Neuroscience

Deneysel psikoloji ve bilişsel sinirbilim çalışmalarında gerçek insanları ve canlı eylemleri sunmak için natüralist bir kurulum

Published: August 4, 2023 doi: 10.3791/65436

Tuğçe Nur Pekçetin¹, Şeyda Evsen², Serkan Pekçetin³, Cengiz Acarturk⁴, Burcu A. Urgen⁵

¹Department of Cognitive Science, Middle East Technical University, ²Interdisciplinary Neuroscience Graduate Program, Bilkent University, ³Department of Computer Engineering, Middle East Technical University, ⁴Department of Cognitive Science, Jagiellonian University, ⁵Department of Psychology, Interdisciplinary Neuroscience Graduate Program, National Magnetic Resonance Research Center (UMRAM), Aysel Sabuncu Brain Research Center, Bilkent University

Summary

Bu çalışma, araştırmacıların gerçek zamanlı eylem uyaranları sunmalarına, katılımcılar her uyaran gösteriminden sonra yanıt verirken tepki süresi ve fare izleme verilerini elde etmelerine ve özel bir şeffaf organik ışık yayan diyot (OLED) ekranı ve ışık manipülasyonu içeren benzersiz bir sistemle deneysel koşullar arasında aktörleri değiştirmelerine olanak tanıyan natüralist bir deney düzeneği sunmaktadır.

Abstract

Başkalarının eylemlerinin algılanması, hayatta kalma, etkileşim ve iletişim için çok önemlidir. Eylemlerin algılanmasını anlamaya adanmış onlarca yıllık bilişsel sinirbilim araştırmasına rağmen, insan eylem algısına yaklaşan sinirsel olarak ilham veren bir bilgisayar görme sistemi geliştirmekten hala çok uzaktayız. Büyük bir zorluk, gerçek dünyadaki eylemlerin, uzayda "burada ve şimdi" gerçekleşen ve kabul edilebilir olan geçici olarak ortaya çıkan olaylardan oluşmasıdır. Buna karşılık, bugüne kadar görsel algı ve bilişsel sinirbilim araştırmaları, uzay ve zamanda aktörlerin varlığından yoksun olan 2D ekranlar (örneğin, görüntüler veya videolar) aracılığıyla eylem algısını büyük ölçüde incelemiştir, bu nedenle bu ekranlar eyleme geçirilebilirliği sağlamada sınırlıdır. Alandaki artan bilgi birikimine rağmen, başkalarının gerçek dünyadaki eylemlerinin algılanmasının temel mekanizmalarının daha iyi anlaşılması için bu zorlukların üstesinden gelinmelidir. Bu çalışmanın amacı, gerçek dünya ortamlarına yaklaşan senaryolarda canlı aktörlerle natüralist laboratuvar deneyleri yapmak için yeni bir kurulum sunmaktır. Bu çalışmada kullanılan kurulumun temel unsuru, katılımcıların sunumlarının zamanlaması tam olarak kontrol edilirken fiziksel olarak mevcut bir aktörün canlı eylemlerini izleyebilecekleri şeffaf bir organik ışık yayan diyot (OLED) ekranıdır. Bu çalışmada, bu kurulum davranışsal bir deneyde test edilmiştir. Kurulumun, araştırmacıların eylem algısının temel ve daha önce erişilemeyen bilişsel ve sinirsel mekanizmalarını ortaya çıkarmalarına yardımcı olacağına ve doğal ortamlarda sosyal algı ve bilişi araştıran gelecekteki çalışmalar için bir temel oluşturacağına inanıyoruz.

Introduction

Hayatta kalma ve sosyal etkileşim için temel bir beceri, başkalarının eylemlerini algılama ve anlamlandırma ve çevredeki ortamda onlarla etkileşime girme yeteneğidir. Son birkaç on yılda yapılan önceki araştırmalar, bireylerin başkalarının eylemlerini nasıl algıladıkları ve anladıkları ile ilgili temel ilkeleri anlamaya önemli katkılarda bulunmuştur 1,2,3,4,5,6,7,8,9,10,11 . Bununla birlikte, etkileşimlerin karmaşıklığı ve meydana geldikleri koşullar göz önüne alındığında, günlük yaşam ortamlarında bu karmaşık becerinin daha eksiksiz bir şekilde anlaşılması için doğal ortamlarda bilgi birikimini daha da geliştirmeye açık bir ihtiyaç vardır.

Günlük yaşam ortamlarımız gibi doğal ortamlarda, algı ve biliş somutlaşmış, gömülmüş, genişletilmiş ve aktif özellikler sergiler¹². Bedenin ve çevrenin rollerini küçümseme eğiliminde olan beyin fonksiyonlarının içselci açıklamalarının aksine, somutlaşmış bilişe çağdaş yaklaşımlar beyin, beden ve çevrenin dinamik eşleşmesine odaklanır. Öte yandan, eylem algısı üzerine yapılan çoğu sosyal psikoloji, bilişsel psikoloji ve sinirbilim araştırması, laboratuvar koşullarında iyi kontrol edilen ve basitleştirilmiş deney tasarımlarının (örneğin, bilgisayarlı görevlerdeki görüntüler veya videolar) kullanılmasının, gerçek dünya etkileşimleri gibi daha karmaşık senaryolara genelleştirilebilecek sonuçlar verdiğini varsayma eğilimindedir 1,2,3,4,5,6,7 ,8,9,10,11. Bu varsayım, birçok koşulda sağlam ve güvenilir verilerin elde edilebileceğini garanti eder. Bununla birlikte, iyi bilinen bir zorluk, dikkatle kontrol edilen deneylerden türetilen modellerin geçerliliğinin, gerçek dünya bağlamında test edildiğinde sınırlı olmasıdır¹³. Sonuç olarak, çeşitli araştırma alanlarında uyaranların ve deneysel tasarımların ekolojik ve dışsal geçerliliğini ele almak için 13,14,15,16,17,18,19,20,21,22 daha ileri araştırmalar yapılmıştır.

Bu çalışmada, bireylerin gerçek, fiziksel olarak mevcut bir aktör tarafından gerçekleştirilen canlı eylemleri kullanarak başkalarının eylemlerini nasıl algıladıklarını ve değerlendirdiklerini araştırmak için yeni bir yöntem önerilmektedir. Gerçek hayattaki bağlamlara benzer senaryolar kullanılırken, deneyciler olası kafa karıştırıcı faktörler üzerinde kontrol sahibidir. Bu çalışma, Matusz ve ark.14 çerçevesinde, uyaranlar ve çevre üzerinde genellikle doğallık pahasına maksimum kontrolden yararlanan "klasik laboratuvar araştırması" ile uyaran ve çevre üzerindeki kontrol pahasına doğallığı en üst düzeye çıkarmayı amaçlayan "tamamen doğalcı gerçek dünya araştırması" arasında bir ara aşama olarak düşünülebilecek bir "natüralist laboratuvar araştırması" biçimidir¹⁴. Çalışma, yüksek derecede deneysel kontrole sahip geleneksel laboratuvar deneylerinde elde edilen bulgular ile tamamen sınırsız, doğal ortamlarda yürütülen çalışmalarda elde edilen bulgular arasındaki boşluğu kapatmak için eylem algısı araştırmalarında bu düzeyde ampirik araştırmalara duyulan ihtiyacı ele almayı amaçlamaktadır.

Kontrollü ve kısıtlamasız deneyler
Deneysel kontrol, araştırmacıların hedef değişkenleri olası kafa karıştırıcı faktörlerden izole etmelerine izin verdiği için belirli bir hipotezi test etmek için deneyler tasarlamak için etkili bir stratejidir. Ayrıca, aynı hipotezi, aynı tasarımda biraz veya tamamen farklı uyaranlar kullanmak veya alternatif deney düzeneklerinde aynı uyaranları test etmek gibi belirli değişiklik düzeyleriyle yeniden gözden geçirmeye izin verir. Kontrollü deneyler yoluyla sistematik araştırma, bilişsel bilimlerde ve ilgili alanlarda yapılan araştırmalarda geleneksel bir metodoloji biçimidir. Kontrollü deneyler hala dikkat, hafıza ve algı gibi çeşitli araştırma alanlarında bilişsel süreçlerin temel ilkeleri hakkında bilgi birikiminin oluşturulmasına yardımcı olmaktadır. Bununla birlikte, son araştırmalar, bulguları gerçek dünya ortamlarına genelleme açısından geleneksel laboratuvar deneylerinin sınırlamalarını da kabul etmiş ve araştırmacılar, gelişmiş ekolojik ortamlarda çalışmalar yapmaya teşvik edilmiştir 13,14,15,16,17,18,19,20,21. Bu değişim, geleneksel laboratuvar deneyleri ile gerçek dünya ortamları arasındaki tutarsızlıkla ilgili iki önemli konuyu ele almayı amaçlamaktadır. İlk olarak, laboratuvar dışındaki dünya, sistematik deneysel manipülasyonların temsili gücünü sınırlayan deneylerden daha az deterministiktir. İkincisi, insan beyni son derece uyarlanabilir ve deneysel çalışmaların tasarlanması ve yürütülmesinin pratik sınırlamaları nedeniyle bu genellikle hafife alınmaktadır²². "Ekolojik geçerlilik"^23,24 kavramı^, bu sorunu çözme yöntemlerini ele almak için kullanılmıştır. Bu terim genellikle deneysel bulguların laboratuvar bağlamı dışındaki gerçek dünyaya genelleştirilmesi için bir ön koşulu ifade etmek için kullanılır. Ekolojik geçerlilik, çalışma tasarımının gerçek yaşam senaryolarına benzer olmasını sağlamak için neredeyse doğalcı deney düzeneklerinin sınırsız uyaranlarla doğrulanmasına atıfta bulunduğu şeklinde de yorumlanmıştır²⁵. Bu terimin yorumlanmasındaki yüksek varyans derecesi nedeniyle, alternatif metodolojilerin ve uyaran seçiminin avantajlarının ve sınırlamalarının anlaşılması gerekmektedir.

Uyaranlarda natüralizm düzeyleri ve deney tasarımı
Deneysel psikoloji ve bilişsel sinirbilimdeki önceki çalışmalar, farklı natüralizm seviyelerine sahip çok çeşitli uyaranlar kullanmıştır²⁶. Çoğu araştırmacı statik görüntüler veya kısa dinamik videolar kullanmayı tercih eder, çünkü bu uyaranların hazırlanması gerçek bir eylemi veya olayı simüle edebilenlerden daha kolaydır. Avantajları olmasına rağmen, bu uyaranlar araştırmacıların sosyal ajanlar arasındaki koşullu davranışları ölçmelerine izin vermez. Başka bir deyişle, eyleme geçirilemezler ve sosyal olanaklara sahip değillerdir²⁷. Son yıllarda, bu etkileşimli olmayan uyaranlara bir alternatif geliştirilmiştir: sanal avatarların gerçek zamanlı animasyonları. Bu avatarlar, avatarlar ve kullanıcıları arasındaki etkileşimlerin araştırılmasına izin verir. Bununla birlikte, sanal avatarların kullanımı, özellikle gerçekçi ve koşullu davranışları açısından özellikle ilgi çekici görünmediklerinde, kullanıcı endişesinin azalmasına tabidir²⁶. Bu nedenle, deneysel çalışmalarda gerçek sosyal uyaranların kullanılmasına artık daha fazla ilgi duyulmaktadır. Tasarımları, veri kayıtları ve analizleri gelişmiş ekipman ve karmaşık veri analizi gerektirse de, doğal insan davranışını ve bilişini anlamak için en iyi adaylardır.

