, d’obtenir des données de temps de réponse et de suivi de la souris pendant que les participants répondent après chaque affichage de stimulus, et de changer les acteurs entre les conditions expérimentales avec un système unique comprenant un écran spécial à diodes électroluminescentes organiques transparentes (OLED) et une manipulation de la lumière.

Résumé

La perception des actions des autres est cruciale pour la survie, l’interaction et la communication. Malgré des décennies de recherche en neurosciences cognitives consacrées à la compréhension de la perception des actions, nous sommes encore loin de développer un système de vision par ordinateur inspiré par les neurones qui se rapproche de la perception de l’action humaine. Un défi majeur est que les actions dans le monde réel consistent en des événements temporels qui se déroulent dans l’espace et qui se produisent « ici et maintenant » et sont réalisables. En revanche, la perception visuelle et la recherche en neurosciences cognitives à ce jour ont largement étudié la perception de l’action à travers des affichages 2D (par exemple, des images ou des vidéos) qui manquent de la présence d’acteurs dans l’espace et le temps, d’où ces affichages sont limités dans l’actabilité. Malgré l’ensemble croissant des connaissances dans le domaine, ces défis doivent être surmontés pour une meilleure compréhension des mécanismes fondamentaux de la perception des actions des autres dans le monde réel. Le but de cette étude est d’introduire une nouvelle configuration pour mener des expériences de laboratoire naturalistes avec des acteurs vivants dans des scénarios qui se rapprochent des paramètres du monde réel. L’élément central de la configuration utilisée dans cette étude est un écran transparent à diodes électroluminescentes organiques (OLED) à travers lequel les participants peuvent regarder les actions en direct d’un acteur physiquement présent tout en contrôlant avec précision le moment de leur présentation. Dans ce travail, cette configuration a été testée dans une expérience comportementale. Nous pensons que la configuration aidera les chercheurs à révéler les mécanismes cognitifs et neuronaux fondamentaux et auparavant inaccessibles de la perception de l’action et constituera une base pour de futures études sur la perception sociale et la cognition dans des contextes naturalistes.

Introduction

Une compétence fondamentale pour la survie et l’interaction sociale est la capacité de percevoir et de donner un sens aux actions des autres et d’interagir avec eux dans l’environnement environnant. Des recherches antérieures au cours des dernières décennies ont apporté des contributions significatives à la compréhension des principes fondamentaux de la façon dont les individus perçoivent et comprennent les actions des autres 1,2,3,4,5,6,7,8,9,10,11 . Néanmoins, compte tenu de la complexité des interactions et des circonstances dans lesquelles elles se produisent, il est évident qu’il est nécessaire de développer davantage l’ensemble des connaissances dans les milieux naturalistes afin de parvenir à une compréhension plus complète de cette compétence complexe dans les contextes de la vie quotidienne.

Dans les environnements naturels tels que notre vie quotidienne, la perception et la cognition présentent des caractéristiques incarnées, intégrées, étendues et énactives12. Contrairement aux récits internalistes des fonctions cérébrales qui tendent à sous-estimer les rôles du corps et de l’environnement, les approches contemporaines de la cognition incarnée se concentrent sur le couplage dynamique du cerveau, du corps et de l’environnement. D’autre part, la plupart des recherches en psychologie sociale, en psychologie cognitive et en neurosciences sur la perception de l’action ont tendance à supposer que l’utilisation de plans d’expériences bien contrôlés et simplifiés dans des conditions de laboratoire (par exemple, des images ou des vidéos dans des tâches informatisées) donne des résultats qui peuvent être généralisés à des scénarios plus complexes tels que les interactions du monde réel 1,2,3,4,5,6,7 ,8,9,10,11. Cette hypothèse garantit que des données robustes et fiables peuvent être obtenues dans de nombreuses circonstances. Néanmoins, un défi bien connu est que la validité des modèles dérivés d’expériences soigneusement contrôlées est limitée lorsqu’ils sont testés dans un contexte réel13. Par conséquent, d’autres recherches 13,14,15,16,17,18,19,20,21,22 ont été menées pour examiner la validité écologique et externe des stimuli et des plans expérimentaux dans divers domaines de recherche.

Dans cette étude, une nouvelle méthode est suggérée pour étudier comment les individus perçoivent et évaluent les actions des autres en utilisant des actions réelles effectuées par un acteur réel et physiquement présent. Des scénarios similaires à des contextes réels sont utilisés, tandis que les expérimentateurs ont le contrôle sur les facteurs de confusion possibles. Cette étude est une forme de « recherche naturaliste en laboratoire », dans le cadre de Matusz et al.14 qui peut être conçue comme une étape intermédiaire entre la « recherche de laboratoire classique », qui utilise un contrôle maximal sur les stimuli et l’environnement, souvent au détriment du naturel, et la « recherche entièrement naturaliste du monde réel », qui vise à maximiser la naturalité au détriment du contrôle de la stimulation et de l’environnement 14. L’étude vise à répondre au besoin d’enquêtes empiriques à ce niveau dans la recherche sur la perception en action afin de combler l’écart entre les résultats obtenus dans les expériences de laboratoire traditionnelles avec un degré élevé de contrôle expérimental et les résultats obtenus dans des études menées dans des environnements naturels entièrement non contraints.

Expériences contrôlées versus expériences non contraintes
Le contrôle expérimental est une stratégie efficace pour concevoir des expériences visant à tester une hypothèse spécifique, car il permet aux chercheurs d’isoler les variables cibles des facteurs de confusion probables. Il permet également de revoir la même hypothèse avec certains niveaux d’amendements, tels que l’utilisation de stimuli légèrement ou totalement différents dans la même conception ou le test des mêmes stimuli dans des configurations expérimentales alternatives. L’investigation systématique par des expériences contrôlées est une forme traditionnelle de méthodologie dans la recherche en sciences cognitives et dans les domaines pertinents. Les expériences contrôlées aident encore à établir l’ensemble des connaissances sur les principes fondamentaux des processus cognitifs dans divers domaines de recherche, tels que l’attention, la mémoire et la perception. Cependant, des recherches récentes ont également reconnu les limites des expériences de laboratoire traditionnelles en termes de généralisation des résultats à des contextes réels, et les chercheurs ont été encouragés à mener des études dans des milieux écologiques améliorés 13,14,15,16,17,18,19,20,21 . Ce changement vise à résoudre deux problèmes importants concernant l’écart entre les expériences de laboratoire traditionnelles et les environnements réels. Premièrement, le monde extérieur au laboratoire est moins déterministe que dans les expériences, ce qui limite le pouvoir représentatif des manipulations expérimentales systématiques. Deuxièmement, le cerveau humain est très adaptatif, ce qui est souvent sous-estimé en raison des limites pratiques de la conception et de la conduite d’études expérimentales22. Le concept de « validité écologique »23,24 a été utilisé pour trouver des méthodes permettant de résoudre ce problème. Le terme est généralement utilisé pour désigner une condition préalable à la généralisation des résultats expérimentaux au monde réel en dehors du contexte du laboratoire. La validité écologique a également été interprétée comme faisant référence à la validation de configurations expérimentales pratiquement naturalistes avec des stimuli sans contrainte pour s’assurer que le plan d’étude est analogue aux scénarios réels25. En raison du degré élevé de variance dans l’interprétation de ce terme, il est nécessaire de comprendre les avantages et les limites des méthodologies alternatives et de la sélection des stimulits.

