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 niniejszym badaniu zostały zatwierdzone przez Komisję Etyki ds. Badań z Udziałem Ludzi Uniwersytetu Bilkent. Wszyscy uczestnicy włączeni do badania byli w wieku powyżej 18 lat, a przed rozpoczęciem badania przeczytali i podpisali formularz świadomej zgody.

1. Ogólne etapy projektowania

UWAGA: Rycina 1A (widok z góry) oraz Rycina 1B i Rycina 1C (widoki z przodu i z tyłu) przedstawiają układ laboratorium; ryciny te zostały opracowane z uwzględnieniem oryginalnej konfiguracji i organizacji laboratorium zaprojektowanej na potrzeby tego konkretnego badania. Rycina 1A pokazuje układ laboratorium widziany z góry. Na tej rycinie widoczne są lampy LED na suficie oraz szafka dla aktorów. System zasłon zaciemniających dzieli pomieszczenie na pół i ułatwia manipulację oświetleniem, zapobiegając przedostawaniu się światła do przedniej części pokoju (obszaru uczestnika). Rycina 1B przedstawia widok laboratorium z perspektywy eksperymentatora. Uczestnik siedzi bezpośrednio przed ekranem OLED i dzięki przezroczystemu wyświetlaczowi może obserwować na żywo działania wykonywane przez aktorów. Swoje odpowiedzi przekazuje za pomocą urządzenia odpowiedzi (bezprzewodowej myszki) znajdującego się przed nim. Eksperymentator może jednocześnie obserwować aktora poprzez wyświetlacz uczestnika (ekran OLED) oraz obraz z kamery monitoringu. Rycina 1C przedstawia zaplecze badania (obszar aktora) z kamerą monitoringu i komputerem osobistym (PC) aktora, które nie są widoczne dla uczestnika. Obraz z kamery monitoringu jest przesyłany do komputera z kamerą, aby umożliwić komunikację między aktorami a eksperymentatorem. Komputer aktora wyświetla kolejność bloków oraz informacje o następnej czynności, tak aby przebieg eksperymentu nie był przerywany. Aktorzy mogą szybko sprawdzić następne działanie, podczas gdy uczestnicy odpowiadają na działanie w poprzedniej próbie.

figure-protocol-1
Rycina 1: Naturalistyczna konfiguracja laboratoryjna. (A) Widok z góry na naturalistyczną konfigurację laboratoryjną. (B) Tylna i przednia strona naturalistycznej konfiguracji eksperymentalnej z punktu widzenia uczestnika. (C) Tylna i przednia strona naturalistycznej konfiguracji eksperymentalnej z punktu widzenia aktora. Aby zobaczyć powiększoną wersję tej ryciny, kliknij tutaj.

