Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

Kontrollü laboratuar koşullarında gerçek dünya objeleri sunma yöntemleri

Published: June 21, 2019 doi: 10.3791/59762
Automatic Translation
1, 1
1Department of Psychology, University of Nevada, Reno

Summary

Biz sıkı kontrollü deneysel koşullarda aynı nesnelerin gerçek dünya nesneleri ve eşleşen görüntüleri sunmak için yöntemler açıklanmaktadır. Yöntemler bir karar verme görevi bağlamında açıklanmıştır, ancak aynı gerçek dünya yaklaşımı, algı, dikkat ve bellek gibi diğer bilişsel etki alanlarına uzatılabilir.

Abstract

İnsan nesne vizyonu bilgimiz, neredeyse sadece uyaranların bilgisayarlı iki boyutlu (2-D) görüntüler şeklinde sunulduğu çalışmalarda dayanır. Günlük yaşamda, ancak, insanlar ağırlıklı olarak gerçek dünya katı nesneler ile etkileşim, görüntüleri değil. Şu anda, biz çok az nesne görüntüleri gibi gerçek dünya örneklerle benzer davranışsal veya nöral süreçleri tetiklemek hakkında biliyorum. Burada, gerçek dünyayı laboratuvarda getirmek için yöntemler sunuyoruz. Sıkı kontrollü görüntüleme koşullarında zengin, ekolojik olarak geçerli gerçek dünya uyarıcıları sunmak için ayrıntılı yöntemler sunuyoruz. Gerçek nesnelerin ve görüntülerinin görünümünü yakından nasıl eşleştireceğiz, hem de gerçek nesneleri ve bilgisayarlı görüntüleri başarılı bir şekilde Interleaved çalışmalarda sunmak için kullanılabilecek yeni cihaz ve protokolleri tarif ediyoruz. Biz aynı öğelerin 2-b görüntüleri karşı gerçek snack gıdalar için istekli-to-ödeme (WTP) karşılaştırmak bir olgu örneği olarak bir karar verme paradigması kullanıyoruz. Biz WTP artar gösterir gıda öğeleri için% 6,6 tarafından gerçek nesneler aynı gıdaların yüksek çözünürlüklü 2-D renkli görüntüler karşı olarak görüntülenen-gerçek gıdalar daha onların görüntüleri daha değerli olarak algılanan olduğunu düşündürmektedir. Kontrollü koşullar altında gerçek nesne uyaranlara sunmak rağmen denemeler için çeşitli pratik zorluklar sunar, bu yaklaşım temelde doğal altında yatan bilişsel ve nöral süreçleri anlayışımızı genişletmek olacak Vizyon.

Introduction

İnsan algı ve biliş primer araştırma translasyonel değeri hangi ölçüde bulguların gerçek dünya uyaranlara ve bağlamlara transfer üzerine menteşeler. Uzun süreli bir soru beynin gerçek dünya duyusal girişleri nasıl işlediğini ilgilendiriyor. Şu anda, görsel biliş bilgisi, genellikle bilgisayarlı görüntüler şeklinde sunulan iki boyutlu (2-D) resimler şeklinde uyaranlara dayanmış olan çalışmalar neredeyse sadece dayanmaktadır. Görüntü etkileşimi modern dünyada giderek daha yaygın hale olmasına rağmen, insanlar görsel sistem, görüntü1değil, gerçek nesnelerle algı ve etkileşimi sağlamak için evrimleşmiş olan aktif gözlemciler vardır. Bugüne kadar, insan vizyonu çalışmalarda kapsamlı varsayım görüntüleri eşdeğerdir ve uygun yakınlık için, gerçek nesne görüntüler olmuştur. Şu anda, ancak, biz şaşırtıcı az görüntüleri etkili gerçek nesneleri gibi aynı temel bilişsel süreçleri tetiklemek hakkında biliyorum. Bu nedenle, görüntüleri için hangi yanıtları gibi veya farklı, onların gerçek dünya meslektaşları tarafından elicited hangi ölçüde belirlemek önemlidir.

Gerçek nesneler ve bu uyaranların beyinde nasıl işlendiği farklılıkları neden olabilir görüntüler arasında birkaç önemli farklar vardır. İki gözü olan gerçek nesnelere baktığınızda, her göz biraz farklı bir yatay noktadan bilgi alır. Binoküler eşitsizlik olarak bilinen farklı görüntüler arasında bu tutarsızlık, derinlik bir üniter duygusu üretmek için beyin tarafından çözülür2,3. Stereoskopik vizyondan elde edilen derinlik ipuçlarını, hareket Parallax gibi diğer kaynaklarla birlikte, nesnenin benmerkezci mesafesi, konumu ve fiziksel boyutu hakkında gözlemciye kesin bilgi iletmek, hem de üç boyutlu (3-D) geometrik Şekil yapısı4,5. Nesnelerin düzlemsel görüntüleri uyarıcının fiziksel boyutu hakkında bilgi iletmez, çünkü yalnızca monitöre olan mesafe, nesneye olan mesafeyi değil, gözlemci tarafından bilinmektedir. Stereogramlar gibi nesnelerin 3-b görüntüleri, gerçek nesnelerin görsel görünümünü daha yakından takip ederken, 3-b uzayda yok, ne de onlar el6ile açgözlü gibi hakiki motor eylemleri göze yok.

Deneysel bağlamlarda gerçek nesne uyarıcıları kullanmanın pratik zorlukları
Uyarıcı sunum tamamen bilgisayar kontrollü olduğu görüntü vizyonu çalışmaları aksine, gerçek nesnelerle çalışmak deney için pratik zorluklar bir dizi sunar. Nesne sunumlarının konumu, sırası ve zamanlaması deneme boyunca el ile denetlenmelidir. Gerçek nesnelerle (görüntülerin aksine) çalışmak,7,8,9 toplamak ya da10 nesne yapmak, deneyden önce uyaranlara ayarlamak ve mevcut çalışma sırasında el ile nesneleri. Dahası, doğrudan, görüntülerle gerçek nesnelere yanıt karşılaştırmak için tasarlanmış deneyler, bu farklı ekran formatları8,9uyaranların görünümünü yakından maç için önemlidir. Stimulus parametreleri, çevresel koşullar, hem de randomizasyon ve gerçek nesne ve görüntü uyaranların karşı Dengeleme, tüm dikkatle nedensel faktörler izole ve gözlenen etkileri için alternatif açıklamalar dışarı kural kontrol edilmelidir.

Gerçek nesneleri (ve eşleşen görüntüleri) sunmak için aşağıda ayrıntılı Yöntemler karar verme paradigması bağlamında açıklanmıştır. Genel yaklaşım, ancak, uyarıcı biçimi algı, bellek veya dikkat gibi görsel biliş diğer yönlerini etkiler olup olmadığını incelemek için uzatılabilir.

Gerçek nesneler farklı görüntülere mi işlenir? Karar alma ile ilgili bir olgu örneği
Laboratuvar deneylerinde incelenenlere karşı gerçek dünya senaryolarda karşılaştığımız nesnelerin türleri arasındaki uyuşmazlık, özellikle insan karar alma çalışmalarında belirgindir. Diyet seçimlerinin çoğu çalışmada, katılımcıların bir bilgisayar monitörde renkli 2-D görüntüler olarak sunulan snack gıdalar hakkında kararlar istenir 11,12,13,14. Buna karşılık, hangi gıdalar yemek hakkında günlük kararlar genellikle süpermarket veya kafeterya gibi gerçek gıdalar, varlığında yapılır. Modern yaşamda rağmen biz düzenli olarak snack gıdalar (yani, reklam panoları, televizyon ekranları ve çevrimiçi platformlarda) görüntüleri görüntülemek, yeteneği algılamak ve uygun gerçek enerji-yoğun gıdalar varlığına yanıt olabilir evrimsel bir adaptasyon olabilir perspektif büyüme, rekabetçi avantaj ve üreme kolaylaştırır çünkü15,16,17.

