Artykuł metodologiczny

Naturalistyczna konfiguracja do przedstawiania prawdziwych ludzi i działań na żywo w badaniach psychologii eksperymentalnej i neuronauki poznawczej

3K wyświetleń

⸱

DOI:

10.3791/65436

⸱

4 sierpnia 2023

 ,  ,  ,  , 
1Department of Cognitive Science, Middle East Technical University, 2Interdisciplinary Neuroscience Graduate Program, Bilkent University, 3Department of Computer Engineering, Middle East Technical University, 4Department of Cognitive Science, Jagiellonian University, 5Department of Psychology, Interdisciplinary Neuroscience Graduate Program, National Magnetic Resonance Research Center (UMRAM), Aysel Sabuncu Brain Research Center, Bilkent University

W tym artykule

Podsumowanie

To badanie przedstawia naturalistyczną konfigurację eksperymentalną, która pozwala badaczom prezentować bodźce działania w czasie rzeczywistym, uzyskiwać czas odpowiedzi i dane śledzenia myszy, podczas gdy uczestnicy reagują po każdym wyświetleniu bodźca, a także zmieniać aktorów między warunkami eksperymentalnymi za pomocą unikalnego systemu, w tym specjalnego ekranu z przezroczystą organiczną diodą elektroluminescencyjną (OLED) i manipulacji światłem.

Streszczenie

Postrzeganie działań innych jest kluczowe dla przetrwania, interakcji i komunikacji. Pomimo dziesięcioleci badań neuronauki kognitywnej poświęconych zrozumieniu percepcji działań, wciąż jesteśmy daleko od opracowania inspirowanego neuronami komputerowego systemu widzenia, który zbliżałby się do percepcji ludzkiego działania. Dużym wyzwaniem jest to, że działania w świecie rzeczywistym składają się z czasowo rozwijających się wydarzeń w przestrzeni, które dzieją się "tu i teraz" i są możliwe do zrealizowania. W przeciwieństwie do tego, dotychczasowe badania nad percepcją wzrokową i neurobiologią kognitywną w dużej mierze badały percepcję działania za pomocą wyświetlaczy 2D (np. obrazów lub filmów), w których brakuje obecności aktorów w przestrzeni i czasie, stąd te wyświetlacze mają ograniczoną zdolność do działania. Pomimo rosnącego zasobu wiedzy w tej dziedzinie, wyzwania te muszą zostać pokonane, aby lepiej zrozumieć podstawowe mechanizmy postrzegania działań innych w świecie rzeczywistym. Celem tego badania jest wprowadzenie nowatorskiego zestawu do przeprowadzania naturalistycznych eksperymentów laboratoryjnych z żywymi aktorami w scenariuszach zbliżonych do rzeczywistych ustawień. Kluczowym elementem konfiguracji wykorzystanej w tym badaniu jest przezroczysty ekran z organiczną diodą elektroluminescencyjną (OLED), przez który uczestnicy mogą obserwować na żywo działania fizycznie obecnego aktora, podczas gdy czas ich prezentacji jest precyzyjnie kontrolowany. W tej pracy ta konfiguracja została przetestowana w eksperymencie behawioralnym. Wierzymy, że układ pomoże naukowcom ujawnić podstawowe i wcześniej niedostępne poznawcze i neuronalne mechanizmy percepcji działania i będzie podstawą dla przyszłych badań nad percepcją społeczną i poznaniem w warunkach naturalistycznych.

Wprowadzenie

Podstawową umiejętnością przetrwania i interakcji społecznych jest zdolność do dostrzegania i nadawania sensu działaniom innych oraz interakcji z nimi w otaczającym środowisku. Wcześniejsze badania przeprowadzone w ciągu ostatnich kilkudziesięciu lat wniosły znaczący wkład w zrozumienie podstawowych zasad postrzegania i rozumienia działań innych osób1,2,3,4,5,6,7,8,9,10,11. Niemniej jednak, biorąc pod uwagę złożoność interakcji i okoliczności, w których one zachodzą, istnieje oczywista potrzeba dalszego rozwijania wiedzy w warunkach naturalistycznych, aby osiągnąć pełniejsze zrozumienie tej złożonej umiejętności w codziennym życiu.

W naturalnych środowiskach, takich jak nasze codzienne życie, percepcja i poznanie wykazują cechy ucieleśnione, wbudowane, rozszerzone i enaktywne12. W przeciwieństwie do internalistycznych opisów funkcji mózgu, które mają tendencję do zaniżania roli ciała i środowiska, współczesne podejścia do ucieleśnionego poznania koncentrują się na dynamicznym sprzężeniu mózgu, ciała i środowiska. Z drugiej strony, większość badań z zakresu psychologii społecznej, psychologii poznawczej i neuronauki nad percepcją działań ma tendencję do zakładania, że wykorzystanie dobrze kontrolowanych i uproszczonych projektów eksperymentów w warunkach laboratoryjnych (np. obrazów lub filmów w zadaniach komputerowych) daje wyniki, które można uogólnić na bardziej złożone scenariusze, takie jak interakcje w świecie rzeczywistym1,2,3,4,5,6,7,8,9,10,11. Takie założenie gwarantuje, że w wielu okolicznościach można uzyskać solidne i wiarygodne dane. Niemniej jednak dobrze znanym wyzwaniem jest to, że trafność modeli pochodzących ze starannie kontrolowanych eksperymentów jest ograniczona, gdy są testowane w rzeczywistym kontekście13. W związku z tym dalsze badania13,14,15,16,17,18,19,20,21,22 zostały przeprowadzone w celu zbadania ekologicznej i zewnętrznej trafności bodźców i projektów eksperymentalnych w różnych dziedzinach badań.

W tym badaniu zaproponowano nowatorską metodę do badania, jak jednostki postrzegają i oceniają działania innych za pomocą działań na żywo wykonywanych przez prawdziwego, fizycznie obecnego aktora. Stosowane są scenariusze podobne do rzeczywistych kontekstów, podczas gdy eksperymentatorzy mają kontrolę nad możliwymi czynnikami zakłócającymi. Badanie to jest formą "naturalistycznych badań laboratoryjnych", w ramach Matusz et al.14, które można potraktować jako etap pośredni między "klasycznymi badaniami laboratoryjnymi", które wykorzystują maksymalną kontrolę nad bodźcami i środowiskiem, często kosztem naturalności, a "w pełni naturalistycznymi badaniami w świecie rzeczywistym", który ma na celu maksymalizację naturalności kosztem kontroli nad stymulacją i środowiskiem14. Badanie ma na celu zaspokojenie potrzeby badań empirycznych na tym poziomie w badaniach nad percepcją działania w celu wypełnienia luki między wynikami uzyskanymi w tradycyjnych eksperymentach laboratoryjnych z wysokim stopniem kontroli eksperymentalnej a wynikami uzyskanymi w badaniach przeprowadzonych w całkowicie nieograniczonych, naturalnych warunkach.

Kontrolowane kontra nieograniczone eksperymenty
Kontrola eksperymentalna jest skuteczną strategią projektowania eksperymentów w celu przetestowania określonej hipotezy, ponieważ pozwala badaczom wyizolować zmienne docelowe od prawdopodobnych czynników zakłócających. Pozwala również na ponowne przyjrzenie się tej samej hipotezie z pewnymi poziomami poprawek, takimi jak użycie nieznacznie lub całkowicie różnych bodźców w tym samym projekcie lub przetestowanie tych samych bodźców w alternatywnych konfiguracjach eksperymentalnych. Systematyczne badanie poprzez kontrolowane eksperymenty jest tradycyjną formą metodologii w badaniach w naukach kognitywnych i odpowiednich dziedzinach. Kontrolowane eksperymenty nadal pomagają w ustaleniu zasobu wiedzy na temat podstawowych zasad procesów poznawczych w różnych dziedzinach badań, takich jak uwaga, pamięć i percepcja. Jednak ostatnie badania potwierdziły również ograniczenia tradycyjnych eksperymentów laboratoryjnych pod względem uogólniania wyników na warunki rzeczywiste, a naukowcy zostali zachęceni do prowadzenia badań w ulepszonych warunkach ekologicznych13,14,15,16,17,18,19,20,21. Ta zmiana ma na celu rozwiązanie dwóch ważnych kwestii dotyczących rozbieżności między tradycyjnymi eksperymentami laboratoryjnymi a rzeczywistymi warunkami. Po pierwsze, świat poza laboratorium jest mniej deterministyczny niż w eksperymentach, co ogranicza reprezentatywną moc systematycznych manipulacji eksperymentalnych. Po drugie, ludzki mózg jest wysoce adaptacyjny, co jest często niedoceniane ze względu na praktyczne ograniczenia związane z projektowaniem i przeprowadzaniem badań eksperymentalnych22. Pojęcie "poprawności ekologicznej"23,24 zostało użyte do rozwiązania tego problemu. Termin ten jest zwykle używany w odniesieniu do warunku wstępnego uogólnienia wyników eksperymentalnych na świat rzeczywisty poza kontekstem laboratoryjnym. Trafność ekologiczna została również zinterpretowana jako odnosząca się do walidacji praktycznie naturalistycznych konfiguracji eksperymentalnych z nieograniczonymi bodźcami, aby zapewnić, że projekt badania jest analogiczny do rzeczywistych scenariuszy25. Ze względu na wysoki stopień wariancji w interpretacji tego terminu, konieczne jest zrozumienie zalet i ograniczeń alternatywnych metodologii i doboru bodźców.