  1. Zaprojektuj układ obejmujący trzy komputery, w tym (1) główny komputer stacjonarny sterujący (PC Eksperymentatora), (2) laptop aktora (PC Aktora) oraz (3) komputer kamery (PC Kamery), jedno bezprzewodowe urządzenie do udzielania odpowiedzi (Mysz Uczestnika), dwa wyświetlacze, obwód oświetlenia oraz kamerę monitoringu (patrz Rycina 2A (do schematu systemowego konfiguracji niniejszego badania).
    UWAGA: Komputer Eksperymentatora będzie służył eksperymentatorowi do uruchamiania skryptów eksperymentu, komputer Aktora będzie służył aktorowi do śledzenia bloków eksperymentu oraz kolejności działań w obrębie tych bloków, a trzecie urządzenie, komputer Kamery, zostanie podłączone do kamery zabezpieczającej znajdującej się w obszarze aktora i będzie wykorzystywane przez eksperymentatora do monitorowania zaplecza.
  2. Podłącz oddzielne wyświetlacze (jeden do prezentacji bodźców [Wyświetlacz Uczestnika], który jest ekranem OLED) oraz ekran do monitorowania przebiegu eksperymentu, urządzenie do rejestracji odpowiedzi oraz obwód oświetlenia (poprzez przewodowe lub bezprzewodowe połączenia) do komputera eksperymentatora (patrz Rycina 2A).
  3. Połącz komputer eksperymentatora oraz komputer aktora za pomocą sieci bezprzewodowej w celu przekazywania informacji dotyczących stanu eksperymentu (np. "następny identyfikator działania to „greeting”") do aktorów.
  4. Zaprojektowanie i budowa obwodu oświetleniowego (patrz Rysunek 2B (dla płytki drukowanej) może być sterowany przez mikrokontroler w celu włączania i wyłączania diod LED.
    UWAGA: Rysunek 3A przedstawia nieprzezroczystość ekranu OLED użytego w badaniu z perspektywy eksperymentatora. Aby zapewnić nieprzezroczystość, tło ekranu ustawiono na białe (RGB: 255, 255, 255), a wszystkie światła w pomieszczeniu (zarówno w strefie uczestnika, jak i w strefie aktora) zostały wyłączone. Uczestnik widzi punkt fiksacyjny przed bodźcami. Rysunek 3B przedstawia transparentne wykorzystanie ekranu cyfrowego w badaniu z perspektywy eksperymentatora. Aby zapewnić przejrzystość, tło ekranu zostało ustawione na kolor czarny (RGB: 0, 0, 0), a lampy LED na suficie zostały włączone. Uczestnik obserwuje aktora. Rycina 3C przedstawia sposób zapewnienia nieprzezroczystości ekranu cyfrowego w badaniu. Aby zapewnić nieprzezroczystość, tło ekranu zostaje ustawione na biały (RGB: 255, 255, 255), a wszystkie światła w pomieszczeniu zostają wyłączone. Uczestnikowi wyświetla się ekran ewaluacyjny w celu udzielenia odpowiedzi. Za pomocą bezprzewodowej myszy musi on przeciągnąć kursor w górny lewy lub górny prawy róg ekranu (jedna z dwóch opcji odpowiedzi: Wysoka lub Niska). Trajektoria ruchu myszy oraz czas reakcji są rejestrowane.
  5. Podłącz mikrokontroler do komputera eksperymentatora.
  6. Przechowuj skrypty uruchamiające eksperyment na komputerze eksperymentatora.
    ​UWAGA: Rysunek 4A pokazuje zaplecze (obszar aktora) podczas eksperymentu. Przednie światła w pomieszczeniu (obszar uczestnika) są wyłączone, a komputer aktora wyświetla nazwę czynności, którą ma wykonać aktor. Rysunek 4B przedstawia garderobę, w której aktorzy mogą czekać na swoją kolej i zmieniać stroje. Garderoba nie jest widoczna z perspektywy uczestnika, a dzięki zastosowaniu systemu kurtyn aktorzy mogą korzystać z dowolnego wejścia. Podczas eksperymentu lampy fluorescencyjne pokazane na rysunku są wyłączone.

figure-protocol-2
Rycina 2: Schemat systemu i połączeń elektrycznych. (A) Schemat systemu naturalistycznej konfiguracji eksperymentalnej. (B) Schemat połączeń obwodu oświetlenia zasilającego ekran OLED podczas eksperymentu. Aby wyświetlić powiększoną wersję tej ryciny, kliknij tutaj.

figure-protocol-3
Rysunek 3: Ekran OLED z perspektywy eksperymentatora. (A) Nieprzezroczyste użycie cyfrowego ekranu OLED z perspektywy eksperymentatora. (B) Przezroczyste użycie cyfrowego ekranu OLED z perspektywy eksperymentatora. (C) Nieprzezroczyste użycie cyfrowego ekranu OLED z perspektywy eksperymentatora podczas okresu odpowiedzi. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

figure-protocol-4
Rysunek 4: Zaplecze eksperymentu. (A) Zaplecze podczas próby eksperymentalnej. (B) Szafka dla aktorów znajduje się z tyłu ekranu OLED, w której aktorzy mogą czekać na swoją kolej na pojawienie się podczas eksperymentu. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