Niveaux de naturalisme dans les stimuli et la conception d’expériences
Des travaux antérieurs en psychologie expérimentale et en neurosciences cognitives ont utilisé un large éventail de stimuli avec différents niveaux de naturalisme26. La plupart des chercheurs préfèrent utiliser des images statiques ou de courtes vidéos dynamiques parce que ces stimuli sont plus faciles à préparer que ceux qui pourraient simuler une action réelle ou un événement. Malgré leurs avantages, ces stimuli ne permettent pas aux chercheurs de mesurer les comportements contingents des agents sociaux. En d’autres termes, ils ne sont pas réalisables et n’ont pas d’affordance sociale27. Ces dernières années, une alternative à ces stimuli non interactifs a été développée : des animations en temps réel d’avatars virtuels. Ces avatars permettent d’enquêter sur les interactions entre les avatars et leurs utilisateurs. Cependant, l’utilisation d’avatars virtuels est sujette à une appréhension réduite des utilisateurs, en particulier lorsqu’ils ne semblent pas particulièrement engageants en termes de comportements réalistes etcontingents26. Par conséquent, il y a maintenant plus d’intérêt à utiliser des stimuli sociaux réels dans les études expérimentales. Bien que leur conception, leur enregistrement de données et leur analyse puissent nécessiter un équipement de pointe et une analyse de données complexe, ils sont les meilleurs candidats pour comprendre le comportement humain naturaliste et la cognition.

La présente étude propose une méthodologie pour utiliser des stimuli sociaux réels dans un environnement de laboratoire. Cette étude vise à étudier comment les gens perçoivent et évaluent les actions des autres dans un contexte avec une validité écologique améliorée par rapport aux expériences de laboratoire traditionnelles. Nous avons développé et décrit une nouvelle configuration dans laquelle les participants sont exposés à des acteurs réels qui sont physiquement présents et partagent le même environnement avec eux. Dans ce protocole, les temps de réponse et les trajectoires des souris des participants sont mesurés, ce qui nécessite un timing précis de la présentation des stimuli et un contrôle strict des conditions expérimentales dans ce cadre écologique amélioré. Par conséquent, le paradigme expérimental se démarque parmi les cadres présents dans la littérature puisque le caractère naturel des stimuli est maximisé sans sacrifier le contrôle sur l’environnement. Ci-dessous, le protocole présente les étapes pour établir un tel système, puis continue avec les résultats représentatifs pour les données de l’échantillon. Enfin, une discussion sur l’importance du paradigme, ses limites et ses plans de modifications est présentée.

Conception expérimentale
Avant de passer à la section du protocole, nous décrivons les paramètres utilisés dans la présente étude et présentons les détails des stimuli ainsi que la conception expérimentale.

Paramètres de l’étude
Cette étude vise à mesurer comment le type d’acteur et la classe d’actions qu’ils effectuent affectent les processus de perception de l’esprit des participants. Dans le protocole, le processus de perception de l’esprit est mesuré dans deux dimensions principales, à savoir l’agence et l’expérience, comme proposé par des recherches antérieures28. Les extrémités haute et basse de ces deux dimensions sont également incluses, comme l’ont récemment introduit Li et al.29.

La structure de l’étude a été inspirée par la version30 à catégorie unique de la tâche d’association implicite (SIA)31 couramment utilisée. Dans cette tâche, les temps de réponse des participants lorsqu’ils font correspondre un concept d’attribut avec le concept cible sont utilisés comme une indication de la force de leurs associations implicites pour ces deux concepts. Dans l’adaptation de cette tâche implicite, les participants sont présentés des actions en direct effectuées par des acteurs réels et doivent les faire correspondre à des concepts cibles. Les concepts cibles sont les extrémités hautes et basses des dimensions de l’agence ou de l’expérience, en fonction du bloc de l’expérience.

Pour résumer, les variables indépendantes sont le type d’acteur et la classe d’action. Le type d’acteur comporte deux niveaux (c.-à-d. deux acteurs différents, Actor1 et Actor2, jouant dans l’étude). La classe Action comporte deux niveaux : Action Class1 et Action Class2, et chaque classe contient quatre actions. Les participants évaluent les deux acteurs séparément en quatre blocs (un acteur dans chaque bloc), et dans chaque bloc, les acteurs effectuent toutes les actions dans un ordre contrebalancé. Les participants effectuent des évaluations par rapport à deux dimensions prédéfinies et forcées: l’agence et l’expérience. Les quatre blocs de l’expérience sont (1) Actor1 dans Agency Block, (2) Actor2 dans Agency Block, (3) Actor1 dans Experience Block et (4) Actor2 dans Experience Block. L’ordre des blocs est également contrebalancé entre les participants afin que les blocs avec le même agent ne se suivent jamais.

Outre les réponses des participants, les temps de réponse et les coordonnées x-y de la souris sans fil qu’ils utilisent lorsqu’ils se déplacent vers l’une des deux alternatives de réponse sont enregistrés. Ainsi, les variables dépendantes sont la réponse et le temps de réponse (RT) des participants, ainsi que les mesures de l’écart maximal (DM) et de l’aire sous la courbe (AUC), dérivées du suivi de la souris par ordinateur. La réponse de la variable est catégorique; il peut être élevé ou faible, et puisque les évaluations sont effectuées dans l’un des blocs donnés, les réponses peuvent également être étiquetées comme haute agence, faible agence, haute expérience ou faible expérience. Le temps de réponse est une variable continue; Son unité est en secondes, et elle fait référence au temps écoulé entre le début de la présentation d’une action et l’occurrence d’un clic de souris sur l’une des alternatives de réponse. Le DM d’une trajectoire est une variable continue, et il se réfère à la plus grande déviation perpendiculaire entre la trajectoire du ou des participants et la trajectoire idéalisée (ligne droite). L’ASC d’une trajectoire est également une variable continue, et elle fait référence à la zone géométrique entre la trajectoire du ou des participants et la trajectoire idéalisée32.

Stimuli et conception de l’expérience
Une expérience en trois étapes est utilisée dans la présente étude. Les mesures de la troisième partie sont utilisées pour les analyses; Les deux premières parties servent de préparation pour la partie finale. Ci-dessous, nous décrivons chaque partie de l’expérience avec les stimuli et hypothèses expérimentaux.

Dans la partie 1 de l’expérience (partie formation lexicale), les participants suivent une session de formation pour comprendre les concepts d’agence et d’expérience et les niveaux de capacité représentés par les mots High et Low. Pour sélectionner les concepts (n = 12) à utiliser dans cette session de formation, certains des auteurs des travaux en cours ont mené une étude normative33. Étant donné que la présente étude devait être menée dans les langues maternelles des participants, les concepts ont également été traduits en turc avant d’être normalisés. Les concepts ont été choisis parmi ceux qui étaient fortement associés aux extrémités haute (n = 3) et faible (n = 3) des deux dimensions (six concepts pour chacune). Cette partie est cruciale puisque la compréhension des concepts par les participants devrait guider leurs processus d’évaluation.

Dans la partie 2 de l’expérience (partie identification de l’action), les participants regardent les huit mêmes actions effectuées par Actor1 et Actor2 l’une après l’autre et rapportent quelle est l’action à l’expérimentateur. Cette section sert de vérification de la manipulation ; En présentant toutes les actions lorsque les deux acteurs les exécutent, il est possible de s’assurer que les participants comprennent les actions et sont familiers avec les acteurs avant de commencer le test implicite, où ils doivent faire des évaluations rapides. Les actions sélectionnées pour la classe d’action1 et la classe d’action2 sont celles qui ont obtenu les scores H et les niveaux de confiance les plus élevés (quatre exemples d’action différents dans chaque classe d’action) selon les résultats des deux études normatives (N = 219) pour chaque condition d’acteur menées par certains des auteurs (manuscrit en préparation). Toutes les actions sont effectuées dans un délai égal de 6 s.

