Summary
הפרוטוקול מציג פרדיגמת פסיכופיזיקה ניסיונית להשגת כמויות גדולות של שיפוטי דמיון, ותהליך עבודה נלווה לניתוח. הפרדיגמה בוחנת אפקטים הקשר ומאפשרת מידול של נתוני דמיון במונחים של מרחבים אוקלידיים של לפחות חמישה ממדים.
Abstract
שיפוטי דמיון משמשים בדרך כלל לחקר ייצוגים מנטליים ואת הקורלציה העצבית שלהם. גישה זו שימשה לאפיון מרחבים תפיסתיים בתחומים רבים: צבעים, אובייקטים, תמונות, תמונות, מילים וצלילים. באופן אידיאלי, אפשר לרצות להשוות הערכות של דמיון נתפס בין כל זוגות הגירויים, אבל זה לעתים קרובות לא מעשי. לדוגמה, אם מבקשים מנושא להשוות את הדמיון של שני פריטים עם הדמיון של שני פריטים אחרים, מספר ההשוואות גדל עם הכוח הרביעי של גודל ערכת הגירוי. אסטרטגיה חלופית היא לשאול נושא לדרג קווי דמיון של זוגות מבודדים, למשל, בקנה מידה Likert. זה הרבה יותר יעיל (מספר הדירוגים גדל באופן מרובע עם גודל מוגדר ולא מרובע), אבל דירוגים אלה נוטים להיות לא יציבים ויש להם רזולוציה מוגבלת, והגישה גם מניחה כי אין השפעות הקשר.
כאן מוצגת פרדיגמת דירוג חדשנית לאיסוף יעיל של שיפוטי דמיון, יחד עם צינור ניתוח (תוכנה שסופקה) הבודק אם מודלים של מרחק אוקלידי אחראים לנתונים. ניסויים אופייניים מורכבים משמונה גירויים סביב גירוי התייחסות מרכזי: הנושא מדרג גירויים לפי הדמיון שלהם להתייחסות. על ידי בחירה נבונה של שילובים של גירויים המשמשים בכל ניסוי, הגישה יש בקרות פנימיות עבור עקביות ואפקטים הקשר. הגישה אומתה לגירויים שנלקחו ממרחבים אוקלידיים של עד חמישה ממדים.
הגישה מודגמת בניסוי המודד קווי דמיון בין 37 מילים. כל ניסוי מניב את התוצאות של 28 השוואות זוגיות של הטופס, "האם A היה דומה יותר להתייחסות מאשר B היה להתייחסות?" בעוד השוואת כל זוגות זוגות הגירויים הייתה דורשת ניסויים 221445, עיצוב זה מאפשר שחזור של המרחב התפיסתי משנת 5994 השוואות כאלה שהתקבלו מ -222 ניסויים.
Introduction
בני אדם מעבדים ומייצגים מידע חושי נכנס כדי לבצע מגוון רחב של משימות, כגון זיהוי אובייקטים, ניווט, הסקת מסקנות לגבי הסביבה ורבים אחרים. שיפוטי דמיון משמשים בדרך כלל כדי לחקור את הייצוגים הנפשיים האלה1. הבנת המבנה של ייצוגים מנטליים יכולה לספק תובנה על ארגון הידע המושגי2. ניתן גם לקבל תובנה על חישובים עצביים, על ידי התייחסות שיפוטי דמיון לדפוסי הפעלת המוח3. בנוסף, שיפוטי דמיון חושפים תכונות בולטות בתפיסה4. לימוד האופן שבו ייצוגים מנטליים משתנים במהלך ההתפתחות יכול לשפוך אור על האופן שבו הם נלמדים5. לפיכך, שיפוטי דמיון מספקים תובנה רבת ערך על עיבוד מידע במוח.
מודל נפוץ של ייצוגים מנטליים באמצעות קווי דמיון הוא מודל חלל גיאומטרי 6,7,8. מודל מסוג זה, המיושם על תחומים חושיים, מכונה לעתים קרובות מרחב תפיסתי9. נקודות במרחב מייצגות גירויים ומרחקים בין נקודות תואמים את השונות הנתפסת ביניהן. משיקולי דמיון, ניתן לקבל הערכות כמותיות של שונות. לאחר מכן ניתן להשתמש בשינויים זוגיים (או מרחקים תפיסתיים) אלה כדי לדגמן את המרחב התפיסתי באמצעות שינוי קנה מידה רב-ממדי10.
ישנן שיטות רבות לאיסוף פסקי דין דמיון, כל אחד עם היתרונות והחסרונות שלו. הדרך הפשוטה ביותר להשיג אמצעים כמותיים של שונות היא לבקש מהנבדקים לדרג בקנה מידה את מידת השוני בין כל זוג גירויים. אמנם זה מהיר יחסית, הערכות נוטות להיות לא יציבות על פני מפגשים ארוכים כמו נושאים לא יכולים לחזור פסקי דין קודמים, ואפקטים הקשר, אם קיים, לא ניתן לזהות. (כאן, אפקט הקשר מוגדר כשינוי בדמיון שנשפט בין שני גירויים, בהתבסס על נוכחות של גירויים אחרים שאינם משווים.) לחלופין, ניתן לבקש מהנבדקים להשוות את כל זוגות הגירויים לכל זוגות הגירויים האחרים. אמנם זה יניב סדר דירוג אמין יותר של הבדלים, מספר ההשוואות נדרש סולמות עם הכוח הרביעי של מספר הגירויים, מה שהופך אותו אפשרי רק ערכות גירוי קטן. לחלופות מהירות יותר, כגון מיון למספר מוגדר מראש של אשכולות11 או מיון חינם יש מגבלות משלהן. מיון חופשי (למספר רב של ערימות) הוא אינטואיטיבי, אך הוא מאלץ את הנושא לסווג את הגירויים, גם אם הגירויים אינם להשאיל את עצמם בקלות לסיווג. השיטה הרב-סידורית העדכנית יותר, MDS הפוכה, עוקפת רבות מהמגבלות הללו והיא יעילה מאוד12. עם זאת, שיטה זו מחייבת את הנבדקים להקרין את הייצוגים המנטליים שלהם על מישור אוקלידי דו-ממדי ולשקול קווי דמיון באופן גיאומטרי ספציפי, מה שהופך את ההנחה כי מבנה הדמיון ניתן לשחזר ממרחקים אוקלידיים על מטוס. לפיכך, נותר צורך בשיטה יעילה לאיסוף כמויות גדולות של פסקי דין דמיוניים, מבלי להניח הנחות לגבי הגיאומטריה שבבסיס פסקי הדין.
מתואר כאן היא שיטה כי הוא גם יעיל למדי וגם מונע את המלכודות הפוטנציאליות לעיל. על ידי בקשת הנבדקים לדרג גירויים לפי סדר הדמיון להתייחסות מרכזית בכל ניסוי13, ניתן לחקור את הדמיון היחסי ישירות, מבלי להניח דבר על המבנה הגיאומטרי של תגובות הנבדקים. הפרדיגמה חוזרת על תת-קבוצה של השוואות עם הקשרים זהים ושונים כאחד, ומאפשרת הערכה ישירה של השפעות ההקשר, כמו גם רכישת תגובות מדורגות במונחים של הסתברויות בחירה. הליך הניתוח מפרק את פסקי הדין הללו להשוואות זוגיות מרובות ומשתמש בהם כדי לבנות ולחפש מודלים אוקלידיים של מרחבים תפיסתיים המסבירים את פסקי הדין. השיטה מתאימה לתיאור בפירוט את הייצוג של ערכות גירוי בגדלים בינוניים (למשל, 19 עד 49).
כדי להדגים את ההיתכנות של הגישה, נערך ניסוי, באמצעות קבוצה של 37 בעלי חיים כמו גירויים. הנתונים נאספו במהלך 10 מפגשים של שעה אחת ולאחר מכן נותחו בנפרד עבור כל נושא. ניתוח גילה עקביות בין נושאים ואפקטים הקשר זניחים. הוא גם העריך עקביות של הבדלים נתפסים בין גירויים עם מודלים אוקלידיים של המרחבים התפיסתיים שלהם. פרדיגמה ונהלי ניתוח המתוארים במאמר זה הם גמישים וצפויים להיות שימושיים לחוקרים המעוניינים לאפיין את התכונות הגיאומטריות של מגוון מרחבים תפיסתיים.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
לפני תחילת הניסויים, כל הנבדקים מספקים הסכמה מדעת בהתאם להנחיות המוסדיות והצהרת הלסינקי. במקרה של מחקר זה, הפרוטוקול אושר על ידי ועדת הביקורת המוסדית של המכללה הרפואית וייל קורנל.
