유사성 판단의 수집과 분석을위한 정신 물리학 패러다임

요약

이 프로토콜은 많은 양의 유사성 판단과 그에 수반되는 분석 워크 플로우를 얻기 위해 실험적 정신 물리학 패러다임을 제시합니다. 패러다임은 컨텍스트 효과를 조사하고 적어도 다섯 차원의 유클리드 공간의 관점에서 유사성 데이터의 모델링을 가능하게합니다.

초록

유사성 판단은 일반적으로 정신적 표현과 신경 상관 관계를 연구하는 데 사용됩니다. 이 접근법은 색상, 객체, 이미지, 단어 및 소리와 같은 많은 영역에서 지각 공간을 특성화하는 데 사용되었습니다. 이상적으로, 모든 자극 쌍 사이의 인식 된 유사성에 대한 추정치를 비교하고 싶을 수도 있지만, 이것은 종종 비실용적입니다. 예를 들어, 피험자에게 두 항목의 유사성을 다른 두 항목의 유사성과 비교하도록 요청하면 비교 횟수는 자극 집합 크기의 네 번째 힘에 따라 증가합니다. 대안적인 전략은 피험자에게 고립된 쌍들의 유사성을 예를 들어, Likert 척도로 평가하도록 요청하는 것이다. 이것은 훨씬 더 효율적이지만 (등급의 수는 사분위가 아닌 설정된 크기에 따라 사분면으로 증가합니다), 이러한 등급은 불안정하고 해상도가 제한적인 경향이 있으며 접근 방식은 컨텍스트 효과가 없다고 가정합니다.

여기에서는 유사성 판단의 효율적인 수집을위한 새로운 순위 패러다임과 유클리드 거리 모델이 데이터를 설명하는지 여부를 테스트하는 분석 파이프 라인 (소프트웨어 제공)이 제시됩니다. 전형적인 시험은 중앙 기준 자극을 중심으로 여덟 가지 자극으로 구성된다: 피험자는 기준과의 유사성 순서대로 자극을 순위화한다. 각 임상시험에서 사용된 자극의 조합을 신중하게 선택함으로써, 접근법은 일관성과 맥락 효과에 대한 내부 통제를 갖는다. 이 접근법은 최대 다섯 차원의 유클리드 공간에서 가져온 자극에 대해 검증되었습니다.

이 접근법은 37 단어 사이의 유사성을 측정하는 실험으로 설명됩니다. 각 시험은 "A가 B보다 참조와 더 유사합니까?"라는 형태의 28 쌍 비교 결과를 산출합니다. 모든 자극 쌍을 직접 비교하는 것은 221445 번의 시험이 필요했지만,이 설계는 222 번의 시도에서 얻은 5994 건의 비교에서 지각 공간을 재구성 할 수있게합니다.

서론

인간은 들어오는 감각 정보를 정신적으로 처리하고 표현하여 객체 인식, 탐색, 환경에 대한 추론 및 기타 여러 작업을 수행합니다. 유사성 판단은 일반적으로 이러한 정신적 표현을 조사하는 데 사용됩니다¹. 정신적 표현의 구조를 이해하면 개념적 지식의 조직에 대한 통찰력을 제공 할 수 있습니다². 유사성 판단을 뇌 활성화 패턴과 관련시킴으로써 신경 계산에 대한 통찰력을 얻는 것도 가능합니다³. 또한, 유사성 판단은 인식에서 두드러진 특징을 드러낸다⁴. 발달 과정에서 정신적 표현이 어떻게 변하는지 연구하는 것은 그들이 어떻게 학습되는지를 밝힐 수 있습니다⁵. 따라서 유사성 판단은 뇌의 정보 처리에 대한 귀중한 통찰력을 제공합니다.

유사성을 사용하는 정신적 표현의 일반적인 모델은 기하학적 공간 모델^6,7,8이다. 감각 영역에 적용된 이러한 종류의 모델은 종종 지각 공간

프로토콜

실험을 시작하기 전에 모든 피험자는 제도적 지침과 헬싱키 선언에 따라 정보에 입각 한 동의를 제공합니다. 이 연구의 경우,이 프로토콜은 Weill Cornell Medical College의 기관 검토위원회에 의해 승인되었습니다.