Il s’agit d’une étude en cours, qui comporte d’autres volets; Cependant, les hypothèses pour les sections décrites ci-dessus sont les suivantes: (i) le type d’acteur affectera les variables dépendantes; Actor2 produira des TR plus longs, des DM plus élevés et des ASC plus importantes par rapport à Actor1 ; ii) le type d’action aura une incidence sur les mesures dépendantes; La classe d’action 1 produira des RT plus longs, des DM plus élevées et des ASC plus importantes par rapport à la classe d’action 2; (iii) les mesures dépendantes des réponses High et Low pour le même acteur et la même classe d’action différeront selon les dimensions du bloc : Agence et Expérience.

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

Protocole

Les protocoles expérimentaux de cette étude ont été approuvés par le Comité d’éthique pour la recherche avec des participants humains de l’Université Bilkent. Tous les participants inclus dans l’étude avaient plus de 18 ans, et ils ont lu et signé le formulaire de consentement éclairé avant de commencer l’étude.

1. Étapes générales de conception

NOTA : La figure 1A (vue du haut) et la figure 1B et la figure 1C (vues avant et arrière) illustrent la disposition du laboratoire; Ces chiffres ont été créés par rapport à la configuration originale du laboratoire et à la configuration conçue pour cette étude particulière. La figure 1A montre la disposition de la vue de dessus du laboratoire. Dans cette figure, il est possible de voir des lumières LED sur le plafond et le cabinet d’acteur. Le système de rideau occultant divise la pièce en deux et facilite la manipulation de la lumière en empêchant la lumière de s’infiltrer dans la partie avant de la pièce (zone participante). La figure 1B présente la vue du laboratoire du point de vue de l’expérimentateur. Le participant est assis juste devant l’écran OLED et, à l’aide de l’écran transparent, il peut regarder les actions en direct effectuées par les acteurs. Ils donnent leurs réponses en utilisant le dispositif de réponse (une souris sans fil) devant eux. L’expérimentateur peut regarder simultanément l’acteur à travers l’écran du participant (écran OLED) et les images provenant de la caméra de sécurité. La figure 1C montre les coulisses de l’étude (zone des acteurs) avec la caméra de sécurité et l’ordinateur personnel (PC) de l’acteur, qui ne sont pas visibles par le participant. Les images de la caméra de sécurité vont au PC de la caméra pour établir la communication entre les acteurs et l’expérimentateur. Le PC Actor affiche l’ordre des blocs et les informations d’action suivante à l’acteur afin que l’expérience se déroule sans interruption. Les acteurs peuvent vérifier rapidement l’action suivante tandis que les participants répondent à l’action de l’essai précédent.

figure-protocol-1
Figure 1 : Installation du laboratoire naturaliste. (A) Vue de haut en bas de la configuration du laboratoire naturaliste. (B) Les faces arrière et avant de la configuration expérimentale naturaliste du point de vue du participant. (C) Les faces arrière et avant de la configuration expérimentale naturaliste du point de vue de l’acteur. Veuillez cliquer ici pour voir une version agrandie de cette figure.

  1. Concevoir une configuration qui comprend trois ordinateurs, y compris (1) un bureau de contrôle principal (Experimenter PC), (2) un ordinateur portable acteur (Actor PC) et (3) un PC caméra, un dispositif de réponse sans fil (souris participante), deux écrans, un circuit d’éclairage et une caméra de sécurité (voir la figure 2A pour le schéma système de la configuration de cette étude).
    REMARQUE: Le PC de l’expérimentateur sera utilisé par l’expérimentateur pour exécuter les scripts d’expérience, le PC de l’acteur sera utilisé par l’acteur pour suivre les blocs de l’expérience et l’ordre des actions dans les blocs, et le troisième appareil, le PC caméra, sera connecté à la caméra de sécurité située dans la zone de l’acteur et utilisé par l’expérimentateur pour surveiller les coulisses.
  2. Connectez les écrans séparés (un pour la présentation des stimuli [Participant Display], qui est l’écran OLED) et un écran pour la surveillance de l’expérience, le dispositif de réponse et le circuit d’éclairage (via des fils ou des connexions sans fil) au PC de l’expérimentateur (voir Figure 2A).
  3. Connectez le PC de l’expérimentateur et le PC de l’acteur sur un réseau sans fil pour transmettre aux acteurs des informations relatives à l’état de l’expérience (par exemple, « l’ID de l’action suivante est 'salutation'' ») aux acteurs.
  4. Concevez et construisez un circuit d’éclairage qui (voir Figure 2B pour la carte de circuit imprimé) peut être contrôlé par un microcontrôleur pour allumer et éteindre les LED.
    REMARQUE: La figure 3A montre l’utilisation opaque de l’écran OLED utilisé dans l’étude du point de vue de l’expérimentateur. Pour assurer l’opacité, l’arrière-plan de l’écran est réglé en blanc (RVB: 255, 255, 255) et toutes les lumières de la salle (à la fois dans la zone des participants et dans la zone des acteurs) sont éteintes. Le participant voit la fixation avant les stimuli. La figure 3B montre l’utilisation transparente de l’écran numérique dans l’étude du point de vue de l’expérimentateur. Pour permettre la transparence, l’arrière-plan de l’écran est réglé en noir (RVB : 0, 0, 0) et les voyants LED au plafond sont allumés. Le participant regarde l’acteur. La figure 3C montre l’utilisation opaque de l’écran numérique dans l’étude. Pour assurer l’opacité, l’arrière-plan de l’écran est réglé en blanc (RVB: 255, 255, 255) et toutes les lumières de la pièce sont éteintes. Le participant est présenté avec l’écran d’évaluation pour donner une réponse. Ils doivent faire glisser le curseur en haut à gauche ou en haut à droite de l’écran (l’un des deux choix de réponse, Haut ou Bas) à l’aide d’une souris sans fil. Leur trajectoire de souris et leur temps de réponse sont enregistrés.
  5. Connectez le microcontrôleur au PC expérimentateur.
  6. Stockez les scripts qui exécutent l’expérience dans le PC de l’expérimentateur.
    REMARQUE: La figure 4A montre les coulisses (zone des acteurs) pendant l’expérience. Les lumières avant de la salle (zone participante) sont éteintes et le PC de l’acteur affiche le nom de l’action qui sera effectuée par l’acteur. La figure 4B montre le cabinet d’acteurs dans lequel les acteurs peuvent attendre leur tour et changer de tenue. L’armoire à acteurs n’est pas visible du point de vue du participant, et comme un système de rideau est utilisé, les acteurs peuvent utiliser n’importe quelle entrée qu’ils veulent. Pendant l’expérience, les lumières fluorescentes affichées dans la figure sont éteintes.

figure-protocol-2
Figure 2 : Schéma du système et du câblage. (A) Le schéma du système de la configuration expérimentale naturaliste. (B) Le schéma de câblage du circuit lumineux qui supporte l’écran OLED pendant l’expérience. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-3
Figure 3 : Écran OLED du point de vue de l’expérimentateur. (A) Utilisation opaque de l’écran numérique OLED du point de vue de l’expérimentateur. (B) Utilisation transparente de l’écran numérique OLED du point de vue de l’expérimentateur. (C) Utilisation opaque de l’écran numérique OLED du point de vue de l’expérimentateur pendant une période de réponse. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-4
Figure 4 : Coulisses de l’expérience. (A) Coulisses pendant un essai expérimental. (B) La borne d’acteurs se trouve à l’arrière de l’écran OLED, dans lequel les acteurs peuvent attendre que leur tour soit visible pendant l’expérience. Veuillez cliquer ici pour voir une version agrandie de cette figure.

