類似性判断の収集と分析のための心理物理学パラダイム

これは、類似性判断を収集して分析するための効率的な方法であり、精神表現の根底にある被験者の幾何学的特性については何も想定していません。この方法の主な利点は、その柔軟性と知覚表現の性質に関する仮定の最小化です。刺激の種類と試行の複雑さはさまざまで、幅広い幾何学的モデルをデータに適合させることができます。

この方法は、視覚刺激の低レベルおよび高レベルの側面の精神的表現を特徴付けることに関心のある研究者にとって有用であり得る。実行する実験を選択します。類似点をクリックして実験、次に実験、word_expをクリックして画像実験、類似点をクリックしてから実験、image_exp という単語に移動します。

実験刺激を確定する。単語の実験を実行している場合は、単語のリストを準備します。そして、画像実験のために、新しいディレクトリを作成し、その中にすべての刺激画像を配置します。

実験ディレクトリで、config という名前の設定ファイルを見つけます。類似点をクリックして yaml をクリックし、次に実験を行い、次に config.yaml をクリックします。ソースコードエディタでファイルを開き、ファイル変数の値を刺激セットを含むディレクトリへのパスに更新します。

これは、PsychoPyが画像刺激を探す場所です。コンフィギュレーションを開いてトライアルコンフィギュレーションを作成します。解析ディレクトリ内の yaml ファイルで、path_2_stimulus_listパラメータの値を stimuli.txt へのパスに設定します。

similarities ディレクトリから、ウィンドウに表示されるコマンドを順番に実行してスクリプトを実行します。これにより、trial_conditions というファイルが作成されます。各行に試行に現れる刺激の名前とその位置を含む類似点のcsv。

生成された 222 回の試行の完全なセットをセッションに分割し、ウィンドウに表示されるコマンドを実行して試行順序をランダム化します。一般的な設計では、セッションは 111 の試行で構成され、各試行の実行には約 1 時間かかります。プロンプトが表示されたら、表示された入力パラメーターを入力します。

名前を変更し、生成された各ファイルを条件として保存します。独自のディレクトリ内のcsv。条件をコピーします。

csvファイルを作成し、psyexpファイルを含む現在のディレクトリに貼り付けます。PsychoPy を開き、関連する実験ディレクトリにある psyexp または py ファイルを開きます。PsychoPyで、緑色の再生ボタンをクリックして実験を実行します。

モーダルポップアップで、サブジェクト名または ID とセッション番号を入力し、「OK」をクリックして開始します。手順は、各セッションの開始時に表示されます。被験者にタスクの完了を約1時間させ、タスクが自己ペースで進むように、必要に応じて被験者に休憩を取るように勧めます。

すべてのセッションが完了したら、生データファイルを結合し、前処理を実行してさらに処理するために、それらを単一のJSONファイルに再フォーマットします。画面に表示されるコマンドを使用して端末でpyを実行します。プロンプトが表示されたら、被験者データ ディレクトリへのパス、データを前処理する被験者 ID、出力ファイルに名前を付けるために使用する実験名など、要求された入力パラメーターを入力し、Enter キーを押します。

これにより、出力ディレクトリに JSON ファイルが作成され、試行ごとに繰り返しの応答が結合されます。ランク順の判断からペアワイズ選択確率を決定するには、類似性に移動し、分析してdescribe_dataを実行します。コマンドラインでpy。

プロンプトが表示されたら、被験者データへのパスと、分析を実行する被験者のリストを入力します。これにより、3種類のプロットが作成されます。model_fittingを実行して選択確率を使用して知覚空間の低次元ユークリッドモデルを生成する。

画面に表示されるコマンドラインを使用してpyします。プロンプトが表示されたら、ディレクトリの入力をサブジェクトデータ/前処理対象に入力し、刺激の数(デフォルトでは37)、反復回数、出力ディレクトリ、およびガウスノイズの量(デフォルトでは0.18になります)を提供します。得られたモデルの対数尤度を視覚化し、類似性、分析、およmodel_fitting_figure.pyを実行して適合度を評価します。

プロンプトが表示されたら、ログの尤度を含むCSVファイルに必要なパスを入力します。表示されたコマンドを実行して、各被写体の知覚空間を視覚化し、最初の 2 つの主要コンポーネントに投影された 5D モデルの点を示す散布図を生成します。プロンプトが表示されたら、入力パラメータと5Dポイントを含むNPYファイルへのパスを入力します。

スクリプトが実行されたら、仮想環境を終了します。単語 experiment 用に生成されたファイルでは、最初の行は、参照刺激サルの周囲に 8 つの刺激が現れる試行に対応します。ランクの判断はペアごとの選択に分解されました。

選択確率の分布は、被験者間で非常に一貫していた。各パネルの対角線付近のデータクラスタリングは、被験者間の選択確率と、極端にない判断において大きな一貫性を示しています。優勢な対角線は、0 と 1 の間の中間選択確率を含む 2 つのコンテキストにおける選択確率が、各被験者でほぼ同一であることを示します。

対数尤度は、最適なモデルの対数尤度、つまり、これらの確率を幾何学的考慮事項によって制約することなく、観測された選択確率を各比較に割り当てるモデルに対して相対的に示されます。主成分分析は、知覚空間の5Dモデルからの点に対して行われ、類似していると知覚された動物は互いに近くの点で示された。実験を計画するときにすべてのパラメータを決定し、手順 2 を開始する前に設定ファイルで設定することが重要です。

各被験者のデータを注意深く追跡することも非常に重要です。この方法は多数の類似性判断を提供するため、クラスター解析、コンテキストへのフォーカス、異なる幾何学的空間を使用したモデリングなど、多くの解析を適用できます。