2. Projektowanie i implementacja obwodu oświetlenia

  1. Kroki, które należy wykonać przed włączeniem zasilania urządzeń/komponentów obwodu
    1. Aby zmienić stan diod LED zainstalowanych za kulisami (obszar aktora), należy zapewnić komputerowi eksperymentatora możliwość przełączania diod LED w stan włączony (ON) lub wyłączony (OFF).
    2. Aby przekazać polecenia cyfrowe, które zostaną przesłane z komputera eksperymentatora za pomocą kabla USB, należy wybrać mikrokontroler zdolny do przyjmowania sygnałów wejściowych cyfrowych i generowania sygnału wyjściowego cyfrowego (patrz na Tabela materiałów dla mikrokontrolera użytego w niniejszym badaniu).
    3. Wybierz odpowiedni port USB w komputerze eksperymentalnym, aby podłączyć go do wejścia USB mikrokontrolera poprzez kabel USB. Nie włączaj komputera przed upewnieniem się, że wszystkie połączenia zostały ustanowione pomyślnie.
    4. Należy dołączyć moduł przełączający w celu zwiększenia amplitudy sygnału wyjściowego (około 3,3 V) generowanego przez mikrokontroler.
    5. Podłącz wyznaczony pin wyjścia cyfrowego (w tym eksperymencie jest to pin D9) oraz piny masy mikrokontrolera do modułu przełączającego.
    6. Aby zasilić obciążenie (diody LED), należy zastosować moduł wysokoprądowego metalowo-tlenkowego półprzewnikowego tranzystora polowego (MOSFET), sterowany sygnałem generowanym przez moduł przełączający, a następnie połączyć piny sygnałowe modułu MOSFET z odpowiednią parą sygnał-masa w module przełączającym.
    7. Podłącz piny gorącego złącza (hot-bed pins) modułu MOSFET do obciążenia.
    8. Aby zapewnić regulowane stałe napięcie dla modułów (a pośrednio dla diod LED), należy zastosować zasilacz LED, który przyjmuje prąd przemienny (AC) z sieci elektrycznej i generuje stałe napięcie DC w obwodzie.
    9. Podłącz wyjścia zasilacza LED do wejść zasilania zarówno modułu MOSFET, jak i modułu przełączającego.
  2. Kroki, które należy wykonać po połączeniu elementów obwodu
    1. Podłącz kabel USB do wybranego portu USB komputera eksperymentatora.
    2. Utwórz szeregowe łącze komunikacyjne pomiędzy mikrokontrolerem a środowiskiem programistycznym uruchomionym na komputerze eksperymentatora (patrz podrozdział Podłączenie mikrokontrolera do komputera eksperymentatora).
    3. Podłącz zasilacz LED do wejścia sieci prądu przemiennego (AC).

3. Programowanie eksperymentu

UWAGA: W celu przeprowadzenia eksperymentu należy utworzyć trzy główne skrypty eksperymentalne (ExperimentScript1.m [Plik uzupełniający z kodem 1], ExperimentScript2.m [Plik uzupełniający z kodem 2] oraz ExperimentScript3.m [Plik uzupełniający z kodem 3]) oraz kilka funkcji (RecordMouse.m [Plik uzupełniający z kodem 4], InsideROI.m [Plik uzupełniający z kodem 5], RandomizeTrials.m [Plik uzupełniający z kodem 6], RandomizeBlocks.m [Plik uzupełniający z kodem 7], GenerateResponsePage.m [Plik uzupełniający z kodem 8], GenerateTextures.m [Plik uzupełniający z kodem 9], ActorMachine.m [Plik uzupełniający z kodem 10], MatchIDtoClass.m [Plik uzupełniający z kodem 11] oraz RandomizeWordOrder.m [Plik uzupełniający z kodem 12]).

UWAGA: Szczegółowe wyjaśnienia znajdują się w powiązanych scenariuszach.

