نموذج الفيزياء النفسية لجمع وتحليل أحكام التشابه

Summary

يقدم البروتوكول نموذجا تجريبيا للفيزياء النفسية للحصول على كميات كبيرة من أحكام التشابه ، وسير عمل تحليل مصاحب. يحقق النموذج في تأثيرات السياق ويتيح نمذجة بيانات التشابه من حيث المساحات الإقليدية ذات الأبعاد الخمسة على الأقل.

Abstract

تستخدم أحكام التشابه عادة لدراسة التمثيلات العقلية وارتباطاتها العصبية. تم استخدام هذا النهج لتوصيف المساحات الإدراكية في العديد من المجالات: الألوان والكائنات والصور والكلمات والأصوات. من الناحية المثالية ، قد يرغب المرء في مقارنة تقديرات التشابه المتصور بين جميع أزواج المحفزات ، ولكن هذا غالبا ما يكون غير عملي. على سبيل المثال ، إذا طلب المرء من موضوع ما مقارنة تشابه عنصرين مع تشابه عنصرين آخرين ، فإن عدد المقارنات ينمو مع القوة الرابعة لحجم مجموعة التحفيز. تتمثل الاستراتيجية البديلة في مطالبة الشخص المعني بالتشابه في معدل الأزواج المعزولة ، على سبيل المثال ، على مقياس Likert. هذا أكثر كفاءة بكثير (عدد التصنيفات ينمو بشكل تربيعي مع حجم محدد بدلا من ربع سنوي) ، ولكن هذه التصنيفات تميل إلى أن تكون غير مستقرة ولها دقة محدودة ، ويفترض النهج أيضا أنه لا توجد تأثيرات سياقية.

هنا ، يتم تقديم نموذج تصنيف جديد لجمع أحكام التشابه بكفاءة ، إلى جانب خط أنابيب تحليل (برنامج مقدم) يختبر ما إذا كانت نماذج المسافة الإقليدية تمثل البيانات. تتكون التجارب النموذجية من ثمانية محفزات حول حافز مرجعي مركزي: يصنف الموضوع المحفزات حسب تشابهها مع المرجع. ومن خلال الاختيار الحكيم لمجموعات المحفزات المستخدمة في كل تجربة، فإن النهج ينطوي على ضوابط داخلية للاتساق وتأثيرات السياق. تم التحقق من صحة النهج للمحفزات المستمدة من المساحات الإقليدية التي تصل إلى خمسة أبعاد.

يتم توضيح هذا النهج من خلال تجربة قياس أوجه التشابه بين 37 كلمة. تسفر كل تجربة عن نتائج 28 مقارنة زوجية للنموذج ، "هل كان A أكثر تشابها مع المرجع من B إلى المرجع؟" في حين أن المقارنة المباشرة لجميع أزواج المحفزات كانت تتطلب تجارب 221445 ، فإن هذا التصميم يمكن من إعادة بناء الفضاء الإدراكي من 5994 مقارنة تم الحصول عليها من 222 تجربة.

Introduction

يقوم البشر عقليا بمعالجة وتمثيل المعلومات الحسية الواردة لأداء مجموعة واسعة من المهام ، مثل التعرف على الأشياء ، والملاحة ، وإجراء استنتاجات حول البيئة ، وغيرها الكثير. تستخدم أحكام التشابه عادة للتحقيق في هذه التمثيلات ^{العقلية1}. يمكن أن يوفر فهم بنية التمثيلات العقلية نظرة ثاقبة على تنظيم المعرفة المفاهيمية2. من الممكن أيضا اكتساب نظرة ثاقبة على الحسابات العصبية، من خلال ربط أحكام التشابه بأنماط تنشيط ^{الدماغ3}. بالإضافة إلى ذلك، تكشف أحكام التشابه عن ميزات بارزة في ^{الإدراك4}. يمكن لدراسة كيفية تغير التمثيلات العقلية أثناء النمو أن تلقي الضوء على كيفية ^{تعلمها5}. وبالتالي ، توفر أحكام التشابه نظرة ثاقبة قيمة في معالجة المعلومات في الدماغ.

نموذج شائع للتمثيلات العقلية باستخدام أوجه التشابه هو نموذج الفضاء ^{الهندسي6}،^7،8. وبتطبيقه على المجالات الحسية، غالبا ما يشار إلى هذا النوع من النماذج باسم الفضاء ^{الإدراكي9}. تمثل النقاط الموجودة في الفضاء المحفزات وتتوافق المسافات بين النقاط مع الاختلاف المدرك بينها. من أحكام التشابه ، يمكن للمرء الحصول على تقديرات كمية للاختلافات. ويمكن بعد ذلك استخدام هذه الاختلافات الزوجية (أو المسافات الإدراكية) لنمذجة الفضاء الإدراكي عبر التحجيم متعدد ^{الأبعاد10}.