Karar verme ve diyet seçimlerinin bilimsel çalışmalarla ilgili araştırma sonuçları, yükselen obezite oranlarının kısıtlanmasına yönelik kamu sağlığı girişimlerine rehberlik etmek için kullanılmıştır. Ne yazık ki, ancak, bu girişimler az ölçülebilir başarı için küçük bir araya geldi görünüyor18,19,20,21. Obezite bir hastalığın küresel yükü için büyük bir katkı kalır22 ve ilişkili sağlık sorunları bir dizi ile bağlantılı, koroner kalp hastalığı dahil, demans, tip II diyabet, bazı kanserler, ve morbidite artan genel risk22 ,23,24,25,26,27. Obezite ve son yıllarda ilişkili sağlık koşullarında keskin yükselişi28 ucuz, enerji-yoğun gıdalar18,29mevcudiyeti ile bağlantılı olmuştur. Bu nedenle, günlük diyet kararlarını düzenleyen temel bilişsel ve nöral sistemlerin anlaşılması konusunda yoğun bir bilimsel ilgi vardır.

Farklı biçimlerde gıdalar beyinde işlenir şekilde farklılıklar varsa, o zaman bu obezite mücadele için kamu sağlığı yaklaşımlar başarısız olmuştur neden içine öngörüler sağlayabilir. Görüntüleri ve gerçek dünya nesneleri arasındaki farklılıkları rağmen, yukarıda açıklanan, şaşırtıcı derecede az snack gıdalar görüntüleri gerçek dünya meslektaşları benzer şekilde işlenir olup olmadığını bilinmektedir. Özellikle, küçük olup olmadığını gerçek gıdalar daha değerli ya da aynı öğelerin eşleşen görüntülere göre satiating algılanır hakkında bilinmektedir. Klasik erken davranışsal çalışmalar genç çocukların snack gıdalar302-b renkli görüntüler bağlamında haz geciktirmek başardı bulundu, ama onlar gerçek snack gıdalar31ile karşı karşıyayız. Ancak, birkaç çalışmalar yetişkinler incelenmiştir olup olmadığını bir snack gıda görüntülenen biçimi etkiler karar verme veya değerleme12,32,33 ve bugüne kadar sadece bir çalışma, bizim laboratuar, bu test etti Uyarı parametreleri ve çevresel etkenler formatları7arasında eşleştirilir zaman soru. Burada, sağlıklı insan Gözlemcilere karar verme konusunda uyaranların görüntülendiği biçimden etkilenip etkilmediğini araştırmak için yenilikçi teknikler ve aygıtlar açıklanmaktadır.

Bizim çalışma7 bushong ve meslektaşları12 tarafından yürütülen bir önceki deney tarafından motive oldu hangi kolej yaşlı öğrencilerin bir Becker-DeGroot-MARSCHAK (BDM) teklif görevi kullanarak günlük atıştırmalık gıdalar bir dizi para teklifleri yerleştirmek istendi 34. bir arasındaki-konular tasarım, Bushong ve meslektaşları12 kullanarak snack gıdalar üç biçimlerden birinde sundu: metin tanımlayıcıları (yani, ' Snickers Bar '), 2-D renkli görüntüler, ya da gerçek gıdalar. Aperatifler için Ortalama teklifler (dolar) üç katılımcı grupları arasında kontrastlı edildi. Şaşırtıcı bir şekilde, gerçek gıdaları inceleyen öğrenciler, resimler veya metin tanımlayıcıları gibi aynı uyaranlara göre daha fazla madde için% 61 daha fazla ödeme yapmaya istekli oldu-yazarların ' gerçek pozlama etkisi '12olarak adlandırdığı bir fenomen. Ancak kritik olarak, metin ve görüntü koşullarındaki katılımcılar, teklif görevini bir grup ayarında tamamladı ve yanıtlarını bireysel bilgisayar terminalleri üzerinden girmişti; tersine, gerçek gıda koşula atanan bu görevi denenme ile bire bir gerçekleştirdim. Gerçek ve görüntü koşullarında uyaranların görünümü de farklıydı. Gerçek gıda durumunda, gıdalar bir gümüş tepsi üzerinde gözlemci sunuldu, görüntü durumunda uyaranların siyah bir arka planda ölçekli kırpılmış görüntüler olarak sunuldu. Böylece, katılımcı farklılıkları, çevresel koşullar veya Stimulus ile ilgili farklılıklar, gerçek gıdalar için şişirilmiş teklifler yol açtı olabilir mümkündür. Bushong, ve al.12' den sonra, gerçek gıdaların 2-D ' i n gıda görüntülerinden daha değerli olup olmadığını inceledik, ancak kritik olarak, çevresel ve uyarıcı ile ilgili faktörlerin dikkatle kontrol edildiği bir ürün içi tasarım kullandık. Her bir ekran formatında uyaranların, duruşmadan duruşmaya rasgele katılabildiği özel tasarımlı bir pikap geliştirdik. Uyarıcı sunumu ve zamanlaması, gerçek nesne ve görüntü denemeleri arasında aynıdır, böylece katılımcıların farklı ekran koşullarında görevi gerçekleştirmek için farklı stratejiler kullanmaları olasılığını azaltır. Son olarak, gerçek gıda ve görüntülerin belirgin boyut, mesafe, bakış açısı ve arka plan için yakından eşleştirilebileceği şekilde, gerçek nesne ve görüntü koşullarında uyaranların görünümünü dikkatle kontrol ettik. Denemeler arasında uyarıcı formatlarını randomizing için izin verebilecek diğer prosedürler veya mekanizmalar olması muhtemeldir, ama bizim yöntemi birçok nesne (ve görüntüleri) nispeten hızlı Interleaved arkaya sunulacak sağlar. İstatistiksel açıdan bakıldığında, bu tasarım, konular arası tasarımlar kullanarak mümkün olandan daha önemli efektleri algılamak için güç maksimize eder. Benzer şekilde, etkileri gözlemciler arasında istekli-to-ödeme (WTP) bir-priori farklılıkları atfedilemez. Bu, tabii ki, içinde-konular tasarımları talep özellikleri için olasılığı açık durumda. Ancak, çalışma katılımcılarımıza göre, deneme sonunda, teklif verme görevinde ortaya çıkan görüntü formatı ne olursa olsun, bir gıda maddesi ' kazanabileceğini ' anladı. Katılımcılar ayrıca, keyfi olarak teklifleri azaltma (örneğin, görüntüler için) kazanma şansını azaltacağını ve istenilen maddeyi kazanmak için en iyi stratejinin bir gerçek değeri34,35,36 teklif etmesini bilgilendirdi . Bu denemenin amacı, BDM teklif görevi34,35kullanarak 2-D görüntülere karşı gerçek gıdalar için WTP 'yi karşılaştırmak.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Deneysel protokoller Nevada Üniversitesi, Reno sosyal, davranışsal ve eğitim kurumsal Inceleme Kurulu tarafından onaylanmıştır.

1. stimuli ve aparat

Figure 1
Şekil 1 : Gerçek nesne (turntable üzerinde görüntülenir) ve aynı maddenin 2-b görüntü (bir bilgisayar monitörde görüntülenir) eşleştirilir. Bu denemede uyaranlara 60 popüler snack gıda öğeleri oluşur. Gerçek gıdalar (sol panel) pikap fotoğraflandı ve ortaya çıkan 2-D görüntüleri (sağ panel) belirgin boyutu, mesafe, bakış açısı ve arka plan için yakından eşleştirilmiştir. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

