Summary
تقدم هذه الدراسة إعدادا تجريبيا طبيعيا يسمح للباحثين بتقديم محفزات العمل في الوقت الفعلي ، والحصول على وقت الاستجابة وبيانات تتبع الماوس أثناء استجابة المشاركين بعد كل عرض للتحفيز ، وتغيير الجهات الفاعلة بين الظروف التجريبية بنظام فريد بما في ذلك شاشة الصمام الثنائي العضوي الشفاف الباعث للضوء (OLED) ومعالجة الضوء.
Abstract
يعد إدراك تصرفات الآخرين أمرا بالغ الأهمية للبقاء والتفاعل والتواصل. على الرغم من عقود من أبحاث علم الأعصاب الإدراكي المكرسة لفهم إدراك الأفعال ، ما زلنا بعيدين عن تطوير نظام رؤية حاسوبي مستوحى من الناحية العصبية يقترب من إدراك الفعل البشري. يتمثل التحدي الرئيسي في أن الإجراءات في العالم الحقيقي تتكون من أحداث تتكشف مؤقتا في الفضاء تحدث "هنا والآن" وتكون قابلة للقبول. في المقابل ، درس الإدراك البصري وأبحاث علم الأعصاب الإدراكي حتى الآن إلى حد كبير إدراك العمل من خلال شاشات 2D (على سبيل المثال ، الصور أو مقاطع الفيديو) التي تفتقر إلى وجود ممثلين في المكان والزمان ، وبالتالي فإن هذه العروض محدودة في توفير القابلية للتمثيل. على الرغم من المجموعة المتنامية من المعرفة في هذا المجال ، يجب التغلب على هذه التحديات من أجل فهم أفضل للآليات الأساسية لتصور تصرفات الآخرين في العالم الحقيقي. الهدف من هذه الدراسة هو تقديم إعداد جديد لإجراء تجارب معملية طبيعية مع ممثلين حيين في سيناريوهات تقارب إعدادات العالم الحقيقي. العنصر الأساسي للإعداد المستخدم في هذه الدراسة هو شاشة الصمام الثنائي العضوي الشفاف الباعث للضوء (OLED) والتي يمكن للمشاركين من خلالها مشاهدة الإجراءات الحية لممثل موجود جسديا بينما يتم التحكم بدقة في توقيت عرضهم التقديمي. في هذا العمل ، تم اختبار هذا الإعداد في تجربة سلوكية. نعتقد أن الإعداد سيساعد الباحثين على الكشف عن الآليات المعرفية والعصبية الأساسية والتي كان يتعذر الوصول إليها سابقا لإدراك العمل وسيكون أساسا للدراسات المستقبلية التي تبحث في الإدراك الاجتماعي والإدراك في البيئات الطبيعية.
Introduction
المهارة الأساسية للبقاء والتفاعل الاجتماعي هي القدرة على إدراك وفهم تصرفات الآخرين والتفاعل معهم في البيئة المحيطة. قدمت الأبحاث السابقة في العقود العديدة الماضية مساهمات كبيرة في فهم المبادئ الأساسية لكيفية إدراك الأفراد وفهمهم لأفعال الآخرين1،2،3،4،5،6،7،8،9،10،11. ومع ذلك ، نظرا لتعقيد التفاعلات والظروف التي تحدث فيها ، هناك حاجة واضحة لمواصلة تطوير مجموعة المعرفة في البيئات الطبيعية من أجل الوصول إلى فهم أكثر اكتمالا لهذه المهارة المعقدة في إعدادات الحياة اليومية.
في البيئات الطبيعية مثل إعدادات حياتنا اليومية ، يظهر الإدراك والإدراك خصائص متجسدة ومضمنة وممتدة ونشطة12. على النقيض من الروايات الداخلية لوظائف الدماغ التي تميل إلى التقليل من أدوار الجسم والبيئة ، تركز الأساليب المعاصرة للإدراك المتجسد على الاقتران الديناميكي للدماغ والجسم والبيئة. من ناحية أخرى ، تميل معظم أبحاث علم النفس الاجتماعي وعلم النفس المعرفي وعلم الأعصاب حول إدراك العمل إلى افتراض أن استخدام تصميمات التجارب المبسطة والخاضعة للتحكم جيدا في ظروف المختبر (على سبيل المثال ، الصور أو مقاطع الفيديو في المهام المحوسبة) ينتج عنه نتائج يمكن تعميمها على سيناريوهات أكثر تعقيدا مثل تفاعلات العالم الحقيقي1،2،3،4،5،6،7,8,9,10,11. يضمن هذا الافتراض إمكانية الحصول على بيانات قوية وموثوقة في ظل العديد من الظروف. ومع ذلك ، فإن التحدي المعروف هو أن صلاحية النماذج المستمدة من التجارب التي يتم التحكم فيها بعناية محدودة عند اختبارها في سياق العالم الحقيقي13. وبالتالي ، تم إجراء المزيد من التحقيقات13،14،15،16،17،18،19،20،21،22 لمعالجة الصلاحية البيئية والخارجية للمنبهات والتصاميم التجريبية في مختلف مجالات البحث.
في هذه الدراسة ، تم اقتراح طريقة جديدة للتحقيق في كيفية إدراك الأفراد لأفعال الآخرين وتقييمها باستخدام الإجراءات الحية التي يقوم بها ممثل حقيقي حاضر جسديا. يتم استخدام سيناريوهات مشابهة لسياقات الحياة الواقعية ، بينما يتحكم المجربون في العوامل المربكة المحتملة. هذه الدراسة هي شكل من أشكال "البحوث المختبرية الطبيعية" ، في إطار Matusz et al.14 والتي يمكن تصورها كمرحلة وسيطة بين "البحوث المختبرية الكلاسيكية" ، والتي تستخدم أقصى قدر من السيطرة على المحفزات والبيئة ، غالبا على حساب الطبيعة الطبيعية ، و "أبحاث العالم الحقيقي الطبيعية بالكامل" ، والتي تهدف إلى تعظيم الطبيعة على حساب السيطرة على التحفيز والبيئة 14. تهدف الدراسة إلى معالجة الحاجة إلى التحقيقات التجريبية على هذا المستوى في أبحاث إدراك العمل من أجل سد الفجوة بين النتائج التي تم الحصول عليها في التجارب المعملية التقليدية بدرجة عالية من التحكم التجريبي والنتائج التي تم الحصول عليها في الدراسات التي أجريت في بيئات طبيعية غير مقيدة تماما.
التجارب الخاضعة للرقابة مقابل التجارب غير المقيدة
التحكم التجريبي هو استراتيجية فعالة لتصميم التجارب لاختبار فرضية محددة ، لأنه يسمح للباحثين بعزل المتغيرات المستهدفة عن العوامل المربكة المحتملة. كما يسمح بإعادة النظر في نفس الفرضية بمستويات معينة من التعديلات ، مثل استخدام محفزات مختلفة قليلا أو كليا في نفس التصميم أو اختبار نفس المحفزات في إعدادات تجريبية بديلة. التحقيق المنهجي من خلال التجارب الخاضعة للرقابة هو شكل تقليدي من المنهجية في البحث في العلوم المعرفية والمجالات ذات الصلة. لا تزال التجارب الخاضعة للرقابة تساعد في تأسيس مجموعة المعرفة حول المبادئ الأساسية للعمليات المعرفية في مختلف مجالات البحث ، مثل الانتباه والذاكرة والإدراك. ومع ذلك ، فقد اعترفت الأبحاث الحديثة أيضا بقيود التجارب المعملية التقليدية من حيث تعميم النتائج على إعدادات العالم الحقيقي ، وتم تشجيع الباحثين على إجراء دراسات في البيئات البيئية المحسنة 13،14،15،16،17،18،19،20،21. يهدف هذا التحول إلى معالجة قضيتين مهمتين تتعلقان بالتناقض بين التجارب المعملية التقليدية وإعدادات العالم الحقيقي. أولا ، العالم خارج المختبر أقل حتمية مما هو عليه في التجارب ، مما يحد من القوة التمثيلية للتلاعبات التجريبية المنهجية. ثانيا ، الدماغ البشري شديد التكيف ، وغالبا ما يتم التقليل من شأن ذلك بسبب القيود العملية لتصميم وإجراء الدراسات التجريبية22. تم استخدام مفهوم "الصلاحية البيئية"23,24 لمعالجة طرق حل هذه المشكلة. يستخدم المصطلح عادة للإشارة إلى شرط أساسي لتعميم النتائج التجريبية على العالم الحقيقي خارج سياق المختبر. كما تم تفسير الصلاحية البيئية على أنها تشير إلى التحقق من صحة الإعدادات التجريبية الطبيعية تقريبا مع محفزات غير مقيدة لضمان أن تصميم الدراسة مشابه لسيناريوهات الحياة الواقعية25. نظرا لدرجة التباين العالية في تفسير هذا المصطلح ، يلزم فهم مزايا وقيود المنهجيات البديلة واختيار التحفيز.
مستويات المذهب الطبيعي في المنبهات وتصميم التجارب
استخدمت الأعمال السابقة في علم النفس التجريبي وعلم الأعصاب المعرفي مجموعة واسعة من المحفزات بمستويات مختلفة من المذهب الطبيعي26. يفضل معظم الباحثين استخدام الصور الثابتة أو مقاطع الفيديو الديناميكية القصيرة لأن هذه المحفزات أسهل في التحضير من تلك التي يمكن أن تحاكي إجراء حقيقيا أو حدثا. على الرغم من وجود مزايا ، فإن هذه المحفزات لا تسمح للباحثين بقياس السلوكيات الطارئة بين العوامل الاجتماعية. بمعنى آخر ، فهي غير قابلة للتصرف وليس لديها إمكانات اجتماعية27. في السنوات الأخيرة ، تم تطوير بديل لهذه المحفزات غير التفاعلية: الرسوم المتحركة في الوقت الفعلي للصور الرمزية الافتراضية. تسمح هذه الصور الرمزية بالتحقيق في التفاعلات بين الصور الرمزية ومستخدميها. ومع ذلك ، فإن استخدام الصور الرمزية الافتراضية يخضع لتقليل مخاوف المستخدم ، خاصة عندما لا يبدو أنهم منخرطون بشكل خاص من حيث سلوكياتهم الواقعية والطارئة26. لذلك ، هناك الآن اهتمام أكبر باستخدام المحفزات الاجتماعية الحقيقية في الدراسات التجريبية. على الرغم من أن تصميمها وتسجيل البيانات وتحليلها قد يتطلب معدات متقدمة وتحليل بيانات معقد ، إلا أنها أفضل المرشحين لفهم السلوك البشري الطبيعي والإدراك.
تقترح الدراسة الحالية منهجية لاستخدام المحفزات الاجتماعية الواقعية في بيئة المختبر. تهدف هذه الدراسة إلى التحقيق في كيفية إدراك الناس لأفعال الآخرين وتقييمها في بيئة ذات صلاحية بيئية معززة مقارنة بالتجارب المعملية التقليدية. لقد طورنا ووصفنا إعدادا جديدا يتعرض فيه المشاركون لممثلين حقيقيين موجودين جسديا ويشاركونهم نفس البيئة. في هذا البروتوكول ، يتم قياس أوقات استجابة المشاركين ومسارات الفئران ، الأمر الذي يتطلب توقيتا دقيقا لعرض المحفزات ورقابة صارمة على الظروف التجريبية في هذا الإعداد البيئي المعزز. لذلك ، يبرز النموذج التجريبي بين الأطر الموجودة في الأدبيات حيث يتم تعظيم طبيعية المنبهات دون التضحية بالسيطرة على البيئة. أدناه ، يعرض البروتوكول خطوات إنشاء مثل هذا النظام ثم يستمر في النتائج التمثيلية لبيانات العينة. أخيرا ، يتم تقديم مناقشة لأهمية النموذج وقيوده وخطط التعديلات.
التصميم التجريبي
قبل الانتقال إلى قسم البروتوكول ، نصف المعلمات المستخدمة في هذه الدراسة ونقدم تفاصيل المحفزات مع التصميم التجريبي.
المعلمات في الدراسة
تهدف هذه الدراسة إلى قياس كيفية تأثير نوع الممثل وفئة الإجراءات التي يؤدونها على عمليات إدراك العقل للمشاركين. في البروتوكول ، يتم قياس عملية إدراك العقل في بعدين رئيسيين ، وهما الوكالة والخبرة ، كما اقترح البحث السابق28. كما تم تضمين النهايات العالية والمنخفضة لهذين البعدين ، كما قدمها مؤخرا Li et al.29.
هيكل الدراسة مستوحى من الإصدار30 من فئة واحدة من مهمة الارتباط الضمني شائعة الاستخدام (IAT)31. في هذه المهمة ، يتم استخدام أوقات استجابة المشاركين أثناء مطابقتهم لمفهوم السمة مع المفهوم المستهدف كمؤشر على قوة ارتباطاتهم الضمنية لهذين المفهومين. في تكييف هذه المهمة الضمنية ، يتم تقديم المشاركين إجراءات حية تقوم بها جهات فاعلة حقيقية ويطلب منهم مطابقتها مع المفاهيم المستهدفة. المفاهيم المستهدفة هي النهايات العالية والمنخفضة للوكالة أو أبعاد التجربة ، اعتمادا على كتلة التجربة.
