Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Paradygmat psychofizyczny do zbierania i analizy sądów o podobieństwie

2.7K wyświetleń

⸱

DOI:

10.3791/63461

⸱

1 marca 2022

 , 
1Program in Neuroscience, Weill Cornell Graduate School of Medical Sciences, 2Feil Family Brain and Mind Research Institute, Weill Cornell Medical College

W tym artykule

Podsumowanie

Protokół przedstawia eksperymentalny paradygmat psychofizyczny w celu uzyskania dużej ilości ocen podobieństwa oraz towarzyszący mu przepływ pracy. Paradygmat bada efekty kontekstowe i umożliwia modelowanie danych o podobieństwie w odniesieniu do przestrzeni euklidesowych o co najmniej pięciu wymiarach.

Streszczenie

Oceny podobieństwa są powszechnie używane do badania reprezentacji mentalnych i ich neuronalnych korelatów. Podejście to zostało wykorzystane do scharakteryzowania przestrzeni percepcyjnych w wielu dziedzinach: kolorach, obiektach, obrazach, słowach i dźwiękach. Idealnie byłoby porównać szacunki postrzeganego podobieństwa między wszystkimi parami bodźców, ale często jest to niepraktyczne. Na przykład, jeśli poprosi się badanego o porównanie podobieństwa dwóch elementów z podobieństwem dwóch innych elementów, liczba porównań rośnie wraz z czwartą potęgą wielkości zestawu bodźców. Alternatywną strategią jest poproszenie osoby badanej o ocenę podobieństw izolowanych par, np. w skali Likerta. Jest to znacznie bardziej efektywne (liczba ocen rośnie kwadratowo wraz z ustawionym rozmiarem, a nie kwartalnie), ale te oceny są zwykle niestabilne i mają ograniczoną rozdzielczość, a podejście zakłada również, że nie ma efektów kontekstowych.

Tutaj prezentowany jest nowatorski paradygmat rankingowy do efektywnego zbierania ocen podobieństwa, wraz z potokiem analizy (dostarczonym oprogramowaniem), który sprawdza, czy euklidesowe modele odległości uwzględniają dane. Typowe próby składają się z ośmiu bodźców wokół centralnego bodźca referencyjnego: badany klasyfikuje bodźce w kolejności ich podobieństwa do odniesienia. Dzięki przemyślanemu doborowi kombinacji bodźców stosowanych w każdym badaniu, podejście to zapewnia wewnętrzną kontrolę spójności i efektów kontekstowych. Podejście to zostało zweryfikowane w odniesieniu do bodźców pochodzących z przestrzeni euklidesowych o maksymalnie pięciu wymiarach.

Podejście jest zilustrowane eksperymentem mierzącym podobieństwa między 37 słowami. Każda próba daje wyniki 28 porównań parami formularza: "Czy A było bardziej podobne do odniesienia niż B było do odniesienia?" O ile bezpośrednie porównanie wszystkich par par bodźców wymagałoby 221445 prób, o tyle taki projekt umożliwia rekonstrukcję przestrzeni percepcyjnej z 5994 takich porównań uzyskanych z 222 prób.

Wprowadzenie

Ludzie mentalnie przetwarzają i reprezentują przychodzące informacje sensoryczne, aby wykonywać szeroki zakres zadań, takich jak rozpoznawanie obiektów, nawigacja, wnioskowanie o środowisku i wiele innych. Sądy podobieństwa są powszechnie używane do badania tych reprezentacji mentalnych1. Zrozumienie struktury reprezentacji mentalnych może zapewnić wgląd w organizację wiedzy pojęciowej2. Możliwe jest również uzyskanie wglądu w obliczenia neuronowe, poprzez odniesienie ocen podobieństwa do wzorców aktywacji mózgu3. Dodatkowo, oceny podobieństwa ujawniają cechy, które są istotne w percepcji4. Badanie, w jaki sposób reprezentacje mentalne zmieniają się podczas rozwoju, może rzucić światło na to, w jaki sposób są one uczone5. W ten sposób oceny podobieństwa dostarczają cennych informacji na temat przetwarzania informacji w mózgu.

Powszechnym modelem reprezentacji mentalnych wykorzystujących podobieństwa jest geometryczny model przestrzenny6,7,8. Stosowany do domen sensorycznych, ten rodzaj modelu jest często określany jako przestrzeń percepcyjna9. Punkty w przestrzeni reprezentują bodźce, a odległości między punktami odpowiadają postrzeganej odmienności między nimi. Na podstawie sądów o podobieństwie można uzyskać ilościowe oszacowania różnic. Te różnice parami (lub odległości percepcyjne) mogą być następnie wykorzystane do modelowania przestrzeni percepcyjnej za pomocą wielowymiarowego skalowania10.