  1. Uyaran
    1. Gerçek nesneler
      1. Satın 60 popüler snack gıda öğeleri (örn., Şekil 1) yerel marketlerden. İdeal olarak, gıdaların çok çeşitli Kalorik yoğunlukları (örn. 0,18 ila 6,07)7' ye yayılmasıyla emin olun. Her yiyecek için ambalajı açın ve hem paketi hem de bazı yiyecekleri bir plakaya yerleştirin. Uyarıcı kontrast maksimize etmek için beyaz kağıt plakaları kullanın.
    2. 2-b fotoğraflar
      1. Pikabı bir hücreye bir tabak yiyecek koyun ( Şekil 2' ye bakınız) ve 2-b görüntüdeki uyarıcının arka planının gerçek gıda mevkidaşı ile eşleşeceği şekilde pikabı üzerinde uyaran fotoğraf (bkz. Şekil 1).
      2. Bir kamerayı ( malzeme tablosunabakın) turntable önünde bir tripod üzerinde konumlandırın. Uyarıcı düz ileriye doğru görüntülendiğinde, kameranın uzaklığı, yüksekliği ve açısını, katılımcının gözlerine uyacak şekilde ayarlayın. Kameranın 50 cm 'ye (veya daha az) fotoğraf makinesinin kenarına doğru konumlandırın ve fotoğrafların katılımcının ulaşabileceği mesafeden görülmesini sağlayın.
      3. Test odasında aydınlatma kaynağını ayarlayın ve sabit tutun. Pikabın üzerindeki uyaranlara doğrudan aydınlatma sağlamak için tavan ışıkları veya lamba gibi doğrudan bir aydınlatma kaynağı kullanın. Deney sırasında gerçek gıdaların sunumu sırasında aynı aydınlatma düzeylerinin ve kaynakların kullanıldığından emin olun. Sabit F-stop ve deklanşör hızına sahip bir kamera kullanarak, gerçek gıdaları pikap 'da (aynı aydınlatma kaynaklarını kullanarak) fotoğraf çekin. Görüntü formatları arasında genel parlaklık, gölgelendirme desenleri ve speküler vurgular mümkün olduğunca yakından maç. Her Stimulus için bu işlemi tekrarlayın.
      4. Gerekirse, görüntü işleme yazılımını kullanarak 2-b görüntüleri renk, parlaklık ve görsel boyut için ayarlayın (bkz. malzeme tablosu). Ton/doygunluk ve Parlaklık/kontrast sekmelerine tıklayın ve kaydırma tablasına monte edildiğinde görüntü, gerçek dünya meslektaşı için mümkün olduğunca benzer görünene kadar sürgüleri taşıyın.
      5. Gerçek nesneyi bilgisayar monitörünün yanına konumlandırarak görüntünün içindeki nesnenin boyutunu ince ayar yapın ve uyaranlar tam boyuta göre eşleştirilinceye kadar piksel boyutunu artırın/azaltın. Düzenleme sırasında görüntü işleme yazılımı Sayfa görünümünün (yakınlaştırma)% 100 olarak ayarlandığından emin olun.
      6. Görüntüleri düzenlemek için kullanılan monitörün, çalışma sırasında Katılımcı İzleyicisi olarak kullanılacak aynı (veya aynı boyutta) monitörden olduğundan emin olun. Çözünürlüğü, en boy oranını ve piksel başına pikselleri sabit olarak tutun. Ayrıca, monitörün tam boyutunda en büyük uyarıcı görüntülemek için yeterince büyük olduğunu onaylayın.

Figure 2
Şekil 2 : Döner tabla bileşenlerini ve montajını gösteren şematik. (A) pikap cihazının ana bileşenleri ve göreli konumlandırma. (B) 20 ayrı hücreye sahip döner tabla aparatı. Gerçek bir nesne her hücrenin içine yerleştirilebilir. Dikey bölücüler, katılımcıların komşu hücrelerdeki öğeleri görüntülemesini önler. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

  1. Döner tabla aparatı
    1. 20 yuva (1 cm W; bkz. Şekil 2) ile 2 m çap ve yuvarlak Merkezi çekirdek (56 cm çap ve 24 cm H) olan pikap için dairesel (ahşap) bir taban oluşturun. Çekirdeği dönen bir silindirin üstüne yerleştirin ve kolay bir rotasyona izin verir (bkz. Şekil 2a).
    2. 20 bölücüler (H 24 cm x L 62 cm x W 0,5 cm) oluşturun. 20 hücre (24 cm x 62 cm x 26 cm) oluşturmak için her bölücü pikap 'ın merkezi çekirdeğine kaydırın.
    3. Dairesel tabanı bir tablonun üstüne yerleştirin (~ 72 cm H, bkz. Şekil 3a). Masanın, oturan bir katılımcının turntable 'daki öğeleri rahatça görüntülemesine olanak sağlayacak bir yükseklikte olduğundan emin olun.
    4. Pikap ve katılımcı arasında dikey bir bölme (81 cm x 127,5 cm) oluşturun (bkz. Şekil 3B). Bölme arkasında bir LCD bilgisayar monitörü için oda izin pikap 26 cm yerleştirin. Bölüm ile pikap arasındaki alanın, uyaranlara katılımcının ulaşamayacağı yere koymadığından emin olun.
      1. Bölümde bir diyafram oluşturun. Diyafram genişliğinin ayarlanabilir olduğundan emin olun, böylece son kurulumda, katılımcı bir defada sadece bir öğe görebilebilir (bkz. Şekil 3B). Daha da önemlisi, diyaframın geniş/yüksek olduğundan emin olun, katılımcıların piksenin üzerindeki uyaranlara fiziksel erişimini engellemez.
    5. Katılımcı monitörü (bkz. Şekil 3D) için kayan bir platform (L 18,5 cm x W 11,5 cm 'lik, alt tarafına bağlı tekerleklerle ahşap parça) oluşturun.
      1. Sürgülü platformu ve katılımcı monitörü, ekran formatı koşulları arasında hızlı geçişler sağlamak için pikap ile bölme arasında yerleştirin (bkz. Şekil 3D). Görüntü denemeleri sırasında Katılımcı monitörü görüntüleme açıklığı içinde konumlandırın; gerçek nesne denemeleri üzerindeki bölümün arkasındaki monitörü geri çekin (bkz. Şekil 3).
    6. Deneme monitörü için küçük bir masa kullanın veya raf oluşturun (bkz. Şekil 3a,C). Gelecek deneme sürümü için gerçek bir öğe veya görüntü ve nesnenin kimliği ne zaman ayarlanacak gibi istekleri sunmak için deneme İzleyicisi 'ni kullanın.
    7. Fare için bir klavye tepsisini, bölümdeki diyafram altında doğrudan pikap tabanına takın (bkz. Şekil 3B). Katılımcının deney sırasında stimülleri ve deneyleri görüntülemesini önlemek için, pikap ve duvarın yanları arasında bir perde (veya benzer okcluder) takın.
    8. Satın alma (veya yapmak) bilgisayar kontrollü sıvı kristal oklüzyon gözlük37 (bkz. Şekil 3B,C ve malzeme tablosu).
      Not: Oklüzyon gözlükleri uyarıcı görüntüleme süresini milisaniyelik kontrol sağlar. Gözlük, deneme süresi aralığında (' kapalı durum ') opak ve uyarıcı sunumu sırasında saydam (' açık durum ') olur. Gözlük kontrol etmek için bilgisayar komutları (ve burada açıklanan protokol çalıştırmak için gerekli tüm diğer komut dosyaları ve dosyalar) http://www.laboratorysys.com/Data/JoVE_Real%20Object_Code.zip adresinde mevcuttur).
      1. Denemenin başlamadan önce gözlüklerin açık ve doğru şekilde kapanmadığını test edin (örneğin, http://www.laboratorysys.com/Data/JoVE_Real%20Object_Code.zip adresinde bulunan ' GlassesTest ' komut dosyasını kullanın).

Figure 3
Şekil 3 : Nasıl ayarlanıyor ve test için pikap aparatı kullanın.  (A) test için hazır pikap cihazının kurulumu. Pikap montajlandıktan sonra, oturan bir katılımcı için rahat bir yükseklikte bir masaya yerleştirilmelidir. Dikey bir bölüm oluşturulması ve katılımcı ve turntable arasında yerleştirilir. Bölüm içinde, bir görüntüleme diyafram olmalıdır. 2-b görüntülerini görüntülemek için bir ' katılımcı İzleyicisi ' kullanılır. LCD monitör, dikey bölümün ve görüntüleme diyaframın arkasında ve turntable önünde konumlandırılmalıdır. Monitör, katılımcının görünümündeki ve dışında denemeler arasında hareket etmesini sağlayan bir sürgülü platforma monte edilmiştir. Katılımcının görünümü dışında yerleştirilen bir ' deneme izleme ', hangi uyarıcı yaklaşan denemeler üzerinde sunmak için deney bildirmek için kullanılır. (B) cihazın görünümü ve katılımcıların perspektifinden gerçek bir nesne uyarıcı. Bir seferde yalnızca bir gıda maddesi bir katılımcıya görünür olmalıdır. Bir klavye tepsisi, katılımcının oturduğunu doğrudan masaya iliştirilmelidir. Katılımcılar bir bilgisayar faresi ile yanıtlar yapar. (C) sürgülü platforma monte edilen katılımcı monitörü gösteren yan görünüm. Görüntü denemeleri için denemeler, katılımcı monitörü görüntüleme diyaframını slaytlar. Katılımcı monitörü, gerçek nesne denemeleri üzerindeki dikey bölümün arkasına geri çekilmiş. (D) pikap cihazının kurulumunu gösteren havadan şematik. Tek bir gerçek nesne turntable 20 hücrelerin her yerleştirilebilir. Katılımcı, bilgisayar kontrollü görsel tıkanıklık gözlüklerini takarken görüntüleme diyaframın önünde oturmalıdır. Denemeler, deneme monitöründeki yaklaşan denemeleri görüntüleyebilir ve turntable 'ı manuel olarak döndürebilir ya da ihtiyaç duyulacak şekilde katılımcı monitörü taşıyabilirler. Bu figürün paneli C, Elsevier 'in izniyle7 . Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