للتلخيص ، المتغيرات المستقلة هي نوع الممثل وفئة العمل. نوع الممثل له مستويان (أي ممثلان مختلفان ، Actor1 و Actor2 ، يؤديان في الدراسة). تحتوي فئة العمل على مستويين: Action Class1 و Action Class2 ، وتحتوي كل فئة على أربعة إجراءات. يقوم المشاركون بتقييم الممثلين بشكل منفصل في أربع كتل (ممثل واحد في كل كتلة) ، وفي كل كتلة ، يقوم الممثلون بتنفيذ جميع الإجراءات بترتيب متوازن. يقوم المشاركون بإجراء تقييمات فيما يتعلق ببعدين محددين مسبقا وإجباريين: الوكالة والخبرة. الكتل الأربع في التجربة هي (1) Actor1 في Agency Block ، (2) Actor2 في Agency Block ، (3) Actor1 في Experience Block ، و (4) Actor2 في Experience Block. يتم أيضا موازنة ترتيب الكتل بين المشاركين بحيث لا تتبع الكتل التي لها نفس العامل بعضها البعض.
إلى جانب إجابات المشاركين ، يتم تسجيل أوقات الاستجابة وإحداثيات x-y للماوس اللاسلكي الذي يستخدمونه أثناء تحركهم نحو أحد بديلي الاستجابة. لذا ، فإن المتغيرات التابعة هي الاستجابة ووقت الاستجابة (RT) للمشاركين ، بالإضافة إلى قياسات الانحراف الأقصى (MD) والمنطقة تحت المنحنى (AUC) ، المشتقة من تتبع فأرة الكمبيوتر. الاستجابة المتغيرة قاطعة. يمكن أن تكون عالية أو منخفضة ، وبما أن التقييمات تتم في إحدى الكتل المحددة ، يمكن أيضا تصنيف الاستجابات على أنها وكالة عالية أو وكالة منخفضة أو خبرة عالية أو تجربة منخفضة. وقت الاستجابة هو متغير مستمر. وحدته هي ثوان ، وتشير إلى الوقت المنقضي بين بدء عرض الإجراء وحدوث نقرة بالماوس على أحد بدائل الاستجابة. MD للمسار هو متغير مستمر ، ويشير إلى أكبر انحراف عمودي بين مسار المشارك (المشاركين) والمسار المثالي (الخط المستقيم). AUC للمسار هو أيضا متغير مستمر ، ويشير إلى المنطقة الهندسية بين مسار المشارك (المشاركين) والمسار المثالي32.
المنبهات وتصميم التجربة
تم استخدام تجربة من ثلاث مراحل في هذه الدراسة. تستخدم القياسات من الجزء الثالث للتحليلات. الجزءان الأولان بمثابة تحضير للجزء الأخير. أدناه ، نصف كل جزء من التجربة مع المحفزات والفرضيات التجريبية.
في التجربة الجزء 1 (جزء التدريب المعجمي) ، يكمل المشاركون جلسة تدريبية لفهم مفاهيم الوكالة والخبرة ومستويات القدرات الممثلة بالكلمات عالية ومنخفضة. لاختيار المفاهيم (ن = 12) لاستخدامها في هذه الدورة التدريبية ، أجرى بعض مؤلفي العمل الحالي دراسة معيارية33. وبما أنه كان من المقرر إجراء الدراسة الحالية باللغات الأصلية للمشاركين، فقد ترجمت المفاهيم أيضا إلى اللغة التركية قبل تطبيعها. تم اختيار المفاهيم من بين تلك التي ارتبطت ارتباطا وثيقا بطرفي البعدين (ن = 3) والأدنى (ن = 3) للبعدين (ستة مفاهيم لكل منهما). هذا الجزء مهم لأن فهم المشاركين للمفاهيم من المتوقع أن يوجه عمليات التقييم الخاصة بهم.
في الجزء 2 من التجربة (جزء تحديد الإجراء) ، يشاهد المشاركون نفس الإجراءات الثمانية التي يقوم بها Actor1 و Actor2 واحدا تلو الآخر ويبلغون عن الإجراء إلى المجرب. هذا القسم بمثابة فحص التلاعب. من خلال تقديم جميع الإجراءات عندما يقوم كلا الممثلين بتنفيذها ، من الممكن التأكد من أن المشاركين يفهمون الإجراءات وأنهم على دراية بالممثلين قبل بدء الاختبار الضمني ، حيث يحتاجون إلى إجراء تقييمات سريعة. الإجراءات المختارة ل Action Class1 و Action Class2 هي تلك التي حصلت على أعلى درجات H ومستويات الثقة (أربعة نماذج عمل مختلفة في كل فئة عمل) وفقا لنتائج الدراستين المعياريتين (N = 219) لكل حالة ممثل أجراها بعض المؤلفين (مخطوطة قيد الإعداد). يتم تنفيذ جميع الإجراءات خلال مدة زمنية متساوية من 6 ثوان.
هذه دراسة مستمرة ، ولها بعض المكونات الأخرى. ومع ذلك ، فإن فرضيات الأقسام الموصوفة أعلاه هي كما يلي: (أ) سيؤثر نوع الفاعل على المتغيرات التابعة ؛ سينتج Actor2 RTs أطول ، و MDs أعلى ، و AUCs أكبر مقارنة ب Actor1 ؛ (ii) سيؤثر نوع الإجراء على القياسات التابعة ؛ ستنتج Action Class1 RTs أطول ، و MDs أعلى ، و AUCs أكبر مقارنة ب Action Class2 ؛ (iii) ستختلف القياسات التابعة للاستجابات العالية والمنخفضة لنفس الممثل وفئة العمل عبر أبعاد الكتلة: الوكالة والخبرة.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
تمت الموافقة على البروتوكولات التجريبية في هذه الدراسة من قبل لجنة أخلاقيات البحث مع المشاركين البشريين في جامعة بيلكينت. كان جميع المشاركين المشمولين في الدراسة تزيد أعمارهم عن 18 عاما ، وقرأوا ووقعوا على نموذج الموافقة المستنيرة قبل بدء الدراسة.
1. خطوات التصميم العامة
ملاحظة: يوضح الشكل 1A (المنظر العلوي) والشكل 1B والشكل 1C (المناظر الأمامية والخلفية) تخطيط المختبر؛ تم إنشاء هذه الأرقام فيما يتعلق بإعداد المختبر الأصلي والتكوين المصمم لهذه الدراسة بالذات. يوضح الشكل 1 أ تخطيط العرض العلوي للمختبر. في هذا الشكل ، من الممكن رؤية مصابيح LED على السقف وخزانة الممثل. يقسم نظام ستارة التعتيم الغرفة إلى نصفين ويساعد على معالجة الضوء عن طريق منع تسرب الضوء إلى الجزء الأمامي من الغرفة (منطقة المشاركين). يعرض الشكل 1 ب وجهة نظر المختبر من منظور المجرب. يجلس المشارك أمام شاشة OLED مباشرة ، وباستخدام الشاشة الشفافة ، يمكنه مشاهدة الإجراءات الحية التي يقوم بها الممثلون. يعطون ردودهم باستخدام جهاز الاستجابة (ماوس لاسلكي) أمامهم. يمكن للمجرب مشاهدة الممثل في وقت واحد من خلال شاشة المشارك (شاشة OLED) واللقطات القادمة من الكاميرا الأمنية. يوضح الشكل 1C كواليس الدراسة (منطقة الممثل) باستخدام الكاميرا الأمنية والكمبيوتر الشخصي للممثل (PC) ، والتي لا يمكن رؤيتها للمشارك. تذهب لقطات الكاميرا الأمنية إلى Camera PC لإنشاء اتصال بين الممثلين والمجرب. يعرض كمبيوتر الممثل ترتيب الكتلة ومعلومات الإجراء التالي للممثل بحيث تتدفق التجربة دون أي انقطاع. يمكن للممثلين التحقق من الإجراء التالي بسرعة بينما يستجيب المشاركون للإجراء في التجربة السابقة.
الشكل 1: إعداد المختبر الطبيعي. (أ) منظر من أعلى إلى أسفل لإعداد المختبر الطبيعي. (ب) الجانبان الخلفي والأمامي للإعداد التجريبي الطبيعي من وجهة نظر المشارك. (ج) الجانبان الخلفي والأمامي للإعداد التجريبي الطبيعي من وجهة نظر الممثل. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
- صمم إعدادا يتضمن ثلاثة أجهزة كمبيوتر ، بما في ذلك (1) سطح مكتب تحكم رئيسي (كمبيوتر مجرب) ، (2) كمبيوتر محمول ممثل (كمبيوتر ممثل) ، و (3) كمبيوتر مزود بكاميرا ، وجهاز استجابة لاسلكي واحد (ماوس مشارك) ، وشاشتان ، ودائرة إضاءة ، وكاميرا أمان (انظر الشكل 2 أ للحصول على مخطط النظام لإعداد هذه الدراسة).
ملاحظة: سيتم استخدام جهاز الكمبيوتر المجرب من قبل المجرب لتشغيل البرامج النصية للتجربة ، وسيتم استخدام الكمبيوتر الشخصي الفاعل من قبل الممثل لتتبع كتل التجربة وترتيب الإجراءات في الكتل ، وسيتم توصيل الجهاز الثالث ، كاميرا الكمبيوتر ، بكاميرا الأمان الموجودة في منطقة الممثل واستخدامها من قبل المجرب لمراقبة الكواليس. - قم بتوصيل شاشات العرض المنفصلة (واحدة لعرض المحفزات [شاشة المشارك] ، وهي شاشة OLED) وشاشة لمراقبة التجربة وجهاز الاستجابة ودائرة الإضاءة (عبر الأسلاك أو الاتصالات اللاسلكية) بجهاز الكمبيوتر المجرب (انظر الشكل 2 أ).
- قم بتوصيل كمبيوتر Experimenter وكمبيوتر Actor عبر شبكة لاسلكية لنقل المعلومات المتعلقة بحالة التجربة (على سبيل المثال ، "معرف الإجراء التالي هو" تحية "") إلى الممثلين.
- تصميم وبناء دائرة إضاءة (انظر الشكل 2B للوحة الدائرة) يمكن التحكم فيها بواسطة متحكم دقيق لتشغيل مصابيح LED وإيقاف تشغيلها.
ملاحظة: يوضح الشكل 3 أ الاستخدام غير الشفاف لشاشة OLED المستخدمة في الدراسة من وجهة نظر المجرب. لضمان التعتيم ، يتم ضبط خلفية الشاشة على اللون الأبيض (RGB: 255 ، 255 ، 255) ، ويتم إيقاف تشغيل جميع الأضواء في الغرفة (في كل من منطقة المشاركين ومنطقة الممثل). يرى المشارك التثبيت قبل المنبهات. يوضح الشكل 3B الاستخدام الشفاف للشاشة الرقمية في الدراسة من وجهة نظر المجرب. لتمكين الشفافية ، يتم ضبط خلفية الشاشة على اللون الأسود (RGB: 0 ، 0 ، 0) ، ويتم تشغيل مصابيح LED الموجودة في السقف. المشارك يشاهد الممثل. يوضح الشكل 3C الاستخدام غير الشفاف للشاشة الرقمية في الدراسة. لضمان التعتيم ، يتم ضبط خلفية الشاشة على اللون الأبيض (RGB: 255 ، 255 ، 255) ، ويتم إطفاء جميع الأضواء في الغرفة. يتم تقديم شاشة التقييم للمشارك لإعطاء رد. يحتاجون إلى سحب المؤشر إلى أعلى يسار الشاشة أو أعلى يمين الشاشة (أحد خياري الاستجابة ، إما مرتفع أو منخفض) باستخدام ماوس لاسلكي. يتم تسجيل مسار الماوس ووقت الاستجابة. - قم بتوصيل المتحكم الدقيق بجهاز الكمبيوتر المجرب.
- قم بتخزين البرامج النصية التي تقوم بتشغيل التجربة في كمبيوتر Experimenter.
ملاحظة: يوضح الشكل 4 أ الكواليس (منطقة الممثل) أثناء التجربة. الأضواء الأمامية للغرفة (منطقة المشاركين) مطفأة ، ويعرض كمبيوتر الممثل اسم الإجراء الذي سيقوم به الممثل. يوضح الشكل 4 ب خزانة الممثلين التي يمكن للممثلين فيها انتظار دورهم وتغيير ملابسهم. خزانة الممثل غير مرئية من وجهة نظر المشارك ، وبما أنه يتم استخدام نظام الستائر ، يمكن للممثلين استخدام أي مدخل يريدونه. أثناء التجربة، تكون مصابيح الفلورسنت المعروضة في الشكل مطفأة.