2. Conception et mise en œuvre du circuit d’éclairage

  1. Étapes à suivre avant d’alimenter les dispositifs/composants du circuit
    1. Pour modifier les états des voyants installés en coulisses (Actor Area), fournissez au PC expérimentateur la possibilité de basculer les voyants sur ON ou OFF.
    2. Pour transmettre les commandes numériques qui seront envoyées par le PC expérimentateur via un câble USB, sélectionnez un microcontrôleur capable de prendre des entrées numériques et de générer une sortie numérique (voir le tableau des matériaux pour le microcontrôleur utilisé dans cette étude).
    3. Sélectionnez un port USB spécifique du PC expérimentateur pour vous connecter à l’entrée USB du microcontrôleur via un câble USB. N’allumez pas le PC avant de vous être assuré que toutes les connexions ont été établies avec succès.
    4. Inclure un module de commutation pour augmenter l’amplitude du signal de sortie (environ 3,3 V) généré par le microcontrôleur.
    5. Connectez la broche de sortie numérique désignée (pour cette expérience, la broche désignée est D9) et les broches de masse du microcontrôleur au module de commutation.
    6. Pour exécuter la charge (les LED), incluez un module MOSFET (ou module MOSFET) à transistor à effet de champ métal-oxyde-semi-conducteur de haute puissance qui est entraîné par le signal généré par le module de commutation, et connectez les broches de signal du module MOSFET à la paire signal-masse correspondante sur le module de commutation.
    7. Connectez les broches du module MOSFET à la charge.
    8. Pour fournir une tension constante régulée aux modules (et indirectement, aux LED), incluez une alimentation LED qui prend l’entrée secteur en courant alternatif (AC) et génère une tension CC constante dans le circuit.
    9. Connectez les sorties de l’alimentation LED aux entrées d’alimentation du module MOSFET et du module de commutation.
  2. Étapes à suivre après le câblage des composants du circuit
    1. Connectez le câble USB au port USB sélectionné du PC expérimentateur.
    2. Créez une liaison de communication série entre le microcontrôleur et l’environnement logiciel exécuté sur le PC expérimentateur (voir la sous-section Connexion du microcontrôleur au PC expérimentateur).
    3. Branchez l’alimentation LED à l’entrée secteur CA.

3. Programmation de l’expérience

Remarque : Créez trois scripts expérimentaux principaux (ExperimentScript1.m [Fichier de codage supplémentaire 1], ExperimentScript2.m [Fichier de codage supplémentaire 2] et ExperimentScript3.m [Fichier de codage supplémentaire 3]), ainsi que plusieurs fonctions (RecordMouse.m [Fichier de codage supplémentaire 4], InsideROI.m [Fichier de codage supplémentaire 5], RandomizeTrials.m [Fichier de codage supplémentaire 6], RandomizeBlocks.m [Fichier de codage supplémentaire 7], GenerateResponsePage.m [Fichier de codage supplémentaire 8], GenerateTextures.m [Fichier de codage supplémentaire 9], ActorMachine.m [Fichier de codage supplémentaire 10], MatchIDtoClass.m [Fichier de codage supplémentaire 11] et RandomizeWordOrder.m [Fichier de codage supplémentaire 12]) pour effectuer l’expérience.

REMARQUE: Veuillez vous référer aux scripts associés pour des explications détaillées.

  1. Randomisation de l’essai et des ordonnances globales
    1. Définissez et créez deux fonctions pour randomiser les ordres d’essai (RandomizeTrials.m) et les ordres de blocs (RandomizeBlocks.m) qui prennent les paramètres de randomisation (tels que l’ID du participant) comme entrées et renvoient un tableau de séquences pseudorandomisées.
    2. Voir les scripts RandomizeBlocks.m (lignes 2-24) et RandomizeTrials.m (lignes 3-26) pour plus de détails sur la façon dont les séquences randomisées sont générées.
  2. Suivi de la réponse (RecordMouse, InsideRoi)
    1. Créez une fonction qui suit et enregistre la trajectoire de la souris des participants et le temps écoulé pendant l’expérience (voir RecordMouse.m).
    2. Créez une fonction d’assistance pour vérifier si les coordonnées cliquées se trouvent à l’intérieur des régions acceptables ou non (voir script InsideRoi.m).
  3. Génération de textures pour les instructions et les commentaires (GenerateTextures.m, GenerateResponsePage.m)
    1. Préparez les instructions relatives à l’expérience et les commentaires relatifs aux essais sous forme d’images.
    2. Enregistrez le contenu de ces images dans un fichier .mat (voir le fichier ExperimentImages.mat [Fichier de codage supplémentaire 13]).
    3. Chargez le fichier .mat dans l’espace de travail (voir GenerateTextures.m ligne 25) après avoir créé une fenêtre à l’écran.
    4. Créez une texture distincte et son identifiant pour chaque image (voir GenerateTextures.m lignes 27-165).
    5. Définissez une fonction pour dessiner les textures de page de réponses associées pour chaque script d’expérience (voir GenerateResponsePage.m).
  4. Connexion de l’Actor PC à Experimenter PC via TCP/IP
    1. Créez un socket de serveur TCP dans le script (voir ExperimentScript2.m ligne 174) exécuté sur le PC expérimentateur.
    2. Créez un socket client TCP correspondant dans le script (voir ActorMachine.m ligne 16) exécuté sur l’Actor PC.
    3. Envoyez des informations sur le bloc/essai à venir aux acteurs à partir du script (voir les lignes 207, 229 et 278 dans ExperimentScript2.m ou voir les lignes 136, 141, 153, 159 et 297 dans ExperimentScript3.m) exécuté sur le PC Experimenter.
    4. Affichez les informations reçues du PC Experimenter sur la fenêtre à l’écran de l’Actor PC (voir lignes 31-47 dans ActorMachine.m).
  5. Connexion du microcontrôleur au PC expérimentateur
    1. Connectez le microcontrôleur à un port USB spécifique (par exemple, PORT 9) pour contrôler l’état (ON ou OFF) des voyants installés en coulisses.
    2. Établissez une communication série entre le microcontrôleur et le PC expérimentateur (voir ligne 185 dans le script ExperimentScript2.m).
    3. Envoyez un signal logique élevé (1) au microcontrôleur à partir du script exécuté sur le PC expérimentateur (voir ligne 290 dans ExperimentScript2.m ou ligne 311 dans les scripts ExperimentScript3.m) pour allumer les voyants lorsque les actions sont affichées via le câble USB.
    4. Envoyez un signal logique bas (0) au microcontrôleur à partir du script exécuté sur le PC expérimentateur (voir ligne 292 dans ExperimentScript2.m ou voir ligne 314 dans les scripts ExperimentScript3.m) pour éteindre les voyants lorsque le participant est censé donner une réponse.