2. Genel prosedür: randomizasyon ve tasarım

  1. Rasgele gerçek ve görüntü denemeleri Interleave MATLAB kullanarak bir komut dosyası oluşturun. Katılımcıların yarısını gerçek bir nesne olarak belirli bir snack gıda (örneğin, bir elma) görmek ve kalan katılımcılar öğeyi 2-b görüntü olarak görmek emin olun. Her katılımcı için, farklı atıştırmalık gıdaların deney içinde sunulduğu sırayı rasgele yapın. Hangi gerçek öğeleri turntable yerleştirmek için komut listesi var, ve hangi sırada, önce deneme (bkz ' runStudy ' Script, http://www.laboratorysys.com/Data/JoVE_Real%20Object_Code.zip at) başlar.
  2. Öğeleri doğru sırayla pikap üzerine yerleştirin (bkz. Şekil 3A).
    Not: Çalışmada uyaranların sayısına bağlı olarak, ayarlama süresi 30 dakikaya kadar sürebilir.
  3. Monitörü diyaframın içine yerleştirin ve diğer tüm öğelerin ve deneyünün katılımcının görünümünden maskelendiğinden emin olun (bkz. 1.2.7).
  4. Katılımcının, pikap 'dan yaklaşık 50 cm 'ye oturmasını ve beyaz gürültü makinesi veya kulaklıkları aracılığıyla beyaz gürültüyü çalması, böylece katılımcı (sürgülü monitörün sesinden) gelecek deneme formatında uyarıcı formatı tahmin edemez.
  5. Katılımcı gözlük koymak ve gözlük kapalı/opak durumda olduğundan emin olun verin. Katılımcının gözlüklerin Şu anda kapalı olduğunu ancak gerektiğinde açılacağımı açıkla.
  6. Gelecekteki deneme sürümü ne tür bir koşul (örneğin, gerçek veya görüntü) olduğunu görmek için deneme İzleyicisi 'ni görüntüleyin (bkz. Şekil 3A).
    1. ' Gerçek nesne ' denemeleri üzerinde, nesne pikap üzerinde katılımcı tarafından görülebilir böylece (bkz. Şekil 1A ve 3), sürgülü platform aracılığıyla, görüntüleme diyafram katılımcı monitörü geri çekin.
      1. Gerçek gıdaların 3 s için pikap 'da görünmesini sağlayan gözlüklerin açılmasını ve kapanmasını tetikleyen bir bilgisayar komutu (örn. bir düğmeye basın) yapın. Gözlük kapantıktan sonra, katılımcı monitörü diyafram önünde konumlandırın ve katılımcı için bir yanıt (örn. bir teklif) yapmak için gözlüklerini açmak için bir tuşa basın. Katılımcının yanıtını girdikten sonra gözlükler otomatik olarak kapansın (bkz. ' runStudy ' Script, http://www.laboratorysys.com/Data/JoVE_Real%20Object_Code.zip adresinde mevcuttur).
  7. Sonraki deneme sürümü için hazırlanmak üzere deneme monitörü görüntüleyin. Bir sonraki denemeyi ilerlemek için bir tuşa basın.
    1. 2-b görüntü denemeleri için LCD monitörü görüntüleme diyaframı içine yerleştirin (bkz. Şekil 1B ve Şekil 3). Gözlükleri açmak için bir tuşa basın. Monitörü görüntüleme diyaframında bırakın ve katılımcı için bir yanıt vermek için gözlükleri açmak üzere bir tuşa basın. Sonraki uyarıcı görüntülemeye hazır olduğundan emin olun. Bir sonraki denemeyi ilerlemek için bir tuşa basın.

3. randomizasyon ve tasarım prosedürü

  1. Gıda maddesi görüntülerini (gerçek gıdalar değil, ' runStudy ', ' LikeSurvey ', ve ' FamSurvey ' Scripts, http://www.laboratorysys.com/Data/JoVE_Real%20Object_Code.zip adresinde mevcuttur) kullanarak bir tercih-ve tanıdık değerlendirme görevi oluşturun. Tercih-ve tanıdık değerlendirme görevleri için iki farklı blok oluşturun ve gözlemciler arasında blokların sırasını dengeleyin (bkz. Şekil 4).
    1. Her katılımcı için, her blok içinde sunulan görüntülerin sırasını rasgele yapın ve katılımcıların her bir gıda görüntüsünü görüntüleyerek derecelendirmelerini gerçekleştirmeleri için bir analog kaydırıcıyı oluşturun (bkz. Şekil 4, ' runstudy ', ' like_slider ' ve ' Fam_slider ' Scripts, http://www.laboratorysys.com/Data/JoVE_Real%20Object_Code.zip adresinde mevcuttur).
  2. Komut dosyasına bir teklif verme görevi ekleyin. 2,1 'de açıklandığı gibi randomize. Komut dosyasına bir gıda Müzayede ekleyin. Bilgisayar, 60 gıda maddelerinin teklif verme görevinden rasgele birini seçmeli. $0-$3 ' den 25 cent artışlarla (bkz. Şekil 4 ve ' bidmodule ' script, http://www.laboratorysys.com/data/JoVE_Real%20Object_Code.zip adresinde bulunan) seçilen öğeye ait rasgele bir teklif bilgisayar yerleştirin.

Figure 4
Şekil 4 : Mevcut çalışmanın deneysel tasarımı. Deney 4 fazdan oluşmuştur: (1) gıda tercihi-ve benzerlik-Rating görevi, (2) teklif verme görevi, (3) gıda müzayedesi, (4) laboratuar içi bekleme süresi. Katılımcılar ilk olarak bir tercih-veya benzerlik derecelendirmesi görevini tamamlar (katılımcılara karşı dengelenmiş). Tercih görevi, katılımcılar 3 s için her snack gıda maddenin bir görüntü inceledi ve sonra bir sürgülü analog teklif çubuğu kullanarak (bir-7 ila 7 Rating ölçeği kullanarak) ne kadar öğe sevdim oranı. Benzerlik derecelendirme görevi için, katılımcılar madde ile ne kadar aşina olduklarını belirttiler (0 ile 3 Rating Ölçeği kullanılarak). Ardından, katılımcılar her bir snack gıda maddesi için ($0-$ 3) ne kadar ödemeye istekli olduklarını derecelendirdikleri bir teklif görevini tamamladı. Uyaranların yarısı gerçek gıdalar olarak sunuldu ve yarısı 2-b görüntüler olarak sunuldu. Her deneme üzerinde görüntüleme süresi bilgisayar kontrollü görsel tıkanıklık gözlükleri kullanılarak kontrol edildi. Duruşmanın başlangıcında, gözlük 3 s için ' açık ' (şeffaf) durumuna geçmekte, üç s-deneme aralığı için ' kapalı ' (opak) durumuna dönmeden önce. Sonra gözlükler katılımcı bir yanıt kaydetmek için izin açtı. Teklif verme görevi tamamlandıktan sonra, bir katılımcı ' bir gıda maddesi kazandı ' ve ne fiyata olup olmadığını belirlemek için bir ' Müzayede ' gerçekleştirildi. Açık artırma laboratuvarda zorunlu 30 dk bekleme süresi izledi. Katılımcı bir gıda maddesi kazanırsa, bekleme döneminde yiyecekleri tüketebilir. Tüm katılımcıların, açık artırma sırasında bir gıda maddesi kazanıp kazandığının bekleme süresi boyunca laboratuvarda kalması istendi. Bu rakam, Elsevier 'den izin ile referans7 ' den basılmıştır. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

4. katılımcı taraması ve planlaması

  1. Onlar yeme zevk ve sıklıkla snack gıdalar tüketmek kendi kendine rapor ve snack gıdalar (bölgeye tipik) çok çeşitli aşina olan katılımcılar acemi. Katılımcılar aktif kilo vermek için diyet değil emin olun, herhangi bir gıda alerjileri var, diyet kısıtlamaları (yani, Vejetaryen, glutensiz) veya gıda ile ilgili hastalıklar, ve hamile değildir.
  2. BDM teklif görev12,35uyarınca, öğleden sonra (örneğin, 1:00 PM ve 7:00 PM arasında), atıştırmalık gıdalar genellikle tüketilen olduğu zaman katılımcılar zamanlama emin olun. Katılımcıya, deneme12' den önce 3 saat boyunca yemeden kaçınmasını hatırlatın.
    Not: Bu katılımcı aç ve gıdalar için doğru teklif edecektir sağlamaktır.