هناك العديد من الطرق لجمع أحكام التشابه ، لكل منها مزاياها وعيوبها. الطريقة الأكثر مباشرة للحصول على مقاييس كمية للاختلاف هي أن تطلب من الأشخاص تقييم درجة الاختلاف بين كل زوج من المحفزات على نطاق واسع. في حين أن هذا سريع نسبيا ، إلا أن التقديرات تميل إلى أن تكون غير مستقرة عبر الجلسات الطويلة حيث لا يمكن للموضوعات العودة إلى الأحكام السابقة ، ولا يمكن اكتشاف تأثيرات السياق ، إذا كانت موجودة. (هنا ، يتم تعريف تأثير السياق على أنه تغيير في التشابه المحكوم عليه بين محفزين ، بناء على وجود محفزات أخرى لا تتم مقارنتها.) بدلا من ذلك ، يمكن أن يطلب من الأشخاص مقارنة جميع أزواج المحفزات بجميع أزواج المحفزات الأخرى. وفي حين أن هذا من شأنه أن يسفر عن ترتيب أكثر موثوقية للاختلافات في الترتيب، فإن عدد المقارنات يتطلب مقاييس مع القوة الرابعة لعدد المحفزات، مما يجعل من الممكن فقط مجموعات التحفيز الصغيرة. البدائل الأسرع، مثل الفرز إلى عدد محدد مسبقا من ^{المجموعات11} أو الفرز الحر لها حدودها الخاصة. الفرز الحر (في أي عدد من الأكوام) بديهي ، لكنه يجبر الموضوع على تصنيف المحفزات ، حتى لو كانت المحفزات لا تصلح بسهولة للتصنيف. الطريقة الأكثر حداثة متعددة الترتيبات، MDS العكسية، تتحايل على العديد من هذه القيود وهي فعالة ^{للغاية12}. ومع ذلك ، تتطلب هذه الطريقة من الأشخاص إسقاط تمثيلاتهم العقلية على مستوى إقليدية 2D والنظر في أوجه التشابه بطريقة هندسية محددة ، مما يجعل الافتراض بأن بنية التشابه يمكن استردادها من المسافات الإقليدية على متن طائرة. وبالتالي ، لا تزال هناك حاجة إلى طريقة فعالة لجمع كميات كبيرة من أحكام التشابه ، دون وضع افتراضات حول الهندسة الكامنة وراء الأحكام.

الموصوفة هنا هي طريقة فعالة بشكل معقول وتتجنب أيضا المزالق المحتملة المذكورة أعلاه. من خلال مطالبة الأشخاص بترتيب المحفزات بترتيب التشابه مع مرجع مركزي في كل ^تجربة13، يمكن التحقيق في التشابه النسبي مباشرة، دون افتراض أي شيء عن البنية الهندسية لاستجابات الأشخاص. يكرر النموذج مجموعة فرعية من المقارنات مع سياقات متطابقة ومختلفة ، مما يسمح بالتقييم المباشر لتأثيرات السياق بالإضافة إلى الحصول على استجابات متدرجة من حيث احتمالات الاختيار. يتحلل إجراء التحليل هذه الأحكام الرتبية إلى مقارنات زوجية متعددة ويستخدمها لبناء النماذج الإقليدية للمساحات الإدراكية التي تفسر الأحكام والبحث عنها. هذه الطريقة مناسبة لوصف بالتفصيل تمثيل مجموعات التحفيز ذات الأحجام المعتدلة (على سبيل المثال ، 19 إلى 49).

لإثبات جدوى النهج ، أجريت تجربة ، باستخدام مجموعة من 37 حيوانا كمحفزات. تم جمع البيانات على مدار 10 جلسات مدتها ساعة واحدة ثم تم تحليلها بشكل منفصل لكل موضوع. كشف التحليل عن الاتساق بين الموضوعات وتأثيرات السياق التي لا تذكر. كما قيمت اتساق أوجه الاختلاف المدركة بين المحفزات والنماذج الإقليدية لمساحاتها الإدراكية. تتسم إجراءات النموذج والتحليل الموضحة في هذه الورقة بالمرونة ومن المتوقع أن تكون مفيدة للباحثين المهتمين بتوصيف الخصائص الهندسية لمجموعة من المساحات الإدراكية.

Protocol

قبل بدء التجارب ، تقدم جميع الأشخاص الموافقة المستنيرة وفقا للمبادئ التوجيهية المؤسسية وإعلان هلسنكي. في حالة هذه الدراسة ، تمت الموافقة على البروتوكول من قبل مجلس المراجعة المؤسسية لكلية طب وايل كورنيل.