1. התקנה והגדרה
- הורד את הקוד ממאגר GitHub, קווי דמיון (https://github.com/jvlab/similarities). בשורת הפקודה, הפעל: שיבוט git https://github.com/jvlab/similarities.git. - אם git אינו מותקן, הורד את הקוד כתיקיה מכווצת מהמאגר.
הערה: במאגר יש שתי ספריות משנה: ניסויים, המכילים שני ניסויים לדוגמה, וניתוח, המכיל קבוצה של סקריפטים של פיתון לניתוח נתוני דמיון שנאספו. בספריית הניסויים אחד (word_exp) עושה שימוש בגירויי מילים והשני (image_exp) מציג גירויים תמונה. היכרות מסוימת עם פייתון תהיה מועילה, אך לא הכרחית. ההנחה היא שההיכרות עם שורת הפקודה: שלבים מרובים דורשים הפעלת קבצי Script משורת הפקודה. - התקן את הכלים הבאים והגדר סביבה וירטואלית.
- פיתון 3: עיין בקישור לקבלת הוראות: https://realpython.com/installing-python/. פרויקט זה דורש פייתון גירסה 3.8.
- PsychoPy: מהקישור (https://www.psychopy.org/download.html), הורד את הגרסה העצמאית העדכנית ביותר של PsychoPy עבור מערכת ההפעלה הרלוונטית, באמצעות הכפתור הכחול, תחת התקנה. פרויקט זה משתמש PsychoPy גירסה 2021.2; יש להפעיל את הניסויים לדוגמה שסופקו עם הגירסה הנכונה של PsychoPy כמפורט להלן.
- קונדה: מהקישור (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation), להוריד את קונדה, דרך Miniconda או אנקונדה, עבור מערכת ההפעלה הרלוונטית.
- בשורת הפקודה, הפעל את הפעולות הבאות כדי ליצור סביבה וירטואלית עם חבילות הפיתון הנדרשות:
cd ~/קווי דמיון
conda env create -f environment.yaml - בדוק אם הסביבה הווירטואלית נוצרה והפעל אותה באופן הבא:
רשימת conda env # venv_sim_3.8 צריכה להיות מפורטת
conda להפעיל venv_sim_3.8 # כדי להיכנס לסביבה הווירטואלית
conda deactivate # כדי לצאת מהסביבה הווירטואלית לאחר הפעלת סקריפטים
הערה: הפעלת קבצי Script בסביבה עשויה לפעמים להיות איטית. נא אפשר עד דקה לראות פלט מודפס בשורת הפקודה בעת הפעלת קובץ Script.
- כדי להבטיח שהקוד שהורד יפעל כצפוי, הפעל את הניסויים לדוגמה שסופקו באמצעות השלבים שלהלן.
הערה: ספריית הניסויים (קווי דמיון/ניסויים) מכילה ניסויים לדוגמה (word_exp image_exp), תוך שימוש בשני סוגים של גירויים: מילים ותמונות.- פתח את "פסיכופי". עבור אל תצוגה ולאחר מכן לחץ על מתכנת, מכיוון שבונה ברירת המחדל של PsychoPy אינו יכול לפתוח .py הקבצים. עבור אל קובץ ולאחר מכן לחץ על פתח ופתח word_exp.py (קווי דמיון/ניסויים/word_exp/word_exp.py).
- כדי לטעון את הניסוי, לחץ על לחצן הפעל ניסוי ירוק. הזן ראשי תיבות או שם ומספר הפעלה ולחץ על אישור.
- בצע את ההוראות ולרוץ דרך כמה ניסויים כדי לבדוק את הגירויים אפור החוצה בעת לחיצה. לחץ על Escape כאשר אתה מוכן ליציאה.
הערה: PsychoPy ייפתח במסך מלא, תחילה יציג הוראות ולאחר מכן כמה ניסיונות, עם טקסט מציין מיקום במקום מילות גירוי. בעת לחיצה, מילים אפורות החוצה. לאחר לחיצה על כל המילים, המשפט הבא מתחיל. בכל עת, PsychoPy יכול להסתיים על ידי לחיצה על מקש Escape . אם התוכנית מסתיימת במהלך שלבים 1.3.2 או 1.3.3, ייתכן שמערכת ההפעלה של המשתמש דורשת גישה ללוח המקשים ולעכבר. אם כן, תודפס הודעת שגיאה תיאורית בחלון PsychoPy Runner, אשר ינחה את המשתמש. - לאחר מכן, ודא שניסוי התמונה פועל עם תמונות מציינות מיקום. פתח את "פסיכופי". עבור אל קובץ. לחץ על פתח ובחר image_exp.psyexp (קווי דמיון/ניסויים/image_exp/image_exp.psyexp).
- כדי להבטיח שנעשה שימוש בגירסה הנכונה, לחץ על סמל גלגל השיניים . מהאפשרות השתמש בגירסת PsychoPy בחר 2021.2 מהתפריט הנפתח.
- כבעבר, לחץ על לחצן הפעל ניסוי ירוק. הזן ראשי תיבות או שם ומספר הפעלה ולחץ על אישור.
הערה: כמו בשלב 1.3.2, PsychoPy יציג תחילה הוראות ולאחר מכן יערוך ניסויים לאחר טעינת התמונות. כל גירסת ניסיון תכיל שמונה תמונות מציינות מיקום המקיפות תמונה מרכזית. לחיצה על תמונה תגרום לאפור אותה. ניתן להפסיק את התוכנית על-ידי הקשה על Escape. - נווט אל ספריית הנתונים בכל אחת מספריות הניסוי כדי לראות את הפלט:
קווי דמיון/ניסויים/image_exp/נתונים
קווי דמיון/ניסויים/word_exp/נתונים
הערה: נתונים ניסיוניים נכתבים בספריית הנתונים. קובץ התגובות.csv מכיל תגובות לחץ של ניסיון אחר ניסיון. קובץ יומן הרישום מכיל את כל לחיצות המקשים ולחיצות העכבר. היא שימושית לפתרון בעיות, אם PsychoPy נסגר באופן בלתי צפוי.
- לחלופין, כדי לוודא שקבצי ה- Script של הניתוח פועלים כצפוי, שחזר חלק מהנתונים במקטע תוצאות מייצגות באופן הבא.
- צור ספריה עבור נתונים מעובדים מראש:
cd ~/קווי דמיון
mkdir sample-materials/subject-data/preprocessed - שלב את הנתונים הגולמיים מכל התגובות.csv קבצים לקובץ json אחד. בשורת הפקודה, הפעל את הפעולות הבאות:
דמיון בתקליטור
קונדה להפעיל venv_sim_3.8
פיתון -m analysis.preprocess.py - כאשר תתבקש, הזן את הערכים הבאים עבור פרמטרי הקלט: 1) נתיב לנושא-נתונים: ./sample-materials/subject-data, 2), שם הניסוי: sample_word ו- 3) מזהה נושא: S7. קובץ json יהיה בדמיון/חומרי מדגם/נושא-נתונים/מעובד מראש.
- לאחר עיבוד מראש של נתונים, בצע את השלבים בפרוייקט README תחת איורים מתרבים. סקריפטים לניתוח אלה יופעלו מאוחר יותר כדי לנתח נתונים שנאספו מהניסוי של המשתמש עצמו.
- צור ספריה עבור נתונים מעובדים מראש:
2. איסוף נתונים על ידי הגדרת ניסוי מותאם אישית
הערה: ההליכים מסומנים הן עבור ניסויי התמונה והן עבור ניסויי המילים עד לשלב 3.1. לאחר שלב זה, התהליך זהה עבור שני הניסויים, ולכן ניסוי התמונה אינו מוזכר במפורש.
- בחר ניסוי להפעלה. נווט אל המילה ניסוי (קווי דמיון/ניסויים/word_exp) או לניסוי התמונה (קווי דמיון/ניסויים/image_exp).
- להחליט על מספר הגירויים. גודל ברירת המחדל של ערכת הגירוי הוא 37. כדי לשנות זאת, פתח את קובץ התצורה (דמיון/ניתוח/config.yaml) בעורך קוד מקור. בפרמטר num_stimuli של קובץ תצורת הניתוח, הגדר את גודל הגירוי שווה ל- mk + 1 כנדרש על ידי העיצוב הניסיוני עבור מספרים שלמים k ו - m.
