È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo metodologico

Un paradigma psicofisico per la raccolta e l'analisi dei giudizi di somiglianza

2.7K visualizzazioni

⸱

DOI:

10.3791/63461

⸱

1 marzo 2022

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

In questo articolo

Sommario

Il protocollo presenta un paradigma psicofisico sperimentale per ottenere grandi quantità di giudizi di somiglianza e un flusso di lavoro di analisi di accompagnamento. Il paradigma sonda gli effetti del contesto e consente la modellazione di dati di somiglianza in termini di spazi euclidei di almeno cinque dimensioni.

Abstract

I giudizi di somiglianza sono comunemente usati per studiare le rappresentazioni mentali e i loro correlati neurali. Questo approccio è stato utilizzato per caratterizzare gli spazi percettivi in molti domini: colori, oggetti, immagini, parole e suoni. Idealmente, si potrebbe voler confrontare le stime di somiglianza percepita tra tutte le coppie di stimoli, ma questo è spesso poco pratico. Ad esempio, se si chiede a un soggetto di confrontare la somiglianza di due elementi con la somiglianza di altri due elementi, il numero di confronti cresce con la quarta potenza della dimensione del set di stimoli. Una strategia alternativa è quella di chiedere a un soggetto di valutare le somiglianze di coppie isolate, ad esempio su una scala Likert. Questo è molto più efficiente (il numero di valutazioni cresce quadraticamente con le dimensioni impostate piuttosto che trimestralmente), ma queste valutazioni tendono ad essere instabili e hanno una risoluzione limitata, e l'approccio presuppone anche che non ci siano effetti di contesto.

Qui viene presentato un nuovo paradigma di classificazione per una raccolta efficiente di giudizi di somiglianza, insieme a una pipeline di analisi (software fornito) che verifica se i modelli di distanza euclidei tengono conto dei dati. Le prove tipiche consistono in otto stimoli attorno a uno stimolo di riferimento centrale: il soggetto classifica gli stimoli in ordine di somiglianza con il riferimento. Selezionando con giudizio le combinazioni di stimoli utilizzati in ogni prova, l'approccio ha controlli interni per la coerenza e gli effetti di contesto. L'approccio è stato convalidato per stimoli tratti da spazi euclidei fino a cinque dimensioni.

L'approccio è illustrato con un esperimento che misura le somiglianze tra 37 parole. Ogni prova produce i risultati di 28 confronti a coppie del modulo, "A era più simile al riferimento di quanto B fosse al riferimento?" Mentre il confronto diretto di tutte le coppie di coppie di stimoli avrebbe richiesto prove 221445, questo progetto consente la ricostruzione dello spazio percettivo da 5994 confronti ottenuti da 222 studi.

Introduzione

Gli esseri umani elaborano e rappresentano mentalmente le informazioni sensoriali in arrivo per eseguire una vasta gamma di compiti, come il riconoscimento degli oggetti, la navigazione, fare inferenze sull'ambiente e molti altri. I giudizi di somiglianza sono comunemente usati per sondare queste rappresentazioni mentali1. Comprendere la struttura delle rappresentazioni mentali può fornire informazioni sull'organizzazione della conoscenza concettuale2. È anche possibile ottenere informazioni sui calcoli neurali, mettendo in relazione i giudizi di somiglianza con i modelli di attivazione cerebrale3. Inoltre, i giudizi di somiglianza rivelano caratteristiche salienti nella percezione4. Studiare come cambiano le rappresentazioni mentali durante lo sviluppo può far luce su come vengono apprese5. Pertanto, i giudizi di somiglianza forniscono preziose informazioni sull'elaborazione delle informazioni nel cervello.

Un modello comune di rappresentazioni mentali che usano somiglianze è un modello geometrico di spazio6,7,8. Applicato ai domini sensoriali, questo tipo di modello è spesso indicato come uno spazio percettivo9. I punti nello spazio rappresentano gli stimoli e le distanze tra i punti corrispondono alla dissomiglianza percepita tra di loro. Dai giudizi di somiglianza, si possono ottenere stime quantitative delle dissomiglianze. Queste dissomiglianze a coppie (o distanze percettive) possono quindi essere utilizzate per modellare lo spazio percettivo tramite il ridimensionamento multidimensionale10.

