Benzerlik Yargılarının Toplanması ve Analizi için Bir Psikofizik Paradigması

Summary

Protokol, büyük miktarlarda benzerlik yargıları elde etmek için deneysel bir psikofizik paradigması ve buna eşlik eden bir analiz iş akışı sunar. Paradigma, bağlam etkilerini araştırır ve benzerlik verilerinin en az beş boyutlu Öklid uzayları açısından modellenmesini sağlar.

Abstract

Benzerlik yargıları, zihinsel temsilleri ve bunların nöral korelasyonlarını incelemek için yaygın olarak kullanılır. Bu yaklaşım, birçok alandaki algısal alanları karakterize etmek için kullanılmıştır: renkler, nesneler, görüntüler, kelimeler ve sesler. İdeal olarak, tüm uyaran çiftleri arasında algılanan benzerlik tahminlerini karşılaştırmak istenebilir, ancak bu genellikle pratik değildir. Örneğin, bir deneğe iki öğenin benzerliğini diğer iki öğenin benzerliğiyle karşılaştırmasını isterse, karşılaştırmaların sayısı uyaran kümesi boyutunun dördüncü gücüyle artar. Alternatif bir strateji, bir deneğe izole edilmiş çiftlerin benzerliklerini derecelendirmesini istemektir, örneğin bir Likert ölçeğinde. Bu çok daha verimlidir (derecelendirme sayısı çeyrek olarak değil, ayarlanan boyutla dörtlü olarak artar), ancak bu derecelendirmeler kararsız olma eğilimindedir ve sınırlı çözünürlüğe sahiptir ve yaklaşım ayrıca bağlam etkisinin olmadığını varsayar.

Burada, benzerlik yargılarının verimli bir şekilde toplanması için yeni bir sıralama paradigması ve Öklid mesafe modellerinin verileri hesaba katıp katmadığını test eden bir analiz boru hattı (yazılım sağlanmıştır) sunulmaktadır. Tipik denemeler, merkezi bir referans uyaranı etrafında sekiz uyarandan oluşur: özne, uyaranları referansa benzerliklerine göre sıralar. Her denemede kullanılan uyaran kombinasyonlarının makul seçimiyle, yaklaşımın tutarlılık ve bağlam etkileri için iç kontrolleri vardır. Yaklaşım, beş boyuta kadar olan Öklid uzaylarından alınan uyaranlar için doğrulandı.

Yaklaşım, 37 kelime arasındaki benzerlikleri ölçen bir deneyle gösterilmiştir. Her deneme, "A, referansa, B'nin referansa olduğundan daha mı benzerdi?" formunun 28 çift karşılaştırmasının sonuçlarını verir. Tüm uyaran çiftlerinin doğrudan karşılaştırılması 221445 denemeleri gerektirmiş olsa da, bu tasarım, 222 denemeden elde edilen 5994 karşılaştırmadan algısal uzayın yeniden yapılandırılmasını sağlar.

Introduction

İnsanlar, nesne tanıma, navigasyon, çevre hakkında çıkarımlarda bulunma ve diğerleri gibi çok çeşitli görevleri yerine getirmek için gelen duyusal bilgileri zihinsel olarak işler ve temsil eder. Benzerlik yargıları, bu zihinsel temsilleri araştırmak için yaygın olarak ^{kullanılır1}. Zihinsel temsillerin yapısını anlamak, kavramsal bilginin organizasyonu hakkında fikir ^verebilir2. Benzerlik yargılarını beyin aktivasyon kalıplarıyla ilişkilendirerek sinirsel hesaplamalar hakkında fikir edinmek de ^{mümkündür3}. Ek olarak, benzerlik yargıları algıda göze çarpan özellikleri ortaya ^{koymaktadır4}. Zihinsel temsillerin gelişim sırasında nasıl değiştiğini incelemek, nasıl öğrenildiklerine ışık ^tutabilir5. Bu nedenle, benzerlik yargıları beyindeki bilgi işleme konusunda değerli bilgiler sağlar.

Benzerlikleri kullanan zihinsel temsillerin ortak bir modeli, geometrik bir uzay modelidir6,7,8. Duyusal alanlara uygulanan bu tür bir model genellikle algısal alan olarak ^{adlandırılır9}. Uzaydaki noktalar uyaranları temsil eder ve noktalar arasındaki mesafeler, aralarındaki algılanan farklılığa karşılık gelir. Benzerlik yargılarından, benzerliklerin nicel tahminleri elde edilebilir. Bu ikili farklılıklar (veya algısal mesafeler) daha sonra çok boyutlu ölçeklendirme yoluyla algısal uzayı modellemek için ^{kullanılabilir10}.

Her biri avantajları ve dezavantajları olan benzerlik yargılarını toplamak için birçok yöntem vardır. Niceliksel farklılık ölçümleri elde etmenin en basit yolu, deneklerden her bir uyaran çifti arasındaki farklılığın derecesini bir ölçekte derecelendirmelerini istemektir. Bu nispeten hızlı olsa da, denekler önceki yargılara geri dönemedikleri ve varsa bağlam etkileri tespit edilemediği için tahminler uzun oturumlarda kararsız olma eğilimindedir. (Burada, bir bağlam etkisi, karşılaştırılmayan diğer uyaranların varlığına dayanarak, iki uyaran arasındaki değerlendirilen benzerlikteki bir değişiklik olarak tanımlanır.) Alternatif olarak, deneklerden tüm uyaran çiftlerini diğer tüm uyaran çiftleriyle karşılaştırmaları istenebilir. Bu, farklılıkların daha güvenilir bir sıralama sıralaması sağlarken, karşılaştırmaların sayısı, uyaran sayısının dördüncü gücü ile ölçeklendirilmesini gerektirdi ve bu da onu yalnızca küçük uyaran kümeleri için uygun hale getirdi. Önceden tanımlanmış sayıda ^kümeye11 sıralama veya serbest sıralama gibi daha hızlı alternatiflerin kendi sınırlamaları vardır. Serbest sıralama (herhangi bir sayıda yığın halinde) sezgiseldir, ancak uyaranlar kendilerini kolayca kategorize etmese bile, özneyi uyaranları kategorize etmeye zorlar. Daha yeni çoklu düzenleme yöntemi olan ters MDS, bu sınırlamaların çoğunu aşar ve çok ^verimlidir12. Bununla birlikte, bu yöntem, deneklerin zihinsel temsillerini bir 2B Öklid düzlemine yansıtmalarını ve benzerlikleri belirli bir geometrik şekilde göz önünde bulundurmalarını gerektirir ve benzerlik yapısının bir düzlemdeki Öklid mesafelerinden kurtarılabileceği varsayımını yapar. Bu nedenle, yargıların altında yatan geometri hakkında varsayımlarda bulunmadan, büyük miktarda benzerlik yargısı toplamak için etkili bir yönteme ihtiyaç vardır.

Burada açıklanan, hem makul derecede verimli hem de yukarıdaki potansiyel tuzaklardan kaçınan bir yöntemdir. Deneklerden uyaranları her denemede merkezi bir referansa benzerlik sırasına göre sıralamaları ^istenerek13, göreceli benzerlik, deneklerin yanıtlarının geometrik yapısı hakkında hiçbir şey varsaymadan doğrudan incelenebilir. Paradigma, hem özdeş hem de farklı bağlamlarla karşılaştırmaların bir alt kümesini tekrarlayarak, bağlam etkilerinin doğrudan değerlendirilmesine ve seçim olasılıkları açısından derecelendirilmiş yanıtların elde edilmesine olanak tanır. Analiz prosedürü, bu rütbe yargılarını çoklu çift karşılaştırmalara ayrıştırır ve bunları, yargıları açıklayan algısal alanların Öklid modellerini oluşturmak ve aramak için kullanır. Yöntem, orta büyüklükteki uyaran kümelerinin temsilini ayrıntılı olarak tanımlamak için uygundur (örneğin, 19 ila 49).