  1. Randomizacja prób i kolejności bloków
    1. Zdefiniuj i utwórz dwie funkcje służące do randomizacji kolejności prób (RandomizeTrials.m) oraz kolejności bloków (RandomizeBlocks.m), które przyjmują parametry randomizacji (takie jak identyfikator uczestnika) jako dane wejściowe i zwracają tablicę pseudolosowych sekwencji.
    2. Szczegóły dotyczące generowania zrandomizowanych sekwencji znajdują się w skryptach RandomizeBlocks.m (linie 2-24) oraz RandomizeTrials.m (linie 3-26).
  2. Śledzenie odpowiedzi (RecordMouse, InsideRoi)
    1. Utwórz funkcję, która śledzi i rejestruje trajektorię ruchu myszy uczestników oraz czas trwania eksperymentu (patrz RecordMouse.m).
    2. Utwórz funkcję pomocniczą, aby sprawdzić, czy kliknięte współrzędne znajdują się wewnątrz dopuszczalnych obszarów (patrz skrypt InsideRoi.m).
  3. Generowanie tekstur dla instrukcji i informacji zwrotnych (GenerateTextures.m, GenerateResponsePage.m)
    1. Przygotuj instrukcje dotyczące eksperymentu oraz informacje zwrotne dotyczące prób w formie obrazów.
    2. Zapisz zawartość tych obrazów w pliku .mat (patrz plik ExperimentImages.mat [Dodatkowy plik z kodem 13]).
    3. Wczytaj plik .mat do obszaru roboczego (patrz GenerateTextures.m linia 25) po utworzeniu okna ekranowego.
    4. Utwórz oddzielną teksturę i jej identyfikator dla każdego obrazu (patrz GenerateTextures.m linie 27-165).
    5. Zdefiniuj funkcję do rysowania powiązanych tekstur strony odpowiedzi dla każdego skryptu eksperymentu (patrz GenerateResponsePage.m).
  4. Połączenie komputera Aktora z komputerem Eksperymentatora przez protokół TCP/IP
    1. Utwórz w skrypcie (patrz ExperimentScript2.m linia 174) gniazdo serwera TCP działające na komputerze eksperymentatora.
    2. Utwórz w skrypcie (patrz ActorMachine.m linia 16) uruchomionym na komputerze Actor odpowiedni gniazdo klienta TCP.
    3. Prześlij informacje o nadchodzącym bloku/próbie do aktorów zgodnie ze skryptem (patrz linie 207, 229 i 278 w ExperimentScript2.m lub linie 136, 141, 153, 159 i 297 w ExperimentScript3.m) uruchomionym na komputerze eksperymentatora.
    4. Wyświetl otrzymane informacje z komputera eksperymentatora w oknie na ekranie komputera aktora (patrz linie 31-47 w pliku ActorMachine.m).
  5. Podłączenie mikrokontrolera do komputera eksperymentatora
    1. Podłącz mikrokontroler do konkretnego portu USB (np. PORT 9), aby sterować stanem (WŁ. lub WYŁ.) zainstalowanych diod LED w części tylnej (backstage).
    2. Należy nawiązać komunikację szeregową pomiędzy urządzeniem mikrokontrolera a komputerem eksperymentatora (patrz linia 185 w skrypcie ExperimentScript2.m).
    3. Wyślij sygnał stanu wysokiego (1) do mikrokontrolera ze skryptu uruchomionego na komputerze eksperymentatora (patrz linia 290 w skrypcie ExperimentScript2.m lub linia 311 w skrypcie ExperimentScript3.m), aby włączyć diody LED podczas wyświetlania działań poprzez kabel USB.
    4. Wyślij sygnał logiczny niski (0) do mikrokontrolera ze skryptu uruchomionego na komputerze eksperymentatora (patrz linia 292 w skrypcie ExperimentScript2.m lub linia 314 w skrypcie ExperimentScript3.m), aby wyłączyć diody LED w momencie, gdy oczekuje się odpowiedzi od uczestnika.

