June 3rd, 2013
Badanie hipotezy z Doliny Niesamowitości i doświadczenie afektywne wymaga zrozumienia wymiaru hipotezy dotyczącej podobieństwa człowieka (DHL). Protokół ten umożliwia reprezentację DHL i badanie percepcji kategorycznej. Zilustrowano użycie tych samych bodźców i fMRI do rozróżnienia obszarów mózgu reagujących na zmiany fizyczne i kategorie.
Ogólnym celem tej procedury jest zbadanie skutków percepcji kategorycznej w wymiarze podobieństwa człowieka w hipotezie doliny niesamowitości. Osiąga się to poprzez uprzednie staranne wygenerowanie kontinuów morfologicznych, za pomocą których przedstawia się wymiar podobieństwa ludzkiego. Kontinua morfologiczne są następnie prezentowane w zadaniu kategoryzacji wymuszonego wyboru.
Zadanie to służy do określenia, które bodźce są jednoznacznie skategoryzowane jako awatary i jako ludzkie, a także do określenia położenia granicy kategorii. Następnie wybór tych obrazów jest używany w zadaniu dyskryminacji percepcyjnej. Zadanie to określa obecność i lokalizację granicy dyskryminacji percepcyjnej.
Wyniki pokazują, że granica dyskryminacji jest zbieżna z granicą kategorii. Wyrównanie granic wskazuje, że subiektywne postrzeganie obiektów w wymiarze podobieństwa ludzkiego może być rozumiane w kategoriach psychologicznych skutków percepcji kategorycznej. Główną zaletą tej metody jest to, że pozwala ona na eksperymentalnie kontrolowaną, precyzyjną manipulację wyglądem zbliżonym do ludzkiego.
Jest to ważne dla zrozumienia subtelnych związków między postrzeganym ludzkim podobieństwem a niesamowitymi doświadczeniami i zachowaniami. Wizualna demonstracja tej metody stanowi podstawę do krytycznej dyskusji w towarzyszącym artykule na temat zastosowania tej metody w badaniach nad doliną niesamowitości Rozpocznij od wybrania par obrazów człowieka i awatara, które mają być użyte jako punkt końcowy każdego kontinuum w procedurze morfingu. Zacznij od ludzkiego punktu końcowego.
Wybierz wizerunek nieznanej osoby o charakterystycznej twarzy o neutralnym wyrazie i bezpośrednim spojrzeniu. Nie powinny być obecne żadne inne istotne cechy, takie jak zarost lub biżuteria. W przypadku obrazu punktu końcowego innego niż ludzki wygeneruj twarz awatara, aby pasowała do ludzkiej twarzy.
Zmień każdą twarz awatara, aby dokładnie pasowała do odpowiadającej jej ludzkiej twarzy pod względem wieku i ogólnej geometrii twarzy. Dopasuj poziomy kontrastu i ogólną jasność każdej pary twarzy nadrzędnych. Tutaj odcień skóry twarzy rodzica awatara jest dopasowany do odpowiadającej mu twarzy rodzica ludzkiego.
Użyj oprogramowania do edycji zdjęć, aby przyciąć zewnętrzne cechy twarzy, nakładając eliptyczną formę na obraz. Następnie dostosuj końcowe położenie obrazów, aby zapewnić wyrównanie ogólnej geometrii twarzy między każdą parą obrazów punktów końcowych. Gdy obrazy są gotowe, użyj oprogramowania do tworzenia morfingu, aby umieścić punkty kontrolne na elementach powierzchni macierzystych.
Dla każdej twarzy około 20 punktów umieszcza się na ustach, 18 na każdym oku, 20 na nosie i osiem na każdej brwi. Po umieszczeniu tych punktów obrazy są gotowe do morfowania. W tym przypadku dla każdego kontinuum tworzonych jest 13 różnych morfowanych obrazów, które są oznaczane jako od M zero do M 12.
Istnieją dwie ściany nadrzędne i 11 pośrednich morfów, jak pokazano tutaj, wykonywane jest dwa alternatywne zadania klasyfikacji wymuszonego wyboru. Uczestnik ocenia, czy każdy obraz morficzny przedstawia awatara, czy ludzką twarz. Gdy jest gotowy, uczestnik ogląda sekwencję prób.
Każda próba rozpoczyna się od punktu fiksacji prezentowanego przez 500 milisekund, po którym następuje obraz morfozy przez 750 milisekund. Uczestnik reaguje po każdym obrazie poprzez naciśnięcie odpowiedniego przycisku. Następna próba rozpoczyna się później.