Bu çalışma, gerçek hayattaki sosyal uyaranları laboratuvar ortamında kullanmak için bir metodoloji önermektedir. Bu çalışma, insanların geleneksel laboratuvar deneylerine kıyasla ekolojik geçerliliği artmış bir ortamda başkalarının eylemlerini nasıl algıladıklarını ve değerlendirdiklerini araştırmayı amaçlamaktadır. Katılımcıların fiziksel olarak mevcut olan ve onlarla aynı ortamı paylaşan gerçek aktörlere maruz kaldığı yeni bir kurulum geliştirdik ve tanımladık. Bu protokolde, katılımcıların tepki süreleri ve fare yörüngeleri ölçülür, bu da uyaran sunumunun hassas zamanlamasını ve bu gelişmiş ekolojik ortamdaki deneysel koşullar üzerinde sıkı kontrol gerektirir. Bu nedenle, deneysel paradigma, çevre üzerindeki kontrolden ödün vermeden uyaranların doğallığı en üst düzeye çıkarıldığı için literatürde bulunan çerçeveler arasında öne çıkmaktadır. Aşağıda, protokol böyle bir sistemi kurma adımlarını sunar ve ardından örnek veriler için temsili sonuçlarla devam eder. Son olarak, paradigmanın önemi, sınırlamaları ve değişiklik planları hakkında bir tartışma sunulmaktadır.

Deneysel tasarım
Protokol bölümüne geçmeden önce, bu çalışmada kullanılan parametreleri tanımladık ve uyaranların ayrıntılarını deneysel tasarım ile birlikte sunduk.

Çalışmadaki parametreler
Bu çalışma, aktörün türünün ve gerçekleştirdiği eylemlerin sınıfının katılımcıların zihin algısı süreçlerini nasıl etkilediğini ölçmeyi amaçlamaktadır. Protokolde, zihin algı süreci, önceki araştırmalarda önerildiği gibi, ajans ve deneyim olmak üzere iki ana boyutta ölçülmektedir²⁸. Bu iki boyutun yüksek ve alçak uçları, yakın zamanda Li ve ^ark.29 tarafından tanıtıldığı gibi, dahil edilmiştir.

Çalışmanın yapısı, yaygın olarak kullanılan örtük ilişkilendirme görevinin (IAT) ³¹ tek kategorili sürüm^30'undan esinlenmiştir. Bu görevde, katılımcıların bir öznitelik kavramını hedef kavramla eşleştirirken verdikleri yanıt süreleri, bu iki kavram için örtük ilişkilerinin gücünün bir göstergesi olarak kullanılır. Bu örtük görevin uyarlanmasında, katılımcılara gerçek aktörler tarafından gerçekleştirilen canlı eylemler sunulur ve bunları hedef kavramlarla eşleştirmeleri istenir. Hedef kavramlar, deneyin bloğuna bağlı olarak ajansın veya deneyim boyutlarının yüksek ve düşük uçlarıdır.

Özetlemek gerekirse, bağımsız değişkenler Aktör Türü ve Eylem Sınıfı'dır. Aktör Tipi'nin iki düzeyi vardır (yani, çalışmada performans gösteren iki farklı aktör, Aktör1 ve Aktör2). Eylem Sınıfının iki düzeyi vardır: Eylem Sınıfı1 ve Eylem Sınıfı2 ve her sınıf dört eylem içerir. Katılımcılar iki aktörü dört blokta ayrı ayrı değerlendirir (her blokta bir aktör) ve her blokta aktörler tüm eylemleri dengesiz bir sırayla gerçekleştirir. Katılımcılar, önceden tanımlanmış ve zorunlu iki boyuta göre değerlendirmeler yaparlar: Ajans ve Deneyim. Deneydeki dört blok (1) Ajans Bloğunda Aktör1, (2) Ajans Bloğunda Aktör2, (3) Deneyim Bloğunda Aktör1 ve (4) Deneyim Bloğunda Aktör2'dir. Blokların sırası da katılımcılar arasında dengelenir, böylece aynı ajana sahip bloklar asla birbirlerini takip etmez.

Katılımcıların cevaplarının yanı sıra, iki yanıt alternatifinden birine doğru ilerlerken kullandıkları kablosuz farenin yanıt süreleri ve x-y koordinatları da kayıt altına alınmaktadır. Bu nedenle, bağımlı değişkenler, katılımcıların yanıtı ve yanıt süresi (RT) ile bilgisayar fare izlemesinden türetilen maksimum sapma (MD) ve eğrinin altındaki alan (AUC) ölçümleridir. Değişken yanıt kategoriktir; Yüksek veya Düşük olabilir ve değerlendirmeler verilen bloklardan birinde yapıldığından, yanıtlar Yüksek Ajans, Düşük Ajans, Yüksek Deneyim veya Düşük Deneyim olarak da etiketlenebilir. Tepki süresi sürekli bir değişkendir; birimi saniyedir ve bir eylemin sunumunun başlangıcı ile yanıt alternatiflerinden birinde fare tıklamasının oluşması arasında geçen süreyi ifade eder. Bir yörüngenin MD'si sürekli bir değişkendir ve katılımcı (lar) ın yörüngesi ile idealize edilmiş yörünge (düz çizgi) arasındaki en büyük dikey sapmayı ifade eder. Bir yörüngenin AUC'si de sürekli bir değişkendir ve katılımcı (lar) ın yörüngesi ile idealize edilmiş yörünge³² arasındaki geometrik alanı ifade eder.

Uyaranlar ve deneyin tasarımı
Bu çalışmada üç aşamalı bir deney kullanılmıştır. Üçüncü bölümdeki ölçümler analizler için kullanılır; İlk iki bölüm son bölüm için hazırlık görevi görür. Aşağıda, deneyin her bir bölümünü deneysel uyaranlar ve hipotezlerle birlikte açıklıyoruz.

Deney Bölüm 1'de (sözcüksel eğitim bölümü), katılımcılar Ajans ve Deneyim kavramlarını ve Yüksek ve Düşük kelimeleriyle temsil edilen kapasite seviyelerini anlamak için bir eğitim oturumunu tamamlarlar. Bu eğitim oturumunda kullanılacak kavramları (n = 12) seçmek için, mevcut çalışmanın yazarlarından bazıları normatif bir çalışma yürütmüştür³³. Bu çalışmanın katılımcıların ana dillerinde yapılması planlandığından, kavramlar normalleştirilmeden önce Türkçe'ye de çevrilmiştir. Kavramlar, iki boyutun Yüksek (n = 3) ve Düşük (n = 3) uçlarıyla (her biri için altı kavram) güçlü bir şekilde ilişkili olanlar arasından seçildi. Bu bölüm çok önemlidir, çünkü katılımcıların kavramları anlamalarının değerlendirme süreçlerine rehberlik etmesi beklenmektedir.

Deney Bölüm 2'de (eylem tanımlama bölümü), katılımcılar Actor1 ve Actor2 tarafından gerçekleştirilen aynı sekiz eylemi birbiri ardına izler ve eylemin ne olduğunu deneyciye bildirir. Bu bölüm bir manipülasyon kontrolü görevi görür; Her iki aktör de gerçekleştirirken tüm eylemleri sunarak, katılımcıların hızlı değerlendirmeler yapmaları gereken örtük teste başlamadan önce eylemleri anladıklarından ve aktörlere aşina olduklarından emin olmak mümkündür. Eylem Sınıfı1 ve Eylem Sınıfı2 için seçilen eylemler, bazı yazarlar tarafından yürütülen her bir aktör koşulu için iki normatif çalışmanın (N = 219) sonuçlarına göre en yüksek H puanlarına ve güven düzeylerine (her eylem sınıfında dört farklı eylem örneği) sahip olanlardır (hazırlık aşamasındaki makale). Tüm eylemler 6 sn'lik eşit bir süre içinde gerçekleştirilir.

Bu devam eden bir çalışmadır ve başka bileşenleri de vardır; Bununla birlikte, yukarıda açıklanan bölümler için hipotezler aşağıdaki gibidir: (i) aktörün türü bağımlı değişkenleri etkileyecektir; Actor2, Actor1'e kıyasla daha uzun RT'ler, daha yüksek MD'ler ve daha büyük AUC'ler üretecektir; (ii) eylemin türünün bağımlı ölçümleri etkileyeceği; Eylem Sınıfı1, Eylem Sınıfı2'ye kıyasla daha uzun RT'ler, daha yüksek MD'ler ve daha büyük AUC'ler verir; (iii) Aynı aktör ve aksiyon sınıfı için Yüksek ve Düşük yanıtlar için bağımlı ölçümler blok boyutları arasında farklılık gösterecektir: Ajans ve Deneyim.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Bu çalışmadaki deneysel protokoller Bilkent Üniversitesi İnsan Katılımcılarla Araştırma Etik Kurulu tarafından onaylanmıştır. Çalışmaya dahil edilen tüm katılımcılar 18 yaşın üzerindeydi ve çalışmaya başlamadan önce bilgilendirilmiş onam formunu okuyup imzaladılar.

1. Genel tasarım adımları

NOT: Şekil 1A (üstten görünüm) ve Şekil 1B ve Şekil 1C (önden ve arkadan görünümler) laboratuvar düzenini göstermektedir; Bu rakamlar, bu özel çalışma için tasarlanan orijinal laboratuvar kurulumu ve konfigürasyonuna göre oluşturulmuştur. Şekil 1A, laboratuvarın üstten görünüm düzenini gösterir. Bu şekilde, tavanda ve aktör dolabında LED ışıkları görmek mümkündür. Karartma perdesi sistemi odayı ikiye böler ve ışığın odanın ön kısmına sızmasını önleyerek ışık manipülasyonuna yardımcı olur (Katılımcı Alanı). Şekil 1B, laboratuvarın deneycinin bakış açısından görünümünü sunmaktadır. Katılımcı, OLED ekranın hemen önünde oturur ve şeffaf ekranı kullanarak, aktörler tarafından gerçekleştirilen canlı eylemleri izleyebilir. Yanıtlarını, önlerindeki yanıt aygıtını (kablosuz fare) kullanarak verirler. Deneyci, katılımcı ekranından (OLED ekran) ve güvenlik kamerasından gelen görüntülerden oyuncuyu aynı anda izleyebilir. Şekil 1C, katılımcı tarafından görülemeyen güvenlik kamerası ve Aktör kişisel bilgisayarı (PC) ile çalışmanın sahne arkasını (Aktör Alanı) göstermektedir. Güvenlik kamerası görüntüleri, aktörler ve deneyci arasındaki iletişimi kurmak için Kamera PC'sine gider. Aktör PC, denemenin herhangi bir kesinti olmadan akması için blok sırasını ve sonraki eylem bilgilerini aktöre görüntüler. Katılımcılar önceki denemedeki eyleme yanıt verirken aktörler bir sonraki eylemi hızlı bir şekilde kontrol edebilir.