Poziomy naturalizmu w bodźcach i projektowaniu eksperymentów
Wcześniejsze prace z zakresu psychologii eksperymentalnej i neuronauki poznawczej wykorzystywały szeroki zakres bodźców o różnym poziomie naturalizmu26. Większość badaczy woli używać statycznych obrazów lub krótkich dynamicznych filmów, ponieważ te bodźce są łatwiejsze do przygotowania niż te, które mogłyby symulować prawdziwą akcję lub wydarzenie. Pomimo swoich zalet, bodźce te nie pozwalają badaczom mierzyć przypadkowych zachowań wśród podmiotów społecznych. Innymi słowy, nie są one zdolne do działania i nie mają afordancji społecznej27. W ostatnich latach opracowano alternatywę dla tych nieinteraktywnych bodźców: animacje wirtualnych awatarów w czasie rzeczywistym. Awatary te pozwalają na badanie interakcji między awatarami a ich użytkownikami. Jednak korzystanie z wirtualnych awatarów wiąże się z mniejszymi obawami użytkowników, zwłaszcza gdy nie wydają się one szczególnie angażujące pod względem ich realistycznych i przypadkowych zachowań26. W związku z tym obecnie obserwuje się większe zainteresowanie wykorzystaniem rzeczywistych bodźców społecznych w badaniach eksperymentalnych. Chociaż ich projektowanie, rejestrowanie i analiza danych mogą wymagać zaawansowanego sprzętu i złożonej analizy danych, są najlepszymi kandydatami do zrozumienia naturalistycznego ludzkiego zachowania i poznania.

Niniejsze badanie proponuje metodologię wykorzystania rzeczywistych bodźców społecznych w środowisku laboratoryjnym. Badanie to ma na celu zbadanie, w jaki sposób ludzie postrzegają i oceniają działania innych w otoczeniu o zwiększonej ważności ekologicznej w porównaniu z tradycyjnymi eksperymentami laboratoryjnymi. Opracowaliśmy i opisaliśmy nowatorską konfigurację, w której uczestnicy są wystawieni na kontakt z prawdziwymi aktorami, którzy są fizycznie obecni i dzielą z nimi to samo środowisko. W tym protokole mierzone są czasy reakcji uczestników i trajektorie myszy, co wymaga precyzyjnego czasu prezentacji bodźców i ścisłej kontroli warunków eksperymentalnych w tym ulepszonym środowisku ekologicznym. Dlatego paradygmat eksperymentalny wyróżnia się wśród ram obecnych w literaturze, ponieważ naturalność bodźców jest maksymalizowana bez poświęcania kontroli nad środowiskiem. Poniżej w protokole przedstawiono kroki mające na celu ustanowienie takiego systemu, a następnie przedstawiono reprezentatywne wyniki dla danych próbki. Na koniec omówiono znaczenie paradygmatu, jego ograniczenia i plany modyfikacji.

Projekt eksperymentalny
Zanim przejdziemy do części dotyczącej protokołu, opisujemy parametry zastosowane w niniejszym badaniu oraz przedstawiamy szczegóły dotyczące bodźców wraz z projektem eksperymentu.

Parametry w badaniu
Badanie to ma na celu zmierzenie, w jaki sposób typ aktora i klasa działań, które wykonuje, wpływają na procesy percepcji umysłu uczestników. W protokole proces percepcji umysłu jest mierzony w dwóch głównych wymiarach, a mianowicie sprawczości i doświadczenia, jak proponowały poprzednie badania28. Uwzględniono również górne i dolne końce tych dwóch wymiarów, co zostało niedawno wprowadzone przez Li et al.29.

Struktura badania została zainspirowana wersją dla jednej kategorii30 powszechnie używanego zadania niejawnego kojarzenia (IAT)31. W tym zadaniu czasy odpowiedzi uczestników, gdy dopasowują koncepcję atrybutu do koncepcji docelowej, są wykorzystywane jako wskaźnik siły ich ukrytych skojarzeń dla tych dwóch koncepcji. W adaptacji tego ukrytego zadania uczestnikom prezentowane są działania na żywo wykonywane przez prawdziwych aktorów i wymagane jest dopasowanie ich do docelowych koncepcji. Pojęcia docelowe to górne i dolne końce wymiarów agencji lub doświadczenia, w zależności od bloku eksperymentu.

Podsumowując, zmienne niezależne to Typ Aktora i Klasa Działania. Typ aktora ma dwa poziomy (tj. dwóch różnych aktorów, Aktor1 i Aktor2, występujących w badaniu). Klasa akcji ma dwa poziomy: Klasa działania1 i Klasa działania2, a każda klasa zawiera cztery akcje. Uczestnicy oceniają dwóch aktorów osobno w czterech blokach (po jednym aktorze w każdym bloku), a w każdym bloku aktorzy wykonują wszystkie działania w przeciwstawnej kolejności. Uczestnicy dokonują ewaluacji w odniesieniu do dwóch wcześniej zdefiniowanych i wymuszonych wymiarów: Sprawczości i Doświadczenia. Cztery bloki w eksperymencie to: (1) Aktor1 w Bloku Agencji, (2) Aktor2 w Bloku Agencji, (3) Aktor1 w Bloku Doświadczenia i (4) Aktor2 w Bloku Doświadczenia. Kolejność bloków jest również równoważona między uczestnikami, tak aby bloki z tym samym agentem nigdy nie następowały po sobie.

Oprócz odpowiedzi uczestników, rejestrowane są czasy odpowiedzi i współrzędne x-y myszy bezprzewodowej, której używają, gdy poruszają się w kierunku jednej z dwóch alternatyw odpowiedzi. Tak więc zmiennymi zależnymi są odpowiedź i czas odpowiedzi (RT) uczestników, a także pomiary maksymalnego odchylenia (MD) i pola pod krzywą (AUC), uzyskane z komputerowego śledzenia myszy. Zmienna odpowiedź jest kategoryczna; może być wysoki lub niski, a ponieważ oceny są wykonywane w jednym z podanych bloków, odpowiedzi mogą być również oznaczone jako High-Agency, Low-Agency, High-Experience lub Low-Experience. Czas odpowiedzi jest zmienną ciągłą; Jego jednostką są sekundy i odnosi się do czasu, jaki upłynął między rozpoczęciem prezentacji akcji a wystąpieniem kliknięcia myszą na jedną z alternatyw odpowiedzi. MD trajektorii jest zmienną ciągłą i odnosi się do największego prostopadłego odchylenia między trajektorią uczestnika (uczestników) a wyidealizowaną trajektorią (linią prostą). AUC trajektorii jest również zmienną ciągłą i odnosi się do obszaru geometrycznego między trajektorią uczestnika (uczestników) a trajektorią wyidealizowaną32.

Bodźce i projekt eksperymentu
W niniejszym badaniu zastosowano trzyetapowy eksperyment. Pomiary z trzeciej części są wykorzystywane do analiz; Pierwsze dwie części służą jako przygotowanie do części końcowej. Poniżej opisujemy każdą część eksperymentu wraz z bodźcami i hipotezami eksperymentalnymi.