الشكل 2: مخطط النظام والأسلاك. أ: مخطط النظام للإعداد التجريبي الطبيعي. (ب) مخطط الأسلاك لدائرة الضوء التي تدعم شاشة OLED أثناء التجربة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 3: شاشة OLED من وجهة نظر المجرب. (أ) الاستخدام غير الشفاف لشاشة OLED الرقمية من وجهة نظر المجرب. (ب) الاستخدام الشفاف لشاشة OLED الرقمية من وجهة نظر المجرب. (ج) الاستخدام غير الشفاف لشاشة OLED الرقمية من وجهة نظر المجرب خلال فترة الاستجابة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 4: وراء كواليس التجربة. أ: وراء الكواليس أثناء تجربة تجريبية. (ب) توجد خزانة الممثلين في الجزء الخلفي من شاشة OLED ، حيث يمكن للممثلين انتظار دورهم ليكونوا مرئيين أثناء التجربة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
2. تصميم وتنفيذ دائرة الإضاءة
- الخطوات التي يجب اتباعها قبل تشغيل أجهزة / مكونات الدائرة
- لتغيير حالات مصابيح LED المثبتة خلف الكواليس (منطقة الممثل) ، قم بتزويد كمبيوتر Experimenter بالقدرة على تبديل مصابيح LED إلى ON أو OFF.
- لنقل الأوامر الرقمية التي سيتم إرسالها من جهاز الكمبيوتر المجرب عبر كابل USB ، حدد جهاز متحكم دقيق يمكنه أخذ المدخلات الرقمية وإنشاء مخرجات رقمية (انظر جدول المواد للمتحكم الدقيق المستخدم في هذه الدراسة).
- حدد منفذ USB محددا لجهاز الكمبيوتر المجرب للاتصال بمدخل USB الخاص بالمتحكم الدقيق عبر كابل USB. لا تقم بتشغيل الكمبيوتر قبل التأكد من إنشاء جميع الاتصالات بنجاح.
- قم بتضمين وحدة تبديل لزيادة سعة إشارة الخرج (حوالي 3.3 فولت) الناتجة عن المتحكم الدقيق.
- قم بتوصيل دبوس الإخراج الرقمي المعين (لهذه التجربة ، الدبوس المعين هو D9) والدبابيس الأرضية للمتحكم الدقيق بوحدة التبديل.
- لتشغيل الحمل (مصابيح LED) ، قم بتضمين وحدة ترانزستور التأثير الميداني لأكسيد المعادن وأشباه الموصلات عالية الطاقة (MOSFET) (أو وحدة MOSFET) التي يتم تشغيلها بواسطة الإشارة الناتجة عن وحدة التبديل ، وقم بتوصيل دبابيس الإشارة الخاصة بوحدة MOSFET بزوج الإشارة الأرضي المقابل في وحدة التبديل.
- قم بتوصيل دبابيس السرير الساخن لوحدة MOSFET بالحمل.
- لتزويد الوحدات بجهد ثابت منظم (وبشكل غير مباشر ، إلى مصابيح LED) ، قم بتضمين مصدر طاقة LED يأخذ مدخلات التيار المتردد (AC) ويولد جهد تيار مستمر ثابت في الدائرة.
- قم بتوصيل مخرجات مصدر طاقة LED بمدخلات الطاقة لكل من وحدة MOSFET ووحدة التبديل.
- الخطوات التي يجب اتباعها بعد توصيل مكونات الدائرة
- قم بتوصيل كبل USB بمنفذ USB المحدد لجهاز الكمبيوتر Experimenter.
- قم بإنشاء ارتباط اتصال تسلسلي بين وحدة التحكم الدقيقة وبيئة البرنامج التي تعمل على كمبيوتر Experimenter (انظر القسم الفرعي توصيل المتحكم الدقيق بكمبيوتر Experimenter).
- قم بتوصيل مصدر طاقة LED بمدخل التيار المتردد.
3. برمجة التجربة
ملاحظة: قم بإنشاء ثلاثة نصوص تجريبية رئيسية (ExperimentScript1.m [ملف الترميز التكميلي 1] ، ExperimentScript2.m [ملف الترميز التكميلي 2] ، و ExperimentScript3.m [ملف الترميز التكميلي 3]) ، بالإضافة إلى العديد من الوظائف (RecordMouse.m [ملف الترميز التكميلي 4] ، InsideROI.m [ملف الترميز التكميلي 5] ، RandomizeTrials.m [ملف الترميز التكميلي 6] ، RandomizeBlocks.m [ملف الترميز التكميلي 7] ، GenerateResponsePage.m [ملف الترميز التكميلي 8] ، GenerateTextures.m [ملف الترميز التكميلي 9] ، ActorMachine.m [ملف الترميز التكميلي 10] ، MatchIDtoClass.m [ملف الترميز التكميلي 11] ، و RandomizeWordOrder.m [ملف الترميز التكميلي 12]) لإجراء التجربة.
ملاحظة: يرجى الرجوع إلى البرامج النصية ذات الصلة للحصول على تفسيرات مفصلة.
- التوزيع العشوائي للأوامر التجريبية وأوامر الحظر
- تحديد وإنشاء وظيفتين لتوزيع أوامر الإصدار التجريبي عشوائيا (RandomizeTrials.m) وأوامر الحظر (RandomizeBlocks.m) التي تأخذ معلمات التوزيع العشوائي (مثل معرف المشارك) كمدخلات وإرجاع صفيف من التسلسلات العشوائية الزائفة.
- راجع البرامج النصية RandomizeBlocks.m (الأسطر 2-24) و RandomizeTrials.m (الأسطر 3-26) للحصول على تفاصيل حول كيفية إنشاء التسلسلات العشوائية.
- تتبع الاستجابة (RecordMouse، InsideRoi)
- قم بإنشاء وظيفة تتعقب وتسجل مسار الماوس للمشاركين والوقت المنقضي أثناء التجربة (انظر RecordMouse.m).
- قم بإنشاء وظيفة مساعدة للتحقق مما إذا كانت الإحداثيات التي تم النقر عليها تقع داخل المناطق المقبولة أم لا (انظر البرنامج النصي InsideRoi.m).
- إنشاء مواد للتعليمات والتعليقات (GenerateTextures.m ، GenerateResponsePage.m)
- قم بإعداد التعليمات المتعلقة بالتجربة والتعليقات المتعلقة بالتجارب كصور.
- احفظ محتوى هذه الصور في ملف .mat (راجع ملف ExperimentImages.mat [ملف الترميز التكميلي 13]).
- قم بتحميل ملف .mat في مساحة العمل (راجع GenerateTextures.m السطر 25) بعد إنشاء نافذة على الشاشة.
- قم بإنشاء نسيج منفصل ومعرفه لكل صورة (راجع خطوط GenerateTextures.m 27-165).
- حدد دالة لرسم مواد صفحة الاستجابة ذات الصلة لكل نص برمجي للتجربة (راجع GenerateResponsePage.m).
- توصيل كمبيوتر الممثل بالكمبيوتر المجرب عبر TCP / IP
- قم بإنشاء مقبس خادم TCP في البرنامج النصي (راجع ExperimentScript2.m سطر 174) يعمل على كمبيوتر Experimenter.
- قم بإنشاء مقبس عميل TCP مطابق في البرنامج النصي (انظر السطر 16 ActorMachine.m) يعمل على جهاز الكمبيوتر الممثل.
- أرسل معلومات حول الحظر/الإصدار التجريبي القادم إلى الجهات الفاعلة من البرنامج النصي (راجع الأسطر 207 و229 و278 في ExperimentScript2.m أو راجع الأسطر 136 و141 و153 و159 و297 في ExperimentScript3.m) التي تعمل على كمبيوتر Experimenter.
- اعرض المعلومات المستلمة من جهاز الكمبيوتر المجرب على النافذة التي تظهر على الشاشة لجهاز الكمبيوتر الفاعل (انظر الأسطر 31-47 في ActorMachine.m).
- توصيل المتحكم الدقيق بجهاز الكمبيوتر المجرب
- قم بتوصيل المتحكم الدقيق بمنفذ USB محدد (على سبيل المثال ، المنفذ 9) للتحكم في الحالة (إما ON أو OFF) لمصابيح LED المثبتة خلف الكواليس.
- قم بإنشاء اتصال تسلسلي بين جهاز المتحكم الدقيق وجهاز الكمبيوتر المجرب (انظر السطر 185 في البرنامج النصي ExperimentScript2.m).
- أرسل إشارة منطقية عالية (1) إلى وحدة التحكم الدقيقة من البرنامج النصي الذي يعمل على كمبيوتر Experimenter (انظر السطر 290 في ExperimentScript2.m أو راجع السطر 311 في البرامج النصية ExperimentScript3.m) لتشغيل مصابيح LED عند عرض الإجراءات عبر كبل USB.
- أرسل إشارة منطقية منخفضة (0) إلى وحدة التحكم الدقيقة من البرنامج النصي الذي يعمل على كمبيوتر Experimenter (انظر السطر 292 في ExperimentScript2.m أو راجع السطر 314 في البرامج النصية ExperimentScript3.m) لإيقاف تشغيل مصابيح LED عندما يتوقع من المشارك تقديم استجابة.
4. تدفق عينة التجربة
- خطوات ما قبل التجربة
- تأكد من أن جميع الأجهزة في المختبر (كمبيوتر المجرب ، وكمبيوتر الكاميرا ، وكمبيوتر الممثل ، وشاشة المشارك) يتم تشغيلها بواسطة UPS.
- قم بتوصيل متحكم البرق الدقيق بكمبيوتر Experimenter من خلال كبل USB ، بحيث يتم تشغيله تلقائيا عند تشغيل كمبيوتر Experimenter.)
- قم بتشغيل جهاز الكمبيوتر Experimenter ، وتحقق مما إذا كان متصلا بشبكة Wi-Fi بسرعة 5 جيجاهرتز.
- اختر جهاز الصوت (السماعات الموجودة في جدول المواد) كجهاز إخراج الصوت لجهاز الكمبيوتر Experimenter.
- قم بتشغيل شاشة المشارك ، واضبط إعدادات مستوى الصوت على 80٪.
- قم بتعيين إعدادات شاشة كمبيوتر Experimenter لأجهزة عرض متعددة. قم بتوسيع عرض كمبيوتر التجربة إلى شاشة المشارك. ستكون شاشة جهاز الكمبيوتر التجريبي 1 ، وستكون شاشة المشاركين 2.
- قم بتشغيل جهاز الكمبيوتر Actor ، وتحقق مما إذا كان متصلا بشبكة Wi-Fi بسرعة 5 جيجاهرتز.
- قم بتوصيل كاميرا الأمان بجهاز كمبيوتر Actor من خلال كابل USB ، لذلك سيتم تشغيلها تلقائيا أثناء تشغيل كمبيوتر Actor.
- قم بتشغيل Camera PC، وافتح تطبيق الكاميرا على سطح المكتب. تأكد من أن كل ممثل وحركاته ودخوله ومخارجه إلى الخزانة مرئية من الكاميرا.
- تأكد من أن جميع أجهزة الكمبيوتر والشاشات والأجهزة (جهاز الاستجابة [الماوس اللاسلكي للمشارك] ومكبرات الصوت ولوحة المفاتيح والماوس لجهاز الكمبيوتر المجرب والكمبيوتر الشخصي الممثل ومتحكم البرق) تعمل بشكل صحيح.
- نرحب بالمشارك في غرفة أخرى ؛ بعد تقديم معلومات موجزة عن الدراسة ، قدم نموذج الموافقة ، ودع المشارك يوقع عليه.
- اطلب من المشارك رسم رقم من حقيبة ، وأخبره أن الرقم سيكون معرف المشارك طوال فترة الدراسة.
- اسمح للمشارك بملء نموذج التركيبة السكانية عبر الإنترنت بمعرف المشارك المجهول الخاص به.
ملاحظة: من الأهمية بمكان ألا يرى المشاركون الممثلين قبل التجربة. لذلك ، يتم الانتهاء من هذه الأوراق في غرفة أخرى بدلا من غرفة التجربة الرئيسية حتى يتمكن الممثلون من أخذ فترات راحة بين المشاركين.
- خطوات التجربة
- افتح برنامج التجربة على الكمبيوتر الشخصي الخاص بالمجرب وافتح البرنامج النصي ExperimentScript1.m وقم بتشغيله.
- املأ معرف المشارك وعمره ؛ بعد ذلك ، سيبدأ البرنامج النصي الجزء الأول من التجربة (سيكون الحافز المرئي الأول عبارة عن تقاطع في وسط شاشة المشاركين.)
- افتح برنامج التجربة على كمبيوتر الممثل، وافتح البرنامج النصي ActorMachine.m.
- ضع كمبيوتر الكاميرا بالقرب من كمبيوتر Experimenter ، وتأكد من أن اللقطات القادمة من كاميرا الأمان غير مرئية للمشارك.
- رحب بالمشارك في غرفة التجربة الرئيسية ، ودعه يحصل على مقعد أمام شاشة المشارك.
- أخبر المشارك أن يرتب نفسه بحيث يكون الصليب في المنتصف وإلى الأمام مباشرة.