Resim 1: Natüralist laboratuvar kurulumu. (A) Natüralist laboratuvar kurulumunun yukarıdan aşağıya görünümü. (B) Katılımcının bakış açısından natüralist deney düzeneğinin arka ve ön tarafları. (C) Oyuncunun bakış açısından natüralist deney düzeneğinin arka ve ön tarafları. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

(1) bir ana kontrol masaüstü bilgisayarı (Experimenter PC), (2) bir aktör dizüstü bilgisayarı (Actor PC) ve (3) bir Kamera bilgisayarı, bir kablosuz yanıt cihazı (Katılımcı Fare), iki ekran, bir aydınlatma devresi ve bir güvenlik kamerası dahil olmak üzere üç bilgisayar içeren bir kurulum tasarlayın (bu çalışmanın kurulumunun sistem diyagramı için bkz. Şekil 2A ).
NOT: Deneyci PC, deneyci tarafından deneme komut dosyalarını çalıştırmak için kullanılacak, Aktör PC, aktör tarafından denemenin bloklarını ve bloklardaki eylemlerin sırasını izlemek için kullanılacak ve üçüncü cihaz olan Kamera PC, aktör alanında bulunan güvenlik kamerasına bağlanacak ve deneyci tarafından sahne arkasını izlemek için kullanılacaktır.
Ayrı ekranları (biri uyaranların sunumu için [Katılımcı Ekranı], yani OLED ekranı) ve deneyin izlenmesi için bir ekranı, yanıt cihazını ve aydınlatma devresini (kablolar veya kablosuz bağlantılar aracılığıyla ) Deneyci PC'ye bağlayın (bkz. Şekil 2A).
Deneme durumuyla ilgili bilgileri (ör. "sonraki eylem kimliği 'tebrik'") aktörlere iletmek için Deneyci Bilgisayarını ve Aktör Bilgisayarını kablosuz bir ağ üzerinden bağlayın.
LED'leri açıp kapatmak için bir mikrodenetleyici tarafından kontrol edilebilen bir aydınlatma devresi tasarlayın ve oluşturun (devre kartı için Şekil 2B'ye bakın).
NOT: Şekil 3A , deneycinin bakış açısından çalışmada kullanılan OLED ekranın opak kullanımını göstermektedir. Opaklığı sağlamak için ekranın arka planı beyaza ayarlanır (RGB: 255, 255, 255) ve odadaki tüm ışıklar (hem Katılımcı Alanında hem de Aktör Alanında) kapatılır. Katılımcı, uyaranlardan önce fiksasyonu görür. Şekil 3B , deneycinin bakış açısından çalışmada dijital ekranın şeffaf kullanımını göstermektedir. Saydamlığı etkinleştirmek için ekranın arka planı siyaha ayarlanır (RGB: 0, 0, 0) ve tavandaki LED ışıkları yanar. Katılımcı oyuncuyu izler. Şekil 3C , çalışmada dijital ekranın opak kullanımını göstermektedir. Opaklığı sağlamak için ekranın arka planı beyaza ayarlanır (RGB: 255, 255, 255) ve odadaki tüm ışıklar kapatılır. Katılımcıya yanıt vermesi için değerlendirme ekranı sunulur. Kablosuz fare kullanarak imleci ekranın sol üst veya sağ üst köşesine (Yüksek veya Düşük olmak üzere iki yanıt seçeneğinden biri) sürüklemeleri gerekir. Fare yörüngeleri ve tepki süreleri kaydedilir.
Mikrodenetleyiciyi Experimenter PC'ye bağlayın.
Denemeyi çalıştıran komut dosyalarını Experimenter PC'de depolayın.
NOT: Şekil 4A , deney sırasında sahne arkasını (Aktör Alanı) göstermektedir. Odanın ön ışıkları (Katılımcı Alanı) kapalı ve Aktör Bilgisayarı aktör tarafından gerçekleştirilecek eylemin adını gösteriyor. Şekil 4B , oyuncuların sıralarını bekleyebilecekleri ve kıyafetlerini değiştirebilecekleri aktör kabinini göstermektedir. Oyuncu dolabı katılımcının gözünden görülmüyor ve perde sistemi kullanıldığı için oyuncular istedikleri girişi kullanabiliyorlar. Deney sırasında, şekilde görüntülenen floresan ışıklar kapalıdır.

Şekil 2: Sistem ve kablolama şeması . (A) Natüralist deney düzeneğinin sistem diyagramı. (B) Deney sırasında OLED ekranını destekleyen ışık devresinin kablolama şeması. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 3: Deneycinin bakış açısından OLED ekranı. (A) OLED dijital ekranın deneycinin bakış açısından opak kullanımı. (B) OLED dijital ekranın deneycinin bakış açısından şeffaf kullanımı. (C) OLED dijital ekranın bir yanıt süresi boyunca deneycinin bakış açısından opak kullanımı. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 4: Deneyin sahne arkası. (A) Bir deneme denemesi sırasında sahne arkası. (B) Aktör dolabı, oyuncuların deney sırasında sıralarının görünür olmasını bekleyebilecekleri OLED ekranın arkasındadır. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

2. Aydınlatma devresinin tasarımı ve uygulanması

Devrenin cihazlarına/bileşenlerine güç vermeden önce izlenecek adımlar
1. Sahne arkasına takılan LED'lerin durumlarını değiştirmek için (Aktör Alanı), Experimenter PC'ye LED'leri AÇIK veya KAPALI olarak değiştirme yeteneği sağlayın.
2. Experimenter PC'den gönderilecek dijital komutları bir USB kablosu üzerinden iletmek için, dijital girişleri alabilen ve dijital çıktı üretebilen bir mikrodenetleyici cihazı seçin (bu çalışmada kullanılan mikrodenetleyici için Malzeme Tablosuna bakınız).
3. Mikrodenetleyicinin USB girişine bir USB kablosuyla bağlanmak için Experimenter PC'nin belirli bir USB bağlantı noktasını seçin. Tüm bağlantıların başarıyla kurulduğundan emin olmadan bilgisayarı açmayın.
4. Mikrodenetleyici tarafından üretilen çıkış sinyalinin genliğini (yaklaşık 3,3 V) artırmak için bir anahtarlama modülü ekleyin.
5. Belirlenen dijital çıkış pimini (bu deney için belirlenen pim D9'dur) ve mikrodenetleyicinin topraklama pimlerini anahtarlama modülüne bağlayın.
6. Yükü (LED'ler) çalıştırmak için, anahtarlama modülü tarafından üretilen sinyalle tahrik edilen yüksek güçlü bir metal-oksit-yarı iletken alan etkili transistör (MOSFET) modülü (veya MOSFET modülü) ekleyin ve MOSFET modülünün sinyal pimlerini anahtarlama modülündeki karşılık gelen sinyal-toprak çiftine bağlayın.
7. MOSFET modülünün sıcak yatak pimlerini yüke bağlayın.
8. Modüllere (ve dolaylı olarak LED'lere) düzenlenmiş bir sabit voltaj sağlamak için, alternatif akım (AC) şebeke girişini alan ve devrede sabit bir DC voltajı üreten bir LED güç kaynağı ekleyin.
9. LED güç kaynağının çıkışlarını hem MOSFET modülünün hem de anahtarlama modülünün güç girişlerine bağlayın.
Devre bileşenlerini kabloladıktan sonra izlenecek adımlar
1. USB kablosunu Experimenter PC'nin seçilen USB bağlantı noktasına bağlayın.
2. Mikrodenetleyici ile Experimenter PC'de çalışan yazılım ortamı arasında bir seri iletişim bağlantısı oluşturun ( Mikrodenetleyiciyi Experimenter PC'ye bağlama alt bölümüne bakın).
3. LED güç kaynağını AC şebeke girişine bağlayın.

3. Deneyin programlanması

NOT: Üç ana deneysel komut dosyasının (ExperimentScript1.m [Ek Kodlama Dosyası 1], ExperimentScript2.m [Ek Kodlama Dosyası 2] ve ExperimentScript3.m [Ek Kodlama Dosyası 3]) yanı sıra çeşitli işlevler (RecordMouse.m [Ek Kodlama Dosyası 4], InsideROI.m [Ek Kodlama Dosyası 5], RandomizeTrials.m [Ek Kodlama Dosyası 6], RandomizeBlocks.m [Ek Kodlama Dosyası 7], Denemeyi gerçekleştirmek için GenerateResponsePage.m [Ek Kodlama Dosyası 8], GenerateTextures.m [Ek Kodlama Dosyası 9], ActorMachine.m [Ek Kodlama Dosyası 10], MatchIDtoClass.m [Ek Kodlama Dosyası 11] ve RandomizeWordOrder.m [Ek Kodlama Dosyası 12]).

NOT: Ayrıntılı açıklamalar için lütfen ilgili komut dosyalarına bakın.

Deneme ve blok emirlerinin randomizasyonu
1. Randomizasyon parametrelerini (katılımcı kimliği gibi) girdi olarak alan ve bir dizi sözde randomize dizi döndüren deneme sıralarını (RandomizeTrials.m) ve blok emirlerini (RandomizeBlocks.m) randomize etmek için iki işlev tanımlayın ve oluşturun.
2. Randomize dizilerin nasıl oluşturulduğuna ilişkin ayrıntılar için RandomizeBlocks.m (satır 2-24) ve RandomizeTrials.m (satır 3-26) komut dosyalarına bakın.
Yanıtın izlenmesi (RecordMouse, InsideRoi)
1. Katılımcıların fare yörüngesini ve deneme sırasında geçen süreyi izleyen ve kaydeden bir işlev oluşturun (bkz.
2. Tıklanan koordinatların kabul edilebilir bölgelerin içinde olup olmadığını kontrol etmek için bir yardımcı işlev oluşturun (bkz.
Talimatlar ve geri bildirimler için doku oluşturma (GenerateTextures.m, GenerateResponsePage.m)
1. Denemeyle ilgili talimatları ve denemelerle ilgili geri bildirimleri görüntü olarak hazırlayın.
2. Bu görüntülerin içeriğini bir .mat dosyasına kaydedin (bkz: ExperimentImages.mat dosyası [Ek Kodlama Dosyası 13]).
3. Ekran penceresi oluşturduktan sonra .mat dosyasını çalışma alanına yükleyin (bkz. GenerateTextures.m satır 25).
4. Her görüntü için ayrı bir doku ve tanımlayıcısı oluşturun (bkz. GenerateTextures.m satır 27-165).
5. Her deneme komut dosyası için ilgili yanıt sayfası dokularını çizmek üzere bir işlev tanımlayın (bkz.
Aktör Bilgisayarı TCP/IP üzerinden Deneyci Bilgisayara Bağlama
1. Experimenter PC'de çalışan komut dosyasında bir TCP sunucusu yuvası oluşturun (bkz. ExperimentScript2.m satır 174).
2. Actor PC'de çalışan komut dosyasında karşılık gelen bir TCP istemci yuvası oluşturun (bkz. ActorMachine.m satır 16).
3. Experimenter PC'de çalışan komut dosyasındaki aktörlere yaklaşan blok/deneme sürümü hakkında bilgi gönderin (ExperimentScript2.m'de 207, 229 ve 278. satırlara bakın veya ExperimentScript3.m'de 136, 141, 153, 159 ve 297. satırlara bakın).
4. Experimenter PC'den alınan bilgileri Actor PC'nin ekran penceresinde görüntüleyin (ActorMachine.m'deki 31-47. satırlara bakın).
Mikrodenetleyiciyi Experimenter PC'ye bağlama
1. Sahne arkasında takılı LED'lerin durumunu (AÇIK veya KAPALI) kontrol etmek için mikrodenetleyiciyi belirli bir USB bağlantı noktasına (örneğin, PORT 9) bağlayın.
2. Mikrodenetleyici aygıtı ile Experimenter PC arasında seri iletişim kurun (bkz. satır 185 in ExperimentScript2.m betiği).
3. Eylemler USB kablosuyla görüntülenirken LED'leri açmak için Experimenter PC'de çalışan komut dosyasından mikrodenetleyiciye mantık yüksek sinyali (1) gönderin (ExperimentScript2.m'deki satır 290'a bakın veya ExperimentScript3.m komut dosyalarındaki satır 311'e bakın).
4. Katılımcının yanıt vermesi beklendiğinde LED'leri kapatmak için Experimenter PC'de çalışan komut dosyasından mikrodenetleyiciye mantık düşük sinyali (0) gönderin (ExperimentScript2.m'deki satır 292'ye bakın veya ExperimentScript3.m komut dosyalarındaki satır 314'e bakın).

