Name: Um Paradigma Psicofísico para a Coleta e Análise de Julgamentos de Similaridade (Vídeo) | JoVE Journal
Uploaded: 2022-03-01T13:45:00.000+00:00
Duration: 8 min 12 s
Description: Aprenda a coletar e analisar julgamentos de similaridade usando um paradigma psicofísico flexível com PsychoPy e modelagem em espaços euclidianos multidimensionais. Este método revela representações perceptuais sem assumir propriedades geométricas prévias.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

O trabalho é apoiado por financiamento dos Institutos Nacionais de Saúde (NIH), subvenção EY07977. Os autores também gostariam de agradecer a Usman Ayyaz por sua ajuda no teste do software, e Muhammad Naeem Ayyaz por seus comentários sobre o manuscrito.

<ol><li>Edelman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Representation+is+representation+of+similarities%5BTitle%5D)+AND+%22TheBehavioral+and+Brain+Sciences%22%5BJournal%5D)">Representation is representation of similarities.</a> TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).</li>
<li>Hahn, U., Chater, N. Concepts and similarity. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHahn%2C+U+%22Knowledge%2C+Concepts+and+Categories%22">Knowledge, Concepts and Categories</a>. , The MIT Press. 43-84 (1997).</li>
<li>Kriegeskorte, N., Kievit, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Representational+geometry%3A+integrating+cognition%2C+computation%2C+and+the+brain%5BTitle%5D)+AND+%22Trends+in+Cognitive+Sciences%22%5BJournal%5D)">Representational geometry: integrating cognition, computation, and the brain.</a> Trends in Cognitive Sciences. 17 (8), 401-412 (2013).</li>
<li>Hebart, M. N., Zheng, C. Y., Pereira, F., Baker, C. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Revealing+the+multidimensional+mental+representations+of+natural+objects+underlying+human+similarity+judgements%5BTitle%5D)+AND+%22Nature+Human+Behaviour%22%5BJournal%5D)">Revealing the multidimensional mental representations of natural objects underlying human similarity judgements.</a> Nature Human Behaviour. 4 (11), 1173-1185 (2020).</li>
<li>Deng, W. S., Sloutsky, V. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+development+of+categorization%3A+Effects+of+classification+and+inference+training+on+category+representation%5BTitle%5D)+AND+%22Developmental+Psychology%22%5BJournal%5D)">The development of categorization: Effects of classification and inference training on category representation.</a> Developmental Psychology. 51 (3), 392-405 (2015).</li>
<li>Shepard, R. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stimulus+and+response+generalization%3A+tests+of+a+model+relating+generalization+to+distance+in+psychological+space%5BTitle%5D)+AND+%22Journal+of+Experimental+Psychology%22%5BJournal%5D)">Stimulus and response generalization: tests of a model relating generalization to distance in psychological space.</a> Journal of Experimental Psychology. 55 (6), 509-523 (1958).</li>
<li>Coombs, C. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+method+for+the+study+of+interstimulus+similarity%5BTitle%5D)+AND+%22Psychometrika%22%5BJournal%5D)">A method for the study of interstimulus similarity.</a> Psychometrika. 19 (3), 183-194 (1954).</li>
<li>Gärdenfors, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGa%CC%88rdenfors%2C+P+%22Conceptual+Spaces%3A+The+Geometry+of+Thought%22">Conceptual Spaces: The Geometry of Thought</a>. , The MIT Press. (2000).</li>
<li>Zaidi, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Perceptual+spaces%3A+mathematical+structures+to+neural+mechanisms%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience+The+Official+Journal+of+the+Society+for+Neuroscience%22%5BJournal%5D)">Perceptual spaces: mathematical structures to neural mechanisms.</a> The Journal of Neuroscience The Official Journal of the Society for Neuroscience. 33 (45), 17597-17602 (2013).</li>
