Name: Een psychofysisch paradigma voor het verzamelen en analyseren van gelijkenisoordelen (Video) | JoVE Journal
Uploaded: 2022-03-01T13:45:00.000+00:00
Duration: 8 min 12 s
Description: Verken een psychofysisch paradigma voor het verzamelen en analyseren van gelijkenisoordelen met behulp van PsychoPy en multidimensionale modellering. Deze methode minimaliseert aannames over mentale representaties.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Het werk wordt ondersteund door financiering van de National Institutes of Health (NIH), subsidie EY07977. De auteurs willen ook Usman Ayyaz bedanken voor zijn hulp bij het testen van de software en Muhammad Naeem Ayyaz voor zijn commentaar op het manuscript.

<ol><li>Edelman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Representation+is+representation+of+similarities%5BTitle%5D)+AND+%22TheBehavioral+and+Brain+Sciences%22%5BJournal%5D)">Representation is representation of similarities.</a> TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).</li>
<li>Hahn, U., Chater, N. Concepts and similarity. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHahn%2C+U+%22Knowledge%2C+Concepts+and+Categories%22">Knowledge, Concepts and Categories</a>. , The MIT Press. 43-84 (1997).</li>
<li>Kriegeskorte, N., Kievit, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Representational+geometry%3A+integrating+cognition%2C+computation%2C+and+the+brain%5BTitle%5D)+AND+%22Trends+in+Cognitive+Sciences%22%5BJournal%5D)">Representational geometry: integrating cognition, computation, and the brain.</a> Trends in Cognitive Sciences. 17 (8), 401-412 (2013).</li>
<li>Hebart, M. N., Zheng, C. Y., Pereira, F., Baker, C. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Revealing+the+multidimensional+mental+representations+of+natural+objects+underlying+human+similarity+judgements%5BTitle%5D)+AND+%22Nature+Human+Behaviour%22%5BJournal%5D)">Revealing the multidimensional mental representations of natural objects underlying human similarity judgements.</a> Nature Human Behaviour. 4 (11), 1173-1185 (2020).</li>
<li>Deng, W. S., Sloutsky, V. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+development+of+categorization%3A+Effects+of+classification+and+inference+training+on+category+representation%5BTitle%5D)+AND+%22Developmental+Psychology%22%5BJournal%5D)">The development of categorization: Effects of classification and inference training on category representation.</a> Developmental Psychology. 51 (3), 392-405 (2015).</li>
<li>Shepard, R. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stimulus+and+response+generalization%3A+tests+of+a+model+relating+generalization+to+distance+in+psychological+space%5BTitle%5D)+AND+%22Journal+of+Experimental+Psychology%22%5BJournal%5D)">Stimulus and response generalization: tests of a model relating generalization to distance in psychological space.</a> Journal of Experimental Psychology. 55 (6), 509-523 (1958).</li>
<li>Coombs, C. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+method+for+the+study+of+interstimulus+similarity%5BTitle%5D)+AND+%22Psychometrika%22%5BJournal%5D)">A method for the study of interstimulus similarity.</a> Psychometrika. 19 (3), 183-194 (1954).</li>
<li>Gärdenfors, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGa%CC%88rdenfors%2C+P+%22Conceptual+Spaces%3A+The+Geometry+of+Thought%22">Conceptual Spaces: The Geometry of Thought</a>. , The MIT Press. (2000).</li>
<li>Zaidi, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Perceptual+spaces%3A+mathematical+structures+to+neural+mechanisms%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience+The+Official+Journal+of+the+Society+for+Neuroscience%22%5BJournal%5D)">Perceptual spaces: mathematical structures to neural mechanisms.</a> The Journal of Neuroscience The Official Journal of the Society for Neuroscience. 33 (45), 17597-17602 (2013).</li>