הערה: בעיצוב הסטנדרטי, k ≥ 3 ו - m = 6. לכן, ערכים חוקיים עבור num_stimuli כוללים 19, 25, 31, 37, 43 ו- 49 (ראה טבלה 1 להרחבות אפשריות של העיצוב). - סיים את הגירויים הניסיוניים. אם המילה ניסוי מתבצעת, הכן רשימה של מילים. לניסוי התמונה, צור ספריה חדשה והמקם בה את כל תמונות הגירוי. סוגי תמונות נתמכים הם png ו- jpeg. אל תשתמש בנקודות כמפרידים בשמות קבצים (לדוגמה, image.1.png אינו חוקי אך תמונה1.png או image_1.png חוקיים).
- אם אתה מריץ את המילה ניסוי, הכן את הגירויים כדלקמן.
- צור קובץ חדש בניסויים/word_exp גירויים בשם.txt. קובץ זה ייקרא בשלב 3.3.
- בקובץ, כתוב את המילים בערכת הגירוי כפי שהן אמורות להופיע בתצוגה, כאשר כל מילה בשורה נפרדת. הימנע משורות ריקות נוספות או מרווחים נוספים לצד המילים. ראה חומרים לדוגמה לעיון (קווי דמיון/חומרי מדגם/חומרי מדגם/חומרי מילים-exp/sample_word_stimuli.txt).
- אם ניסוי התמונה מתבצע, הגדר את הנתיב לגירוי שנקבע כדלקמן.
- בספריית הניסויים, חפש את קובץ התצורה הנקרא config.yaml (דמיון/ניסויים/config.yaml).
- פתח את הקובץ בעורך קוד מקור ועדכן את הערך של משתנה הקבצים לנתיב לספריה המכילה את ערכת הגירויים (שלב 2.3). זה המקום שבו PsychoPy יחפש את הגירויים התמונה.
3. יצירת מבחני דירוג
- השתמש בקובץ גירויים.txt. אם המילה ניסוי מופעלת, ניתן להשתמש בקובץ שנוצר בשלב 2.4. אחרת, השתמש ברשימת שמות הקבצים (לעיון, ראה קווי דמיון/חומרי מדגם/חומרי דגימה/חומרי צילום-exp/sample_image_stimuli.txt). מקם קובץ זה בספריית הניסויים המתאימה (word_exp או image_exp).
- הימנע מקווים ריקים נוספים, כמו גם כל רווחים בשמות. השתמש camelCase או snake_case עבור שמות גירוי.
- לאחר מכן, צור תצורות ניסיון. פתח את הקובץ config.yaml בספריית הניתוח והגדר את הערך של הפרמטר path_to_stimulus_list לנתיב לגירויים.txt (נוצר בשלב 3.1).
- מתוך ספריית הדמיון, הפעל את קובץ ה- Script על-ידי ביצוע הפקודות הבאות בזה אחר זה:
cd ~/קווי דמיון
קונדה להפעיל venv_sim_3.8
פיתון -m analysis.trial_configuration
conda deactivate # צא מהסביבה הווירטואלית - פעולה זו יוצרת קובץ הנקרא trial_conditions.csv בדמיון שבו כל שורה מכילה את שמות הגירויים המופיעים בניסוי, יחד עם מיקומם בתצוגה. מסופק קובץ trial_conditions.csv לדוגמה (קווי דמיון/חומרי מדגם). לקבלת פרטים אודות פרמטרי קלט עבור קבצי Script של הניתוח, עיין בפרוייקט README תחת שימוש.
- מתוך ספריית הדמיון, הפעל את קובץ ה- Script על-ידי ביצוע הפקודות הבאות בזה אחר זה:
איור 1: דוגמאות מייצגות לניסויים (שלב 3.3). (א) כל שורה מכילה את הפרטים של גירסת ניסיון אחת. הכותרות מציינות את מיקום הגירוי סביב העיגול. הגירוי תחת שופט מופיע במרכז stim 1 כדי stim 8 מופיעים סביב ההפניה. (B) הניסוי הראשון (שורה) מ- A ניתן על ידי PsychoPy כדי להציג את שמונת הגירויים סביב גירוי הייחוס, קוף. לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
הערה: בשלב זה, נוצרה ערכה מלאה של 222 ניסויים לריצה ניסיונית מלאה אחת, כלומר, עבור ערכת נתונים מלאה אחת. איור 1A מציג חלק מקובץ תנאים שנוצר על-ידי קובץ ה- Script שלעיל, עבור המילה ניסוי (ראה תוצאות מייצגות).
- לאחר מכן, לשבור 222 ניסויים אלה לפגישות ולהפוך את סדר הניסיון באקראי. בעיצוב הטיפוסי, הפעלות כוללות 111 ניסויים, שכל אחד מהם דורש כ 1 שעות לרוץ.
- לשם כך, בשורת הפקודה הפעל את הפעולות הבאות:
קונדה להפעיל venv_sim_3.8
cd ~/קווי דמיון
פיתון -m analysis.randomize_session_trials - כאשר תתבקש, הזן את פרמטרי הקלט הבאים: נתיב trial_conditions.csv שנוצרו בשלב 3.3.2; ספריית פלט; מספר הניסיונות להפעלה: 111; מספר חזרות: 5.
הערה: מספר החזרות יכול להיות גם מגוון אך ישפיע על מספר המפגשים המבוצעים בשלב 4 (ראה דיון: פרדיגמה ניסיונית). אם אתה משנה את ערך ברירת המחדל של מספר החזרות, הקפד לערוך את הערך של הפרמטר num_repeats בקובץ התצורה (קווי דמיון/ניתוח/config.yaml). במידת הצורך, עיין בהוראות שלב אחר שלב לביצוע הפעולה הידנית של האמור לעיל בקובץ README תחת המקטע יצירת גירסאות ניסיון.
- לשם כך, בשורת הפקודה הפעל את הפעולות הבאות:
- שנה את שמו של כל אחד מהקבצים שנוצרו ולשמור אותם כתנאים.csv, בספריה משלו. עיין במבנה הספריות המומלץ כאן: קווי דמיון/חומרי מדגם/נתוני נושא ובפרוייקט README.
הערה: כפי שמתואר בשלב 4, כל ניסוי חוזר על עצמו חמש פעמים בעיצוב הסטנדרטי, במהלך מפגשים באורך 10 שעות, כל אחד ביום נפרד. יש לבקש מהנבדקים להגיע לפגישה אחת בלבד ביום כדי למנוע עייפות. ראה טבלה 1 לקבלת מספר הניסויים והמפגשים הדרושים לקבוצות גירויים בגדלים שונים.
4. הפעלת הניסוי ואיסוף נתוני דמיון
- הסבר את המשימה לנבדקים ותן להם הוראות. בכל ניסוי, הנבדקים יראו גירוי התייחסות מרכזי מוקף בשמונה גירויים ויתבקשו ללחוץ על הגירויים בסראונד, לפי סדר דמיון להפניה המרכזית, כלומר, הם צריכים ללחוץ על האחרון הדומה ביותר הראשון והפחות דומה.
- בקש מהם לנסות להשתמש באסטרטגיה עקבית. תגיד להם שהם יוצגו באותה תצורה של גירויים מספר פעמים במהלך 10 מפגשים. אם המחקר בוחן ייצוג של מידע סמנטי, ודא שהנבדקים מכירים את הגירויים לפני תחילתם.
- נווט אל ספריית הניסויים הרלוונטית (ראה שלב 2.1). אם זו הפעם הראשונה בה הוא מפעיל את הניסוי, צור ספריה הנקראת נתוני נושא כדי לאחסן תגובות לנושא. צור בו שתי ספריות משנה: גולמיות ומעובדות מראש. עבור כל נושא, צור ספריית משנה בתוך נתוני נושא/גלם.
- העתק את התנאים.csv הקובץ שהוכן בשלב 3 עבור ההפעלה הספציפית והדבק אותו בספריה הנוכחית, כלומר, הספריה המכילה את קובץ psyexp. אם כבר קיים שם קובץ, תנאים בעלי שם.csv, הקפד להחליף אותו בקובץ עבור ההפעלה הנוכחית.