Esistono molti metodi per raccogliere giudizi di somiglianza, ognuno con i suoi vantaggi e svantaggi. Il modo più semplice per ottenere misure quantitative di dissomiglianza è chiedere ai soggetti di valutare su una scala il grado di dissomiglianza tra ogni coppia di stimoli. Mentre questo è relativamente veloce, le stime tendono ad essere instabili durante lunghe sessioni in quanto i soggetti non possono tornare ai giudizi precedenti e gli effetti del contesto, se presenti, non possono essere rilevati. (Qui, un effetto di contesto è definito come un cambiamento nella somiglianza giudicata tra due stimoli, in base alla presenza di altri stimoli che non vengono confrontati.) In alternativa, ai soggetti può essere chiesto di confrontare tutte le coppie di stimoli con tutte le altre coppie di stimoli. Mentre questo produrrebbe un ordinamento di rango più affidabile delle dissomiglianze, il numero di confronti richiesti scala con la quarta potenza del numero di stimoli, rendendolo fattibile solo per piccoli insiemi di stimoli. Le alternative più rapide, come l'ordinamento in un numero predefinito di cluster11 o l'ordinamento gratuito, hanno i loro limiti. L'ordinamento libero (in un numero qualsiasi di pile) è intuitivo, ma costringe il soggetto a categorizzare gli stimoli, anche se gli stimoli non si prestano facilmente alla categorizzazione. Il più recente metodo multi-arrangiamento, MDS inverso, aggira molte di queste limitazioni ed è molto efficiente12. Tuttavia, questo metodo richiede ai soggetti di proiettare le loro rappresentazioni mentali su un piano euclideo 2D e di considerare le somiglianze in un modo geometrico specifico, assumendo che la struttura di somiglianza possa essere recuperata dalle distanze euclidee su un piano. Pertanto, rimane la necessità di un metodo efficiente per raccogliere grandi quantità di giudizi di somiglianza, senza fare ipotesi sulla geometria alla base dei giudizi.

Descritto qui è un metodo che è sia ragionevolmente efficiente che evita anche le potenziali insidie di cui sopra. Chiedendo ai soggetti di classificare gli stimoli in ordine di somiglianza con un riferimento centrale in ogni prova13, la somiglianza relativa può essere sondata direttamente, senza assumere nulla sulla struttura geometrica delle risposte dei soggetti. Il paradigma ripete un sottoinsieme di confronti con contesti identici e diversi, consentendo la valutazione diretta degli effetti del contesto e l'acquisizione di risposte graduali in termini di probabilità di scelta. La procedura di analisi scompone questi giudizi di rango in più confronti a coppie e li utilizza per costruire e cercare modelli euclidei di spazi percettivi che spiegano i giudizi. Il metodo è adatto per descrivere in dettaglio la rappresentazione di insiemi di stimoli di dimensioni moderate (ad esempio, da 19 a 49).

Per dimostrare la fattibilità dell'approccio, è stato condotto un esperimento, utilizzando una serie di 37 animali come stimoli. I dati sono stati raccolti nel corso di 10 sessioni di un'ora e poi analizzati separatamente per ciascun soggetto. L'analisi ha rivelato coerenza tra i soggetti ed effetti di contesto trascurabili. Ha anche valutato la coerenza delle dissomiglianze percepite tra gli stimoli con i modelli euclidei dei loro spazi percettivi. Il paradigma e le procedure di analisi delineati in questo articolo sono flessibili e dovrebbero essere utili ai ricercatori interessati a caratterizzare le proprietà geometriche di una gamma di spazi percettivi.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

Prima di iniziare gli esperimenti, tutti i soggetti forniscono il consenso informato in conformità con le linee guida istituzionali e la Dichiarazione di Helsinki. Nel caso di questo studio, il protocollo è stato approvato dal comitato di revisione istituzionale del Weill Cornell Medical College.