<li>Krishnaiah, P. R., Kanal, L. N. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKrishnaiah%2C+PR+%22Handbook+of+Statistics+2%22">Handbook of Statistics 2</a>. , Elsevier. (1982).</li>
<li>Tsogo, L., Masson, M. H., Bardot, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multidimensional+Scaling+Methods+for+Many-Object+Sets%3A+A+Review%5BTitle%5D)+AND+%22Multivariate+Behavioral+Research%22%5BJournal%5D)">Multidimensional Scaling Methods for Many-Object Sets: A Review.</a> Multivariate Behavioral Research. 35 (3), 307-319 (2000).</li>
<li>Kriegeskorte, N., Mur, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inverse+MDS%3A+Inferring+dissimilarity+structure+from+multiple+item+arrangements%5BTitle%5D)+AND+%22Frontiers+in+Psychology%22%5BJournal%5D)">Inverse MDS: Inferring dissimilarity structure from multiple item arrangements.</a> Frontiers in Psychology. 3, 245(2012).</li>
<li>Rao, V. R., Katz, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Alternative+Multidimensional+Scaling+Methods+for+Large+Stimulus+Sets%5BTitle%5D)+AND+%22Journal+of+Marketing+Research%22%5BJournal%5D)">Alternative Multidimensional Scaling Methods for Large Stimulus Sets.</a> Journal of Marketing Research. 8 (4), 488-494 (1971).</li>
<li>Hoffman, J. I. E. Hypergeometric Distribution. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHoffman%2C+JIE+%22Biostatistics+for+Medical+and+Biomedical+Practitioners%22">Biostatistics for Medical and Biomedical Practitioners</a>. , Academic Press. 179-182 (2015).</li>
<li>Victor, J. D., Rizvi, S. M., Conte, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Two+representations+of+a+high-dimensional+perceptual+space%5BTitle%5D)+AND+%22Vision+Research%22%5BJournal%5D)">Two representations of a high-dimensional perceptual space.</a> Vision Research. 137, 1-23 (2017).</li>
<li>Knoblauch, K., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimating+classification+images+with+generalized+linear+and+additive+models%5BTitle%5D)+AND+%22Journal+of+Vision%22%5BJournal%5D)">Estimating classification images with generalized linear and additive models.</a> Journal of Vision. 8 (16), 1-19 (2008).</li>
<li>Maloney, L. T., Yang, J. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Maximum+likelihood+difference+scaling%5BTitle%5D)+AND+%22Journal+of+Vision%22%5BJournal%5D)">Maximum likelihood difference scaling.</a> Journal of Vision. 3 (8), 573-585 (2003).</li>
<li>Logvinenko, A. D., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+proximity+structure+of+achromatic+surface+colors+and+the+impossibility+of+asymmetric+lightness+matching%5BTitle%5D)+AND+%22Perception+%26+Psychophysics%22%5BJournal%5D)">The proximity structure of achromatic surface colors and the impossibility of asymmetric lightness matching.</a> Perception & Psychophysics. 68 (1), 76-83 (2006).</li>
<li>Zhou, Y., Smith, B. H., Sharpee, T. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hyperbolic+geometry+of+the+olfactory+space%5BTitle%5D)+AND+%22Science+Advances%22%5BJournal%5D)">Hyperbolic geometry of the olfactory space.</a> Science Advances. 4 (8), (2018).</li>
<li>Goldstone, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+efficient+method+for+obtaining+similarity+data%5BTitle%5D)+AND+%22Behavior+Research+Methods%2C+Instruments%2C+%26+Computers%22%5BJournal%5D)">An efficient method for obtaining similarity data.</a> Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).</li>
<li>Townsend, J. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Theoretical+analysis+of+an+alphabetic+confusion+matrix%5BTitle%5D)+AND+%22Perception+%26+Psychophysics%22%5BJournal%5D)">Theoretical analysis of an alphabetic confusion matrix.</a> Perception & Psychophysics. 9, 40-50 (1971).</li>
</ol>

De auteurs hebben niets te onthullen.

