هذه طريقة فعالة لجمع وتحليل أحكام التشابه ، ولا تفترض أي شيء عن الخصائص الهندسية للمواضيع الكامنة وراء التمثيلات العقلية. المزايا الرئيسية للطريقة هي مرونتها وتقليل الافتراضات حول طبيعة التمثيل الإدراكي. يمكن أن تتنوع أنواع المحفزات وتعقيد التجارب ، ويمكن أن تكون مجموعة واسعة من النماذج الهندسية مناسبة للبيانات.
يمكن أن تكون هذه الطريقة مفيدة للباحثين المهتمين بتوصيف التمثيلات العقلية للجوانب المنخفضة والعالية المستوى من المحفزات البصرية. حدد تجربة لتشغيلها. انتقل إلى كلمة تجربة بالنقر فوق أوجه التشابه، ثم التجارب، ثم word_exp، أو إلى تجربة الصورة بالنقر على أوجه التشابه، ثم التجارب، ثم image_exp.
وضع اللمسات الأخيرة على المحفزات التجريبية. إذا كان يتم تشغيل كلمة تجربة، فقم بإعداد قائمة بالكلمات. وبالنسبة لتجربة الصورة ، قم بإنشاء دليل جديد ووضع جميع صور التحفيز فيه.
في دليل التجارب، ابحث عن ملف التكوين المسمى config. yaml بالنقر فوق أوجه التشابه ، ثم التجارب ، ثم config.yaml. افتح الملف في محرر التعليمات البرمجية المصدر وقم بتحديث قيمة متغير الملف إلى المسار إلى الدليل الذي يحتوي على مجموعة التحفيز.
هذا هو المكان الذي ستبحث فيه PsychoPy عن محفزات الصورة. إنشاء تكوينات تجريبية عن طريق فتح التكوين. ملف yaml في دليل التحليل، ثم قم بتعيين قيمة معلمة path_2_stimulus_list إلى المسار إلى المحفزات.txt.
من دليل أوجه التشابه ، قم بتشغيل البرنامج النصي عن طريق تنفيذ الأوامر المعروضة في النافذة واحدة تلو الأخرى. يؤدي هذا 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.
قم بتقسيم المجموعة الكاملة المكونة من 222 تجربة تم إنشاؤها إلى جلسات وقم بتوزيع أمر التجربة عشوائيا عن طريق تنفيذ الأوامر المعروضة في النافذة. في التصميم النموذجي ، تتكون الجلسات من 111 تجربة ، يتطلب كل منها ساعة واحدة تقريبا للتشغيل. عند المطالبة، أدخل معلمات الإدخال المعروضة.
إعادة تسمية وحفظ كل من الملفات التي تم إنشاؤها كشروط. csv في دليلها الخاص. انسخ الشروط.
ملف csv ولصقه في الدليل الحالي الذي يحتوي على ملف psyexp. افتح PsychoPy وافتح ملف psyexp أو py في دليل التجارب ذات الصلة. في PsychoPy ، انقر فوق زر التشغيل الأخضر لتشغيل التجربة.
في النافذة المنبثقة المشروطة، أدخل اسم الموضوع أو المعرف ورقم الجلسة وانقر فوق موافق للبدء. سيتم عرض التعليمات في بداية كل جلسة. اسمح للموضوع بحوالي ساعة واحدة لإكمال المهمة وبما أن المهمة تسير بخطى ذاتية ، شجع الأشخاص على أخذ فترات راحة إذا لزم الأمر.
بعد اكتمال جميع الجلسات، قم بدمج ملفات البيانات الخام وإعادة تنسيقها في ملف JSON واحد لمزيد من المعالجة عن طريق تشغيل المعالجة المسبقة. py في المحطة الطرفية باستخدام الأوامر المرئية على الشاشة. عند المطالبة، أدخل معلمات الإدخال المطلوبة بما في ذلك المسار إلى دليل بيانات الموضوع، ومعرفات الموضوعات لمعالجة البيانات مسبقا واسم التجربة المستخدم لتسمية ملف الإخراج، ثم اضغط على مفتاح الإدخال Enter.