4. Örnek bir deneyin akışı

Deneme öncesi adımlar
1. Laboratuvardaki tüm cihazların (Deneyci Bilgisayarı, Kamera Bilgisayarı, Aktör Bilgisayarı ve Katılımcı Ekranı) bir UPS tarafından desteklendiğinden emin olun.
2. Lightning mikrodenetleyicisini bir USB kablosuyla Experimenter PC'ye bağlayın, böylece Experimenter PC açıldığında otomatik olarak açılır.)
3. Experimenter PC'yi açın ve 5 GHz Wi-Fi'ye bağlı olup olmadığını kontrol edin.
4. Ses aygıtını ( Malzeme Tablosundaki hoparlörler) Deneyci Bilgisayarın ses çıkış aygıtı olarak seçin.
5. Katılımcı ekranını açın ve ses seviyesi ayarlarını %80 olarak ayarlayın.
6. Birden fazla monitör için Experimenter PC'nin ekran ayarlarını yapın. Deneme Bilgisayarının ekranını katılımcı ekranına genişletin. Deneyci Bilgisayarının ekranı 1 ve Katılımcı Ekranı 2 olacaktır.
7. Actor PC'yi açın ve 5 GHz Wi-Fi'ye bağlı olup olmadığını kontrol edin.
8. Güvenlik kamerasını bir USB kablosuyla Actor PC'ye bağlayın, böylece Actor PC açıldığında otomatik olarak açılır.
9. Camera PC'yi açın ve masaüstünde kamera uygulamasını açın. Her aktörün, hareketlerinin ve kabine giriş ve çıkışlarının kameradan görülebildiğinden emin olun.
10. Tüm bilgisayarların, ekranların ve aygıtların (yanıt aygıtı [katılımcının kablosuz faresi], hoparlörler, klavye ve fare ile Experimenter PC ve Actor PC'nin ve yıldırım mikrodenetleyicisinin) düzgün çalıştığından emin olun.
11. Katılımcıyı başka bir odaya hoş geldiniz; Çalışma hakkında kısa bilgi verdikten sonra onam formunu sağlayın ve katılımcının imzalamasına izin verin.
12. Katılımcıdan bir çantadan bir sayı çizmesini isteyin ve numaranın çalışma boyunca katılımcı kimliği olacağını söyleyin.
13. Katılımcının çevrimiçi demografi formunu anonim katılımcı kimliğiyle doldurmasına izin verin.
  NOT: Katılımcıların deneyden önce aktörleri görmemeleri çok önemlidir. Böylece, bu evrak işleri ana deney odasından ziyade başka bir odada tamamlanır, böylece oyuncular katılımcılar arasında mola verebilir.
Deneme adımları
1. Deneme yazılımını Experimenter PC'de açın ve ExperimentScript1.m betiğini açıp çalıştırın.
2. Katılımcı kimliğini ve yaşını girin; daha sonra, komut dosyası denemenin ilk bölümünü başlatır (ilk görünür uyaran, Katılımcı Ekranının ortasındaki bir çarpı işareti olacaktır.)
3. Actor PC'de deneme yazılımını açın ve ActorMachine.m komut dosyasını açın.
4. Kamera Bilgisayarını Deneyci Bilgisayar'ın yakınına yerleştirin ve güvenlik kamerasından gelen görüntülerin katılımcı tarafından görülmediğinden emin olun.
5. Katılımcıyı ana deney odasına davet edin ve katılımcı ekranının önünde oturmasına izin verin.
6. Katılımcıya, haç ortada ve düz ileride olacak şekilde kendilerini ayarlamasını söyleyin.
7. Beyaz tahtada yazılı açıklamalara ve sürelere atıfta bulunarak deneyin bölümleri hakkında kısaca talimatlar verin.
8. Deneme odasındaki tüm ışıkları kapatın.
Deney bölüm 1:
1. Katılımcıya, deneyin ilk bölümünde sözcüksel / kavramsal eğitimi tamamlayacaklarını söyleyin. Eğitimi geçebilmeleri için talimatları takip etmeye dikkat etmeleri konusunda onları uyarın.
2. Katılımcıya, hazır olduğunda denemenin başlatılabileceğini söyleyin.
3. Katılımcı ilk bölüm için hazır olduğunu söylediğinde ESC düğmesine basın.
  NOT: Şu andan itibaren katılımcı, Katılımcı Ekranındaki talimatları okuyarak ve seçeneklerden birini seçerek deneme boyunca ilerleyecektir. Eğitimde iyi ilerleyebilmeleri için doğru ve yanlış cevapları hakkında geri bildirim alacaklardır. Eşleştirme, katılımcılar 10 blok tekrarı içinde minimum eşiğe (%80) ulaşana kadar devam edecektir.
4. Katılımcı eğitim bölümünü tamamladığında, ESC düğmesine basın ve katılımcıya, deneycinin deneyin ikinci bölümünü başlatmak için farenin kontrolünü ele geçirdiğini söyleyin.
Deney bölüm 2:
1. ExperimentScript2.m komut dosyasını açın ve Actor PC'yi bekliyor istemini bekleyin.
2. İstem görüldüğünde zili çalın, böylece aktörlerden biri Experimenter PC ile bağlantıyı etkinleştirmek için komut dosyasını Aktör PC'de çalıştırabilir.
3. Deneme Bölüm 2'nin hazır olduğu istemini bekleyin.
4. Katılımcıya, bazı kısa eylemleri izlerken ekranın artık şeffaf olacağını söyleyin.
5. Her eylemi dikkatlice izlemeleri için onları uyarın ve eylemin ne olduğunu yüksek sesle söylemeleri gerektiğini bildirin.
6. Katılımcıya, hazır olduğunda denemenin başlatılabileceğini söyleyin.
7. Katılımcı ilk bölüm için hazır olduğunu söylediğinde ESC düğmesine basın.
  NOT: Katılımcı talimatlar boyunca ilerler ve ilk eylemi izler. Actor1, LED ışıkları yandığında eylemleri gerçekleştirir ve ışıklar kapatıldığında Actor PC'deki istemden bir sonraki eylemi kontrol eder. Her eylem sona erdiğinde, Experimenter PC ekranında bir iletişim kutusu görünecektir.
8. İletişim kutusuna katılımcının eylem hakkında söylediklerini yazın ve eylemin doğru veya yanlış tanımlanmasına bağlı olarak ikinci iletişim kutusuna sırasıyla 1 veya 0 yazın.
  NOT: Bu adımlar ilk aktör için sekiz kez tekrarlanır ve aktörlerin yer değiştirme zamanı geldiğinde fon müziği çalmaya başlar.
9. Kamera PC'sindeki güvenlik kamerası görüntülerinden sahne arkasını izleyin.
10. Aktör ben hazırım hareketiyle ellerini güvenlik kamerasına doğru salladığında Actor2 kimliğini başlatmak için ESC düğmesine basın.
11. Adım 4.4.7 ve adım 4.4.8'i, Aktör2 tarafından gerçekleştirilirken aynı sekiz eylem de tanımlanana kadar katılımcıyla birlikte tekrarlayın.
12. Katılımcı Tanımlama tamamlandı uyarısını gördüğünde ve oka tıklayarak parçadan çıktığında, ESC düğmesine basın ve katılımcıya deneyin üçüncü bölümünü başlatmak için deneycinin farenin kontrolünü ele geçirdiğini söyleyin.
Deney bölüm 3:
1. ExperimentScript3.m komut dosyasını açın.
2. Katılımcıya her iki oyuncunun da eylemlerini izleyeceklerini ve ardından uygun olduğunu düşündükleri seçeneğe tıklayacaklarını söyleyin.
  NOT: Katılımcılar aktörlerin eylemlerini dört blok halinde değerlendireceklerdir. Blokların ikisinde Actor1 eylemleri gerçekleştirecek ve diğer ikisinde Actor2 aynı eylemleri gerçekleştirecektir. Blokların ikisinde, katılımcılar Yüksek veya Düşük Ajans kapasitelerini atfederek eylemleri değerlendirecek ve diğer ikisinde Yüksek veya Düşük Deneyim kapasitelerini atfedeceklerdir.
3. Katılımcı üçüncü bölüm için hazır olduğunu söylediğinde ESC düğmesine basın.
  NOT: Katılımcı talimatlar boyunca ilerler ve ilk blokla başlar. Aktörler eylemleri ışıkta gerçekleştirir ve katılımcılar yanıtlarını verirken, ekran opak hale gelir ve ışıklar kapatılır, böylece aktörler hangi eylemin daha sonra geleceğini görebilirler. Her blok sona erdiğinde, aktörler Aktör PC'sindeki istemleri izleyerek yer değiştirir.
4. Sahne arkasında her şeyin yolunda gidip gitmediğini ve bloklar sırasında doğru aktörün doğru eylemi gerçekleştirip gerçekleştirmediğini kontrol edin.
5. Aktörlerin değiştirilmesinden sonra doğru aktör ellerini Ben hazırım hareketiyle salladığında bir sonraki bloğu başlatmak için ESC düğmesine basın.
6. Dört blok tamamlanana kadar katılımcı ve aktörle işbirliği içinde adım 4.5.4 ve adım 4.5.5'i tekrarlayın.
7. Katılımcı Deneme bitti ifadesini gördüğünde, teşekkür isteminde bulunur, ESC düğmesine basın.
8. Katılımcıya teşekkür edin ve bilgilendirme yapıp imza attıktan sonra katılımcıyı dışarı gönderin.

