Benzerlik Yargılarının Toplanması ve Analizi için Bir Psikofizik Paradigması

Bu, benzerlik yargılarını toplamak ve analiz etmek için etkili bir yöntemdir ve zihinsel temsillerin altında yatan konuların geometrik özellikleri hakkında hiçbir şey varsaymaz. Yöntemin temel avantajları, esnekliği ve algısal temsilin doğası hakkındaki varsayımların en aza indirilmesidir. Uyaran türleri ve denemelerin karmaşıklığı değişebilir ve verilere çok çeşitli geometrik modeller sığdırılabilir.

Bu yöntem, görsel uyaranların düşük ve üst düzey yönlerinin zihinsel temsillerini karakterize etmekle ilgilenen araştırmacılar için yararlı olabilir. Çalıştırılacak bir deneme seçin. Benzerlikler'i, ardından denemeler'i, ardından word_exp'i tıklayarak kelime denemesine veya benzerlikleri, ardından denemeler'i ve ardından image_exp'yi tıklayarak resim denemesine gidin.

Deneysel uyaranları sonlandırın. Deneme sözcüğü çalıştırılıyorsa bir sözcük listesi hazırlayın. Görüntü deneyi için yeni bir dizin oluşturun ve tüm uyaran görüntülerini içine yerleştirin.

Denemeler dizininde, config adlı yapılandırma dosyasını bulun. benzerliklere, ardından denemelere ve ardından config.yaml'a tıklayarak yaml. Dosyayı bir kaynak kodu düzenleyicisinde açın ve dosya değişkeninin değerini, uyaran kümesini içeren dizinin yoluna güncelleştirin.

PsychoPy'nin görüntü uyaranlarını arayacağı yer burasıdır. Yapılandırmayı açarak deneme yapılandırmaları oluşturun. analiz dizininde yaml dosyasını açın, ardından path_2_stimulus_list parametresinin değerini stimuli.txt yoluna ayarlayın.

Benzerlikler dizininden, pencerede görüntülenen komutları birbiri ardına yürüterek komut dosyasını çalıştırın. Bu, trial_conditions adlı bir dosya oluşturur. Her satırın bir denemede görünen uyaranların adlarını konumlarıyla birlikte içerdiği benzerliklerde csv.

Oluşturulan 222 denemenin tamamını oturumlara ayırın ve pencerede görüntülenen komutları yürüterek deneme sırasını rastgele hale getirin. Tipik tasarımda, oturumlar her biri yaklaşık bir saat süren 111 denemeden oluşur. İstendiğinde, görüntülenen giriş parametrelerini girin.

Oluşturulan dosyaların her birini koşul olarak yeniden adlandırın ve kaydedin. csv kendi dizininde. Koşulları kopyalayın.

csv dosyasını açın ve psyexp dosyasını içeren geçerli dizine yapıştırın. PsychoPy'yi açın ve psyexp veya py dosyasını ilgili deneyler dizininde açın. PsychoPy'da, denemeyi çalıştırmak için yeşil oynat düğmesine tıklayın.

Kalıcı açılır pencerede, konu adını veya kimliği ve oturum numarasını girin ve başlamak için Tamam'ı tıklatın. Talimatlar her oturumun başında görüntülenecektir. Konunun görevi tamamlamasına yaklaşık bir saat izin verin ve görev kendi kendine ilerlediğinden, gerekirse denekleri mola vermeye teşvik edin.

Tüm oturumlar tamamlandıktan sonra, ham veri dosyalarını birleştirin ve ön işlemi çalıştırarak daha fazla işlem için bunları tek bir JSON dosyasında yeniden biçimlendirin. Ekranda görünen komutları kullanarak terminalde py. İstendiğinde, konu veri dizininin yolu, verileri önceden işlemek için konu kimlikleri ve çıktı dosyasını adlandırmak için kullanılan deneme adı dahil olmak üzere istenen giriş parametrelerini girin ve Enter tuşuna basın.

Bu, çıktı dizininde, her deneme için tekrarlar arasındaki yanıtları birleştiren bir JSON dosyası oluşturur. Rütbe sırası yargılarından çift yönlü seçim olasılıklarını belirlemek için, benzerliklere gidin, sonra analiz edin ve describe_data çalıştırın. py komut satırında.

İstendiğinde, konu verilerinin yolunu ve analizi çalıştıracak konuların listesini girin. Bu üç tür arsa yaratacaktır. model_fitting çalıştırarak seçim olasılıklarını kullanarak algısal uzayların düşük boyutlu Öklid modellerini oluşturun.

py ekranda görüntülenen komut satırını kullanarak. İstendiğinde, dizinin girişlerini özne-verisine/önceden işlenene, varsayılan olarak 37 olacak uyaran sayısını, yineleme sayısını, çıkış dizinini ve varsayılan olarak 0,18 olacak Gauss gürültüsü miktarını sağlayın. Elde edilen modellerin günlük olasılığını görselleştirin ve benzerlikler, analizler model_fitting_figure.py çalıştırarak uyumlarını değerlendirin.

İstendiğinde, günlük olasılıklarını içeren CSV dosyalarının gerekli yolunu girin. Her konu için algısal alanları görselleştirin ve görüntülenen komutları çalıştırarak ilk iki temel bileşene yansıtılan 5B modeldeki noktaları gösteren dağılım grafikleri oluşturun. İstendiğinde, giriş parametrelerini ve 5B noktaları içeren NPY dosyasının yolunu girin.

Komut dosyası yürütüldükten sonra sanal ortamdan çıkın. Deney kelimesi için oluşturulan dosyada, ilk satır, referans uyaran maymununun etrafında sekiz uyaranın göründüğü bir denemeye karşılık gelir. Rütbe yargıları çift yönlü seçimlere ayrıştırıldı.

Seçim olasılıklarının dağılımı, denekler arasında oldukça tutarlıydı. Her paneldeki köşegenin yakınında veri kümelenmesi, denekler arasındaki seçim olasılıklarında ve aşırı uçlarda olmayan yargılarda büyük bir tutarlılık olduğunu gösterir. Baskın köşegen, sıfır ile bir arasındaki ara seçim olasılıkları da dahil olmak üzere iki bağlamdaki seçim olasılıklarının, her konu için özdeş olmaya yakın olduğunu gösterir.

Günlük olasılıkları, en iyi modelin günlük olasılığına göre gösterilir; bu, gözlemlenen seçim olasılığını, bu olasılıkları herhangi bir geometrik düşünceyle sınırlamadan her karşılaştırmaya atayan bir modeldir. Prensip bileşen analizi, benzer olarak algılanan hayvanların birbirine yakın noktalarla gösterildiği algısal uzayın 5D modelinden noktalar üzerinde gerçekleştirilmiştir. Bir deneme tasarlarken tüm parametrelere karar vermek ve ikinci adıma başlamadan önce bunları yapılandırma dosyalarında ayarlamak çok önemlidir.

Her bir konunun verilerini dikkatli bir şekilde takip etmek de çok önemlidir. Yöntem çok sayıda benzerlik yargısı sağlar, bu nedenle küme analizi, bağlama odaklanma veya farklı geometrik uzaylarla modelleme gibi bir dizi analiz uygulanabilir.