1. Installazione e configurazione

  1. Scarica il codice dal repository GitHub, somiglianze (https://github.com/jvlab/similarities). Nella riga di comando, esegui: git clone https://github.com/jvlab/similarities.git. - Se git non è installato, scaricare il codice come cartella compressa dal repository.
    NOTA: nel repository sono presenti due sottodirectory: experiments, che contiene due esperimenti di esempio, e analysis, che contiene un set di script python per analizzare i dati di somiglianza raccolti. Nella directory degli esperimenti uno (word_exp) fa uso di stimoli di parole e l'altro (image_exp) visualizza stimoli di immagine. Una certa familiarità con Python sarà utile, ma non necessaria. Si presume familiarità con la riga di comando: più passaggi richiedono l'esecuzione di script dalla riga di comando.
  2. Installare i seguenti strumenti e configurare un ambiente virtuale.
    1. python 3: Vedere il link per le istruzioni: https://realpython.com/installing-python/. Questo progetto richiede Python versione 3.8.
    2. PsychoPy: Dal link (https://www.psychopy.org/download.html), scaricare l'ultima versione standalone di PsychoPy per il sistema operativo pertinente, utilizzando il pulsante blu, sotto Installazione. Questo progetto utilizza PsychoPy versione 2021.2; gli esperimenti di esempio forniti devono essere eseguiti con la versione corretta di PsychoPy come specificato di seguito.
    3. conda: Dal link (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation), scaricare conda, tramite Miniconda o Anaconda, per il relativo sistema operativo.
    4. Nella riga di comando, eseguire quanto segue per creare un ambiente virtuale con i pacchetti python richiesti:
      cd ~/somiglianze
      conda env create -f environment.yaml
    5. Verificare se l'ambiente virtuale è stato creato e attivarlo come segue:
      Conda env list # venv_sim_3.8 dovrebbe essere elencato
      conda attiva venv_sim_3.8 # per accedere all'ambiente virtuale
      CONDA disattiva # per uscire dall'ambiente virtuale dopo l'esecuzione degli script
      NOTA: l'esecuzione di script in un ambiente a volte può essere lenta. Attendere fino a un minuto per visualizzare qualsiasi output stampato nella riga di comando quando si esegue uno script.
  3. Per assicurarsi che il codice scaricato funzioni come previsto, eseguire gli esperimenti di esempio forniti attenendosi alla procedura seguente.
    NOTA: La directory degli esperimenti (somiglianze/esperimenti) contiene esperimenti campione (word_exp e image_exp), facendo uso di due tipi di stimoli: parole e immagini.
    1. Apri PsychoPy. Vai su Visualizza, quindi fai clic su Coder, perché il builder predefinito di PsychoPy non può aprire .py file. Vai a File, quindi fai clic su Apri e apri word_exp.py (somiglianze/esperimenti/word_exp/word_exp.py).
    2. Per caricare l'esperimento, fai clic sul pulsante verde Esegui esperimento . Immettere le iniziali o il nome e il numero di sessione e fare clic su OK.
    3. Segui le istruzioni ed esegui alcune prove per verificare che gli stimoli si ingrigiscano quando si fa clic. Premere Esc quando si è pronti per uscire.
      NOTA: PsychoPy si aprirà a schermo intero, visualizzando prima le istruzioni e poi alcune prove, con testo segnaposto anziché parole di stimolo. Quando si fa clic, le parole si disattivano. Quando tutte le parole sono state cliccate, inizia la prova successiva. In qualsiasi momento, PsychoPy può essere terminato premendo il tasto Esc . Se il programma termina durante i passaggi 1.3.2 o 1.3.3, è possibile che il sistema operativo dell'utente richieda l'accesso alla tastiera e al mouse. In tal caso, nella finestra di PsychoPy Runner verrà stampato un messaggio di errore descrittivo che guiderà l'utente.
    4. Verificare quindi che l'esperimento di immagine venga eseguito con immagini segnaposto. Apri PsychoPy. Vai a File. Fare clic su Apri e scegliere image_exp.psyexp (somiglianze /esperimenti/image_exp/image_exp.psyexp).
    5. Per assicurarsi che venga utilizzata la versione corretta, fare clic sull'icona a forma di ingranaggio . Dall'opzione Usa versione PsychoPy selezionare 2021.2 dal menu a discesa.
    6. Come prima, fai clic sul pulsante verde Esegui esperimento . Immettere le iniziali o il nome e il numero di sessione e fare clic su OK.
      NOTA: come nel passaggio 1.3.2, PsychoPy visualizzerà prima le istruzioni e poi eseguirà il rendering delle prove dopo che le immagini sono state caricate. Ogni prova conterrà otto immagini segnaposto che circondano un'immagine centrale. Facendo clic su un'immagine verrà disattivata. Il programma può essere chiuso premendo Esc.
    7. Passare alla directory dei dati in ciascuna delle directory dell'esperimento per visualizzare l'output:
      somiglianze/esperimenti/image_exp/dati
      somiglianze/esperimenti/word_exp/dati
      NOTA: i dati sperimentali vengono scritti nella directory dei dati. Il file delle risposte.csv contiene le risposte ai clic della versione di prova per prova. Il file di registro contiene tutte le pressioni dei tasti e i clic del mouse. È utile per la risoluzione dei problemi, se PsychoPy si chiude inaspettatamente.
  4. Facoltativamente, per verificare che gli script di analisi funzionino come previsto, riprodurre alcune delle figure nella sezione Risultati rappresentativi come segue.
    1. Creare una directory per i dati preelaborati:
      cd ~/somiglianze
      mkdir sample-materials/subject-data/preprocessed
    2. Combina i dati grezzi di tutti i file .csv risposte in un unico file json. Nella riga di comando eseguire le operazioni seguenti:
      cd somiglianze
      conda activate venv_sim_3.8
      python -m analysis.preprocess.py
    3. Quando richiesto, immettere i seguenti valori per i parametri di input: 1) percorso dei dati del soggetto: ./sample-materials/subject-data, 2), nome dell'esperimento: sample_word e 3) ID soggetto: S7. Il file json sarà in somiglianze / materiali campione / dati-soggetto / pre-elaborato.
    4. Una volta che i dati sono preelaborati, seguire i passaggi del progetto README sotto la riproduzione delle figure. Questi script di analisi verranno eseguiti in un secondo momento per analizzare i dati raccolti dall'esperimento dell'utente.