Het hier beschreven protocol is effectief voor het verkrijgen en analyseren van gelijkenisoordelen voor stimuli die visueel kunnen worden gepresenteerd. Het experimentele paradigma, de analyse en mogelijke uitbreidingen worden eerst besproken, en later de voor- en nadelen van de methode.
Experimenteel paradigma: De voorgestelde methode wordt gedemonstreerd met behulp van een domein van 37 diernamen en er wordt een voorbeelddataset van perceptuele oordelen verstrekt, zodat men ...

Mensen verwerken en vertegenwoordigen mentaal binnenkomende sensorische informatie om een breed scala aan taken uit te voeren, zoals objectherkenning, navigatie, het maken van gevolgtrekkingen over de omgeving en vele anderen. Gelijkenisoordelen worden vaak gebruikt om deze mentale representaties te onderzoeken1. Inzicht in de structuur van mentale representaties kan inzicht geven in de organisatie van conceptuele kennis2. Het is ook mogelijk om inzicht te krijgen in neurale berekeningen, door gelijkenisoordelen te relateren aan hersenactivatiepatronen3. Bovendien onthullen gelijkenisoordelen kenmerken die saillant zijn in perceptie4. Onderzoek naar hoe mentale representaties veranderen tijdens de ontwikkeling kan licht werpen op hoe ze worden geleerd5. Gelijkenisoordelen geven dus waardevol inzicht in informatieverwerking in de hersenen.
Een veel voorkomend model van mentale representaties met behulp van overeenkomsten is een geometrisch ruimtemodel6,7,8. Toegepast op sensorische domeinen wordt dit soort model vaak een perceptuele ruimte genoemd9. Punten in de ruimte vertegenwoordigen stimuli en afstanden tussen punten komen overeen met de waargenomen ongelijkheid tussen hen. Uit gelijkenisoordelen kan men kwantitatieve schattingen van verschillen verkrijgen. Deze paarsgewijze verschillen (of perceptuele afstanden) kunnen vervolgens worden gebruikt om de perceptuele ruimte te modelleren via multidimensionale schaling10.
Er zijn veel methoden voor het verzamelen van gelijkenisoordelen, elk met zijn voor- en nadelen. De meest eenvoudige manier om kwantitatieve metingen van ongelijkwaardigheid te verkrijgen, is door proefpersonen te vragen om op een schaal de mate van ongelijkwaardigheid tussen elk paar stimuli te beoordelen. Hoewel dit relatief snel is, zijn schattingen meestal onstabiel tijdens lange sessies, omdat proefpersonen niet terug kunnen gaan naar eerdere oordelen en contexteffecten, indien aanwezig, niet kunnen worden gedetecteerd. (Hier wordt een contexteffect gedefinieerd als een verandering in de beoordeelde gelijkenis tussen twee stimuli, gebaseerd op de aanwezigheid van andere stimuli die niet worden vergeleken.) Als alternatief kunnen proefpersonen worden gevraagd om alle paren stimuli te vergelijken met alle andere paren stimuli. Hoewel dit een betrouwbaarder rangorde van verschillen zou opleveren, vereiste het aantal vergelijkingen schalen met de vierde macht van het aantal stimuli, waardoor het haalbaar is voor slechts kleine stimulussets. Snellere alternatieven, zoals sorteren in een vooraf gedefinieerd aantal clusters11 of gratis sorteren, hebben hun eigen beperkingen. Vrij sorteren (in een willekeurig aantal stapels) is intuïtief, maar het dwingt het onderwerp om de stimuli te categoriseren, zelfs als de stimuli zich niet gemakkelijk lenen voor categorisatie. De meer recente multi-arrangement methode, inverse MDS, omzeilt veel van deze beperkingen en is zeer efficiënt12. Deze methode vereist echter dat proefpersonen hun mentale representaties projecteren op een 2D Euclidisch vlak en overeenkomsten op een specifieke geometrische manier overwegen, waarbij de veronderstelling wordt gemaakt dat gelijkenisstructuur kan worden hersteld van Euclidische afstanden op een vlak. Er blijft dus behoefte aan een efficiënte methode om grote hoeveelheden gelijkenisoordelen te verzamelen, zonder aannames te doen over de geometrie die aan de oordelen ten grondslag ligt.
Hier beschreven is een methode die zowel redelijk efficiënt is als ook de bovenstaande mogelijke valkuilen vermijdt. Door proefpersonen te vragen stimuli te rangschikken in volgorde van gelijkenis met een centrale referentie in elke studie13, kan relatieve gelijkenis direct worden onderzocht, zonder iets aan te nemen over de geometrische structuur van de reacties van de proefpersonen. Het paradigma herhaalt een subset van vergelijkingen met zowel identieke als verschillende contexten, waardoor directe beoordeling van contexteffecten mogelijk is, evenals de verwerving van graduele responsen in termen van keuzekansen. De analyseprocedure ontleedt deze rangoordelen in meerdere paarsgewijze vergelijkingen en gebruikt ze om Euclidische modellen van perceptuele ruimten te bouwen en te zoeken die de oordelen verklaren. De methode is geschikt om de weergave van stimulussets van gemiddelde grootte (bijv. 19 tot 49) in detail te beschrijven.
Om de haalbaarheid van de aanpak aan te tonen, werd een experiment uitgevoerd, waarbij een set van 37 dieren als stimuli werd gebruikt. Gegevens werden verzameld in de loop van 10 sessies van een uur en vervolgens afzonderlijk geanalyseerd voor elk onderwerp. Analyse toonde consistentie tussen onderwerpen en verwaarloosbare contexteffecten. Het beoordeelde ook de consistentie van waargenomen verschillen tussen stimuli met Euclidische modellen van hun perceptuele ruimtes. Het paradigma en de analyseprocedures die in dit artikel worden beschreven, zijn flexibel en zullen naar verwachting van nut zijn voor onderzoekers die geïnteresseerd zijn in het karakteriseren van de geometrische eigenschappen van een reeks perceptuele ruimten.

