$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Bir farkın algılanması için bir şeyin tam olarak ne kadar değişmesi gerekiyor?
Örneğin, hızla büyüyen küçük çocukları düşünün - her gün daha uzun boylu oluyorlar. Bununla birlikte, özellikle hala bir basketbol topuna ulaşmak için mücadele ediyorlarsa, ince değişiklikleri fark etmek genellikle zordur.
Çok daha uzun bir süre boyunca, büyüme hamleleri algılanabilir olandan daha fazla hale gelir; Aslında, miktar çok büyük görünebilir! Yükseklikteki bu değişiklikler ancak bir atlamadan sonra fark edilir, çünkü küçük günlük farklılıklar algılanamayacak kadar küçüktür.
Minimal ancak algılanan miktar, bu örnek için fark edilen en küçük büyüme miktarı olan, sadece fark edilebilir farktır.
Bu video, şekil boyutunda fark edilir bir farkı ölçmek için standart bir yaklaşımı göstermektedir. Sadece bir deneyi tasarlamak ve yürütmek için gereken adımları tartışmakla kalmıyoruz, aynı zamanda verilerin nasıl analiz edileceğini ve sonuçların nasıl yorumlanacağını, alandaki bir değişikliğin algılanması için ne kadar küçük bir şeyin gerekli olduğunu açıklıyoruz.
Bu deneyde, katılımcılara kısaca boyutları değişen iki farklı daire gösterilir ve hangisinin daha büyük olduğunu seçmeye zorlanır.
Her deneme sırasında, biri her zaman aynı çevre ile sunulurken, diğeri çeşitlidir. Bu yaklaşım, sürekli uyaran yöntemi olarak adlandırılır.
Bu durumda, sabit uyaran 10 piksellik bir yarıçapa sahip olacak ve ekranın sol veya sağ tarafında rastgele yerleştirilecek şekilde tasarlanmıştır. Buna karşılık, karşılaştırma uyaranı olarak adlandırılan diğer daire, 5 ile 9 arasında ve 11 ile 15 piksel arasında değişen bir yarıçapa sahip olacaktır.
Bu 10 olasılık göz önüne alındığında, karşılaştırma uyaranı toplam 200 deneme için her iki tarafta 10 kez gösterilir. Bağımlı değişken, hangi uyaranın daha büyük olarak seçildiği olarak kaydedilir.
Katılımcıların, iki uyaran arasında bir boyut farkı algıladıkları takdirde doğru seçim yapmaları beklenir. Bununla birlikte, şekiller çevre olarak daha yakın olduğunda ve sadece fark edilen farkın altında olduğunda, performansın düşeceği tahmin edilir.
Deneye başlamak için, laboratuvardaki katılımcıyı selamlayın. Bilgisayarın önünde rahatça otururken, görev talimatlarını açıklayın: Boşluk çubuğuna basana kadar ekranda "Hazır mı?" kelimesi olacaktır.
İki mavi uyaranın ortaya çıkmasını izleyin ve katılımcıya sol taraf yanıtları için 'L' tuşuna ve sağ taraf yanıtları için 'R' tuşuna basarak hangi uyaranın daha büyük olduğunu düşündüklerini belirtmesi talimatını verin. Hangisinin daha büyük olduğundan emin değillerse tahmin etmeleri gerektiğini hatırlatın.
Katılımcının aklına gelebilecek tüm soruları yanıtladıktan sonra odadan çıkın. 200 denemenin tamamını 5 dakikalık bir süre içinde tamamlamalarına izin verin. Bitirdiklerinde odaya dönün ve deneye katıldıkları için onlara teşekkür edin.
Verileri analiz etmek için, önce her katılımcının yanıtlarını yakalayan programlanmış çıktı dosyasını alın. Performansların mantıklı olduğundan emin olmak için verilere hızlıca göz atın, yani karşılaştırma uyaranlarının boyutları 5 ve 15 piksel olduğunda, doğruluk mükemmele yakındı.