2. Raccolta dei dati mediante l'impostazione di un esperimento personalizzato

NOTA: le procedure sono descritte sia per gli esperimenti di immagine che di parola fino al passaggio 3.1. Seguendo questo passaggio, il processo è lo stesso per entrambi gli esperimenti, quindi l'esperimento di immagine non è esplicitamente menzionato.

  1. Selezionare un esperimento da eseguire. Passare alla parola esperimento (somiglianze/esperimenti/word_exp) o esperimento immagine (somiglianze/esperimenti/image_exp).
  2. Decidi il numero di stimoli. La dimensione predefinita del set di stimoli è 37. Per modificare questa impostazione, aprire il file di configurazione (similarities/analysis/config.yaml) in un editor di codice sorgente. Nel parametro num_stimuli del file di configurazione dell'analisi, impostare la dimensione dello stimolo uguale a mk + 1 come richiesto dal progetto sperimentale per gli interi k e m.
    NOTA: nel progetto standard, k ≥ 3 e m = 6. Pertanto, i valori validi per num_stimuli includono 19, 25, 31, 37, 43 e 49 (vedere la Tabella 1 per le possibili estensioni del progetto).
  3. Finalizzare gli stimoli sperimentali. Se la parola esperimento è in esecuzione, preparare un elenco di parole. Per l'esperimento di immagine, crea una nuova directory e inserisci tutte le immagini di stimolo al suo interno. I tipi di immagine supportati sono png e jpeg. Non utilizzare i punti come separatori nei nomi dei file (ad esempio, image.1.png non è valido ma image1.png o image_1.png sono validi).
  4. Se si esegue la parola esperimento, preparare gli stimoli come segue.
    1. Creare un nuovo file in esperimenti/word_exp denominato stimuli.txt. Questo file verrà letto nel passaggio 3.3.
    2. Nel file, scrivi le parole nel set di stimoli come dovrebbero apparire sul display, con ogni parola in una riga separata. Evita righe vuote extra o spazi extra accanto alle parole. Vedere i materiali di esempio per riferimento (somiglianze/materiali-campione/word-exp-materials/sample_word_stimuli.txt).
  5. Se l'esperimento di immagine è in esecuzione, impostare il percorso del set di stimoli come segue.
    1. Nella directory degli esperimenti, trova il file di configurazione chiamato config.yaml (similarities/experiments/config.yaml).
    2. Aprire il file in un editor di codice sorgente e aggiornare il valore della variabile files al percorso della directory contenente il set di stimoli (passaggio 2.3). È qui che PsychoPy cercherà gli stimoli dell'immagine.