W Eksperymencie Część 1 (część treningu leksykalnego), uczestnicy kończą sesję szkoleniową, aby zrozumieć pojęcia Sprawczości i Doświadczenia oraz poziomy zdolności reprezentowane przez słowa Wysoki i Niski. Aby wybrać pojęcia (n = 12), które zostaną użyte w tej sesji szkoleniowej, niektórzy z autorów obecnej pracy przeprowadzili badanie normatywne33. Ponieważ niniejsze badanie zostało zaplanowane do przeprowadzenia w językach ojczystych uczestników, koncepcje zostały również przetłumaczone na język turecki przed normalizacją. Koncepcje zostały wybrane spośród tych, które były silnie związane z wysokimi (n = 3) i niskimi (n = 3) końcami dwóch wymiarów (sześć koncepcji dla każdego z nich). Ta część jest kluczowa, ponieważ oczekuje się, że zrozumienie pojęć przez uczestników pokieruje ich procesami oceny.

W Eksperymencie Część 2 (część identyfikacji akcji), uczestnicy oglądają te same osiem czynności wykonywanych przez Aktora1 i Aktora2 jeden po drugim i informują eksperymentatora, jakie jest działanie. Ta sekcja służy jako kontrola manipulacji; Prezentując wszystkie działania, gdy obaj aktorzy je wykonują, można upewnić się, że uczestnicy rozumieją działania i są zaznajomieni z aktorami, zanim rozpoczną test niejawny, w którym muszą dokonać szybkiej oceny. Działania wybrane do Klasy Działania1 i Klasy Działania2 to te, które miały najwyższe wyniki H i poziomy ufności (cztery różne przykłady działań w każdej klasie działania) zgodnie z wynikami dwóch badań normatywnych (N = 219) dla każdego warunku aktora przeprowadzonych przez niektórych autorów (manuskrypt w przygotowaniu). Wszystkie czynności wykonywane są w równym czasie trwania 6 sekund.

To jest trwające badanie, które ma kilka innych elementów; jednak hipotezy dla sekcji opisanych powyżej są następujące: (i) typ aktora będzie miał wpływ na zmienne zależne; Actor2 zapewni dłuższe RTs, wyższe MD i większe AUC w porównaniu do Actor1; (ii) rodzaj działania będzie miał wpływ na zależne pomiary; Klasa działania1 zapewni dłuższe RT, wyższe MD i większe AUC w porównaniu z klasą akcji 2; (iii) zależne pomiary dla odpowiedzi Wysokich i Niskich dla tego samego aktora i klasy działania będą się różnić w zależności od wymiarów bloku: Sprawczości i Doświadczenia.

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

Protokół

Protokoły eksperymentalne w tym badaniu zostały zatwierdzone przez Komitet Etyki ds. Badań z udziałem Ludzi Uniwersytetu Bilkent. Wszyscy uczestnicy biorący udział w badaniu mieli ukończone 18 lat i przeczytali i podpisali formularz świadomej zgody przed rozpoczęciem badania.

1. Ogólne etapy projektowania

UWAGA: Rysunek 1A (widok z góry) i Rysunek 1B i Rysunek 1C (widok z przodu i z tyłu) przedstawia układ laboratorium; te rysunki zostały stworzone w odniesieniu do oryginalnego układu laboratorium i konfiguracji zaprojektowanej dla tego konkretnego badania. Rysunek 1A pokazuje widok z góry laboratorium. Na tym rysunku można zobaczyć światła LED na suficie i szafce aktora. System kurtyn zaciemniających dzieli pomieszczenie na pół i pomaga w manipulacji światłem, zapobiegając przedostawaniu się światła do przedniej części pomieszczenia (Strefa Uczestnika). Rysunek 1B przedstawia widok laboratorium z perspektywy eksperymentatora. Uczestnik siedzi tuż przed ekranem OLED, a za pomocą przezroczystego wyświetlacza może obserwować na żywo działania aktorów. Udzielają swoich odpowiedzi za pomocą urządzenia odpowiadającego (myszy bezprzewodowej) znajdującego się przed nimi. Eksperymentator może jednocześnie obserwować aktora przez wyświetlacz uczestnika (ekran OLED) i materiał filmowy pochodzący z kamery bezpieczeństwa. Rysunek 1C pokazuje kulisy badania (Obszar Aktora) z kamerą bezpieczeństwa i komputerem osobistym (PC) Aktora, które nie są widoczne dla uczestnika. Nagranie z kamery bezpieczeństwa trafia do komputera z kamerą w celu nawiązania komunikacji między aktorami a eksperymentatorem. Komputer aktora wyświetla aktorowi informacje o kolejności bloków i następnej akcji, dzięki czemu eksperyment przebiega bez żadnych zakłóceń. Aktorzy mogą szybko sprawdzić następną akcję, podczas gdy uczestnicy reagują na akcję w poprzednim badaniu.

figure-protocol-1
Rysunek 1: Naturalistyczna konfiguracja laboratoryjna. (A) Widok z góry na naturalistyczną konfigurację laboratoryjną. (B) Tylna i przednia strona naturalistycznego zestawu doświadczalnego z punktu widzenia uczestnika. (C) Tylna i przednia strona naturalistycznego zestawu eksperymentalnego z punktu widzenia aktora. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

  1. Zaprojektuj konfigurację, która obejmuje trzy komputery, w tym (1) główny pulpit sterujący (Experimenter PC), (2) laptop aktora (Actor PC) i (3) komputer z kamerą, jedno bezprzewodowe urządzenie reagujące (mysz uczestnika), dwa wyświetlacze, obwód oświetleniowy i kamerę bezpieczeństwa (patrz Rysunek 2A dla schematu systemu konfiguracji tego badania).
    UWAGA: Komputer Eksperymentatora będzie używany przez eksperymentatora do uruchamiania skryptów eksperymentu, Komputer Aktora będzie używany przez aktora do śledzenia bloków eksperymentu i kolejności działań w blokach, a trzecie urządzenie, Komputer Kamery, zostanie podłączony do kamery bezpieczeństwa znajdującej się w obszarze aktora i używanej przez eksperymentatora do monitorowania kulis.
  2. Podłącz oddzielne wyświetlacze (jeden do prezentacji bodźców [Participant Display], który jest ekranem OLED) i ekran do monitorowania eksperymentu, urządzenia reagującego i obwodu oświetleniowego (za pomocą przewodów lub połączeń bezprzewodowych) do komputera eksperymentatora (patrz Rysunek 2A).
  3. Połącz komputer eksperymentatora i komputer aktora przez sieć bezprzewodową, aby przekazać aktorom informacje związane ze statusem eksperymentu (np. "identyfikator następnej akcji to 'powitanie'").
  4. Zaprojektuj i zbuduj obwód oświetleniowy, który (patrz Rysunek 2B dla płytki drukowanej) może być sterowany przez mikrokontroler do włączania i wyłączania diod LED.
    UWAGA: Rysunek 3A pokazuje nieprzezroczyste użycie ekranu OLED użytego w badaniu z punktu widzenia eksperymentatora. Aby zapewnić nieprzezroczystość, tło ekranu jest dostosowane do koloru białego (RGB: 255, 255, 255), a wszystkie światła w pomieszczeniu (zarówno w Strefie Uczestnika, jak i Strefie Aktora) są wyłączone. Uczestnik widzi fiksację przed bodźcami. Rysunek 3B pokazuje przezroczyste wykorzystanie ekranu cyfrowego w badaniu z punktu widzenia eksperymentatora. Aby włączyć przezroczystość, tło ekranu jest dostosowywane do czerni (RGB: 0, 0, 0), a diody LED na suficie są włączone. Uczestnik obserwuje aktora. Rysunek 3C pokazuje nieprzejrzyste użycie ekranu cyfrowego w badaniu. Aby zapewnić nieprzezroczystość, tło ekranu jest dostosowane do koloru białego (RGB: 255, 255, 255), a wszystkie światła w pomieszczeniu są wyłączone. Uczestnik otrzymuje ekran oceny, na którym może udzielić odpowiedzi. Muszą przeciągnąć kursor w lewy górny lub prawy górny róg ekranu (jedna z dwóch opcji odpowiedzi, wysoka lub niska) za pomocą myszy bezprzewodowej. Rejestrowana jest ich trajektoria myszy i czas reakcji.
  5. Podłącz mikrokontroler do komputera Experimenter.
  6. Skrypty uruchamiające eksperyment należy przechowywać w komputerze programu Experimenter PC.
    UWAGA: Rysunek 4A pokazuje kulisy (Obszar Aktora) podczas eksperymentu. Przednie światła w pomieszczeniu (Strefa Uczestnika) są wyłączone, a na komputerze aktora wyświetlana jest nazwa czynności, która zostanie wykonana przez aktora. Rysunek 4B pokazuje gabinet aktora, w którym aktorzy mogą czekać na swoją kolej i zmieniać swoje stroje. Gabinet aktora nie jest widoczny z pola widzenia uczestnika, a ponieważ zastosowano system kurtyn, aktorzy mogą korzystać z dowolnego wejścia. Podczas eksperymentu lampy fluorescencyjne wyświetlane na rysunku są wyłączone.