1. التثبيت والإعداد

1. قم بتنزيل الرمز من مستودع GitHub ، أوجه التشابه (https://github.com/jvlab/similarities). في سطر الأوامر، قم بتشغيل: git استنساخ https://github.com/jvlab/similarities.git. - إذا لم يتم تثبيت git ، فقم بتنزيل الرمز كمجلد مضغوط من المستودع.
   ملاحظة: يوجد في المستودع دليلان فرعيان: التجارب ، التي تحتوي على تجربتين نموذجيتين ، والتحليل ، الذي يحتوي على مجموعة من البرامج النصية بايثون لتحليل بيانات التشابه التي تم جمعها. في دليل التجارب ، يستخدم أحدهما (word_exp) محفزات الكلمات والآخر (image_exp) يعرض محفزات الصورة. بعض الإلمام ببايثون سيكون مفيدا ، ولكن ليس ضروريا. يفترض الإلمام بسطر الأوامر: تتطلب خطوات متعددة تشغيل البرامج النصية من سطر الأوامر.
2. قم بتثبيت الأدوات التالية وإعداد بيئة افتراضية.
   1. python 3: انظر الرابط للحصول على التعليمات: https://realpython.com/installing-python/. يتطلب هذا المشروع إصدار بايثون 3.8.
   2. PsychoPy: من الرابط (https://www.psychopy.org/download.html) ، قم بتنزيل أحدث إصدار مستقل من PsychoPy لنظام التشغيل ذي الصلة ، باستخدام الزر الأزرق ، ضمن التثبيت. يستخدم هذا المشروع الإصدار 2021.2 من PsychoPy ؛ يجب تشغيل تجارب العينة المقدمة باستخدام الإصدار الصحيح من PsychoPy كما هو محدد أدناه.
   3. conda: من الرابط (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation) ، قم بتنزيل conda ، من خلال Miniconda أو Anaconda ، لنظام التشغيل ذي الصلة.
   4. في سطر الأوامر، قم بتشغيل ما يلي لإنشاء بيئة ظاهرية مع حزم python المطلوبة:
      CD ~ / أوجه التشابه
      conda env create -f environment.yaml
   5. تحقق لمعرفة ما إذا كان قد تم إنشاء البيئة الافتراضية وتنشيطها على النحو التالي:
      يجب إدراج قائمة conda env # venv_sim_3.8
      conda تنشيط venv_sim_3.8 # للدخول إلى البيئة الافتراضية
      conda إلغاء تنشيط # للخروج من البيئة الافتراضية بعد تشغيل البرامج النصية
      ملاحظة: قد يكون تشغيل البرامج النصية في بيئة بطيئا في بعض الأحيان. يرجى الانتظار لمدة تصل إلى دقيقة لرؤية أي مخرجات مطبوعة في سطر الأوامر عند تشغيل برنامج نصي.
3. للتأكد من أن التعليمات البرمجية التي تم تنزيلها تعمل كما هو متوقع، قم بتشغيل نماذج التجارب المتوفرة باستخدام الخطوات أدناه.
   ملاحظة: يحتوي دليل التجارب (أوجه التشابه / التجارب) على تجارب عينة (word_exp و image_exp) ، مع استخدام نوعين من المحفزات: الكلمات والصور.
   1. افتح PsychoPy. انتقل إلى عرض، ثم انقر على المبرمج، لأن منشئ PsychoPy الافتراضي لا يمكنه فتح .py الملفات. انتقل إلى ملف، ثم انقر على فتح، وافتح word_exp.py (أوجه التشابه/التجارب/word_exp/ word_exp.py ).
   2. لتحميل التجربة، انقر على الزر تشغيل التجربة الأخضر. أدخل الأحرف الأولى أو الاسم ورقم الجلسة وانقر فوق موافق.
   3. اتبع التعليمات وقم بإجراء بعض التجارب للتحقق من أن المحفزات رمادية اللون عند النقر عليها. اضغط على Escape (هروب ) عندما تكون جاهزا للخروج.
      ملاحظة: سيتم فتح PsychoPy في وضع ملء الشاشة، وعرض التعليمات أولا، ثم بعض التجارب، مع نص العنصر النائب بدلا من كلمات التحفيز. عند النقر فوقها، تصبح الكلمات رمادية. عند النقر فوق جميع الكلمات، تبدأ النسخة التجريبية التالية. في أي وقت ، يمكن إنهاء PsychoPy عن طريق الضغط على مفتاح الهروب . إذا انتهى البرنامج خلال الخطوات 1.3.2 أو 1.3.3 ، فمن الممكن أن يتطلب نظام تشغيل المستخدم الوصول إلى لوحة المفاتيح والماوس. إذا كان الأمر كذلك ، طباعة رسالة خطأ وصفية في نافذة PsychoPy Runner ، والتي ستوجه المستخدم.
   4. بعد ذلك، تحقق من تشغيل تجربة الصورة مع صور العناصر النائبة. افتح PsychoPy. انتقل إلى ملف. انقر فوق فتح واختر image_exp.psyexp (أوجه التشابه / التجارب / image_exp / image_exp.psyexp ).
   5. لضمان استخدام الإصدار الصحيح، انقر فوق رمز الترس . من الخيار استخدام إصدار PsychoPy ، حدد 2021.2 من القائمة المنسدلة.
   6. كما كان من قبل، انقر على الزر تشغيل التجربة الأخضر. أدخل الأحرف الأولى أو الاسم ورقم الجلسة وانقر فوق موافق.
      ملاحظة: كما هو الحال في الخطوة 1.3.2، سيقوم PsychoPy أولا بعرض الإرشادات ثم عرض التجارب بعد تحميل الصور. ستحتوي كل تجربة على ثماني صور عناصر نائبة تحيط بصورة مركزية. سيؤدي النقر فوق صورة إلى رماديتها. يمكن إنهاء البرنامج عن طريق الضغط على Escape.
   7. انتقل إلى دليل البيانات في كل دليل من أدلة التجربة للاطلاع على المخرجات:
      أوجه التشابه / التجارب / image_exp / البيانات
      أوجه التشابه / التجارب / word_exp / البيانات
      ملاحظة: تتم كتابة البيانات التجريبية إلى دليل البيانات. يحتوي ملف .csv الردود على استجابات النقر لكل تجربة على حدة. يحتوي ملف السجل على كافة ضغطات المفاتيح ونقرات الماوس. من المفيد استكشاف الأخطاء وإصلاحها ، إذا تم إنهاء PsychoPy بشكل غير متوقع.
4. اختياريا، للتحقق من أن البرامج النصية للتحليل تعمل كما هو متوقع، قم بإعادة إنتاج بعض الأرقام في قسم النتائج التمثيلية على النحو التالي.
   1. إنشاء دليل للبيانات التي تمت معالجتها مسبقا:
      CD ~ / أوجه التشابه
      mkdir عينة المواد/الموضوع-البيانات/المعالجة مسبقا
   2. قم بدمج البيانات الأولية من جميع الاستجابات .csv الملفات إلى ملف json واحد. في سطر الأوامر، قم بتشغيل ما يلي:
      أوجه التشابه في الأقراص المضغوطة
      كوندا تنشيط venv_sim_3.8
      بايثون -م analysis.preprocess.py
   3. عند المطالبة، أدخل القيم التالية لمعلمات الإدخال: 1) المسار إلى بيانات الموضوع: ./sample-materials/subject-data، 2)، اسم التجربة: sample_word، و3) معرف الموضوع: S7. سيكون ملف json في أوجه التشابه / مواد العينات / بيانات الموضوع / المعالجة المسبقة.
   4. بمجرد معالجة البيانات مسبقا ، اتبع الخطوات الواردة في المشروع README ضمن أرقام إعادة الإنتاج. سيتم تشغيل البرامج النصية للتحليل هذه لاحقا لتحليل البيانات التي تم جمعها من تجربة المستخدم الخاصة.