Şekil 5 , katılımcının görüşünden örnek bir deneme göstermektedir. Şekil 5A , katılımcının opak kullanımında ekranın ortasındaki imlece baktığını göstermektedir. Şekil 5B , canlı aksiyon uyaranlarını ekrandan izleyen katılımcıyı göstermektedir. Şekil 5C , uyaranlardan sonra katılımcıya sunulan ve fareyi ekranın her üst köşesindeki iki alternatiften birine sürüklemeleri gereken değerlendirme ekranını göstermektedir.

Şekil 5: Katılımcının bakış açısından OLED ekranı. (A) Sabitleme ekranı sırasında OLED dijital ekranın katılımcının bakış açısından opak kullanımı. (B) Canlı bir eylemin sunumu sırasında OLED dijital ekranın katılımcının bakış açısından şeffaf kullanımı. (C) Yanıt süresi boyunca OLED dijital ekranın katılımcının bakış açısından opak kullanımı. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

5. Veri ön işleme ve analizi

Verileri koşullara ayırma
1. Tüm katılımcı veri dosyalarını yazılım ortamının çalışma alanına okuyun.
2. Verileri gruplandırmak için koşulları tanımlayın (iki eylem sınıfı [Eylem Sınıfı1 ve Eylem Sınıfı2] x iki aktör [Aktör1 ve Aktör2] x iki boyut [Ajans ve Deneyim] x iki düzey [Yüksek ve Düşük]).
3. Verileri dört ana gruba ayırın: Ajans Yüksek, Ajans Düşük, Yüksek Deneyim ve Düşük Deneyim.
4. Bu ana grupları dört alt gruba ayırın (iki aktör x iki eylem sınıfı).
5. Önceden tanımlanmış dört alt gruptan birine ait denemeleri gruplandırmak için her veri dosyası arasında döngü yapın.
6. İlgili deneme bilgilerini (yanıt süresi, imleç hareketi ve imleç konumunun örneklendiği zaman noktaları) her alt grup için ayrı veri yapılarında saklayın.
7. Tüm denemeler gruplandırıldığında döngüden çıkın.
Yörüngelerin görselleştirilmesi
1. Verileri segmentlere ayırdıktan sonra, fare yörüngelerini görselleştirmek için aşağıdaki adımları uygulayın.
2. Yanıt yörüngelerine zaman enterpolasyonu uygulamak için, her deneme için yörünge dizisinden 101 (x,y) çifti seçin, böylece her veri alt grubunun eşit sayıda zaman adımına sahip denemeleri olur.
  NOT: Çift sayısını 101'e sabitlerken, doğru zaman normalleştirmesi yapmak için³²kuralını izlediğinizden emin olun. Bu nedenle, n'nin bir yörünge dizisindeki örneklerin sayısı olduğu aşağıdaki denklemi kullanarak zaman normalizasyonu elde edin:
3. 101 zaman noktasının her birinde (x,y) çiftlerinin toplamını hesaplayın ve ardından elde edilen sonucu, her bir alt grup için araçları elde etmek üzere bu alt grubun toplam deneme sayısına bölün (örneğin, Düşük Aktörü Deneyimleyin1 veya Düşük Aktörü Deneyimleyin2).
4. Ortalama yörüngeleri görselleştirmek için satır değerlerine bir ölçeklendirme işlemi uygulayın.
  NOT: 2B koordinat düzlemi, her iki eksenin de pencerenin sol alt köşesinde bulunan sıfır noktasından arttığını varsayar (koordinatların pozitif tamsayılar olduğu varsayılarak), piksel biçimi ise pencerenin sol üst köşesini referans olarak alır (örneğin, sıfır noktası). Bu nedenle, her denemenin örneklenmiş y-koordinatını toplam satır sayısının değerinden çıkararak örneklenen konumların y-koordinatları (piksel biçimindeki satır değerlerine karşılık gelen) için bir ölçeklendirme işlemi uygulayın.
5. Karşılaştırma için ilgili alt grupları aynı şekilde çizin.
  NOT: Her yörünge, START etiketli alt merkezde bulunan dikdörtgenin merkezinde başlar ve sol üst veya sağ üst köşelerde bulunan dikdörtgenlerin içinde sona erer.

6. Sistem arızasına yol açabilecek durumlar ve önlemler

NOT: Sistem arızası durumunda, aktöre arıza hakkında bilgi vermek ve katılımcının göremeyeceği bir yerde kalmaları için uyarmak için fiziksel bir işarete (zil çalmak) sahip olmak çok önemlidir.

Ağ bağlantısından kaynaklanan arızalar
1. Bilgisayarlardan biri farklı bir ağa bağlıysa, TCP/IP bağlantı isteği başarısız olur ve sistem bir hata gösterir. Bunu önlemek için, Experimenter PC ve Actor PC'nin aynı kablosuz ağın aynı bandında olduğundan emin olun.
2. Her iki bilgisayarın da aynı ağda kalmasını sağlamak için, önceden bağlanmış kablosuz ağları her iki bilgisayardan da silin.
3. Bir ağdaki IP adresleri önceden bildirilmeksizin değişebileceğinden, seçilen ağdaki aygıtlar için statik IP adresleri ayarlayın.
4. Ağa herhangi bir anlık bağlantı kesilmesi (örneğin, elektrik kesintisi, İnternet kesintisi vb. nedenlerle) komut dosyasının arızalanmasına neden olabilir. Bu gibi durumlarda, TCP/IP bağlantısının yeniden kurulması için sistemin en baştan yeniden başlatılması gerekir.
  NOT: Cihazlar için statik IP gereksinimi İnternet servis sağlayıcısı tarafından karşılanabilir. Belirli bağlantı noktaları, işletim sistemi veya belirli bir aygıttaki donanım tarafından devre dışı bırakılmış olabilir; Bu nedenle, denemede kullanılacak bağlantı noktaları açılmalı ve deneme komut dosyası başlatılana kadar etkin bir bağlantıya sahip olmamalıdır.
Yazılım çökmelerinden kaynaklanan hatalar
1. Yazılım ortamı başarısız bağlantılar nedeniyle çökebilir (örneğin, seri bağlantı noktası bağlantısı, TCP/IP bağlantısı, ekran bağlantısı vb.) ve bu da veri kaybına neden olabilir. Bunun üstesinden gelmek için, ana deneme komut dosyasını birden çok komut dosyasına bölün. Örneğin, aktörler eylemleri gerçekleştirmeye başlamadan önce tamamlanması gereken bir blok varsa, bu blok sırasında Deneyci Bilgisayarında bir sunucu oluşturmaya gerek yoktur. Sunucu, eylemleri içeren ve bu nedenle Experimenter PC ile Actor PC arasında iletişim gerektiren blok başlamak üzere olduğunda oluşturulabilir.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Yanıt süresi (RT) karşılaştırmaları
Mevcut çalışma devam eden bir projedir, bu nedenle, temsili sonuçlar olarak, deneyin ana bölümünden (Deney Bölüm 3) veriler sunulmaktadır. Bu veriler, yaşları 18-28 arasında değişen 23 kadın ve 17 erkek olmak üzere 40 katılımcıdan alınmıştır (M = 22.75, SD = 3.12).

Analizler için uygun istatistiksel yöntemi seçmek için bağımlı değişkenlerin dağılımının normalliğinin kapsamının araştırılması gerekliydi. Bu nedenle, Shapiro-Wilk testi, üç bağımlı değişkenin, yani tepki süresi (RT), maksimum sapma (MD) ve eğrinin altındaki alanın (AUC) normal olarak dağıtılıp dağıtılmadığını anlamak için yapıldı. Skorlar, yanıt süresi verilerinin, W = 0.56, p < 0.001, maksimum sapma, W = 0.56, p < 0.001 ve eğrinin altındaki alan, W = 0.71, p < 0.001, hepsinin anlamlı derecede normal olmadığını göstermiştir.

Bağımlı değişkenlerin varyanslarının homojenliği, bağımsız değişkenlerin seviyeleri için Levene'nin testi uygulanarak da kontrol edildi, yani Aktör Tipi (Aktör1 ve Aktör2) ve Eylem Sınıfı (Eylem Sınıfı1 ve Eylem Sınıfı2). Yanıt süresindeki puanlar için, varyanslar Aktör1 ve Aktör2 için benzerdi, F(1, 1260) = 0.32, p = 0.571, ancak Eylem Sınıfı1 ve Eylem Sınıfı2 için varyanslar anlamlı derecede farklıydı, F(1, 1260) = 8.82, p = 0.003. Maksimum sapma puanları için, varyanslar Aktör1 ve Aktör2 için benzerdi, F(1, 1260) = 3.71, p = 0.542, ancak Eylem Sınıfı1 ve Eylem Sınıfı2 için varyanslar anlamlı derecede farklıydı, F (1, 1260) = 7.51, p = 0.006. Eğrinin altındaki alandaki puanlar için, varyanslar Eylem Sınıfı1 ve Eylem Sınıfı2 için benzerdi, F(1, 1260) = 3.40, p = 0.065, ancak Aktör1 ve Aktör2 için varyanslar anlamlı derecede farklıydı, F (1, 1260) = 4.32, p = 0.037.

Bu çalışmadaki veriler, düzenli ANOVA'nın (varyans analizi) varyans varsayımlarının normal dağılımını ve homojenliğini karşılamadığından ve sürekli bir sonuç üzerinde dört bağımsız grubumuz olduğundan, bir ANOVA'nın parametrik olmayan eşdeğeri olan Kruskal-Wallis testi uygulanmıştır. Dört bağımsız grup, iki önceden zorlanmış blok boyutu (Ajans ve Deneyim) içindeki iki kategorik yanıt değişkeninden (Yüksek veya Düşük) türetilmiştir. Bağımlı değişkenlerin boyutlar arasında katılımcı yanıtları arasında nasıl farklılık gösterdiğiyle ilgilendiğimizden, veriler Ajans boyutundaki yanıtlara göre Ajans-Yüksek ve Ajans-Düşük ve Deneyim-Yüksek ve Deneyim-Düşük dahil olmak üzere Deneyim boyutunda dört alt gruba ayrıldı. Aşağıda, üç bağımsız değişken için Kruskal-Wallis testlerinin sonuçları sunulmuştur. Her durumda, anlamlılık eşiği p < 0.05 olarak belirlendi.

Yanıt süresi sonuçları
Şekil 6, katılımcıların yanıt sürelerini dört blok boyutunda Yüksek veya Düşük yanıtlarına göre göstermektedir. Katılımcıların yanıt süreleri, iki bağımsız değişkenin her seviyesi için sunulur: Aktör Türü ve Eylem Sınıfı. A1 ve A2 sırasıyla Aktör 1 ve Aktör 2'yi temsil ederken, AC1 ve AC2 sırasıyla Eylem Sınıfı 1 ve Eylem Sınıfı 2'yi temsil eder.