Yaklaşımın fizibilitesini göstermek için, uyaran olarak 37 hayvandan oluşan bir set kullanılarak bir deney yapıldı. Veriler 10 adet bir saatlik seans boyunca toplandı ve daha sonra her bir denek için ayrı ayrı analiz edildi. Analiz, denekler arasında tutarlılık ve ihmal edilebilir bağlam etkileri ortaya koydu. Ayrıca, uyaranlar ile algısal alanlarının Öklid modelleri arasındaki algılanan farklılıkların tutarlılığını değerlendirdi. Bu makalede özetlenen paradigma ve analiz prosedürleri esnektir ve bir dizi algısal uzayın geometrik özelliklerini karakterize etmek isteyen araştırmacılar için yararlı olması beklenmektedir.

Protocol

Deneylere başlamadan önce, tüm denekler kurumsal yönergelere ve Helsinki Deklarasyonu'na uygun olarak bilgilendirilmiş onam sağlar. Bu çalışma durumunda, protokol Weill Cornell Tıp Koleji'nin kurumsal inceleme kurulu tarafından onaylanmıştır.

1. Kurulum ve kurulum

1. GitHub deposundan kodu indirin, benzerlikler (https://github.com/jvlab/similarities). Komut satırında şunu çalıştırın: git clone https://github.com/jvlab/similarities.git. - Git yüklü değilse, kodu depodan sıkıştırılmış bir klasör olarak indirin.
   NOT: Depoda iki alt dizin vardır: iki örnek deney içeren deneyler ve toplanan benzerlik verilerini analiz etmek için bir dizi python betiği içeren analiz. Deneyler dizininde biri (word_exp) kelime uyaranlarını kullanır ve diğeri (image_exp) görüntü uyaranlarını görüntüler. Python ile biraz aşinalık yardımcı olacaktır, ancak gerekli değildir. Komut satırına aşinalık olduğu varsayılır: birden çok adım, komut dosyalarının komut satırından çalıştırılmasını gerektirir.
2. Aşağıdaki araçları yükleyin ve sanal bir ortam ayarlayın.
   1. python 3: Talimatlar için bağlantıya bakın: https://realpython.com/installing-python/. Bu proje Python sürüm 3.8 gerektirir.
   2. PsychoPy: Bağlantıdan (https://www.psychopy.org/download.html), yükleme altındaki mavi düğmeyi kullanarak ilgili işletim sistemi için PsychoPy'nin en son bağımsız sürümünü indirin. Bu proje PsychoPy sürüm 2021.2'yi kullanır; Sağlanan örnek deneyler, aşağıda belirtildiği gibi PsychoPy'nin doğru sürümüyle çalıştırılmalıdır.
   3. conda: Linkten (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation), ilgili işletim sistemi için Miniconda veya Anaconda aracılığıyla conda'yı indirin.
   4. Komut satırında, gerekli python paketleriyle sanal bir ortam oluşturmak için aşağıdakileri çalıştırın:
      cd ~/benzerlikler
      conda env create -f environment.yaml
   5. Sanal ortamın oluşturulup oluşturulmadığını denetleyin ve aşağıdaki gibi etkinleştirin:
      conda env list # venv_sim_3.8 listelenmelidir
      conda sanal ortama girmek için venv_sim_3.8 # etkinleştirin
      conda betikleri çalıştırdıktan sonra sanal ortamdan çıkmak için # devre dışı bırakın
      NOT: Bir ortamda komut dosyalarını çalıştırmak bazen yavaş olabilir. Bir komut dosyası çalıştırdığınızda yazdırılan çıktıları komut satırında görmek için lütfen bir dakikaya kadar bekleyin.
3. İndirilen kodun beklendiği gibi çalıştığından emin olmak için aşağıdaki adımları kullanarak sağlanan örnek denemeleri çalıştırın.
   NOT: Deneyler dizini (benzerlikler/deneyler), iki tür uyarandan yararlanan örnek deneyler (word_exp ve image_exp) içerir: kelimeler ve görüntüler.
   1. PsychoPy'ı açın. Görüntüle'ye gidin ve Kodlayıcı'ya tıklayın, çünkü PsychoPy'nin varsayılan oluşturucusu .py dosyalarını açamaz. Dosya'ya gidin, ardından Aç'ı tıklayın ve word_exp.py açın (benzerlikler/denemeler/word_exp/ word_exp.py ).
   2. Denemeyi yüklemek için yeşil renkli Denemeyi Çalıştır düğmesini tıklayın. Baş harflerini veya adı ve oturum numarasını girin ve Tamam'ı tıklatın.
   3. Talimatları izleyin ve tıklandığında uyaranların gri renkte olduğunu kontrol etmek için birkaç deneme yapın. Çıkmaya hazır olduğunuzda Escape tuşuna basın.
      NOT: PsychoPy tam ekranda açılacak, önce talimatları görüntüleyecek ve ardından uyarıcı kelimeler yerine yer tutucu metinle birkaç deneme yapacaktır. Tıklandığında, kelimeler gri renkte görünür. Tüm kelimeler tıklandığında, bir sonraki deneme başlar. Herhangi bir zamanda, PsychoPy Escape tuşuna basılarak sonlandırılabilir. Program 1.3.2 veya 1.3.3 adımları sırasında sonlandırılırsa, kullanıcının işletim sisteminin klavye ve fareye erişmesi gerekebilir. Bu durumda, PsychoPy Runner penceresinde kullanıcıya yol gösterecek açıklayıcı bir hata mesajı yazdırılacaktır.
   4. Ardından, görüntü denemesinin yer tutucu görüntülerle çalışıp çalışmadığını kontrol edin. PsychoPy'ı açın. Dosya'ya gidin. Aç'a tıklayın ve image_exp.psyexp (benzerlikler/deneyler/image_exp/ image_exp.psyexp ) öğesini seçin.
   5. Doğru sürümün kullanıldığından emin olmak için, Dişli simgesini tıklatın. PsychoPy sürümünü kullan seçeneğinden açılır menüden 2021.2'yi seçin.
   6. Daha önce olduğu gibi, yeşil renkli Denemeyi Çalıştır düğmesini tıklayın. Baş harflerini veya adı ve oturum numarasını girin ve Tamam'ı tıklatın.
      NOT: Adım 1.3.2'de olduğu gibi, PsychoPy önce talimatları görüntüleyecek ve görüntüler yüklendikten sonra denemeleri oluşturacaktır. Her deneme, merkezi bir görüntüyü çevreleyen sekiz yer tutucu görüntü içerecektir. Bir resme tıklamak onu grileştirir. Programdan Escape tuşuna basılarak çıkılabilir.
   7. Çıktıyı görmek için deneme dizinlerinin her birindeki veri dizinine gidin:
      benzerlikler/deneyler/image_exp/veriler
      benzerlikler/deneyler/word_exp/veriler
      NOT: Deneysel veriler veri dizinine yazılır. Yanıtlar.csv dosyası deneme deneme tıklama yanıtları içerir. Günlük dosyası tüm tuş basmalarını ve fare tıklamalarını içerir. PsychoPy beklenmedik şekilde kapanırsa sorun giderme için yararlıdır.
4. İsteğe bağlı olarak, çözümleme komut dosyalarının beklendiği gibi çalıştığını doğrulamak için, Temsili Sonuçlar bölümündeki bazı rakamları aşağıdaki gibi yeniden oluşturun.
   1. Önceden işlenmiş veriler için bir dizin oluşturun:
      cd ~/benzerlikler
      mkdir örnek-malzemeler/konu-veri/önceden işlenmiş
   2. Tüm yanıtlardan.csv dosyalarından ham verileri tek bir json dosyasında birleştirin. Komut satırında aşağıdakileri çalıştırın:
      cd benzerlikleri
      conda etkinleştirme venv_sim_3.8
      python -m analysis.preprocess.py
   3. İstendiğinde, giriş parametreleri için aşağıdaki değerleri girin: 1) özne-veri yolu: ./sample-materials/subject-data, 2), deney adı: sample_word ve 3) konu kimliği: S7. json dosyası benzerlikler/örnek-malzemeler/konu-veri/önceden işlenmiş olacaktır.
   4. Veriler önceden işlendikten sonra, yeniden üretim rakamları altında README projesindeki adımları izleyin. Bu analiz komut dosyaları, kullanıcının kendi deneyinden toplanan verileri analiz etmek için daha sonra çalıştırılacaktır.