- פתח את PsychoPy ולאחר מכן פתח את קובץ psyexp או py בספריית הניסוי הרלוונטי. ב- PsychoPy, לחץ על כפתור ההפעלה הירוק כדי להפעיל את הניסוי. בחלון המוקפץ המודאלי, הזן את שם הנושא או המזהה ומספר ההפעלה. לחץ על אישור כדי להתחיל. הוראות יוצגו בתחילת כל הפעלה.
- אפשר לנושא כשעה אחת להשלים את המשימה. מכיוון שהמשימה היא בקצב עצמי, עודד את הנבדקים לקחת הפסקות במידת הצורך. כאשר הנושא מסיים את ההפעלה, PsychoPy יסתיים באופן אוטומטי, וקבצים ייווצרו בדמיון / ניסויים / <המחיה או מילה>_exp / ספריית נתונים.
- העבר אותם לספריה נושא-נתונים/גולמיים/גולמיים/
(נוצר בשלב 4.3). ראה README עבור מבנה הספריות המומלץ.
הערה: כאמור, קובץ יומן הרישום מיועד לפתרון בעיות. הסיבה הנפוצה ביותר עבור PsychoPy להיסגר באופן בלתי צפוי היא כי נושא בטעות לוחץ Escape במהלך מפגש . במקרה כזה, תגובות לניסיונות עד לתקופת הניסיון האחרונה שתושלם עדיין ייכתבו לקובץ התגובות.csv. - אם PsychoPy נסגר באופן בלתי צפוי, פתח אותו מחדש וצור קובץ .csv תנאים חדשים, רק עם הניסויים שלא נוסו. החלף את קובץ התנאים של ההפעלה הקיימת בקובץ זה והפעל מחדש את הניסוי. הקפד לשמור את הקבצים שנוצרו במקום המתאים. בסוף ההפעלה, ניתן לשלב את שני קבצי התגובות באופן ידני לאחד, אם כי אין בכך צורך.
- עבור כל אחת מההפעלות הנותרות, חזור על שלבים 4.4 עד 4.8.
- לאחר השלמת כל ההפעלות, שלב את קבצי הנתונים הגולמיים ואתחל אותם מחדש לקובץ json יחיד לעיבוד נוסף. לשם כך, הפעל preprocess.py במסוף (קווי דמיון/ניתוח/עיבוד מקדים.py) באופן הבא:
cd ~/קווי דמיון
קונדה להפעיל venv_sim_3.8
python -m analysis.preprocesss - כאשר תתבקש, הזן את פרמטרי הקלט המבוקשים: הנתיב לספריית נתוני הנושא, מזהי הנושא שעבורם יש לעבד מראש את הנתונים ושם הניסוי (המשמש לשם קובץ הפלט). הקש Enter.
- צא מהסביבה הווירטואלית:
conda deactivate
הערה: פעולה זו תיצור קובץ json בספריית הפלט המשלב תגובות בין חזרות עבור כל גירסת ניסיון. נתוני דמיון נקראים מנתונים-נושא/גולמיים ונכתבים לנושא-נתונים/מעובדים מראש.
5. ניתוח שיפוטי דמיון
הערה: הנבדקים מתבקשים ללחוץ על גירויים לפי סדר הדמיון להפניה, ובכך לספק דירוג בכל ניסוי. לניסויים סטנדרטיים, חזרו על כל ניסוי חמש פעמים, ויצרו חמישה סדרי דירוג של אותם שמונה גירויים (ראו איור 2B). פסקי דין בדרגה אלה מתפרשים כסדרה של השוואות שבהן נושא משווה זוגות של מרחקים תפיסתיים. ההנחה היא שהנושא שואל את השאלה הבאה לפני כל לחיצה: "האם המרחק (התפיסתי) בין ההתייחסות לגירוי קטן מהמרחק בין ההפניה לגירוי B?" כפי שניתן לראות באיור 2C, הדבר מניב הסתברויות בחירה עבור השוואות מרובות של קווי דמיון זוגי עבור כל גירסת ניסיון. הניתוח שלהלן משתמש בהסתברויות בחירה אלה.
איור 2: השגת הסתברויות בחירה משיפוטי דירוג. (א) איור של ניסוי מהמילה ניסוי שערכנו. (ב) הושגו חמש הזמנות דרגה לאותו ניסיון, במהלך מספר מפגשים. (ג) הסתברויות בחירה עבור השוואות השונות הזוגיות ששופטי הדירוג מייצגים. לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
- קבע הסתברויות לבחירה זוגית משיפוטי סדר דרגה.
- בדמיון/ניתוח, הפעל describe_data.py בשורת הפקודה.
cd ~/קווי דמיון
קונדה להפעיל venv_sim_3.8
פיתון -m analysis.describe_data - כאשר תתבקש, הזן את הנתיב לנושא-נתונים/מעובדים מראש ואת רשימת הנושאים שעבורם יש להפעיל את הניתוח.
הערה: פעולה זו תיצור שלושה סוגים של התוויות: i) התפלגות הסתברויות הבחירה עבור ערכת הנתונים המלאה של נושא נתון, ii) מפות חום כדי להעריך עקביות על פני הסתברויות בחירה עבור זוגות של נושאים, ו- iii) מפת חום של הסתברויות בחירה עבור כל ההשוואות המתרחשות בשני הקשרים כדי להעריך אפקטים הקשר. מבחינה תפעולית, משמעות הדבר היא השוואת הסתברויות בחירה בזוגות של ניסויים המכילים את אותה התייחסות וזוג גירויים נפוצים בטבעת אך שונים בכל הגירויים האחרים בזירה: מפת החום מראה כיצד הסתברות הבחירה תלויה בהקשר זה.
- בדמיון/ניתוח, הפעל describe_data.py בשורת הפקודה.
- צור מודלים אוקלידיים נמוכים-ממדיים של המרחבים התפיסתיים, תוך שימוש בהסתברויות הבחירה. הפעל model_fitting.py בשורת הפקודה באופן הבא:
cd ~/קווי דמיון
קונדה להפעיל venv_sim_3.8
פיתון -m analysis.model_fitting- ספק את פרמטרי הקלט הבאים כאשר תתבקשו לעשות זאת: נתיב לספריה הנושא-נתונים/עיבוד מראש; מספר הגירויים (37 כברירת מחדל); מספר האיטרציות (מספר הפעמים שיש להפעיל את ניתוח המידול); ספריית הפלט; וכמות הרעש הגאוסי (0.18 כברירת מחדל).
הערה: הפעלת קובץ Script זה נמשכת מספר שעות. בסיום, קובצי npy המכילים את הקואורדינטות המתאימות ביותר עבור דגמי 1D, 2D, 3D, 4D ו- 5D המתארים את נתוני הדמיון ייכתבו לספריית הפלט. קובץ csv המכיל ערכי סבירות יומן רישום של המודלים השונים ייווצר.
- ספק את פרמטרי הקלט הבאים כאשר תתבקשו לעשות זאת: נתיב לספריה הנושא-נתונים/עיבוד מראש; מספר הגירויים (37 כברירת מחדל); מספר האיטרציות (מספר הפעמים שיש להפעיל את ניתוח המידול); ספריית הפלט; וכמות הרעש הגאוסי (0.18 כברירת מחדל).
- דמיין את הסבירות של יומן הרישום של המודלים שהושגו ולהעריך את התאמתם. לשם כך, הפעל קווי דמיון/ניתוח/model_fitting_figure.py בשורת הפקודה:
cd ~/קווי דמיון
פיתון -m analysis.model_fitting_figure- כאשר תתבקש, הזן את הפרמטר הדרוש: הנתיב לקבצי ה- csv המכילים סבירויות ליומן הרישום (משלב 5.2).
- נתח את האיור שנוצר, המציג את הסבירות ליומן רישום על ציר ה- y וממדי המודל על ציר ה- x. כבדיקת שפיות נכללים שני דגמים בנוסף לדגמים האוקלידיים: מודל בחירה אקראית ומודל הטוב ביותר האפשרי.
הערה: מודל הבחירה האקראי מניח שנבדקים לוחצים באופן אקראי. לכן, הוא מספק גבול תחתון מוחלט על הסבירות ליומן עבור כל דגם כי הוא טוב יותר מאשר אקראי. באופן דומה, כגבול עליון עבור הסבירות ליומן הרישום (המסומן בצורה הטובה ביותר), קיימת הסבירות ליומן רישום של מודל המשתמש בהסתברויות הבחירה האמפיריות כהסתברויות המודל שלו. - ודא שאף דגם אוקלידי אינו עולה על הדגם הטוב ביותר, שכן הדגם הטוב ביותר הוא, על ידי עיצוב, התאמה יתר על המידה וללא הגבלה על ידי שיקולים גיאומטריים. ודא כי הסבירות להתוות הם יחסיים לסבירות הגבוהה ביותר ביומן הרישום.