5. anket prosedürü

  1. Her katılımcı için, kişisel demografik bilgileri (örn. yaş, cinsiyet) toplamak, normal veya düzeltilmiş-normal vizyon ve kayıt yüksekliği ve ağırlığı (Bu veriler vücut kitle indeksi hesaplamak için yararlıdır) olup olmadığını sormak.

6. tercih-ve benzerlik Rating görev prosedürü

  1. Katılımcıların her 60 atıştırmalıklarının ne kadar aşina olduklarını değerlendirin. Katılımcı bir analog sürgülü çubuk üzerinde bir fare tıklaması ile yanıt var (örneğin, "0" = çok tanıdık değil; "3" = çok tanıdık). Yanıtların kendiliğinden ilerleydiğinden emin olun (bkz. Şekil 4).
  2. Katılımcıların her 60 aperitiflerin her biri gibi bir analog sürgülü çubuk üzerinde bir fare tıklaması ile derecelendirmenizi isteyin (örn., "-7" = şiddetle sevmemek; "0" = indifference; "7" = güçlü gibi). Yanıtların kendi kendine olduğundan emin olun.

7. teklif verme görev prosedürü

  1. Onlar 60 ortak snack gıda öğeleri teklif için kullanılabilecek bir $3 ödeneği verilecektir katılımcı bildirin. Teklif verme görevin kurallarını geçiş14,35.
    1. En iyi stratejinin perakende fiyatlara göre teklif veremeyeceğiz, ancak bunun yerine, bir kişinin gerçek değerini teklif etmek olduğunu vurgulayın: denemenin sonunda maddeyi yemek için ne kadar ödeme yapacakları.
    2. Katılımcının çalışmanın sonunda laboratuvarda zorunlu 30 dk bekleme süresi olduğunu hatırlatın (bkz. Şekil 4). Katılımcının, onlar ' Win ' Eğer deneme sonunda bir gıda madde tüketmek mümkün olacak teklif görevi açıklamak; Onlar ' Lose ' onlar yine de bekleme süresi boyunca, herhangi bir dış yiyecek veya içecek tüketen olmadan laboratuvarda kalması istenir teklif.
  2. Katılımcıyı test odasına oturur (bkz. 2.4-2.5). 60 deneysel öğelerin parçası olmayan üç öğe ile bir uygulama açık artırma gerçekleştirin. Katılımcının önünde üç öğeyi aynı anda yerleştirin. Katılımcının, maddeyi ne kadar çok sevdiğini derecelendirme (-7-7) isteyin.
  3. Öğeleri bir kez daha katılımcı önünde bir kerede yerleştirin. Katılımcıdan her öğeye teklif ($0-$3) isteyin. Katılımcının talimatları anladığından emin olun-sorular hakkında kontrol etme anlama.
  4. Yer $3, katılımcıların eline yakın fare yanında ve ona/ona ödenek tutmak için ve onlar kadar $3 ürün başına teklif verebilir onu hatırlatmak.
  5. Bkz. bölümler 2.6.1-2.7.1. gerçek nesne ve görüntü denemeleri yürütmek için. Şekil 4 teklif verme görev yordamını gösterir.

8. gıda Müzayedesi/30 dk bekleme süresi prosedürü

  1. Katılımcı ' bir snack gıda madde kazandı olup olmadığını kontrol edin ve hangi fiyata (bkz: ' runStudy ' Script, http://www.laboratorysys.com/Data/JoVE_Real%20Object_Code.zip adresinde kullanılabilir).
    Not: Bilgisayar, $0 ile $3 arasında rasgele bir numaradan oluşan bir teklif verecektir, 25 sent artışlarla. Bilgisayarın teklifi katılımcının teklifine göre daha az veya eşit olursa, tüketim için madde katılımcı ' wins '. Katılımcı, $3 ödeneği ile bilgisayar teklifinin fiyatını denemelerini öder. Önceki çalışmalar bir dizi BDM teklif görevi34,36,38için mantık derinlemesine dikkate sağladı.

9. kalori tahmini prosedürü

  1. Ana denemede görüntülenen her bir gıda maddesi için, bir metin göstergesi (örn., ' Snickers Bar ') sunar ve katılımcının, servis boyutunda ne kadar kalori olduğunu düşündüğlerinin (kalemle yazılacağını) tahmin etmesini isteyin.

10. veri analizi

  1. İstatistiksel analiz yazılımını kullanın (bkz. malzeme tablosu) doğrusal karışık efektler modelleme analizi gerçekleştirmek için. Katılımcılar içindeki iç içe yanıt (yani, aynı katılımcıdan gözlemlerin bağımlılığı) için hesap için doğrusal karma efektler modeli kullanın. Aşağıdaki değişkenlerle bir veri kümesi oluşturun: katılımcılar, madde, görüntü formatı, tercih, Kalorik yoğunluk, tahmini kalori ve teklif. Seçerek bir model oluşturmak analiz, sonra karma modeller, sonra doğrusal.
    1. Değişken katılımcıları konular 'a aktarın: kutusuna devam tuşuna basın. Transfer teklifi bağımlı değişken: kutusuna. Ardından, konu ve görüntü biçimini faktör (ler): kutusuna aktarın. Ardından, tercihi covariate (s): kutusuna aktarın.
    2. Sabit'i tıklatın, ardından katılımcılar dışında tüm değişkenleri seçin ve model kutusuna ekleyin ve ardından devam'ı tıklatın. Rasgele'yi tıklatın, ardından gözlemciler içindeki ve içindeki yanıtların değişkenliğini hesaba katmak Için birleşimler kutusuna katılımcılar öğesini seçip ekleyin. Devam'ı tıklatın.
    3. İstatistikler'i tıklatın, ardından açıklayıcı Istatistikler, parametre tahminleri ve Kovaryans parametreleri için testler kutusunu işaretleyin. Devam'ı tıklatın. Em anlamına gelir 'i tıklatın ve sonra tüm etkenler ve faktör etkileşimlerini seçin ve transfer etmek Için ekran araçları kutusuna aktarın. Devam'ı tıklatın. Son olarak, oktuşuna basın.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Bu denemenin temsili sonuçları aşağıda verilmiştir. Sonuçların daha ayrıntılı bir açıklaması, bir takip çalışması ile birlikte, orijinal yayın7bulunabilir. Biz bir doğrusal karma efektler modeli teklif bağımlı değişken ve görüntü formatı, tercih, Kalorik yoğunluk ve tahmini kalori bağımsız değişkenler kullandık. Beklendiği gibi, ve önceki çalışmalar doğrultusunda12,14, tercih puanları ve teklifler arasında güçlü bir olumlu ilişki vardı (F(1, 1655) = 1803,69, p < .001) böyle bir birim artış tercih oldu $0,15 artış ile ilişkili teklif değeri (β = .15, t(1655) = 42,47, p <. 001; d = 8,03). Kalorik yoğunluğun tekliflerde önemli bir ana etkisi de vardı (F(1, 1649) = 6,87, p <. 01). Kalorik yoğunlukta bir ünite artışı, tekliflerde $. 024 artış ile ilişkilidir (β = .024, t(1649) = 2,62, p <. 01; d = 0,50). Tahmini kalori ana etkisi de önemli oldu (F(1, 1672) = 6,88, p < 01)11. Tahmini kalori cinsinden bir birim artışı, WTP 'de $. 009 ' da bir artış ile ilişkilidir (β = .009, t(1671) = 2,62, p <. 01; d =. 50). Diğer bir deyişle, gözlemciler daha fazla Kalorik içeriğin daha düşük Kalorik içeriğin gıdalara göre daha değerli olması algılanan gıdalar derecelendirilmiştir. Kritik olarak, diğer tüm faktörler için kontrol ettikten sonra, gerçek gıdalar karşı gıda görüntüleri için tekliflerde% 6,62 artış olduğu görüntü formatı (F(1, 1645) = 7,99, p < 01, d =. 53) önemli bir ana etkisi bulundu. WTP 'de gerçek gıdalar (vs. görüntüler) için amplifikasyon, 28 katılımcıdan 20 ' si etkisi göstererek katılımcılar arasında nispeten tutarlı oldu. Şekil 5 , açıklayıcı amaçlar için, her bir snack gıda maddesi Için ortalama teklif değerlerini, gerçek nesneler (kırmızı) ve görüntüler (mavi) olarak gösterilen gıdalar için ayrı olarak tercih işlevi olarak görüntüler. Benzer şekilde, Şekil 6 her bir snack gıda Için ortalama teklif değerlerini, her ekran formatında gıdalar için ayrı olarak, Kalorik yoğunluğun bir işlevi olarak görüntüler. Gerçek gıdalar vs görüntüleri için WTP amplifikasyon hem Şekil 5 ve Şekil 6belirgindir. Daha da önemlisi, görüntü biçiminin tekliflere etkisi, gıda tercihi (f(1, 1644) = .025, p =. 88), Kalorik yoğunluk (f(1, 1643) = 2,54, p = .11) ve tahmini kalori (f(1, 1643) =. 11 arasında sabit idi. p =. 74) ve diğer faktörler arasında önemli yüksek sıralı etkileşimler yoktu (tüm p-değerleri ≥. 11).