<table><tbody><tr><td>Computer Workstation</td><td>N/A</td><td>N/A</td><td>OS: Windows/ MacOS 10 of hoger/ Linux; 3,1 GHz Dual-Core Intel Core i5 of soortgelijk; 8GB of meer geheugen; Gebruikersrechten voor het schrijven en uitvoeren van bestanden</td></tr><tr><td>conda</td><td></td><td>Versie 4.11</td><td>OS: Windows/ MacOS 10 of hoger/ Linux</td></tr><tr><td>Microsoft Excel</td><td>Microsoft</td><td>Alle</td><td>Om rijen en kolommen in proefomstandighedenbestanden te openen en te schuiven.</td></tr><tr><td>PsychoPy</td><td>N/A</td><td>Versie 2021.2</td><td>Framework voor het uitvoeren van psychofysische studies</td></tr><tr><td>Python 3</td><td>Python Software Foundation</td><td>Python-versie 3.8</td><td>Python3 en bijbehorende ingebouwde bibliotheken</td></tr><tr><td>Vereiste Python-bibliotheken</td><td>N/A</td><td>numpy-versie: 1.17.2 of hoger; matplotlib-versie 3.4.3 of hoger; scipy-versie 1.3.1 of hoger; pandas-versie 0.25.3 of hoger; seaborn-versie 0.9.0 of hoger; scikit_learn-versie 0.23.1 of hoger; yaml-versie 6.0 of hoger&nbsp;</td><td>numpy, scipy en scikit_learn zijn rekenmodules met ingebouwde functies voor optimalisatie en vectorbewerkingen. matplotlib en seaborn zijn plotbibliotheken. pandas wordt gebruikt om gegevens uit csv-bestanden te lezen en te bewerken.</td></tr></tbody></table>

een psychofysisch paradigma voor het verzamelen en analyseren van gelijkenisoordelen