2. جمع البيانات عن طريق إعداد تجربة مخصصة

ملاحظة: يتم تحديد الإجراءات لكل من تجارب الصور والكلمات حتى الخطوة 3.1. بعد هذه الخطوة ، تكون العملية هي نفسها لكلتا التجربتين ، لذلك لم يتم ذكر تجربة الصورة صراحة.

1. حدد تجربة لتشغيلها. انتقل إلى كلمة تجربة (أوجه التشابه / التجارب / word_exp) أو تجربة الصورة (أوجه التشابه / التجارب / image_exp).
2. اتخاذ قرار بشأن عدد المحفزات. الحجم الافتراضي لمجموعة التحفيز هو 37. لتغيير ذلك، افتح ملف التكوين (أوجه التشابه/التحليل/config.yaml) في محرر التعليمات البرمجية المصدر. في المعلمة num_stimuli لملف تكوين التحليل ، اضبط حجم التحفيز مساويا ل mk + 1 كما هو مطلوب في التصميم التجريبي للأعداد الصحيحة k و m.
   ملاحظة: في التصميم القياسي ، k ≥ 3 و m = 6. ولذلك، فإن القيم الصالحة num_stimuli تشمل 19 و25 و31 و37 و43 و49 (انظر الجدول 1 للاطلاع على التمديدات المحتملة للتصميم).
3. وضع اللمسات الأخيرة على المحفزات التجريبية. إذا كان يتم تشغيل كلمة تجربة، فقم بإعداد قائمة بالكلمات. بالنسبة لتجربة الصورة ، قم بإنشاء دليل جديد ووضع جميع صور التحفيز فيه. أنواع الصور المدعومة هي png و jpeg. لا تستخدم النقاط كفواصل في أسماء الملفات (على سبيل المثال، image.1.png غير صالح ولكن image1.png أو image_1.png صالحة).
4. في حالة تشغيل كلمة تجربة ، قم بإعداد المحفزات على النحو التالي.
   1. إنشاء ملف جديد في التجارب/word_exp يسمى المحفزات .txt. ستتم قراءة هذا الملف في الخطوة 3.3.
   2. في الملف ، اكتب الكلمات الموجودة في مجموعة التحفيز كما يفترض أن تظهر في الشاشة ، مع كل كلمة في سطر منفصل. تجنب الأسطر الفارغة الإضافية أو المسافات الإضافية بجوار الكلمات. انظر عينات المواد للرجوع إليها (أوجه التشابه / مواد العينات / مواد الكلمات / sample_word_stimuli.txt).
5. إذا كانت تجربة الصورة قيد التشغيل، فاضبط المسار إلى مجموعة التحفيز على النحو التالي.
   1. في دليل التجارب، ابحث عن ملف التكوين المسمى config.yaml (أوجه التشابه/التجارب/config.yaml).
   2. افتح الملف في محرر التعليمات البرمجية المصدر وقم بتحديث قيمة متغير الملفات إلى المسار إلى الدليل الذي يحتوي على مجموعة التحفيز (الخطوة 2.3). هذا هو المكان الذي ستبحث فيه PsychoPy عن محفزات الصورة.