Biz teklifler üzerinde tahmini kalori etkisi gözlenen rağmen, etkisi nispeten zayıftı. Bu sonuç, katılımcıların uyarı sunumu sırasında gıdalara bakarak yerine, ana denemeden sonra metin istemlere yanıt olarak tahmin görevini gerçekleştirdiği gerçeğini açıklanabilir. Ayrıca, belirli bir gıda maddesinin kalori sayısını tahmin etmek mutlaka sezgisel bir görev değildir; Birçok gözlemci habersiz (veya dikkat etmeyin) tükettikleri gıdaların Kalorik yoğunluğu.

Figure 5
Şekil 5 : Her snack gıda Için ortalama parasal teklifler tercih ve görüntü formatı bir işlev olarak çizilir. Beklendiği gibi, para teklifleri ve gıda tercihi derecelendirmeleri arasında güçlü bir olumlu ilişki vardı, daha şiddetle sevdi gıdalar için daha yüksek teklifler ile. Önemlisi, gerçek gıdalar için teklifler eşleşen gıda görüntüleri daha büyük olduğu ekran formatı önemli bir ana etkisi vardı. Görüntü formatı ve tercihinin etkisi arasında önemli bir etkileşim yoktu. Gıdalar için Ortalama teklif değerleri ($) gerçek gıdalar (kırmızı) ve 2-b görüntüler (mavi) için ayrı olarak görüntülenir. Her veri noktası, her bir gıda maddesi için Grup ortalama teklifini, her görüntü biçimindeki gıdalar için ayrı olarak temsil eder. Düz kırmızı ve mavi çizgiler, sırasıyla gerçek nesne ve görüntü koşulları için en uygun çizgileri temsil eder. Bu rakam, Elsevier 'in izni ile7 ' den itibaren yeniden basılmıştır. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Figure 6
Şekil 6 : Kalori yoğunluğu ve ekran formatı işlevi olarak çizilen her snack gıda Için ortalama parasal teklifler. Daha yüksek Kalorik yoğunluğun gıdaları için yüksek tekliflerle, teklifler ile gerçek kalori yoğunluğu arasında önemli bir olumlu ilişki bulduk. Ekran formatı ve Kalorik yoğunluğun etkisi arasında önemli bir etkileşim yoktu. Gıdalar için Ortalama teklif değerleri ($) gerçek gıdalar (kırmızı) ve 2-b görüntüler (mavi) için ayrı olarak görüntülenir. Her veri noktası, her bir gıda maddesi için Grup ortalama teklifini, her görüntü biçimindeki gıdalar için ayrı olarak temsil eder. Düz kırmızı ve mavi çizgiler, sırasıyla gerçek nesne ve görüntü koşulları için en uygun çizgileri temsil eder. Bu rakam, Elsevier 'in izni ile7 ' den itibaren yeniden basılmıştır. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Geçerli kağıdın kapsamlı hedefi, kontrollü deneysel koşullarda çok sayıda gerçek nesne (ve görüntü) sunmak hakkında ayrıntılı bilgi sağlayarak ' gerçek dünya ' nesnesi vizyonu gelecekteki çalışmalarını kolaylaştırmak için. Biz diyet seçimi ve gıda değerleme etkileyen faktörleri incelemek için ekolojik olarak geçerli bir yaklaşım sunuyoruz. Biz gerçek dünya nesneleri şeklinde sunulan atıştırmalık gıdalar 2-b görüntüler olarak sunulan gıdalara farklı değerli olup olmadığını inceledi insan karar verme7 son çalışmada kullanılan yöntemleri tarif. Bizim deney7, Hungry kolej öğrencileri günlük snack gıdalar bir dizi parasal teklifler yerleştirilir. İçinde-konular tasarımı kullanarak, uyaranların yarısı gerçek gıdalar olarak her gözlemci için sunulan ve geri kalanı gıdaların yüksek çözünürlüklü renkli 2-b fotoğraf olarak sunuldu. Gerçek gıdalar ve gıda görüntüleri belirgin boyutu, mesafe, arka plan, bakış açısı ve aydınlatma için yakından eşleştirilmiştir. Önceki çalışmalarda7, çevre koşulları ve uyarıcı zamanlaması önemli bir kalkış farklı görüntü formatları arasında özdeş oldu. Her görüntü biçimindeki denemeler sırası, özel olarak oluşturulmuş bir pikap aygıtını kullanarak deneme boyunca randomize edildi. Test seansının başlangıcında katılımcılar, 60 farklı iştah açıcı snack gıdaları (görüntüler olarak sunulan) için tercihlerini ve benzerliğini derecelendirilmiştir. Ana deneyde gözlemciler, gerçek nesneler veya 2-b görüntüler olarak gösterilen 60 gıdaların her biri için ödeme (WTP) isteklerini belirttiler. Gıda maddelerinin gerçek nesneye veya görüntü koşullarına atanması gözlemciler arasında karşı dengelenmiştir. Benzer bir soru12ele daha önceki bir çalışmanın ardından, BIZ WTP bir Becker DeGroot marschak (BDM)35 teklif görevi hangi gözlemci bir para teklif ($0-$ 3) her snack Gıda için ' kazanmak ' için fırsat girdi kullanarak ölçülen bir tüketmek Deney sonunda gıda. Veri iç içe yapısı göz önüne alındığında, biz hangi WTP ekran formatı, gıda tercihi, kalori içeriği ve tahmini kalori tarafından etkilendiği ölçüde belirlemek için doğrusal karışık efektler modelleme kullandık. Biz gözlemci gıda görüntüleri7karşı gerçek nesneler olarak görüntülenen gıdalar için% 6,62 daha fazla ödemek isteyen bulundu. Gerçek gıda görüntüler için değer amplifikasyon gıda tercihinin her düzeyde, yanı sıra gıdaların gerçek ve tahmini Kalorik içeriği arasında tutarlı oldu. Katılımcılar onlar aynı (gerçek) snack Gıda Ödülü ne olursa olsun hangi gıda teklif görevi sırasında sunuldu biçimi deneme sonunda alabilir biliyordu çünkü bu sonuçlar şaşırtıcı. Önemlisi, bulgular orada güvenilir bir ' gerçek gıda pozlama etkisi ' istekli-to-ödeme7,12 bu çevre bağlamında farklılıklar, uyarıcı sunum yöntemi veya deneme için muhasebeleştirilebilir olduğunu teyit görüntü formatları boyunca zamanlama.