A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments

Gelijkenisoordelen worden vaak gebruikt om mentale representaties en hun neurale correlaten te bestuderen. Deze benadering is gebruikt om perceptuele ruimtes in vele domeinen te karakteriseren: kleuren, objecten, afbeeldingen, woorden en geluiden. Idealiter zou men schattingen van waargenomen gelijkenis tussen alle paren stimuli willen vergelijken, maar dit is vaak onpraktisch. Als men bijvoorbeeld een onderwerp vraagt om de gelijkenis van twee items te vergelijken met de gelijkenis van twee andere items, groeit het aantal vergelijkingen met de vierde macht van de grootte van de stimulusset. Een alternatieve strategie is om een subject te vragen om overeenkomsten van geïsoleerde paren te beoordelen, bijvoorbeeld op een Likert-schaal. Dit is veel efficiënter (het aantal beoordelingen groeit kwadratisch met de ingestelde grootte in plaats van kwartaal), maar deze beoordelingen zijn meestal onstabiel en hebben een beperkte resolutie, en de aanpak gaat er ook van uit dat er geen contexteffecten zijn.
Hier wordt een nieuw rangschikkingsparadigma voor efficiënte verzameling van gelijkenisoordelen gepresenteerd, samen met een analysepijplijn (meegeleverde software) die test of Euclidische afstandsmodellen rekening houden met de gegevens. Typische studies bestaan uit acht stimuli rond een centrale referentieprikkel: de proefpersoon rangschikt stimuli in volgorde van hun gelijkenis met de referentie. Door een oordeelkundige selectie van combinaties van stimuli die in elk onderzoek worden gebruikt, heeft de aanpak interne controles voor consistentie en contexteffecten. De benadering werd gevalideerd voor stimuli uit Euclidische ruimten van maximaal vijf dimensies. 
De aanpak wordt geïllustreerd met een experiment dat overeenkomsten meet tussen 37 woorden. Elke studie levert de resultaten op van 28 paarsgewijze vergelijkingen van de vorm: "Was A meer vergelijkbaar met de referentie dan B met de referentie?" Hoewel het direct vergelijken van alle paren van paren stimuli 221445 proeven zou hebben vereist, maakt dit ontwerp reconstructie van de perceptuele ruimte mogelijk uit 5994 dergelijke vergelijkingen verkregen uit 222 onderzoeken.

Figuur 1A toont een deel van een voorwaardenbestand dat door het script is gegenereerd in stap 3.3, voor het woord experiment. Elke rij komt overeen met een proefversie. De stimulus in de ref-kolom verschijnt in het midden van het display. De kolomnamen stim1 tot stim8 komen overeen met acht posities langs een cirkel, die tegen de klok in lopen, beginnend bij de positie rechts van de centrale verwijzing. Een voorbeeldproef van het woord experiment is weergegeven in figuu...

Het protocol presenteert een experimenteel psychofysisch paradigma om grote hoeveelheden gelijkenisoordelen te verkrijgen, en een bijbehorende analyseworkflow. Het paradigma onderzoekt contexteffecten en maakt modellering van gelijkenisgegevens mogelijk in termen van Euclidische ruimten van ten minste vijf dimensies.

Een psychofysisch paradigma voor het verzamelen en analyseren van gelijkenisoordelen

Similarity judgments are commonly used to study mental representations and their neural correlates. This approach has been used to characterize perceptual ...