<li>Krishnaiah, P. R., Kanal, L. N. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKrishnaiah%2C+PR+%22Handbook+of+Statistics+2%22">Handbook of Statistics 2</a>. , Elsevier. (1982).</li>
<li>Tsogo, L., Masson, M. H., Bardot, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multidimensional+Scaling+Methods+for+Many-Object+Sets%3A+A+Review%5BTitle%5D)+AND+%22Multivariate+Behavioral+Research%22%5BJournal%5D)">Multidimensional Scaling Methods for Many-Object Sets: A Review.</a> Multivariate Behavioral Research. 35 (3), 307-319 (2000).</li>
<li>Kriegeskorte, N., Mur, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inverse+MDS%3A+Inferring+dissimilarity+structure+from+multiple+item+arrangements%5BTitle%5D)+AND+%22Frontiers+in+Psychology%22%5BJournal%5D)">Inverse MDS: Inferring dissimilarity structure from multiple item arrangements.</a> Frontiers in Psychology. 3, 245(2012).</li>
<li>Rao, V. R., Katz, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Alternative+Multidimensional+Scaling+Methods+for+Large+Stimulus+Sets%5BTitle%5D)+AND+%22Journal+of+Marketing+Research%22%5BJournal%5D)">Alternative Multidimensional Scaling Methods for Large Stimulus Sets.</a> Journal of Marketing Research. 8 (4), 488-494 (1971).</li>
<li>Hoffman, J. I. E. Hypergeometric Distribution. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHoffman%2C+JIE+%22Biostatistics+for+Medical+and+Biomedical+Practitioners%22">Biostatistics for Medical and Biomedical Practitioners</a>. , Academic Press. 179-182 (2015).</li>
<li>Victor, J. D., Rizvi, S. M., Conte, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Two+representations+of+a+high-dimensional+perceptual+space%5BTitle%5D)+AND+%22Vision+Research%22%5BJournal%5D)">Two representations of a high-dimensional perceptual space.</a> Vision Research. 137, 1-23 (2017).</li>
<li>Knoblauch, K., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimating+classification+images+with+generalized+linear+and+additive+models%5BTitle%5D)+AND+%22Journal+of+Vision%22%5BJournal%5D)">Estimating classification images with generalized linear and additive models.</a> Journal of Vision. 8 (16), 1-19 (2008).</li>
<li>Maloney, L. T., Yang, J. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Maximum+likelihood+difference+scaling%5BTitle%5D)+AND+%22Journal+of+Vision%22%5BJournal%5D)">Maximum likelihood difference scaling.</a> Journal of Vision. 3 (8), 573-585 (2003).</li>
<li>Logvinenko, A. D., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+proximity+structure+of+achromatic+surface+colors+and+the+impossibility+of+asymmetric+lightness+matching%5BTitle%5D)+AND+%22Perception+%26+Psychophysics%22%5BJournal%5D)">The proximity structure of achromatic surface colors and the impossibility of asymmetric lightness matching.</a> Perception & Psychophysics. 68 (1), 76-83 (2006).</li>
<li>Zhou, Y., Smith, B. H., Sharpee, T. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hyperbolic+geometry+of+the+olfactory+space%5BTitle%5D)+AND+%22Science+Advances%22%5BJournal%5D)">Hyperbolic geometry of the olfactory space.</a> Science Advances. 4 (8), (2018).</li>
<li>Goldstone, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+efficient+method+for+obtaining+similarity+data%5BTitle%5D)+AND+%22Behavior+Research+Methods%2C+Instruments%2C+%26+Computers%22%5BJournal%5D)">An efficient method for obtaining similarity data.</a> Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).</li>
<li>Townsend, J. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Theoretical+analysis+of+an+alphabetic+confusion+matrix%5BTitle%5D)+AND+%22Perception+%26+Psychophysics%22%5BJournal%5D)">Theoretical analysis of an alphabetic confusion matrix.</a> Perception & Psychophysics. 9, 40-50 (1971).</li>
</ol>

Os autores não têm nada a revelar.