سيؤدي ذلك إلى إنشاء ملف JSON في دليل الإخراج الذي يجمع بين الاستجابات عبر التكرارات لكل إصدار تجريبي. لتحديد احتمالات الاختيار الزوجي من أحكام ترتيب الرتب، انتقل إلى أوجه التشابه، ثم قم بتحليل وتشغيل describe_data. py في سطر الأوامر.
عند المطالبة، أدخل المسار إلى بيانات الموضوع وقائمة الموضوعات لتشغيل التحليل. هذا سوف يخلق ثلاثة أنواع من المؤامرات. إنشاء نماذج إقليدية منخفضة الأبعاد للمساحات الإدراكية باستخدام احتمالات الاختيار عن طريق تشغيل model_fitting.
py باستخدام سطر الأوامر المعروض على الشاشة. عند المطالبة، قم بتوفير مدخلات الدليل إلى بيانات الموضوع/المعالجة مسبقا، وعدد المحفزات، التي ستكون 37 بشكل افتراضي، وعدد التكرارات، ودليل الإخراج، ومقدار الضوضاء الغاوسية، والتي ستكون 0.18 بشكل افتراضي. تصور احتمال السجل للنماذج التي تم الحصول عليها وتقييم ملاءمتها من خلال تشغيل أوجه التشابه والتحليل model_fitting_figure.py.
عند المطالبة، أدخل المسار المطلوب إلى ملفات CSV التي تحتوي على احتمالات السجل. تصور المساحات الإدراكية لكل موضوع وإنشاء مخططات مبعثرة تظهر النقاط من نموذج 5D المسقطة على أول مكونين رئيسيين عن طريق تشغيل الأوامر المعروضة. عند المطالبة ، أدخل معلمات الإدخال والمسار إلى ملف NPY الذي يحتوي على نقاط 5D.
بعد تنفيذ البرنامج النصي، قم بإنهاء البيئة الظاهرية. في الملف الذي تم إنشاؤه لكلمة تجربة ، يتوافق الصف الأول مع تجربة تظهر فيها ثمانية محفزات حول التحفيز المرجعي. تم تحليل أحكام الرتبة إلى خيارات زوجية.
كان توزيع احتمالات الاختيار متسقا للغاية عبر الموضوعات. يشير تجميع البيانات بالقرب من القطر في كل لوحة إلى قدر كبير من الاتساق في احتمالات الاختيار بين الموضوعات والأحكام التي ليست في أقصى الحدود. يشير القطر السائد إلى أن احتمالات الاختيار في السياقين ، بما في ذلك احتمالات الاختيار الوسيطة بين الصفر وواحد ، قريبة من التطابق لكل موضوع.
يتم عرض احتمالات السجل بالنسبة إلى احتمال السجل لأفضل نموذج ، وهو نموذج يعين احتمال الاختيار المرصود لكل مقارنة دون تقييد هذه الاحتمالات بأي اعتبار هندسي. تم إجراء تحليل المكون الأساسي على النقاط من نموذج 5D للفضاء الإدراكي حيث تم الإشارة إلى الحيوانات التي ينظر إليها على أنها متشابهة بنقاط بالقرب من بعضها البعض. من الأهمية بمكان اتخاذ قرار بشأن جميع المعلمات عند تصميم تجربة وتعيينها في ملفات التكوين قبل البدء في الخطوة الثانية.
من المهم جدا أيضا تتبع بيانات كل موضوع بعناية. توفر هذه الطريقة عددا كبيرا من أحكام التشابه ، لذلك يمكن تطبيق عدد من التحليلات ، مثل التحليل العنقودي ، أو التركيز على السياق ، أو النمذجة مع مساحات هندسية مختلفة.