Dit is een efficiënte methode voor het verzamelen en analyseren van gelijkenisoordelen, en het veronderstelt niets over de geometrische eigenschappen van onderwerpen die ten grondslag liggen aan mentale representaties. De belangrijkste voordelen van de methode zijn de flexibiliteit en minimalisering van aannames over de aard van de perceptuele representatie. De soorten stimuli en de complexiteit van proeven kunnen worden gevarieerd en een breed scala aan geometrische modellen kan aan de gegevens worden aangepast.Deze methode kan nuttig zijn voor onderzoekers die geïnteresseerd zijn in het karakteriseren van de mentale representaties van lage en hoge aspecten van visuele stimuli. Selecteer een experiment dat u wilt uitvoeren. Navigeer naar het woord experiment door op overeenkomsten te klikken, vervolgens op experimenten, vervolgens op word_exp, of op het afbeeldingsexperiment door op overeenkomsten, vervolgens op experimenten en vervolgens op image_exp te klikken.Rond de experimentele stimuli af. Als het woordexperiment wordt uitgevoerd, bereidt u een lijst met woorden voor. En voor het beeldexperiment maak je een nieuwe map en plaats je alle stimulusafbeeldingen erin.Zoek in de map experimenten het configuratiebestand met de naam config. yaml door op overeenkomsten te klikken, vervolgens op experimenten en vervolgens op config.yaml. Open het bestand in een broncode-editor en werk de waarde van de bestandsvariabele bij naar het pad naar de map met de stimulusset.Hier gaat PsychoPy op zoek naar de beeldprikkels. Maak proefconfiguraties door de configuratie te openen. yaml-bestand in de analysemap en stel vervolgens de waarde van de parameter path_2_stimulus_list in op het pad naar stimuli.txt.Voer vanuit de map gelijkenissen het script uit door de opdrachten die in het venster worden weergegeven, achter elkaar uit te voeren. Hiermee wordt een bestand gemaakt met de naam trial_conditions. csv in overeenkomsten waarin elke rij de namen bevat van de stimuli die in een proef voorkomen, samen met hun posities.Verdeel de volledige set van 222 uitgevoerde onderzoeken in sessies en randomiseer de proefvolgorde door de opdrachten uit te voeren die in het venster worden weergegeven. In het typische ontwerp bestaan sessies uit 111 proeven, die elk ongeveer een uur nodig hebben om te worden uitgevoerd. Voer desgevraagd de weergegeven invoerparameters in.Wijzig de naam en sla elk van de gegenereerde bestanden op als voorwaarden. csv in een eigen directory. Kopieer de voorwaarden.csv-bestand en plak het in de huidige map met het psyexp-bestand. Open PsychoPy en open het psyexp- of py-bestand in de relevante experimentenmap. Klik in PsychoPy op de groene afspeelknop om het experiment uit te voeren.Voer in de modale pop-up de naam van het onderwerp of de ID en het sessienummer in en klik op OK om te beginnen. Instructies worden aan het begin van elke sessie weergegeven. Geef het onderwerp ongeveer een uur om de taak te voltooien en als de taak op eigen tempo is, moedigt u de onderwerpen aan om indien nodig pauzes te nemen.Nadat alle sessies zijn voltooid, combineert u de ONBEWERKT-gegevensbestanden en formatteert u ze opnieuw in één JSON-bestand voor verdere verwerking door voorbewerkingen uit te voeren. py in de terminal met behulp van de commando's die zichtbaar zijn op het scherm. Voer desgevraagd