- أعط تعليمات حول أجزاء التجربة بإيجاز بالرجوع إلى التفسيرات والمدد المكتوبة على السبورة البيضاء.
- أطفئ جميع الأنوار في غرفة التجربة.
- جزء التجربة 1:
- أخبر المشارك أنه سيكمل التدريب المعجمي / المفاهيمي في الجزء الأول من التجربة. حذرهم من الحرص على اتباع التعليمات حتى يتمكنوا من اجتياز التدريب.
- أخبر المشارك أنه يمكن بدء التجربة عندما يكون جاهزا.
- اضغط على زر ESC عندما يقول المشارك أنه جاهز للجزء الأول.
ملاحظة: من الآن فصاعدا ، سيتقدم المشارك خلال التجربة من خلال قراءة التعليمات الموجودة على شاشة المشاركين واختيار أحد الخيارات. سيتلقون ملاحظات بشأن إجاباتهم الصحيحة والخاطئة حتى يتمكنوا من التقدم بشكل جيد في التدريب. ستستمر المطابقة حتى يصل المشاركون إلى الحد الأدنى (80٪) في غضون 10 تكرارات كتلة. - عندما يكمل المشارك جزء التدريب ، اضغط على زر ESC ، وأخبر المشارك أن المجرب يتحكم في الماوس لبدء الجزء الثاني من التجربة.
- جزء التجربة 2:
- افتح البرنامج النصي ExperimentScript2.m ، وانتظر المطالبة في انتظار جهاز الكمبيوتر الممثل.
- دق الجرس عند رؤية المطالبة حتى يتمكن أحد الممثلين من تشغيل البرنامج النصي على كمبيوتر الممثل لتمكين الاتصال بكمبيوتر Experimenter.
- انتظر حتى تكون التجربة المطالبة الجزء 2 جاهزة.
- أخبر المشارك أنه الآن ستكون الشاشة شفافة أثناء مشاهدة بعض الإجراءات القصيرة من خلالها.
- حذرهم من مراقبة كل إجراء بعناية ، وأخبرهم أنه يجب عليهم قول ما هو الإجراء بصوت عال.
- أخبر المشارك أنه يمكن بدء التجربة عندما يكون جاهزا.
- اضغط على زر ESC عندما يقول المشارك أنه جاهز للجزء الأول.
ملاحظة: يتقدم المشارك من خلال التعليمات ويشاهد الإجراء الأول. يقوم Actor1 بتنفيذ الإجراءات عند تشغيل مصابيح LED ، ويقومون بالتحقق من الإجراء التالي من المطالبة على جهاز الكمبيوتر الخاص بالممثل عند إطفاء الأنوار. عند انتهاء كل إجراء ، سيظهر مربع حوار على شاشة جهاز الكمبيوتر Experimenter. - اكتب ما يقوله المشارك عن الإجراء في مربع الحوار، واكتب 1 أو 0 في مربع الحوار الثاني استنادا إلى التعريف الصحيح أو الخاطئ للعملية، على التوالي.
ملاحظة: سيتم تكرار هذه الخطوات ثماني مرات للممثل الأول ، وسيبدأ تشغيل موسيقى الخلفية عندما يحين وقت تغيير الممثلين للأماكن. - شاهد الكواليس من لقطات كاميرا الأمان على كمبيوتر الكاميرا.
- اضغط على زر ESC لبدء تحديد هوية Actor2 عندما يلوح الممثل بأيديهم نحو الكاميرا الأمنية بإيماءة أنا جاهز .
- كرر الخطوتين 4.4.7 والخطوة 4.4.8 مع المشارك حتى يتم تحديد نفس الإجراءات الثمانية أيضا أثناء تنفيذها بواسطة Actor2.
- عندما يرى المشارك تحذير اكتمال التعريف ويخرج من الجزء بالنقر فوق السهم ، اضغط على زر ESC ، وأخبر المشارك أن المجرب يتحكم في الماوس لبدء الجزء الثالث من التجربة.
- جزء التجربة 3:
- افتح البرنامج النصي ExperimentScript3.m.
- أخبر المشارك أنه سيشاهد تصرفات كلا الممثلين ، ثم سينقر على الخيار الذي يعتقد أنه مناسب.
ملاحظة: سيقوم المشاركون بتقييم تصرفات الجهات الفاعلة في أربع كتل. في اثنتين من الكتل ، سيقوم Actor1 بتنفيذ الإجراءات ، وفي الكتلتين الأخريين ، سيقوم Actor2 بتنفيذ نفس الإجراءات. في اثنتين من الكتل ، سيقوم المشاركون بتقييم الإجراءات من خلال إسناد قدرات الوكالة العالية أو المنخفضة ، وفي المجموعتين الأخريين ، سوف ينسبون قدرات الخبرة العالية أو المنخفضة. - اضغط على زر ESC عندما يقول المشارك أنه جاهز للجزء الثالث.
ملاحظة: يتقدم المشارك من خلال التعليمات ، ويبدأون بالكتلة الأولى. يقوم الممثلون بأداء الإجراءات في الضوء ، وبينما يقدم المشاركون ردودهم ، تصبح الشاشة معتمة ، ويتم إطفاء الأنوار حتى يتمكن الممثلون من رؤية الإجراء التالي. عندما تنتهي كل كتلة ، سيغير الممثلون الأماكن باتباع المطالبات على جهاز الكمبيوتر الشخصي. - تحقق مما إذا كان كل شيء يسير على ما يرام وراء الكواليس وما إذا كان الممثل المناسب يقوم بالإجراء الصحيح أثناء الكتل.
- اضغط على زر ESC لبدء الكتلة التالية عندما يلوح الممثل المناسب بأيديهم بإيماءة أنا جاهز بعد استبدال الممثلين.
- كرر الخطوة 4.5.4 والخطوة 4.5.5 بالتعاون مع المشارك والممثل حتى تكتمل الكتل الأربع.
- عندما يرى المشارك الزر انتهت التجربة ، شكرا لك ، اضغط على زر ESC .
- اشكر المشارك ، وبعد استخلاص المعلومات وأخذ التوقيعات ، أرسل المشارك.
يوضح الشكل 5 عينة تجربة من وجهة نظر المشارك. يوضح الشكل 5 أ المشارك وهو ينظر إلى المؤشر في وسط الشاشة في استخدامه غير الشفاف. يوضح الشكل 5B المشارك الذي يشاهد محفزات الحركة الحية من خلال الشاشة. يوضح الشكل 5C شاشة التقييم المقدمة للمشارك بعد المحفزات ، حيث يحتاجون إلى سحب الماوس إلى أحد البديلين في كل ركن علوي من الشاشة.
الشكل 5: شاشة OLED من وجهة نظر المشارك. (أ) الاستخدام غير الشفاف لشاشة OLED الرقمية من وجهة نظر المشارك أثناء شاشة التثبيت. (ب) الاستخدام الشفاف لشاشة OLED الرقمية من وجهة نظر المشارك أثناء عرض إجراء مباشر. (ج) الاستخدام غير الشفاف لشاشة OLED الرقمية من وجهة نظر المشارك خلال فترة الاستجابة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
5. المعالجة المسبقة للبيانات وتحليلها
- تقسيم البيانات إلى شروط
- اقرأ جميع ملفات بيانات المشاركين في مساحة عمل بيئة البرنامج.
- حدد شروط تجميع البيانات (فئتان من الإجراءات [فئة الحركة 1 وفئة الحركة 2] × ممثلان [الممثل 1 والممثل 2] × بعدان [الوكالة والخبرة] × مستويان [مرتفع ومنخفض]).
- قسم البيانات إلى أربع مجموعات رئيسية: وكالة عالية ، وكالة منخفضة ، تجربة عالية ، وتجربة منخفضة.
- قسم هذه المجموعات الرئيسية إلى أربع مجموعات فرعية (ممثلان × فئتان للعمل).
- قم بالتكرار عبر كل ملف بيانات لتجميع الإصدارات التجريبية التي تنتمي إلى إحدى المجموعات الفرعية الأربع المحددة مسبقا.
- قم بتخزين معلومات التجربة ذات الصلة (وقت الاستجابة وحركة المؤشر والنقاط الزمنية التي يتم فيها أخذ عينات من موضع المؤشر) في هياكل بيانات منفصلة لكل مجموعة فرعية.
- قم بإنهاء الحلقة عندما يتم تجميع جميع الإصدارات التجريبية.
- تصور المسارات
- بعد تقسيم البيانات ، قم بالخطوات التالية لتصور مسارات الماوس.
- لتطبيق الاستيفاء الزمني على مسارات الاستجابة، لكل تجربة، حدد 101 زوجا (x,y) من صفيف المسار بحيث يكون لكل مجموعة فرعية من البيانات تجارب ذات عدد متساو من الخطوات الزمنية.
ملاحظة: أثناء تثبيت عدد الأزواج على 101 ، تأكد من اتباع الاتفاقية32لإجراء تطبيع الوقت الصحيح. ومن ثم ، حقق تطبيع الوقت باستخدام المعادلة التالية ، حيث n هو عدد العينات في صفيف المسار:
- احسب مجموع أزواج (x,y) في كل نقطة من النقاط الزمنية ال 101، ثم قسم النتيجة التي تم الحصول عليها على إجمالي عدد تجارب تلك المجموعة الفرعية للحصول على الوسائل لكل مجموعة فرعية (على سبيل المثال، Experience Low Actor1 أو Experience Low Actor2).
- قم بتطبيق عملية قياس على قيم الصفوف لتصور المسارات المتوسطة.
ملاحظة: يفترض مستوى الإحداثيات 2D أن كلا المحورين يزدادان من نقطة الصفر الموجودة في الزاوية السفلية اليسرى من النافذة (بافتراض أن الإحداثيات أعداد صحيحة موجبة) ، بينما يأخذ تنسيق البكسل الزاوية العلوية اليسرى من النافذة كمرجع (على سبيل المثال ، نقطة الصفر). وبالتالي ، قم بتطبيق عملية قياس لإحداثيات y (المقابلة لقيم الصف بتنسيق البكسل) للمواقع التي تم أخذ عينات منها عن طريق استخراج إحداثيات y التي تم أخذ عينات منها لكل تجربة من قيمة العدد الإجمالي للصفوف. - ارسم المجموعات الفرعية ذات الصلة في نفس الشكل للمقارنة.
ملاحظة: يبدأ كل مسار من مركز المستطيل الموجود في أسفل الوسط، المسمى START، وينتهي داخل المستطيلات الموجودة في الزوايا العلوية اليسرى أو العلوية اليمنى.
6. الظروف التي قد تؤدي إلى فشل النظام والاحتياطات
ملاحظة: في حالة فشل النظام ، من الضروري أن يكون لديك علامة مادية (رنين الجرس) لإعلام الممثل بالفشل وتحذيره بالبقاء في مكان غير مرئي للمشارك.
- فشل بسبب اتصال الشبكة
- إذا كان أحد أجهزة الكمبيوتر متصلا بشبكة مختلفة ، فسيفشل طلب اتصال TCP / IP ، وسيظهر النظام خطأ. لمنع حدوث ذلك، تأكد من أن الكمبيوتر الشخصي Experimenter والكمبيوتر الشخصي Actor موجودان على نفس النطاق لنفس الشبكة اللاسلكية.
- لضمان بقاء كلا جهازي الكمبيوتر على نفس الشبكة، امسح الشبكات اللاسلكية المتصلة مسبقا من كلا الجهازين.
- قم بتعيين عناوين IP ثابتة للأجهزة الموجودة على الشبكة المحددة نظرا لأن عناوين IP على الشبكة قد تتغير دون إشعار.
- قد يؤدي أي انقطاع مؤقت (على سبيل المثال ، بسبب انقطاع التيار الكهربائي أو انقطاع الإنترنت وما إلى ذلك) إلى فشل البرنامج النصي. في هذه الظروف، يجب إعادة تشغيل النظام من البداية لإعادة تأسيس اتصال TCP/IP.
ملاحظة: يمكن لمزود خدمة الإنترنت تلبية متطلبات عناوين IP الثابتة للأجهزة. قد يتم تعطيل منافذ معينة بواسطة نظام التشغيل أو الأجهزة الموجودة على جهاز معين ؛ وبالتالي، يجب فتح المنافذ التي سيتم استخدامها في التجربة ويجب ألا يكون لها اتصال نشط حتى يتم تشغيل البرنامج النصي للتجربة.