Özetle, biz gerçek nesne uyaranlara hazırlamak için nasıl açıklayan ayrıntılı Yöntemler sağladı ve aynı maddelerin yakın uyumlu 2-b bilgisayarlı görüntüleri, yanı sıra gerçek nesnelerin çok sayıda sunmak için el ile çalışan bir pikap oluşturma yöntemleri ve görüntüleri Interleaved arkaya. Biz, örneğin, bilgisayar kontrollü ekran gözlükleri kullanarak tüm denemeler boyunca uyarıcı sunum ve görüntüleme süresini kontrol etmek için talimatlar sağladı. Burada sunulan yöntemler gözlenen etkileri için temel mekanizmaları incelemek için yeni caddeleri açık. Örneğin, gelecekteki çalışmalar, Monoküler görüntüleme koşullarında gerçek dünya uyaranları sunarak stereopsis etkisini doğrudan değerlendirebilir (örneğin, bilgisayar kontrollü gözlüklerin Monoküler ve dürbün durumlarını kullanarak kolayca test edilebilir burada açıklanmıştır). Bu, hem hareket paralaks ve stereopsis çakışan derinlik bilgileri sağlayan görüntü tabanlı denemeler ile güzel bir karşılaştırma oluşturur.

Kontrollü görüntüleme koşullarında gerçek dünya nesnelerini sunmak için pratik çözümler sunabilmenize rağmen, laboratuvarda gerçek nesnelerle çalışmak inkar edilemez derecede zorlu, pahalı ve zaman alıcı bir işlemdir. Aydınlatma, pozisyon, boyut ve zamanlama, toplama ve dikkatli hazırlama (yani montaj) gerçek nesne uyaranların gibi uyarıcı parametreleri kontrol ile ilişkili teknik ek olarak, zaman göre özenle yavaş olabilir tek başına görüntüleri hazırlamak için gerekli olacaktır. Denemeler (lar), gerekli zaman sınırları içinde her deneme öncesinde doğru örneklerin bulunması ile iyi uygulamalı olmalıdır ve deneme hatası için bariz olanaklar vardır. Bazı durumlarda burada deneme numaraları, örneğin fMRI8,39 ve gerçek nesne vizyon hasta10 çalışmalar gibi sınırlıdır, biz her deneme üzerinde sunulan hangi örnekleri kaydetmek için bir video kamera kullanın ve kayıtlar çapraz kontrol edilir doğruluk için post-hoc. Belki gerçek nesne uyaranlara benzersiz bir sınıf olan gıdalar ile çalışma ile ek zorluklar vardır. Çalışmada kullanılan öğelerin sayısına bağlı olarak, gıdaların nispeten büyük bir seçim taze tutulması gerekir, eldeki, ve nispeten yakın test odasına. Gıda içeren karar verme paradigmaları, uyaranlara genellikle paket açıldı ve bazı İçindekiler görünür gösterilir. Birçok üretilen gıdalar belirsiz bir raf ömrü (yani, Twinkie) çoğu öğelerin tazelik ve görsel itiraz korumak için düzenli olarak değiştirilmesi gerekir gibi görünüyor rağmen. Birlikte, bu koşullar zor gerçek ve görüntü formatları arasında bizim bulduğumuz dereceye kadar olmayan bozulabilir uyarıcı sınıfları, nesneleri ve araçları gibi mümkün olan gıdaların görünümünü kontrol etmek. Biz beyaz cihaz temiz ve uyarıcı kontrast geliştirilmiş olduğunu bulduk çünkü bu burada (beyaz) tasvir olduğu şekilde orijinal çalışmada7 (siyah) ortaya çıkan şekilde bizim pikap aparatı değiştirilmiş dikkat etmek de önemlidir .

Yukarıdaki hususlar, gerçek nesnelerle çalışmanın zaman ve kaynak maliyetlerinin haklı olup olmadığına veya benzer sonuçların daha uygun görüntü görüntüler kullanılarak elde edilip alınmayacağını belirten kritik soruyu yükseltir. Karar verme paradigması7 ' nin sonuçları, gerçek gıda görüntülerinin, tercih veya Kalorik yoğunluk gibi diğer faktörlerle etkileşime girmeyen değerleme (yani doğrusal bir etki) olarak sürekli bir artış gösterdiğini gösterir. İnsan biliş diğer etki alanları bulguları ile karar verme Kırlangıç Bu sonuçlar. Örneğin, gerçek dünya nesneleri daha kolay tanınan10,40,41, bellek artırmak42, ve yakalama dikkat43,44 daha fazla görüntü yapmak. 2-b yansımaları ile karşılaştırıldığında, fMRI tekrarlama bastırma efektleri gerçek nesneler için azalır8. Benzer şekilde, yüksek yoğunluklu EEG ile ölçülen gerçek nesnelere beyin yanıtlarının temporal dinamiklerinin ince taneli incelenmesi, gerçek nesnelerin (vs. görüntüler) daha güçlü ve daha uzun süreli zaman uyumsuzluğu olduğunu ortaya çıkarır-bir imza , motor eylemlerinin otomatik planlamasında yer alan Visuo-motor şebekelerinde etkinleştirme9. Gerçek nesneler için zaman uyumsuzluğu içinde amplifikasyon stereopsis9ile ilgili erken sinyal farklılıkları bağımsızdır. Birlikte Taken, bu bulgular görüntü görüntüler kullanılarak elde edilebilir sonuçlar deseni geniş tutarlı olabilir, ama sadece daha az zorlayıcı, ne aksi gözlenen olabilir daha gerçek dünya nesneleri kullanıldı olduğunu düşündürmektedir. Diğer bir deyişle, görüntü vizyonu çalışmalarından gelen bulgular öngörülebilebilecek gerçek nesne vizyonuna ise, görüntü görme temel araştırma çalışmalarının translasyonel değeri korunur. Bu konuda sağlam sonuçlar elde etmek için şu anda yetersiz veri olmasına rağmen, sol ve sağ hemheres9 ve benmerkezci mesafeler arasında motor alanları arasında gerçek nesnelerin etkileri içinde dissociations için son kanıtlar6 Bu varsayım endişelerini yükseltmek. Örneğin, gerçek nesnelerin dikkatle yakalanması üzerine etkisi, nesnelerin gözlemci erişim dışında konumlandırıldığında 2-b ve 3-b görüntüler için gözlenen seviyelere düşmesine veya ulaşıldığında ancak şeffaf bir bariyer6' nın arkasında olduğunda, gerçek bir nesne (ancak bir görüntü) ile el ile etkileşim olasılığı nasıl işlendiğini belirler. Gelecekteki çalışmalar, benzer altta yatan nedensel mekanizmalar ' gerçek gıda pozlama etkileri ' isteği ödemek için modüle olup olmadığını araştırmak için burada açıklanan protokolleri kullanabilir. Örneğin, bir mesafe veya bariyer manipülasyon6 erişilebilir veya kavranabilir gerçek snack gıdalar farklı olanlar için işlenir olup olmadığını belirlemek için istihdam edilebilir (ve aynı manipülasyon üzerinde herhangi bir etkisi olup olmadığını belirlemek için Gıda görüntülerin işlenmesi). Bu konuda kesin sonuçlar elde etmek için ekolojik olarak geçerli gerçek nesne uyarıcıları kullanan gelecekteki çalışmalar gereklidir. Daha da önemlisi, benzer mekanizmaların farklı bilişsel etki alanlarında veya farklı görevlerde olduğu durumda olmayabilir. Bununla birlikte, gerçek dünya nesneleriyle çalışma yaklaşımımız, doğal vizyonunu sağlayan temel süreçler ve mekanizmalar konusunda önemli yeni Öngörüler sağlamaya söz veriyor.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Yazarların ifşa etmesi gereken hiçbir şey yok.

Acknowledgments

Bu çalışma, Ulusal Sağlık Enstitüleri Ulusal göz Enstitüsü (NıH) R01EY026701, Ulusal Bilim Vakfı (NSF) [Grant 1632849] ve klinik translational araştırma altyapı altında National Institutes dan JC Snow hibe tarafından desteklenmektedir Ağ [Grant 17-746Q-UNR-PG53-00]. İçerik sadece yazarlar sorumluluğundadır ve mutlaka NıH, NSF veya CTR-ın resmi görüşlerini temsil etmez.