4. Le déroulement d’un échantillon d’expérience

  1. Étapes préalables à l’expérimentation
    1. Assurez-vous que tous les appareils du laboratoire (PC expérimentateur, PC appareil photo, PC acteur et écran participant) sont alimentés par un onduleur.
    2. Reliez le microcontrôleur Lightning au PC de l’expérimentateur via un câble USB, de sorte qu’il s’allume automatiquement lorsque le PC de l’expérimentateur s’allume.)
    3. Allumez le PC expérimentateur et vérifiez s’il est connecté au Wi-Fi 5 GHz.
    4. Choisissez le périphérique audio (les haut-parleurs dans le tableau des matériaux) comme périphérique de sortie sonore du PC expérimentateur.
    5. Allumez l’écran des participants et réglez les paramètres de volume sur 80 %.
    6. Définissez les paramètres d’écran du PC expérimentateur pour plusieurs moniteurs. Étendez l’affichage du PC d’expérience à l’affichage du participant. L’affichage du PC de l’expérimentateur sera 1 et l’affichage du participant sera de 2.
    7. Allumez l’Actor PC et vérifiez s’il est connecté au Wi-Fi 5 GHz.
    8. Connectez la caméra de sécurité à l’Actor PC via un câble USB, afin qu’elle soit automatiquement allumée lorsque l’Actor PC est allumé.
    9. Allumez le PC appareil photo et ouvrez l’application appareil photo sur le bureau. Assurez-vous que chaque acteur, ses mouvements, son entrée et sa sortie dans l’armoire sont visibles depuis la caméra.
    10. Assurez-vous que tous les ordinateurs, écrans et périphériques (le dispositif de réponse [souris sans fil du participant], les haut-parleurs, le clavier et la souris du PC expérimentateur et du PC Actor et le microcontrôleur Lightning) fonctionnent correctement.
    11. Accueillir le participant dans une autre salle; Après avoir donné de brèves informations sur l’étude, fournissez le formulaire de consentement et laissez le participant le signer.
    12. Demandez au participant de tirer un numéro d’un sac et dites-lui que le numéro sera son identifiant de participant tout au long de l’étude.
    13. Laissez le participant remplir le formulaire démographique en ligne avec son identifiant de participant anonyme.
      NOTE: Il est crucial que les participants ne voient pas les acteurs avant l’expérience. Ainsi, cette paperasse est remplie dans une autre pièce plutôt que dans la salle d’expérience principale afin que les acteurs puissent prendre des pauses entre les participants.
  2. Les étapes de l’expérience
    1. Ouvrez le logiciel d’expérience sur le PC Experimenter, ouvrez le script ExperimentScript1.m et exécutez-le.
    2. Remplissez l’ID du participant et son âge; ensuite, le script commencera la première partie de l’expérience (le premier stimulus visible sera une croix au centre de l’affichage du participant.)
    3. Ouvrez le logiciel d’expérience sur l’Actor PC et ouvrez le script ActorMachine.m.
    4. Placez le PC de la caméra près du PC de l’expérimentateur et assurez-vous que les images provenant de la caméra de sécurité ne sont pas visibles par le participant.
    5. Accueillez le participant dans la salle d’expérience principale et laissez-le s’asseoir devant l’écran du participant.
    6. Dites au participant de s’arranger de manière à ce que la croix soit au milieu et droit devant.
    7. Donnez brièvement des instructions sur les parties de l’expérience en vous référant aux explications et aux durées écrites sur le tableau blanc.
    8. Éteignez toutes les lumières de la salle d’expérience.
  3. Expérience partie 1 :
    1. Dites au participant qu’il suivra une formation lexicale/conceptuelle dans la première partie de l’expérience. Avertissez-les de faire attention à suivre les instructions afin qu’ils puissent réussir la formation.
    2. Dites au participant que l’expérience peut être commencée lorsqu’il est prêt.
    3. Appuyez sur le bouton ESC lorsque le participant dit qu’il est prêt pour la première partie.
      REMARQUE: À partir de maintenant, le participant progressera dans l’expérience en lisant les instructions sur l’écran du participant et en sélectionnant l’un des choix. Ils recevront des commentaires sur leurs bonnes et mauvaises réponses afin qu’ils puissent bien progresser dans la formation. L’appariement se poursuivra jusqu’à ce que les participants atteignent le seuil minimum (80%) dans les 10 répétitions de blocs.
    4. Lorsque le participant a terminé la partie formation, appuyez sur le bouton ESC et indiquez au participant que l’expérimentateur prend le contrôle de la souris pour démarrer la deuxième partie de l’expérience.
  4. Expérience partie 2 :
    1. Ouvrez le script ExperimentScript2.m et attendez l’invite En attendant le PC de l’acteur.
    2. Sonnez la cloche lorsque l’invite s’affiche afin que l’un des acteurs puisse exécuter le script sur le PC de l’acteur pour activer la connexion avec le PC expérimentateur.
    3. Attendez que l’invite Experiment Part 2 soit prête.
    4. Dites au participant que maintenant que l’écran sera transparent pendant qu’il regarde quelques courtes actions à travers lui.
    5. Avertissez-les de surveiller attentivement chaque action et informez-les qu’ils doivent dire ce qu’est l’action à haute voix.
    6. Dites au participant que l’expérience peut être commencée lorsqu’il est prêt.
    7. Appuyez sur le bouton ESC lorsque le participant dit qu’il est prêt pour la première partie.
      REMARQUE: Le participant progresse dans les instructions et regarde la première action. Actor1 effectue les actions lorsque les voyants LED sont allumés, et ils vérifient l’action suivante à partir de l’invite sur l’Actor PC lorsque les lumières sont éteintes. À la fin de chaque action, une boîte de dialogue apparaît sur l’écran du PC expérimentateur.
    8. Tapez ce que le participant dit à propos de l’action dans la boîte de dialogue et tapez 1 ou 0 dans la deuxième boîte de dialogue en fonction de la bonne ou de la mauvaise identification de l’action, respectivement.
      NOTE: Ces étapes seront répétées huit fois pour le premier acteur, et la musique de fond commencera à jouer quand il sera temps pour les acteurs de changer de place.
    9. Regardez les coulisses à partir des images de la caméra de sécurité sur le PC de la caméra.
    10. Appuyez sur le bouton ESC pour démarrer l’identification d’Actor2 lorsque l’acteur agite ses mains vers la caméra de sécurité avec le geste Je suis prêt .
    11. Répétez l’étape 4.4.7 et l’étape 4.4.8 avec le participant jusqu’à ce que les huit mêmes actions soient également identifiées pendant qu’elles sont effectuées par Actor2.
    12. Lorsque le participant voit l’avertissement L’identification est terminée et quitte la pièce en cliquant sur la flèche, appuyez sur le bouton ESC et indiquez au participant que l’expérimentateur prend le contrôle de la souris pour commencer la troisième partie de l’expérience.
  5. Expérience partie 3 :
    1. Ouvrez le script ExperimentScript3.m.
    2. Dites au participant qu’il regardera les actions des deux acteurs, puis il cliquera sur l’option qu’il pense appropriée.
      NOTE: Les participants évalueront les actions des acteurs en quatre blocs. Dans deux des blocs, Actor1 effectuera les actions, et dans les deux autres, Actor2 effectuera les mêmes actions. Dans deux des blocs, les participants évalueront les actions en attribuant des capacités élevées ou faibles de l’Agence, et dans les deux autres, ils attribueront des capacités d’expérience élevée ou faible.
    3. Appuyez sur le bouton ESC lorsque le participant dit qu’il est prêt pour la troisième partie.
      REMARQUE: Le participant progresse dans les instructions et commence par le premier bloc. Les acteurs exécutent les actions dans la lumière, et pendant que les participants donnent leurs réponses, l’écran devient opaque, et les lumières sont éteintes afin que les acteurs puissent voir quelle action est à venir. À la fin de chaque bloc, les acteurs changent de place en suivant les instructions sur le PC de l’acteur.
    4. Vérifiez si tout se passe bien dans les coulisses et si le bon acteur mène la bonne action pendant les blocs.
    5. Appuyez sur le bouton ESC pour démarrer le bloc suivant lorsque le bon acteur agite ses mains avec le geste Je suis prêt après le remplacement des acteurs.
    6. Répétez les étapes 4.5.4 et 4.5.5 en coopération avec le participant et l’acteur jusqu’à ce que les quatre blocs soient terminés.
    7. Lorsque le participant voit le message L’expérience est terminée, merci d’appuyer sur le bouton ESC .
    8. Remerciez le participant et, après avoir fait un compte rendu et recueilli les signatures, envoyez-le à l’extérieur.