3. إنشاء تجارب الترتيب

1. استخدم ملف .txt المحفزات. إذا كان يتم تشغيل كلمة تجربة، يمكن استخدام الملف الذي تم إنشاؤه في الخطوة 2.4. وإلا، استخدم قائمة أسماء الملفات (للرجوع إليها، انظر أوجه التشابه/مواد العينات/الصور-exp-المواد/sample_image_stimuli.txt). ضع هذا الملف في دليل التجربة المناسب (word_exp أو image_exp).
2. تجنب الخطوط الفارغة الإضافية ، وكذلك أي مسافات في الأسماء. استخدم camelCase أو snake_case لأسماء التحفيز.
3. بعد ذلك، قم بإنشاء تكوينات تجريبية. افتح الملف config.yaml في دليل التحليل وقم بتعيين قيمة المعلمة path_to_stimulus_list إلى المسار إلى المحفزات.txt (التي تم إنشاؤها في الخطوة 3.1).
   1. من دليل أوجه التشابه ، قم بتشغيل البرنامج النصي عن طريق تنفيذ الأوامر التالية واحدة تلو الأخرى:
      CD ~ / أوجه التشابه
      كوندا تنشيط venv_sim_3.8
      بايثون -م analysis.trial_configuration
      إلغاء تنشيط كوندا # الخروج من البيئة الافتراضية
   2. يؤدي ذلك إلى إنشاء ملف يسمى trial_conditions.csv في أوجه التشابه التي يحتوي فيها كل صف على أسماء المحفزات التي تظهر في التجربة ، إلى جانب مواقعها في الشاشة. يتم توفير نموذج trial_conditions.csv الملف (أوجه التشابه / مواد العينة). للحصول على تفاصيل حول معلمات الإدخال للبرامج النصية للتحليل، راجع المشروع README ضمن الاستخدام.

الشكل 1: أمثلة تمثيلية للمحاكمات (الخطوة 3-3). (ألف) يحتوي كل صف على تفاصيل محاكمة واحدة. تشير الرؤوس إلى موضع الحافز حول الدائرة. يظهر الحافز تحت المرجع في الوسط ويظهر stim 1 إلى stim 8 حول المرجع. (ب) يتم تقديم التجربة الأولى (الصف) من A بواسطة PsychoPy لعرض المحفزات الثمانية حول الحافز المرجعي ، القرد. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

ملاحظة: في هذه المرحلة، تم إنشاء مجموعة كاملة من 222 تجربة لتشغيل تجريبي كامل واحد، أي لمجموعة بيانات كاملة واحدة. يوضح الشكل 1A جزءا من ملف شروط تم إنشاؤه بواسطة البرنامج النصي أعلاه، لكلمة التجربة (انظر النتائج التمثيلية).

4. بعد ذلك ، قم بتقسيم هذه التجارب ال 222 إلى جلسات وقم بتوزيع ترتيب التجربة عشوائيا. في التصميم النموذجي ، تتكون الجلسات من 111 تجربة ، تتطلب كل منها حوالي 1 ساعة للتشغيل.
   1. للقيام بذلك، في سطر الأوامر قم بتشغيل ما يلي:
      كوندا تنشيط venv_sim_3.8
      CD ~ / أوجه التشابه
      بايثون -م analysis.randomize_session_trials
   2. عند المطالبة، أدخل معلمات الإدخال التالية: المسار إلى trial_conditions.csv الذي تم إنشاؤه في الخطوة 3.3.2; دليل الإخراج ؛ عدد المحاكمات في كل جلسة: 111؛ عدد التكرارات: 5.
      ملاحظة: يمكن أيضا أن يختلف عدد التكرارات ولكنه سيؤثر على عدد الجلسات التي أجريت في الخطوة 4 (انظر المناقشة: النموذج التجريبي). في حالة تغيير القيمة الافتراضية لعدد التكرارات، تأكد من تحرير قيمة المعلمة num_repeats في ملف التكوين (أوجه التشابه/التحليل/config.yaml). إذا لزم الأمر، تحقق من الإرشادات خطوة بخطوة للقيام بما سبق يدويا في الملف التمهيدي ضمن القسم إنشاء الإصدارات التجريبية.
5. إعادة تسمية وحفظ كل من الملفات التي تم إنشاؤها كشروط.csv، في الدليل الخاص به. انظر هيكل الدليل الموصى به هنا: أوجه التشابه / مواد العينات / بيانات الموضوع وفي المشروع README.
   ملاحظة: كما هو موضح في الخطوة 4 ، يتم تكرار كل تجربة خمس مرات في التصميم القياسي ، على مدار جلسات طويلة مدتها 10 ساعات ، كل منها في يوم منفصل. يجب أن يطلب من الأشخاص الحضور لجلسة واحدة فقط يوميا لتجنب التعب. انظر الجدول 1 للاطلاع على عدد المحاكمات والجلسات اللازمة لمجموعات التحفيز ذات الأحجام المختلفة.