figure-protocol-2
Rysunek 2: Schemat systemu i połączeń. (A) Schemat systemu naturalistycznego układu eksperymentalnego. (B) Schemat połączeń obwodu świetlnego, który obsługuje ekran OLED podczas eksperymentu. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-3
Rysunek 3: Ekran OLED z punktu widzenia eksperymentatora. (A) Nieprzejrzyste użycie ekranu cyfrowego OLED z punktu widzenia eksperymentatora. (B) Przejrzyste użycie cyfrowego ekranu OLED z punktu widzenia eksperymentatora. (C) Nieprzejrzyste korzystanie z cyfrowego ekranu OLED z punktu widzenia eksperymentatora w okresie odpowiedzi. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-4
Rysunek 4: Kulisy eksperymentu. (A) Za kulisami podczas próby eksperymentalnej. (B) Gabinet aktora znajduje się z tyłu ekranu OLED, w którym aktorzy mogą poczekać, aż ich kolej będzie widoczna podczas eksperymentu. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

2. Projekt i wykonanie obwodu oświetleniowego

  1. Kroki, które należy wykonać przed włączeniem urządzeń/komponentów obwodu
    1. Aby zmienić stany diod LED, które są zainstalowane za kulisami (Obszar aktora), zapewnij komputerowi Experimenter PC możliwość włączenia lub wyłączenia diod LED.
    2. Aby przekazać polecenia cyfrowe, które zostaną wysłane z komputera Experimenter PC za pomocą USB, wybierz urządzenie mikrokontrolera, które może przyjmować cyfrowe wejścia i generować wyjście cyfrowe (patrz Tabela materiałów dla mikrokontrolera użytego w tym badaniu).
    3. Wybierz konkretny port USB komputera Experimenter, aby podłączyć go do wejścia USB mikrokontrolera za pomocą USB. Nie włączaj komputera przed upewnieniem się, że wszystkie połączenia zostały pomyślnie nawiązane.
    4. Dołącz moduł przełączający zwiększający amplitudę sygnału wyjściowego (około 3,3 V) generowanego przez mikrokontroler.
    5. Podłącz wyznaczony pin wyjścia cyfrowego (w tym eksperymencie wyznaczony pin to D9) i piny uziemienia mikrokontrolera do modułu przełączającego.
    6. Aby uruchomić obciążenie (diody LED), dołącz moduł tranzystora polowego (MOSFET) o dużej mocy (lub moduł MOSFET), który jest sterowany sygnałem generowanym przez moduł przełączający, i podłącz piny sygnałowe modułu MOSFET do odpowiedniej pary sygnał-masa w module przełączającym.
    7. Podłącz piny gorącego stołu modułu MOSFET do obciążenia.
    8. Aby dostarczyć regulowane stałe napięcie do modułów (i pośrednio do diod LED), należy dołączyć zasilacz LED, który pobiera prąd przemienny (AC) z sieci i generuje stałe napięcie prądu stałego w obwodzie.
    9. Podłącz wyjścia zasilacza LED do wejść zasilania zarówno modułu MOSFET, jak i modułu przełączającego.
  2. Kroki, które należy wykonać po okablowaniu elementów obwodu
    1. Podłącz USB do wybranego portu USB komputera Experimenter.
    2. Utwórz szeregowe łącze komunikacyjne między mikrokontrolerem a środowiskiem programowym działającym na komputerze Experimenter PC (patrz podrozdział Podłączanie mikrokontrolera do komputera Experimenter PC).
    3. Podłącz zasilacz LED do wejścia sieciowego AC.

3. Programowanie eksperymentu

UWAGA: Utwórz trzy główne skrypty eksperymentalne (ExperimentScript1.m [Uzupełniający plik kodowania 1], ExperimentScript2.m [Uzupełniający plik kodowania 2] i ExperimentScript3.m [Uzupełniający plik kodowania 3]), a także kilka funkcji (RecordMouse.m [Uzupełniający plik kodowania 4], InsideROI.m [Uzupełniający plik kodowania 5], RandomizeTrials.m [Uzupełniający plik kodowania 6]], RandomizeBlocks.m [Uzupełniający plik kodowania 7], GenerateResponsePage.m [Uzupełniający plik kodowania 8], GenerateTextures.m [Uzupełniający plik kodowania 9], ActorMachine.m [Uzupełniający plik kodowania 10], MatchIDtoClass.m [Uzupełniający plik kodowania 11] i RandomizeWordOrder.m [Uzupełniający plik kodowania 12]) w celu przeprowadzenia eksperymentu.

UWAGA: Proszę zapoznać się z powiązanymi skryptami w celu uzyskania szczegółowych wyjaśnień.

  1. Randomizacja prób i zleceń blokowych
    1. Zdefiniuj i utwórz dwie funkcje do losowania zleceń badania (RandomizeTrials.m) i kolejności bloków (RandomizeBlocks.m), które przyjmują parametry randomizacji (takie jak identyfikator uczestnika) jako dane wejściowe i zwracają tablicę sekwencji pseudolosowych.
    2. Zobacz skrypty RandomizeBlocks.m (wiersze 2-24) i RandomizeTrials.m (wiersze 3-26), aby uzyskać szczegółowe informacje na temat sposobu generowania losowych sekwencji.
  2. Śledzenie odpowiedzi (RecordMouse, InsideRoi)
    1. Utwórz funkcję, która śledzi i rejestruje trajektorię myszy uczestników oraz czas, który upłynął podczas eksperymentu (zobacz RecordMouse.m).
    2. Utwórz funkcję pomocniczą, aby sprawdzić, czy kliknięte współrzędne leżą w dopuszczalnych regionach, czy nie (patrz skrypt InsideRoi.m).
  3. Generowanie tekstur dla instrukcji i informacji zwrotnych (GenerateTextures.m, GenerateResponsePage.m)
    1. Przygotuj instrukcje związane z eksperymentem i informacje zwrotne związane z próbami w postaci obrazów.
    2. Zapisz zawartość tych obrazów w pliku .mat (zobacz plik ExperimentImages.mat [Uzupełniający plik kodowania 13]).
    3. Załaduj plik .mat do obszaru roboczego (zobacz GenerateTextures.m wiersz 25) po utworzeniu okna ekranowego.
    4. Utwórz osobną teksturę i jej identyfikator dla każdego obrazu (zobacz GenerateTextures.m wiersze 27-165).
    5. Zdefiniuj funkcję do rysowania powiązanych tekstur strony odpowiedzi dla każdego skryptu eksperymentu (zobacz GenerateResponsePage.m).
  4. Podłączanie komputera aktora do komputera Experimenter przez TCP/IP
    1. Utwórz gniazdo serwera TCP w skrypcie (zobacz ExperimentScript2.m wiersz 174) uruchomionym na komputerze Experimenter PC.
    2. Utwórz odpowiednie gniazdo klienta TCP w skrypcie (zobacz ActorMachine.m wiersz 16) uruchomionym na komputerze Actor.
    3. Wyślij informacje o nadchodzącym bloku/próbie do aktorów ze skryptu (patrz wiersze 207, 229 i 278 w ExperimentScript2.m lub zobacz wiersze 136, 141, 153, 159 i 297 w ExperimentScript3.m) uruchomionego na komputerze Experimenter PC.
    4. Wyświetl odebrane informacje z komputera Experimenter w oknie ekranowym komputera Actor (patrz wiersze 31-47 w ActorMachine.m).
  5. Podłączanie mikrokontrolera do komputera Experimenter PC
    1. Podłącz mikrokontroler do określonego portu USB (np. PORT 9), aby kontrolować stan (włączony lub wyłączony) zainstalowanych diod LED za kulisami.
    2. Nawiąż komunikację szeregową między urządzeniem mikrokontrolera a komputerem Experimenter PC (patrz wiersz 185 w skrypcie ExperimentScript2.m).
    3. Wyślij wysoki sygnał logiczny (1) do mikrokontrolera ze skryptu uruchomionego na komputerze Experimenter PC (patrz wiersz 290 w ExperimentScript2.m lub patrz wiersz 311 w skryptach ExperimentScript3.m), aby włączyć diody LED, gdy działania są wyświetlane za pomocą USB.
    4. Wyślij niski sygnał logiczny (0) do mikrokontrolera ze skryptu uruchomionego na komputerze Experimenter PC (patrz wiersz 292 w ExperimentScript2.m lub patrz wiersz 314 w skryptach ExperimentScript3.m), aby wyłączyć diody LED, gdy oczekuje się, że uczestnik udzieli odpowiedzi.