- الفشل بسبب تعطل البرامج
- قد تتعطل بيئة البرنامج بسبب فشل الاتصالات (على سبيل المثال ، اتصال المنفذ التسلسلي ، اتصال TCP / IP ، اتصال العرض ، إلخ) ، وقد يؤدي ذلك إلى فقدان البيانات. للتغلب على هذا ، قسم البرنامج النصي للتجربة الرئيسي إلى نصوص متعددة. على سبيل المثال ، إذا كانت هناك كتلة تحتاج إلى إكمالها قبل أن يبدأ الممثلون في تنفيذ الإجراءات ، فلا داعي لإنشاء خادم على جهاز الكمبيوتر Experimenter أثناء هذه الكتلة. يمكن إنشاء الخادم عندما تكون الكتلة التي تتضمن إجراءات ، وبالتالي تتطلب اتصالا بين جهاز الكمبيوتر المجرب والكمبيوتر الشخصي الممثل ، على وشك البدء.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
مقارنات وقت الاستجابة (RT)
الدراسة الحالية هي مشروع مستمر ، لذلك ، كنتائج تمثيلية ، يتم تقديم بيانات من الجزء الرئيسي من التجربة (التجربة الجزء 3). هذه البيانات من 40 مشاركا ، بما في ذلك 23 أنثى و 17 ذكرا ، تتراوح أعمارهم بين 18-28 عاما (M = 22.75 ، SD = 3.12).
كان من الضروري التحقق من مدى الحالة الطبيعية لتوزيع المتغيرات التابعة من أجل اختيار الطريقة الإحصائية المناسبة للتحليلات. لذلك ، تم إجراء اختبار Shapiro-Wilk لفهم ما إذا كانت المتغيرات التابعة الثلاثة ، وهي وقت الاستجابة (RT) ، والحد الأقصى للانحراف (MD) ، والمنطقة تحت المنحنى (AUC) ، قد تم توزيعها بشكل طبيعي. أظهرت النتائج أن بيانات زمن الاستجابة ، W = 0.56 ، p < 0.001 ، الحد الأقصى للانحراف ، W = 0.56 ، p < 0.001 ، والمساحة تحت المنحنى ، W = 0.71 ، p < 0.001 ، كانت جميعها غير طبيعية بشكل ملحوظ.
كما تم التحقق من تجانس تباينات المتغيرات التابعة من خلال تطبيق اختبار ليفين لمستويات المتغيرات المستقلة ، وهي نوع الفاعل (Actor1 و Actor2) ، وفئة Action (Action Class1 و Action Class2). بالنسبة للدرجات في وقت الاستجابة ، كانت الفروق متشابهة ل Actor1 و Actor2 ، F (1 ، 1260) = 0.32 ، p = 0.571 ، لكن الفروق في Action Class1 و Action Class2 كانت مختلفة بشكل كبير ، F (1 ، 1260) = 8.82 ، p = 0.003. بالنسبة للدرجات على الحد الأقصى للانحراف ، كانت الفروق متشابهة للممثل 1 والممثل 2 ، F (1 ، 1260) = 3.71 ، p = 0.542 ، لكن الفروق في Action Class1 و Action Class2 كانت مختلفة بشكل كبير ، F (1 ، 1260) = 7.51 ، p = 0.006. بالنسبة للدرجات على المنطقة الواقعة أسفل المنحنى ، كانت الفروق متشابهة لفئة العمل 1 وفئة العمل 2 ، F (1 ، 1260) = 3.40 ، p = 0.065 ، لكن الفروق ل Actor1 و Actor2 كانت مختلفة بشكل كبير ، F (1 ، 1260) = 4.32 ، p = 0.037.
نظرا لأن البيانات الواردة في هذه الدراسة لم تستوف التوزيع الطبيعي وتجانس افتراضات التباين ل ANOVA العادي (تحليل التباين) وكان لدينا أربع مجموعات مستقلة على نتيجة مستمرة ، فقد تم تطبيق المكافئ غير الماتي ل ANOVA ، اختبار Kruskal-Wallis. تم اشتقاق المجموعات المستقلة الأربع من متغيري الاستجابة الفئوية (مرتفع أو منخفض) ضمن بعدي الكتلة قبل الفرض (الوكالة والخبرة). نظرا لأننا كنا مهتمين بكيفية اختلاف المتغيرات التابعة بين استجابات المشاركين عبر الأبعاد ، فقد تم تقسيم البيانات إلى أربع مجموعات فرعية وفقا للاستجابات في بعد الوكالة ، بما في ذلك الوكالة العالية والوكالة المنخفضة ، وفي بعد الخبرة ، بما في ذلك الخبرة العالية والخبرة المنخفضة. أدناه ، يتم عرض نتائج اختبارات Kruskal-Wallis للمتغيرات المستقلة الثلاثة. في جميع الحالات ، تم تحديد عتبة الأهمية عند p < 0.05.
نتائج وقت الاستجابة
يعرض الشكل 6 أوقات استجابة المشاركين وفقا لردودهم عالية أو منخفضة في أبعاد الكتلة الأربعة. يتم عرض أوقات استجابة المشاركين لكل مستوى من المتغيرين المستقلين: نوع الممثل وفئة العمل. يمثل A1 و A2 الممثل 1 والممثل 2 ، على التوالي ، بينما يمثل AC1 و AC2 فئة العمل 1 وفئة العمل 2 ، على التوالي.
الشكل 6: أوقات استجابة المشاركين في المهمة عبر نوع الممثل وفئة الحركة. تعرض كل لوحة الوقت الذي قضاه المشاركون في الاستجابة لأحد المستويات (عالية أو منخفضة) للبعد المعين (الوكالة والخبرة). تظهر العلامات النجمية اختلافات كبيرة بين مستويات نوع الممثل أو فئة العمل (p < .05). يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
لم تتأثر أوقات الاستجابة بشكل كبير بنوع الممثل لإجابات الوكالة العالية ، H (1) = 1.03 ، p = 0.308 ، الوكالة المنخفضة ، H (1) = 2.84 ، p = 0.091 ، والخبرة العالية ، H (1) = 0.001 ، p = 0.968 إجابات ، لكنها تأثرت بشكل كبير بنوع الممثل لإجابات التجربة المنخفضة ، H (1) = 8.54 ، p = 0.003. تم حساب اختبار رتبة ويلكوكسون الموقع للتحقيق في تأثير نوع الممثل على إجابات الخبرة المنخفضة. كان متوسط وقت الاستجابة ل Actor1 (Mdn = 1.14) أقصر بكثير من متوسط وقت الاستجابة ل Actor2 (Mdn = 1.31) ، W = 8727 ، p = 0.001.
لم تتأثر أوقات الاستجابة بشكل كبير بفئة العمل ل Agency-Low ، H (1) = 1.99 ، p = 0.158 ، و Experience-High ، H (1) = 0.17 ، p = 0.675 إجابات ، لكنها تأثرت بشكل كبير بفئة العمل للوكالة العالية ، H (1) = 10.56 ، p = 0.001 ، والخبرة المنخفضة ، H (1) = 5.13 ، p = 0.023 ، إجابات. أظهرت نتائج اختبار رتبة Wilcoxon الموقعة أنه بالنسبة لاستجابات الوكالة العالية ، كان متوسط وقت الاستجابة لفئة Action 1 (Mdn = 1.30 ) أطول بكثير من متوسط وقت الاستجابة لفئة العمل 2 (Mdn = 1.17 ) ، W = 17433 ، p = 0.0005 ؛ بالإضافة إلى ذلك ، بالنسبة لاستجابات التجربة المنخفضة ، كان متوسط وقت الاستجابة ل Action Class1 (Mdn = 1.44) أطول بكثير من متوسط وقت الاستجابة ل Action Class2 (Mdn = 1.21) ، W = 10002 ، p = 0.011.
نتائج تتبع الماوس
كما تم تسجيل حركات الفئران للمشاركين أثناء تحديد استجابتهم النهائية. تم جمع معلومات الوقت والموقع لحساب متوسط المسارات الحركية للمشاركين. بدأ التسجيل عندما رأى المشاركون المحفزات اللفظية على الشاشة وانتهى عندما قدموا استجابة من خلال النقر على أحد الخيارات (مرتفع أو منخفض) في الزوايا العلوية اليمنى أو العلوية اليسرى من الشاشة.
يعرض الشكل 7 الانحرافات القصوى لحركات الماوس للمشاركين وفقا لاستجاباتهم عالية أو منخفضة في أربعة أبعاد كتلة. يتم عرض الحد الأقصى لانحرافات المشاركين عن الخط المستقيم المثالي للاستجابة المحددة نحو الاستجابة البديلة غير المحددة لكل مستوى من المتغيرين المستقلين ، نوع الممثل وفئة العمل. يمثل A1 و A2 الممثل 1 والممثل 2 ، على التوالي ، بينما يمثل AC1 و AC2 فئة العمل 1 وفئة العمل 2 ، على التوالي.
الشكل 7: الحد الأقصى لانحراف مسارات الماوس للمشاركين عبر نوع الممثل وفئة الحركة. تظهر كل لوحة أقصى انحراف للمشاركين عن الخط المستقيم المثالي للاستجابة المختارة نحو الاستجابة البديلة غير المحددة أثناء الاستجابة نحو أحد المستويات (مرتفع أو منخفض) للبعد المعين (الوكالة والخبرة). تظهر العلامات النجمية اختلافات كبيرة بين مستويات نوع الممثل أو فئة العمل (p < .05). يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
لم تتأثر الانحرافات القصوى بشكل كبير بنوع الممثل لإجابات الوكالة العالية ، H (1) = 1.42 ، p = 0.232 ، الوكالة المنخفضة ، H (1) = 0.19 ، p = 0.655 ، والخبرة العالية ، H (1) = 0.12 ، p = 0.720 ، الإجابات ، لكنها تأثرت بشكل كبير بنوع الممثل لإجابات التجربة المنخفضة ، H (1) = 7.07 ، p = 0.007. تم إجراء اختبار رتبة موقعة من ويلكوكسون للتحقيق في تأثير نوع الممثل على إجابات الخبرة المنخفضة. كان متوسط الحد الأقصى للانحراف ل Actor1 (Mdn = 0.03) أقصر بكثير من متوسط الحد الأقصى للانحراف ل Actor2 (Mdn = 0.05) ، W = 8922 ، p = 0.003.
لم تتأثر الانحرافات القصوى بشكل كبير بفئة العمل للوكالة العالية ، H (1) = 0.37 ، p = 0.539 ، والخبرة العالية ، H (1) = 1.84 ، p = 0.174 ، الإجابات ، لكنها تأثرت بشكل كبير بفئة العمل ل Agency-Low ، H (1) = 8.34 ، p = 0.003 ، و Experience-Low ، H (1) = 11.53 ، p = 0.0006 ، إجابات. أظهرت نتائج اختبار رتبة Wilcoxon الموقعة أنه بالنسبة لاستجابات الوكالة المنخفضة ، كان متوسط الحد الأقصى للانحراف لفئة العمل 1 (Mdn = 0.06) أطول بكثير من متوسط الحد الأقصى للانحراف لفئة العمل 2 (Mdn = 0.02) ، W = 12516 ، p = 0.0019. بالإضافة إلى ذلك ، بالنسبة لاستجابات التجربة المنخفضة ، كان متوسط الحد الأقصى للانحراف لفئة الإجراء 1 (Mdn = 0.09) أطول بكثير من متوسط الحد الأقصى للانحراف لفئة العمل 2 (Mdn = 0.03) ، W = 10733 ، p = 0.0003.
يعرض الشكل 8 المناطق الواقعة أسفل منحنى مسارات الماوس للمشاركين وفقا لاستجاباتهم العالية أو المنخفضة في أربعة أبعاد كتلة. يتم عرض المناطق الموجودة أسفل منحنى استجابات المشاركين بالإشارة إلى الخط المستقيم المثالي للاستجابة المحددة لكل مستوى من المتغيرين المستقلين ، نوع الممثل وفئة العمل. يمثل A1 و A2 الممثل 1 والممثل 2 ، على التوالي بينما يمثل AC1 و AC2 فئة العمل 1 وفئة العمل 2 ، على التوالي.
الشكل 8: المناطق الموجودة أسفل المنحنى فيما يتعلق بالمسار المثالي لحركات الماوس للمشاركين. تظهر كل لوحة المنطقة الواقعة أسفل المنحنى بينما يستجيب المشاركون نحو أحد المستويات (مرتفع أو منخفض) في البعد المعين (الوكالة أو الخبرة). تظهر العلامات النجمية اختلافات كبيرة بين مستويات نوع الممثل أو فئة العمل (p < .05). يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
لم تتأثر المناطق الواقعة تحت المنحنيات بشكل كبير بنوع الممثل لإجابات الوكالة العالية ، H (1) = 0.001 ، p = 0.968 ، الوكالة المنخفضة ، H (1) = 0.047 ، p = 0.827 ، والخبرة العالية ، H (1) = 0.96 ، p = 0.324 ، الإجابات ، لكنها تأثرت بشكل كبير بنوع الممثل لإجابات التجربة المنخفضة ، H (1) = 8.51 ، p = 0.003. تم حساب اختبار رتبة ويلكوكسون الموقع للتحقيق في تأثير نوع الممثل على إجابات الخبرة المنخفضة. كانت المساحة المتوسطة تحت منحنى Actor1 (Mdn = −0.03) أكثر بكثير من المنطقة المتوسطة تحت منحنى Actor2 (Mdn = 0.02) ، W = 8731 ، p = 0.0017.