- דמיין את הרווחים התפיסתיים עבור כל נושא. צור לוחות פיזור המציגים את הנקודות מהמודל התלת-ממדי המוקרן על שני הרכיבים העיקריים הראשונים. לשם כך, הפעל קווי דמיון/ניתוח/perceptual_space_visualizations.py בשורת הפקודה:
cd ~/קווי דמיון
פיתון -m analysis.perceptual_space_visualizations- כאשר תתבקש, הזן את הפרמטרים: מזהי הנושא (מופרדים באמצעות רווחים) ואת הנתיב לקובץ npy המכיל את נקודות 5D שהתקבלו משלב 5.2.
- לאחר סיום פעולת קובץ ה- Script, צא מהסביבה הווירטואלית:
conda deactivate
הערה: סקריפט זה מיועד להדמיה של שיפוטי הדמיון. היא תיצור התוויית פיזור דו-ממדית, על-ידי הקרנת נקודות ה-5D על שני הרכיבים העיקריים הראשונים, מנורמלת כך שתהיה לה שונות שווה. שתי נקודות יהיו רחוקות זו מזו אם הנושא יחשיב אותן פחות דומות ולהיפך.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
איור 1A מציג חלק מקובץ תנאים שנוצר על-ידי קובץ ה- Script בשלב 3.3, לניסוי המילים. כל שורה תואמת לגירסת ניסיון. הגירוי בעמודת השופט מופיע במרכז התצוגה. שמות העמודות stim1 עד stim8 תואמים לשמונה מיקומים לאורך עיגול, פועלים נגד כיוון השעון, החל מהמיקום שמימין להפניה המרכזית. ניסוי לדוגמה מהמילה ניסוי מוצג באיור 1B.
כדי להדגים היתכנות ושחזור, נערך ניסוי שבו ערכת הגירוי כללה שמות של 37 בעלי חיים. ערכות נתונים מלאות נאספו משמונה נבדקים בריאים עם ראייה תקינה כחלק ממחקר. כדי להדגים את השיטה, נתונים משלושה מהנבדקים האלה מוצגים כאן, שניים מהם היו נאיביים למטרת המחקר. הסכמה מדעת הושגה בהתאם להצהרת הלסינקי ולהנחיות המוסדיות של המכללה הרפואית וייל קורנל.
לאחר איסוף הנתונים, בוצע העיבוד הראשוני המתואר לעיל (שלב פרוטוקול 4.10-4.12). תגובות הנבדקים בכל משפט התפרשו כמערכת של בחירות בינאריות עצמאיות של הטופס "האם המרחק בין ההתייחסות ל- s1 נמוך מזה שבין ההפניה ל- s2?" עבור כל זוגות הגירויים בטבעת שמסביב. פסקי דין בדרגה נרקבו לבחירות זוגיות כאלה, כפי שניתן לראות באיור 2C.
איור 3A מציג את ההתפלגות של הסתברויות בחירה אלה, שהייתה עקבית מאוד בין נושאים (שלב פרוטוקול 5.1). מכיוון שכל ניסיון חזר על עצמו חמש פעמים, הסתברויות הבחירה לקחו את הערכים הבאים: 0, 0.2, 0.4, 0.6, 0.8 ו- 1. הסתברויות הבחירה הנפוצות ביותר הן 0 ו- 1, המסתכמות ב- 50%-70% מכלל ההחלטות בכל אחד מהנבדקים; אלה הם פסקי הדין שעבורם נבחרה אפשרות אחת בכל פעם. לדוגמה, אם לשפוט את המרחק בין s1 ל- s2 כקטן מזה שבין s1 ל- s3 0 מתוך 5 פעמים יתאים להסתברות בחירה של 0; ביצוע פסק דין זה 5 מתוך 5 פעמים יתאים להסתברות בחירה של 1. ראוי לציין כי קיימת עקביות רבה בהסתברויות בחירה בין הנבדקים, גם עבור פסקי הדין שאינם בקיצוניות, כפי שניתן לראות על ידי קיבוץ הנתונים ליד האלכסון בכל אחד מהפאנלים באיור 3B.
לאחר מכן, הוערכו אפקטי הקשר. זה התאפשר בגלל תכונה חשובה של העיצוב הניסיוני: שלישיות רבות של גירוי ייחוס ושני גירויי השוואה s1 ו- s2 חוזרים על עצמם בשני הקשרים (כלומר, עם סטים ברורים של שישה גירויים אחרים כדי להשלים את מערך הגירוי). לאחר מכן, הסתברות הבחירה עבור כל השוואה זוגית הייתה מסומנת בנפרד בכל הקשר. האלכסון הדומיננטי באיור 4 מצביע על כך שעבור כל נושא הסתברויות הבחירה בשני ההקשרים - כולל הסתברויות הבחירה שהן ביניים בין 0 ל-1 - קרובות להיות זהות. אם הסתברויות הבחירה היו תלויות במידה רבה בהקשר, הן לא היו מתואמות מאוד, ואלכסון זה לא היה בולט.
השפעות ההקשר הוערכו גם על ידי מדד סטטיסטי. המידה של אפקט ההקשר בנויה כדלקמן. הצעד הראשון הוא לחשב סטטיסטיקת חוסר איזון עבור ערכת הנתונים הנצפית (המפורטת להלן), אשר מכמתת את המידה שבה נראה כי פסקי הדין שנצפו תלויים בהקשר. לאחר מכן אנו בונים 10000 ערכות נתונים מדומות עם אותן תצורות ניסיון, ספירות ניסיון והסתברויות בחירה כוללות כמו הנתונים בפועל, אך נוצרים באופן שאינו מכיל אפקטי הקשר - על ידי הקצאה אקראית של פסקי הדין שנצפו לשני ההקשרים. לאחר מכן אנו מחשבים את סטטיסטיקת חוסר האיזון עבור ערכות נתונים מדומות אלה בדיוק כפי שנעשה עבור התגובות שנצפו. לבסוף, אנו משווים את סטטיסטיקת חוסר האיזון עבור התגובות שנצפו עם סטטיסטיקת חוסר האיזון עבור ערכות הנתונים המדומות, כדי לקבוע את ההסתברות שחוסר האיזון הנצפה יכול היה להתקבל מערכת נתונים ללא אפקט הקשר. ערך p אמפירי של < 0.05 מצביע על כך שקיימת אפקט הקשר. עבור הנתונים באיור 4, ערכי p היו 0.98, 0.30 ו- 0.33, עבור S4, S7 ו- S9 בהתאמה, כלומר, כל הערכים היו > 0.05.
סטטיסטיקת חוסר האיזון עבור ערכת נתונים מחושבת כסכום של תרומות על פני כל השלישיות המתרחשות בשני הקשרים. התרומה עבור כל שלישייה (השוואת, נניח, d(שופט, s1) עם d(שופט, s2)) נקבעת כדלקמן. ראשית, פסקי הדין של שלישייה זו נספרים לשולחן 2 x 2. העמודות תואמות לשני ההקשרים, כך שסכומי העמודות מוגבלים על-ידי המספר הכולל של מצגות בהקשר זה. השורות תואמות לספירות של פסקי הדין החלופיים, ד(שופט, s1) < d(ref, s2) או d(שופט, s1) > d(ref, s2), כך שסכומי השורה מוגבלים על-ידי הבחירות שנצפו, המסוכמים בהקשרים שונים. מכיוון שהמבחן המדויק של פישר 14 הדו-זנבי מניב את ההסתברות שטבלה עם האינטראקציה הנצפית (או הגדולה יותר) בין שורות ועמודות (שיפוטים והקשרים) תיראה אם לא קיימת אינטראקציה בפועל, אנו משתמשים בלוגריתם השלילי של הסתברות זו כתרומתה של שלישייה זו לסטטיסטיקת חוסר האיזון הכוללת. סיכום הלוגריתמים השליליים כדי ליצור סטטיסטיקת חוסר איזון כוללת ובכך לוכד את ההסתברות המשותפת לחוסר האיזון הנצפה על פני שלישיות, תחת השערת האפס של אפקט ללא הקשר.
