June 3rd, 2013
조사 초자연적 인 밸리 가설 그리고 정서적 경험은 가설에 대한 이해가 필요합니다 ' 치수 (DHL). 이 프로토콜은 범주 지각의 DHL과 검사의 표현을 할 수 있습니다. 는 초자연적 인 밸리 가설 및 정서적 경험 illustrated.Investigation 인간의 형상 (DHL)의 가설 '차원의 이해를 필요로 동일한 자극과 물리적 및 카테고리 변경에 반응 뇌 영역을 구별하는 fMRI를 사용. 이 프로토콜은 범주 지각의 DHL과 검사의 표현을 할 수 있습니다. 동일한 자극과 물리적 및 카테고리 변경에 반응 뇌 영역을 구별하는 fMRI를 사용이 설명되어 있습니다.
이 절차의 전반적인 목표는 불쾌한 골짜기 가설의 인간 유사성 차원을 따라 범주 인식의 효과를 조사하는 것입니다. 이것은 먼저 인간과 유사한 차원을 나타내는 형태 연속체를 신중하게 생성함으로써 수행됩니다. 그런 다음 모프 연속체는 강제 선택 분류 작업에 표시됩니다.
이 작업은 어떤 자극이 아바타와 인간으로 명확하게 분류되는지 확인하고 범주 경계의 위치를 정의하는 데 사용됩니다. 다음으로, 이러한 이미지의 선택은 지각 판별 작업에 사용됩니다. 이 작업은 지각 차별 경계의 존재와 위치를 결정합니다.
결과는 차별 경계가 범주의 경계와 정렬되어 있음을 보여줍니다. 경계 정렬은 인간의 닮음의 차원을 따라 물체에 대한 주관적 인식이 범주 적 인식의 심리적 효과의 관점에서 이해 될 수 있음을 나타냅니다. 이 방법의 가장 큰 장점은 인간과 유사한 외모를 실험적으로 제어하고 세밀하게 조작할 수 있다는 것입니다.
이것은 지각된 인간의 모습과 기이한 관련 경험 및 행동 사이의 미묘한 관계를 이해하는 데 중요합니다. 이 방법의 시각적 시연은 불쾌한 골짜기 연구에서 이 방법의 사용에 대한 동반 기사의 비판적 논의의 기초를 형성합니다: 모핑 절차에서 각 연속체의 종점으로 사용할 인간 및 아바타 이미지 쌍을 선택하는 것으로 시작합니다. 인간 종말점부터 시작합니다.
중립적인 표정과 직접적인 시선으로 독특한 얼굴의 알 수 없는 이미지를 선택하십시오. 수염이나 장신구와 같은 다른 두드러진 특징이 없어야 합니다. 사람이 아닌 엔드포인트 이미지의 경우 사람 얼굴과 일치하는 아바타 얼굴을 생성합니다.
각 아바타 얼굴을 나이 및 일반적인 얼굴 형상에 따라 해당 사람 얼굴과 밀접하게 일치하도록 변경합니다. 각 부모 면 쌍의 대비 수준과 전체 밝기를 일치시킵니다. 여기서, 아바타 부모 얼굴의 피부색은 해당 인간 부모 얼굴과 일치한다.
사진 편집 소프트웨어를 사용하여 이미지 위에 타원형 형태를 오버레이하여 얼굴의 외부 특징을 자릅니다. 다음으로, 이미지의 최종 위치를 조정하여 각 엔드포인트 이미지 쌍 간에 일반적인 얼굴 형상이 정렬되도록 합니다. 이미지가 준비되면 모핑 소프트웨어를 사용하여 상위 면의 피쳐에 제어점을 배치합니다.
각 얼굴에 대해 입에 약 20개, 양쪽 눈에 18개, 코에 20개, 각 눈썹에 8개의 점이 배치됩니다. 이러한 점이 배치되면 이미지를 모핑할 준비가 된 것입니다. 여기에서 각 연속체에 대해 13개의 서로 다른 모핑 이미지가 생성되고 M 0에서 M 12로 레이블이 지정됩니다.
여기에서 볼 수 있듯이 두 개의 부모 얼굴과 11개의 중간 모프가 있으며, 두 개의 대체 강제 선택 분류 작업이 수행됩니다. 참가자는 각 모프 이미지가 아바타를 표시하는지 아니면 사람의 얼굴을 표시하는지 판단합니다. 준비가 되면 참가자는 일련의 시도를 봅니다.
각 시도는 500밀리초 동안 제시된 고정 지점으로 시작한 다음 750밀리초 동안 모프 이미지가 표시됩니다. 참가자는 각 이미지 다음에 적절한 버튼을 눌러 응답합니다. 다음 재판은 나중에 시작됩니다.