3. Creazione di prove di classificazione

  1. Usa un file di stimoli.txt. Se viene eseguito l'esperimento di word, è possibile utilizzare il file creato nel passaggio 2.4. In caso contrario, utilizzare l'elenco dei nomi dei file (per riferimento, vedere similarities/sample-materials/image-exp-materials/sample_image_stimuli.txt). Inserisci questo file nella directory di esperimento appropriata (word_exp o image_exp).
  2. Evita le righe vuote extra, così come gli spazi nei nomi. Usa camelCase o snake_case per i nomi degli stimoli.
  3. Quindi, creare configurazioni di prova. Aprire il file config.yaml nella directory di analisi e impostare il valore del parametro path_to_stimulus_list sul percorso di stimuli.txt (creato nel passaggio 3.1).
    1. Dalla directory delle somiglianze, eseguire lo script eseguendo i seguenti comandi uno dopo l'altro:
      cd ~/somiglianze
      conda activate venv_sim_3.8
      python -m analysis.trial_configuration
      conda disattivare       # uscire dall'ambiente virtuale
    2. Questo crea un file chiamato trial_conditions.csv in somiglianze in cui ogni riga contiene i nomi degli stimoli che appaiono in una prova, insieme alle loro posizioni nel display. Viene fornito un file di trial_conditions.csv di esempio (somiglianze/materiali di esempio). Per informazioni dettagliate sui parametri di input per gli script di analisi, fare riferimento al file README del progetto in Utilizzo.

figure-protocol-1
Figura 1: Esempi rappresentativi di prove (fase 3.3). (A) Ogni riga contiene i dettagli di una singola prova. Le intestazioni indicano la posizione dello stimolo attorno al cerchio. Lo stimolo sotto ref appare al centro e stim da 1 a stim 8 appaiono intorno al riferimento. (B) La prima prova (riga) da A è resa da PsychoPy per visualizzare gli otto stimoli intorno allo stimolo di riferimento, scimmia. Fare clic qui per visualizzare una versione più grande di questa figura.

NOTA: A questo punto, è stato generato un set completo di 222 prove per una prova completa, cioè per un set di dati completo. La Figura 1A mostra parte di un file di condizioni generato dallo script precedente, per la parola esperimento (vedere Risultati rappresentativi).

  1. Quindi, suddividi questi 222 studi in sessioni e randomizza l'ordine di prova. Nel design tipico, le sessioni comprendono 111 prove, ognuna delle quali richiede circa 1 ora per essere eseguita.
    1. A tale scopo, nella riga di comando eseguire quanto segue:
      conda activate venv_sim_3.8
      cd ~/somiglianze
      python -m analysis.randomize_session_trials
    2. Quando richiesto, immettere i seguenti parametri di input: percorso per trial_conditions.csv creato nel passaggio 3.3.2; directory di output; numero di prove per sessione: 111; numero di ripetizioni: 5.
      NOTA: il numero di ripetizioni può anche essere variato, ma influenzerà il numero di sessioni condotte nel passaggio 4 (vedi Discussione: Paradigma sperimentale). Se si modifica il valore predefinito del numero di ripetizioni, assicurarsi di modificare il valore del parametro num_repeats nel file di configurazione (similarities/analysis/config.yaml). Se necessario, consultare le istruzioni dettagliate per eseguire manualmente quanto sopra nel file README nella sezione Crea prove.
  2. Rinominare e salvare ciascuno dei file generati come condizioni.csv, nella propria directory. Vedi la struttura di directory consigliata qui: somiglianze / materiali di esempio / dati soggettivi e nel progetto README.
    NOTA: come indicato nel passaggio 4, ogni esperimento viene ripetuto cinque volte nel progetto standard, nel corso di sessioni lunghe 10 ore, ciascuna in un giorno separato. Ai soggetti dovrebbe essere chiesto di venire per una sola sessione al giorno per evitare l'affaticamento. Vedere la Tabella 1 per il numero di prove e sessioni necessarie per set di stimoli di diverse dimensioni.