4. Przebieg eksperymentu z próbką

  1. Kroki poprzedzające eksperyment
    1. Upewnij się, że wszystkie urządzenia w laboratorium (PC eksperymentatora, PC kamery, PC aktora i wyświetlacz uczestnika) są zasilane przez UPS.
    2. Podłącz mikrokontroler oświetlenia do PC eksperymentatora za pomocą kabla USB, aby uruchamiał się automatycznie wraz z komputerem.)
    3. Włącz PC eksperymentatora i sprawdź, czy jest on połączony z siecią Wi-Fi 5 GHz.
    4. Wybierz urządzenie dźwiękowe (głośniki wymienione w Tabeli materiałów) jako urządzenie wyjściowe dźwięku w PC eksperymentatora.
    5. Włącz wyświetlacz uczestnika i ustaw poziom głośności na 80%.
    6. Skonfiguruj ustawienia ekranu w PC eksperymentatora dla wielu monitorów. Rozszerz pulpit PC eksperymentatora na wyświetlacz uczestnika. Ekran PC eksperymentatora będzie numerem 1, a wyświetlacz uczestnika numerem 2.
    7. Włącz PC aktora i sprawdź, czy jest on połączony z siecią Wi-Fi 5 GHz.
    8. Podłącz kamerę zabezpieczającą do PC aktora za pomocą kabla USB, aby była automatycznie zasilana po uruchomieniu PC aktora.
    9. Włącz PC kamery i otwórz aplikację kamery na pulpicie. Upewnij się, że każdy aktor, jego ruchy oraz wejścia i wyjścia z kabiny są widoczne w kamerze.
    10. Upewnij się, że wszystkie komputery, wyświetlacze i urządzenia (urządzenie do odpowiedzi [bezprzewodowa mysz uczestnika], głośniki, klawiatura i mysz PC eksperymentatora i PC aktora oraz mikrokontroler oświetlenia) działają prawidłowo.
    11. Zaproś uczestnika do innego pomieszczenia; po przekazaniu krótkich informacji o badaniu, przekaż formularz zgody i poproś uczestnika o jego podpisanie.
    12. Poproś uczestnika o wylosowanie numeru z torby i poinformuj go, że numer ten będzie jego identyfikatorem (ID) uczestnika w trakcie całego badania.
    13. Poproś uczestnika o wypełnienie internetowego formularza demograficznego, używając anonimowego ID uczestnika.
      UWAGA: Kluczowe jest, aby uczestnicy nie widzieli aktorów przed eksperymentem. Dlatego formalności te są dopełniane w innym pomieszczeniu niż główna sala eksperymentalna, aby aktorzy mogli robić przerwy między uczestnikami.
  2. Kroki eksperymentu
    1. Otwórz oprogramowanie eksperymentalne na PC eksperymentatora, otwórz skrypt ExperimentScript1.m i uruchom go.
    2. Wpisz ID i wiek uczestnika; następnie skrypt uruchomi pierwszą część eksperymentu (pierwszym widocznym bodźcem będzie krzyżyk na środku wyświetlacza uczestnika).
    3. Otwórz oprogramowanie eksperymentalne na PC aktora i otwórz skrypt ActorMachine.m.
    4. Umieść PC kamery obok PC eksperymentatora i upewnij się, że obraz z kamery zabezpieczającej nie jest widoczny dla uczestnika.
    5. Zaproś uczestnika do głównej sali eksperymentalnej i poproś go o zajęcie miejsca przed wyświetlaczem uczestnika.
    6. Poleć uczestnikowi ustawić się tak, aby krzyżyk znajdował się na wprost i na środku jego pola widzenia.
    7. Krótko przedstaw instrukcje dotyczące części eksperymentu, odwołując się do wyjaśnień i czasów trwania zapisanych na tablicy.
    8. Wyłącz wszystkie światła w sali eksperymentalnej.
  3. Część eksperymentu 1:
    1. Poinformuj uczestnika, że w pierwszej części eksperymentu przejdzie trening leksykalno-konceptualny. Przostrzeż go, aby uważnie stosował się do instrukcji, co pozwoli mu pomyślnie przejść trening.
    2. Poinformuj uczestnika, że eksperyment może zostać rozpoczęty, gdy będzie gotowy.
    3. Naciśnij klawisz ESC, gdy uczestnik zgłosi gotowość do pierwszej części.
      UWAGA: Od tego momentu uczestnik będzie przechodzić przez eksperyment, czytając instrukcje na wyświetlaczu uczestnika i wybierając jedną z opcji. Będzie otrzymywać informacje zwrotne o poprawnych i błędnych odpowiedziach, aby mógł sprawnie posuwać się naprzód w treningu. Dopasowywanie będzie kontynuowane, dopóki uczestnicy nie osiągną minimalnego progu (80%) w ciągu 10 powtórzeń bloków.