4. تشغيل التجربة وجمع بيانات التشابه

1. شرح المهمة للموضوعات وإعطائهم التعليمات. في كل تجربة، سيعرض الأشخاص محفزا مرجعيا مركزيا محاطا بثمانية محفزات ويطلب منهم النقر فوق المحفزات في المحيط، بترتيب التشابه مع المرجع المركزي، أي يجب عليهم النقر فوق المحفزات الأكثر تشابها أولا والأقل تشابها في النهاية.
2. اطلب منهم محاولة استخدام استراتيجية متسقة. أخبرهم أنه سيتم عرض نفس تكوين المحفزات عدة مرات على مدار 10 جلسات. إذا كانت الدراسة تحقق في تمثيل المعلومات الدلالية ، فتأكد من أن الأشخاص على دراية بالمحفزات قبل البدء.
3. انتقل إلى دليل التجارب ذي الصلة (راجع الخطوة 2.1). إذا كانت هذه هي المرة الأولى التي يتم فيها تشغيل التجربة، فقم بإنشاء دليل يسمى بيانات الموضوع لتخزين استجابات الموضوع. قم بإنشاء دليلين فرعيين فيه: الخام والمعالج مسبقا. لكل موضوع، قم بإنشاء دليل فرعي ضمن بيانات الموضوع/الخام.
4. انسخ ملف الشروط .csv تم إعداده في الخطوة 3 للجلسة المحددة والصقه في الدليل الحالي ، أي الدليل الذي يحتوي على ملف psyexp. إذا كان هناك بالفعل ملف هناك ، والشروط المسماة .csv ، فتأكد من استبداله بالملف الخاص بالجلسة الحالية.
5. افتح PsychoPy ثم افتح ملف psyexp أو py في دليل التجربة ذات الصلة. في PsychoPy ، انقر فوق الزر " تشغيل" الأخضر لتشغيل التجربة. في النافذة المنبثقة المشروطة، أدخل اسم الموضوع أو المعرف ورقم الجلسة. انقر فوق موافق للبدء. سيتم عرض التعليمات في بداية كل جلسة.
6. اسمح للموضوع حوالي 1 ساعة بإكمال المهمة. نظرا لأن المهمة تسير بخطى ذاتية ، شجع الأشخاص على أخذ فترات راحة إذا لزم الأمر. عندما ينتهي الموضوع من الجلسة ، سيتم إنهاء PsychoPy تلقائيا ، وسيتم إنشاء الملفات في دليل أوجه التشابه / التجارب / <الصورة أو الكلمة >_exp / البيانات.
7. قم بنقلها إلى دليل subject-data/raw/ (الذي تم إنشاؤه في الخطوة 4.3). راجع README للحصول على بنية الدليل الموصى بها.
   ملاحظة: كما ذكرنا، ملف السجل لاستكشاف الأخطاء وإصلاحها. السبب الأكثر شيوعا لإغلاق PsychoPy بشكل غير متوقع هو أن الموضوع يضغط عن طريق الخطأ على الهروب أثناء الجلسة. إذا حدث ذلك، فستظل الردود على المحاكمات حتى آخر تجربة مكتملة مكتوبة إلى ملف .csv الردود.
8. إذا تم إغلاق PsychoPy بشكل غير متوقع ، فأعد فتحه وخلق ظروف جديدة .csv الملف ، مع التجارب التي لم تتم محاولتها فقط. استبدل ملف شروط جلسة العمل الحالية بهذا الملف وأعد تشغيل التجربة. تأكد من حفظ الملفات التي تم إنشاؤها في المكان المناسب. في نهاية الجلسة ، يمكن دمج ملفي الردود يدويا في ملف واحد ، على الرغم من أن هذا ليس ضروريا.
9. لكل جلسة من جلسات العمل المتبقية، كرر الخطوات من 4.4 إلى 4.8.
10. بعد اكتمال جميع الجلسات، قم بدمج ملفات البيانات الخام وإعادة تنسيقها في ملف json واحد لمزيد من المعالجة. للقيام بذلك ، قم بتشغيل preprocess.py في المحطة الطرفية (أوجه التشابه / التحليل / ما قبل المعالجة .py) كما يلي:
    CD ~ / أوجه التشابه
    كوندا تنشيط venv_sim_3.8
    بايثون -m analysis.preprocess
11. عند المطالبة، أدخل معلمات الإدخال المطلوبة: المسار إلى دليل بيانات الموضوع، ومعرفات الموضوعات التي يجب معالجة البيانات لها مسبقا، واسم التجربة (المستخدم لتسمية ملف الإخراج). اضغط على مفتاح الإدخال Enter.
12. الخروج من البيئة الافتراضية:
    إلغاء تنشيط كوندا
    ملاحظة: سيؤدي ذلك إلى إنشاء ملف json في دليل الإخراج الذي يجمع بين الاستجابات عبر التكرارات لكل إصدار تجريبي. تتم قراءة بيانات التشابه من بيانات الموضوع / الخام وكتابتها إلى بيانات الموضوع / المعالجة مسبقا.