Şekil 6: Katılımcıların aktör türü ve eylem sınıfı genelinde görevdeki yanıt süreleri. Her panel, katılımcıların belirli bir boyutun (Ajans ve Deneyim) seviyelerinden birine (Yüksek veya Düşük) yanıt vermek için harcadıkları zamanı gösterir. Yıldız işaretleri, aktör türü veya eylem sınıfı düzeyleri arasında anlamlı farklılıklar gösterir (p < .05). Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Yanıt süreleri, Ajans-Yüksek, H(1) = 1,03, p = 0,308, Ajans-Düşük, H(1) = 2,84, p = 0,091 ve Deneyim-Yüksek, H(1) = 0,001, p = 0,968 yanıtları için aktör türünden anlamlı olarak etkilenmedi, ancak Deneyim-Düşük yanıtlar için aktör türünden önemli ölçüde etkilendi, H(1) = 8,54, p = 0,003. Wilcoxon imzalı rütbe testi, aktör tipinin Deneyim-Düşük cevaplar üzerindeki etkisini araştırmak için hesaplandı. Aktör1 için medyan yanıt süresi (Mdn = 1.14), Aktör2 (Mdn = 1.31), W = 8727, p = 0.001 için medyan yanıt süresinden anlamlı derecede daha kısaydı.

Yanıt süreleri, Ajans-Düşük, H(1) = 1,99, p = 0,158 ve Deneyim-Yüksek, H(1) = 0,17, p = 0,675 yanıtları için eylem sınıfından önemli ölçüde etkilenmedi, ancak Ajans-Yüksek, H(1) = 10,56, p = 0,001 ve Deneyim-Düşük, H(1) = 5,13, p = 0,023, yanıtlar. Wilcoxon işaretli sıralama testinin sonuçları, Ajans-Yüksek yanıtlar için, Eylem Sınıfı1 (Mdn = 1.30) için medyan yanıt süresinin, Eylem Sınıfı2 (Mdn = 1.17 ), W = 17433, p = 0.0005; Ek olarak, Deneyim-Düşük yanıtlar için, Eylem Sınıfı1 (Mdn = 1,44) için medyan yanıt süresi, Eylem Sınıfı2 (Mdn = 1,21), W = 10002, p = 0,011 için medyan yanıt süresinden anlamlı derecede daha uzundu.

Fare izleme sonuçları
Katılımcıların nihai tepkilerine karar verirken fare hareketleri de kaydedildi. Katılımcıların ortalama motor yörüngelerini hesaplamak için zaman ve konum bilgileri toplandı. Kayıt, katılımcılar ekrandaki sözlü uyaranları gördüklerinde başladı ve ekranın sağ üst veya sol üst köşelerindeki seçeneklerden birine (Yüksek veya Düşük) tıklayarak yanıt verdiklerinde sona erdi.

Şekil 7, katılımcıların fare hareketlerinin maksimum sapmalarını, dört blok boyutunda Yüksek veya Düşük tepkilerine göre göstermektedir. Katılımcıların seçilen yanıtın idealize edilmiş düz çizgisinden seçilmemiş alternatif cevaba doğru maksimum sapmaları, iki bağımsız değişkenin her seviyesi için sunulur: Aktör Türü ve Eylem Sınıfı. A1 ve A2 sırasıyla Aktör 1 ve Aktör 2'yi temsil ederken, AC1 ve AC2 Eylem Sınıfı 1 ve Eylem Sınıfı 2'yi temsil eder, sırasıyla.

Şekil 7: Katılımcıların fare yörüngelerinin aktör türü ve eylem sınıfı arasındaki maksimum sapması. Her panel, katılımcıların seçilen yanıtın idealize edilmiş düz çizgisinden seçilmemiş alternatif yanıta doğru maksimum sapmasını gösterirken, belirli bir boyut (Ajans ve Deneyim) için seviyelerden birine (Yüksek veya Düşük) yanıt verir. Yıldız işaretleri, aktör türü veya eylem sınıfı düzeyleri arasında anlamlı farklılıklar gösterir (p < .05). Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Maksimum sapmalar, Ajans-Yüksek, H(1) = 1.42, p = 0.232, Ajans-Düşük, H(1) = 0.19, p = 0.655 ve Deneyim-Yüksek, H(1) = 0.12, p = 0.720, yanıtlar için aktör türünden anlamlı olarak etkilenmedi, ancak Deneyim-Düşük yanıtlar için aktör türünden önemli ölçüde etkilendi, H(1) = 7.07, p = 0,007. Aktör tipinin Deneyim-Düşük cevaplar üzerindeki etkisini araştırmak için bir Wilcoxon imzalı rütbe testi yapıldı. Aktör1 için medyan maksimum sapma (Mdn = 0.03), Aktör2 için medyan maksimum sapmadan (Mdn = 0.05), W = 8922, p = 0.003 için anlamlı derecede daha kısaydı.

Maksimum sapmalar, Ajans-Yüksek, H(1) = 0,37, p = 0,539 ve Deneyim-Yüksek, H(1) = 1,84, p = 0,174, yanıtlar için eylem sınıfından önemli ölçüde etkilenmedi, ancak Ajans-Düşük, H(1) = 8,34, p = 0,003 ve Deneyim-Düşük, H(1) = 11,53, p = 0,0006, yanıtlar. Wilcoxon işaretli sıralama testinin sonuçları, Ajans-Düşük yanıtlar için, Eylem Sınıfı1 (Mdn = 0.06) için medyan maksimum sapmanın, Eylem Sınıfı2 (Mdn = 0.02), W = 12516, p = 0.0019 için medyan maksimum sapmadan anlamlı derecede daha uzun olduğunu göstermiştir. Ek olarak, Deneyim-Düşük yanıtları için, Eylem Sınıfı1 için medyan maksimum sapma (Mdn = 0,09), Eylem Sınıfı2 (Mdn = 0,03), W = 10733, p = 0,0003 için medyan maksimum sapmadan anlamlı derecede daha uzundu.

Şekil 8 , katılımcıların fare yörüngelerinin eğrisi altındaki alanları, Yüksek veya Düşük yanıtlarına göre dört blok boyutunda göstermektedir. Seçilen yanıtın idealize edilmiş düz çizgisine atıfta bulunarak katılımcı yanıtlarının eğrisi altındaki alanlar, iki bağımsız değişkenin her seviyesi için sunulur: Aktör Türü ve Eylem Sınıfı. A1 ve A2 sırasıyla Aktör 1 ve Aktör 2'yi temsil ederken, AC1 ve AC2 Eylem Sınıfı 1 ve Eylem Sınıfı 2'yi temsil eder, sırasıyla.

Şekil 8: Katılımcıların fare hareketlerinin idealize edilmiş yörüngesine göre eğrinin altındaki alanlar. Her panel, katılımcılar belirli bir boyuttaki (Ajans veya Deneyim) seviyelerden birine (Yüksek veya Düşük) yanıt verirken eğrinin altındaki alanı gösterir. Yıldız işaretleri, aktör türü veya eylem sınıfı düzeyleri arasında anlamlı farklılıklar gösterir (p < .05). Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Eğrilerin altındaki alanlar Ajans-Yüksek, H(1) = 0.001, p = 0.968, Ajans-Düşük, H(1) = 0.047, p = 0.827 ve Deneyim-Yüksek, H(1) = 0.96, p = 0.324, yanıtlar için aktör türünden anlamlı olarak etkilenmedi, ancak Deneyim-Düşük yanıtlar için aktör türünden anlamlı olarak etkilendiler, H(1) = 8.51, p = 0,003. Wilcoxon imzalı rütbe testi, aktör tipinin Deneyim-Düşük cevaplar üzerindeki etkisini araştırmak için hesaplandı. Actor1 eğrisinin altındaki medyan alan (Mdn = −0.03), Actor2 (Mdn = 0.02), W = 8731, p = 0.0017 eğrisinin altındaki medyan alandan anlamlı olarak daha snallerdi.

Eğrilerin altındaki alanlar, Ajans-Yüksek yanıtlar için eylem sınıfından anlamlı olarak etkilenmedi, H(1) = 0.01, p = 0.913, ancak Ajans-Düşük, H(1) = 7.54, p = 0.006, Deneyim-Yüksek, H(1) = 5.87, p = 0.015 ve Deneyim-Düşük, H(1) = 15.05, p = 0.0001, yanıtlar. Wilcoxon işaretli sıralama testinin sonuçları, Ajans-Düşük yanıtlar için, Eylem Sınıfı1 eğrisi altındaki medyan alanın (Mdn = 0.03), Eylem Sınıfı2 eğrisi altındaki medyan alandan anlamlı derecede daha büyük olduğunu göstermiştir (Mdn = -0.03), W = 12419, p = 0.003 ve Deneyim-Yüksek yanıtlar için, Eylem Sınıfı1 eğrisinin altındaki medyan alan (Mdn = −0.06), Eylem Sınıfı2 (Mdn = -0.02), W = 9827, p = 0.007 için medyan maksimum sapmadan anlamlı derecede küçüktü. Deneyim-Düşük yanıtlar için, Eylem Sınıfı1 eğrisinin altındaki medyan alan (Mdn = 0.05), Eylem Sınıfı2 eğrisinin altındaki medyan alandan anlamlı olarak daha büyüktü (Mdn = -0.03), W = 11049, p < 0.0001.

Temsili sonuçların özeti ve değerlendirilmesi
Bu devam eden bir çalışma olduğundan, büyük ölçekli veri toplama sonunda sahip olacağımız verilerin temsili bir kısmı sunulmuştur. Bununla birlikte, bu örnek veriler bile bu çalışmada önerilen yöntemin etkinliğini desteklemektedir. Gerçek zamanlı eylemleri izledikten sonra yanıtlarını verirken katılımcıların yanıt sürelerini ve fare yörüngelerini elde edebildik. Tüm bu adımları aynı ekrandan tamamlayabildik, böylece katılımcılar gerçek aktörleri izlemek ve fareye cevap vermek arasında bir yöntem değiştirmediler, böylece deneylerdeki prosedürleri gerçek hayat senaryolarına genişletmemize izin verdiler.

Tablo 1 , fare yörüngelerinin yanıt süreleri, MD ve AUC'si de dahil olmak üzere bağımlı önlemlerin, çalışmanın ana bağımsız değişkenleri olan aktör türü ve eylem sınıfından nasıl etkilendiğinin sonuçlarını özetlemektedir.

	Yanıt Süresi (RT)		Maksimum Sapma (MD)		Eğrinin Altındaki Alan (AUC)
	Aktör Türü	Eylem Sınıfı	Aktör Türü	Eylem Sınıfı	Aktör Türü	Eylem Sınıfı
Ajans Yüksek	Ns	AC1 > AC2***	Ns	Ns	Ns	Ns
Ajans Düşük	Ns	Ns	Ns	AC1 > AC2**	Ns	AC1 > AC2**
Yüksek Deneyimi Yaşayın	Ns	Ns	Ns	Ns	Ns	AC1 > AC2**
Düşük Deneyimi Yaşayın	A2 > A1***	AC1 > AC2*	A2 > A1**	AC1 > AC2***	A2 > A1**	AC1 > AC2****

Tablo 1: Sonuçların özeti. Tablo, bağımlı ölçümlerin (fare yörüngelerinin yanıt süreleri, MD ve AUC) çalışmanın ana bağımsız değişkenlerinden (aktör türü ve eylem sınıfı) nasıl etkilendiğini göstermektedir. *, ** ve *** sırasıyla p ≤ 0.05, p ≤ 0.01 ve p ≤ 0.001 anlamlılık seviyelerini temsil eder.