2. Özel bir deneme oluşturarak veri toplama

NOT: Adım 3.1'e kadar hem görüntü hem de kelime deneyleri için prosedürler özetlenmiştir. Bu adımın ardından, işlem her iki deneme için de aynıdır, bu nedenle görüntü denemesinden açıkça bahsedilmez.

1. Çalıştırılacak bir deneme seçin. Kelime denemesine (benzerlikler/denemeler/word_exp) veya resim denemesine (benzerlikler/denemeler/image_exp) gidin.
2. Uyaran sayısına karar verin. Uyaran kümesinin varsayılan boyutu 37'dir. Bunu değiştirmek için, yapılandırma dosyasını (similarities/analysis/config.yaml) bir kaynak kodu düzenleyicisinde açın. Analiz yapılandırma dosyasının num_stimuli parametresinde, k ve m tamsayıları için deneysel tasarımın gerektirdiği şekilde uyaran boyutunu mk + 1'e eşit olarak ayarlayın.
   NOT: Standart tasarımda, k ≥ 3 ve m = 6'dır. Bu nedenle, num_stimuli için geçerli değerler 19, 25, 31, 37, 43 ve 49'u içerir (tasarımın olası uzantıları için Tablo 1'e bakın).
3. Deneysel uyaranları sonlandırın. Deneme sözcüğü çalıştırılıyorsa bir sözcük listesi hazırlayın. Görüntü denemesi için yeni bir dizin oluşturun ve tüm uyarıcı görüntüleri içine yerleştirin. Desteklenen görüntü türleri png ve jpeg'dir. Dosya adlarında ayırıcı olarak nokta kullanmayın (ör. resim.1.png geçersizdir, ancak resim1.png veya image_1.png geçerlidir).
4. Deneme kelimesini çalıştırıyorsanız, uyaranları aşağıdaki gibi hazırlayın.
   1. Denemelerde/word_exp uyaranlar.txt adlı yeni bir dosya oluşturun. Bu dosya adım 3.3'te okunacaktır.
   2. Dosyada, uyaran kümesindeki sözcükleri, her sözcüğü ayrı bir satırda olacak şekilde, ekranda görünmeleri gerektiği gibi yazın. Fazladan boş satırlardan veya kelimelerin yanında fazladan boşluklardan kaçının. Referans için örnek malzemelere bakın (benzerlikler/sample-materials/word-exp-materials/sample_word_stimuli.txt).
5. Görüntü denemesi çalıştırılıyorsa, uyaran kümesinin yolunu aşağıdaki gibi ayarlayın.
   1. Denemeler dizininde, config.yaml (benzerlikler/experiments/config.yaml) adlı yapılandırma dosyasını bulun.
   2. Dosyayı bir kaynak kodu düzenleyicisinde açın ve dosyalar değişkeninin değerini, uyaran kümesini içeren dizinin yoluna güncelleştirin (adım 2.3). PsychoPy'nin görüntü uyaranlarını arayacağı yer burasıdır.

3. Sıralama denemeleri oluşturma

1. Bir uyaran .txt dosyası kullanın. Deneme sözcüğü çalıştırılıyorsa, adım 2.4'te oluşturulan dosya kullanılabilir. Aksi takdirde, dosya adları listesini kullanın (referans için bkz: benzerlikler/sample-materials/image-exp-materials/sample_image_stimuli.txt). Bu dosyayı uygun deneme dizinine (word_exp veya image_exp) yerleştirin.
2. Fazladan boş satırların yanı sıra adlardaki boşluklardan kaçının. Uyaran isimleri için deve veya snake_case kullanın.
3. Ardından, deneme sürümü yapılandırmaları oluşturun. Analiz dizininde config.yaml dosyasını açın ve path_to_stimulus_list parametresinin değerini stimuli.txt (adım 3.1'de oluşturulan) yoluna ayarlayın.
   1. Benzerlikler dizininden, aşağıdaki komutları birbiri ardına yürüterek komut dosyasını çalıştırın:
      cd ~/benzerlikler
      conda etkinleştirme venv_sim_3.8
      python -m analysis.trial_configuration
      conda devre dışı bırak # Sanal ortamdan çıkış
   2. Bu, benzerlikler içinde trial_conditions.csv adlı bir dosya oluşturur ve her satır, bir denemede görünen uyaranların adlarını ve ekrandaki konumlarını içerir. Örnek bir trial_conditions.csv dosyası sağlanır (benzerlikler/örnek-malzemeler). Analiz komut dosyaları için giriş parametreleri hakkında ayrıntılar için, Kullanım altındaki README projesine bakın.

Şekil 1: Temsili deneme örnekleri (adım 3.3). (A) Her satır tek bir deneme sürümünün ayrıntılarını içerir. Başlıklar, uyaranın dairenin etrafındaki konumunu gösterir. Ref altındaki uyaran merkezde görünür ve referansın etrafında stim 1 ila stim 8 görünür. (B) A'dan gelen ilk deneme (satır), referans uyaranı maymunun etrafındaki sekiz uyaranı göstermek için PsychoPy tarafından yapılır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

NOT: Bu noktada, bir tam deneysel çalışma için, yani bir tam veri kümesi için 222 denemeden oluşan tam bir set oluşturulmuştur. Şekil 1A , deney sözcüğü için yukarıdaki komut dosyası tarafından oluşturulan koşullar dosyasının bir bölümünü gösterir (bkz.

4. Ardından, bu 222 denemeyi oturumlara ayırın ve deneme sırasını randomize edin. Tipik tasarımda, oturumlar her biri yaklaşık 1 saat süren 111 denemeden oluşur.
   1. Bunu yapmak için, komut satırında aşağıdakileri çalıştırın:
      conda etkinleştirme venv_sim_3.8
      cd ~/benzerlikler
      python -m analysis.randomize_session_trials
   2. İstendiğinde, aşağıdaki giriş parametrelerini girin: adım 3.3.2'de oluşturulan trial_conditions.csv yolu; çıkış dizini; oturum başına deneme sayısı: 111; tekrar sayısı: 5.
      NOT: Tekrarların sayısı da değişebilir, ancak adım 4'te yürütülen oturumların sayısını etkileyecektir (bkz. Yineleme sayısının varsayılan değerini değiştiriyorsanız, yapılandırma dosyasındaki num_repeats parametresinin değerini (benzerlikler/analiz/config.yaml) düzenlediğinizden emin olun. Gerekirse, Deneme Sürümleri Oluştur bölümünün altındaki README dosyasında yukarıdakileri manuel olarak yapmak için adım adım talimatları kontrol edin.
5. Oluşturulan dosyaların her birini koşul olarak yeniden adlandırın ve kaydedin.csv, kendi dizininde. Önerilen dizin yapısına buradan bakın: benzerlikler/örnek-malzemeler/konu-veriler ve README projesinde.
   NOT: Adım 4'te belirtildiği gibi, her deney standart tasarımda, her biri ayrı bir günde olmak üzere 10 saatlik uzun oturumlar boyunca beş kez tekrarlanır. Deneklerden yorgunluğu önlemek için günde sadece bir seans gelmeleri istenmelidir. Farklı boyutlardaki uyaran setleri için gereken deneme ve seans sayısı için Tablo 1'e bakınız.