Istnieje wiele metod zbierania ocen podobieństwa, każda z zaletami i wadami. Najprostszym sposobem uzyskania ilościowych miar odmienności jest poproszenie badanych o ocenę na skali stopnia odmienności między każdą parą bodźców. Chociaż jest to stosunkowo szybkie, szacunki są zwykle niestabilne podczas długich sesji, ponieważ badani nie mogą wrócić do poprzednich osądów, a efekty kontekstowe, jeśli są obecne, nie mogą zostać wykryte. (W tym przypadku efekt kontekstu definiuje się jako zmianę ocenianego podobieństwa między dwoma bodźcami, w oparciu o obecność innych bodźców, które nie są porównywane). Alternatywnie, badani mogą zostać poproszeni o porównanie wszystkich par bodźców ze wszystkimi innymi parami bodźców. Chociaż dałoby to bardziej wiarygodną kolejność rang odmienności, liczba porównań wymagała skal z czwartą potęgą liczby bodźców, co sprawiało, że było to możliwe tylko dla małych zestawów bodźców. Szybsze alternatywy, takie jak sortowanie do predefiniowanej liczby klastrów11 lub sortowanie swobodne, mają swoje własne ograniczenia. Swobodne sortowanie (na dowolną liczbę stosów) jest intuicyjne, ale zmusza badanego do kategoryzacji bodźców, nawet jeśli bodźce nie poddają się łatwo kategoryzacji. Nowsza metoda wieloukładowa, odwrócony MDS, omija wiele z tych ograniczeń i jest bardzo wydajna12. Jednak metoda ta wymaga od badanych rzutowania swoich reprezentacji mentalnych na płaszczyznę euklidesową 2D i rozważania podobieństw w określony geometryczny sposób, przyjmując założenie, że strukturę podobieństwa można odzyskać z odległości euklidesowych na płaszczyźnie. W związku z tym nadal istnieje potrzeba opracowania skutecznej metody gromadzenia dużych ilości sądów podobieństwa, bez przyjmowania założeń co do geometrii leżącej u podstaw tych sądów.

Opisana tutaj jest metoda, która jest zarówno dość skuteczna, jak i pozwala uniknąć powyższych potencjalnych pułapek. Prosząc badanych o uszeregowanie bodźców w kolejności podobieństwa do centralnego odniesienia w każdym trialu13, można bezpośrednio zbadać względne podobieństwo, bez zakładania czegokolwiek na temat struktury geometrycznej odpowiedzi badanych. Paradygmat powtarza podzbiór porównań zarówno z identycznymi, jak i różnymi kontekstami, umożliwiając bezpośrednią ocenę efektów kontekstowych, a także uzyskanie stopniowanych odpowiedzi pod względem prawdopodobieństwa wyboru. Procedura analizy rozkłada te sądy rangowe na wiele porównań parami i wykorzystuje je do budowania i wyszukiwania euklidesowych modeli przestrzeni percepcyjnych, które wyjaśniają sądy. Metoda ta nadaje się do szczegółowego opisania reprezentacji zestawów bodźców o umiarkowanych rozmiarach (np. od 19 do 49).

Aby zademonstrować wykonalność tego podejścia, przeprowadzono eksperyment, używając zestawu 37 zwierząt jako bodźców. Dane zbierano w trakcie 10 godzinnych sesji, a następnie analizowano je osobno dla każdego z badanych. Analiza wykazała spójność między tematami i znikome efekty kontekstowe. Oceniono również spójność postrzeganych różnic między bodźcami a euklidesowymi modelami ich przestrzeni percepcyjnych. Paradygmat i procedury analityczne przedstawione w tym artykule są elastyczne i oczekuje się, że będą przydatne dla badaczy zainteresowanych charakteryzacją właściwości geometrycznych szeregu przestrzeni percepcyjnych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Przed rozpoczęciem eksperymentów wszyscy uczestnicy wyrazili świadomą zgodę zgodnie z wytycznymi instytucjonalnymi oraz Deklaracją Helsińską. W przypadku niniejszego badania protokół został zatwierdzony przez komisję etyczną Weill Cornell Medical College.