La figure 5 montre un exemple d’essai du point de vue du participant. La figure 5A montre le participant regardant le curseur au centre de l’écran dans son utilisation opaque. La figure 5B montre le participant regardant les stimuli d’action réelle à travers l’écran. La figure 5C montre l’écran d’évaluation présenté au participant après les stimuli, dans lequel il doit faire glisser la souris vers l’une des deux alternatives dans chaque coin supérieur de l’écran.

figure-protocol-5
Figure 5 : Écran OLED du point de vue du participant. (A) Utilisation opaque de l’écran numérique OLED du point de vue du participant lors d’un écran de fixation. (B) Utilisation transparente de l’écran numérique OLED du point de vue du participant lors de la présentation d’une action en direct. (C) Utilisation opaque de l’écran numérique OLED du point de vue du participant pendant la période de réponse. Veuillez cliquer ici pour voir une version agrandie de cette figure.

5. Prétraitement et analyse des données

  1. Segmentation des données en conditions
    1. Lisez tous les fichiers de données des participants dans l’espace de travail de l’environnement logiciel.
    2. Définissez les conditions pour regrouper les données (deux classes d’action [Classe d’action1 et Classe d’action2] x deux acteurs [Acteur1 et Acteur2] x deux dimensions [Agence et Expérience] x deux niveaux [Haut et Faible]).
    3. Segmentez les données en quatre groupes principaux : Agence élevée, Agence faible, Expérience élevée et Expérience faible.
    4. Divisez ces groupes principaux en quatre sous-groupes (deux acteurs x deux classes d’action).
    5. Parcourez chaque fichier de données en boucle pour regrouper les essais qui appartiennent à l’un des quatre sous-groupes définis précédemment.
    6. Stockez les informations d’essai pertinentes (temps de réponse, mouvement du curseur et points temporels auxquels la position du curseur est échantillonnée) dans des structures de données distinctes pour chaque sous-groupe.
    7. Quittez la boucle lorsque toutes les versions d’essai sont regroupées.
  2. Visualisation des trajectoires
    1. Après avoir segmenté les données, procédez comme suit pour visualiser les trajectoires de la souris.
    2. Pour appliquer l’interpolation temporelle aux trajectoires de réponse, pour chaque essai, sélectionnez 101 paires (x,y) dans le tableau de trajectoires afin que chaque sous-groupe de données ait des essais avec un nombre égal de pas de temps.
      REMARQUE: Lors de l’ancrage du nombre de paires à 101, assurez-vous de suivre la convention32pour effectuer une normalisation correcte de l’heure. Par conséquent, réalisez la normalisation temporelle en utilisant l’équation suivante, où n est le nombre d’échantillons dans un tableau de trajectoires:
      figure-protocol-6
    3. Calculez la somme des paires (x,y) à chacun des 101 points temporels, puis divisez le résultat obtenu par le nombre total d’essais de ce sous-groupe pour obtenir les moyennes pour chaque sous-groupe (par exemple, Expérience faible Acteur1 ou Expérience Faible Acteur2).
    4. Appliquez une opération de mise à l’échelle aux valeurs de ligne pour visualiser les trajectoires moyennes.
      Remarque : Le plan de coordonnées 2D suppose que les deux axes augmentent à partir du point zéro situé dans le coin inférieur gauche de la fenêtre (en supposant que les coordonnées sont des entiers positifs), tandis que le format de pixel prend le coin supérieur gauche de la fenêtre comme référence (par exemple, point zéro). Ainsi, appliquez une opération de mise à l’échelle pour les coordonnées y (correspondant aux valeurs de ligne au format pixel) des emplacements échantillonnés en extrayant la coordonnée y échantillonnée de chaque essai de la valeur du nombre total de lignes.
    5. Tracez les sous-groupes connexes dans la même figure à des fins de comparaison.
      Remarque : Chaque trajectoire commence au centre du rectangle situé en bas au centre, étiqueté START, et se termine à l’intérieur des rectangles situés dans les coins supérieur gauche ou supérieur droit.

6. Conditions pouvant entraîner une défaillance du système et précautions

REMARQUE: En cas de défaillance du système, il est crucial d’avoir un signe physique (sonnant une cloche) pour informer l’acteur de la défaillance et l’avertir de rester dans un endroit invisible pour le participant.

  1. Défaillances dues à une connexion réseau
    1. Si l’un des ordinateurs est connecté à un autre réseau, la demande de connexion TCP/IP échoue et le système affiche une erreur. Pour éviter cela, assurez-vous que le PC expérimentateur et le PC Actor sont sur la même bande du même réseau sans fil.
    2. Pour vous assurer que les deux PC restent sur le même réseau, effacez les réseaux sans fil précédemment connectés des deux PC.
    3. Définissez des adresses IP statiques pour les périphériques du réseau sélectionné, car les adresses IP d’un réseau peuvent changer sans préavis.
    4. Toute déconnexion momentanée (par exemple, en raison d’une panne de courant, d’Internet, etc.) au réseau peut entraîner l’échec du script. Dans ces circonstances, le système doit être redémarré depuis le début pour rétablir la connexion TCP/IP.
      REMARQUE: L’exigence d’adresses IP statiques pour les appareils peut être satisfaite par le fournisseur de services Internet. Certains ports peuvent être désactivés par le système d’exploitation ou le matériel d’un périphérique donné ; Par conséquent, les ports qui doivent être utilisés dans l’expérience doivent être ouverts et ne doivent pas avoir de connexion active tant que le script d’expérience n’est pas lancé.
  2. Défaillances dues à des pannes logicielles
    1. L’environnement logiciel peut se bloquer en raison de connexions défaillantes (par exemple, connexion au port série, connexion TCP/IP, connexion d’affichage, etc.), ce qui peut entraîner une perte de données. Pour surmonter ce problème, divisez le script d’expérience principal en plusieurs scripts. Par exemple, s’il y a un bloc qui doit être terminé avant que les acteurs commencent à effectuer des actions, il n’est pas nécessaire de créer un serveur sur le PC de l’expérimentateur pendant ce bloc. Le serveur peut être créé lorsque le bloc qui implique des actions et, par conséquent, nécessite une communication entre le PC expérimentateur et Actor PC, est sur le point de démarrer.

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

Résultats

Comparaisons des temps de réponse (RT)
La présente étude est un projet en cours, de sorte que, à titre de résultats représentatifs, les données de la partie principale de l’expérience (partie 3 de l’expérience) sont présentées. Ces données proviennent de 40 participants, dont 23 femmes et 17 hommes, âgés de 18 à 28 ans (M = 22,75, ET = 3,12).

Il a fallu étudier l’étendue de la normalité de la distribution des variables dépendantes afin de choisir la méthod...