    4. Gdy uczestnik ukończy część treningową, naciśnij klawisz ESC i poinformuj go, że eksperymentator przejmuje kontrolę nad myszą, aby rozpocząć drugą część eksperymentu.
  4. Część eksperymentu 2:
    1. Otwórz skrypt ExperimentScript2.m i czekaj na komunikat Waiting for the Actor PC.
    2. Zadzwoni dzwonkiem po wyświetleniu komunikatu, aby jeden z aktorów mógł uruchomić skrypt na PC aktora w celu nawiązania połączenia z PC eksperymentatora.
    3. Czekaj na komunikat Experiment Part 2 is ready.
    4. Poinformuj uczestnika, że teraz ekran stanie się przezroczysty, a on będzie obserwował przez niego krótkie działania.
    5. Poproś go o uważne obserwowanie każdego działania i poinformuj, że powinien głośno nazywać wykonywaną czynność.
    6. Poinformuj uczestnika, że eksperyment może zostać rozpoczęty, gdy będzie gotowy.
    7. Naciśnij klawisz ESC, gdy uczestnik zgłosi gotowość do pierwszej części.
      UWAGA: Uczestnik przechodzi przez instrukcje i ogląda pierwsze działanie. Aktor1 wykonuje działania, gdy diody LED są zapalone, a gdy światła gasną, sprawdza kolejne działanie w komunikacie na PC aktora. Po zakończeniu każdego działania na ekranie PC eksperymentatora pojawi się okno dialogowe.
    8. Wpisz w oknie dialogowym to, co uczestnik powiedział o działaniu, a w drugim oknie wpisz 1 lub 0 w zależności od tego, czy działanie zostało zidentyfikowane prawidłowo, czy błędnie.
      UWAGA: Kroki te zostaną powtórzone osiem razy dla pierwszego aktora, a muzyka w tle zacznie grać, gdy nadejdzie czas na zamianę aktorów.
    9. Obserwuj zaplecze za pomocą obrazu z kamery zabezpieczającej na PC kamery.
    10. Naciśnij klawisz ESC, aby rozpocząć identyfikację dla Aktora2, gdy aktor pomacha rękami w stronę kamery zabezpieczającej, wykonując gest I am ready.
    11. Powtórz krok 4.4.7 i krok 4.4.8 wspólnie z uczestnikiem, aż te same osiem działań zostanie zidentyfikowanych podczas ich wykonywania przez Aktora2.
    12. Gdy uczestnik zobaczy ostrzeżenie Identification is complete i zakończy tę część, klikając strzałkę, naciśnij klawisz ESC i poinformuj uczestnika, że eksperymentator przejmuje kontrolę nad myszą, aby rozpocząć trzecią część eksperymentu.
  5. Część eksperymentu 3:
    1. Otwórz skrypt ExperimentScript3.m.
    2. Poinformuj uczestnika, że będzie obserwować działania obu aktorów, a następnie kliknie opcję, którą uzna za odpowiednią.
      UWAGA: Uczestnicy będą oceniać działania aktorów w czterech blokach. W dwóch blokach działania wykona Aktor1, a w dwóch pozostałych te same działania wykona Aktor2. W dwóch blokach uczestnicy będą oceniać działania, przypisując im wysoką lub niską sprawczość (Agency), a w pozostałych dwóch – wysoką lub niską zdolność przeżywania (Experience).
    3. Naciśnij klawisz ESC, gdy uczestnik zgłosi gotowość do trzeciej części.
      UWAGA: Uczestnik przechodzi przez instrukcje i zaczyna od pierwszego bloku. Aktorzy wykonują działania przy zapalonym świetle, a podczas udzielania odpowiedzi przez uczestników ekran staje się nieprzezroczysty i światła zostają wyłączone, aby aktorzy mogli sprawdzić, jakie działanie nastąpi w następnej kolejności. Po zakończeniu każdego bloku aktorzy zamienią się miejscami zgodnie z komunikatami na PC aktora.
    4. Sprawdź, czy na zapleczu wszystko przebiega pomyślnie i czy podczas bloków właściwy aktor wykonuje właściwe działanie.
    5. Naciśnij klawisz ESC, aby rozpocząć następny blok, gdy właściwy aktor pomacha rękami gestem I am ready po zamianie aktorów.
    6. Powtarzaj krok 4.5.4 i krok 4.5.5 we współpracy z uczestnikiem i aktorem, aż cztery bloki zostaną ukończone.
    7. Gdy uczestnik zobaczy komunikat The experiment is over, thank you, naciśnij klawisz ESC.
    8. Podziękuj uczestnikowi, a po przeprowadzeniu debriefingu i zebraniu podpisów, odprowadź go z sali.