4. Denemeyi çalıştırma ve benzerlik verilerini toplama

1. Görevi konulara açıklayın ve onlara talimatlar verin. Her denemede, denekler sekiz uyaranla çevrili merkezi bir referans uyaranını görecek ve merkezi referansa benzerlik sırasına göre çevredeki uyaranları tıklamaları istenecektir, yani en benzer ilk ve en az benzer sonuncusunu tıklamaları gerekir.
2. Onlardan tutarlı bir strateji kullanmaya çalışmalarını isteyin. Onlara, 10 seans boyunca aynı uyaran konfigürasyonunun birçok kez gösterileceğini söyleyin. Çalışma semantik bilginin temsilini araştırıyorsa, başlamadan önce deneklerin uyaranlara aşina olduklarından emin olun.
3. İlgili deneme dizinine gidin (bkz. adım 2.1). Denemeyi ilk kez çalıştırıyorsanız, konu yanıtlarını depolamak için subject-data adlı bir dizin oluşturun. İçinde iki alt dizin oluşturun: ham ve önceden işlenmiş. Her konu için, subject-data/raw içinde bir alt dizin oluşturun.
4. Belirli bir oturum için adım 3'te hazırlanan koşullar.csv dosyasını kopyalayın ve geçerli dizine, yani psyexp dosyasını içeren dizine yapıştırın. Orada zaten koşullar .csv adlı bir dosya varsa, bunu geçerli oturumun dosyasıyla değiştirdiğinizden emin olun.
5. PsychoPy'yi açın ve ardından ilgili deneyin dizinindeki psyexp veya py dosyasını açın. PsychoPy'da, denemeyi çalıştırmak için yeşil Oynat düğmesine tıklayın. Kalıcı açılır pencerede, konu adını veya kimliğini ve oturum numarasını girin. Başlamak için Tamam'ı tıklatın. Talimatlar her oturumun başında görüntülenecektir.
6. Konunun görevi tamamlamasına yaklaşık 1 saat izin verin. Görev kendi hızınızda ilerlediğinden, denekleri gerekirse mola vermeye teşvik edin. Konu oturumu bitirdiğinde, PsychoPy otomatik olarak sonlandırılır ve benzerlikler/deneyler/_exp/veri dizininde dosyalar oluşturulur.
7. Bunları subject-data/raw/ dizinine aktarın (adım 4.3'te oluşturulur). Önerilen dizin yapısı için README konusuna bakın.
   NOT: Belirtildiği gibi, günlük dosyası sorun giderme amaçlıdır. PsychoPy'nin beklenmedik bir şekilde kapanmasının en yaygın nedeni, bir deneğin bir oturum sırasında yanlışlıkla Escape'e basmasıdır. Böyle bir durumda, son tamamlanan denemeye kadar olan denemeler için yanıtlar, yanıtlar.csv dosyasına yazılmaya devam eder.
8. PsychoPy beklenmedik bir şekilde kapanırsa, yeniden açın ve yalnızca denenmemiş denemelerle yeni koşullar.csv dosyası oluşturun. Mevcut oturumun koşullar dosyasını bununla değiştirin ve denemeyi yeniden çalıştırın. Oluşturulan dosyaları uygun yere kaydettiğinizden emin olun. Oturumun sonunda, iki yanıt dosyası el ile birleştirilebilir, ancak bu gerekli değildir.
9. Kalan oturumların her biri için, 4.4 ile 4.8 arasındaki adımları yineleyin.
10. Tüm oturumlar tamamlandıktan sonra, ham veri dosyalarını birleştirin ve daha fazla işlem için tek bir json dosyasında yeniden biçimlendirin. Bunu yapmak için, terminaldeki preprocess.py (benzerlikler/analiz/ön işlem.py) aşağıdaki gibi çalıştırın:
    cd ~/benzerlikler
    conda etkinleştirme venv_sim_3.8
    python -m analysis.preprocess
11. İstendiğinde, istenen giriş parametrelerini girin: özne-veri dizininin yolu, verilerin önceden işleneceği konu kimlikleri ve deneme adı (çıktı dosyasını adlandırmak için kullanılır). Enter tuşuna basın.
12. Sanal ortamdan çıkın:
    conda devre dışı bırak
    NOT: Bu, çıktı dizininde, her deneme için tekrarlar arasında yanıtları birleştiren bir json dosyası oluşturur. Benzerlik verileri konu-veri/ham olarak okunur ve özne-veriye/önceden işlenmiş olarak yazılır.

5. Benzerlik yargılarını analiz etme

NOT: Deneklerden, referansa benzerlik sırasına göre uyaranları tıklamaları istenir, böylece her denemede bir sıralama sağlanır. Standart deneyler için, her denemeyi beş kez tekrarlayın ve aynı sekiz uyaranın beş sıralama sıralamasını oluşturun (bkz. Şekil 2B). Bu rütbe yargıları, bir öznenin algısal mesafe çiftlerini karşılaştırdığı bir dizi karşılaştırma olarak yorumlanır. Deneğin her tıklamadan önce şu soruyu sorduğu varsayılır: "Referans ve uyaran A arasındaki (algısal) mesafe, referans ve uyaran B arasındaki mesafeden daha mı küçüktür?" Şekil 2C'de gösterildiği gibi, bu, her deneme için çoklu çift benzerlik karşılaştırmaları için seçim olasılıkları verir. Aşağıdaki analiz bu seçim olasılıklarını kullanır.

Şekil 2: Sıralama yargılarından seçim olasılıkları elde etmek. (A) Yaptığımız kelime deneyinden bir denemenin bir örneği. (B) Aynı duruşma için, birden fazla oturum boyunca beş rütbe sırası elde edildi. (C) Sıralama yargılarının temsil ettiği ikili farklılık karşılaştırmaları için seçim olasılıkları. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