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

Discussion

L’objectif global de la présente étude est de contribuer à notre compréhension du fonctionnement de la perception visuelle et de la cognition humaines de haut niveau dans des situations réelles. Cette étude s’est concentrée sur la perception de l’action et a suggéré un paradigme expérimental naturaliste mais contrôlable qui permet aux chercheurs de tester la façon dont les individus perçoivent et évaluent les actions des autres en présentant des acteurs réels dans un cadre de laboratoire.

L’im...

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

Déclarations de divulgation

Les auteurs déclarent qu’ils n’ont aucun intérêt financier pertinent ou matériel lié à la recherche décrite dans cet article.

Remerciements

Ce travail a été soutenu par des subventions accordées à Burcu A. Urgen par le Conseil de la recherche scientifique et technologique de Türkiye (numéro de projet: 120K913) et l’Université Bilkent. Nous remercions notre participant pilote Sena Er Elmas d’avoir apporté l’idée d’ajouter du bruit de fond entre les changements d’acteurs, Süleyman Akı pour la mise en place du circuit lumineux et Tuvana Karaduman pour l’idée d’utiliser une caméra de sécurité dans les coulisses et sa contribution en tant qu’acteur de l’étude.

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

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Table réglableen hauteur sur mesureN/ALargeur : 60 cm, Hauteur : 62 cm, Profondeur : 40 cm
Ardunio UNO  ;Projets intelligentsA000066Microcontrôleur utilisé pour commuter l’état des LED à partir du script en cours d’exécution sur l’opérateur PC
Pantalon noir PasmarqueN/APantalon décontracté d’acteurs sans nom de marque ou logo apparent
BoîtierXigmatekEN43224XIGMATEK HELIOS RAINBOW LED USB 3.0 MidT ATX GAMING
CASE CPUAMDAMD Ryzen 5 1600 Soket AM4 3,2 GHz - 3,6 GHz 16 MB 65 W 12 nm Rideaux de processeur
Sur mesureN/ALargeur : Partie 1 : 110 cm de largeur du mur (gauche), Partie 2 : 123 cm de largeur au-dessus de l’écran OLED, Partie 3 : 170 cm de l’écran OLED sur le côté droit, Profondeur de la cabine : 100 cm, Profondeur intérieure de la cabine : 100 cm, toutes les hauteurs 230 cm sauf la partie 2 (75 cm de hauteur)
Chaise réglable/pivotante ExperimenterAucune marque N/Aquelle marque
Table ExperimenterPersonnaliséeN/ALargeur : 160 cm, Hauteur : 75 cm, Profondeur : 80 cm
GPUMSIGT 1030 2GHD4 LP OCMSI GEFORCE GT 1030 2GHD4 LP OC 2GB DDR4 64bit NVIDIA GPU
Rideau occultant de couleur griseFabriqué sur mesureN/ALargeur : 330 cm, Hauteur : 230 cm, utilisé pour couvrir l’arrière-plan
Disque durKioxiaLTC10Z240GG8Kioxia 240 GB Exceria Sata 3.0 SSD (555 Mo en lecture/540 Mo en écriture)
Disque durToshibaHDWK105UZSVAToshiba 2,5'' 500 GB L200 SATA 3.0 8 MB Cache 5400 Rpm 7 mm Disque dur
Module MOSFET haute puissanceN/AN/AContrôleur de chauffage MKS MOSFET Module
Ordinateur portableAppleS/N : C02P916ZG3QTMacBook Pro 11.1 Intel Core i7 (Utilisé comme l’acteur PC)
Ordinateur portableAsus  ;UX410UUtilisé pour la surveillance de la caméra de sécurité en temps réel.
Lumières LEDAucune marqueN/A
Bande LED AlimentationPas de marqueN/AConvertisseur de tension AC à DC utilisé pour fournir la tension continue au circuit d’éclairage
MATLAB  ;The MathWorks Inc., Natick, MA, États-UnisVersion : R2022aUtilisé pour la programmation de l’expérience.

Boîtes à outils requises :
MATLAB Support Package for Arduino Hardware (version 22.1.2)
Instrument Control Toolbox (version 4.6)
Psychtoolbox (version 3)
MonitorPhilipsUHB2051005145  ;N° de modèle : 242V8A/00, PHILIPS 23.8" 242V8A 4ms 75 Hz Freesync DP-HDMI+VGA IPS Moniteur de jeu  ;
Carte mèreMSIB450M-A PRO MAXMSI B450M-A PRO MAX Amd B450 Socket AM4 DDR4 3466(OC) M.2 Carte mère
Tapis de souris pour participantMonster  ; 78185721101502042 / 8699266781857Pusat Gaming Mouse Pad XL
VeilleuseAukesES620-0.5W 6500K-IP 20Utilisé pour aider les acteurs à voir autour d’eux lorsque les lumières sont éteintes dans les coulisses.
Chaise réglable/pivotante pour les participantsSans marqueN/A
Table des participantsIKEASandsberg 294.203.93Largeur : 110 cm, Hauteur : 75 cm, Profondeur : 67 cm
Câble d’extension d’alimentationViko9011760Y250 V (6 entrées) Noir
Câble d’extension d’alimentationViko9011730Y250 V (3 entrées) Noir
Câble d’extension d’alimentationViko9011330Y250 V (3 entrées) Blanc
Câble d’extension d’alimentations-link  ;Modèle : SPG3-J-10AC - 250 V 3 mètres (5 entrées)
AlimentationTHERMALTAKEPS-LTP-0550NHSANE-1THERMALTAKE LITEPOWER RGB 550W APFC 12 cm FAN PSU
Professional Gaming MouseRampage8680096Modèle : SMX-R50  ;
RAMGSKILLF4-3000C16S-8GVRBGSKILL 8GB (1x8GB) RipjawsV Rouge DDR4 3000 MHz CL16 1.35 V Single Ram
Cloche de réceptionNon marqueN/AUtilisé pour aider à la communication entre l’expérimentateur et les acteurs.
Caméra de sécuritéBrion Vega2-20204210Modèle : BV6000
Haut-parleursLogitechP/N : 880-000-405 PID : WD528XMUtilisé pour jouer la musique de fond.
Logiciel d’enquêteQualtrics  ;N/A
Module de commutationAucune marqueN/AF5305S Module de commutation PMOS
Table sous l’écran OLEDSur mesureN/ALargeur : 123 cm, Hauteur : 75 cm, Profondeur : 50 cm
Écran OLED transparentPlanarPN : 998-1483-01 S/N :195210075Un écran transparent de 55 pouces qui présente des informations dynamiques, a permis une utilisation opaque et transparente pendant l’expérience.
Câble UPSEAGK200610100087EAG 110
UPSEAG210312030507EAG 103
USB 2.0 Type A/B pour Arduino UNO (Bleu)SmartProjects M000006  ;Utilisé pour connecter le microcontrôleur au PC de l’expérimentateur.
Convertisseur USB vers RS232  ;s-link8680096082559Modèle : SW-U610
Blouse blanche à manches longues (2)H& M (coton)N/ABlouses à la coupe décontractée avec une encolure ronde et sans nom de marque ni logo apparent.
Clavier sans filLogitechP/N : 820-003488 S/N : 1719CE0856D8Modèle : K360
Souris sans filLogitechS/N : 2147LZ96BGQ9Modèle : M190 (Utilisé comme dispositif de réponse)
de . YD1600BBAFBOX N’importe