5. تحليل أحكام التشابه

ملاحظة: يطلب من الأشخاص النقر فوق المحفزات بترتيب التشابه مع المرجع ، وبالتالي توفير ترتيب في كل تجربة. بالنسبة للتجارب القياسية، كرر كل تجربة خمس مرات، وتوليد خمسة ترتيب للرتب من نفس المحفزات الثمانية (انظر الشكل 2B). يتم تفسير أحكام الرتبة هذه على أنها سلسلة من المقارنات التي يقارن فيها الموضوع أزواج من المسافات الإدراكية. من المفترض أن الموضوع يطرح السؤال التالي قبل كل نقرة: "هل المسافة (الإدراكية) بين المرجع والحافز A أصغر من المسافة بين المرجع والحافز B؟" وكما هو مبين في الشكل 2 جيم، ينتج عن ذلك احتمالات اختيار لمقارنات التشابه الزوجي المتعددة لكل تجربة. يستخدم التحليل أدناه احتمالات الاختيار هذه.

الشكل 2: الحصول على احتمالات الاختيار من ترتيب الأحكام. (أ) رسم توضيحي لتجربة من كلمة التجربة التي أجريناها. (باء) تم الحصول على خمسة رتب لنفس المحاكمة، على مدى جلسات متعددة. (ج) احتمالات الاختيار لمقارنات التباين الزوجي التي تمثلها أحكام الترتيب. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