1. Instalacja i konfiguracja

  1. Pobierz kod z repozytorium GitHub, similarities (https://github.com/jvlab/similarities). W wierszu poleceń uruchom: git clone https://github.com/jvlab/similarities.git.- Jeśli program git nie jest zainstalowany, pobierz kod jako skompresowany folder z repozytorium.
    UWAGA: W repozytorium znajdują się dwa podkatalogi: experiments, który zawiera dwa przykładowe eksperymenty, oraz analysis, który zawiera zestaw skryptów w języku Python do analizy zebranych danych o podobieństwie. W katalogu experiments jeden z nich (word_exp) wykorzystuje bodźce słowne, a drugi (image_exp) wyświetla bodźce obrazkowe. Podstawowa znajomość języka Python będzie pomocna, choć nie jest niezbędna. Zakłada się znajomość obsługi wiersza poleceń: wiele kroków wymaga uruchamiania skryptów z poziomu wiersza poleceń.
  2. Zainstaluj następujące narzędzia i skonfiguruj środowisko wirtualne.
    1. python 3: Instrukcje znajdują się pod linkiem: https://realpython.com/installing-python/. Ten projekt wymaga wersji Python 3.8.
    2. PsychoPy: Z poziomu strony (https://www.psychopy.org/download.html), używając niebieskiego przycisku w sekcji Installation, pobierz najnowszą autonomiczną wersję PsychoPy dla odpowiedniego systemu operacyjnego. Ten projekt wykorzystuje PsychoPy w wersji 2021.2; dostarczone przykładowe eksperymenty muszą być uruchamiane z poprawną wersją PsychoPy, zgodnie z poniższymi instrukcjami.
    3. conda: Z poziomu strony (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation) pobierz program conda (poprzez Miniconda lub Anaconda) dla odpowiedniego systemu operacyjnego.
    4. W wierszu poleceń uruchom następujące polecenia, aby utworzyć środowisko wirtualne z wymaganymi pakietami python:
      cd ~/similarities
      conda env create -f environment.yaml
    5. Sprawdź, czy środowisko wirtualne zostało utworzone, a następnie aktywuj je w następujący sposób:
      conda env list # powinno pojawić się venv_sim_3.8
      conda activate venv_sim_3.8 # aby wejść do środowiska wirtualnego
      conda deactivate # aby wyjść ze środowiska wirtualnego po uruchomieniu skryptów
      UWAGA: Uruchamianie skryptów w środowisku może być czasami powolne. Po uruchomieniu skryptu odczekaj do minuty, aż w wierszu poleceń pojawi się jakikolwiek wynik.
  3. Aby upewnić się, że pobrany kod działa prawidłowo, uruchom dostarczone przykładowe eksperymenty zgodnie z poniższymi krokami.
    UWAGA: Katalog eksperymentów (similarities/experiments) zawiera przykładowe eksperymenty (word_exp i image_exp), wykorzystujące dwa rodzaje bodźców: słowa i obrazy.
    1. Otwórz PsychoPy. Przejdź do menu View, a następnie kliknij Coder, ponieważ domyślny edytor PsychoPy nie może otwierać plików .py. Przejdź do File, kliknij Open i otwórz plik word_exp.py (similarities/experiments/word_exp/word_exp.py).
    2. Aby załadować eksperyment, kliknij zielony przycisk Run Experiment. Wpisz inicjały lub imię oraz numer sesji, a następnie kliknij OK.
    3. Postępuj zgodnie z instrukcjami i przeprowadź kilka prób, aby sprawdzić, czy bodźce szarzeją po kliknięciu. Naciśnij klawisz Escape , gdy będziesz gotowy do wyjścia.
      UWAGA: PsychoPy otworzy się w pełnym ekranie, wyświetlając najpierw instrukcje, a następnie kilka prób z tekstem zastępczym zamiast słów bodźców. Po kliknięciu słowa szarzeją. Gdy wszystkie słowa zostaną kliknięte, rozpoczyna się kolejna próba. W dowolnym momencie działanie PsychoPy można przerwać, naciskając klawisz Escape . Jeśli program zostanie zamknięty podczas kroków 1.3.2 lub 1.3.3, możliwe, że system operacyjny użytkownika wymaga nadania uprawnień do klawiatury i myszy. W takim przypadku w oknie PsychoPy Runner zostanie wyświetlony opisowy komunikat o błędzie, który poprowadzi użytkownika.
    4. Następnie sprawdź, czy eksperyment obrazkowy uruchamia się z obrazami zastępczymi. Otwórz PsychoPy. Przejdź do File. Kliknij Open i wybierz plik image_exp.psyexp (similarities/experiments/image_exp/image_exp.psyexp).
    5. Aby upewnić się, że używana jest poprawna wersja, kliknij ikonę Gear . Z opcji Use PsychoPy version wybierz z menu rozwijanego wersję 2021.2.
    6. Podobnie jak wcześniej, kliknij zielony przycisk Run Experiment. Wpisz inicjały lub imię oraz numer sesji, a następnie kliknij OK.
      UWAGA: Tak jak w kroku 1.3.2, PsychoPy najpierw wyświetli instrukcje, a następnie wygeneruje próby po załadowaniu obrazów. Każda próba będzie zawierać osiem obrazów zastępczych otaczających obraz centralny. Kliknięcie obrazu spowoduje jego wyszarzenie. Program można zamknąć, naciskając klawisz Escape.
    7. Przejdź do katalogu data w każdym z katalogów eksperymentów, aby zobaczyć wyniki:
      similarities/experiments/image_exp/data
      similarities/experiments/word_exp/data
      UWAGA: Dane eksperymentalne są zapisywane w katalogu data. Plik responses.csv zawiera odpowiedzi (kliknięcia) dla każdej próby. Plik log zawiera wszystkie naciśnięcia klawiszy i kliknięcia myszą; jest on przydatny do rozwiązywania problemów w przypadku nieoczekiwanego zamknięcia programu PsychoPy.
  4. Opcjonalnie, aby zweryfikować działanie skryptów analitycznych, odtwórz niektóre z wykresów z sekcji Representative Results w następujący sposób.
    1. Utwórz katalog dla danych wstępnie przetworzonych:
      cd ~/similarities
      mkdir sample-materials/subject-data/preprocessed
    2. Połącz surowe dane ze wszystkich plików responses.csv w jeden plik json. W wierszu poleceń uruchom następujące polecenia:
      cd similarities
      conda activate venv_sim_3.8
      python -m analysis.preprocess.py
    3. Gdy zostaniesz poproszony, wprowadź następujące wartości dla parametrów wejściowych: 1) ścieżka do subject-data: ./sample-materials/subject-data, 2) nazwa eksperymentu: sample_word oraz 3) ID badanego: S7. Plik json znajdzie się w similarities/sample-materials/subject-data/preprocessed.
    4. Po wstępnym przetworzeniu danych postępuj zgodnie z instrukcjami w pliku README projektu w sekcji reproducing figures. Te skrypty analityczne zostaną uruchomione później w celu analizy danych zebranych z własnego eksperymentu użytkownika.