Materials

Name Company Catalog Number Comments
EOS Rebel T2i Body Camera Canon  4462B001
MATLAB MathWorks  R2017b Computer programming software. Download this additional free toolbox: PsychToolbox 3.0.14
Photoshop Adobe CS6
PLATO Visual Occlusion Glasses Translucent Technologies Inc.  N/A
SPSS IBM Version 22 Statitical analysis software
ToTaL Control System (USB) Translucent Technologies Inc.  N/A The ToTaL Control System  controls the PLATO spectacles

DOWNLOAD MATERIALS LIST

References

  1. Gibson, J. J. The Ecological Approach to Visual Perception. , Houghton Mifflin. Boston. (1979).
  2. Westheimer, G. Three-dimensional displays and stereo vision. Proceedings of the Royal Society B: Biological Sciences. 278 (1716), 2241-2248 (2011).
  3. Julesz, B. Foundations of cyclopean perception. , U. Chicago Press. Oxford. (1971).
  4. Sprague, W. W., Cooper, E. A., Tošić, I., Banks, M. S. Stereopsis is adaptive for the natural environment. Science Advances. 1 (4), (2015).
  5. Nityananda, V., Read, J. C. A. Stereopsis in animals: evolution, function and mechanisms. Journal of Experimental Biology. 220, Pt 14 2502-2512 (2017).
  6. Gomez, M. A., Skiba, R. M., Snow, J. C. Graspable Objects Grab Attention More Than Images Do. Psychological Science. 29 (2), 206-218 (2018).
  7. Romero, C. A., Compton, M. T., Yang, Y., Snow, J. C. The real deal: Willingness-to-pay and satiety expectations are greater for real foods versus their images. Cortex. 107, 78-91 (2018).
  8. Snow, J. C., et al. Bringing the real world into the fMRI scanner: Repetition effects for pictures versus real objects. Scientific Reports. 1, 130 (2011).
  9. Marini, F., Breeding, K. A., Snow, J. C. Distinct visuo-motor brain dynamics for real-world objects versus planar images. NeuroImage. , (2019).
  10. Holler, D., Behrmann, M., Snow, J. C. Real-world size coding of solid objects, but not 2-D or 3-D images, in visual agnosia patients with bilateral ventral lesions. Cortex. , (2019).
  11. Tang, D. W., Fellows, L. K., Dagher, A. Behavioral and neural valuation of foods is driven by implicit knowledge of caloric content. Psychological Science. 25 (12), 2168-2176 (2014).
  12. Bushong, B., King, L. M., Camerer, C. F., Rangel, A. Pavlovian processes in consumer choice: The physical presence of a good increases willingness-to-pay. The American Economic Review. 100 (4), 1556-1571 (2010).
  13. Rangel, A. Regulation of dietary choice by the decision-making circuitry. Nature Neuroscience. 16 (12), 1717-1724 (2013).
  14. Plassmann, H., O'Doherty, J. P., Rangel, A. Appetitive and aversive goal values are encoded in the medial orbitofrontal cortex at the time of decision making. Journal of Neuroscience. 30 (32), 10799-10808 (2010).
  15. Berthoud, H. R. Metabolic and hedonic drives in the neural control of appetite: who is the boss. Current Opinion in Neurobiology. 21 (6), 888-896 (2011).
  16. Sclafani, A. Conditioned food preferences. Bulletin of Psychonomic Society. 29 (2), 256-260 (1991).
  17. Volkow, N. D., Wise, R. A. How can drug addiction help us understand obesity. Nature Neuroscience. 8 (5), 555-560 (2005).
  18. Drewnowski, A., Darmon, N. Food choices and diet costs: An economic analysis. Journal of Nutrition. 135 (4), 900-904 (2005).
  19. Imram, N. The role of visual cues in consumer perception and acceptance of a food product. Nutrition and Food Science. 99 (5), 224-230 (1999).
  20. Marteau, T. M., Hollands, G. J., Fletcher, P. C. Changing human behavior to prevent disease: The importance of targeting automatic processes. Science. 337 (6101), 1492-1495 (2012).
  21. Neal, D. T., Wood, W., Quinn, J. M. Habits: A repeat performance. Current Direction in Psychology. 15 (4), 198-202 (2006).
  22. Wellman, N. S., Friedberg, B. Causes and consequences of adult obesity: Health, social and economic impacts in the United States. Asia Pacific Journal of Clinical Nutrition. 11, 705-709 (2002).
  23. Canoy, D., et al. Coronary heart disease incidence in women by waist circumference within categories of body mass index. European Journal of Preventive Cardiology. 20 (5), 759-762 (2013).
  24. Whitmer, R. A., et al. Central obesity and increased risk of dementia more than three decades later. Neurology. 71 (14), 1057-1064 (2008).
  25. Bean, M. K., Stewart, K., Olbrisch, M. E. Obesity in America: Implications for clinical and health psychologists. Journal of Clinical Psychology in Medical Settings. 15 (3), 214-224 (2008).
  26. Brownell, K. D., Gold, M. S. Food and addiction: A comprehensive handbook. , Oxford University Press. (2012).
  27. Klein, S., et al. Waist circumference and cardiometabolic risk: A consensus statement from shaping America's health: Association for Weight Management and Obesity Prevention; NAASO, the Obesity Society; the American Society for Nutrition; and the American Diabetes Association. Obesity. 15 (5), 1061-1067 (2007).
  28. Zhang, Y., et al. Obesity: Pathophysiology and Intervention. Nutrients. 6 (11), 5153-5183 (2014).
  29. Afshin, A., et al. Health effects of overweight and obesity in 195 countries over 25 years. New England Journal of Medicine. 377 (1), 13-27 (2017).
  30. Mischel, W., Moore, B. Effects of attention to symbolically presented rewards on self-control. Journal of Personality and Social Psychology. 28 (2), 172-179 (1973).
  31. Mischel, W., Ebbesen, E. B., Zeiss, A. R. Cognitive and attentional mechanisms in delay of gratification. Journal of Personality and Social Psychology. 21 (2), 204-218 (1972).
  32. Gross, J., Woelbert, E., Strobel, M. The fox and the grapes-how physical constraints affect value based decision making. PLoS One. 10 (6), 0127619 (2015).
  33. Müller, H. The real-exposure effect revisited - purchase rates vary under pictorial vs. real item presentations when consumers are allowed to use their tactile sense. International Journal of Market Research. 30 (3), 304-307 (2013).
  34. Becker, G. M., DeGroot, M. H., Marschak, J. Measuring utility by a single-response sequential method. Behavior Science. 9 (3), 226-232 (1964).
  35. Becker, G. M., DeGroot, M. H., Marschak, J. Stochastic models of choice behavior. Behavior Science. 8 (1), 41-55 (1963).
  36. Plassmann, H., O'Doherty, J., Rangel, A. Orbitofrontal Cortex Encodes Willingness to Pay in Everyday Economic Transactions. Journal of Neuroscience. 27 (37), 9984-9988 (2007).
  37. Milgram, P. A spectacle-mounted liquid-crystal tachistoscope. Behavior Research Methods. 19 (5), 449-456 (1987).
  38. Johnson, E. J., Haubl, G., Keinan, A. Aspects of endowment: A query theory of value construction. Journal of Experimental Psychology: Learning Memory and Cognition. 33 (3), 461-474 (2007).
  39. Freud, E., et al. Getting a grip on reality: Grasping movements directed to real objects and images rely on dissociable neural representations. Cortex. 98, 34-48 (2018).
  40. Chainay, H., Humphreys, G. W. The real-object advantage in agnosia: Evidence for a role of surface and depth information in object recognition. Cognition Neuropsychology. 18 (2), 175-191 (2001).
  41. Humphrey, G. K., Goodale, M. A., Jakobson, L. S., Servos, P. The role of surface information in object recognition: Studies of a visual form agnosic and normal subjects. Perception. 23 (12), 1457-1481 (1994).
  42. Snow, J. C., Skiba, R. M., Coleman, T. L., Berryhill, M. E. Real-world objects are more memorable than photographs of objects. Frontiers in Human Neuroscience. 8, 837 (2014).
  43. Gomez, M. A., Snow, J. C. Action properties of object images facilitate visual search. Journal of Experimental Psychology: Human Perception and Performance. 43 (6), 1115-1124 (2017).
  44. Gerhard, T. M., Culham, J. C., Schwarzer, G. Distinct visual processing of real objects and pictures of those objects in 7- to 9-month-old infants. Frontiers in Psychology. 7, 827 (2016).

Tags

Davranış Sayı 148 gerçek dünya nesneleri bilgisayarlı görüntüler ekolojik geçerlilik turntable ödeme için istekli kontrollü Laboratuar koşulları
Kontrollü laboratuar koşullarında gerçek dünya objeleri sunma yöntemleri
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Romero, C. A., Snow, J. C. Methods… More

Romero, C. A., Snow, J. C. Methods for Presenting Real-world Objects Under Controlled Laboratory Conditions. J. Vis. Exp. (148), e59762, doi:10.3791/59762 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter