Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Benzerlik Yargılarının Toplanması ve Analizi için Bir Psikofizik Paradigması

2.7K görüntüleme

⸱

DOI:

10.3791/63461

⸱

1 Mart 2022

 , 
1Program in Neuroscience, Weill Cornell Graduate School of Medical Sciences, 2Feil Family Brain and Mind Research Institute, Weill Cornell Medical College

Bu makalede

Özet

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

Özet

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

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

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

Giriş

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

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

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

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

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

1. Kurulum ve kurulum

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

2. Özel bir deneme oluşturarak veri toplama

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

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

3. Sıralama denemeleri oluşturma

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

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

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

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

4. Denemeyi çalıştırma ve benzerlik verilerini toplama

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

5. Benzerlik yargılarını analiz etme

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

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

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Deneysel paradigma: Önerilen yöntem, 37 hayvan adından oluşan bir etki alanı kullanılarak gösterilmiştir ve 5. adımdaki analizi takip edebilmeniz ve Şekil 3-6'nın böl...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarların açıklayacak hiçbir şeyleri yoktur.

Teşekkürler

Çalışma, Ulusal Sağlık Enstitüleri'nin (NIH) finansmanıyla destekleniyor, hibe EY07977. Yazarlar ayrıca yazılımı test etmedeki yardımı için Usman Ayyaz'a ve el yazması hakkındaki yorumları için Muhammed Naeem Ayyaz'a teşekkür eder.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Bilgisayar İş İstasyonuN/AN/Aişletim sistemi: Windows/ MacOS 10 veya üstü/ Linux; 3.1 GHz Çift Çekirdekli Intel Core i5 veya benzeri; 8 GB veya daha fazla bellek; Dosyaları yazmak ve yürütmek için kullanıcı izinleri
condaSürüm 4.11İşletim Sistemi: Windows/ MacOS 10 veya üstü/ Linux
Microsoft ExcelMicrosoftHerhangi Denemekoşulları dosyalarında satırları ve sütunları açmak ve karıştırmak için.
PsychoPyN/ASürüm 2021.2Psikofiziksel çalışmaları yürütmek için çerçeve
Python 3Python Yazılım VakfıPython Sürüm 3.8Python3 ve ilişkili yerleşik kitaplıklar
Gerekli Python KitaplıklarıN/A Numpysürümü: 1.17.2 veya üstü; matplotlib sürüm 3.4.3 veya üstü; Scipy sürüm 1.3.1 veya üstü; Pandas sürüm 0.25.3 veya üstü; Seaborn sürüm 0.9.0 veya üstü; scikit_learn sürümü 0.23.1 veya üstü; YAML sürüm 6.0 veya üstü Numpy, Scipy ve scikit_learn, optimizasyon ve vektör işlemleri için yerleşik işlevlere sahip bilgi işlem modülleridir. Matplotlib ve Seaborn kütüphaneleri çiziyor. Pandas, CSV dosyalarındaki verileri okumak ve düzenlemek için kullanılır.

Kaynaklar

  1. Edelman, S. Representation is representation of similarities. TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).
  2. Hahn, U., Chater, N. Concepts and similarity. Knowledge, Concepts and Categories. , The MIT Press. 43-84 (1997).
  3. Kriegeskorte, N., Kievit, R. A. Representational geometry: integrating cognition, computation, and the brain. Trends in Cognitive Sciences. 17 (8), 401-412 (2013).
  4. Hebart, M. N., Zheng, C. Y., Pereira, F., Baker, C. I. Revealing the multidimensional mental representations of natural objects underlying human similarity judgements. Nature Human Behaviour. 4 (11), 1173-1185 (2020).
  5. Deng, W. S., Sloutsky, V. M. The development of categorization: Effects of classification and inference training on category representation. Developmental Psychology. 51 (3), 392-405 (2015).
  6. Shepard, R. N. Stimulus and response generalization: tests of a model relating generalization to distance in psychological space. Journal of Experimental Psychology. 55 (6), 509-523 (1958).
  7. Coombs, C. H. A method for the study of interstimulus similarity. Psychometrika. 19 (3), 183-194 (1954).
  8. Gärdenfors, P. Conceptual Spaces: The Geometry of Thought. , The MIT Press. (2000).
  9. Zaidi, Q., et al. Perceptual spaces: mathematical structures to neural mechanisms. The Journal of Neuroscience The Official Journal of the Society for Neuroscience. 33 (45), 17597-17602 (2013).
  10. Krishnaiah, P. R., Kanal, L. N. Handbook of Statistics 2. , Elsevier. (1982).
  11. Tsogo, L., Masson, M. H., Bardot, A. Multidimensional Scaling Methods for Many-Object Sets: A Review. Multivariate Behavioral Research. 35 (3), 307-319 (2000).
  12. Kriegeskorte, N., Mur, M. Inverse MDS: Inferring dissimilarity structure from multiple item arrangements. Frontiers in Psychology. 3, 245(2012).
  13. Rao, V. R., Katz, R. Alternative Multidimensional Scaling Methods for Large Stimulus Sets. Journal of Marketing Research. 8 (4), 488-494 (1971).
  14. Hoffman, J. I. E. Hypergeometric Distribution. Biostatistics for Medical and Biomedical Practitioners. , Academic Press. 179-182 (2015).
  15. Victor, J. D., Rizvi, S. M., Conte, M. M. Two representations of a high-dimensional perceptual space. Vision Research. 137, 1-23 (2017).
  16. Knoblauch, K., Maloney, L. T. Estimating classification images with generalized linear and additive models. Journal of Vision. 8 (16), 1-19 (2008).
  17. Maloney, L. T., Yang, J. N. Maximum likelihood difference scaling. Journal of Vision. 3 (8), 573-585 (2003).
  18. Logvinenko, A. D., Maloney, L. T. The proximity structure of achromatic surface colors and the impossibility of asymmetric lightness matching. Perception & Psychophysics. 68 (1), 76-83 (2006).
  19. Zhou, Y., Smith, B. H., Sharpee, T. O. Hyperbolic geometry of the olfactory space. Science Advances. 4 (8), (2018).
  20. Goldstone, R. An efficient method for obtaining similarity data. Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).
  21. Townsend, J. T. Theoretical analysis of an alphabetic confusion matrix. Perception & Psychophysics. 9, 40-50 (1971).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Alg sal UzayS ralama Paradigmasklid Uzakl k Modellerikili Kar la t rmalarTemel Bile enler AnaliziK meleme AnaliziBa lam EtkileriZihinsel Temsiller
Benzerlik Yargılarının Toplanması ve Analizi için Bir Psikofizik Paradigması
Bize ulaşın
Kütüphaneye tavsiye et

Gizlilik

Kullanım Şartları

İlkeler

Telif hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.