4. Przebieg przykładowego eksperymentu

  1. Kroki przed eksperymentem
    1. Upewnij się, że wszystkie urządzenia w laboratorium (Experimenter PC, Camera PC, Actor PC i Participant Display) są zasilane przez zasilacz UPS.
    2. Połącz mikrokontroler Lightning z komputerem Experimenter PC za pomocą USB, aby włączał się automatycznie po włączeniu komputera Experimenter.)
    3. Włącz komputer Experimenter i sprawdź, czy jest podłączony do Wi-Fi 5 GHz.
    4. Wybierz urządzenie dźwiękowe (głośniki w Tabeli materiałów) jako urządzenie wyjściowe dźwięku komputera Experimenter PC.
    5. Włącz ekran uczestnika i ustaw ustawienia głośności na 80%.
    6. Ustaw ustawienia ekranu komputera Experimenter dla wielu monitorów. Rozszerz wyświetlanie komputera eksperymentalnego na ekran uczestnika. Wyświetlacz komputera Experimenter będzie wynosił 1, a Participant Display będzie miał wartość 2.
    7. Włącz komputer Actor i sprawdź, czy jest podłączony do sieci Wi-Fi 5 GHz.
    8. Podłącz kamerę bezpieczeństwa do komputera Actor za pomocą USB, aby została automatycznie włączona po włączeniu komputera Actor.
    9. Włącz komputer z aparatem fotograficznym i otwórz aplikację aparatu na pulpicie. Upewnij się, że każdy aktor, jego ruchy oraz wejście i wyjście do szafki są widoczne z kamery.
    10. Upewnij się, że wszystkie komputery, wyświetlacze i urządzenia (urządzenie odpowiedzi [bezprzewodowa mysz uczestnika], głośniki, klawiatura i mysz komputera Experimenter PC i Actor PC oraz mikrokontroler Lightning) działają prawidłowo.
    11. Powitaj uczestnika w innym pokoju; po udzieleniu krótkich informacji na temat badania przekaż formularz zgody i pozwól uczestnikowi go podpisać.
    12. Poproś uczestnika, aby wylosował numer z torby i powiedz mu, że numer ten będzie jego identyfikatorem uczestnika przez cały czas trwania badania.
    13. Pozwól uczestnikowi wypełnić formularz demograficzny online, podając swój anonimowy identyfikator uczestnika.
      UWAGA: Bardzo ważne jest, aby uczestnicy nie widzieli aktorów przed eksperymentem. Tak więc ta papierkowa robota jest wypełniana w innym pomieszczeniu, a nie w głównym pomieszczeniu eksperymentu, aby aktorzy mogli robić przerwy między uczestnikami.
  2. Etapy eksperymentu
    1. Otwórz oprogramowanie eksperymentu na komputerze Experimenter, a następnie otwórz skrypt ExperimentScript1.m i uruchom go.
    2. Wpisz identyfikator uczestnika i wiek, a następnie skrypt rozpocznie pierwszą część eksperymentu (pierwszym widocznym bodźcem będzie krzyżyk na środku wyświetlacza uczestnika).
    3. Otwórz oprogramowanie do eksperymentu na komputerze Actor i otwórz skrypt ActorMachine.m.
    4. Umieść komputer z kamerą w pobliżu komputera eksperymentatora i upewnij się, że materiał filmowy pochodzący z kamery bezpieczeństwa nie jest widoczny dla uczestnika.
    5. Powitaj uczestnika w głównej sali eksperymentów i pozwól mu usiąść przed wyświetlaczem uczestnika.
    6. Powiedz uczniowi, aby ustawił się tak, aby krzyż znajdował się pośrodku i na wprost.
    7. Podaj pokrótce instrukcje dotyczące części eksperymentu, odwołując się do wyjaśnień i czasów trwania zapisanych na tablicy.
    8. Wyłącz wszystkie światła w pomieszczeniu do eksperymentów.
  3. Eksperyment część 1:
    1. Powiedz uczestnikowi, że w pierwszej części eksperymentu ukończy trening leksykalny/pojęciowy. Ostrzeż ich, aby byli ostrożni i postępowali zgodnie z instrukcjami, aby mogli przejść szkolenie.
    2. Powiedz uczestnikowi, że eksperyment można rozpocząć, gdy będzie gotowy.
    3. Naciśnij przycisk ESC, gdy uczestnik powie, że jest gotowy na pierwszą część.
      UWAGA: Od teraz uczestnik będzie robił postępy w eksperymencie, czytając instrukcje na wyświetlaczu uczestnika i wybierając jedną z opcji. Otrzymają informację zwrotną dotyczącą ich prawidłowych i złych odpowiedzi, dzięki czemu będą mogli robić dobre postępy w szkoleniu. Dopasowywanie będzie trwało do momentu, gdy uczestnicy osiągną minimalny próg (80%) w ciągu 10 powtórzeń blokowych.
    4. Kiedy uczestnik zakończy część treningową, naciśnij przycisk ESC i powiedz uczestnikowi, że eksperymentator przejmuje kontrolę nad myszą, aby rozpocząć drugą część eksperymentu.
  4. Eksperyment część 2:
    1. Otwórz skrypt ExperimentScript2.m i poczekaj na monit Oczekiwanie na komputer aktora.
    2. Zadzwoń dzwonkiem, gdy pojawi się monit, aby jeden z aktorów mógł uruchomić skrypt na komputerze aktora w celu umożliwienia połączenia z komputerem eksperymentatora.
    3. Poczekaj, aż pojawi się monit Eksperyment część 2 jest gotowy.
    4. Powiedz uczestnikowi, że teraz ekran będzie przezroczysty, podczas gdy będą oglądać przez niego kilka krótkich czynności.
    5. Ostrzeż ich, aby uważnie obserwowali każdą czynność i poinformuj ich, że powinni głośno powiedzieć, o co chodzi.
    6. Powiedz uczestnikowi, że eksperyment można rozpocząć, gdy będzie gotowy.
    7. Naciśnij przycisk ESC, gdy uczestnik powie, że jest gotowy na pierwszą część.
      UWAGA: Uczestnik przechodzi przez instrukcje i obserwuje pierwszą akcję. Aktor1 wykonuje akcje, gdy diody LED są włączone, i sprawdza następną akcję z monitu na komputerze aktora, gdy światła są wyłączone. Po zakończeniu każdej czynności na ekranie komputera Experimenter pojawi się okno dialogowe.
    8. Wpisz, co uczestnik mówi o akcji w oknie dialogowym, a następnie wpisz 1 lub 0 w drugim oknie dialogowym, w zależności od prawidłowej lub nieprawidłowej identyfikacji akcji.
      UWAGA: Te kroki zostaną powtórzone osiem razy dla pierwszego aktora, a muzyka w tle zacznie grać, gdy nadejdzie czas, aby aktorzy zamienili się miejscami.
    9. Obejrzyj materiał z kamery bezpieczeństwa za kulisami na komputerze z kamerą.
    10. Naciśnij przycisk ESC, aby rozpocząć identyfikację dla Aktora2, gdy aktor macha rękami w kierunku kamery bezpieczeństwa za pomocą gestu Jestem gotowy.
    11. Powtarzaj kroki 4.4.7 i 4.4.8 razem z uczestnikiem, aż te same osiem czynności zostanie również zidentyfikowanych podczas ich wykonywania przez Aktora2.
    12. Kiedy uczestnik zobaczy, że identyfikacja jest zakończona i wychodzi z części, klikając strzałkę, naciśnij przycisk ESC i powiedz uczestnikowi, że eksperymentator przejmuje kontrolę nad myszą, aby rozpocząć trzecią część eksperymentu.
  5. Eksperyment część 3:
    1. Otwórz skrypt ExperimentScript3.m.
    2. Powiedz uczestnikowi, że będzie obserwował działania obu aktorów, a następnie kliknie opcję, która jego zdaniem jest odpowiednia.
      UWAGA: Uczestnicy będą oceniać działania aktorów w czterech blokach. W dwóch blokach Aktor1 wykona akcje, a w pozostałych dwóch Aktor2 wykona te same akcje. W dwóch z bloków uczestnicy będą oceniać działania poprzez przypisanie Wysokich lub Niskich Zdolności Agencji, a w pozostałych dwóch przypiszą Wysokie lub Niskie Możliwości Doświadczenia.
    3. Naciśnij przycisk ESC, gdy uczestnik powie, że jest gotowy na trzecią część.
      UWAGA: Uczestnik przechodzi przez instrukcje i zaczyna od pierwszego bloku. Aktorzy wykonują czynności w świetle, a podczas gdy uczestnicy udzielają odpowiedzi, ekran staje się nieprzezroczysty, a światła są wyłączane, aby aktorzy mogli zobaczyć, która akcja nastąpi za chwilę. Po zakończeniu każdego bloku aktorzy zamienią się miejscami, postępując zgodnie z instrukcjami wyświetlanymi na komputerze aktora.
    4. Sprawdź, czy za kulisami wszystko idzie dobrze i czy podczas bloków właściwy aktor prowadzi właściwą akcję.
    5. Naciśnij przycisk ESC, aby rozpocząć następny blok, gdy prawy aktor macha rękami gestem Jestem gotowy po wymianie aktorów.
    6. Powtarzaj kroki 4.5.4 i 4.5.5 we współpracy z uczestnikiem i aktorem, aż cztery bloki zostaną ukończone.
    7. Gdy uczestnik zobaczy komunikat Eksperyment się skończył, dziękuję, naciśnij przycisk ESC.
    8. Podziękuj uczestnikowi, a po podsumowaniu i zebraniu podpisów wyślij uczestnika na zewnątrz.