כדי לדגמן את הייצוג המנטלי של שמות בעלי החיים, מודלים אוקלידיים של רווחים תפיסתיים של 1, 2, 3, 4 ו 5 ממדים נגזרו באמצעות גישה סבירה מקסימלית. תגובות הנבדקים עוצבו כהחלטות המשקפות השוואה של שני מרחקים עם רעש גאוסי תוסף המייצג שגיאות בהערכה, כלומר רעש בשלב ההחלטה. איור 5 מציג סבירות ליומן (לכל החלטה) של חמישה מודלים אוקלידיים. הסבירות ליומן מוצגים ביחס לסבירות היומן של המודל הטוב ביותר, כלומר, מודל המקצה את הסתברות הבחירה הנצפית לכל השוואה, מבלי להגביל הסתברויות אלה על ידי כל שיקול גיאומטרי. כדי לשים את הסבירות ליומן אלה בפרספקטיבה, צוין גם הסבירות ליומן הרישום של מודל בחירה אקראית; זה משמש כגבול תחתון לביצועי הדגם. התאמת הדגם משתפרת עם כל ממד נוסף. הקפיצה הגדולה ביותר היא בין הדגמים 1D ו 2D, המציין כי מודל 1D פשוט אינו מצליח להסביר את הנתונים באופן מלא. עם זאת, הרמה סביב ממדים 4 עד 5 מצביעה על כך שאפילו מודל 5D אינו לוכד לחלוטין את המרחקים המביאים בחשבון את שיפוטי הדמיון. כדי לאמת את הגישה, הצינור הופעל גם על נתונים מדומים. ניסויים נפרדים הומצאו כדי ליצור שיפוטי דמיון בין נקודות שנלקחו ממרווחים 1D, 2D, 3D, 4D ו- 5D בהתאמה. בכל המקרים, השיטה זיהתה נכון את המימדיות. יתר על כן, מודל עם ממדיות נכונה הניב סבירות יומן שהסכים עם סבירות יומן האמת הקרקעית שהתקבלה מהמודל.
לבסוף, ארגון הנקודות במודלים התפיסתיים של החלל הומחה. איור 6 מציג נתונים אלה עבור נושא אחד, S7. ניתוח רכיבים עיקרי (PCA) בוצע על הנקודות מהמודל התלת-ממדי של המרחב התפיסתי. נקודות המוקרנות על שני הרכיבים העיקריים הראשונים והראשון והשלישי בהתאמה מוצגות באיורים 6A ובאיור 6B, כאשר הצירים מנורמלים לשונות שווה. מרחקים בין נקודות התואמים את פסקי הדין הדמיוניים שהושגו באופן ניסיוני: בעלי חיים שנתפסו כדומים צוינו על ידי נקודות שהיו קרובות זו לזו.
איור 3: עקביות בין נושאים. (א) התפלגות הסתברויות בחירה על-פני שלושה נושאים עבור כל ההשוואות הזוגיות. (ב) הסתברויות בחירה עבור אותן השוואות זוגיות בין זוגות של נושאים. סרגל הצבעים מציג את היחס בין הסתברות המפרקים שנצפתה להסתברות המפרק העצמאית. ערכים גבוהים לאורך האלכסון הראשי מצביעים על עקביות בין נושאים. לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
איור 4: אפקטי הקשר. הסתברויות בחירה עבור כל ההשוואות הזוגיות שנעשו בשני הקשרים, עבור כל אחד משלושת הנושאים. A מתייחס, באופן שרירותי, להקשר אחד שבו הוצגה שלישייה, ו- B מתייחס להקשר האחר. סרגל הצבעים מציג את היחס בין הסתברות המפרקים שנצפתה להסתברות המפרק העצמאית. ערכים גבוהים לאורך האלכסון הראשי מצביעים על חוסר אפקטי הקשר. לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
איור 5: תוצאות של ניתוח התאמת מודלים. סבירות יחסית ליומן רישום עבור מודלים בממדים שונים וכן עבור מודל הבחירה האקראית (גבול תחתון), המוצג עבור שלושה נושאים. סבירות יחסית של יומן רישום של אפס תואמת את הסבירות של יומן הרישום של המודל הטוב ביותר, שבו הסתברויות בחירה תואמות את הסתברויות הבחירה האמפיריות ללא התחשבות בגיאומטריה. לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
איור 6: המרחב התפיסתי של נושא אחד (S7) בפירוט רב יותר. הקרנת קואורדינטות 5D המתקבלות מהמודלים המוקרנים על שני הרכיבים העיקריים הראשונים ב- (A) ועל הרכיבים העיקריים הראשון והשלישי ב- (B). קנה המידה של הצירים משתנה כך שהשונות לאורך כל ציר שווה. לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
טבלה 1: ערכות פרמטרים לדוגמה. הפרדיגמה הניסיונית יכולה להיות מגוונת כך שיהיו פחות או יותר גירויים, ניסויים והשוואות זוגיות. השורה בגופן מודגש מציינת את הפרמטרים בהם השתמשנו. לחץ כאן כדי להוריד טבלה זו.
טבלה 2: פרמטרים בניתוח/config.yaml וניסויים/config.yaml. לחץ כאן כדי להוריד טבלה זו.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
הפרוטוקול המתואר כאן יעיל להשגה וניתוח של שיפוטי דמיון לגירויים שניתן להציג חזותית. הפרדיגמה הניסיונית, הניתוח וההרחבות האפשריות נדונים תחילה, ובהמשך ביתרונות ובחסרונות של השיטה.
פרדיגמה ניסיונית: השיטה המוצעת מודגמת באמצעות תחום של 37 שמות בעלי חיים, וערכת נתונים לדוגמה של פסקי דין תפיסתיים מסופקת כך שניתן לעקוב אחר הניתוח בשלב 5 ולשכפל חלקים מאיורים 3-6 (שלב פרוטוקול 1.4). התכנון הניסיוני מקבץ את 37 הגירויים האלה ל-222 ניסויים - כל אחד מהם מכיל גירוי ייחוס במרכז ושמונה גירויי השוואה בטבעת שמסביב - כך שמספר קריטריונים מחזיקים: א) כל אחד מ-37 הגירויים מופיע כהפניה למספר שווה (שישה) של פעמים (222 = 37×6), ב) על פני ששת הניסויים שבהם גירוי הוא ההתייחסות, כל 36 הגירויים הנותרים משמשים כגירויים להשוואה לפחות פעם אחת, ג) 24 גירויים מתרחשים בדיוק בהשוואה אחת עם התייחסות נתונה, ו- d) שישה זוגות של גירויים מופיעים עם ההתייחסות בשני ניסויים נפרדים. היבט זה של הפרדיגמה, לפיו שישה זוגות של גירויי השוואה מתרחשים בהקשרים נפרדים עבור כל גירוי התייחסות, מאפשר לבדוק אפקטי הקשר בשלב 5 (ראו איור 4). עיצוב סטנדרטי זה מניב 6216 = 222×28 השוואות של הטופס "האם הדמיון של ההפניה ל- s1 גדול או פחות מהדמיון של ההפניה ל- s2." יעילות זו אפשרית מכיוון שכל אחד מ-222 הניסויים מניב דירוג של שמונה קווי דמיון, ושמונת הדמיון המדורג מייצר 28 השוואות זוגיות. מתוך 6216 השוואות אלה, 222 חוזרות על עצמן, מה שנותן לנו 5994 השוואות ייחודיות.