1. Rütbe sırası yargılarından çift yönlü seçim olasılıklarını belirleyin.
   1. Benzerliklerde/çözümlemede, komut satırında describe_data.py çalıştırın.
      cd ~/benzerlikler
      conda etkinleştirme venv_sim_3.8
      python -m analysis.describe_data
   2. İstendiğinde, özne-veri/önceden işlenmiş yolunu ve analizin çalıştırılacağı konuların listesini girin.
      NOT: Bu, üç tür olay örgüsü oluşturacaktır: i) belirli bir öznenin tam veri kümesi için seçim olasılıklarının dağılımı, ii) konu çiftleri için seçim olasılıkları arasındaki tutarlılığı değerlendirmek için ısı haritaları ve iii) bağlam etkilerini değerlendirmek için iki bağlamda meydana gelen tüm karşılaştırmalar için seçim olasılıklarının ısı haritası. Operasyonel olarak, bu, aynı referansı ve halkadaki ortak bir uyaran çiftini içeren, ancak halkadaki diğer tüm uyaranlarda farklılık gösteren deneme çiftlerindeki seçim olasılıklarını karşılaştırmak anlamına gelir: ısı haritası, seçim olasılığının bu bağlama nasıl bağlı olduğunu gösterir.
2. Seçim olasılıklarını kullanarak algısal uzayların düşük boyutlu Öklid modellerini oluşturun. model_fitting.py komut satırında aşağıdaki gibi çalıştırın:
   cd ~/benzerlikler
   conda etkinleştirme venv_sim_3.8
   python -m analysis.model_fitting
   1. İstendiğinde aşağıdaki giriş parametrelerini sağlayın: özne-veri/önceden işlenmiş dizinin yolu; uyaran sayısı (varsayılan olarak 37); yineleme sayısı (modelleme analizinin kaç kez çalıştırılması gerektiği); çıktı dizini; ve Gauss gürültüsünün miktarı (varsayılan olarak 0,18).
      Not: Bu komut dosyasının çalıştırılması birkaç saat sürer. Tamamlandığında, benzerlik verilerini açıklayan 1D, 2D, 3D, 4D ve 5D modeller için en uygun koordinatları içeren npy dosyaları çıktı dizinine yazılacaktır. Farklı modellerin günlük olasılığı değerlerini içeren bir csv dosyası oluşturulur.
3. Elde edilen modellerin günlük olasılığını görselleştirin ve uyumlarını değerlendirin. Bunu yapmak için, komut satırında benzerlikler/analiz/model_fitting_figure.py komutunu çalıştırın:
   cd ~/benzerlikler
   python -m analysis.model_fitting_figure
   1. İstendiğinde, gerekli parametreyi girin: günlük olasılıklarını içeren csv dosyalarının yolu (adım 5.2'den itibaren).
   2. Y ekseninde günlük olasılıklarını ve x ekseninde model boyutlarını göstererek oluşturulan şekli analiz edin. Bir akıl sağlığı kontrolü olarak, Öklid modellerine ek olarak iki model dahil edilmiştir: rastgele bir seçim modeli ve mümkün olan en iyi model.
      NOT: Rastgele seçim modeli, konuların rastgele tıklattığını varsayar. Böylece, rastgelelikten daha iyi olan herhangi bir model için günlük olasılığı üzerinde mutlak bir alt sınır sağlar. Benzer şekilde, log-olasılığı (en iyi olarak etiketlenmiş) için bir üst sınır olarak, ampirik seçim olasılıklarını model olasılıkları olarak kullanan bir modelin günlük olasılığı vardır.
   3. Hiçbir Öklid modelinin en iyi modelden daha iyi performans göstermediğini doğrulayın, çünkü en iyi model tasarım gereği aşırı sığar ve geometrik hususlarla kısıtlanmamıştır. Çizilen olasılıkların en iyi günlük olasılığına göre olup olmadığını kontrol edin.
4. Her konu için algısal alanları görselleştirin. İlk iki ana bileşene yansıtılan 5B modeldeki noktaları gösteren dağılım grafikleri oluşturun. Bunu yapmak için, komut satırında benzerlikler/analiz/perceptual_space_visualizations.py komutunu çalıştırın:
   cd ~/benzerlikler
   python -m analysis.perceptual_space_visualizations
   1. İstendiğinde, parametreleri girin: konu kimlikleri (boşluklarla ayrılmış) ve adım 5.2'den elde edilen 5B noktaları içeren npy dosyasının yolu.
   2. Komut dosyasının yürütülmesi tamamlandıktan sonra sanal ortamdan çıkın:
      conda devre dışı bırak
      NOT: Bu komut dosyası, benzerlik yargılarının görselleştirilmesi içindir. 5B noktaları ilk iki ana bileşene yansıtarak, eşit varyansa sahip olacak şekilde normalleştirilmiş bir 2B dağılım grafiği oluşturacaktır. Denek onları daha az benzer olarak görürse iki nokta birbirinden daha uzak olacaktır ve bunun tersi de geçerlidir.

Representative Results

Şekil 1A, deneme sözcüğü için adım 3.3'te komut dosyası tarafından oluşturulan bir koşul dosyasının bir bölümünü gösterir. Her satır bir deneme sürümüne karşılık gelir. Ref sütunundaki uyaran ekranın ortasında görünür. Stim1'den stim8'e kadar olan sütun adları, merkezi referansın sağındaki konumdan başlayarak saat yönünün tersine çalışan bir daire boyunca sekiz konuma karşılık gelir. Kelime deneyinden örnek bir deneme Şekil 1B'de gösterilmiştir.

Fizibilite ve tekrarlanabilirliği göstermek için, uyaran setinin 37 hayvanın isimlerini oluşturduğu bir deney yapıldı. Bir çalışmanın parçası olarak normal görüşe sahip sekiz sağlıklı denekten tam veri setleri toplandı. Yöntemi göstermek için, bu konulardan üçünden elde edilen veriler, ikisi çalışmanın amacına naif olan burada gösterilmiştir. Bilgilendirilmiş onam, Helsinki Deklarasyonu'na ve Weill Cornell Tıp Koleji'nin kurumsal kılavuzlarına uygun olarak alınmıştır.

Veri toplandıktan sonra, yukarıda özetlenen ilk işlem (protokol adımı 4.10-4.12) gerçekleştirilmiştir. Deneklerin her denemedeki yanıtları, çevredeki halkadaki tüm uyaran çiftleri için "Referans ve _s1 arasındaki mesafe, referans ve _s2 arasındaki mesafeden daha mı az?" şeklinde bağımsız, ikili seçimler kümesi olarak yorumlanmıştır. Rütbe yargıları, Şekil 2C'de gösterildiği gibi, bu tür ikili seçimlere ayrıştırılmıştır.

Şekil 3A, denekler arasında oldukça tutarlı olan bu seçim olasılıklarının dağılımını göstermektedir (protokol adım 5.1). Her deneme beş kez tekrarlandığından, seçim olasılıkları aşağıdaki değerleri almıştır: 0, 0.2, 0.4, 0.6, 0.8 ve 1. En sık tercih olasılıkları, deneklerin her birindeki tüm kararların% 50-70'ine denk gelen 0 ve 1'dir; bunlar her seferinde bir seçeneğin seçildiği yargılardır. Örneğin, s1 ve _s2 arasındaki mesafeyi 5 üzerinden _s1 ve _s3 0 arasındaki mesafeden daha az olarak değerlendirmek, 0'lık bir seçim olasılığına karşılık gelir; Bu yargıyı 5 defadan 5'inde vermek, 1'lik bir seçim olasılığına karşılık gelir. Özellikle, Şekil 3B'deki panellerin her birinde köşegenin yakınındaki verilerin kümelenmesinde görüldüğü gibi, aşırı uçlarda olmayan yargılar için bile, denekler arasındaki seçim olasılıklarında büyük bir tutarlılık vardır.

Daha sonra, bağlam etkileri değerlendirildi. Bu, deneysel tasarımın önemli bir özelliği nedeniyle mümkündü: bir referans uyaranın birçok üçlüsü ve iki karşılaştırma uyaranı _s1 ve _s2 , iki bağlamda tekrarlanır (yani, uyaran dizisini tamamlamak için diğer altı uyarandan oluşan farklı setlerle). Ardından, her bir çift karşılaştırmanın seçim olasılığı her bağlamda ayrı ayrı tablolaştırıldı. Şekil 4'teki baskın köşegen, her bir konu için iki bağlamdaki seçim olasılıklarının - 0 ile 1 arasında ara olan seçim olasılıkları da dahil olmak üzere - özdeş olduğunu gösterir. Seçim olasılıkları bağlama büyük ölçüde bağlı olsaydı, güçlü bir şekilde ilişkili olmazlardı ve bu köşegen belirgin olmazdı.

Bağlam etkileri de istatistiksel bir ölçümle değerlendirildi. Bağlam etkisinin ölçüsü aşağıdaki gibi oluşturulmuştur. İlk adım, gözlemlenen veri kümesi için (aşağıda ayrıntılı olarak açıklanmıştır) gözlemlenen yargıların bağlama ne ölçüde bağlı göründüğünü ölçen bir dengesizlik istatistiği hesaplamaktır. Daha sonra, gerçek verilerle aynı deneme yapılandırmalarına, deneme sayılarına ve genel seçim olasılıklarına sahip 10000 simüle edilmiş veri kümesi oluştururuz, ancak gözlemlenen yargıları iki bağlama rastgele atayarak bağlam etkisi içermeyen bir şekilde oluşturulur. Daha sonra, gözlemlenen yanıtlar için yapıldığı gibi, bu simüle edilmiş veri kümeleri için dengesizlik istatistiğini hesaplıyoruz. Son olarak, gözlemlenen dengesizliğin bağlam etkisi olmayan bir veri kümesinden elde edilmiş olma olasılığını belirlemek için, gözlemlenen yanıtlar için dengesizlik istatistiğini simüle edilmiş veri kümeleri için dengesizlik istatistiği ile karşılaştırıyoruz. 0.05'< ampirik bir p-değeri, bir bağlam etkisinin mevcut olduğunu göstermektedir. Şekil 4'teki veriler için p-değerleri sırasıyla 0.98, 0.30 ve 0.33, S4, S7 ve S9 için, yani tüm değerler 0.05 >.