2. Gromadzenie danych poprzez konfigurację niestandardowego eksperymentu

UWAGA: Procedury dla eksperymentów z obrazami i słowami są opisane do kroku 3.1. Po tym kroku proces jest taki sam dla obu eksperymentów, dlatego eksperyment z obrazami nie jest już wyraźnie wyszczególniony.

  1. Wybierz eksperyment do przeprowadzenia. Przejdź do eksperymentu słownego (similarities/experiments/word_exp) lub eksperymentu obrazkowego (similarities/experiments/image_exp).
  2. Ustal liczbę bodźców. Domyślna wielkość zestawu bodźców wynosi 37. Aby ją zmienić, otwórz plik konfiguracyjny (similarities/analysis/config.yaml) w edytorze kodu źródłowego. W parametrze num_stimuli pliku konfiguracyjnego analizy ustaw wielkość zestawu bodźców na mk + 1, zgodnie z wymaganiami projektu eksperymentalnego dla liczb całkowitych k i m.
    UWAGA: W standardowym projekcie k ≥ 3 oraz m = 6. Zatem dopuszczalne wartości dla num_stimuli to 19, 25, 31, 37, 43 oraz 49 (możliwe rozszerzenia projektu przedstawiono w Tabeli 1).
  3. Przygotuj ostateczne bodźce eksperymentalne. W przypadku przeprowadzania eksperymentu słownego przygotuj listę słów. W przypadku eksperymentu obrazkowego utwórz nowy katalog i umieść w nim wszystkie obrazy bodźców. Obsługiwane typy obrazów to png i jpeg. Nie używaj kropek jako separatorów w nazwach plików (np. image.1.png jest nazwą niedozwoloną, natomiast image1.png lub image_1.png są prawidłowe).
  4. W przypadku przeprowadzania eksperymentu słownego przygotuj bodźce w następujący sposób:
    1. Utwórz nowy plik w experiments/word_exp o nazwie stimuli.txt. Plik ten zostanie odczytany w kroku 3.3.
    2. W pliku wpisz słowa z zestawu bodźców w takiej formie, w jakiej mają zostać wyświetlone, umieszczając każde słowo w oddzielnej linii. Unikaj pustych linii oraz dodatkowych spacji obok słów. Przykładowe materiały znajdują się w pliku (similarities/sample-materials/word-exp-materials/sample_word_stimuli.txt).
  5. W przypadku przeprowadzania eksperymentu obrazkowego ustaw ścieżkę do zestawu bodźców w następujący sposób:
    1. W katalogu experiments znajdź plik konfiguracyjny o nazwie config.yaml (similarities/experiments/config.yaml).
    2. Otwórz plik w edytorze kodu źródłowego i zaktualizuj wartość zmiennej files, podając ścieżkę do katalogu zawierającego zestaw bodźców (krok 2.3). Jest to miejsce, w którym PsychoPy będzie wyszukiwać bodźców obrazkowych.