Rycina 5 przedstawia przykładową próbę z perspektywy uczestnika. Rycina 5A pokazuje uczestnika patrzącego na kursor w centrum ekranu w jego nieprzezroczystym stanie. Rycina 5B przedstawia uczestnika obserwującego bodźce w czasie rzeczywistym przez ekran. Rycina 5C pokazuje ekran oceny wyświetlony uczestnikowi po bodźcach, na którym musi on przeciągnąć mysz do jednej z dwóch alternatyw znajdujących się w górnych rogach ekranu.

figure-protocol-5
Rycina 5: Ekran OLED z perspektywy uczestnika. (A) Nieprzezroczyste wykorzystanie cyfrowego ekranu OLED z perspektywy uczestnika podczas wyświetlania ekranu fiksacyjnego. (B) Przezroczyste wykorzystanie cyfrowego ekranu OLED z perspektywy uczestnika podczas prezentacji rzeczywistej akcji. (C) Nieprzezroczyste wykorzystanie cyfrowego ekranu OLED z perspektywy uczestnika podczas okresu udzielania odpowiedzi. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

5. Wstępne przetwarzanie i analiza danych

  1. Segmentacja danych według warunków
    1. Wczytaj wszystkie pliki z danymi uczestników do obszaru roboczego środowiska programistycznego.
    2. Zdefiniuj warunki grupowania danych (dwie klasy działań [Action Class1 i Action Class2] x dwóch aktorów [Actor1 i Actor2] x dwa wymiary [Agency i Experience] x dwa poziomy [High i Low]).
    3. Posegmentuj dane na cztery główne grupy: Agency High, Agency Low, Experience High oraz Experience Low.
    4. Podziel te grupy główne na cztery podgrupy (dwóch aktorów x dwie klasy działań).
    5. Przeanalizuj w pętli każdy plik danych, aby pogrupować próby należące do jednej z czterech wcześniej zdefiniowanych podgrup.
    6. Zapisz istotne informacje o próbach (czas reakcji, ruch kursora oraz punkty czasowe próbkowania pozycji kursora) w oddzielnych strukturach danych dla każdej podgrupy.
    7. Wyjdź z pętli po pogrupowaniu wszystkich prób.
  2. Wizualizacja trajektorii
    1. Po posegmentowaniu danych wykonaj następujące kroki, aby zwizualizować trajektorie myszy.
    2. Aby zastosować interpolację czasową do trajektorii odpowiedzi, wybierz dla każdej próby 101 par (x,y) z tablicy trajektorii, tak aby każda podgrupa danych posiadała próby o równej liczbie kroków czasowych.
      UWAGA: Przy ustaleniu liczby par na 101, należy przestrzegać konwencji32, aby przeprowadzić poprawną normalizację czasową. W związku z tym przeprowadź normalizację czasową za pomocą poniższego równania, gdzie n to liczba próbek w tablicy trajektorii:
      figure-protocol-6
    3. Oblicz sumę par (x,y) dla każdego z 101 punktów czasowych, a następnie podziel otrzymany wynik przez całkowitą liczbę prób w danej podgrupie, aby uzyskać wartości średnie dla każdej podgrupy (np. Experience Low Actor1 lub Experience Low Actor2).
    4. Zastosuj operację skalowania wartości wierszy, aby zwizualizować średnie trajektorie.
      UWAGA: Płaszczyzna współrzędnych 2D zakłada, że obie osie zwiększają się od punktu zero znajdującego się w dolnym lewym rogu okna (przy założeniu, że współrzędne są dodatnimi liczbami całkowitymi), podczas gdy format pikselowy przyjmuje górny lewy róg okna jako punkt odniesienia (np. punkt zero). Zastosuj zatem operację skalowania dla współrzędnych y (odpowiadających wartościom wierszy w formacie pikselowym) próbkowanych lokalizacji, odejmując próbkowaną współrzędną y każdej próby od całkowitej liczby wierszy.
    5. Przedstaw powiązane podgrupy na jednym wykresie w celu porównania.
      UWAGA: Każda trajektoria rozpoczyna się w centrum prostokąta znajdującego się na dole pośrodku, opisanego jako START, i kończy się wewnątrz prostokątów znajdujących się w górnym lewym lub górnym prawym rogu.