Bir veri kümesinin dengesizlik istatistiği, iki bağlamda meydana gelen tüm üçlüler üzerindeki katkıların toplamı olarak hesaplanır. Her üçlünün katkısı (örneğin, d(ref, _s1) ile d(ref, _s2)) karşılaştırılarak) aşağıdaki gibi belirlenir. İlk olarak, bu üçlünün yargıları 2 x 2 tablosunda toplanır. Sütunlar iki bağlama karşılık gelir, bu nedenle sütun toplamları bu bağlamdaki toplam sunu sayısıyla sınırlıdır. Satırlar, d(ref, s1) < d(ref, s2) veya d(ref, _s1) > d(ref, s2) gibi alternatif yargıların sayımlarına karşılık gelir, bu nedenle satır toplamları, bağlamlar arasında toplanan gözlemlenen seçimlerle sınırlandırılır. İki kuyruklu Fisher kesin ^testi14, satırlar ve sütunlar arasında gözlemlenen (veya daha büyük) etkileşime sahip bir tablonun (yargılar ve bağlamlar) gerçekte hiçbir etkileşim yoksa görülme olasılığını verdiğinden, bu olasılığın negatif logaritmasını bu üçlünün genel dengesizlik istatistiğine katkısı olarak kullanırız. Genel bir dengesizlik istatistiği oluşturmak için negatif logaritmaları toplamak, böylece bağlam etkisinin olmadığı sıfır hipotezi altında, üçlüler arasında gözlemlenen dengesizliğin ortak olasılığını yakalar.

Hayvan isimlerinin zihinsel temsilini modellemek için, 1, 2, 3, 4 ve 5 boyutlarındaki algısal uzayların Öklid modelleri, maksimum olasılık yaklaşımı kullanılarak türetilmiştir. Deneklerin tepkileri, iki mesafenin tahmindeki hataları, yani karar aşamasındaki gürültüyü temsil eden katkı Gauss gürültüsü ile karşılaştırılmasını yansıtan kararlar olarak modellenmiştir. Şekil 5, beş Öklid modelinin log olasılıklarını (karar başına) göstermektedir. Günlük olasılıkları, en iyi modelin günlük olasılığına, yani gözlemlenen seçim olasılığını her karşılaştırmaya atayan bir modele, bu olasılıkları herhangi bir geometrik düşünceyle sınırlamadan gösterilir. Bu log-olasılıkları perspektife koymak için, rastgele seçim modelinin log-olasılığı da belirtilir; bu, model performansı için daha düşük bir sınır görevi görür. Model uyumu, eklenen her boyutla birlikte iyileşir. En büyük sıçrama, basit bir 1B modelin verileri tam olarak açıklayamadığını gösteren 1B ve 2B modeller arasındadır. Bununla birlikte, 4 ila 5 boyutlarının etrafındaki plato, 5D modelin bile benzerlik yargılarını açıklayan mesafeleri tamamen yakalamadığını göstermektedir. Yaklaşımı doğrulamak için, işlem hattı benzetimli veriler üzerinde de çalıştırıldı. Sırasıyla 1D, 2D, 3D, 4D ve 5D uzaylardan çizilen noktalar arasında benzerlik yargıları üretmek için ayrı deneyler simüle edildi. Her durumda, yöntem boyutsallığı doğru bir şekilde tanımladı. Ayrıca, doğru boyutsallığa sahip bir model, modelden elde edilen temel doğruluk günlüğü olasılığı ile aynı fikirde olan bir günlük olasılığı verdi.

Son olarak, algısal uzay modellerindeki noktaların organizasyonu görselleştirildi. Şekil 6 , bir özne, S7 için bu verileri göstermektedir. Algısal uzayın 5D modelinden noktalar üzerinde ana bileşen analizi (PCA) yapıldı. Sırasıyla ilk iki ve birinci ve üçüncü ana bileşenlere yansıtılan noktalar, Şekil 6A ve Şekil 6B'de gösterilmiştir ve eksenler eşit varyans için normalleştirilmiştir. Deneysel olarak elde edilen benzerlik yargılarıyla aynı hizada olan noktalar arasındaki mesafeler: benzer olarak algılanan hayvanlar, birbirine yakın olan noktalarla gösterildi.

Şekil 3: Konular arasında tutarlılık. (A) Tüm ikili karşılaştırmalar için seçim olasılıklarının üç konuya dağılımı. (B) Denek çiftleri arasında aynı ikili karşılaştırmalar için seçim olasılıkları. Renk çubuğu, gözlemlenen eklem olasılığının bağımsız eklem olasılığına oranını gösterir. Ana köşegen boyunca yüksek değerler, konular arasında tutarlılığı gösterir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 4: Bağlam efektleri. Üç konunun her biri için iki bağlamda yapılan tüm ikili karşılaştırmalar için seçim olasılıkları. A, keyfi olarak, bir üçlünün sunulduğu bir bağlama atıfta bulunur ve B, diğer bağlama atıfta bulunur. Renk çubuğu, gözlemlenen eklem olasılığının bağımsız eklem olasılığına oranını gösterir. Ana köşegen boyunca yüksek değerler, bağlam etkilerinin eksikliğini gösterir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 5: Model uydurma analizinin sonuçları. Farklı boyutlardaki modellerin yanı sıra üç konu için gösterilen rastgele seçim (alt sınırlı) model için göreli günlük olasılıkları. Sıfırın göreceli bir günlük olasılığı, seçim olasılıklarının geometriyi dikkate almadan ampirik seçim olasılıklarıyla eşleştiği en iyi modelin günlük olasılığına karşılık gelir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 6: Bir nesnenin (S7) algısal uzayı daha ayrıntılı olarak. Modellemeden elde edilen 5B koordinatların izdüşümü, (A)'daki ilk iki ana bileşene ve (B)'deki birinci ve üçüncü ana bileşenlere yansıtılmıştır. Eksenler, her eksen boyunca varyans eşit olacak şekilde ölçeklendirilir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tablo 1: Örnek parametre kümeleri. Deneysel paradigma, daha az veya daha fazla uyaran, deneme ve ikili karşılaştırmalara sahip olacak şekilde değiştirilebilir. Kalın yazı tipindeki satır, kullandığımız parametreleri gösterir. Bu tabloyu indirmek için lütfen tıklayınız.

Tablo 2: analysis/config.yaml ve experiments/config.yaml içindeki parametreler. Bu tabloyu indirmek için lütfen tıklayınız.

Discussion

Burada özetlenen protokol, görsel olarak sunulabilecek uyaranlar için benzerlik yargılarının elde edilmesi ve analiz edilmesinde etkilidir. Deneysel paradigma, analiz ve olası uzantılar, daha sonra yöntemin avantaj ve dezavantajları tartışılmaktadır.

Deneysel paradigma: Önerilen yöntem, 37 hayvan adından oluşan bir etki alanı kullanılarak gösterilmiştir ve 5. adımdaki analizi takip edebilmeniz ve Şekil 3-6'nın bölümlerini yeniden üretebilmeniz için algısal yargıların örnek bir veri kümesi sağlanmıştır (protokol adım 1.4). Deneysel tasarım, bu 37 uyaranı, her biri merkezde bir referans uyaranı ve çevreleyen halkada sekiz karşılaştırma uyaranı içeren 222 denemeye ayırır, böylece birkaç kriter geçerlidir: a) 37 uyaranın her biri, referans olarak eşit sayıda (altı) kez (222 = 37×6) görünür, b) bir uyaranın referans olduğu altı denemede, kalan 36 uyaranın tümü en az bir kez karşılaştırma uyaranı olarak kullanılır, c) 24 uyaran, belirli bir referansla tam olarak bir karşılaştırmada ortaya çıkar ve d) iki ayrı çalışmada referansla birlikte altı çift uyaran ortaya çıkar. Paradigmanın bu yönü, her referans uyaranı için ayrı bağlamlarda altı çift karşılaştırma uyaranı meydana gelmesi, adım 5'teki bağlam etkilerinin kontrol edilmesine izin verir (bkz. Şekil 4). Bu standart tasarım, 6216 = 222×28 karşılaştırmasını "S1'e yapılan referansın benzerliği, _s2'ye olan referansın benzerliğinden daha büyük veya daha az mı" şeklinde verir. Bu verimlilik mümkündür, çünkü 222 denemenin her biri sekiz benzerlikten oluşan bir sıralama verir ve sekiz sıralanmış benzerlik 28 çift yönlü karşılaştırma üretir. Bu 6216 karşılaştırmadan 222'si tekrarlanır ve bize 5994 benzersiz karşılaştırma verir.