לאחר בחירת תחום הגירוי, החלטת העיצוב החשובה הבאה היא מספר הדגימות. עיצובים אלטרנטיביים רבים אפשריים (טבלה 1), עם אפשרויות אחרות לאופן שבו גירויים חוזרים על עצמם בהקשרים שונים. כפי שצוין באיור 4, בתוך כל ניסוי יש שלישייה - הכוללת את ההתייחסות ושני גירויים מסביב - המופיעים יחד במשפט אחד נוסף. מספר הגירויים שמסביב החופפים לניסוי אחר עם הפניה משותפת - במקרה זה, שווה לשניים - נשלט על ידי פרמטר החפיפה בקובץ התצורה של הניתוח. הגדלת פרמטר זה תגרום ליותר גירויים להיות משותפים בין שני ניסויים, המאפשרים השוואות נרחבות יותר של דירוג מרחק, למשל, "האם s1 דומה יותר להתייחסות מאשר s2 והוא s2 דומה יותר מאשר s3?" על פני שני הקשרים. לקבלת דוגמאות של עיצובים ניסיוניים אחרים האפשריים עם ערכים שונים של פרמטרים אלה ואחרים, ראה טבלה 1. לקבלת פרטים אודות כל הפרמטרים, במה הם שולטים והיכן לשנות אותם, ראה טבלה 2. ראוי לציין, ניתן גם לשנות את מספר הגירויים המופיעים סביב התייחסות בכל ניסוי על ידי שינוי הפרמטרים num_images_per_trial num_words_per_trial עבור התמונה וניסויי המילים בהתאמה. הגדלת ההקפות תגדיל את מספר ההשוואות לכל ניסיון ואפקטים טובים יותר של הקשר המחקר; הקטנתה תפחית את מורכבות הפעילות. מספר גירויי ההשוואה בניסוי (Ncircle), מספר הגירויים בניסוי (Nstim), מספר הניסויים (Ntrials), מספר ההשוואות הייחודיות (Ncomparisons) ומספר ההשוואות החוזרות ונשנות (Nrepeated) קשורים זה לזה ותלויים בגודל החפיפה שהוזכרה קודם לכן בין ניסויים (Noverlap ) ומספר הניסויים לגירוי ייחוס (k). גודל ערכת הגירוי נקבע על ידי m, שהוא מספר שלם שרירותי. קשרי גומלין אלה מפורטים להלן:
ישנם פרטים נוספים על הפרדיגמה והליכי איסוף הנתונים המסייעים למזער את הבלבולים. אקראי המיקום של גירויים וסדר ניסיון (שלב 3.4) חשוב, כך שגם כאשר מפגשים חוזרים על עצמם, הנושא אינו מתחיל לזהות דפוסים מרחביים או זמניים במיקום של גירויים. חשוב גם לא לתת לנבדקים רמזים ישירים כיצד לאמוד דמיון (שלב 4) שכן זה יכול להטות את התוצאות. הם צריכים להחליט בעצמם על מה דמיון אומר להם בהקשר של הניסוי הספציפי. עם זאת, כדאי לתחקר את הנבדקים לאחר השלמת הניסוי, שכן זה עשוי לעזור להבין כיצד הממצאים משתנים בין נושאים שונים. אם מסיבה כלשהי, הפעלה פגומה או מבוטלת, אנו ממליצים למחוק את ההפעלה כולה, כך שכל הניסויים יושלמו מספר שווה של פעמים.
ניתוח נתוני דמיון: הניסוי מניב, עבור כל ניסוי, סדרי דירוג של דמיון בין גירויי השוואת Ncircle לבין ההתייחסות. כאשר מפורקים להשוואות של זוגות של גירויים, ניסויים אלה מניבים הסתברויות בחירה עבור כל אחת מההשוואות הייחודיות. הסתברויות הבחירה מנותחות לאחר מכן כדי לחפש מודלים גיאומטריים של המרחב התפיסתי (שלב פרוטוקול 5). הניתוח מנסה להסביר את הסתברויות הבחירה במונחים של מרחקים בין גירויים, d(si, sj), במרחב אוקלידי. כלומר, המטרה היא להקצות קואורדינטות לכל גירוי, כך שהסתברות הבחירה ללחיצה על s1 לפני s2 משקפת את ההסתברות שהנושא נשפט d (שופט, s1) < d (שופט, s2). הליך התאמה זה מתואר כאן הן משום שיש לו כמה אלמנטים חדשניים, והן כדי לאפשר למשתמש לשנות אותו (שלב פרוטוקול 5.2).
הניתוח הוא סוג של בעיית קנה מידה רב-ממדית, אך עם כמה תכונות ייחודיות. ראשית, הנתונים מספקים סדר דרגות של פסקי דין שונים, ולא הערכות של המרחקים. שנית, ערכת הנתונים, למרות שהיא נרחבת, מכילה רק תת-קבוצה של כל ההשוואות האפשריות של מרחקים זוגיים. לבסוף, המטרה היא להסביר את הסתברויות הבחירה, לא רק החלטה בינארית של איזה מרחק גדול יותר. בהתחשב בשיקולים אלה, פונקציית העלות נבחרת כך שערכה ממוזער כאשר הסתברויות הבחירה החזויות במודלים צפויות להניב את ההסתברויות לבחירה שנצפתה באופן ניסיוני. לכן הוא מוגדר כסבירות היומן השלילית של הסתברויות הבחירה הנצפות תחת המודל, מנורמלת על ידי המספר הכולל של השוואות זוגיות, ומותאמת מעבודה קודמת15:
שבו N0 = Ncomparisons. Nrepeats, ו- Nrepeats הוא מספר החזרות של הפרוטוקול (כלומר, מספר הפעמים שכל ניסיון ייחודי חוזר על עצמו), ו
כאן, srdenotes את גירוי הייחוס בניסוי, si ו sj ואת הגירויים בטבעת סביב האב. P (d(sr, si) < d(sr, sj)) מייצג את הסתברות המודל שהמרחק בין sr ל- si נשפט כקטן מהמרחק בין sr ו- sj ו- C מציין את מספר הפעמים שהנושא נשפט d(sr, si ) < d(sr, sj). מטרת ניתוח הדוגמנות היא למצוא תצורה של נקודות במרחב אוקלידי, המביאה בחשבון את הסתברויות הבחירה האמפיריות. באופן איטרטיבי, המזעור מתאים את הקואורדינטות שהוקצו לכל גירוי, ובכך, את ההסתברויות לבחירת המודל (P). המזעור מסתיים כאשר פונקציית העלות מפסיקה לרדת מתחת לטרנסיביות (פרמטר מתכוונן בשם tolerance שולט בכך) או אם המערכת מגיעה למספר האיטראציות המרבי (הנשלט על-ידי max_iterations פרמטר).
כדי לחבר את קואורדינטות הגירוי עם ההסתברויות לבחירת המודל, ההנחה היא כי נושא - בעת בחירה בין שני גירויים ללחוץ במשפט - יעשה השוואה פנימית של המרחקים היחסיים שלהם להתייחסות, כלומר d(sr, si) ו- d(sr, sj). מרחקים אלה הם (כברירת מחדל) המרחקים האוקלידיים הרגילים בין נקודות שהוקצו לגירויים sr, si ו- sj. יתר על כן, הוא אמור כי השוואה נפשית זו יש רעש פנימי, אשר אנו מודל כמקור גאוס תוסף של סטיית תקן σ, מודל הציג עבור תחומים חד ממדיים על ידי Maloney et al.16,17 ומשמש גם עבור תחומים רב ממדיים15. הסתברויות בחירת המודל קשורות לקואורדינטות על-ידי:
הרעש הפנימי, σ, יכול להיות נשלט על ידי סיגמא משתנה בקובץ התצורה של הניתוח. כדי לאתחל את האלגוריתם עם קבוצה של קואורדינטות גירוי, פסקי הדין של סדר הדירוג שימשו להשגת קבוצה של מרחקים משוערים ולאחר מכן קנה מידה רב ממדי סטנדרטי10 הוחל על מרחקים אלה כדי להשיג את הקואורדינטות הראשוניות. מרחקים משוערים אלה נקבעו על ידי ספירת הניצחונות וההפסדים עבור כל זוג גירויים. כלומר, התבוננות על כל ההשוואות הזוגיות בנתונים, בכל פעם שמרחק, d(sr, sk) נשפט גדול יותר מאחר, d(sr, sn), ניצחון נרשם עבור המרחק הגדול יותר d(sr, sk) והפסד נרשם עבור d(sr, sn, sn ). הרעיון המרכזי הוא שככל שהמרחק בין שני גירויים גדול יותר, כך הוא ישפט לעתים קרובות יותר כמרחק אחר (במונחים של ניצחונות) ולהיפך. לאחר איטרציה בכל ההשוואות וחישוב הניצחונות וההפסדים של כל זוג גירויים, הערכות המרחק מחושבות כדלקמן:
לאחר ביצוע פעולה זו, קבוצת הקואורדינטות הראשונית נקבעת על-ידי החלת קנה מידה רב-ממדי מטרי סטנדרטי על dinit (si, sj).
שגרת המזעור המתוארת כך מנוהלת באופן עצמאי כדי להשיג מודלים של 1, 2, 3, 4 ו 5 ממדים. בכל מקרה, הקואורדינטות האופטימליות של נקודות הגירוי המוסקות, כמו גם הערך של פונקציית העלות, כלומר, הסבירות השלילית ליומן של הסתברויות הבחירה האמפיריות מוחזרות. הסבירות ליומן הרישום מתווה באיור 5 ביחס לסבירות הטובה ביותר האפשרית ליומן רישום, המחושבת באופן דומה למשוואה 1, עם
,
לכל ההשוואות. כבדיקת שפיות, באיור 5, משורטטת גם סבירות היומן של הדגם האקראי, גבול תחתון שבאמצעותו ניתן לשפוט את ביצועי הדגמים. בעת חישוב הסבירות של יומן רישום הבחירה האקראית, אנו מגדירים
לכל ההשוואות.