Ardından, kaydedilen yanıtların doğru olup olmadığını belirlemek için çıktı tablosuna 'Doğruluk' adlı bir sütun ekleyin. Tüm denemeler için doğru yanıtlarla verilenleri karşılaştırın. Verilen yanıt doğru olduğunda 1 ve yanlış olduğunda 0 kaydetmek için aşağıdaki IF deyimini kullanın.
Şimdi, tabloya 'Karşılaştırma Yanıtlarının Oranı' etiketli başka bir sütun ekleyin. 'Karşılaştırma Konumu' sütununu 'Yanıt' ile karşılaştırın ve karşılaştırma uyaranı seçildiğinde '1' veya sabit daire seçildiğinde '0' olarak işaretlemek için yeni bir IF ifadesi kullanın.
Sonuçları görselleştirmek için, x ekseninde karşılaştırmanın boyutu ve y ekseninde daha büyük olarak seçilme oranıyla bir dağılım grafiği oluşturun. Sabit uyaranın her zaman 10 piksellik bir yarıçapa sahip olduğunu hatırlayın, bu nedenle 5 veya 6 piksel yarıçaplı uyaranlar neredeyse hiç seçilmedi ve 14 veya 15 olanlar her zaman seçildi.
9 veya 11 piksellik bir yarıçap ile karşılaştırma daha zordu ve katılımcılar sıklıkla hata yaptılar. Aslında, performans şans seviyesindeydi, bu da farklılıkların algılanmadığını gösteriyordu.
Sadece göze çarpan farkı hesaplamak için, zamanın %75'inde seçilen karşılaştırma boyutunu, bu durumda 12'lik bir yarıçapı, eksi zamanın %25'inde seçilen karşılaştırma boyutunu çıkarın?8'in yarıçapı?ve sonucu 2'ye bölün 2 piksellik bir cevap için.
Başka bir deyişle, boyutlarının doğru bir şekilde algılanması için dairelerin yarıçaplarının en az 2 piksel farklılık göstermesi gerekir.
Artık görsel nesnelerin algılanmasında fark edilir farklılıklara aşina olduğunuza göre mi? Bu paradigmanın beynin nasıl tepki verdiğini keşfetmek için nörofizyolojik çalışmalarda ve gıdalardaki yağ seviyelerini ayırt etmek gibi diğer davranışsal durumlarda nasıl kullanıldığına bakalım.
Araştırmacılar, görsel korteksteki bireysel nöronların, nesneler gibi dünyanın fiziksel özelliklerini nasıl kodladığını araştırdılar. Boyut.
Araştırmacılar, uyaran sunumu ile bağlantılı olarak ateşleme modellerini ölçen elektrofizyolojik kayıt tekniklerini kullanarak, boyuta duyarlı nöronların bazen aslında farklı boyutlarda olan nesnelere aynı şekilde tepki vereceğini buldular.
JND'nin zar zor fark edilmesinin nedeni budur: bazen, beyinde, ilgili uyaranlar gerçekten ayırt edilemez etkiler üretir.
Ek olarak, araştırmacılar, gıdalardaki yağ konsantrasyonlarını tespit etmek için bireysel eşikleri karakterize etmek için sadece fark edilebilir farklılıklar görevi kullandılar.
Vücut kitle indeksi daha yüksek olan bireylerin, numunelerdeki yağ asitlerini tatmadan önce daha yüksek, sadece fark edilebilir bir fark veya daha yüksek bir eşik gerektirdiğini buldular. Bu sonuçlar aşırı yağ tüketimini sınırlamak için yeni yaklaşımlara yol açabilir.
Az önce JoVE'nin sadece göze çarpan farklılıklara girişini izlediniz. Artık deneyin nasıl tasarlanacağı ve çalıştırılacağının yanı sıra sonuçların nasıl analiz edileceği ve değerlendirileceği konusunda iyi bir anlayışa sahip olmalısınız.
İzlediğiniz için teşekkürler!