아바타 인간 분류 데이터는 응답 함수의 모양을 설명하기 위해 다항식 회귀를 사용하여 분석됩니다. 동일한 다른 지각 구별 작업을 설정하려면 물리적 변화의 동등한 증가를 나타내는 모프를 선택하여 이전에 아바타로 분류된 두 개의 모프와 물리적 차이에 대한 인간 제어로 두 개의 모프를 선택합니다. 각 연속체를 따라 33%의 증가가 보이는 대로 사용됩니다. 여기에서 선택한 모프를 세 가지 실험적 모프 쌍 조건에 따라 쌍으로 정렬합니다.
모프 쌍이 동일하여 내부에서 물리적 또는 범주 변경이 없음을 나타내고, 쌍이 범주 내에서 그려지고, 쌍이 서로 다른 범주를 나타내는 쌍이 있는 경우와 동일합니다. 아바타 카테고리의 경우, 세 가지 조건에서 각 얼굴 쌍의 첫 번째 모프가 항상 M 4인지 확인합니다. 인간 범주와 관련된 모프 쌍에 대해 동일한 절차를 적용할 수 있으며, 첫 번째 모프가 항상 M 8이 되도록 할 수 있습니다.
동일한 다른 지각 판별 작업이 수행됩니다. 참가자는 버튼을 눌러 각 얼굴 쌍의 얼굴이 모양이 같거나 다른지 여부를 나타냅니다. 준비가 되면 참가자에게 각 시도에 대한 일련의 시도가 표시됩니다.
고정 교차는 500 밀리 초 동안 제시되고, 그 다음에는 500 밀리 초 동안 얼굴 쌍의 첫 번째 얼굴이 표시되며, 300 밀리 초 동안 빈 화면을 보여주는 인터 스티멀 간격이 있습니다. 그런 다음 얼굴 쌍의 두 번째 얼굴, 참가자는 쌍의 얼굴이 같은지 다른지 여부를 결정합니다. 2, 500밀리초의 간격이 지나면 나중에 다음 평가판이 제공됩니다.
범주 경계를 가로지르는 얼굴 쌍에 대해 경계의 같은 쪽에 있는 얼굴 곰과 비교하여 판별 정확도를 분석합니다. 아바타 임상시험과 인간 임상시험에 대한 데이터는 분석에서 별도로 처리되며, 여기에서 볼 수 있는 분석은 강제 선택 범주화 작업에 대한 대표적인 결과입니다. 이는 얼굴이 인간으로 분류되는 응답의 비율로 표시됩니다.
파란색 실선은 피팅된 로지스틱 반응 곡선을 보여주며, 이 곡선의 기울기는 a의 존재와 일치하는 시그모이드 계단 함수를 반영합니다. 파란색 대시선은 범주 경계의 예상 위치를 나타내며, 범주화 판단에서 최대 불확실성 50%가 더 많은 위치 번호 6과 관련이 있음을 나타냅니다. 강제 선택 범주화 작업에 대한 이러한 결과에서 가장 긴 평균 응답 대기 시간은 모프 위치 번호 6과 관련이 있습니다.
이것은 이 모프 위치에서 가장 큰 불확실성과 범주화 판단이 존재하는 것과 일치합니다. 동일한 다른 지각 판별 과제에서의 차별 응답은 사이 조건에 있는 범주 경계의 양쪽에 걸쳐 있는 얼굴 쌍 간의 정확성과 구별이 인간 범주와 아바타 범주 내에서 추출된 얼굴 쌍의 경우보다 크다는 것을 보여줍니다. 범주 경계에서 더 큰 변위 정확도와 일치하게, 중간 조건에서 범주 경계에 걸쳐 있거나 범주 내에서 그려진 얼굴에 대한 것보다 짧은 얼굴 쌍에 대한 판단 응답 시간.
이 절차를 적용할 때 가장 큰 어려움은 균질한 실험 자극 세트를 형성하는 여러 모프 연속체를 생성하는 것입니다. 실험적 자극에 대한 통제가 제대로 이루어지지 않으면 인간의 유사성에 대한 주관적인 인식에 큰 영향을 미치는 혼란과 인공물이 발생할 수 있습니다. 이 기사에 실린 기사에서는 이러한 관련 문제들에 대해 설명합니다.
이 연구는 범주적 지각을 통한 인간 유사성의 차원을 조사하여 기괴계곡 가설을 탐구합니다. 이 프로토콜은 형태 연속체를 생성하고 fMRI를 활용하여 물리적 외관 변화에 반응하는 뇌 영역을 식별합니다.
Understanding categorical perception along the dimension of human likeness informs the design of human-like avatars and robotic interfaces in biopharma training, patient engagement, and therapeutic applications. Misalignment between physical realism and perceptual boundaries can trigger aversion, reducing user acceptance and efficacy of digital health tools. This method enables controlled manipulation of appearance to identify perceptual thresholds that support predictive confidence in human-computer interaction design.
This method supports early discovery by enabling hypothesis testing of perceptual category effects, informing assay readiness for user response screening, and providing quantitative discrimination accuracy outputs that guide go/no-go decisions in digital therapeutic development.