de gevraagde invoerparameters in, waaronder het pad naar de map met onderwerpgegevens, onderwerp-id's om de gegevens vooraf te verwerken en de experimentnaam die wordt gebruikt om het uitvoerbestand een naam te geven en druk vervolgens op Enter.Hiermee wordt een JSON-bestand in de uitvoermap gemaakt dat reacties over herhalingen voor elke proef combineert. Om de paarsgewijze keuzekansen uit rangordeoordelen te bepalen, gaat u naar overeenkomsten, analyseert u en voert u describe_data uit. py in de opdrachtregel.Voer desgevraagd het pad naar de onderwerpgegevens en de lijst met onderwerpen in om de analyse uit te voeren. Hierdoor ontstaan drie soorten percelen. Genereer laagdimensionale Euclidische modellen van de perceptuele ruimten met behulp van de keuzekansen door model_fitting uit te voeren.py met behulp van de opdrachtregel die op het scherm wordt weergegeven. Geef desgevraagd de invoer voor de map op aan de onderwerpgegevens / voorbewerkt, het aantal stimuli, dat standaard 37 zal zijn, het aantal iteraties, de uitvoermap en de hoeveelheid Gaussiaanse ruis, die standaard 0,18 zal zijn. Visualiseer de logwaarschijnlijkheid van de verkregen modellen en beoordeel hun pasvorm door overeenkomsten, analyses model_fitting_figure.py uit te voeren.Voer desgevraagd het benodigde pad in naar de CSV-bestanden met logboekwaarschijnlijkheden. Visualiseer de perceptuele ruimten voor elk onderwerp en genereer spreidingsdiagrammen met de punten uit het 5D-model die op de eerste twee hoofdcomponenten worden geprojecteerd door de weergegeven opdrachten uit te voeren. Voer desgevraagd de invoerparameters en het pad naar het NPY-bestand met de 5D-punten in.Nadat het script is uitgevoerd, sluit u de virtuele omgeving af. In het bestand dat voor het woordexperiment wordt gegenereerd, komt de eerste rij overeen met een proef waarin acht stimuli verschijnen rond de referentieprikkelaap. De rangoordelen werden ontbonden in paarsgewijze keuzes.De verdeling van de keuzekansen was zeer consistent over de proefpersonen. De dataclustering in de buurt van de diagonaal in elk paneel geeft een grote mate van consistentie aan in de keuzekansen tussen de proefpersonen en voor de oordelen die niet aan de uitersten liggen. De dominante diagonaal geeft aan dat de keuzekansen in de twee contexten, inclusief de tussenliggende keuzekansen tussen nul en één, bijna identiek zijn voor elk onderwerp.De logwaarschijnlijkheden worden weergegeven ten opzichte van de logwaarschijnlijkheid van het beste model, dat wil zeggen een model dat de waargenomen keuzekans toewijst aan elke vergelijking zonder deze waarschijnlijkheden te beperken door enige geometrische overweging. Principecomponentanalyse werd uitgevoerd op de punten uit het 5D-model van de perceptuele ruimte waar de dieren die als vergelijkbaar werden waargenomen, werden aangeduid met punten in de buurt van elkaar. Het is cruciaal om te beslissen over alle parameters bij het ontwerpen van een experiment en om ze in de configuratiebestanden in te stellen voordat u aan stap twee begint.Het zorgvuldig bijhouden van de gegevens van elk onderwerp is ook erg belangrijk. De methode biedt een groot aantal gelijkenisoordelen, dus een aantal analyses kunnen worden toegepast, zoals clusteranalyse, een focus op context of modellering met verschillende geometrische ruimten.