3. Tworzenie prób rankingowych

  1. Użyj pliku stimuli.txt. Jeśli przeprowadzany jest eksperyment słowny, można użyć pliku utworzonego w kroku 2.4. W przeciwnym razie użyj listy nazw plików (w celu odniesienia patrz: similarities/sample-materials/image-exp-materials/sample_image_stimuli.txt). Umieść ten plik w odpowiednim katalogu eksperymentu (word_exp lub image_exp).
  2. Unikaj dodatkowych pustych linii, a także wszelkich spacji w nazwach. Do nazw bodźców używaj formatu camelCase lub snake_case.
  3. Następnie utwórz konfiguracje prób. Otwórz plik config.yaml w katalogu analysis i ustaw wartość parametru path_to_stimulus_list na ścieżkę do pliku stimuli.txt (utworzonego w kroku 3.1).
    1. Z katalogu similarities uruchom skrypt, wykonując kolejno następujące polecenia:
      cd ~/similarities
      conda activate venv_sim_3.8
      python -m analysis.trial_configuration
      conda deactivate       # wyjście ze środowiska wirtualnego
    2. Tworzy to w katalogu similarities plik o nazwie trial_conditions.csv, w którym każdy wiersz zawiera nazwy bodźców pojawiających się w próbie wraz z ich pozycjami na ekranie. Przykładowy plik trial_conditions.csv jest dostępny w similarities/sample-materials. Szczegółowe informacje na temat parametrów wejściowych dla skryptów analizy znajdują się w pliku README projektu w sekcji Usage.

figure-protocol-1
Rycina 1: Reprezentatywne przykłady prób (krok 3.3). (A) Każdy wiersz zawiera szczegóły jednej próby. Nagłówki wskazują położenie bodźca wokół okręgu. Bodziec pod ref pojawia się w centrum, a bodźce od stim 1 do stim 8 pojawiają się wokół punktu odniesienia. (B) Pierwsza próba (wiersz) z A jest renderowana przez program PsychoPy w celu wyświetlenia ośmiu bodźców wokół bodźca odniesienia, monkey. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

UWAGA: Na tym etapie wygenerowano pełen zestaw 222 prób dla jednego kompletnego przebiegu eksperymentalnego, tj. dla jednego pełnego zestawu danych. Rycina 1A przedstawia fragment pliku z warunkami wygenerowanego przez powyższy skrypt dla eksperymentu ze słowami (patrz Reprezentatywne wyniki).

  1. Następnie podziel te 222 próby na sesje i zrandomizuj kolejność prób. W typowym schemacie sesje składają się ze 111 prób, z których każda wymaga około 1 h na wykonanie.
    1. Aby to zrobić, wykonaj w wierszu poleceń następujące polecenia:
      conda activate venv_sim_3.8
      cd ~/similarities
      python -m analysis.randomize_session_trials
    2. Gdy pojawi się prośba, wprowadź następujące parametry wejściowe: ścieżkę do pliku trial_conditions.csv utworzonego w kroku 3.3.2; katalog wyjściowy; liczbę prób na sesję: 111; liczbę powtórzeń: 5.
      UWAGA: Liczbę powtórzeń można również zmieniać, co wpłynie na liczbę sesji przeprowadzonych w kroku 4 (patrz Dyskusja: Paradygmat Eksperymentalny). W przypadku zmiany domyślnej wartości liczby powtórzeń należy pamiętać o edycji wartości parametru num_repeats w pliku konfiguracyjnym (similarities/analysis/config.yaml). W razie potrzeby sprawdź instrukcje krok po kroku dotyczące ręcznego wykonania powyższych czynności w pliku README w sekcji Create Trials.
  2. Zmień nazwę i zapisz każdy z wygenerowanych plików jako conditions.csv, w osobnym katalogu. Zalecaną strukturę katalogów można znaleźć tutaj: similarities/sample-materials/subject-data oraz w pliku README projektu.
    UWAGA: Zgodnie z opisem w kroku 4, w standardowym schemacie każde doświadczenie jest powtarzane pięciokrotnie, podczas sesji trwających 10 h, z których każda odbywa się w inny dzień. Należy poprosić badanych o przychodzenie na tylko jedną sesję dziennie, aby uniknąć zmęczenia. Patrz Tabela 1 w celu sprawdzenia liczby prób i sesji wymaganych dla zestawów bodźców o różnych rozmiarach.

