2013년 6월 3일
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 실험 절차의 전반적인 목적은 불쾌한 골짜기 가설의 인간 유사성 차원에 따른 범주적 지각의 효과를 조사하는 것입니다. 이는 우선 인간 유사성 차원을 나타내는 모프 연속체를 정밀하게 생성함으로써 수행됩니다. 이후 이러한 모프 연속체를 강제 선택 분류 과제에서 제시합니다.
이 과제는 어떤 자극이 아바타와 인간으로 명확하게 분류되는지 결정하고, 범주 경계의 위치를 정의하는 데 사용됩니다. 이어서, 선택된 이미지들을 지각적 변별 과제에 사용합니다. 이 과제는 지각적 변별 경계의 존재 여부와 위치를 결정합니다.
결과는 판별 경계가 범주의 경계와 일치함을 보여줍니다. 경계의 일치는 인간 유사성 차원에 따른 객체의 주관적 지각이 범주적 지각의 심리학적 효과 관점에서 이해될 수 있음을 나타냅니다. 이 방법의 주요 장점은 인간과 유사한 외형을 실험적으로 제어하여 세밀하게 조작할 수 있다는 점입니다.
이는 인지된 인간 유사성과 불쾌한 골짜기와 관련된 경험 및 행동 사이의 미묘한 관계를 이해하는 데 중요합니다. 이 방법의 시각적 시연은 함께 제공되는 논문에서 불쾌한 골짜기 연구에 이 방법을 활용하는 것에 대한 비판적 논의의 기초가 됩니다. 먼저 모핑 절차에서 각 연속체의 끝점으로 사용할 인간과 아바타 이미지 쌍을 선택하십시오. 인간 끝점부터 시작합니다.
무표정한 얼굴과 정면 응시 등 특징적인 안면 모습을 가진 미지의 인물 이미지를 선택하십시오. 안면 모발이나 장신구와 같이 눈에 띄는 다른 특징이 없어야 합니다. 비인간 종점 이미지의 경우, 인간의 얼굴과 일치하는 아바타 얼굴을 생성하십시오.
각 아바타의 얼굴을 해당 인간의 얼굴과 연령 및 전반적인 얼굴 기하학적 구조가 밀접하게 일치하도록 수정합니다. 각 부모 얼굴 쌍의 대비 수준과 전반적인 밝기를 맞춥니다. 여기서는 아바타 부모 얼굴의 피부톤을 해당 인간 부모 얼굴에 맞추는 과정이 나타나 있습니다.
사진 편집 소프트웨어를 사용하여 이미지 위에 타원형 형태를 겹쳐 얼굴의 외부 특징 부분을 잘라냅니다. 다음으로, 각 쌍의 끝점 이미지 간의 일반적인 얼굴 기하학적 구조가 정렬되도록 이미지의 최종 위치를 조정합니다. 이미지가 준비되면, 모핑 소프트웨어를 사용하여 부모 얼굴의 특징점에 제어점을 배치합니다.
각 얼굴에 대해 입 주변에 약 20개, 각 눈에 18개, 코에 20개, 그리고 각 눈썹에 8개의 포인트가 배치됩니다. 이 포인트들이 배치되면 이미지를 모핑할 준비가 완료됩니다. 이 과정을 통해 각 연속체별로 13개의 서로 다른 모핑 이미지가 생성되며, M0부터 M12까지 라벨이 지정됩니다.
여기에서 보는 바와 같이 두 개의 부모 얼굴과 11개의 중간 모프가 있으며, 두 가지 대안 강제 선택 분류 과제가 수행됩니다. 참가자는 각 모프 이미지가 아바타 얼굴인지 아니면 사람 얼굴인지 판단합니다. 준비가 되면 참가자는 일련의 시행 과정을 보게 됩니다.
각 시행은 500밀리초 동안 제시되는 고정점을 시작으로 하며, 이어서 750밀리초 동안 모프 이미지가 제시됩니다. 참여자는 각 이미지 제시 후 적절한 버튼을 눌러 응답합니다. 그 후 다음 시행이 시작됩니다.