a-psychophysics-paradigm-for-collection-analysis-similarity

Research

JoVE Journal

Neuroscience

Neurowetenschap

Perceptuele en categorie Verwerking van de Uncanny Valley Hypothesis &#39;dimensie van de mens gelijkenis: Een aantal methodologische kwesties

We zien hoe objectieve maatstaf kan worden toegepast in de schaal toegepast rubberhand paradigma illusie. Deze maatregel wordt verkregen door het modificeren van de gevestigde crossmodaal congruentie taak. Deze taak toe het onderzoek van multi-processen die cruciaal zijn voor modulaties van het lichaam representaties zoals in de rubberen hand-illusie zijn.

De crossmodaal Congruentie Taak als een middel om een ​​doelstelling Behavioral Meet verkrijgen in de Rubber Hand Illusion Paradigm

Dit gold experimentele paradigma repliceert omstandigheden waarbij een ooggetuige van een echte misdaad een holistische gezichtsbehandeling composiet van de dader uit het geheugen kunnen maken, en dan proberen om de dader van een video-line-up met de dader of een waarin hij of zij is te identificeren niet aanwezig.

Holistische Facial Composite Creatie en Latere Video Line-up Eyewitness Identificatie Paradigm

Oordeel over tijdelijke volgorde kan worden gebruikt om parameters voor verwerkingssnelheid en aandachtsgewichten te schatten en daardoor de mechanismen van aandachtsverwerking te veronderstellen. Deze methodologie kan worden toegepast op een breed scala aan visuele stimuli en werkt met veel aandachtsmanipulaties.

Het meten van aandacht en visuele verwerking Speed ​​van Model-gebaseerde analyse van Temporal-order beslissingen

Psychofysische methoden zoals de QUEST schattingsprocedure efficiënt robuuste schattingen van de stimulatie-intensiteit waarmee nonpainful sensaties overgang naar pijnlijke sensaties opleveren. Door herhaaldelijk te stimuleren op de drempel intensiteit, kunnen de schommelingen in de waardering reacties direct worden toegeschreven aan perceptuele classificaties in de daaropvolgende analyses.

Psychofysisch verankerd, Robuust Thresholding in het bestuderen Pijngerelateerde Lateralisatie van oscillerende prestimulus Activity

Psychofysica is essentieel voor de studie van perceptie verschijnselen door middel van sensorische informatie. Hier presenteren we een protocol voor het uitvoeren van een taak van de gedwongen-keuze twee-interval zoals dit is geïmplementeerd in een vorig verslag over menselijke Psychofysica waar deelnemers naar schatting van de duur van visuele, auditieve of audiovisuele intervallen van aperiodieke treinen van pulsen.

Een twee-interval gedwongen-keuze taak voor multisensorische vergelijkingen

We presenteren een protocol dat het onderzoek naar de neurale mechanismen bemiddelende de schadelijke invloed van emotie op cognitie, met behulp van functionele magnetische resonantie beeldvorming toelaat. Dit protocol kan gebruikt worden met zowel gezonde en klinische deelnemers.

Brain Imaging Onderzoek van de aantasting effect van emotie op cognitie

Deze methode beschrijft de generatie van organotypische cerebellaire culturen en het effect van bepaalde apoptotische stimuli op de levensvatbaarheid van de verschillende cerebellaire celtypen.

Organotypische Cerebellaire culturen: apoptotische uitdagingen en Detectie

In dit rapport beschrijven we een methode om de muis heupzenuw te verpletteren. Deze methode maakt gebruik van direct beschikbaar hemostatische tang en gemakkelijk en reproduceerbaar maakt complete heupzenuw crush. Daarnaast beschrijven we een methode om de spieren hele mounts geschikt voor analyse van de zenuw regeneratie na heupzenuw verliefd te bereiden.

Reproduceerbare Mouse heupzenuw Crush en de daaropvolgende beoordeling van Regeneratie door Whole Mount Muscle Analyse

We beschrijven een nieuwe benadering voor gelijktijdige analyse van hersenfunctie en structuur met behulp van magnetische resonantie beeldvorming (MRI). Wij beoordelen de hersenen structuur met een hoge resolutie diffusie-gewogen beeldvorming en witte stof vezels tractografie. In tegenstelling tot de standaard structurele MRI, deze technieken stellen ons in staat anatomische connectiviteit rechtstreeks betrekking hebben op de functionele eigenschappen van de hersenen netwerken.

Co-analyse van hersenstructuur en functie met behulp van fMRI en Diffusie-gewogen beeldvorming

Verken een psychofysisch paradigma voor het verzamelen en analyseren van gelijkenisoordelen met behulp van PsychoPy en multidimensionale modellering. Deze methode minimaliseert aannames over mentale representaties.

Een psychofysisch paradigma voor het verzamelen en analyseren van gelijkenisoordelen

Meer video's verkennen