O protocolo aqui delineado é eficaz para a obtenção e análise de julgamentos de similaridade para estímulos que podem ser apresentados visualmente. O paradigma experimental, a análise e possíveis extensões são discutidos primeiro e, posteriormente, as vantagens e desvantagens do método.
Paradigma experimental: O método proposto é demonstrado utilizando um domínio de 37 nomes de animais, e um conjunto de dados amostral de julgamentos perceptivos é fornecido para que se possa ac...

Os seres humanos processam mentalmente e representam informações sensoriais recebidas para realizar uma ampla gama de tarefas, como reconhecimento de objetos, navegação, fazer inferências sobre o meio ambiente e muitas outras. Julgamentos de similaridade são comumente usados para sondar essas representações mentais1. Compreender a estrutura das representações mentais pode fornecer insights sobre a organização do conhecimento conceitual2. Também é possível obter insights sobre computação neural, relacionando julgamentos de similaridade aos padrões de ativação cerebral3. Além disso, julgamentos de similaridade revelam características que são salientes na percepção4. Estudar como as representações mentais mudam durante o desenvolvimento pode lançar luz sobre como elas são aprendidas5. Assim, julgamentos de similaridade fornecem informações valiosas sobre o processamento de informações no cérebro.
Um modelo comum de representações mentais usando semelhanças é um modelo de espaço geométrico6,7,8. Aplicado a domínios sensoriais, esse tipo de modelo é frequentemente referido como um espaço perceptivo9. Os pontos no espaço representam estímulos e distâncias entre os pontos correspondem à diferença percebida entre eles. A partir de julgamentos de similaridade, pode-se obter estimativas quantitativas de diferenças. Essas diferenças pareentas (ou distâncias perceptuais) podem então ser usadas para modelar o espaço perceptivo através de dimensionamento multidimensional10.
Existem muitos métodos para coletar julgamentos de similaridade, cada um com suas vantagens e desvantagens. A maneira mais simples de obter medidas quantitativas de dissimilaridade é pedir aos sujeitos que classifiquem em escala o grau de dissimilaridade entre cada par de estímulos. Embora isso seja relativamente rápido, as estimativas tendem a ser instáveis em longas sessões, pois os sujeitos não podem voltar a julgamentos anteriores, e os efeitos do contexto, se presentes, não podem ser detectados. (Aqui, um efeito de contexto é definido como uma mudança na similaridade julgada entre dois estímulos, com base na presença de outros estímulos que não estão sendo comparados.) Alternativamente, os sujeitos podem ser solicitados a comparar todos os pares de estímulos com todos os outros pares de estímulos. Embora isso produziria uma ordenação de classificação mais confiável de diferenças, o número de comparações necessárias escalas com o quarto poder do número de estímulos, tornando-o viável apenas para pequenos conjuntos de estímulos. Alternativas mais rápidas, como classificar em um número predefinido de clusters11 ou classificação gratuita têm suas próprias limitações. A classificação livre (em qualquer número de pilhas) é intuitiva, mas força o sujeito a categorizar os estímulos, mesmo que os estímulos não se prestam facilmente à categorização. O método multi-arranjo mais recente, O MDS inverso, contorna muitas dessas limitações e é muito eficiente12. No entanto, este método exige que os sujeitos projetem suas representações mentais em um plano euclidiano 2D e considerem semelhanças de forma geométrica específica, tornando a suposição de que a estrutura de similaridade pode ser recuperada a partir de distâncias euclidianas em um plano. Assim, resta a necessidade de um método eficiente para coletar grandes quantidades de julgamentos de similaridade, sem fazer suposições sobre a geometria subjacente aos julgamentos.
Descrito aqui é um método que é razoavelmente eficiente e também evita as armadilhas potenciais acima. Ao pedir aos sujeitos que classifiquem os estímulos por ordem de similaridade a uma referência central em cada ensaio13, a relativa semelhança pode ser sondada diretamente, sem assumir nada sobre a estrutura geométrica das respostas dos sujeitos. O paradigma repete um subconjunto de comparações com contextos idênticos e diferentes, permitindo a avaliação direta dos efeitos do contexto, bem como a aquisição de respostas classificadas em termos de probabilidades de escolha. O procedimento de análise decompõe esses julgamentos em múltiplas comparações em pares e os utiliza para construir e procurar modelos euclidianos de espaços perceptivos que expliquem os julgamentos. O método é adequado para descrever detalhadamente a representação de conjuntos de estímulo de tamanhos moderados (por exemplo, 19 a 49).
Para demonstrar a viabilidade da abordagem, foi realizado um experimento, utilizando um conjunto de 37 animais como estímulos. Os dados foram coletados ao longo de 10 sessões de uma hora e, em seguida, analisados separadamente para cada assunto. A análise revelou consistência entre os sujeitos e efeitos de contexto insignificantes. Também avaliou a consistência das diferenças percebidas entre estímulos com modelos euclidianos de seus espaços perceptivos. Os procedimentos paradigmáticos e de análise descritos neste artigo são flexíveis e devem ser de uso para pesquisadores interessados em caracterizar as propriedades geométricas de uma gama de espaços perceptivos.