4. Przeprowadzenie eksperymentu i zbieranie danych o podobieństwie

  1. Wyjaśnij zadanie badanym i przekaż im instrukcje. W każdej próbie badani zobaczą centralny bodziec referencyjny otoczony ośmioma bodźcami i zostaną poproszeni o klikanie bodźców w otoczeniu w kolejności podobieństwa do centralnego punktu odniesienia, tzn. najpierw powinni kliknąć bodziec najbardziej podobny, a na końcu najmniej podobny.
  2. Poproś ich o staranie się stosowania spójnej strategii. Poinformuj ich, że ta sama konfiguracja bodźców zostanie im pokazana wielokrotnie w ciągu 10 sesji. Jeśli badanie dotyczy reprezentacji informacji semantycznych, upewnij się, że badani są zaznajomieni z bodźcami przed rozpoczęciem.
  3. Przejdź do odpowiedniego katalogu eksperymentu (patrz krok 2.1). Jeśli jest to pierwsze uruchomienie eksperymentu, utwórz katalog o nazwie subject-data do przechowywania odpowiedzi badanych. Utwórz w nim dwa podkatalogi: raw oraz preprocessed. Dla każdego badanego utwórz podkatalog wewnątrz subject-data/raw.
  4. Skopiuj plik conditions.csv przygotowany w kroku 3 dla danej sesji i wklej go do bieżącego katalogu, tj. katalogu zawierającego plik psyexp. Jeśli znajduje się tam już plik o nazwie conditions.csv, upewnij się, że zastąpisz go plikiem dla aktualnej sesji.
  5. Otwórz program PsychoPy, a następnie otwórz plik psyexp lub py w katalogu odpowiedniego eksperymentu. W PsychoPy kliknij zielony przycisk Play, aby uruchomić eksperyment. W oknie modalnym wpisz imię lub ID badanego oraz numer sesji. Kliknij OK , aby rozpocząć. Instrukcje zostaną wyświetlone na początku każdej sesji.
  6. Przeznacz dla badanego około 1 h na wykonanie zadania. Ponieważ tempo pracy jest indywidualne, zachęć badanych do robienia przerw w razie potrzeby. Po zakończeniu sesji przez badanego program PsychoPy zamknie się automatycznie, a pliki zostaną wygenerowane w katalogu similarities/experiments/<image or word>_exp/data.
  7. Przenieś je do katalogu subject-data/raw/<subjectID> (utworzonego w kroku 4.3). Szczegóły dotyczące zalecanej struktury katalogów znajdują się w pliku README.
    UWAGA: Jak wspomniano, plik dziennika służy do rozwiązywania problemów. Najczęstszą przyczyną nieoczekiwanego zamknięcia programu PsychoPy jest przypadkowe naciśnięcie przez badanego klawisza Escape podczas sesji. Jeśli tak się stanie, odpowiedzi z prób do ostatniej ukończonej próby zostaną nadal zapisane w pliku responses.csv.
  8. Jeśli PsychoPy zamknie się nieoczekiwanie, otwórz go ponownie i utwórz nowy plik conditions.csv, zawierający tylko próby, które nie zostały podjęte. Zastąp istniejący plik warunków dla danej sesji tym plikiem i ponownie uruchom eksperyment. Pamiętaj o zapisaniu wygenerowanych plików w odpowiednim miejscu. Na koniec sesji dwa pliki odpowiedzi można ręcznie połączyć w jeden, choć nie jest to konieczne.
  9. Dla każdej z pozostałych sesji powtórz kroki od 4.4 do 4.8.
  10. Po zakończeniu wszystkich sesji połącz surowe pliki danych i sformatuj je do jednego pliku json w celu dalszego przetwarzania. Aby to zrobić, uruchom preprocess.py w terminalu (similarities/analysis/preprocess.py) w następujący sposób:
    cd ~/similarities
    conda activate venv_sim_3.8
    python -m analysis.preprocess
  11. Gdy pojawi się prośba, wprowadź wymagane parametry wejściowe: ścieżkę do katalogu subject-data, ID badanych, dla których dane mają zostać przetworzone, oraz nazwę eksperymentu (używaną do nazwania pliku wyjściowego). Naciśnij Enter.
  12. Wyjdź ze środowiska wirtualnego:
    conda deactivate
    UWAGA: Spowoduje to utworzenie pliku json w katalogu wyjściowym, który łączy odpowiedzi z powtórzeń dla każdej próby. Dane o podobieństwie są odczytywane z subject-data/raw i zapisywane w subject-data/preprocessed.

5. Analiza ocen podobieństwa

UWAGA: Badani są proszeni o klikanie bodźców w kolejności podobieństwa do wzorca, co pozwala na stworzenie rankingu w każdej próbie. W standardowych eksperymentach każdą próbę powtarza się pięć razy, generując pięć rankingów dla tych samych ośmiu bodźców (patrz Rycina 2B). Oceny rankingowe te są interpretowane jako seria porównań, w których badany porównuje pary odległości percepcyjnych. Zakłada się, że przed każdym kliknięciem badany zadaje sobie następujące pytanie: „Czy odległość (percepcyjna) między wzorcem a bodźcem A jest mniejsza niż odległość między wzorcem a bodźcem B?”. Jak pokazano na Rycina 2C, pozwala to na uzyskanie prawdopodobieństw wyboru dla wielu parzystych porównań podobieństwa dla każdej próby. Poniższa analiza wykorzystuje te prawdopodobieństwa wyboru.

figure-protocol-2
Rycina 2: Wyznaczanie prawdopodobieństw wyboru na podstawie ocen rankingowych. (A) Ilustracja próby z przeprowadzonego przez nas eksperymentu słownego. (B) Pięć uporządkowań rankingowych otrzymanych dla tej samej próby w ciągu wielu sesji. (C) Prawdopodobieństwa wyboru dla parzystych porównań dysymilarności, które reprezentują oceny rankingowe. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

  1. Wyznacz prawdopodobieństwa wyboru w parach na podstawie ocen porządkowych.
    1. W katalogu similarities/analysis uruchom w wierszu poleceń skrypt describe_data.py.
      cd ~/similarities
      conda activate venv_sim_3.8
      python -m analysis.describe_data
    2. Po wyświetleniu monitu wprowadź ścieżkę do katalogu subject-data/preprocessed oraz listę badanych, dla których należy przeprowadzić analizę.
      UWAGA: Operacja ta utworzy trzy rodzaje wykresów: i) rozkład prawdopodobieństw wyboru dla pełnego zestawu danych danego badanego, ii) mapy ciepła do oceny spójności prawdopodobieństw wyboru dla par badanych oraz iii) mapę ciepła prawdopodobieństw wyboru dla wszystkich porównań występujących w dwóch kontekstach w celu oceny efektów kontekstowych. Operacyjnie oznacza to porównanie prawdopodobieństw wyboru w parach prób, które zawierają ten sam punkt odniesienia i wspólną parę bodźców w pierścieniu, ale różnią się wszystkimi pozostałymi bodźcami w pierścieniu: mapa ciepła pokazuje, w jaki sposób prawdopodobieństwo wyboru zależy od tego kontekstu.
  2. Wygeneruj niskowymiarowe modele euklidesowe przestrzeni percepcyjnych, wykorzystując prawdopodobieństwa wyboru. Uruchom w wierszu poleceń skrypt model_fitting.py w następujący sposób:
    cd ~/similarities
    conda activate venv_sim_3.8
    python -m analysis.model_fitting
    1. Po wyświetleniu monitu podaj następujące parametry wejściowe: ścieżkę do katalogu subject-data/preprocessed; liczbę bodźców (domyślnie 37); liczbę iteracji (liczbę powtórzeń analizy modelowania); katalog wyjściowy oraz wartość szumu Gaussa (domyślnie 0.18).
      UWAGA: Uruchomienie tego skryptu zajmuje kilka godzin. Po zakończeniu w katalogu wyjściowym zostaną zapisane pliki npy zawierające współrzędne najlepiej dopasowanych modeli 1D, 2D, 3D, 4D i 5D opisujących dane o podobieństwie. Wygenerowany zostanie również plik csv zawierający wartości logarytmu wiarygodności dla poszczególnych modeli.
  3. Wizualizuj logarytm wiarygodności uzyskanych modeli i oceń ich dopasowanie. W tym celu uruchom w wierszu poleceń skrypt similarities/analysis/model_fitting_figure.py:
    cd ~/similarities
    python -m analysis.model_fitting_figure
    1. Po wyświetleniu monitu wprowadź wymagany parametr: ścieżkę do plików csv zawierających wartości logarytmu wiarygodności (z kroku 5.2).
    2. Przeanalizuj wygenerowany wykres, na którym oś y przedstawia logarytmy wiarygodności, a oś x wymiary modeli. W ramach kontroli poprawności dołączono dwa modele dodatkowe poza modelami euklidesowymi: model wyboru losowego oraz model optymalny.
      UWAGA: Model wyboru losowego zakłada, że badani klikają losowo. Stanowi on zatem bezwzględną dolną granicę logarytmu wiarygodności dla każdego modelu lepszego niż losowy. Podobnie, jako górna granica logarytmu wiarygodności (oznaczona jako best), znajduje się logarytm wiarygodności modelu, który wykorzystuje empiryczne prawdopodobieństwa wyboru jako swoje prawdopodobieństwa modelowe.
    3. Zweryfikuj, czy żaden model euklidesowy nie przewyższa modelu optymalnego, ponieważ model optymalny jest z założenia przeuczony i nieograniczony względami geometrycznymi. Sprawdź, czy przedstawione wiarygodności są relatywne względem najlepszego logarytmu wiarygodności.
  4. Wizualizuj przestrzenie percepcyjne dla każdego badanego. Wygeneruj wykresy rozrzutu pokazujące punkty z modelu 5D rzutowane na dwa pierwsze składowe główne. W tym celu uruchom w wierszu poleceń skrypt similarities/analysis/perceptual_space_visualizations.py:
    cd ~/similarities
    python -m analysis.perceptual_space_visualizations
    1. Po wyświetleniu monitu wprowadź parametry: identyfikatory badanych (oddzielone spacjami) oraz ścieżkę do pliku npy zawierającego punkty 5D uzyskane w kroku 5.2.
    2. Po zakończeniu działania skryptu wyjdź ze środowiska wirtualnego:
      conda deactivate
      UWAGA: Skrypt ten służy do wizualizacji ocen podobieństwa. Utworzy on dwuwymiarowy wykres rozrzutu poprzez rzutowanie punktów 5D na dwa pierwsze składowe główne, znormalizowane tak, aby miały taką samą wariancję. Dwa punkty będą znajdować się dalej od siebie, jeśli badany uznał je za mniej podobne i i odwrotnie.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Rysunek 1A przedstawia fragment pliku z warunkami wygenerowanego przez skrypt w kroku 3.3 dla eksperymentu z wyrazami. Każdy wiersz odpowiada jednej próbie. Bodziec w kolumnie ref pojawia się w centrum wyświetlacza. Nazwy kolumn od stim1 do stim8 odpowiadają ośmiu pozycjom na okręgu, liczonym przeciwnie do ruchu wskazówek zegara, zaczynając od pozycji po prawej stronie centralnego punktu odniesienia. Przykładową próbę z eksperymentu z wyrazami przedstawiono na Rysunku 1B...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Protokół opisany w niniejszym opracowaniu jest skuteczny w pozyskiwaniu i analizowaniu ocen podobieństwa dla bodźców, które mogą być prezentowane wizualnie. W pierwszej kolejności omówiono paradygmat eksperymentalny, analizę oraz możliwe rozszerzenia, a następnie zalety i wady tej metody.