הרחבות אפשריות: ראשית, כאמור, ניתן לשנות את הפרדיגמה הניסיונית כך שתתאים לקבוצות גירויים בגדלים שונים, וניתן לשנות את מספר הגירויים בטבעת כדי להניב מספרים שונים של השוואות זוגיות לכל משפט (ראה טבלה 1).
שנית, זה עשוי להיות שימושי כדי להשתמש במדדי מרחק שאינם אוקלידים בניתוח. לדוגמה, מחקר אחד מצא כי מדד בלוק העיר ייצג טוב יותר מרחב תפיסתי של קלילות פני השטח ותאורה18. ניתן להכליל את השיטה המוצעת, כך שמודלים עם מדדי מרחק אחרים למשל, מרחק בלוק עירוני, מרחק מינקובסקי או מרחק היפרבולי19, מתאימים לנתוני דמיון. לשם כך, יהיה צורך לשנות את הקוד שסופק וליישם מדד מרחק חלופי. השינוי העיקרי הדרוש הוא בשורה 105 (שם פונקציה: dist_model_ll_vectorized) בדמיון/ניתוח/pairwise_likelihood_analysis.py של הקובץ.
נקודות חוזק ומגבלות: כוח מרכזי של הגישה המוצעת הוא שהיא מספקת מסגרת גמישה לתכנון ניסויים בגדלים שונים של ערכות גירויים, מספר שונה של השוואות, חזרות, או מספר הגירויים לניסוי, כמו גם גדלים מוגדרים חופפים שונים למדידת אפקטי הקשר. על ידי שינוי גודל החפיפה בין משפטים לבין גודל הסביבה במשפט, ניתן לחקור את תפקיד ההקשר בשיפוטי דמיון, תוך קבלת מספר גבוה של פסקי דין דמיוניים זוגיים לכל משפט. השיטה מטפלת במגבלות רבות של פרדיגמות ניסיוניות קודמות לאיסוף נתוני דמיון. לדוגמה, בניגוד לשיטות המבוססות על סידור12,20 (הדורשות סידור גירויים לסידור במישור אוקלידי דו-ממדי עם פריטים דומים הממוקמים יחד ופריטים שונים הממוקמים בנפרד) ושיטות המיון (הדורשות גירויים כדי להיות מסווגים לערימות), 11 שיטת הדירוג אינה מבקשת מהנושאים להקרין את הייצוג הפנימי שלהם על כל מבנה גיאומטרי. מגבלה נוספת של כמה שיטות עבר - למשל, מטריצות בלבול שבהן שני גירויים נחשבים דומים אם הם מבולבלים זה עם זה במשימות הכרה מהירה21 - היא שהם אינם מניבים מדדים מדורגים. שיטה זו אכן מניבה מדדים מדורגים, כלומר הסתברויות הבחירה.
כפי שהודגש לעיל, שיטת האיסוף גמישה בכך שאינה מניחה כי הייצוג הפנימי הוא מרחב אוקלידי. כאן, שיטת הניתוח בוחנת רק מודלים אוקלידיים; עם זאת, ניתן להרחיב אותו כך שיכלול גם דגמים שאינם אוקלידים, על-ידי שינויים המותאמים לשפות אחרות בקוד המקור. עם זאת, מסגרת הדוגמנות אינה מיועדת לקחת בחשבון אפקטי הקשר. אם הם היו משמעותיים, זה היה שם אזהרה על המסקנות שניתן להסיק.
השיטה המוצעת יעילה יותר בזמן מגישת ההשוואה המשויכת. כל ניסוי של הפרדיגמה לוקח בערך 30 s (הנבדקים מבצעים 111 ניסויים בשעה), מניב 111×28 = 3108 השוואות לשעה. סביר להניח שניסויים של השוואה אחת לא יימשכו פחות מ-3 שניות לניסיון, מה שיניב 1,200 השוואות לשעה. בנוסף, יש רמה שנייה של יעילות: הגישה הנוכחית אינה דורשת השוואות של כל המרחקים הזוגיים. לדוגמה בכתב היד, סט המרחקים הזוגיים המלא מסתכם בהשוואות 221445, אך בגישה הנוכחית, תת-קבוצה דלילה של 5994 השוואות ייחודיות, שכל אחת מהן חוזרת על עצמה 5 או 10 פעמים, מספיקה כדי לדגמן את נתוני הדמיון. עם זאת, השיטה, אם כי יעילה, עדיין גוזלת זמן רב, והיא דורשת מחויבות משמעותית מהנושאים. כתוצאה מכך, זה לא גישה ריאלית עבור קבוצה של מאות גירויים, אלא אם כן הנתונים מאוחסנים על פני נושאים. לבסוף, הגישה אינה חלה ישירות על גירויים לא ויזואליים.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
למחברים אין מה לחשוף.
Acknowledgments
העבודה נתמכת במימון המכונים הלאומיים לבריאות (NIH), מענק EY07977. המחברים מבקשים גם להודות לאוסמן עיאז על עזרתו בבדיקת התוכנה, ולמוחמד נעים עיאז על דבריו על כתב היד.
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. |
References
- Edelman, S.
- Hahn, U., Chater, N. Concepts and similarity. Knowledge, Concepts and Categories. , The MIT Press. 43-84 (1997).
- Kriegeskorte, N., Kievit, R. A. Representational geometry: integrating cognition, computation, and the brain. Trends in Cognitive Sciences. 17 (8), 401-412 (2013).
- Hebart, M. N., Zheng, C. Y., Pereira, F., Baker, C. I. Revealing the multidimensional mental representations of natural objects underlying human similarity judgements. Nature Human Behaviour. 4 (11), 1173-1185 (2020).
- Deng, W. S., Sloutsky, V. M. The development of categorization: Effects of classification and inference training on category representation. Developmental Psychology. 51 (3), 392-405 (2015).
- Shepard, R. N. Stimulus and response generalization: tests of a model relating generalization to distance in psychological space. Journal of Experimental Psychology. 55 (6), 509-523 (1958).
- Coombs, C. H. A method for the study of interstimulus similarity. Psychometrika. 19 (3), 183-194 (1954).
- Gärdenfors, P. Conceptual Spaces: The Geometry of Thought. , The MIT Press. (2000).
- Zaidi, Q., et al. Perceptual spaces: mathematical structures to neural mechanisms. The Journal of Neuroscience The Official Journal of the Society for Neuroscience. 33 (45), 17597-17602 (2013).
- Krishnaiah, P. R., Kanal, L. N. Handbook of Statistics 2. , Elsevier. (1982).
- Tsogo, L., Masson, M. H., Bardot, A. Multidimensional Scaling Methods for Many-Object Sets: A Review. Multivariate Behavioral Research. 35 (3), 307-319 (2000).
- Kriegeskorte, N., Mur, M. Inverse MDS: Inferring dissimilarity structure from multiple item arrangements. Frontiers in Psychology. 3, 245 (2012).
- Rao, V. R., Katz, R. Alternative Multidimensional Scaling Methods for Large Stimulus Sets. Journal of Marketing Research. 8 (4), 488-494 (1971).
- Hoffman, J. I. E. Hypergeometric Distribution. Biostatistics for Medical and Biomedical Practitioners. , Academic Press. 179-182 (2015).
- Victor, J. D., Rizvi, S. M., Conte, M. M. Two representations of a high-dimensional perceptual space. Vision Research. 137, 1-23 (2017).
- Knoblauch, K., Maloney, L. T. Estimating classification images with generalized linear and additive models. Journal of Vision. 8 (16), 1-19 (2008).
- Maloney, L. T., Yang, J. N.
- Logvinenko, A. D., Maloney, L. T. The proximity structure of achromatic surface colors and the impossibility of asymmetric lightness matching. Perception & Psychophysics. 68 (1), 76-83 (2006).
- Zhou, Y., Smith, B. H., Sharpee, T. O.
- Goldstone, R. An efficient method for obtaining similarity data. Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).
- Townsend, J. T. Theoretical analysis of an alphabetic confusion matrix. Perception & Psychophysics. 9, 40-50 (1971).