Références

  1. Grossman, E. D., Blake, R. Brain areas active during visual perception of biological motion. Neuron. 35 (6), 1167-1175 (2002).
  2. Saygin, A. P. Superior temporal and premotor brain areas necessary for biological motion perception. Brain. 130 (9), 2452-2461 (2007).
  3. Peelen, M. V., Downing, P. E. The neural basis of visual body perception. Nature Reviews Neuroscience. 8 (8), 636-648 (2007).
  4. Caspers, S., Zilles, K., Laird, A. R., Eickhoff, S. B. ALE meta-analysis of action observation and imitation in the human brain. Neuroimage. 50 (3), 1148-1167 (2010).
  5. Nelissen, K., et al. Action observation circuits in the macaque monkey cortex. Journal of Neuroscience. 31 (10), 3743-3756 (2011).
  6. Oosterhof, N. N., Tipper, S. P., Downing, P. E. Crossmodal and action-specific: Neuroimaging the human mirror neuron system. Trends in Cognitive Sciences. 17 (7), 311-318 (2013).
  7. Lingnau, A., Downing, P. E. The lateral occipitotemporal cortex in action. Trends in Cognitive Sciences. 19 (5), 268-277 (2015).
  8. Giese, M. A., Rizzolatti, G. Neural and computational mechanisms of action processing: Interaction between visual and motor representations. Neuron. 88 (1), 167-180 (2015).
  9. Tucciarelli, R., Wurm, M., Baccolo, E., Lingnau, A. The representational space of observed actions. eLife. 8, e47686(2019).
  10. Tarhan, L., Konkle, T. Sociality and interaction envelope organize visual action representations. Nature Communications. 11 (1), 3002(2020).
  11. Urgen, B. A., Saygin, A. P. Predictive processing account of action perception: Evidence from effective connectivity in the action observation network. Cortex. 128, 132-142 (2020).
  12. Newen, A., De Bruin, L., Gallagher, S. The Oxford Handbook of 4E Cognition. , Oxford University Press. Oxford, UK. (2018).
  13. Snow, J. C., Culham, J. C. The treachery of images: How realism influences brain and behavior. Trends in Cognitive Sciences. 25 (6), 506-519 (2021).
  14. Matusz, P. J., Dikker, S., Huth, A. G., Perrodin, C. Are we ready for real-world neuroscience. Journal of Cognitive Neuroscience. 31 (3), 327-338 (2019).
  15. Zaki, J., Ochsner, K. The need for a cognitive neuroscience of naturalistic social cognition. Annals of the New York Academy of Sciences. 1167 (1), 16-30 (2009).
  16. Hasson, U., Honey, C. J. Future trends in Neuroimaging: Neural processes as expressed within real-life contexts. NeuroImage. 62 (2), 1272-1278 (2012).
  17. Risko, E. F., Laidlaw, K. E., Freeth, M., Foulsham, T., Kingstone, A. Social attention with real versus reel stimuli: toward an empirical approach to concerns about ecological validity. Frontiers in Human Neuroscience. 6, 143(2012).
  18. Parsons, T. D. Virtual reality for enhanced ecological validity and experimental control in the clinical, affective and social neurosciences. Frontiers in Human Neuroscience. 9, 660(2015).
  19. Deuse, L., et al. Neural correlates of naturalistic social cognition: brain-behavior relationships in healthy adults. Social Cognitive and Affective Neuroscience. 11 (11), 1741-1751 (2016).
  20. Camerer, C., Mobbs, D. Differences in behavior and brain activity during hypothetical and real choices. Trends in Cognitive Sciences. 21 (1), 46-56 (2017).
  21. Nastase, S. A., Goldstein, A., Hasson, U. Keep it real: Rethinking the primacy of experimental control in cognitive neuroscience. NeuroImage. 222, 117254(2020).
  22. Kihlstrom, J. F. Ecological validity and "ecological validity". Perspectives on Psychological Science. 16 (2), 466-471 (2021).
  23. Brunswik, E. Perception and the Representative Design of Psychological Experiments. , University of California Press. Oakland, California. (1956).
  24. Aronson, E., Carlsmith, J. M. Experimentation in social psychology. The Handbook of Social Psychology. Gilbert, D. T., Fiske, S. T., Lindzay, G. , McGraw-Hill. New York, NY. 1-79 (1968).
  25. Hammond, K. Ecological validity: Then and now. University of Colorado. , Available from: https://www.albany.edu/cpr/brunswik/notes/essay1.html (1998).
  26. Fan, S., Dal Monte, O., Chang, S. W. Levels of naturalism in social neuroscience research. IScience. 24 (7), 102702(2021).
  27. Orban, G. A., Lanzilotto, M., Bonini, L. From observed action identity to social affordances. Trends in Cognitive Sciences. 25 (6), 493-505 (2021).
  28. Gray, H. M., Gray, K., Wegner, D. M. Dimensions of mind perception. Science. 315 (5812), 619(2007).
  29. Li, Z., Terfurth, L., Woller, J. P., Wiese, E. Mind the machines: Applying implicit measures of mind perception to social robotics. 2022 17th ACM/IEEE International Conference on Human-Robot Interaction (HRI. , 236-245 (2022).
  30. Karpinski, A., Steinman, R. B. The single category implicit association test as a measure of implicit social cognition. Journal of Personality and Social Psychology. 91 (1), 16(2006).
  31. Greenwald, A. G., McGhee, D. E., Schwartz, J. L. Measuring individual differences in implicit cognition: the implicit association test. Journal of Personality and Social Psychology. 74 (6), 1464(1998).
  32. Freeman, J. B., Ambady, N. MouseTracker: Software for studying real-time mental processing using a computer mouse-tracking method. Behavior Research Methods. 42 (1), 226-241 (2010).
  33. Pekçetin, T. N., Barinal, B., Tunç, J., Acarturk, C., Urgen, B. A. Studying mind perception in social robotics implicitly: The need for validation and norming. Proceedings of the 2023 ACM/IEEE International Conference on Human-Robot Interaction. , 202-210 (2023).
  34. Yu, Z., Wang, F., Wang, D., Bastin, M. Beyond reaction times: Incorporating mouse-tracking measures into the implicit association test to examine its underlying process. Social Cognition. 30 (3), 289-306 (2012).
  35. Romero, C. A., Snow, J. C. Methods for presenting real-world objects under controlled laboratory conditions. Journal of Visualized Experiments. (148), e59762(2019).
  36. Jastorff, J., Abdollahi, R. O., Fasano, F., Orban, G. A. Seeing biological actions in 3 D: An f MRI study. Human Brain Mapping. 37 (1), 203-219 (2016).
  37. Ferri, S., Pauwels, K., Rizzolatti, G., Orban, G. A. Stereoscopically observing manipulative actions. Cerebral Cortex. 26 (8), 3591-3610 (2016).
  38. Stangl, M., Maoz, S. L., Suthana, N. Mobile cognition: Imaging the human brain in the 'real world. Nature Reviews Neuroscience. 24 (6), 347-362 (2023).
  39. Kriegeskorte, N. Deep neural networks: a new framework for modeling biological vision and brain information processing. Annual Review of Vision Science. 1, 417-446 (2015).
  40. Marblestone, A. H., Wayne, G., Kording, K. P. Toward an integration of deep learning and neuroscience. Frontiers in Computational Neuroscience. 10, 94(2016).

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

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Perception de l actionExp rience naturalisteInteraction socialecran OLED transparentPr sentation par un acteur r elValidit cologiqueExp rience comportementaleAnalyse de la trajectoire de la souris

Articles connexes