<table><tbody><tr><td>Estação de trabalho do computador</td><td>N/A</td><td>N/A</td><td>SO: Windows/MacOS 10 ou superior/Linux; Intel Core i5 dual-core de 3,1 GHz ou similar; 8 GB ou mais de memória; Permissões de usuário para gravar e executar arquivos</td></tr><tr><td>conda</td><td></td><td>Versão 4.11</td><td>SO: Windows/ MacOS 10 ou superior/</td></tr><tr><td>Linux Microsoft Excel</td><td>Microsoft</td><td>Qualquer</td><td>Para abrir e embaralhar linhas e colunas em arquivos de condições de teste.</td></tr><tr><td>PsychoPy</td><td>N/A</td><td>Versão 2021.2</td><td>Estrutura para execução de estudos psicofísicos</td></tr><tr><td>Python 3</td><td>Python Software Foundation</td><td>Python Versão 3.8</td><td>Python3 e bibliotecas integradas associadas</td></tr><tr><td>Bibliotecas Python necessárias</td> N<td>/A</td><td>versão numpy: 1.17.2 ou superior; matplotlib versão 3.4.3 ou superior; scipy versão 1.3.1 ou superior; pandas versão 0.25.3 ou superior; seaborn versão 0.9.0 ou superior; versão scikit_learn 0.23.1 ou superior; yaml versão 6.0 ou superior&nbsp;</td><td>numpy, scipy e scikit_learn são módulos de computação com funções embutidas para otimização e operações vetoriais. matplotlib e seaborn são bibliotecas de plotagem. o pandas está acostumado a ler e editar dados de arquivos csv.</td></tr></tbody></table>

um paradigma psicofísico para a coleta e análise de julgamentos de similaridade

A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments

Julgamentos de similaridade são comumente usados para estudar representações mentais e suas correlações neurais. Essa abordagem tem sido usada para caracterizar espaços perceptivos em muitos domínios: cores, objetos, imagens, palavras e sons. Idealmente, pode-se querer comparar estimativas de similaridade percebida entre todos os pares de estímulos, mas isso é muitas vezes impraticável. Por exemplo, se alguém pede a um sujeito para comparar a semelhança de dois itens com a semelhança de dois outros itens, o número de comparações cresce com a quarta potência do tamanho do conjunto de estímulos. Uma estratégia alternativa é pedir a um sujeito para classificar semelhanças de pares isolados, por exemplo, em uma escala Likert. Isso é muito mais eficiente (o número de classificações cresce quadráticamente com tamanho definido em vez de quarticamente), mas essas classificações tendem a ser instáveis e têm resolução limitada, e a abordagem também assume que não há efeitos de contexto.
Aqui, é apresentado um novo paradigma de classificação para a coleta eficiente de julgamentos de similaridade, juntamente com um pipeline de análise (software fornecido) que testa se os modelos de distância euclidianos explicam os dados. Os ensaios típicos consistem em oito estímulos em torno de um estímulo de referência central: o sujeito classifica estímulos em ordem de sua semelhança com a referência. Por seleção criteriosa de combinações de estímulos utilizados em cada ensaio, a abordagem tem controles internos para efeitos de consistência e contexto. A abordagem foi validada para estímulos extraídos de espaços euclidianos de até cinco dimensões. 
A abordagem é ilustrada com um experimento que mede semelhanças entre 37 palavras. Cada ensaio produz os resultados de 28 comparações em pares da forma: "A era mais semelhante à referência do que B era a referência?" Embora comparar diretamente todos os pares de pares de estímulos teria exigido 221445 ensaios, este projeto permite a reconstrução do espaço perceptivo a partir de 5994 comparações obtidas a partir de 222 ensaios.