Aktör tipi, katılımcıların yanıt süreleri üzerinde önemli bir etkiye sahipti; Deneyim boyutunda Düşük kapasite atarken, aynı durumdaki Aktör1'e kıyasla Aktör2 için bunu yapmak için daha fazla zaman harcadılar (bkz. Şekil 6D). Bu daha uzun tepki süresini, MD ve AUC'ye dayalı fare hareketlerinin ölçümlerinde de gözlemledik (yörüngeler için Şekil 9'a bakınız). Düşük yanıtlara yönelik fare yörüngelerinin MD'leri (bkz. Şekil 7D) anlamlı derecede yüksekti ve katılımcılar Aktör 1'e kıyasla Aktör2'yi değerlendirirken fare yörüngelerinin AUC'leri (bkz. Şekil 8D) anlamlı derecede daha büyüktü (bkz. Şekil 9A, B'deki mavi çizgileri karşılaştırarak).

Şekil 9: Deneyim boyutunda Aktör1 ve Aktör2 tarafından gerçekleştirilen eylemleri değerlendirirken katılımcıların ortalama fare yörüngeleri. Turuncu çizgiler, farenin Yüksek yanıtlara doğru ortalama yörüngelerini gösterir; mavi çizgiler, farenin Düşük yanıtlara doğru ortalama yörüngelerini gösterir. Siyah kesikli düz çizgiler idealize edilmiş tepki yörüngelerini temsil ederken, gri gölgeli alanlar kök ortalama kare standart sapmaları temsil eder. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Katılımcıların yanıt süreleri, Ajans boyutunda Eylem Sınıfı1'e ait eylemlere Yüksek yanıt verirken (bkz. Şekil 6A), Eylem Sınıfı2'ye ait eylemlerden önemli ölçüde daha yüksekti; ancak, bu daha uzun tepki süreleri MD (bakınız Şekil 7A) ve AUC ölçümlerinde (bakınız Şekil 8A) gözlenmemiştir. Deneyim boyutunda Eylem Sınıfı1'e Düşük yanıt verirken, katılımcılar Eylem Sınıfı2 (bkz. Şekil 6D) için harcadıklarından önemli ölçüde daha fazla zaman harcadılar ve bu durum MD (bkz. Şekil 7D) ve AUC (bkz. Şekil 8D) puanlarında da belirgindi. Şekil 10, fare yörüngelerinin Düşük yanıtlara doğru MD'lerinin (bkz. Şekil 7D) önemli ölçüde daha yüksek olduğunu ve katılımcılar Eylem Sınıfı1'e ait eylemleri değerlendirirken fare yörüngelerinin AUC'lerinin (bkz. Şekil 8D) Eylem Sınıfı2'ye kıyasla (Şekil 10A, B'deki mavi çizgileri karşılaştırarak) önemli ölçüde daha büyük olduğunu göstermektedir.

Şekil 10: Deneyim boyutunda Eylem Sınıfı1 ve Eylem Sınıfı2'ye ait eylemleri gerçekleştiren aktörleri değerlendirirken katılımcıların ortalama fare yörüngeleri. Turuncu çizgiler, farenin Yüksek yanıtlara doğru ortalama yörüngelerini gösterir; mavi çizgiler, farenin Düşük yanıtlara doğru ortalama yörüngelerini gösterir. Siyah kesikli düz çizgiler idealize edilmiş tepki yörüngelerini temsil ederken, gri gölgeli alanlar kök ortalama kare standart sapmaları temsil eder. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Eylem sınıfının diğer blok-yanıt kombinasyonları için tepki süresi ölçümleri üzerinde anlamlı bir etkisi gözlenmemesine rağmen, Ajans boyutundaki Düşük cevapların MD (bkz. Şekil 7B) ve AUC (bkz. Şekil 8B) puanlarında eylem sınıfının anlamlı bir etkisi gözlenmiştir. Şekil 11, katılımcıların Yüksek alternatife karşı tereddüt ettiklerini ve Eylem Sınıfı1'deki eylemleri değerlendirirken Eylem Sınıfı2'dekilere kıyasla Düşük yanıta doğru daha fazla ilerlediklerini göstermektedir ( Şekil 11A, B'deki mavi çizgileri karşılaştırarak). Son olarak, Deneyim boyutundaki Yüksek yanıtlar için eylem sınıfının RT ve MD puanları üzerinde anlamlı bir etkisi olmamasına rağmen, yörüngelerin AUC'leri (bkz. Şekil 8C) için anlamlı bir etki gözlenmiştir (bkz. Şekil 10); Özellikle, katılımcılar Eylem Sınıfı2'yi değerlendirirken Eylem Sınıfı1'e kıyasla daha fazla tereddüt etmişlerdir ( Şekil 10A, B'deki turuncu çizgileri karşılaştırarak).

Şekil 11: Ajans boyutunda Eylem Sınıfı1 ve Eylem Sınıfı2'ye ait eylemleri gerçekleştiren aktörleri değerlendirirken katılımcıların ortalama fare yörüngeleri. Turuncu çizgiler, farenin Yüksek yanıtlara doğru ortalama yörüngelerini gösterir; mavi çizgiler, farenin Düşük yanıtlara doğru ortalama yörüngelerini gösterir. Siyah kesikli düz çizgiler idealize edilmiş tepki yörüngelerini temsil ederken, gri gölgeli alanlar kök ortalama kare standart sapmaları temsil eder. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şimdiye kadarki sonuçlar, aktör tipi ve eylem sınıfının bir etkisi olacağını ve aynı aktör ve eylem sınıfı için Yüksek ve Düşük yanıtlar için bağımlı ölçümlerin Ajans ve Deneyimin blok boyutları arasında farklılık göstereceğini öne süren hipotezlerimizi desteklemektedir. Bu devam eden bir çalışma olduğundan, bulguların olası nedenlerini tartışmak bu makalenin kapsamı dışındadır. Bununla birlikte, erken bir açıklama olarak, tepki süresi için bazı sonuçlar ve bilgisayar fare takibinden gelen ölçümler birbirini tamamlasa da, bazı blok yanıt koşullarında, katılımcıların değerlendirmelerinde hızlı olsalar bile diğer alternatife karşı tereddüt ettiklerini gözlemledik.

Kuruluma özel bir OLED ekran dahil edilmediyse, katılımcıların yanıt süreleri, basılacak düğmeler gibi diğer bazı araçlarla toplanabilir. Bununla birlikte, katılımcıların fare hareketleri, ek bir ekran sağlamadan ve katılımcıların bu ekranı ve gerçek aktörleri ileri geri izlemelerini sağlamadan izlenemezdi, bu da yanıtlarını geciktirirdi. Bu nedenle, yanıt süreleri karar verme sürecinin zorluğunun yararlı göstergeleri olsa da, katılımcıların fare yörüngeleri, nihai yanıtlarından önce karar süreçlerinin gerçek zamanlı dinamikleri hakkında daha fazla bilgi vermektedir^32,34.

Ek Kodlama Dosyası 1: ExperimentScript1.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 2: ExperimentScript2.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 3: ExperimentScript3.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 4: RecordMouse.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 5: InsideROI.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 6: RandomizeTrials.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 7: RandomizeBlocks.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 8: GenerateResponsePage.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 9: GenerateTextures.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 10: ActorMachine.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 11: MatchIDtoClass.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 12: RandomizeWordOrder.m Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 13: ExperimentImages.mat dosyası Bu dosyayı indirmek için lütfen buraya tıklayın.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Bu çalışmanın genel amacı, insan üst düzey görsel algı ve bilişinin gerçek yaşam durumlarında nasıl çalıştığına dair anlayışımıza katkıda bulunmaktır. Bu çalışma, eylem algısına odaklanmış ve araştırmacıların laboratuvar ortamında gerçek aktörleri sunarak bireylerin başkalarının eylemlerini nasıl algıladıklarını ve değerlendirdiklerini test etmelerini sağlayan doğalcı ancak kontrol edilebilir bir deneysel paradigma önermiştir.

Bu önerilen metodolojinin mevcut metodolojilere kıyasla önemi üç katlıdır. (1) Uyaranların doğallığı, katılımcılara canlı eylemler sunularak en üst düzeye çıkarılır. (2) Gerçek dünyadaki uyaranlar (yani aktörler), diğer sözel uyaranlar (örneğin, kelimeler veya talimatlar) ve aktörler ve eylemler tepki ekranı aynı yöntem (yani dijital OLED ekran) kullanılarak sunulur, böylece katılımcılar modaliteyi değiştirirken odaklarını kaybetmezler, örneğin deklanşör camı kullanımında olduğu gibi, örneğin³⁵. (3) Sıkı zaman kontrolü gerektiren tepki süresi ve fare yörüngeleri hakkındaki veriler gibi zamana duyarlı veriler, günümüz dünyasının doğal bir görevi olan fare kullanımı kullanılarak kaydedilir.

Protokoldeki bazı kritik adımlar, bu paradigmanın sorunsuz çalışması ve araştırmacıların katılımcılar için iyi bir deneyim sunarken hedeflerine ulaşmalarına izin vermesi için önemlidir. Bu adımlar böyle bir sistem oluşturmak için eşit derecede önemlidir, bu nedenle bunları kritiklik seviyelerine göre sıralamadan ayrı ayrı sunuyoruz.

İlk kritik adım, odanın aydınlatmasının manipüle edilmesi ve katılımcı ekran ekranı için kullanılan arka planın renginin değiştirilmesi ile ilgilidir. Bu adım, gerçek zamanlı eylem performansı ile her eylem denemesinin ardından yanıt ekranı arasında sorunsuz bir geçiş sağlar. Odadaki tüm ışıklar kapatıldığında ve ekran arka planı beyaza ayarlandığında,% 100 opaklık elde edilir, böylece çalışma talimatları ve sözlü uyaranlar arka plandaki hareketlerden kaynaklanabilecek herhangi bir dikkat dağıtıcı unsur olmadan görüntülenebilir. Ekranı şeffaf hale getirmek ve eylem uyaranlarından hemen sonra sözlü uyaranları sunmak için, tavanlardaki LED ışıkları yanarken, ön ışıklar şeffaf bir ekrana sahip olmak için kapalı tutulur. Aydınlatma devresi, odada uygun ışık manipülasyonu için gereklidir. Laboratuvarın önündeki (Katılımcı Alanı) ve arkasındaki (Aktör Alanı) floresan ışıklar yandığında, aktörün görüntüleri biraz eğilmiş gibi görünüyor ve katılımcı kendisinin ve odanın yansımasını görüyor. Katılımcı alanındaki ön ışıklar kapalı olduğunda ve aktör alanındaki LED ışıklar yandığında, katılımcı herhangi bir dikkat dağıtıcı unsur olmadan oyuncuları net bir şekilde izleyebilir. Şekil 1 ve Şekil 3 , deneyde ışık manipülasyonlarının nasıl çalıştığını göstermektedir.

Protokoldeki ikinci kritik adım zamanın kontrolüdür. Eylemler 6 saniye sürer ve ekranın arkasındaki aydınlatma, eylemlerin sürelerine göre otomatikleştirilir, böylece denemeler arasında herhangi bir gecikme veya hızlanma yaşamayız. Bununla birlikte, bloklar arasındaki süre manuel olarak kontrol edilir (yani, bir aktör değişikliğine ihtiyacımız olduğunda), böylece sahne arkasında her şeyin planlandığı gibi gidip gitmediğini kontrol ettikten sonra bir sonraki bloğa başlayabiliriz. Bu süre aynı zamanda su ihtiyacı veya odadaki sıcaklıktaki değişiklik gibi katılımcılardan veya aktörlerden gelen talepler için de uygundur.

