Protokollen presenterer et eksperimentelt psykofysikkparadigme for å oppnå store mengder likhetsdommer, og en tilhørende analysearbeidsflyt. Paradigmet sonderer konteksteffekter og muliggjør modellering av likhetsdata når det gjelder euklidiske rom på minst fem dimensjoner.
Likhetsdommer brukes ofte til å studere mentale representasjoner og deres nevrale korrelasjoner. Denne tilnærmingen har blitt brukt til å karakterisere perseptuelle mellomrom i mange domener: farger, objekter, bilder, ord og lyder. Ideelt sett kan det være lurt å sammenligne estimater av oppfattet likhet mellom alle par stimuli, men dette er ofte upraktisk. Hvis man for eksempel ber et emne om å sammenligne likheten mellom to elementer og likheten mellom to andre elementer, vokser antall sammenligninger med den fjerde kraften i stimulanssettstørrelsen. En alternativ strategi er å be om en grad av likheter mellom isolerte par, for eksempel på en Likert-skala. Dette er mye mer effektivt (antall rangeringer vokser kvadratisk med angitt størrelse i stedet for kvartisk), men disse vurderingene har en tendens til å være ustabile og har begrenset oppløsning, og tilnærmingen antar også at det ikke er noen konteksteffekter.
Her presenteres et nytt rangeringsparadigme for effektiv innsamling av likhetsdommer, sammen med en analyserørledning (programvare gitt) som tester om euklidiske avstandsmodeller står for dataene. Typiske studier består av åtte stimuli rundt en sentral referansestimulans: emnet rangerer stimuli i rekkefølge etter deres likhet med referansen. Ved fornuftig utvalg av kombinasjoner av stimuli som brukes i hver studie, har tilnærmingen interne kontroller for konsistens og konteksteffekter. Tilnærmingen ble validert for stimuli trukket fra euklidiske rom på opptil fem dimensjoner.
Tilnærmingen er illustrert med et eksperiment som måler likheter mellom 37 ord. Hver studie gir resultatene av 28 parvise sammenligninger av skjemaet: “Var en mer lik referansen enn B var til referansen?” Mens direkte sammenligning av alle par stimuli ville ha krevd 221445 forsøk, muliggjør dette designet rekonstruksjon av det perseptuelle rommet fra 5994 slike sammenligninger oppnådd fra 222 studier.
Mennesker mentalt behandler og representerer innkommende sensorisk informasjon for å utføre et bredt spekter av oppgaver, for eksempel objektgjenkjenning, navigasjon, slutning om miljøet og mange andre. Likhetsdommer brukes ofte til å granske disse mentale representasjonene1. Forståelse av strukturen av mentale representasjoner kan gi innsikt i organiseringen av konseptuell kunnskap2. Det er også mulig å få innsikt i nevrale beregninger, ved å relatere likhetsvurderinger til hjerneaktiveringsmønstre3. I tillegg avslører likhetsdommer funksjoner som er fremtredende i oppfatning4. Å studere hvordan mentale representasjoner endres under utvikling kan belyse hvordan de læres5. Dermed gir likhetsvurderinger verdifull innsikt i informasjonsbehandling i hjernen.
En vanlig modell for mentale representasjoner ved hjelp av likheter er en geometrisk rommodell6,7,8. Brukt på sensoriske domener, blir denne typen modell ofte referert til som et perseptuelt rom9. Punkter i rommet representerer stimuli og avstander mellom punkter tilsvarer den oppfattede ulikheten mellom dem. Fra likhetsvurderinger kan man oppnå kvantitative estimater av ulikheter. Disse parvis forskjellige (eller perseptuelle avstandene) kan deretter brukes til å modellere det perseptuelle rommet via flerdimensjonal skalering10.