Uyaran alanı seçildikten sonra, bir sonraki en önemli tasarım kararı numune sayısıdır. Birçok alternatif tasarım mümkündür (Tablo 1), uyaranların farklı bağlamlarda tekrarlanma şekli için başka seçeneklerle birlikte. Şekil 4'te belirtildiği gibi, her denemede, başka bir denemede birlikte görünen bir üçlü - referans ve iki çevreleyen uyarandan oluşan - vardır. Ortak bir referansa sahip başka bir denemeyle çakışan çevredeki uyaranların sayısı - bu durumda, ikiye eşittir - analiz yapılandırma dosyasındaki örtüşme parametresi tarafından kontrol edilir. Bu parametrenin arttırılması, iki deneme arasında daha fazla uyaranın paylaşılmasına neden olur ve mesafe sıralamasının daha kapsamlı karşılaştırmalarına izin verir, örneğin, "_S1, referansa s2'den daha benzer mi ve _{s2, s3'ten} daha mı benzer?" Bu ve diğer parametrelerin farklı değerleriyle mümkün olan diğer deneysel tasarımların örnekleri için Tablo 1'e bakınız. Tüm parametreler, neleri kontrol ettikleri ve nerede değiştirilecekleri hakkında ayrıntılar için Tablo 2'ye bakın. Özellikle, her denemede bir referans etrafında görünen uyaran sayısını, sırasıyla görüntü ve kelime deneyleri için num_images_per_trial ve num_words_per_trial parametreleri değiştirerek değiştirmek de mümkündür. Çevrenin boyutunun arttırılması, deneme başına karşılaştırma sayısını ve daha iyi çalışma bağlamı etkilerini artıracaktır; azaltılması görev karmaşıklığını azaltacaktır. Bir denemedeki karşılaştırma uyaranlarının sayısı (_Ncircle), deneydeki uyaranların sayısı (_Nstim), denemelerin sayısı (_Ntrials), benzersiz karşılaştırmaların sayısı (_Ncomparisons) ve tekrarlanan karşılaştırmaların sayısı (_Nrepeated) birbiriyle ilişkilidir ve denemeler arasında daha önce bahsedilen örtüşmenin boyutuna bağlıdır (_Noverlap ) ve referans uyaranı başına deneme sayısı (k). Uyaran kümesi boyutu, keyfi bir tamsayı olan m ile belirlenir. Bu ilişkiler aşağıda listelenmiştir:

Paradigma ve veri toplama prosedürlerinin karışıklıkları en aza indirmeye yardımcı olan başka ayrıntıları da vardır. Uyaranların yerleştirilmesini ve deneme sırasını (adım 3.4) randomize etmek önemlidir, böylece oturumlar tekrarlandığında bile, denek uyaranların yerleştirilmesinde mekansal veya zamansal kalıpları tanımaya başlamaz. Deneklere, benzerliğin nasıl ölçüleceği konusunda doğrudan ipuçları vermemek de önemlidir (adım 4), çünkü bu, sonuçları önyargılı hale getirebilir. Belirli bir deney bağlamında benzerliğin kendileri için ne anlama geldiğine kendileri karar vermelidirler. Bununla birlikte, deneyi tamamladıktan sonra denekleri bilgilendirmek yararlıdır, çünkü bu, bulguların denekler arasında nasıl değiştiğini anlamaya yardımcı olabilir. Herhangi bir nedenle bir oturum bozulur veya iptal edilirse, tüm deneme sürümlerinin eşit sayıda tamamlanması için oturumun tamamını silmenizi öneririz.

Benzerlik verilerinin analizi: Deney, her deneme için, _Ncircle karşılaştırma uyaranları ile referans arasındaki benzerliğin sıralama sıralamalarını verir. Uyaran çiftlerinin karşılaştırmalarına ayrıştırıldığında, bu denemeler benzersiz karşılaştırmaların her biri için seçim olasılıkları verir. Seçim olasılıkları daha sonra algısal uzayın geometrik modellerini aramak için analiz edilir (protokol adım 5). Analiz, seçim olasılıklarını, bir Öklid uzayındaki uyaranlar, d(_si, _sj) arasındaki mesafeler açısından açıklamaya çalışır. Yani, amaç her bir uyarana koordinatlar atamaktır, böylece s2'den önce _s1'i tıklamak için seçim olasılığı, öznenin d(ref, _s1) < d(ref, _s2) olarak değerlendirilme olasılığını yansıtır. Bu uygulama yordamı, hem bazı yeni öğelere sahip olduğu için hem de kullanıcının bunu değiştirmesini sağlamak için burada açıklanmıştır (protokol adımı 5.2).

Analiz, bir tür çok boyutlu ölçeklendirme problemidir, ancak bazı ayırt edici özelliklere sahiptir. İlk olarak, veriler mesafelerin tahminlerinden ziyade benzersizlik yargılarının sıralanmasını sağlar. İkincisi, veri kümesi, kapsamlı olsa da, yalnızca çift yönlü mesafelerin olası tüm karşılaştırmalarının bir alt kümesini içerir. Son olarak, amaç seçim olasılıklarını açıklamaktır, sadece hangi mesafenin daha büyük olduğuna dair ikili bir karar değil. Bu hususlar göz önünde bulundurularak, maliyet fonksiyonu, model tarafından tahmin edilen seçim olasılıklarının deneysel olarak gözlemlenen seçim olasılıklarını verme olasılığı en yüksek olduğunda değeri en aza indirilecek şekilde seçilir. Bu nedenle, model altında gözlemlenen seçim olasılıklarının negatif log-olasılığı olarak tanımlanır, çift yönlü karşılaştırmaların toplam sayısı ile normalleştirilir ve önceki çalışmalardan ^uyarlanır15:

burada _N0 = _Ncomparisons. _Nrepeats ve _Nrepeats, protokolün tekrar sayısıdır (yani, her benzersiz denemenin kaç kez tekrarlandığı) ve

Burada, _srde, bir denemedeki referans uyaranını, _si ve _sj'yi ve _sr etrafındaki halkadaki uyaranları gösterir. P (d(sr, si) < d(sr, sj)), sr ve si arasındaki mesafenin sr ve _sj arasındaki mesafeden daha küçük olarak değerlendirildiği model olasılığını temsil eder ve C, öznenin d(_sr, _si) olarak yargıladığı süreyi gösterir_. ) < d(_sr, _sj). Modelleme analizinin amacı, ampirik seçim olasılıklarını açıklayan bir Öklid uzayındaki noktaların bir konfigürasyonunu bulmaktır. Yinelemeli olarak, minimizasyon her uyarana atanan koordinatları ve bunu yaparken model seçimi olasılıklarını (P) ayarlar. Maliyet fonksiyonu toleransın altına düşmeyi durdurduğunda (tolerans adı verilen ayarlanabilir bir parametre bunu kontrol eder) veya maksimum yineleme sayısına ulaşıldığında (parametre max_iterations tarafından kontrol edilir) minimizasyon sona erer.