4. Esecuzione dell'esperimento e raccolta di dati di somiglianza

  1. Spiega il compito ai soggetti e dai loro istruzioni. In ogni studio, i soggetti visualizzeranno uno stimolo di riferimento centrale circondato da otto stimoli e gli verrà chiesto di fare clic sugli stimoli nel contorno, in ordine di somiglianza con il riferimento centrale, cioè dovrebbero fare clic sul primo più simile e sull'ultimo meno simile.
  2. Chiedi loro di provare a utilizzare una strategia coerente. Dì loro che verrà mostrata loro la stessa configurazione di stimoli più volte nel corso delle 10 sessioni. Se lo studio sonda la rappresentazione delle informazioni semantiche, assicurarsi che i soggetti abbiano familiarità con gli stimoli prima di iniziare.
  3. Passare alla directory dell'esperimento pertinente (vedere il passaggio 2.1). Se è la prima volta che si esegue l'esperimento, creare una directory denominata subject-data per archiviare le risposte del soggetto. Crea due sottodirectory al suo interno: raw e preprocessed. Per ogni soggetto, creare una sottodirectory all'interno di subject-data/raw.
  4. Copiare il file conditions.csv preparato nel passaggio 3 per la sessione specifica e incollarlo nella directory corrente, ovvero la directory contenente il file psyexp. Se c'è già un file lì, denominato conditions.csv, assicurati di sostituirlo con quello per la sessione corrente.
  5. Apri PsychoPy e quindi apri il file psyexp o py nella directory dell'esperimento pertinente. In PsychoPy, fai clic sul pulsante verde Play per eseguire l'esperimento. Nel pop-up modale, inserisci il nome del soggetto o l'ID e il numero di sessione. Fare clic su OK per iniziare. Le istruzioni verranno visualizzate all'inizio di ogni sessione.
  6. Consentire al soggetto di circa 1 ora di completare l'attività. Poiché il compito è autogestito, incoraggia i soggetti a fare delle pause se necessario. Quando il soggetto termina la sessione, PsychoPy terminerà automaticamente e i file verranno generati nella directory somiglianze/ esperimenti / _exp / dati.
  7. Trasferirli nella directory subject-data/raw/ (creata nel passaggio 4.3). Vedere README per la struttura di directory consigliata.
    NOTA: come accennato, il file di registro è per la risoluzione dei problemi. La causa più comune per cui PsychoPy si chiude inaspettatamente è che un soggetto preme accidentalmente Escape durante una sessione. Se ciò accade, le risposte per le prove fino all'ultimo processo completato verranno comunque scritte nel file delle risposte.csv.
  8. Se PsychoPy si chiude inaspettatamente, riaprilo e crea un nuovo file di condizioni.csv, con solo le prove che non erano state tentate. Sostituire il file delle condizioni della sessione esistente con questo ed eseguire nuovamente l'esperimento. Assicurati di salvare i file generati nella posizione appropriata. Alla fine della sessione, i due file di risposte possono essere combinati manualmente in uno, anche se questo non è necessario.
  9. Per ciascuna delle sessioni rimanenti, ripetere i passaggi da 4.4 a 4.8.
  10. Al termine di tutte le sessioni, combinare i file di dati grezzi e riformattarli in un unico file json per un'ulteriore elaborazione. Per fare ciò, eseguire preprocess.py nel terminale (somiglianze / analisi / pre-elaborazione.py) come segue:
    cd ~/somiglianze
    conda activate venv_sim_3.8
    python -m analysis.preprocess
  11. Quando richiesto, immettere i parametri di input richiesti: il percorso della directory dei dati oggetto, gli ID oggetto per i quali preelaborare i dati e il nome dell'esperimento (utilizzato per denominare il file di output). Premere Invio.
  12. Uscire dall'ambiente virtuale:
    conda disattivare
    NOTA: in questo modo verrà creato un file json nella directory di output che combina le risposte tra le ripetizioni per ogni versione di prova. I dati di somiglianza vengono letti da subject-data/raw e scritti in subject-data/pre-elaborati.

5. Analizzare i giudizi di somiglianza

NOTA: Ai soggetti viene chiesto di fare clic sugli stimoli in ordine di somiglianza con il riferimento, fornendo così una classifica in ogni studio. Per gli esperimenti standard, ripetere ogni prova cinque volte, generando cinque ordini di rango degli stessi otto stimoli (vedere figura 2B). Questi giudizi di rango sono interpretati come una serie di confronti in cui un soggetto confronta coppie di distanze percettive. Si presume che il soggetto stia ponendo la seguente domanda prima di ogni clic: "La distanza (percettiva) tra il riferimento e lo stimolo A è inferiore alla distanza tra il riferimento e lo stimolo B?" Come mostrato nella Figura 2C, questo produce probabilità di scelta per confronti di somiglianze multiple a coppie per ogni studio. L'analisi seguente utilizza queste probabilità di scelta.

figure-protocol-2
Figura 2: Ottenere probabilità di scelta dai giudizi di classificazione. (A) Un'illustrazione di una prova tratta dalla parola esperimento che abbiamo condotto. (B) Cinque ordini di grado sono stati ottenuti per lo stesso processo, nel corso di più sessioni. (C) Probabilità di scelta per i confronti di dissomiglianza a coppie rappresentati dai giudizi di classifica. Fare clic qui per visualizzare una versione più grande di questa figura.

  1. Determina le probabilità di scelta a coppie dai giudizi dell'ordine di rango.
    1. In somiglianze/analisi, eseguire describe_data.py nella riga di comando.
      cd ~/somiglianze
      conda activate venv_sim_3.8
      python -m analysis.describe_data
    2. Quando richiesto, immettere il percorso dei dati soggetto/preelaborati e l'elenco dei soggetti per i quali eseguire l'analisi.
      NOTA: Questo creerà tre tipi di grafici: i) la distribuzione delle probabilità di scelta per il set di dati completo di un dato soggetto, ii) mappe di calore per valutare la coerenza tra le probabilità di scelta per coppie di soggetti e iii) una mappa termica delle probabilità di scelta per tutti i confronti che si verificano in due contesti per valutare gli effetti del contesto. Operativamente, questo significa confrontare le probabilità di scelta in coppie di prove che contengono lo stesso riferimento e una coppia comune di stimoli nell'anello ma differiscono in tutti gli altri stimoli nell'anello: la mappa di calore mostra come la probabilità di scelta dipenda da questo contesto.
  2. Generare modelli euclidei a bassa dimensione degli spazi percettivi, utilizzando le probabilità di scelta. Eseguire model_fitting.py nella riga di comando come segue:
    cd ~/somiglianze
    conda activate venv_sim_3.8
    python -m analysis.model_fitting
    1. Fornire i seguenti parametri di input quando richiesto: percorso alla directory subject-data/preprocessed; il numero di stimoli (37 per impostazione predefinita); il numero di iterazioni (il numero di volte in cui deve essere eseguita l'analisi di modellazione); la directory di output; e la quantità di rumore gaussiano (0,18 per impostazione predefinita).
      Nota : questo script richiede alcune ore per l'esecuzione. Al termine, i file npy contenenti le coordinate più adatte per i modelli 1D, 2D, 3D, 4D e 5D che descrivono i dati di somiglianza verranno scritti nella directory di output. Verrà generato un file csv contenente i valori di probabilità di log dei diversi modelli.
  3. Visualizza la probabilità di log dei modelli ottenuti e valuta la loro adattabilità. Per fare ciò, eseguire similarities/analysis/model_fitting_figure.py nella riga di comando:
    cd ~/somiglianze
    python -m analysis.model_fitting_figure
    1. Quando richiesto, immettere il parametro necessario: il percorso dei file csv contenenti le probabilità di log (dal passaggio 5.2).
    2. Analizzate la figura generata, mostrando le probabilità di log sull'asse y e le quote del modello sull'asse x. Come controllo di sanità mentale, sono inclusi due modelli oltre ai modelli euclidei: un modello a scelta casuale e un modello migliore possibile.
      NOTA: il modello di scelta casuale presuppone che i soggetti facciano clic in modo casuale. Pertanto, fornisce un limite inferiore assoluto sulla probabilità di log per qualsiasi modello che sia migliore del casuale. Allo stesso modo, come limite superiore per la log-probabilità (etichettata come migliore), c'è la log-probabilità di un modello che utilizza le probabilità di scelta empirica come probabilità del modello.
    3. Verificare che nessun modello euclideo superi il modello migliore, poiché il modello migliore è, per progettazione, overfit e non vincolato da considerazioni geometriche. Verificare che le probabilità tracciate siano relative alla migliore probabilità di log.
  4. Visualizza gli spazi percettivi per ogni soggetto. Generare grafici a dispersione che mostrino i punti del modello 5D proiettati sui primi due componenti principali. Per fare ciò, eseguire similarities/analysis/perceptual_space_visualizations.py nella riga di comando:
    cd ~/somiglianze
    python -m analysis.perceptual_space_visualizations
    1. Quando richiesto, inserisci i parametri: gli ID soggetto (separati da spazi) e il percorso del file npy contenente i punti 5D ottenuti dal passaggio 5.2.
    2. Al termine dell'esecuzione dello script, uscire dall'ambiente virtuale:
      conda disattivare
      NOTA: questo script è per la visualizzazione dei giudizi di somiglianza. Creerà un grafico a dispersione 2D, proiettando i punti 5D sui primi due componenti principali, normalizzati per avere uguale varianza. Due punti saranno più distanti se il soggetto li considera meno simili e viceversa.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Nella Figura 1A viene illustrata parte di un file di condizioni generato dallo script nel passaggio 3.3, per la parola esperimento. Ogni riga corrisponde a una prova. Lo stimolo nella colonna ref viene visualizzato al centro del display. I nomi delle colonne da stim1 a stim8 corrispondono a otto posizioni lungo un cerchio, che corrono in senso antiorario, a partire dalla posizione a destra del riferimento centrale. Una prova di esempio dalla parola esperimento è mostrata nella