Det er mange metoder for å samle likhetsdommer, hver med sine fordeler og ulemper. Den enkleste måten å oppnå kvantitative mål på ulikhet er å be fagene rangere på en skala graden av ulikhet mellom hvert par stimuli. Selv om dette er relativt raskt, har estimater en tendens til å være ustabile på tvers av lange økter, da emner ikke kan gå tilbake til tidligere dommer, og konteksteffekter, hvis de er til stede, kan ikke oppdages. (Her defineres en konteksteffekt som en endring i den dømte likheten mellom to stimuli, basert på tilstedeværelsen av andre stimuli som ikke sammenlignes.) Alternativt kan bli bedt om å sammenligne alle par stimuli med alle andre par stimuli. Selv om dette ville gi en mer pålitelig rangbestilling av ulikheter, krevde antall sammenligninger skalaer med den fjerde kraften i antall stimuli, noe som gjør det mulig for bare små stimulanssett. Raskere alternativer, som å sortere i et forhåndsdefinert antall klynger11 eller gratis sortering, har sine egne begrensninger. Fri sortering (i et hvilket som helst antall hauger) er intuitivt, men det tvinger emnet til å kategorisere stimuliene, selv om stimuliene ikke lett gir seg til kategorisering. Den nyere multi-arrangementsmetoden, omvendt MDS, omgår mange av disse begrensningene og er veldig effektiv12. Denne metoden krever imidlertid at fagene projiserer sine mentale representasjoner på et 2D euklidsk plan og å vurdere likheter på en bestemt geometrisk måte, noe som gjør antagelsen om at likhetsstruktur kan gjenopprettes fra euklidiske avstander på et plan. Dermed er det fortsatt behov for en effektiv metode for å samle store mengder likhetsvurderinger, uten å gjøre antagelser om geometrien som ligger til grunn for dommene.
Beskrevet her er en metode som både er rimelig effektiv og også unngår de ovennevnte potensielle fallgruvene. Ved å be forsøkspersonene rangere stimuli etter likhet med en sentral referanse i hver studie13, kan relativ likhet undersøkes direkte, uten å anta noe om den geometriske strukturen til fagenes svar. Paradigmet gjentar et delsett av sammenligninger med både identiske og forskjellige sammenhenger, noe som muliggjør direkte vurdering av konteksteffekter samt oppkjøp av graderte svar når det gjelder valgsannsynligheter. Analyseprosedyren dekomponerer disse rangvurderingene i flere parvise sammenligninger og bruker dem til å bygge og søke etter euklidske modeller av perseptuelle rom som forklarer dommene. Metoden er egnet for å beskrive i detalj representasjon av stimulussett av moderate størrelser (f.eks. 19 til 49).
For å demonstrere muligheten for tilnærmingen ble det utført et eksperiment ved hjelp av et sett med 37 dyr som stimuli. Data ble samlet inn i løpet av 10 en-timers økter og deretter analysert separat for hvert emne. Analyse avdekket konsistens på tvers av og ubetydelige konteksteffekter. Det vurderte også konsistens av oppfattede ulikheter mellom stimuli med euklidiske modeller av deres perseptuelle rom. Paradigme- og analyseprosedyrene som er skissert i dette dokumentet er fleksible og forventes å være til nytte for forskere som er interessert i å karakterisere de geometriske egenskapene til en rekke perseptuelle rom.
Protokollen som er skissert her er effektiv for å oppnå og analysere likhetsdommer for stimuli som kan presenteres visuelt. Det eksperimentelle paradigmet, analysen og mulige utvidelser diskuteres først, og senere fordelene og ulempene ved metoden.
Eksperimentelt paradigme: Den foreslåtte metoden er demonstrert ved hjelp av et domene på 37 dyrenavn, og det gis et utvalgsdatasett med perseptuelle vurderinger slik at man kan følge analysen i trinn 5 og reprodusere deler av…
The authors have nothing to disclose.
Arbeidet støttes av midler fra National Institutes of Health (NIH), tilskudd EY07977. Forfatterne vil også takke Usman Ayyaz for hans hjelp til å teste programvaren, og Muhammad Naeem Ayyaz for hans kommentarer til manuskriptet.
Computer Workstation | N/A | N/A | OS: Windows/ MacOS 10 or higher/ Linux; 3.1 GHz Dual-Core Intel Core i5 or similar; 8GB or more memory; User permissions for writing and executing files |
conda | Version 4.11 | OS: Windows/ MacOS 10 or higher/ Linux | |
Microsoft Excel | Microsoft | Any | To open and shuffle rows and columns in trial conditions files. |
PsychoPy | N/A | Version 2021.2 | Framework for running psychophysical studies |
Python 3 | Python Software Foundation | Python Version 3.8 | Python3 and associated built-in libraries |
Required Python Libraries | N/A | numpy version: 1.17.2 or higher; matplotlib version 3.4.3 or higher; scipy version 1.3.1 or higher; pandas version 0.25.3 or higher; seaborn version 0.9.0 or higher; scikit_learn version 0.23.1 or higher; yaml version 6.0 or higher | numpy, scipy and scikit_learn are computing modules with in-built functions for optimization and vector operations. matplotlib and seaborn are plotting libraries. pandas is used to reading in and edit data from csv files. |