Paradygmat eksperymentalny: Zaproponowana metoda została zademonstrowana z wykorzystaniem domeny 37 nazw zwierząt; dostarczono przykładowy zestaw danych z ocen percepcyjnych, aby umożliwić pr...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Praca jest wspierana przez fundusze z National Institutes of Health (NIH), grant EY07977. Autorzy chcieliby również podziękować Usmanowi Ayyazowi za pomoc w testowaniu oprogramowania oraz Muhammadowi Naeemowi Ayyazowi za jego komentarze do manuskryptu.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Komputerowa stacja roboczanie dotyczysystemu operacyjnego: Windows/ MacOS 10 lub nowszy/ Linux; dwurdzeniowy procesor Intel Core i5 3,1 GHz lub podobny; 8 GB lub więcej pamięci; Uprawnienia użytkownika do zapisywania i wykonywania plików
condaWersja 4.11System operacyjny: Windows/ MacOS 10 lub nowszy/ Linux
MicrosoftExcel Microsoft AnyDo otwierania i tasowania wierszy i kolumn w plikach warunków próbnych.
PsychoPyN/AWersja 2021.2Framework do prowadzenia badań psychofizycznych
Python 3Python Software FoundationPython w wersji 3.8Python3 i powiązane wbudowane biblioteki
Wymagane biblioteki PythonaNie dotyczywersja numpy: 1.17.2 lub nowsza; Matplotlib w wersji 3.4.3 lub nowszej; Scipy w wersji 1.3.1 lub nowszej; Pandas w wersji 0.25.3 lub nowszej; Seaborn w wersji 0.9.0 lub nowszej; scikit_learn wersji 0,23,1 lub wyższa; YAML w wersji 6.0 lub wyższej numpy, scipy i scikit_learn to moduły obliczeniowe z wbudowanymi funkcjami do optymalizacji i operacji wektorowych. Matplotlib i Seaborn to biblioteki kreślące. Pandas służy do wczytywania i edytowania danych z plików CSV.

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Przestrze percepcyjnaparadygmat rankingowymodele odleg o ci euklidesowejpor wnania paramianaliza g wnych sk adowychanaliza skupieefekty kontekstowereprezentacje mentalne
Paradygmat psychofizyczny do zbierania i analizy sądów o podobieństwie
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.