A Figura 1A mostra parte de um arquivo de condições gerado pelo script na etapa 3.3, para o experimento da palavra. Cada linha corresponde a um julgamento. O estímulo na coluna do árbitro aparece no centro do display. Os nomes das colunas stim1 a stim8 correspondem a oito posições ao longo de um círculo, correndo no sentido anti-horário, começando da posição à direita da referência central. Um teste amostral do experimento da palavra é mostrado na Figura 1B<stro...

O protocolo apresenta um paradigma psicofísico experimental para obter grandes quantidades de julgamentos de similaridade, e um fluxo de trabalho de análise que acompanha. O paradigma sonda efeitos de contexto e permite a modelagem de dados de similaridade em termos de espaços euclidianos de pelo menos cinco dimensões.

Um Paradigma Psicofísico para a Coleta e Análise de Julgamentos de Similaridade

Similarity judgments are commonly used to study mental representations and their neural correlates. This approach has been used to characterize perceptual ...

Trata-se de um método eficiente para coletar e analisar julgamentos de similaridade, e não assume nada sobre as propriedades geométricas dos sujeitos subjacentes às representações mentais. As principais vantagens do método são sua flexibilidade e minimização de suposições sobre a natureza da representação perceptiva. Os tipos de estímulos e a complexidade dos ensaios podem ser variados, e uma ampla gama de modelos geométricos podem ser adequados aos dados.Esse método pode ser útil para pesquisadores interessados em caracterizar as representações mentais de aspectos de baixo e alto nível dos estímulos visuais. Selecione um experimento para executar. Navegue até o experimento da palavra clicando em semelhanças, depois experimentos, depois word_exp, ou ao experimento de imagem clicando em semelhanças, depois experimentos, e image_exp.Finalize os estímulos experimentais. Se a palavra experiência está sendo executada, prepare uma lista de palavras. E para o experimento de imagem, faça um novo diretório e coloque todas as imagens de estímulo nele.No diretório de experimentos, encontre o arquivo de configuração chamado config. yaml clicando similaridades, em seguida, experimentos, e, em seguida, config.yaml. Abra o arquivo em um editor de código-fonte e atualize o valor da variável arquivo para o caminho para o diretório contendo o conjunto de estímulos.É aqui que o PsychoPy procurará os estímulos de imagem. Crie configurações de teste abrindo o config. arquivo yaml no diretório de análise, em seguida, definir o valor do parâmetro path_2_stimulus_list para o caminho para estímulos.txt.A partir do diretório de semelhanças, execute o script executando os comandos exibidos na janela um após o outro. Isso cria um arquivo chamado trial_conditions. csv em semelhanças em que cada linha contém os nomes dos estímulos que aparecem em um ensaio junto com suas posições.Quebre o conjunto completo de 222 ensaios gerados em sessões e randomize a ordem de julgamento executando os comandos exibidos na janela. No design típico, as sessões compreendem 111 ensaios, cada um deles requer aproximadamente uma hora para serem executados. Quando solicitado, digite os parâmetros de entrada exibidos.Renomeie e salve cada um dos arquivos gerados como condições. csv em seu próprio diretório. Copie as condições.arquivo csv e cole-o no diretório atual contendo o arquivo psyexp. Abra o PsychoPy e abra o arquivo psyexp ou py no diretório de experimentos relevante. Em PsychoPy, clique no botão de reprodução verde para executar o experimento.No pop-up modal, digite o nome do assunto ou ID e número da sessão e clique em OK para iniciar. As instruções serão exibidas no início de cada sessão. Permita que o sujeito complete a tarefa cerca de uma hora e, como a tarefa é auto-acelerada, incentive os sujeitos a fazer pausas, se necessário.Depois que todas as sessões forem concluídas, combine os arquivos de dados brutos e reforme-os em um único arquivo JSON para processamento