Üçüncü kritik adım, güvenlik kamerasının ve zilin kullanımıyla ilgilidir. Güvenlik kamerası, deney iletkeni ve aktörler arasındaki iletişimi sağlar. Deneyci, oyuncunun hazır olup olmadığı veya doğru aktörün sahnede olup olmadığı gibi sahne arkasında neler olup bittiğini sürekli olarak kontrol eder. Aktörler, eylemleri gerçekleştirmeye hazır olduklarında ellerini sallar ve bir sorun olduğunda çapraz işaret yaparlar. Deneyci, bir kulağında küpe unutmak gibi bir aktörün görünümüyle ilgili bir sorun olup olmadığını bile fark edebilir. Zil, deneycinin oyuncuları olası bir sorun hakkında uyarmasını sağlar. Zili duyduklarında, oyuncular önce kendileriyle ilgili bir şeylerin yanlış olup olmadığını kontrol ederler ve eğer durum buysa, sorunu düzeltirler ve deneyciye hazır olduklarını söylerler. Deneyci tarafında bir sorun varsa, aktörler deneycinin konuyu katılımcıya açıklamasını dinler. İnternet bağlantısını kaybettikten sonra yeniden bağlanmak gibi sorunu çözmek için deneyci sahne arkasına gelene kadar sessizce beklerler.

Dördüncü adım, odayı bölmek için ağır, karartma perdesinin kullanılmasıyla ilgilidir, çünkü böyle bir malzeme ışığın odanın ön kısmına sızmasını önler. Bu perde aynı zamanda sesi bir dereceye kadar engeller, böylece katılımcılar oyuncuların küçük hareketlerini ve bir sorun durumunda deneyci ile aktörler arasındaki sessiz konuşmaları duymazlar.

Beşinci adım, Aktör PC'nin dahil edilmesi ve TCP / IP'nin ağ protokolü olarak kurulmasıdır, çünkü bu, mesajların UDP'den farklı olarak diğer uca teslim edilmesini garanti eder. Bu sayede oyuncular gerçekleştirecekleri bir sonraki eylem hakkında bilgilendirilebilmekte ve katılımcılar bunu kendi bakış açılarından fark etmemektedirler. Ayrıca, tüm cihazlar aynı ağda olduğundan, TCP / IP'nin neden olduğu olası ek gecikmeler ihmal edilebilir hale gelir.

Protokoldeki altıncı önemli adım, bloklar arasına fon müziğinin dahil edilmesidir. Müziği ve blokları, katılımcı bir bloktaki son denemeye cevap verdiğinde, müzik yüksek sesle çalmaya başlayacak şekilde (% 80 maksimum ses seviyesinde) aktörlerin bir değişim zamanının geldiğini bilmeleri ve katılımcıların su içebileceklerini veya gözlerini dinlendirebileceklerini bilmeleri için düzenledik. Müzik çalmak, oyuncular arasında hareketlerini veya diğer sesleri duymadan yumuşak bir geçiş sağlar ve tiyatroda bir oyun izlemeye benzer bir his sağlar.

Bu makalede sunulan natüralist kurulumun, geleneksel laboratuvar deneyleri tarafından ortaya çıkarılan başkalarının eylemlerinin görsel algısının altında yatan mekanizmaların gerçek dünyadaki doğal davranışa yaklaşıp yaklaşmadığını araştırmak için harika bir araç olduğuna inanıyoruz. Gerçek aktörleri ve canlı eylemlerini gözlemlemek, zengin bir 3D görsel ve çok duyusal bilgi kaynağı sağlayacak ve aktörün fiziksel ve sosyal varlığı nedeniyle harekete geçirilebilirlik sağlayacaktır. Bu nedenle, canlı eylemlerin algılanmasının, daha önce statik görüntüler ve videolar kullanan geleneksel laboratuvar deneyleri tarafından ortaya çıkarılan iyi bilinen eylem algı ağında daha hızlı ve gelişmiş davranışsal ve sinirsel tepkiler ortaya çıkarabileceğini varsayıyoruz. Ek olarak, canlı eylemlerin algılanması, 3D derinlik ipuçlarını^36'yı işleyen ek sinir devrelerini ve dünyada hareket etmeye hazırlanırken uzaydaki vücudu koordine etmek için vestibüler bilgileri yönlendirebilir³⁷. Bu çalışmanın bir sınırlaması, natüralist kurulumdaki gerçek aktörlerden gelen tepkilerin, statik görüntüler veya videolar gibi basit uyaranlar için elde edilecek yanıtlarla karşılaştırılmamasıdır. Gelecekteki çalışmalarda, geleneksel laboratuvar ortamlarında eylem algısı sırasındaki davranışsal ve sinirsel tepkileri doğal kurulumdakilerle sistematik olarak karşılaştırarak bu amaç doğrultusunda çalışacağız.

Ayrıca, bu çalışmada önerilen paradigmanın çeşitli cephelerdeki bazı sınırlamalarına da dikkat çekiyoruz. Birincisi, çoğu natüralist çalışma gibi, bu yöntemin de finansal ve zaman kaynakları gerektirmesidir. Böyle bir çalışma, düzenli bir ekranda sunulan önceden kaydedilmiş dinamik uyaranları kullanan çalışmalardan bütçe açısından daha yüksek olacaktır, çünkü bu çalışma gerçek eylemleri görüntülemek için özel ekipman içermektedir ve her veri toplama oturumu için gerçek aktörler çalışmaya katılmaktadır. Ek olarak, bu çalışma için veri toplama süreci, gerçek aktörler eylemleri tekrar tekrar gerçekleştirdiği için daha uzun sürebilir; Bilgisayar ekranlarında sunulan görüntüleri veya videoları kullanan çalışmaların aksine, onlar için fiziksel bir sınır vardır. Bir başka ilgili sınırlama, aktörlerin her eylemi bloklar ve katılımcılar arasında aynı şekilde gerçekleştirmelerini sağlamanın zorluğu olabilir; Bununla birlikte, yeterli eğitimle, aktörler 6 s uzunluğunda oldukları için her eylemde kendilerine güvenebilirler. Gelecekteki çalışmalar canlı eylemleri kaydedebilir ve daha sonra deneylerin farklı denemeleri arasındaki değişkenliği ölçmek için bilgisayar görüşünü kullanabilir.

İkincisi, opak olarak kullanıldığında ekran parlaklığı seviyesi ve opak ve şeffaf ekranlar arasındaki yıldırımdaki hızlı değişiklikler, görsel problemleri veya epilepsi gibi bozuklukları olan katılımcılar için bir soruna neden olabilir. Bu potansiyel sınırlama, katılımcılara böyle bir senaryo hakkında böyle bir rahatsızlıkları veya endişeleri olup olmadığı sorularak ve böyle bir senaryodan rahatsız olmayacaklarını bildirenleri işe alarak ele alındı. Ek olarak, katılımcıların hiçbiri aktör ve blok değişiklikleri sırasında arka planda çaldığımız müzikten şikayet etmedi, ancak bazı katılımcılar bu gürültüden rahatsız olabilir. Bunun için bir çare, gürültü önleyici kulaklıkların kullanılması olabilir. Bununla birlikte, deneycinin çalışma sırasında herhangi bir müdahalesini engelleyebilir veya deney düzeneğinin doğallığını etkileyebilir.

Mevcut paradigmaya başka olası değişiklikler de uygulanabilir; Örneğin, deney tasarımı katılımcıların aktörlerle sözlü olarak etkileşime girmesini gerektiriyorsa, her iki taraf da yaka mikrofonlarını kullanabilir. TCP/IP bağlantıları kurulabildiği sürece tüm ağ bağlantıları kablolu veya kablosuz olabilir. Eylemleri bir bağlamda sunmanın yolları, bunun paradigmanın doğallığını artırmaya yardımcı olup olmayacağını görmek için araştırılabilir ve uygulanabilir.

Mevcut kurulum, önceden tanımlanmış koşullar altında hassas zamanlama ve sıkı bir şekilde kontrol edilen uyaranlar gerektiren bilişsel sinirbilim ve bilişsel psikoloji çalışmaları için ideal bir platform olabilir. Bu, göz izleme, kafa derisi veya intrakraniyal EEG, fNIRS ve hatta MEG gibi teknikleri kullanan çalışmaları, geleneksel kurulumlarla veya bugün daha uygulanabilir olan daha mobil kurulumlarda kullanan çalışmaları içerir³⁸. Bu alanlardan araştırmacılar, odanın aydınlatması veya aktörlerin sayısı gibi kurulumun dış özelliklerini ve sunulacak nesneleri özelleştirebilirler. Diğer bir olasılık, araştırmacıların çalışmalarının ihtiyaçlarına göre daha opak veya şeffaf bir ekran sağlamak için dijital ekranın ekran özelliklerini manipüle edebilmeleridir. Önerilen metodolojinin kullanılabileceği diğer olası araştırma alanları, gerçekçi senaryolarda insanlar ve robotlar arasındaki gerçek zamanlı etkileşimlerin gerekli olduğu insan-robot etkileşim araştırması olabilir.

Sonuç olarak, bilişsel sinirbilimde gerçek dünyadaki durumlara daha çok benzeyen daha natüralist çalışmalara geçme gerekliliği göz önüne alındığında 13,14,15,16,17,18,19,20,21,38 , natüralist beyin-vücut görüntülemedeki önemli teknolojik gelişmeler (örneğin, EEG'nin eşzamanlı kullanımı, hareket yakalama, EMG ve göz izleme) ve derin öğrenmenin insan bilgi işlemesi için temel bir çerçeve olarak kullanılması^39,40^, canlı eylemlerin algısını ve sinirsel temellerini incelemeye başlamak için doğru zaman olduğuna inanıyoruz.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Yazarlar, bu makalede açıklanan araştırma ile ilgili herhangi bir ilgili veya maddi mali çıkarları olmadığını beyan ederler.

Acknowledgments

Bu çalışma Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (Proje no: 120K913) ve Bilkent Üniversitesi'nden Burcu A. Ürgen'e verilen hibelerle desteklenmiştir. Oyuncu değişiklikleri arasına arka plan gürültüsü ekleme fikrini getiren pilot katılımcımız Sena Er Elmas'a, ışık devresini kurduğu için Süleyman Akı'ya, sahne arkasında güvenlik kamerası kullanma fikri ve çalışmadaki oyunculardan biri olarak katkısı için Tuvana Karaduman'a teşekkür ederiz.

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)

DOWNLOAD MATERIALS LIST

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. Dimensions of mind perception. Science. 315 (5812), 619 (2007).
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. Stereoscopically observing manipulative actions. Cerebral Cortex. 26 (8), 3591-3610 (2016).
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).

Neuroscience

Deneysel psikoloji ve bilişsel sinirbilim çalışmalarında gerçek insanları ve canlı eylemleri sunmak için natüralist bir kurulum

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

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