Rysunek 5 przedstawia próbkę z punktu widzenia uczestnika. Rysunek 5A pokazuje uczestnika patrzącego na kursor na środku ekranu w jego nieprzejrzystym użyciu. Rysunek 5B pokazuje uczestnika oglądającego bodźce na żywo przez ekran. Rysunek 5C pokazuje ekran oceny prezentowany uczestnikowi po bodźcach, w którym musi on przeciągnąć myszką do jednej z dwóch alternatyw w każdym górnym rogu ekranu.

figure-protocol-5
Rysunek 5: Ekran OLED z punktu widzenia uczestnika. (A) Nieprzezroczyste korzystanie z cyfrowego ekranu OLED z punktu widzenia uczestnika podczas ekranu fiksacji. (B) Przejrzyste korzystanie z cyfrowego ekranu OLED z punktu widzenia uczestnika podczas prezentacji akcji na żywo. (C) Nieprzejrzyste korzystanie z cyfrowego ekranu OLED z punktu widzenia uczestnika w okresie udzielania odpowiedzi. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

5. Wstępne przetwarzanie i analiza danych

  1. Segmentacja danych według warunków
    1. Wczytaj wszystkie pliki danych uczestników do przestrzeni roboczej środowiska oprogramowania.
    2. Zdefiniuj warunki grupowania danych (dwie klasy akcji [Klasa działania1 i Klasa działania2] x dwóch aktorów [Aktor1 i Aktor2] x dwa wymiary [Sprawczość i Doświadczenie] x dwa poziomy [Wysoki i Niski]).
    3. Podziel dane na cztery główne grupy: Agencja wysoka, Agencja niska, Doświadczenie wysokie i Doświadczenie niskie.
    4. Podziel te główne grupy na cztery podgrupy (dwóch aktorów x dwie klasy działań).
    5. Przejrzyj w pętli każdy plik danych, aby pogrupować próby, które należą do jednej z czterech wcześniej zdefiniowanych podgrup.
    6. Przechowuj odpowiednie informacje o próbie (czas odpowiedzi, ruch kursora i punkty czasowe, w których próbkowana jest pozycja kursora) w oddzielnych strukturach danych dla każdej podgrupy.
    7. Wyjdź z pętli, gdy wszystkie próby zostaną zgrupowane.
  2. Wizualizacja trajektorii
    1. Po segmentacji danych wykonaj następujące kroki, aby zwizualizować trajektorie myszy.
    2. Aby zastosować interpolację czasu do trajektorii odpowiedzi, dla każdej próby wybierz 101 par (x,y) z tablicy trajektorii, tak aby każda podgrupa danych zawierała próby z równą liczbą kroków czasowych.
      UWAGA: Podczas zakotwiczania liczby par do 101 upewnij się, że postępujesz zgodnie z konwencją32, aby przeprowadzić poprawną normalizację czasu. W związku z tym osiągnij normalizację czasu za pomocą następującego równania, gdzie n to liczba próbek w tablicy trajektorii:
      figure-protocol-6
    3. Oblicz sumę par (x,y) w każdym ze 101 punktów czasowych, a następnie podziel uzyskany wynik przez całkowitą liczbę prób w tej podgrupie, aby uzyskać średnie dla każdej podgrupy (np. Doświadczenie Low Actor1 lub Doświadczenie Low Actor2).
    4. Zastosuj operację skalowania do wartości wierszy, aby zwizualizować średnie trajektorie.
      UWAGA: Płaszczyzna współrzędnych 2D zakłada, że obie osie rosną od punktu zerowego, który znajduje się w lewym dolnym rogu okna (zakładając, że współrzędne są dodatnimi liczbami całkowitymi), podczas gdy format pikseli przyjmuje lewy górny róg okna jako odniesienie (np. punkt zerowy). W związku z tym zastosuj operację skalowania dla współrzędnych y (odpowiadających wartościom wierszy w formacie pikseli) próbkowanych lokalizacji, wyodrębniając próbkowaną współrzędną y każdej próby z wartości całkowitej liczby wierszy.
    5. Wykreśl powiązane podgrupy na tym samym rysunku dla porównania.
      UWAGA: Każda trajektoria zaczyna się w środku prostokąta znajdującego się w dolnej środkowej części, oznaczonego jako START, i kończy się wewnątrz prostokątów znajdujących się w lewym górnym lub prawym górnym rogu.

6. Warunki, które mogą prowadzić do awarii systemu i środki ostrożności

UWAGA: W przypadku awarii systemu, ważne jest, aby mieć fizyczny znak (dzwoniący dzwonkiem), aby poinformować aktora o awarii i ostrzec go, aby pozostał w miejscu, które jest niewidoczne dla uczestnika.

  1. Awarie spowodowane połączeniem sieciowym
    1. Jeśli jeden z komputerów jest podłączony do innej sieci, żądanie połączenia TCP/IP zakończy się niepowodzeniem, a system wyświetli błąd. Aby temu zapobiec, upewnij się, że komputer Experimenter PC i komputer aktora znajdują się w tym samym paśmie tej samej sieci bezprzewodowej.
    2. Aby upewnić się, że oba komputery pozostaną w tej samej sieci, wymaż poprzednio połączone sieci bezprzewodowe z obu komputerów.
    3. Ustaw statyczne adresy IP dla urządzeń w wybranej sieci, ponieważ adresy IP w sieci mogą ulec zmianie bez powiadomienia.
    4. Każde chwilowe rozłączenie (np. z powodu przerwy w dostawie prądu, przerwy w dostępie do Internetu itp.) z siecią może spowodować niepowodzenie skryptu. W takich okolicznościach należy ponownie uruchomić system od początku, aby ponownie ustanowić połączenie TCP/IP.
      UWAGA: Wymóg statycznych adresów IP dla urządzeń może być spełniony przez dostawcę usług internetowych. Niektóre porty mogą być wyłączone przez system operacyjny lub sprzęt na danym urządzeniu; W związku z tym porty, które mają być używane w eksperymencie, muszą być otwarte i nie mogą mieć aktywnego połączenia do momentu uruchomienia skryptu eksperymentu.
  2. Awarie spowodowane awariami oprogramowania
    1. Środowisko oprogramowania może ulec awarii z powodu nieudanych połączeń (np. połączenia z portem szeregowym, połączenia TCP/IP, połączenia wyświetlacza itp.), co może prowadzić do utraty danych. Aby temu zaradzić, podziel główny skrypt eksperymentu na wiele skryptów. Na przykład, jeśli istnieje blok, który musi zostać ukończony, zanim aktorzy zaczną wykonywać działania, nie ma potrzeby tworzenia serwera na komputerze Experimenter podczas tego bloku. Serwer może zostać utworzony, gdy ma się rozpocząć blok, który obejmuje działania, a tym samym wymaga komunikacji między komputerem Experimenter PC a komputerem aktora.