아바타와 인간의 분류 데이터는 반응 함수의 형태를 기술하기 위해 다항 회귀 분석을 사용하여 분석됩니다. 동일한 지각 변별 과제를 설정하려면, 이전에 아바타로 분류된 모프 2개와 신체적 차이에 대한 인간 대조군으로 분류된 모프 2개를 선택합니다. 이때 각 연속체(continuum)를 따라 신체적 변화의 동일한 증분을 나타내는 모프들을 선택하며, 여기서는 보이는 바와 같이 33%의 증분을 사용합니다. 이제 선택한 모프들을 세 가지 실험적 모프 쌍 조건에 따라 쌍으로 분류합니다.
형태 쌍이 동일하여 내부의 물리적 또는 범주적 변화가 없는 '동일(Same)' 조건, 범주 내에서 쌍을 추출한 '내부(Within)' 조건, 그리고 서로 다른 범주를 나타내는 쌍인 '외부(Between)' 조건으로 구분합니다. 아바타 범주의 경우, 세 가지 조건의 각 얼굴 쌍에서 첫 번째 형태가 항상 M four가 되도록 합니다. 동일한 절차를 인간 범주와 관련된 형태 쌍에 적용하여, 첫 번째 형태가 항상 M eight가 되도록 합니다.
동일-차이 지각 변별 과제를 수행합니다. 참가자는 버튼을 눌러 각 얼굴 쌍의 외형이 동일한지 또는 다른지를 표시합니다. 준비가 되면 참가자에게 각 시행에 대한 일련의 시행 과정이 제시됩니다.
고정 십자선이 500 milliseconds 동안 제시된 후, 얼굴 쌍의 첫 번째 얼굴이 500 milliseconds 동안 제시되며, 이어서 공백 화면의 자극 간 간격이 300 milliseconds 동안 나타납니다. 그 다음 얼굴 쌍의 두 번째 얼굴이 제시되면, 참가자는 해당 쌍의 얼굴들이 동일한지 또는 다른지를 판단합니다. 다음 시행이 제시되기 전까지 2,500 milliseconds의 간격이 이어집니다.
카테고리 경계를 가로지르는 얼굴 쌍의 판별 정확도를 경계의 동일한 쪽에 속하는 얼굴 쌍과 비교하여 분석합니다. 아바타 실험 데이터와 인간 실험 데이터는 분석 시 별도로 처리되었으며, 여기에 제시된 결과는 강제 선택 분류 과제의 대표적인 결과입니다. 이 결과는 얼굴을 인간으로 분류한 응답의 백분율로 표시됩니다.
실선 파란색 선은 적합된 로지스틱 반응 곡선을 나타내며, 이 곡선의 기울기는 a의 존재와 일치하는 시그모이드 계단 함수를 반영합니다. 파란색 점선은 범주 경계의 추정 위치를 나타내며, 이는 범주화 판단에서 50%의 최대 불확실성이 위치 번호 6번과 관련이 있음을 보여줍니다. 강제 선택 범주화 과제의 이러한 결과에서, 평균 반응 잠복기가 가장 긴 것은 형태 위치 번호 6번과 관련이 있습니다.
이는 해당 형태 위치에서 불확실성과 범주화 판단이 가장 크게 나타난다는 점과 일치합니다. 동일한 서로 다른 지각 변별 과제에서의 변별 반응을 살펴보면, 'between' 조건의 범주 경계 양측에 걸쳐 있는 얼굴 쌍 사이의 정확도와 변별력이 인간 및 아바타 범주 내에서 추출된 얼굴 쌍보다 더 높게 나타납니다. 범주 경계에서 변별 정확도가 더 높다는 점과 일치하게, 'between' 조건에서 범주 경계를 가로지르는 얼굴 쌍에 대한 판단 반응 시간은 범주 내에서 추출된 얼굴들에 대한 반응 시간보다 더 짧습니다.
본 절차를 적용할 때 가장 어려운 점은 균질한 실험 자극 세트를 형성하는 여러 형태 연속체(morph continua)를 생성하는 것입니다. 실험 자극에 대한 제어가 미흡하면 인간 유사성에 대한 주관적 지각에 강력한 영향을 미치는 혼동 변수와 아티팩트가 도입될 수 있습니다. 동반된 논문에서 이러한 관련 문제들을 다룹니다.
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.