Dane klasyfikacji człowieka awatara są analizowane przy użyciu regresji wielomianowej w celu opisania kształtu funkcji odpowiedzi. Aby skonfigurować to samo zadanie dyskryminacji percepcyjnej, wybierz dwie morfy wcześniej sklasyfikowane jako awatary i dwie jako ludzka kontrola dla różnic fizycznych, wybierając morfy, które reprezentują równoważne przyrosty zmian fizycznych Wzdłuż każdego kontinuum stosuje się przyrosty 33%, jak widać. Tutaj sortuj wybrane morfy na pary zgodnie z trzema eksperymentalnymi warunkami par morfów.
To samo, w którym pary morfów są identyczne, nie reprezentując żadnej fizycznej lub kategorii zmiany w ich obrębie, w których pary są rysowane z wnętrza kategorii i pomiędzy, w których pary reprezentują różne kategorie. W przypadku kategorii awatara upewnij się, że pierwszym morfem każdej pary twarzy w trzech warunkach jest zawsze M cztery. Ta sama procedura może być zastosowana dla par morfów w odniesieniu do kategorii ludzkiej, zapewniając, że pierwsza morfa ma zawsze wartość M ósemka.
Wykonywane jest to samo zadanie dyskryminacji percepcyjnej. Uczestnik wskazuje, naciskając przycisk, czy twarze każdej pary twarzy są takie same, czy różnią się wyglądem. Gdy uczestnik jest gotowy, pokazuje mu się sekwencję prób dla każdej próby.
Krzyż fiksacji jest prezentowany przez 500 milisekund, po którym następuje pierwsza twarz pary twarzy przez 500 milisekund, interwał między bodźcami pokazujący pusty ekran przez 300 milisekund. Następnie druga twarz pary twarzy, uczestnik decyduje, czy twarze pary są takie same, czy różne. Interwał wynosi 2 500 milisekund, zanim następna próba zostanie przedstawiona później.
Dokładność dyskryminacji jest analizowana dla par twarzy, które przekraczają granicę kategorii, w porównaniu z niedźwiedziami o twarzy po tej samej stronie granicy. Dane z prób awatarów i badań na ludziach są traktowane oddzielnie w analizie, która jest reprezentatywna dla zadania kategoryzacji wymuszonego wyboru. Są one przedstawione pod względem odsetka odpowiedzi, w których twarz jest klasyfikowana jako ludzka.
Ciągła niebieska linia pokazuje dopasowaną krzywą odpowiedzi logistycznej, której nachylenie odzwierciedla sigmoidalną funkcję krokową zgodną z obecnością a. Niebieska linia przerywana pokazuje szacowaną pozycję granicy kategorii, co wskazuje, że maksymalna niepewność wynosząca 50% w ocenach kategoryzacyjnych jest związana z większą liczbą pozycji sześć. W tych wynikach dla zadania kategoryzacji wymuszonego wyboru najdłuższe średnie opóźnienie odpowiedzi jest związane z pozycją morfu numer sześć.
Jest to zgodne z obecnością największej niepewności i sądów kategoryzacyjnych na tej pozycji morfologicznej. Reakcje na dyskryminację w tym samym innym zadaniu dyskryminacji percepcyjnej pokazują, że dokładność i rozróżnianie między parami twarzy, które znajdują się po każdej stronie granicy kategorii, która znajduje się pomiędzy warunkami, jest większe niż w przypadku par twarzy wylosowanych w kategoriach człowieka i awatara. Zgodnie z większą dokładnością dyskryminacji na granicy kategorii, czasy odpowiedzi oceny dla par ścian, które znajdują się okrakiem na granicy kategorii w warunku pomiędzy, lub krótsze niż dla twarzy wywodzących się z wewnątrz kategorii.
Przy zastosowaniu tej procedury największą trudnością jest generowanie wielu kontinuów morfologicznych, które tworzą jednorodny zestaw bodźców eksperymentalnych. Słaba kontrola nad bodźcami eksperymentalnymi może wprowadzać zamieszanie i artefakty, które silnie wpływają na subiektywne postrzeganie podobieństwa człowieka. W załączonym artykule omówiono te powiązane kwestie.
To badanie bada hipotezę Doliny Dziwactwa poprzez zbadanie wymiaru ludzkiego podobieństwa za pomocą percepcji kategorialnej. Protokół obejmuje generowanie ciągów morfologicznych i wykorzystanie rezonansu magnetycznego funkcjonalnego (fMRI), aby zidentyfikować obszary mózgu reagujące na zmiany w wyglądzie fizycznym i kategorii.
Understanding categorical perception along the dimension of human likeness informs the design of human-like avatars and robotic interfaces in biopharma training, patient engagement, and therapeutic applications. Misalignment between physical realism and perceptual boundaries can trigger aversion, reducing user acceptance and efficacy of digital health tools. This method enables controlled manipulation of appearance to identify perceptual thresholds that support predictive confidence in human-computer interaction design.
This method supports early discovery by enabling hypothesis testing of perceptual category effects, informing assay readiness for user response screening, and providing quantitative discrimination accuracy outputs that guide go/no-go decisions in digital therapeutic development.