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

Wyniki

Porównanie czasu odpowiedzi (RT)
Obecne badanie jest projektem w toku, a więc jako reprezentatywne wyniki przedstawiono dane z głównej części eksperymentu (Eksperyment Część 3). Dane te pochodzą od 40 uczestników, w tym 23 kobiet i 17 mężczyzn, w wieku od 18 do 28 lat (M = 22,75, SD = 3,12).

Zbadanie zakresu normalności rozkładu zmiennych zależnych było konieczne, aby wybrać odpowiednią metodę statystyczną do analiz. Tak więc przeprowadzono test Shapiro-W...

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

Dyskusja

Nadrzędnym celem niniejszego badania jest przyczynienie się do zrozumienia, w jaki sposób ludzka percepcja wzrokowa i poznanie na wysokim poziomie działają w rzeczywistych sytuacjach. Badanie to koncentrowało się na percepcji działań i zasugerowało naturalistyczny, ale możliwy do kontrolowania paradygmat eksperymentalny, który umożliwia naukowcom sprawdzenie, w jaki sposób jednostki postrzegają i oceniają działania innych, prezentując prawdziwych aktorów w warunkach laboratoryjnych.

Znaczenie ...

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

Oświadczenia

Autorzy oświadczają, że nie mają żadnych istotnych ani istotnych interesów finansowych związanych z badaniami opisanymi w tym artykule.

Podziękowania

Ta praca była wspierana przez granty dla Burcu A. Urgen od Rady Badań Naukowych i Technologicznych Turcji (numer projektu: 120K913) oraz Uniwersytetu Bilkent. Dziękujemy naszej uczestniczce pilotażu, Senie Er Elmas, za wprowadzenie pomysłu dodania szumu tła między zmianami aktorów, Süleymanowi Akı za ustawienie obwodu świetlnego oraz Tuvana Karaduman za pomysł wykorzystania kamery bezpieczeństwa za kulisami i jej wkład jako jednej z aktorek w badaniu.

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Stół o regulowanej wysokościNiedotyczySzerokość: 60 cm, Wysokość: 62 cm, Głębokość: 40 cm
Ardunio UNO Smart ProjectsA000066Mikrokontroler służący do przełączania stanu diod LED ze skryptu uruchomionego na komputerze operatorskim
Czarne spodnieBrak markiNie dotyczyLuźne spodnie aktorów bez widocznej nazwy marki lub logo.
EtuiXigmatekEN43224XIGMATEK HELIOS RAINBOW LED USB 3.0 MidT ATX GAMING CASE
CPUAMD Ryzen 5 1600 Soket AM4 3,2 GHz - 3,6 GHz 16 MB 65 W 12 nm Zasłony procesora
Wykonane na zamówienieNie dotyczySzerokość: Część 1: 110 cm szerokości od ściany (po lewej) stronie, Część 2: 123 cm szerokości nad wyświetlaczem OLED, Część 3: 170 cm od wyświetlacza OLED po prawej stronie, Głębokość kabiny: 100 cm, Głębokość wewnętrzna kabiny: 100 cm, wszystkie wysokości 230 cm z wyjątkiem części 2 (wysokość 75 cm)
Experimenter Krzesło regulowane/obrotoweBrak markiN/ADowolna marka
Stół ExperimenterCustomN/ASzerokość: 160 cm, Wysokość: 75 cm, Głębokość: 80 cm
GPUMSIGT 1030 2GHD4 LP OCMSI GEFORCE GT 1030 2GHD4 LP OC 2GB DDR4 64bit NVIDIA GPU
Zasłona zaciemniająca w kolorze szarymNiedotyczySzerokość: 330 cm, Wysokość: 230 cm, służy do zasłaniania tła
Dysk twardyKioxiaLTC10Z240GG8 Kioxia 240 GB Exceria Sata 3.0 SSD (555 MB odczytu/540 MB zapisu)
Dysk twardyToshibaHDWK105UZSVAToshiba 2,5'' 500 GB L200 SATA 3.0 8 MB Cache 5400 obr./min Dysk twardy 7 mm
Moduł MOSFET dużej mocyN/ANie dotyczyRegulator ogrzewania Moduł MOSFET MKS Laptop
AppleS/N: C02P916ZG3QTMacBook Pro 11.1 Intel Core i7 (używany jako aktor PC)
LaptopAsus UX410USłuży do monitorowania kamery bezpieczeństwa w czasie rzeczywistym.
Oświetlenie LEDBrak markiNie dotyczy
Zasilacz taśmy LEDBrak markiPrzetwornica napięcia AC na DC służąca do dostarczania napięcia stałego do obwodu oświetleniowego
MATLAB MathWorks Inc., Natick, MA, USAWersja: R2022aSłuży do programowania eksperymentu.

Wymagane zestawy narzędzi:
Pakiet wsparcia MATLAB dla sprzętu Arduino (wersja 22.1.2)
Instrument Control Toolbox (wersja 4.6)
Psychtoolbox (wersja 3)
MonitorPhilipsUHB2051005145 ID modelu: 242V8A/00, monitor do gier PHILIPS 23.8" 242V8A 4ms 75 Hz Freesync DP-HDMI+VGA IPS 
Płyta głównaMSIB450M-A PRO MAXMSI B450M-A PRO MAX Amd B450 Socket AM4 DDR4 3466(OC) M.2
Podkładka pod mysz płyty głównej dla uczestnikaMonster  78185721101502042 / 8699266781857Pusat Gaming Mouse Pad XL
Lampka nocnaAukesES620-0.5W 6500K-IP 20Służy do pomagania aktorom w rozglądaniu się, gdy światła są wyłączone za kulisami.
Krzesło regulowane/obrotowe dla uczestnikówBrak markidotyczy
Stół uczestnikaIKEASandsberg 294.203.93Szerokość: 110 cm, Wysokość: 75 cm, Głębokość: 67 cm
PrzedłużaczViko9011760Y250 V (6 wlotów)
przedłużacz zasilającyViko9011730Y250 V (3 wtłacza)
przedłużacz zasilającyViko9011330Y250 V (3 wloty)
Biały przedłużacz zasilającys-link Model nr: SPG3-J-10AC - 250 V 3 metry (5 wlotów)
ZasilaczTHERMALTAKEPS-LTP-0550NHSANE-1THERMALTAKE LITEPOWER RGB 550W APFC 12 cm FAN PSU
Profesjonalna mysz do gierRampage8680096Model nr: SMX-R50 
RAMGSKILLF4-3000C16S-8GVRBGSKILL 8GB (1x8GB) RipjawsV Czerwony DDR4 3000 MHz CL16 1,35 V Pojedynczy suwak
Dzwonek odbiorczyBrak markiNie dotyczySłuży do pomocy w komunikacji między eksperymentatorem a aktorami.
Kamera bezpieczeństwaBrion Vega2-20204210Model: BV6000
GłośnikiLogitechP / N: 880-000-405 PID: WD528XMSłuży do odtwarzania muzyki w tle.
Oprogramowanie geodezyjneQualtrics Nie dotyczy
modułu przełączającegoBrak markiF5305S Stół modułu przełącznika PMOS
pod wyświetlaczem OLEDWykonane na zamówienieNie dotyczySzerokość: 123 cm, Wysokość: 75 cm, Głębokość: 50 cm
Przezroczysty wyświetlacz OLEDPlanarPN: 998-1483-01 S/N:19521007555-calowy przezroczysty wyświetlacz, który prezentuje dynamiczne informacje, umożliwił nieprzezroczyste i przezroczyste użycie podczas eksperymentu.
UPSEAGK200610100087EAG 110
UPSEAG210312030507EAG 103
USB 2.0 typu A/B do Arduino UNO (niebieski)Smart ProjectsM000006 Służy do podłączenia mikrokontrolera do komputera eksperymentatora.
Konwerter USB na RS232 s-link8680096082559Model: SW-U610
Biała Bluzka z Długim Rękawem (2)H& M (cotton)N/ABluzki o luźnym kroju, z okrągłym dekoltem, bez widocznej nazwy marki lub logo.
Klawiatura bezprzewodowaLogitechP/N: 820-003488 S/N: 1719CE0856D8Model: Mysz
bezprzewodowaLogitechS/N: 2147LZ96BGQ9Model: M190 (używany jako urządzenie odpowiedzi)
YD1600BBAFBOX Nie zasilający Nie dotyczy K360