posterior, executando o pré-processo. py no terminal usando os comandos visíveis na tela. Quando solicitado, insira os parâmetros de entrada solicitados, incluindo o caminho para o diretório de dados do assunto, os IDs do assunto para pré-processar os dados e o nome do experimento usado para nomear o arquivo de saída e pressione Enter.Isso criará um arquivo JSON no diretório de saída que combina respostas entre repetições para cada teste. Para determinar as probabilidades de escolha em pares a partir de julgamentos de ordem de classificação, vá para semelhanças, em seguida, análise e execução describe_data. py na linha de comando.Quando solicitado, insira o caminho para submeter dados e a lista de sujeitos para executar a análise. Isso criará três tipos de parcelas. Gerar modelos euclidianos de baixa dimensão dos espaços perceptivos usando as probabilidades de escolha executando model_fitting.py usando a linha de comando exibida na tela. Quando solicitado, forneça as entradas para o diretório para o assunto-dados/pré-processados, o número de estímulos, que serão 37 por padrão, o número de iterações, o diretório de saída e a quantidade de ruído gaussiano, que será de 0,18 por padrão. Visualize a probabilidade de registro dos modelos obtidos e avalie seu ajuste executando semelhanças, análises model_fitting_figure.py.Quando solicitado, insira o caminho necessário para os arquivos CSV contendo probabilidades de log. Visualize os espaços perceptivos para cada sujeito e gere parcelas de dispersão mostrando os pontos do modelo 5D projetados nos dois primeiros componentes-princípio executando os comandos exibidos. Quando solicitado, insira os parâmetros de entrada e o caminho para o arquivo NPY contendo os pontos 5D.Depois que o script for executado, saia do ambiente virtual. No arquivo gerado para o experimento da palavra, a primeira linha corresponde a um ensaio no qual oito estímulos aparecem em torno do macaco de estímulo de referência. Os julgamentos de classificação foram decompostos em escolhas par-wise.A distribuição das probabilidades de escolha foi altamente consistente entre os sujeitos. O agrupamento de dados perto da diagonal em cada painel indica uma grande consistência nas probabilidades de escolha entre os sujeitos e para os julgamentos que não estão nos extremos. A diagonal dominante indica que as probabilidades de escolha nos dois contextos, incluindo as probabilidades de escolha intermediária entre zero e um, são próximas de idênticas para cada sujeito.As probabilidades de log são mostradas em relação à probabilidade de log do melhor modelo, que é um modelo que atribui a probabilidade de escolha observada a cada comparação sem restringir essas probabilidades por qualquer consideração geométrica. A análise dos componentes de princípio foi realizada nos pontos do modelo 5D do espaço perceptivo onde os animais percebidos como semelhantes foram denotados por pontos próximos uns aos outros. É crucial decidir sobre todos os parâmetros ao projetar um experimento e defini-los nos arquivos de config antes de iniciar o segundo passo.Manter o controle cuidadoso dos dados de cada sujeito também é muito importante. O método fornece um grande número de julgamentos de similaridade, de modo que uma série de análises poderiam ser aplicadas, como análise de cluster, foco no contexto ou modelagem com diferentes espaços geométricos.

a-psychophysics-paradigm-for-collection-analysis-similarity

Research

JoVE Journal

Neuroscience

Neurociência

Processamento perceptual e Categoria de Dimension do Vale hipótese Uncanny &#39;de semelhança humana: Algumas Questões Metodológicas

Demonstramos como uma medida objectiva pode ser empregue no paradigma ilusão da mão de borracha largamente utilizado. Esta medida é obtida por modificação da tarefa bem estabelecida congruência crossmodal. Esta tarefa permite a investigação de processos multissensoriais que são críticos para modulações de representações do corpo, como na ilusão da mão de borracha.