1. تحديد احتمالات الاختيار الزوجي من أحكام ترتيب الرتبة.
   1. في أوجه التشابه / التحليل ، قم بتشغيل describe_data.py في سطر الأوامر.
      CD ~ / أوجه التشابه
      كوندا تنشيط venv_sim_3.8
      بايثون -م analysis.describe_data
   2. عند المطالبة، أدخل المسار إلى بيانات الموضوع/المعالجة مسبقا وقائمة الموضوعات التي سيتم تشغيل التحليل لها.
      ملاحظة: سيؤدي ذلك إلى إنشاء ثلاثة أنواع من المؤامرات: أ) توزيع احتمالات الاختيار لمجموعة البيانات الكاملة لموضوع معين ، ب) الخرائط الحرارية لتقييم الاتساق عبر احتمالات الاختيار لأزواج من الموضوعات ، و ج) خريطة حرارية لاحتمالات الاختيار لجميع المقارنات التي تحدث في سياقين لتقييم تأثيرات السياق. من الناحية التشغيلية، هذا يعني مقارنة احتمالات الاختيار في أزواج من التجارب التي تحتوي على نفس المرجع وزوج شائع من المحفزات في الحلقة ولكنها تختلف في جميع المحفزات الأخرى في الحلقة: توضح الخريطة الحرارية كيف يعتمد احتمال الاختيار على هذا السياق.
2. توليد نماذج إقليدية منخفضة الأبعاد للمساحات الإدراكية ، باستخدام احتمالات الاختيار. قم بتشغيل model_fitting.py في سطر الأوامر كما يلي:
   CD ~ / أوجه التشابه
   كوندا تنشيط venv_sim_3.8
   بايثون -م analysis.model_fitting
   1. توفير معلمات الإدخال التالية عند مطالبتك بذلك: المسار إلى دليل بيانات الموضوع / المعالجة مسبقا ؛ عدد المحفزات (37 بشكل افتراضي) ؛ عدد التكرارات (عدد المرات التي يجب فيها تشغيل تحليل النمذجة) ؛ دليل الإخراج؛ ومقدار الضوضاء الغاوسية (0.18 بشكل افتراضي).
      ملاحظة: يستغرق تشغيل هذا البرنامج النصي بضع ساعات. عند الانتهاء ، سيتم كتابة ملفات npy التي تحتوي على الإحداثيات الأكثر ملاءمة لنماذج 1D و 2D و 3D و 4D و 5D التي تصف بيانات التشابه إلى دليل الإخراج. سيتم إنشاء ملف csv يحتوي على قيم احتمالية السجل للنماذج المختلفة.
3. تصور الاحتمال المنطقي للنماذج التي تم الحصول عليها وتقييم ملاءمتها. للقيام بذلك، قم بتشغيل أوجه التشابه/التحليل/model_fitting_figure.py في سطر الأوامر:
   CD ~ / أوجه التشابه
   بايثون -م analysis.model_fitting_figure
   1. عند المطالبة، أدخل المعلمة المطلوبة: المسار إلى ملفات csv التي تحتوي على احتمالات السجل (من الخطوة 5.2).
   2. حلل الشكل الذي تم إنشاؤه، مع إظهار احتمالات السجل على المحور y وأبعاد النموذج على المحور x. كفحص للسلامة العقلية ، يتم تضمين نموذجين بالإضافة إلى النماذج الإقليدية: نموذج اختيار عشوائي وأفضل نموذج ممكن.
      ملاحظة: يفترض نموذج الاختيار العشوائي أن تنقر الموضوعات عشوائيا. وبالتالي ، فإنه يوفر حدا أدنى مطلقا على احتمال السجل لأي نموذج أفضل من العشوائي. وبالمثل ، كحد أعلى لاحتمال السجل (المسمى الأفضل) ، هناك احتمال السجل للنموذج الذي يستخدم احتمالات الاختيار التجريبي كاحتمالات نموذجه.
   3. تحقق من عدم تفوق أي نموذج إقليدية على أفضل نموذج ، حيث أن أفضل نموذج هو ، من حيث التصميم ، مفرط وغير مقيد بالاعتبارات الهندسية. تحقق من أن الاحتمالات المرسومة مرتبطة بأفضل احتمال للسجل.
4. تصور المساحات الإدراكية لكل موضوع. قم بإنشاء مخططات مبعثرة توضح النقاط من نموذج 5D المتوقع على أول مكونين رئيسيين. للقيام بذلك، قم بتشغيل أوجه التشابه/التحليل/perceptual_space_visualizations.py في سطر الأوامر:
   CD ~ / أوجه التشابه
   بايثون -م analysis.perceptual_space_visualizations
   1. عند المطالبة ، أدخل المعلمات: معرفات الموضوع (مفصولة بمسافات) والمسار إلى ملف npy الذي يحتوي على نقاط 5D التي تم الحصول عليها من الخطوة 5.2.
   2. بعد انتهاء البرنامج النصي من التنفيذ، قم بإنهاء البيئة الظاهرية:
      إلغاء تنشيط كوندا
      ملاحظة: هذا البرنامج النصي مخصص لتصور أحكام التشابه. وسوف يخلق مؤامرة مبعثرة 2D ، من خلال إسقاط نقاط 5D على أول مكونين رئيسيين ، وتطبيع ليكون لها تباين متساو. ستكون هناك نقطتان أبعدان إذا اعتبرهما الموضوع أقل تشابها والعكس صحيح.

النتائج

يوضح الشكل 1A جزءا من ملف شروط تم إنشاؤه بواسطة البرنامج النصي في الخطوة 3.3، لتجربة الكلمة. كل صف يتوافق مع المحاكمة. يظهر الحافز في عمود المرجع في وسط الشاشة. تتوافق أسماء الأعمدة stim1 إلى stim8 مع ثمانية مواضع على طول دائرة، تعمل عكس اتجاه عقارب الساعة، بدءا من الموضع الموجود ع?...

Discussion

البروتوكول الموضح هنا فعال للحصول على وتحليل أحكام التشابه للمحفزات التي يمكن تقديمها بصريا. تتم مناقشة النموذج التجريبي والتحليل والامتدادات المحتملة أولا ، وبعد ذلك مزايا وعيوب الطريقة.

النموذج التجريبي: يتم عرض الطريقة المقترحة باستخدام مجال من 37 اسما حيواني?...

Materials

Name	Company	Catalog Number	Comments
Computer Workstation	N/A	N/A	OS: Windows/ MacOS 10 or higher/ Linux; 3.1 GHz Dual-Core Intel Core i5 or similar; 8GB or more memory; User permissions for writing and executing files
conda		Version 4.11	OS: Windows/ MacOS 10 or higher/ Linux
Microsoft Excel	Microsoft	Any	To open and shuffle rows and columns in trial conditions files.
PsychoPy	N/A	Version 2021.2	Framework for running psychophysical studies
Python 3	Python Software Foundation	Python Version 3.8	Python3 and associated built-in libraries
Required Python Libraries	N/A	numpy version: 1.17.2 or higher; matplotlib version 3.4.3 or higher; scipy version 1.3.1 or higher; pandas version 0.25.3 or higher; seaborn version 0.9.0 or higher; scikit_learn version 0.23.1 or higher; yaml version 6.0 or higher	numpy, scipy and scikit_learn are computing modules with in-built functions for optimization and vector operations. matplotlib and seaborn are plotting libraries. pandas is used to reading in and edit data from csv files.