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

UWAGA: W przypadku awarii systemu kluczowe jest zastosowanie sygnału fizycznego (np. zadzwonienie dzwonkiem), aby poinformować aktora o usterce i ostrzec go, by pozostał w miejscu niewidocznym dla uczestnika.

  1. Błędy wynikające z połączenia sieciowego
    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 eksperymentatora (Experimenter PC) i komputer aktora (Actor PC) znajdują się w tym samym paśmie tej samej sieci bezprzewodowej.
    2. Aby mieć pewność, że oba komputery pozostaną w tej samej sieci, usuń wcześniej połączone sieci bezprzewodowe z obu komputerów.
    3. Ustaw statyczne adresy IP dla urządzeń w wybranej sieci, ponieważ adresy IP w sieci mogą zmienić się bez powiadomienia.
    4. Jakiekolwiek chwilowe rozłączenie z siecią (np. z powodu przerwy w dostawie prądu, awarii Internetu itp.) może spowodować błąd skryptu. W takich okolicznościach system musi zostać uruchomiony ponownie od początku, aby ponownie ustanowić połączenie TCP/IP.
      ​UWAGA: Wymóg statycznych adresów IP dla urządzeń może zostać spełniony przez dostawcę usług Internetowych. Niektóre porty mogą być zablokowane przez system operacyjny lub sprzęt danego urządzenia; w związku z tym porty, które mają być użyte w eksperymencie, muszą zostać otwarte i nie mogą mieć aktywnego połączenia do momentu uruchomienia skryptu eksperymentu.
  2. Błędy wynikające z awarii oprogramowania
    1. Środowisko programistyczne może ulec awarii z powodu nieudanych połączeń (np. połączenia portu szeregowego, połączenia TCP/IP, połączenia z wyświetlaczem itp.), co może prowadzić do utraty danych. Aby temu zapobiec, podziel główny skrypt eksperymentu na wiele mniejszych skryptów. Na przykład, jeśli istnieje blok, który musi zostać ukończony przed rozpoczęciem działań przez aktorów, nie ma potrzeby tworzenia serwera na komputerze eksperymentatora podczas tego bloku. Serwer można utworzyć w momencie, gdy ma się rozpocząć blok obejmujący działania, a tym samym wymagający komunikacji między komputerem eksperymentatora a komputerem aktora.

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

Wyniki

Porównania czasu reakcji (RT)
Niniejsze badanie jest projektem w toku, w związku z czym jako reprezentatywne wyniki przedstawiono dane z głównej części eksperymentu (część 3 eksperymentu). Dane te pochodzą od 40 uczestników, w tym od 23 kobiet i 17 mężczyzn, w wieku od 18 do 28 lat (M = 22,75, SD = 3,12).

Aby wybrać odpowiednią metodę statystyczną do analizy, konieczne było zbadanie stopnia normalności rozkładu zmiennych zależnych. W związku z tym przep...

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