A Task Congruência Crossmodal como um meio para se obter uma medida comportamental Objetivo no Rubber Mão Illusion Paradigm

Esta aplicado paradigma experimental replica circunstâncias pelas quais uma testemunha ocular de um crime real pode criar um retrato falado holística do culpado de memória, e depois tentam identificar o culpado de um vídeo line-up contendo o culpado ou um em que ele ou ela é não presente.

Holística Criação retrato falado e subsequente Line-up Vídeo Eyewitness Identificação Paradigm

Julgamentos de ordem temporal podem ser usados para estimar parâmetros de velocidade de processamento e pesos atencionais e, assim, inferir os mecanismos de processamento atencional. Essa metodologia pode ser aplicada a uma ampla gama de estímulos visuais e funciona com muitas manipulações de atenção.

Medindo atenção e velocidade de processamento Visual pela análise baseada no modelo de decisões de ordem temporal

métodos psicofísicos, como o procedimento de estimação QUEST pode eficientemente produzir estimativas robustas da intensidade de estimulação em que as sensações não dolorosas transição para as sensações dolorosas. Ao estimular repetidamente na intensidade do limiar, a variabilidade nas respostas de rating pode ser directamente atribuída às classificações de percepção em análises subsequentes.

Psicofisicamente-ancorado, Limiarização robusta no estudo da dor relacionada com a lateralização do oscilatório Prestimulus Atividade

Psicofísica é essencial para o estudo de fenômenos de percepção através de informações sensoriais. Aqui nós apresentamos um protocolo para executar uma tarefa de forçado-escolha de dois-intervalo conforme implementado um relatório anterior sobre psicofísica humana onde os participantes estima a duração dos intervalos de visuais, auditivas ou audiovisuais de aperiódica trens de pulsos.

Tarefa de forçado-escolha uma intervalo de dois para comparações multisensorial

Apresentamos um protocolo que permite a investigação dos mecanismos neurais mediando o impacto negativo da emoção na cognição, utilizando ressonância magnética funcional. Este protocolo pode ser usado com participantes saudáveis ​​e clínicos.

Investigação por imagem do cérebro o efeito prejudicial da emoção sobre a Cognição

Este método descreve a geração de organotípicas culturas cerebelar eo efeito de determinados estímulos apoptóticos sobre a viabilidade de diferentes tipos de células do cerebelo.

Organotípicas Culturas Cerebelar: Desafios Apoptotic e Detecção

Neste relatório nós descrevemos um método para esmagamento do nervo ciático do rato. Este método usa prontamente disponíveis pinça hemostática e facilmente reproduzível e produz esmagamento do nervo ciático completa. Além disso, nós descrevemos um método para preparar montagens de músculos inteiros adequados para análise da regeneração do nervo após esmagamento do nervo ciático.

Reprodutível mouse esmagamento do nervo ciático e subsequente avaliação de Regeneração por Análise Whole Mount muscular

Nós descrevemos uma nova abordagem para a análise simultânea da função cerebral e estrutura usando ressonância magnética (MRI). Avaliamos a estrutura do cérebro com imagens ponderada em difusão de alta resolução e de matéria-branco tratografia fibra. Ao contrário do padrão estrutural de ressonância magnética, estas técnicas permitem-nos relacionar diretamente conectividade anatômica a propriedades funcionais de redes cerebrais.

Co-análise de estrutura e função cerebral usando ressonância magnética funcional e imagem ponderada em difusão

Aprenda a coletar e analisar julgamentos de similaridade usando um paradigma psicofísico flexível com PsychoPy e modelagem em espaços euclidianos multidimensionais. Este método revela representações perceptuais sem assumir propriedades geométricas prévias.

Um Paradigma Psicofísico para a Coleta e Análise de Julgamentos de Similaridade

Explorar mais vídeos