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Il protocollo qui delineato è efficace per ottenere e analizzare giudizi di somiglianza per stimoli che possono essere presentati visivamente. Il paradigma sperimentale, l'analisi e le possibili estensioni vengono discussi prima e successivamente i vantaggi e gli svantaggi del metodo.

Paradigma sperimentale: Il metodo proposto è dimostrato utilizzando un dominio di 37 nomi di animali e viene fornito un set di dati campione di giudizi percettivi in modo da poter seguire l'anali...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori non hanno nulla da rivelare.

Ringraziamenti

Il lavoro è supportato da finanziamenti del National Institutes of Health (NIH), sovvenzione EY07977. Gli autori vorrebbero anche ringraziare Usman Ayyaz per la sua assistenza nel testare il software e Muhammad Naeem Ayyaz per i suoi commenti sul manoscritto.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Computer WorkstationN/AN/A Sistemaoperativo: Windows/ MacOS 10 o superiore/ Linux; Intel Core i5 dual-core a 3,1 GHz o simile; 8 GB o più di memoria; Autorizzazioni utente per la scrittura e l'esecuzione di file
condaVersione 4.11Sistema operativo: Windows/ MacOS 10 o superiore/ Linux
Microsoft ExcelMicrosoftAnyPer aprire e mescolare righe e colonne nei file delle condizioni di prova.
PsychoPyN/AVersione 2021.2Framework per l'esecuzione di studi psicofisici
Python 3Python Software FoundationPython Versione 3.8Python3 e librerie integrate associate
Librerie Python richiesteN/Aversione numpy: 1.17.2 o successiva; matplotlib versione 3.4.3 o successiva; scipy versione 1.3.1 o successiva; panda versione 0.25.3 o successiva; seaborn versione 0.9.0 o successiva; versione scikit_learn 0.23.1 o superiore; yaml versione 6.0 o superiore Numpy, Scipy e scikit_learn sono moduli di calcolo con funzioni integrate per l'ottimizzazione e le operazioni vettoriali. Matplotlib e Seaborn sono librerie di tracciamento. Pandas è abituato a leggere e modificare i dati da file CSV.

Riferimenti

  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Tag

Spazio percettivoparadigma di rankingmodelli di distanza euclideaconfronti a coppieanalisi delle componenti principalianalisi dei clustereffetti di contestorappresentazioni mentali
Un paradigma psicofisico per la raccolta e l'analisi dei giudizi di somiglianza
Contattaci
Raccomanda alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.