لم تتأثر المناطق الواقعة أسفل المنحنيات بشكل كبير بفئة العمل لإجابات الوكالة العالية ، H (1) = 0.01 ، p = 0.913 ، لكنها تأثرت بشكل كبير بفئة العمل ل Agency-Low ، H (1) = 7.54 ، p = 0.006 ، Experience-High ، H (1) = 5.87 ، p = 0.015 ، و Experience-Low ، H (1) = 15.05 ، p = 0.0001 ، إجابات. أظهرت نتائج اختبار رتبة Wilcoxon الموقعة أنه بالنسبة لاستجابات الوكالة المنخفضة ، كانت المنطقة المتوسطة تحت منحنى Action Class1 (Mdn = 0.03) أكبر بكثير من المنطقة المتوسطة تحت منحنى Action Class2 (Mdn = −0.03) ، W = 12419 ، p = 0.003 ، وبالنسبة للاستجابات ذات الخبرة العالية ، كانت المنطقة المتوسطة تحت منحنى Action Class1 (Mdn = −0.06) كان أصغر بكثير من متوسط الحد الأقصى للانحراف لفئة العمل 2 (Mdn = -0.02) ، W = 9827 ، p = 0.007. بالنسبة لاستجابات التجربة المنخفضة ، كانت المنطقة المتوسطة تحت منحنى Action Class1 (Mdn = 0.05) أكبر بكثير من المنطقة المتوسطة تحت منحنى Action Class2 (Mdn = -0.03) ، W = 11049 ، p < 0.0001.
موجز وتقييم النتائج التمثيلية
نظرا لأن هذه دراسة مستمرة ، فقد تم تقديم جزء تمثيلي من البيانات التي سنحصل عليها في نهاية جمع البيانات على نطاق واسع. ومع ذلك ، حتى بيانات العينة هذه تدعم فعالية الطريقة المقترحة في هذه الدراسة. يمكننا الحصول على أوقات استجابة المشاركين ومسارات الماوس أثناء تقديم ردودهم بعد مشاهدة الإجراءات في الوقت الفعلي. يمكننا إكمال كل هذه الخطوات من خلال نفس الشاشة حتى لا يغير المشاركون طريقة بين مشاهدة الممثلين الحقيقيين وإعطاء استجابات الماوس ، مما يسمح لنا بتوسيع الإجراءات في التجارب لتشمل سيناريوهات الحياة الواقعية.
يلخص الجدول 1 نتائج كيفية تأثر المقاييس التابعة ، بما في ذلك أوقات الاستجابة ، و MD ، و AUC لمسارات الفئران ، بنوع الممثل وفئة العمل ، والتي كانت المتغيرات المستقلة الرئيسية للدراسة.
| وقت الاستجابة (RT) | الحد الأقصى للانحراف (MD) | المنطقة تحت المنحنى (AUC) | ||||
| نوع الممثل | فئة العمل | نوع الممثل | فئة العمل | نوع الممثل | فئة العمل | |
| وكالة عالية | نس | AC1 > AC2 *** | نس | نس | نس | نس |
| وكالة منخفضة | نس | نس | نس | AC1 > AC2** | نس | AC1 > AC2** |
| خبرة عالية | نس | نس | نس | نس | نس | AC1 > AC2** |
| تجربة منخفضة | A2 > A1*** | AC1 > AC2* | A2 > A1** | AC1 > AC2 *** | A2 > A1** | AC1 > AC2 **** |
الجدول 1: ملخص النتائج. يوضح الجدول كيف تأثرت المقاييس التابعة (أوقات الاستجابة ، MD ، و AUC لمسارات الفأر) بالمتغيرات المستقلة الرئيسية (نوع الممثل وفئة العمل) للدراسة. * و ** و *** تمثل مستويات الأهمية p ≤ 0.05 و p ≤ 0.01 و p ≤ 0.001 على التوالي.
كان لنوع الممثل تأثير كبير على أوقات استجابة المشاركين. أثناء قيامهم بتعيين سعة منخفضة في بعد الخبرة ، أمضوا وقتا أطول في القيام بذلك للممثل 2 مقارنة بالممثل 1 في نفس الحالة (انظر الشكل 6 د). لاحظنا أيضا وقت الاستجابة الأطول هذا في قياسات حركات الماوس بناء على MD و AUC (انظر الشكل 9 للمسارات). كانت MDs لمسارات الماوس نحو الاستجابات المنخفضة (انظر الشكل 7D) أعلى بكثير ، وكانت AUCs لمسارات الماوس (انظر الشكل 8D) أكبر بكثير عندما كان المشاركون يقيمون Actor2 مقارنة بالممثل 1 (مقارنة الخطوط الزرقاء في الشكل 9A ، B).
الشكل 9: متوسط مسارات الماوس للمشاركين عند تقييم الإجراءات التي قام بها Actor1 و Actor2 في بعد التجربة. تظهر الخطوط البرتقالية متوسط مسارات الماوس نحو الاستجابات العالية. تظهر الخطوط الزرقاء متوسط مسارات الماوس نحو الاستجابات المنخفضة. تمثل الخطوط المستقيمة المتقطعة السوداء مسارات الاستجابة المثالية ، بينما تمثل المناطق المظللة باللون الرمادي متوسط الجذر التربيعي للانحرافات المعيارية. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
كانت أوقات استجابة المشاركين ، أثناء استجابتهم العالية للإجراءات التي تنتمي إلى Action Class1 في بعد الوكالة (انظر الشكل 6 أ) ، أعلى بكثير من الإجراءات التي تنتمي إلى Action Class2 ؛ ومع ذلك ، لم يتم ملاحظة أوقات الاستجابة الأطول هذه في MD (انظر الشكل 7A) وقياسات AUC (انظر الشكل 8A). أثناء الاستجابة لفئة العمل المنخفضة 1 في بعد الخبرة ، قضى المشاركون وقتا أطول بكثير مما قضوه في فئة العمل 2 (انظر الشكل 6 د) ، وكان هذا واضحا أيضا في درجات MD (انظر الشكل 7D) و AUC (انظر الشكل 8D). يوضح الشكل 10 أن MDs لمسارات الماوس نحو الاستجابات المنخفضة (انظر الشكل 7D) كانت أعلى بكثير ، وكانت AUCs لمسارات الماوس (انظر الشكل 8D) أكبر بكثير بينما كان المشاركون يقيمون الإجراءات التي تنتمي إلى Action Class1 مقارنة ب Action Class2 (مقارنة الخطوط الزرقاء في الشكل 10A ، B).
الشكل 10: متوسط مسارات الماوس للمشاركين عند تقييم الممثلين الذين يؤدون الإجراءات التي تنتمي إلى Action Class1 و Action Class2 في بعد التجربة. تظهر الخطوط البرتقالية متوسط مسارات الماوس نحو الاستجابات العالية. تظهر الخطوط الزرقاء متوسط مسارات الماوس نحو الاستجابات المنخفضة. تمثل الخطوط المستقيمة المتقطعة السوداء مسارات الاستجابة المثالية ، بينما تمثل المناطق المظللة باللون الرمادي متوسط الجذر التربيعي للانحرافات المعيارية. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
على الرغم من عدم ملاحظة أي تأثيرات كبيرة لفئة العمل على قياسات وقت الاستجابة لمجموعات الاستجابة الأخرى ، فقد لوحظ تأثير كبير لفئة العمل في MD (انظر الشكل 7B) و AUC (انظر الشكل 8B) درجات الإجابات المنخفضة في بعد الوكالة. يوضح الشكل 11 أن المشاركين ترددوا نحو البديل العالي وانتقلوا نحو الاستجابة المنخفضة أكثر عندما كانوا يقيمون الإجراءات من فئة العمل 1 مقارنة بالإجراءات من فئة العمل 2 (مقارنة الخطوط الزرقاء في الشكلين 11 أ ، ب). أخيرا ، على الرغم من عدم وجود تأثير كبير لفئة العمل على درجات RT و MD للاستجابات العالية على بعد الخبرة ، فقد لوحظ تأثير كبير على AUCs (انظر الشكل 8C) للمسارات (انظر الشكل 10) ؛ على وجه التحديد ، تردد المشاركون أكثر أثناء تقييم Action Class2 مقارنة ب Action Class1 (مقارنة الخطوط البرتقالية في الشكل 10A ، B).
الشكل 11: متوسط مسارات الماوس للمشاركين عند تقييم الجهات الفاعلة التي تؤدي الإجراءات التي تنتمي إلى Action Class1 و Action Class2 في بعد الوكالة. تظهر الخطوط البرتقالية متوسط مسارات الماوس نحو الاستجابات العالية. تظهر الخطوط الزرقاء متوسط مسارات الماوس نحو الاستجابات المنخفضة. تمثل الخطوط المستقيمة المتقطعة السوداء مسارات الاستجابة المثالية ، بينما تمثل المناطق المظللة باللون الرمادي متوسط الجذر التربيعي للانحرافات المعيارية. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
تدعم النتائج حتى الآن فرضياتنا ، والتي اقترحت أنه سيكون هناك تأثير لنوع الفاعل وفئة العمل وأن القياسات التابعة للاستجابات العالية والمنخفضة لنفس الممثل وفئة العمل ستختلف عبر أبعاد الكتلة للوكالة والخبرة. نظرا لأن هذه دراسة مستمرة ، فإن مناقشة الأسباب المحتملة للنتائج خارج نطاق هذه الورقة. ومع ذلك ، كملاحظة مبكرة ، يمكننا التأكيد على أنه على الرغم من أن بعض النتائج لوقت الاستجابة والقياسات القادمة من تتبع فأرة الكمبيوتر تكمل بعضها البعض ، في بعض ظروف استجابة الكتلة ، لاحظنا أن المشاركين ترددوا تجاه البديل الآخر حتى عندما كانوا سريعين في تقييماتهم.
إذا لم يتم تضمين شاشة OLED خاصة في الإعداد ، فلا يزال من الممكن جمع أوقات استجابة المشاركين باستخدام بعض الأدوات الأخرى مثل أزرار الضغط. ومع ذلك ، لا يمكن تتبع حركات الماوس للمشاركين دون توفير شاشة إضافية وجعل المشاركين يشاهدون تلك الشاشة والممثلين الحقيقيين ذهابا وإيابا ، مما يؤدي بدوره إلى تأخير ردودهم. لذلك ، على الرغم من أن أوقات الاستجابة هي مؤشرات مفيدة لصعوبة عملية صنع القرار ، فإن مسارات الماوس للمشاركين تكشف المزيد عن ديناميكيات الوقت الفعلي لعمليات اتخاذ القرار قبل ردودهم النهائية32,34.
ملف الترميز التكميلي 1: ExperimentScript1.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 2: ExperimentScript2.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 3: ExperimentScript3.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 4: RecordMouse.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 5: InsideROI.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 6: RandomizeTrials.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 7: RandomizeBlocks.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 8: GenerateResponsePage.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 9: GenerateTextures.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 10: ActorMachine.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 11: MatchIDtoClass.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 12: RandomizeWordOrder.m الرجاء النقر هنا لتنزيل هذا الملف.
ملف الترميز التكميلي 13: ملف ExperimentImages.mat الرجاء النقر هنا لتنزيل هذا الملف.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
الهدف الشامل لهذه الدراسة هو المساهمة في فهمنا لكيفية عمل الإدراك البصري والإدراك البشري عالي المستوى في مواقف الحياة الواقعية. ركزت هذه الدراسة على إدراك العمل واقترحت نموذجا تجريبيا طبيعيا يمكن التحكم فيه يمكن الباحثين من اختبار كيفية إدراك الأفراد لأفعال الآخرين وتقييمها من خلال تقديم جهات فاعلة حقيقية في بيئة مختبرية.
وتكمن أهمية هذه المنهجية المقترحة مقارنة بالمنهجيات القائمة في ثلاثة أضعاف. (1) يتم تعظيم طبيعية المنبهات من خلال تقديم إجراءات حية للمشاركين. (2) يتم تقديم المحفزات الواقعية (أي الجهات الفاعلة) والمحفزات اللفظية الأخرى (مثل الكلمات أو التعليمات) وشاشة استجابة الجهات الفاعلة والإجراءات باستخدام نفس الطريقة (أي شاشة OLED الرقمية) حتى لا يفقد المشاركون تركيزهم أثناء تغيير الطريقة ، كما في حالات استخدام زجاج الغالق ، على سبيل المثال35. (3) يتم تسجيل البيانات الحساسة للوقت ، مثل البيانات المتعلقة بمدة الاستجابة ومسارات الماوس ، والتي تحتاج إلى تحكم صارم في الوقت باستخدام مهمة طبيعية لعالم اليوم ، وهي استخدام الماوس.
بعض الخطوات الحاسمة في البروتوكول مهمة لهذا النموذج للعمل بسلاسة والسماح للباحثين بتحقيق أهدافهم مع توفير تجربة لائقة للمشاركين. هذه الخطوات مهمة بنفس القدر لإنشاء مثل هذا النظام ، لذلك نقدمها بشكل فردي دون ترتيبها وفقا لمستويات أهميتها.