Uyaran koordinatlarını model seçim olasılıklarına bağlamak için, bir deneğin - bir denemede tıklamak için iki uyaran arasında seçim yaparken - referansla göreceli mesafelerinin, yani d (sr, _si) ve d (_sr, _sj) 'nin dahili bir karşılaştırmasını yapacağı varsayılır. Bu mesafeler (varsayılan olarak) _sr, _si ve sj uyaranlarına atanan noktalar arasındaki sıradan Öklid mesafeleridir. Ayrıca, bu zihinsel karşılaştırmanın, Maloney ve ^ark.16,17 tarafından tek boyutlu alanlar için tanıtılan ve aynı zamanda çok boyutlu alanlar için kullanılan bir model olan standart sapma σ bir katkı Gauss kaynağı olarak modellediğimiz içsel bir gürültüye sahip olduğu varsayılmaktadır15. Model seçimi olasılıkları koordinatlarla şu şekilde ilişkilidir:

İç gürültü, σ, analiz yapılandırma dosyasında değişen sigma ile kontrol edilebilir. Algoritmayı bir dizi uyaran koordinatıyla başlatmak için, bir dizi yaklaşık mesafe elde etmek için rütbe sırası kararları kullanıldı ve daha sonra ilk koordinatları elde etmek için bu mesafelere standart çok boyutlu ^{ölçeklendirme10} uygulandı. Bu yaklaşık mesafeler, her bir uyaran çifti için kazanç ve kayıpların hesaplanmasıyla belirlendi. Yani, verilerdeki tüm ikili karşılaştırmalara bakıldığında, her seferinde bir mesafe, d(sr, sk) diğerinden daha büyük olarak değerlendirildiğinde, d(sr, sn), daha büyük mesafe d(_sr, _sk) için bir kazanç kaydedilir ve d(_sr, _sn) için bir kayıp kaydedilir. ). Temel fikir, iki uyaran arasındaki mesafe ne kadar büyük olursa, o kadar sık başka bir mesafeden (kazançlar açısından) daha büyük olarak değerlendirileceği ve bunun tersi de geçerlidir. Tüm karşılaştırmaları yineledikten ve her bir uyaran çiftinin kazanç ve kayıplarını tablolaştırdıktan sonra, mesafe tahminleri aşağıdaki gibi hesaplanır:

Bu yapıldıktan sonra, ilk koordinat kümesi, _dinit'e (_si, _sj) standart metrik çok boyutlu ölçeklendirme uygulanarak belirlenir.

Bu şekilde açıklanan minimizasyon rutini, 1, 2, 3, 4 ve 5 boyutlu modeller elde etmek için bağımsız olarak çalıştırılır. Her durumda, çıkarılan uyaran noktalarının optimal koordinatları ve maliyet fonksiyonunun değeri, yani ampirik seçim olasılıklarının negatif log-olasılığı döndürülür. Günlük olasılığı, Şekil 5'te, Denklem 1'de olduğu gibi benzer şekilde hesaplanan mümkün olan en iyi günlük olasılığına göre çizilmiştir.

,

tüm karşılaştırmalar için. Bir akıl sağlığı kontrolü olarak, Şekil 5'te, modellerin performansını değerlendirmek için daha düşük bir sınır olan rastgele model günlüğü olasılığı da çizilmiştir. Rastgele seçim günlüğü olasılığını hesaplarken,

tüm karşılaştırmalar için.

Olası uzantılar: İlk olarak, daha önce de belirtildiği gibi, deneysel paradigma farklı boyutlardaki uyaran kümelerini barındıracak şekilde değiştirilebilir ve halkadaki uyaranların sayısı, deneme başına farklı sayıda çift yönlü karşılaştırma yapmak için değiştirilebilir (bkz. Tablo 1).

İkincisi, analizde Öklid dışı mesafe metriklerini kullanmak yararlı olabilir. Örneğin, bir çalışma, şehir bloğu metriğinin, yüzey hafifliği ve aydınlatmasının algısal bir alanını daha iyi temsil ettiğini ^bulmuştur18. Önerilen yöntem genelleştirilebilir, bu nedenle şehir bloğu mesafesi, Minkowski mesafesi veya hiperbolik ^mesafe19 gibi diğer mesafe metriklerine sahip modeller benzerlik verilerine uygundur. Bunu yapmak için, sağlanan kodu değiştirmek ve alternatif bir mesafe metriği uygulamak gerekir. Gerekli ana değişiklik, dosya benzerlikleri/analiz/dist_model_ll_vectorized 105. satırdadır (işlev adı: pairwise_likelihood_analysis.py).

Güçlü yönleri ve sınırlamaları: Önerilen yaklaşımın önemli bir gücü, çeşitli uyaran seti boyutları, çeşitli karşılaştırmalar, tekrarlar veya deneme başına uyaran sayısının yanı sıra bağlam etkilerini ölçmek için çeşitli örtüşen set boyutlarıyla deneyler tasarlamak için esnek bir çerçeve sağlamasıdır. Denemeler arasındaki örtüşmenin boyutunu ve bir denemedeki çevrenin boyutunu değiştirerek, deneme başına çok sayıda çift benzerlik kararı elde ederken, benzerlik kararlarında bağlamın rolünü araştırabiliriz. Yöntem, benzerlik verilerini toplamak için önceki deneysel paradigmaların birçok sınırlamasını ele almaktadır. Örneğin, düzenlemeye dayalı ^{yöntemlerin12,20} (uyaranların benzer öğelerin bir araya getirildiği ve farklı öğelerin birbirinden ayrıldığı bir 2B Öklid düzleminde düzenlenmesini gerektiren) ve sıralama yöntemlerinden (uyaranların yığınlar halinde kategorize edilmesini gerektiren) farklı ^olarak,11 sıralama yöntemi^, deneklerden iç temsillerini herhangi bir geometrik yapıya yansıtmalarını sağlamaz. Bazı geçmiş yöntemlerin bir başka sınırlaması - örneğin, hızlı tanıma görevlerinde birbirleriyle karıştırıldıklarında iki uyaranın benzer kabul edildiği karışıklık ^matrisleri21 - derecelendirilmiş ölçümler vermemeleridir. Bu yöntem, derecelendirilmiş ölçüler, yani seçim olasılıkları verir.

Yukarıda vurgulandığı gibi, toplama yöntemi, iç temsilin bir Öklid uzayı olduğunu varsaymadığı için esnektir. Burada, analiz yöntemi sadece Öklid modellerini test eder; ancak, kaynak kodundaki yerelleştirilmiş değişikliklerle Öklid dışı modelleri de içerecek şekilde genişletilebilir. Ancak, modelleme çerçevesi bağlam etkilerini dikkate alacak şekilde tasarlanmamıştır. Önemli olsalardı, çıkarılabilecek sonuçlara bir uyarı verirdi.

Önerilen yöntem, eşleştirilmiş karşılaştırma yaklaşımından daha zaman verimlidir. Paradigmanın her denemesi yaklaşık ~ 30 s sürer (denekler saatte 111 deneme yapar), saatte 111×28 = 3108 karşılaştırma yapar. Tek karşılaştırmalı denemelerin deneme başına 3 saniyeden az sürmesi olası değildir, bu da saatte 1200 karşılaştırma sağlar. Ek olarak, ikinci bir verimlilik seviyesi vardır: mevcut yaklaşım, tüm çift yönlü mesafelerin karşılaştırılmasını gerektirmez. Makaledeki örnek için, çift yönlü mesafelerin tamamı 221445 karşılaştırmalara karşılık gelir, ancak mevcut yaklaşımda, her biri 5 veya 10 kez tekrarlanan 5994 benzersiz karşılaştırmanın seyrek bir alt kümesi, benzerlik verilerini modellemek için yeterlidir. Bununla birlikte, yöntem, verimli olmasına rağmen, hala zaman alıcıdır ve deneklerden önemli bir taahhüt gerektirir. Sonuç olarak, veriler konular arasında bir araya getirilmediği sürece, yüzlerce uyaran kümesi için uygulanabilir bir yaklaşım değildir. Son olarak, yaklaşım görsel olmayan uyaranlara doğrudan uygulanamaz.

Materials

Name	Company	Catalog Number	Comments
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.