Bibliografia

  1. Grossman, E. D., Blake, R. Brain areas active during visual perception of biological motion. Neuron. 35 (6), 1167-1175 (2002).
  2. Saygin, A. P. Superior temporal and premotor brain areas necessary for biological motion perception. Brain. 130 (9), 2452-2461 (2007).
  3. Peelen, M. V., Downing, P. E. The neural basis of visual body perception. Nature Reviews Neuroscience. 8 (8), 636-648 (2007).
  4. Caspers, S., Zilles, K., Laird, A. R., Eickhoff, S. B. ALE meta-analysis of action observation and imitation in the human brain. Neuroimage. 50 (3), 1148-1167 (2010).
  5. Nelissen, K., et al. Action observation circuits in the macaque monkey cortex. Journal of Neuroscience. 31 (10), 3743-3756 (2011).
  6. Oosterhof, N. N., Tipper, S. P., Downing, P. E. Crossmodal and action-specific: Neuroimaging the human mirror neuron system. Trends in Cognitive Sciences. 17 (7), 311-318 (2013).
  7. Lingnau, A., Downing, P. E. The lateral occipitotemporal cortex in action. Trends in Cognitive Sciences. 19 (5), 268-277 (2015).
  8. Giese, M. A., Rizzolatti, G. Neural and computational mechanisms of action processing: Interaction between visual and motor representations. Neuron. 88 (1), 167-180 (2015).
  9. Tucciarelli, R., Wurm, M., Baccolo, E., Lingnau, A. The representational space of observed actions. eLife. 8, e47686(2019).
  10. Tarhan, L., Konkle, T. Sociality and interaction envelope organize visual action representations. Nature Communications. 11 (1), 3002(2020).
  11. Urgen, B. A., Saygin, A. P. Predictive processing account of action perception: Evidence from effective connectivity in the action observation network. Cortex. 128, 132-142 (2020).
  12. Newen, A., De Bruin, L., Gallagher, S. The Oxford Handbook of 4E Cognition. , Oxford University Press. Oxford, UK. (2018).
  13. Snow, J. C., Culham, J. C. The treachery of images: How realism influences brain and behavior. Trends in Cognitive Sciences. 25 (6), 506-519 (2021).
  14. Matusz, P. J., Dikker, S., Huth, A. G., Perrodin, C. Are we ready for real-world neuroscience. Journal of Cognitive Neuroscience. 31 (3), 327-338 (2019).
  15. Zaki, J., Ochsner, K. The need for a cognitive neuroscience of naturalistic social cognition. Annals of the New York Academy of Sciences. 1167 (1), 16-30 (2009).
  16. Hasson, U., Honey, C. J. Future trends in Neuroimaging: Neural processes as expressed within real-life contexts. NeuroImage. 62 (2), 1272-1278 (2012).
  17. Risko, E. F., Laidlaw, K. E., Freeth, M., Foulsham, T., Kingstone, A. Social attention with real versus reel stimuli: toward an empirical approach to concerns about ecological validity. Frontiers in Human Neuroscience. 6, 143(2012).
  18. Parsons, T. D. Virtual reality for enhanced ecological validity and experimental control in the clinical, affective and social neurosciences. Frontiers in Human Neuroscience. 9, 660(2015).
  19. Deuse, L., et al. Neural correlates of naturalistic social cognition: brain-behavior relationships in healthy adults. Social Cognitive and Affective Neuroscience. 11 (11), 1741-1751 (2016).
  20. Camerer, C., Mobbs, D. Differences in behavior and brain activity during hypothetical and real choices. Trends in Cognitive Sciences. 21 (1), 46-56 (2017).
  21. Nastase, S. A., Goldstein, A., Hasson, U. Keep it real: Rethinking the primacy of experimental control in cognitive neuroscience. NeuroImage. 222, 117254(2020).
  22. Kihlstrom, J. F. Ecological validity and "ecological validity". Perspectives on Psychological Science. 16 (2), 466-471 (2021).
  23. Brunswik, E. Perception and the Representative Design of Psychological Experiments. , University of California Press. Oakland, California. (1956).
  24. Aronson, E., Carlsmith, J. M. Experimentation in social psychology. The Handbook of Social Psychology. Gilbert, D. T., Fiske, S. T., Lindzay, G. , McGraw-Hill. New York, NY. 1-79 (1968).
  25. Hammond, K. Ecological validity: Then and now. University of Colorado. , Available from: https://www.albany.edu/cpr/brunswik/notes/essay1.html (1998).
  26. Fan, S., Dal Monte, O., Chang, S. W. Levels of naturalism in social neuroscience research. IScience. 24 (7), 102702(2021).
  27. Orban, G. A., Lanzilotto, M., Bonini, L. From observed action identity to social affordances. Trends in Cognitive Sciences. 25 (6), 493-505 (2021).
  28. Gray, H. M., Gray, K., Wegner, D. M. Dimensions of mind perception. Science. 315 (5812), 619(2007).
  29. Li, Z., Terfurth, L., Woller, J. P., Wiese, E. Mind the machines: Applying implicit measures of mind perception to social robotics. 2022 17th ACM/IEEE International Conference on Human-Robot Interaction (HRI. , 236-245 (2022).
  30. Karpinski, A., Steinman, R. B. The single category implicit association test as a measure of implicit social cognition. Journal of Personality and Social Psychology. 91 (1), 16(2006).
  31. Greenwald, A. G., McGhee, D. E., Schwartz, J. L. Measuring individual differences in implicit cognition: the implicit association test. Journal of Personality and Social Psychology. 74 (6), 1464(1998).
  32. Freeman, J. B., Ambady, N. MouseTracker: Software for studying real-time mental processing using a computer mouse-tracking method. Behavior Research Methods. 42 (1), 226-241 (2010).
  33. Pekçetin, T. N., Barinal, B., Tunç, J., Acarturk, C., Urgen, B. A. Studying mind perception in social robotics implicitly: The need for validation and norming. Proceedings of the 2023 ACM/IEEE International Conference on Human-Robot Interaction. , 202-210 (2023).
  34. Yu, Z., Wang, F., Wang, D., Bastin, M. Beyond reaction times: Incorporating mouse-tracking measures into the implicit association test to examine its underlying process. Social Cognition. 30 (3), 289-306 (2012).
  35. Romero, C. A., Snow, J. C. Methods for presenting real-world objects under controlled laboratory conditions. Journal of Visualized Experiments. (148), e59762(2019).
  36. Jastorff, J., Abdollahi, R. O., Fasano, F., Orban, G. A. Seeing biological actions in 3 D: An f MRI study. Human Brain Mapping. 37 (1), 203-219 (2016).
  37. Ferri, S., Pauwels, K., Rizzolatti, G., Orban, G. A. Stereoscopically observing manipulative actions. Cerebral Cortex. 26 (8), 3591-3610 (2016).
  38. Stangl, M., Maoz, S. L., Suthana, N. Mobile cognition: Imaging the human brain in the 'real world. Nature Reviews Neuroscience. 24 (6), 347-362 (2023).
  39. Kriegeskorte, N. Deep neural networks: a new framework for modeling biological vision and brain information processing. Annual Review of Vision Science. 1, 417-446 (2015).
  40. Marblestone, A. H., Wayne, G., Kording, K. P. Toward an integration of deep learning and neuroscience. Frontiers in Computational Neuroscience. 10, 94(2016).

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Percepcja dzia aniaeksperyment naturalistycznyinterakcja spo ecznaprzezroczysty ekran OLEDprezentacja z udzia em prawdziwego aktoratrafno ekologicznaeksperyment behawioralnyanaliza trajektorii ruchu myszy

Powiązane artykuły