تتعلق الخطوة الحاسمة الأولى بالتلاعب بإضاءة الغرفة وتغيير لون الخلفية المستخدمة لشاشة عرض المشارك. تسمح هذه الخطوة بالانتقال السلس بين أداء الإجراء في الوقت الفعلي وشاشة الاستجابة بعد كل تجربة إجراء. عند إطفاء جميع الأنوار في الغرفة وضبط خلفية الشاشة على اللون الأبيض ، يتم تحقيق عتامة بنسبة 100٪ بحيث يمكن عرض تعليمات الدراسة والمحفزات اللفظية دون أي انحرافات قد تأتي من الحركات في الخلفية. لجعل الشاشة شفافة وتقديم المحفزات اللفظية مباشرة بعد محفزات الحركة ، يتم تشغيل مصابيح LED الموجودة على الأسقف مع إبقاء الأضواء الأمامية مطفأة للحصول على شاشة شفافة. دائرة الإضاءة ضرورية لمعالجة الضوء المناسب في الغرفة. عندما تكون أضواء الفلورسنت في المقدمة (منطقة المشارك) والخلف (منطقة الممثل) في المختبر مضاءة ، تبدو لقطات الممثل مائلة قليلا ، ويرى المشارك انعكاس نفسه والغرفة. عندما تكون الأضواء الأمامية في منطقة المشاركين مطفأة ، وأضواء LED في منطقة الممثل مضاءة ، يمكن للمشارك مشاهدة الممثلين بوضوح دون أي تشتيت. يوضح الشكل 1 والشكل 3 كيفية عمل التلاعب بالضوء في التجربة.
الخطوة الثانية الحاسمة في البروتوكول هي التحكم في الوقت. تستمر الإجراءات 6 ثوان ، ويتم أتمتة الإضاءة الموجودة في الجزء الخلفي من الشاشة فيما يتعلق بمدد الإجراءات حتى لا يكون لدينا أي تأخير أو تسارع عبر التجارب. ومع ذلك ، يتم التحكم في المدة بين الكتل يدويا (أي عندما نحتاج إلى تغيير الممثل) ، حتى نتمكن من بدء الكتلة التالية بعد التحقق مما إذا كان كل شيء يسير كما هو مخطط له وراء الكواليس. هذه الفترة مناسبة أيضا لطلبات المشاركين أو الممثلين ، مثل الحاجة إلى الماء أو تغير درجة الحرارة في الغرفة.
تتعلق الخطوة الحاسمة الثالثة باستخدام الكاميرا الأمنية والجرس. تسمح الكاميرا الأمنية بالاتصال بين موصل التجربة والممثلين. يتحقق المجرب باستمرار مما يحدث وراء الكواليس ، مثل ما إذا كان الممثل جاهزا أو إذا كان الممثل المناسب على المسرح. يلوح الممثلون بأيديهم عندما يكونون مستعدين لأداء الإجراءات ويقومون بعمل علامة متقاطعة عندما تكون هناك مشكلة. يمكن للمجرب حتى ملاحظة ما إذا كانت هناك مشكلة في مظهر الممثل ، مثل نسيان قرط على أذن واحدة. يسمح الجرس للمجرب بتحذير الممثلين من مشكلة محتملة. عندما يسمعون الجرس ، يتحقق الممثلون أولا مما إذا كان هناك خطأ ما عنهم ، وإذا كان الأمر كذلك ، فإنهم يصححون المشكلة ويخبرون المجرب أنهم مستعدون. إذا كانت هناك مشكلة من جانب المجرب ، يستمع الممثلون إلى المجرب وهو يشرح المشكلة للمشارك. ينتظرون بصمت حتى يصل المجرب وراء الكواليس لحل المشكلة ، مثل إعادة الاتصال بعد فقدان الاتصال بالإنترنت.
تتعلق الخطوة الرابعة باستخدام ستارة ثقيلة معتمة لتقسيم الغرفة ، لأن مثل هذه المادة تمنع الضوء من التسرب إلى الجزء الأمامي من الغرفة. تمنع هذه الستارة أيضا الصوت إلى حد ما حتى لا يسمع المشاركون الحركات الصغيرة للممثلين والمحادثات الهادئة بين المجرب والممثلين في حالة حدوث مشكلة.
الخطوة الخامسة هي تضمين الكمبيوتر الشخصي الفاعل وإنشاء TCP / IP كبروتوكول الشبكة ، لأن هذا يضمن تسليم الرسائل إلى الطرف الآخر ، على عكس UDP. بهذه الطريقة ، يمكن إبلاغ الممثلين بالإجراء التالي الذي سيؤدونه ، ولا يدرك المشاركون ذلك من وجهة نظرهم. علاوة على ذلك ، نظرا لأن جميع الأجهزة موجودة على نفس الشبكة ، فإن أي زمن انتقال إضافي محتمل ناتج عن TCP / IP يصبح ضئيلا.
الخطوة الأساسية السادسة في البروتوكول هي تضمين موسيقى الخلفية بين الكتل. قمنا بترتيب الموسيقى والكتل بحيث عندما يستجيب المشارك للتجربة الأخيرة في كتلة ، تبدأ الموسيقى في التشغيل بصوت عال (بحد أقصى 80٪ من الصوت) حتى يعرف الممثلون أن الوقت قد حان للتغيير ، ويعرف المشاركون أنه يمكنهم شرب الماء أو إراحة أعينهم. يتيح تشغيل الموسيقى انتقالا سلسا بين الممثلين دون سماع حركاتهم أو أصواتهم الأخرى ، مما يوفر إحساسا مشابها لمشاهدة مسرحية في المسرح.
نعتقد أن الإعداد الطبيعي المقدم في هذه الورقة هو أداة رائعة للتحقيق فيما إذا كانت الآليات التي تكمن وراء الإدراك البصري لأفعال الآخرين التي كشفت عنها التجارب المعملية التقليدية تقترب من السلوك الطبيعي في العالم الحقيقي. من الواضح أن مراقبة الممثلين الحقيقيين وأفعالهم الحية ستوفر مصدرا غنيا للمعلومات المرئية ومتعددة الحواس 3D وتحمل قابلية التصرف بسبب الوجود المادي والاجتماعي للممثل. لذلك ، نفترض أن إدراك الإجراءات الحية قد يثير استجابات سلوكية وعصبية أسرع ومعززة في شبكة إدراك العمل المعروفة التي كشفت عنها سابقا التجارب المعملية التقليدية باستخدام الصور ومقاطع الفيديو الثابتة. بالإضافة إلى ذلك ، قد يؤدي إدراك الإجراءات الحية إلى دفع دوائر عصبية إضافية تعالج إشارات العمق ثلاثية الأبعاد36 ، والمعلومات الدهليزية لتنسيق الجسم في الفضاء أثناء الاستعداد للعمل في العالم37. أحد قيود الدراسة الحالية هو أن الاستجابات من الجهات الفاعلة الحقيقية في الإعداد الطبيعي لم تتم مقارنتها بالاستجابات التي قد يحصل عليها المرء للمحفزات التبسيطية مثل الصور الثابتة أو مقاطع الفيديو. في الدراسات المستقبلية ، سنعمل على تحقيق هذا الهدف من خلال مقارنة الاستجابات السلوكية والعصبية بشكل منهجي أثناء إدراك العمل في إعدادات المختبر التقليدية مع تلك الموجودة في الإعداد الطبيعي.
ونلاحظ أيضا بعض القيود على النموذج المقترح في هذه الدراسة على عدة جبهات. الأول هو أن هذه الطريقة ، مثل معظم الدراسات الطبيعية ، تتطلب موارد مالية ووقتية. ستكون هذه الدراسة أعلى من حيث الميزانية من الدراسات التي تستخدم محفزات ديناميكية مسجلة مسبقا معروضة على شاشة منتظمة ، حيث تتضمن الدراسة الحالية معدات خاصة لعرض الإجراءات الحقيقية ، وتشارك الجهات الفاعلة الحقيقية في الدراسة لكل جلسة جمع البيانات. وبالإضافة إلى ذلك، يمكن أن تستغرق عملية جمع البيانات لهذه الدراسة وقتا أطول لأن الجهات الفاعلة الحقيقية تقوم بالإجراءات بشكل متكرر؛ هناك حد مادي لهم ، على عكس الدراسات التي تستخدم الصور أو مقاطع الفيديو المعروضة على شاشات الكمبيوتر. قد يكون هناك قيد آخر ذو صلة يتمثل في صعوبة التأكد من أن الجهات الفاعلة تؤدي كل عمل بنفس الطريقة عبر الكتل والمشاركين. ومع ذلك ، مع التدريب الكافي ، يمكن للممثلين أن يصبحوا واثقين في كل عمل ، حيث يبلغ طولهم 6 ثوان. يمكن للعمل المستقبلي تسجيل الإجراءات الحية ثم استخدام رؤية الكمبيوتر لتحديد التباين عبر التجارب المختلفة للتجارب.
ثانيا ، يمكن أن يسبب مستوى سطوع الشاشة ، عند استخدامه بشكل معتم ، والتغيرات السريعة في البرق بين الشاشات المعتمة والشفافة مشكلة للمشاركين الذين يعانون من مشاكل أو اضطرابات بصرية مثل الصرع. تمت معالجة هذا القيد المحتمل من خلال سؤال المشاركين عما إذا كان لديهم مثل هذا الاضطراب أو القلق بشأن مثل هذا السيناريو وتجنيد أولئك الذين أبلغوا عن أنهم لن يزعجهم مثل هذا السيناريو. بالإضافة إلى ذلك ، لم يشتكي أي من المشاركين من الموسيقى التي قمنا بتشغيلها في الخلفية أثناء تغييرات الممثل والكتلة ، ولكن قد ينزعج بعض المشاركين من هذه الضوضاء. قد يكون علاج ذلك هو استخدام سماعات إلغاء الضوضاء. ومع ذلك ، فإنها قد تمنع أيضا أي تدخل من المجرب أثناء الدراسة أو تؤثر على طبيعية الإعداد التجريبي.
ويمكن تطبيق تعديلات أخرى ممكنة على النموذج الحالي؛ على سبيل المثال ، إذا كان تصميم التجربة يتطلب من المشاركين التفاعل مع الممثلين شفهيا ، فيمكن لكلا الجانبين استخدام ميكروفونات طية صدر السترة. يمكن أن تكون جميع اتصالات الشبكة سلكية أو لاسلكية طالما يمكن إنشاء اتصالات TCP / IP. يمكن التحقيق في طرق تقديم الإجراءات في سياق ما وتطبيقها لمعرفة ما إذا كان هذا سيساعد على زيادة طبيعية النموذج.
يمكن أن يكون الإعداد الحالي منصة مثالية لدراسات علم الأعصاب المعرفي وعلم النفس المعرفي التي تتطلب توقيتا دقيقا ومحفزات خاضعة للرقابة الصارمة في ظل ظروف محددة مسبقا. يتضمن ذلك الدراسات التي تستخدم تقنيات مثل تتبع العين أو فروة الرأس أو تخطيط كهربية الدماغ داخل الجمجمة و fNIRS وحتى MEG ، إما مع الإعدادات التقليدية أو في المزيد من الإعدادات المتنقلة ، والتي أصبحت أكثر جدوى اليوم38. يمكن للباحثين من هذه المجالات تخصيص الخصائص الخارجية للإعداد ، مثل إضاءة الغرفة أو عدد الممثلين ، بالإضافة إلى الأشياء التي سيتم تقديمها. الاحتمال الآخر هو أنه يمكن للباحثين التلاعب بخصائص عرض الشاشة الرقمية لتوفير شاشة أكثر غموضا أو شفافية وفقا لاحتياجات دراستهم. يمكن أن تكون مجالات البحث المحتملة الأخرى التي يمكن فيها استخدام المنهجية المقترحة هي أبحاث التفاعل بين الإنسان والروبوت ، حيث تكون هناك حاجة إلى تفاعلات في الوقت الفعلي بين البشر والروبوتات في سيناريوهات واقعية.
في الختام ، نظرا لضرورة الانتقال إلى المزيد من الدراسات الطبيعية التي تشبه إلى حد كبير مواقف العالم الحقيقي في علم الأعصاب المعرفي13،14،15،16،17،18،19،20،21،38، والتطورات التكنولوجية الهامة في التصوير الطبيعي للدماغ والجسم (مثل الاستخدام المتزامن لتخطيط كهربية الدماغ ، والتقاط الحركة ، وتخطيط كهربية العضل ، وتتبع العين) ، واستخدام التعلم العميق كإطار أساسي لمعالجة المعلومات البشرية39,40 ، نعتقد أن هذا هو الوقت المناسب لبدء دراسة تصور الإجراءات الحية ، وكذلك أسسها العصبية.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
يعلن المؤلفون أنه ليس لديهم مصالح مالية ذات صلة أو مادية تتعلق بالبحث الموصوف في هذه المقالة.