1. 설치 및 설정

1. GitHub 리포지토리, 유사성(https://github.com/jvlab/similarities)에서 코드를 다운로드합니다. 명령 줄에서 실행 : git 복제 https://github.com/jvlab/similarities.git. - git이 설치되지 않은 경우 저장소에서 압축 된 폴더로 코드를 다운로드하십시오.
   참고 : 저장소에는 두 개의 하위 디렉토리가 있습니다 : 두 개의 샘플 실험을 포함하는 실험과 수집 된 유사성 데이터를 분석하기위한 파이썬 스크립트 세트가 포함 된 분석. 실험 디렉토리에서 하나는 (word_exp) 단어 자극을 사용하고 다른 하나는 (image_exp) 이미지 자극을 표시합니다. 파이썬에 익숙해지면 도움이 될 것이지만 반드시 필요한 것은 아닙니다. 명령줄에 익숙하다고 가정합니다: 여러 단계를 수행하려면 명령줄에서 스크립트를 실행해야 합니다.
2. 다음 도구를 설치하고 가상 환경을 ....

결과

그림 1A는 단어 실험에 대해 3.3단계에서 스크립트에서 생성된 조건 파일의 일부를 보여 줍니다. 각 행은 평가판에 해당합니다. ref 열의 자극이 디스플레이 중앙에 나타납니다. stim1에서 stim8까지의 열 이름은 원을 따라 8개의 위치에 해당하며, 중앙 참조의 오른쪽에 있는 위치부터 시계 반대 방향으로 실행됩니다. 실험이라는 단어의 샘플 시험이 그림 1B에 나와 있습니다.

타당성과 재현성을 입증하기 위해 자극 세트가 37 마리의 동물의 이름으로 구성된 실험이 수행되었습니다. 완전한 데이터 세트는 연구의 일환으로 정상적인 시력을 가진 여덟 명의 건강한 피험자로부터 수집되었습니다. 이 방법을 입증하기 위해 세 명의 피험자의 데이터가 여기에 표시되며, 그 중 두 명은 연구 목적에 순진했습니다. 정보에 입각 한 동의는 헬싱키 선언과 Weill .......

토론

여기에 설명 된 프로토콜은 시각적으로 제시 될 수있는 자극에 대한 유사성 판단을 얻고 분석하는 데 효과적입니다. 실험 패러다임, 분석 및 가능한 확장이 먼저 논의되고 나중에이 방법의 장점과 단점이 논의됩니다.

실험 패러다임: 제안 된 방법은 37 동물 이름의 도메인을 사용하여 시연되며, 5 단계의 분석을 따르고 그림 3-6의 일부를 재현 할 수 있도록 지각 적 판단의 샘플 데이터 세트가 제공됩니다 (프로토콜 단계 1.4). 실험 설계는 이러한 37개의 자극을 222개의 시도로 그룹화합니다 - 각각 중앙에 기준 자극을 포함하고 주변 고리에 여덟 개의 비교 자극을 포함함- 몇 가지 기준이 유지되도록 합니다: a) 37개의 자극 각각은 기준으로서 동일한 수(6회)의 횟수(222 = 37×6), b) 자극이 기준이 되는 6번의 시도에 걸쳐, .......

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
컴퓨터 워크스테이션	해당	없음	OS: Windows/ MacOS 10 이상/ Linux; 3.1GHz 듀얼 코어 Intel Core i5 또는 유사 제품; 8GB 이상의 메모리; 파일 쓰기 및 실행을 위한 사용자 권한
conda		버전 4.11	OS: Windows/ MacOS 10 이상/ Linux
Microsoft Excel	Microsoft	Any	평가판 조건 파일의 행과 열을 열고 섞습니다.
PsychoPy	N/A	버전 2021.2	정신물리학 연구를 실행하기 위한 프레임워크
Python 3	Python Software Foundation	Python 버전 3.8	Python3 및 관련 내장 라이브러리
필수 Python 라이브러리	N/A	numpy 버전: 1.17.2 이상; matplotlib 버전 3.4.3 이상; scipy 버전 1.3.1 이상; pandas 버전 0.25.3 이상; seaborn 버전 0.9.0 이상, scikit_learn 버전 0.23.1 이상; yaml 버전 6.0 이상	numpy, scipy 및 scikit_learn는 최적화 및 벡터 연산을 위한 내장 함수가 있는 컴퓨팅 모듈입니다. matplotlib 및 seaborn은 플로팅 라이브러리입니다. pandas는 csv 파일에서 데이터를 읽고 편집하는 데 사용됩니다.