Paradygmat psychofizyczny do zbierania i analizy sądów o podobieństwie

Jest to skuteczna metoda zbierania i analizowania sądów podobieństwa i nie zakłada niczego na temat właściwości geometrycznych obiektów leżących u podstaw reprezentacji mentalnych. Głównymi zaletami metody jest jej elastyczność i minimalizacja założeń co do charakteru reprezentacji percepcyjnej. Rodzaje bodźców i złożoność prób mogą być różne, a do danych można dopasować szeroki zakres modeli geometrycznych.

Metoda ta może być przydatna dla badaczy zainteresowanych charakteryzacją mentalnych reprezentacji niskich i wysokich aspektów bodźców wzrokowych. Wybierz eksperyment do uruchomienia. Przejdź do słowa eksperyment, klikając podobieństwa, następnie eksperymenty, a następnie word_exp, lub do eksperymentu graficznego, klikając podobieństwa, następnie eksperymenty, a następnie image_exp.

Sfinalizuj bodźce eksperymentalne. Jeśli eksperyment słowny jest uruchamiany, przygotuj listę słów. Na potrzeby eksperymentu z obrazem utwórz nowy katalog i umieść w nim wszystkie obrazy bodźców.

W katalogu experiments znajdź plik konfiguracyjny o nazwie config. yaml, klikając pozycję podobieństwa, następnie experiments, a następnie config.yaml. Otwórz plik w edytorze kodu źródłowego i zaktualizuj wartość zmiennej file do ścieżki do katalogu zawierającego zestaw bodźców.

To właśnie tam PsychoPy będzie szukał bodźców obrazowych. Utwórz konfiguracje próbne, otwierając konfigurację. yaml w katalogu Analysis, a następnie ustaw wartość parametru path_2_stimulus_list na ścieżkę do stimuli.txt.

Z katalogu podobieństw uruchom skrypt, wykonując polecenia wyświetlane w oknie jedno po drugim. Spowoduje to utworzenie pliku o nazwie trial_conditions. CSV w podobieństwach, w których każdy wiersz zawiera nazwy bodźców pojawiających się w badaniu wraz z ich pozycjami.

Podziel pełny zestaw 222 wygenerowanych prób na sesje i zlosuj kolejność prób, wykonując polecenia wyświetlane w oknie. W typowym projekcie sesje składają się ze 111 prób, z których każda trwa około godziny. Po wyświetleniu monitu wprowadź wyświetlane parametry wejściowe.

Zmień nazwę i zapisz każdy z wygenerowanych plików jako conditions. csv w osobnym katalogu. Skopiuj warunki.

csv i wklej go do bieżącego katalogu zawierającego plik psyexp. Otwórz PsychoPy i otwórz plik psyexp lub py w odpowiednim katalogu experiments. W PsychoPy kliknij zielony przycisk odtwarzania, aby uruchomić eksperyment.

W wyskakującym okienku modalnym wprowadź nazwę lub identyfikator podmiotu i numer sesji, a następnie kliknij OK, aby rozpocząć. Instrukcje zostaną wyświetlone na początku każdej sesji. Daj badanemu około godziny na wykonanie zadania, a ponieważ zadanie odbywa się we własnym tempie, zachęć badanych do robienia przerw, jeśli to konieczne.

Po zakończeniu wszystkich sesji połącz pliki surowych danych i sformatuj je do jednego pliku JSON w celu dalszego przetwarzania, uruchamiając preprocess. py w terminalu za pomocą poleceń widocznych na ekranie. Po wyświetleniu monitu wprowadź żądane parametry wejściowe, w tym ścieżkę do katalogu danych podmiotu, identyfikatory podmiotów do wstępnego przetworzenia danych oraz nazwę eksperymentu użytą do nazwania pliku wyjściowego, a następnie naciśnij Enter.

Spowoduje to utworzenie pliku JSON w katalogu wyjściowym, który łączy odpowiedzi w powtórzeniach dla każdej próby. Aby określić prawdopodobieństwo wyboru parami na podstawie ocen w kolejności rang, przejdź do podobieństw, a następnie przeanalizuj i uruchom describe_data. py w wierszu poleceń.

Po wyświetleniu monitu wprowadź ścieżkę do danych podmiotu i listę tematów, aby uruchomić analizę. W ten sposób zostaną utworzone trzy rodzaje działek. Generuj niskowymiarowe modele euklidesowe przestrzeni percepcyjnych, korzystając z prawdopodobieństw wyboru, uruchamiając model_fitting.

py za pomocą wiersza poleceń wyświetlanego na ekranie. Po wyświetleniu monitu podaj dane wejściowe katalogu do subject-data/preprocessed, liczbę bodźców, która domyślnie będzie wynosić 37, liczbę iteracji, katalog wyjściowy i ilość szumu Gaussa, która domyślnie będzie wynosić 0,18. Wizualizuj logarytm prawdopodobieństwa uzyskanych modeli i oceń ich dopasowanie, przeprowadzając podobieństwa, analizę model_fitting_figure.py.

Po wyświetleniu monitu wprowadź wymaganą ścieżkę do plików CSV zawierających prawdopodobieństwa dziennika. Wizualizuj przestrzenie percepcyjne dla każdego tematu i generuj wykresy punktowe pokazujące punkty z modelu 5D rzutowane na pierwsze dwa główne komponenty, uruchamiając wyświetlane polecenia. Po wyświetleniu monitu wprowadź parametry wejściowe i ścieżkę do pliku NPY zawierającego punkty 5D.

Po wykonaniu skryptu wyjdź ze środowiska wirtualnego. W pliku wygenerowanym dla eksperymentu słownego pierwszy wiersz odpowiada próbie, w której wokół bodźca referencyjnego małpy pojawia się osiem bodźców. Oceny rang zostały rozłożone na wybory parami.

Rozkład prawdopodobieństwa wyboru był bardzo spójny u badanych. Grupowanie danych w pobliżu przekątnej w każdym panelu wskazuje na dużą spójność w prawdopodobieństwie wyboru między badanymi i w przypadku osądów, które nie znajdują się na krańcach. Dominująca przekątna wskazuje, że prawdopodobieństwa wyboru w tych dwóch kontekstach, w tym pośrednie prawdopodobieństwa wyboru między zerem a jedynką, są prawie identyczne dla każdego przedmiotu.

Logarytmiczne prawdopodobieństwa są przedstawiane w odniesieniu do logarytmu prawdopodobieństwa najlepszego modelu, czyli modelu, który przypisuje obserwowane prawdopodobieństwo wyboru do każdego porównania bez ograniczania tych prawdopodobieństw przez jakiekolwiek względy geometryczne. Analizę składowych głównych przeprowadzono na punktach z modelu 5D przestrzeni percepcyjnej, w których zwierzęta postrzegane jako podobne były oznaczone punktami znajdującymi się blisko siebie. Bardzo ważne jest, aby zdecydować o wszystkich parametrach podczas projektowania eksperymentu i ustawić je w plikach konfiguracyjnych przed rozpoczęciem kroku drugiego.

Bardzo ważne jest również dokładne śledzenie danych każdego podmiotu. Metoda zapewnia dużą liczbę ocen podobieństwa, dzięki czemu można zastosować szereg analiz, takich jak analiza skupień, skupienie się na kontekście lub modelowanie z różnymi przestrzeniami geometrycznymi.