Acknowledgments
تم دعم هذا العمل من خلال منح إلى Burcu A. Urgen من مجلس البحث العلمي والتكنولوجي في تركيا (رقم المشروع: 120K913) وجامعة بيلكنت. نشكر مشاركتنا التجريبية سينا إلماس على طرح فكرة إضافة ضوضاء الخلفية بين تغييرات الممثل ، وسليمان آكي لإعداد دائرة الضوء ، وتوفانا كارادومان لفكرة استخدام كاميرا أمنية وراء الكواليس ومساهمتها كواحدة من الممثلين في الدراسة.
Materials
| Name | Company | Catalog Number | Comments |
| Adjustable Height Table | Custom-made | N/A | Width: 60 cm, Height: 62 cm, Depth: 40 cm |
| Ardunio UNO | Smart Projects | A000066 | Microcontroller used for switching the state of the LEDs from the script running on the operator PC |
| Black Pants | No brand | N/A | Relaxed-fit pants of actors with no apparent brand name or logo. |
| Case | Xigmatek | EN43224 | XIGMATEK HELIOS RAINBOW LED USB 3.0 MidT ATX GAMING CASE |
| CPU | AMD | YD1600BBAFBOX | AMD Ryzen 5 1600 Soket AM4 3.2 GHz - 3.6 GHz 16 MB 65 W 12 nm Processor |
| Curtains | Custom-made | N/A | Width: Part 1: 110 cm width from the wall (left) side, Part 2: 123 cm width above OLED display, Part 3: 170 cm from OLED display to right side, Cabin depth: 100 cm, Inside cabin depth: 100 cm, all heights 230 cm except for Part 2 (75 cm height) |
| Experimenter Adjustable/Swivel Chair | No brand | N/A | Any brand |
| Experimenter Table | Custom | N/A | Width: 160 cm, Height: 75 cm, Depth: 80 cm |
| GPU | MSI | GT 1030 2GHD4 LP OC | MSI GEFORCE GT 1030 2GHD4 LP OC 2GB DDR4 64bit NVIDIA GPU |
| Grey-color blackout curtain | Custom-made | N/A | Width: 330 cm, Height: 230 cm, used for covering the background |
| Hard Disk | Kioxia | LTC10Z240GG8 | Kioxia 240 GB Exceria Sata 3.0 SSD (555 MB Read/540 MB Write) |
| Hard Disk | Toshiba | HDWK105UZSVA | Toshiba 2,5'' 500 GB L200 SATA 3.0 8 MB Cache 5400 Rpm 7 mm Harddisk |
| High-Power MOSFET Module | N/A | N/A | Heating Controller MKS MOSFET Module |
| Laptop | Apple | S/N: C02P916ZG3QT | MacBook Pro 11.1 Intel Core i7 (Used as the actor PC) |
| Laptop | Asus | UX410U | Used for monitoring the security camera in real-time. |
| LED lights | No brand | N/A | |
| LED Strip Power Supply | No brand | N/A | AC to DC voltage converter used for supplying DC voltage to the lighting circuit |
| MATLAB | The MathWorks Inc., Natick, MA, USA | Version: R2022a | Used for programming the experiment. Required Toolboxes: MATLAB Support Package for Arduino Hardware (version 22.1.2) Instrument Control Toolbox (version 4.6) Psychtoolbox (version 3) |
| Monitor | Philips | UHB2051005145 | Model ID: 242V8A/00, PHILIPS 23.8" 242V8A 4ms 75 Hz Freesync DP-HDMI+VGA IPS Gaming Monitor |
| Motherboard | MSI | B450M-A PRO MAX | MSI B450M-A PRO MAX Amd B450 Socket AM4 DDR4 3466(OC) M.2 Motherboard |
| Mouse Pad for participant | Monster | 78185721101502042 / 8699266781857 | Pusat Gaming Mouse Pad XL |
| Night lamp | Aukes | ES620-0.5W 6500K-IP 20 | Used for helping the actors see around when the lights are off in the backstage. |
| Participant Adjustable/Swivel Chair | No brand | N/A | |
| Participant Table | IKEA | Sandsberg 294.203.93 | Width: 110 cm, Height: 75 cm, Depth: 67 cm |
| Power Extension Cable | Viko | 9011760Y | 250 V (6 inlets) Black |
| Power Extension Cable | Viko | 9011730Y | 250 V (3 inlets) Black |
| Power Extension Cable | Viko | 9011330Y | 250 V (3 inlets) White |
| Power Extension Cable | s-link | Model No: SPG3-J-10 | AC - 250 V 3 meter (5 inlets) |
| Power Supply | THERMALTAKE | PS-LTP-0550NHSANE-1 | THERMALTAKE LITEPOWER RGB 550W APFC 12 cm FAN PSU |
| Professional Gaming Mouse | Rampage | 8680096 | Model No: SMX-R50 |
| RAM | GSKILL | F4-3000C16S-8GVRB | GSKILL 8GB (1x8GB) RipjawsV Red DDR4 3000 MHz CL16 1.35 V Single Ram |
| Reception bell | No brand | N/A | Used for helping the communication between the experimenter and the actors. |
| Security Camera | Brion Vega | 2-20204210 | Model:BV6000 |
| Speakers | Logitech | P/N: 880-000-405 PID: WD528XM | Used for playing the background music. |
| Survey Software | Qualtrics | N/A | |
| Switching Module | No brand | N/A | F5305S PMOS Switch Module |
| Table under the OLED display | Custom-made | N/A | Width: 123 cm, Height: 75 cm, Depth: 50 cm |
| Transparent OLED Display | Planar | PN: 998-1483-01 S/N:195210075 | A 55-inch transparent display that showcases dynamic information, enabled the opaque and transparent usage during the experiment. |
| UPS | EAG | K200610100087 | EAG 110 |
| UPS | EAG | 210312030507 | EAG 103 |
| USB 2.0 Cable Type A/B for Arduino UNO (Blue) | Smart Projects | M000006 | Used to connect the microcontroller to the experimenter PC. |
| USB to RS232 Converter | s-link | 8680096082559 | Model: SW-U610 |
| White Long-Sleeved Blouse (2) | H&M (cotton) | N/A | Relaxed-fit blouses with a round neckline and without ant apparent brand name or logo. |
| Wireless Keyboard | Logitech | P/N: 820-003488 S/N: 1719CE0856D8 | Model: K360 |
| Wireless Mouse | Logitech | S/N: 2147LZ96BGQ9 | Model: M190 (Used as the response device) |
References
- Grossman, E. D., Blake, R. Brain areas active during visual perception of biological motion. Neuron. 35 (6), 1167-1175 (2002).
- Saygin, A. P. Superior temporal and premotor brain areas necessary for biological motion perception. Brain. 130 (9), 2452-2461 (2007).
- Peelen, M. V., Downing, P. E. The neural basis of visual body perception. Nature Reviews Neuroscience. 8 (8), 636-648 (2007).
- Caspers, S., Zilles, K., Laird, A. R., Eickhoff, S. B. ALE meta-analysis of action observation and imitation in the human brain. Neuroimage. 50 (3), 1148-1167 (2010).
- Nelissen, K., et al. Action observation circuits in the macaque monkey cortex. Journal of Neuroscience. 31 (10), 3743-3756 (2011).
- Oosterhof, N. N., Tipper, S. P., Downing, P. E. Crossmodal and action-specific: Neuroimaging the human mirror neuron system. Trends in Cognitive Sciences. 17 (7), 311-318 (2013).
- Lingnau, A., Downing, P. E. The lateral occipitotemporal cortex in action. Trends in Cognitive Sciences. 19 (5), 268-277 (2015).
- Giese, M. A., Rizzolatti, G. Neural and computational mechanisms of action processing: Interaction between visual and motor representations. Neuron. 88 (1), 167-180 (2015).
- Tucciarelli, R., Wurm, M., Baccolo, E., Lingnau, A. The representational space of observed actions. eLife. 8, e47686 (2019).
- Tarhan, L., Konkle, T. Sociality and interaction envelope organize visual action representations. Nature Communications. 11 (1), 3002 (2020).
- Urgen, B. A., Saygin, A. P. Predictive processing account of action perception: Evidence from effective connectivity in the action observation network. Cortex. 128, 132-142 (2020).
- Newen, A., De Bruin, L., Gallagher, S. The Oxford Handbook of 4E Cognition. , Oxford University Press. Oxford, UK. (2018).
- Snow, J. C., Culham, J. C. The treachery of images: How realism influences brain and behavior. Trends in Cognitive Sciences. 25 (6), 506-519 (2021).
- Matusz, P. J., Dikker, S., Huth, A. G., Perrodin, C. Are we ready for real-world neuroscience. Journal of Cognitive Neuroscience. 31 (3), 327-338 (2019).
- Zaki, J., Ochsner, K. The need for a cognitive neuroscience of naturalistic social cognition. Annals of the New York Academy of Sciences. 1167 (1), 16-30 (2009).
- Hasson, U., Honey, C. J. Future trends in Neuroimaging: Neural processes as expressed within real-life contexts. NeuroImage. 62 (2), 1272-1278 (2012).
- Risko, E. F., Laidlaw, K. E., Freeth, M., Foulsham, T., Kingstone, A. Social attention with real versus reel stimuli: toward an empirical approach to concerns about ecological validity. Frontiers in Human Neuroscience. 6, 143 (2012).
- Parsons, T. D. Virtual reality for enhanced ecological validity and experimental control in the clinical, affective and social neurosciences. Frontiers in Human Neuroscience. 9, 660 (2015).
- Deuse, L., et al. Neural correlates of naturalistic social cognition: brain-behavior relationships in healthy adults. Social Cognitive and Affective Neuroscience. 11 (11), 1741-1751 (2016).
- Camerer, C., Mobbs, D. Differences in behavior and brain activity during hypothetical and real choices. Trends in Cognitive Sciences. 21 (1), 46-56 (2017).
- Nastase, S. A., Goldstein, A., Hasson, U. Keep it real: Rethinking the primacy of experimental control in cognitive neuroscience. NeuroImage. 222, 117254 (2020).
- Kihlstrom, J. F. Ecological validity and "ecological validity". Perspectives on Psychological Science. 16 (2), 466-471 (2021).
- Brunswik, E. Perception and the Representative Design of Psychological Experiments. , University of California Press. Oakland, California. (1956).
- Aronson, E., Carlsmith, J. M. Experimentation in social psychology. The Handbook of Social Psychology. Gilbert, D. T., Fiske, S. T., Lindzay, G. , McGraw-Hill. New York, NY. 1-79 (1968).
- Hammond, K. Ecological validity: Then and now. University of Colorado. , Available from: https://www.albany.edu/cpr/brunswik/notes/essay1.html (1998).
- Fan, S., Dal Monte, O., Chang, S. W. Levels of naturalism in social neuroscience research. IScience. 24 (7), 102702 (2021).
- Orban, G. A., Lanzilotto, M., Bonini, L. From observed action identity to social affordances. Trends in Cognitive Sciences. 25 (6), 493-505 (2021).
- Gray, H. M., Gray, K., Wegner, D. M.
- Li, Z., Terfurth, L., Woller, J. P., Wiese, E. Mind the machines: Applying implicit measures of mind perception to social robotics. 2022 17th ACM/IEEE International Conference on Human-Robot Interaction (HRI. , 236-245 (2022).
- Karpinski, A., Steinman, R. B. The single category implicit association test as a measure of implicit social cognition. Journal of Personality and Social Psychology. 91 (1), 16 (2006).
- Greenwald, A. G., McGhee, D. E., Schwartz, J. L. Measuring individual differences in implicit cognition: the implicit association test. Journal of Personality and Social Psychology. 74 (6), 1464 (1998).
- Freeman, J. B., Ambady, N. MouseTracker: Software for studying real-time mental processing using a computer mouse-tracking method. Behavior Research Methods. 42 (1), 226-241 (2010).
- Pekçetin, T. N., Barinal, B., Tunç, J., Acarturk, C., Urgen, B. A. Studying mind perception in social robotics implicitly: The need for validation and norming. Proceedings of the 2023 ACM/IEEE International Conference on Human-Robot Interaction. , 202-210 (2023).
- Yu, Z., Wang, F., Wang, D., Bastin, M. Beyond reaction times: Incorporating mouse-tracking measures into the implicit association test to examine its underlying process. Social Cognition. 30 (3), 289-306 (2012).
- Romero, C. A., Snow, J. C. Methods for presenting real-world objects under controlled laboratory conditions. Journal of Visualized Experiments. (148), e59762 (2019).
- Jastorff, J., Abdollahi, R. O., Fasano, F., Orban, G. A. Seeing biological actions in 3 D: An f MRI study. Human Brain Mapping. 37 (1), 203-219 (2016).
- Ferri, S., Pauwels, K., Rizzolatti, G., Orban, G. A.
- Stangl, M., Maoz, S. L., Suthana, N. Mobile cognition: Imaging the human brain in the 'real world. Nature Reviews Neuroscience. 24 (6), 347-362 (2023).
- Kriegeskorte, N. Deep neural networks: a new framework for modeling biological vision and brain information processing. Annual Review of Vision Science. 1, 417-446 (2015).
- Marblestone, A. H., Wayne, G., Kording, K. P. Toward an integration of deep learning and neuroscience. Frontiers in Computational Neuroscience. 10, 94 (2016).
