这是收集和分析相似性判断的有效方法，它不假设任何关于主体的几何属性的基本心理表征。该方法的主要优点是其灵活性和对感知表征性质的假设最小化。刺激的种类和试验的复杂性可以变化，并且可以与数据拟合各种几何模型。
这种方法对于有兴趣表征视觉刺激的低级和高层次方面的心理表征的研究人员可能是有用的。选择要运行的实验。通过单击“相似性”、“实验”，然后单击“word_exp”导航到“实验”一词，或者通过单击“相似性”、“实验”，然后导航到“image_exp”图像实验。
完成实验刺激。如果正在运行单词实验，请准备一个单词列表。对于图像实验，创建一个新目录并将所有刺激图像放在其中。
在试验目录中，找到名为 config 的配置文件。yaml 通过单击相似性，然后单击实验，然后单击 config.yaml。在源代码编辑器中打开文件，并将文件变量的值更新为包含激励集的目录的路径。
这是PsychoPy寻找图像刺激的地方。通过打开配置创建试用配置。yaml 文件中的分析目录中，然后将path_2_stimulus_list参数的值设置为刺激.txt路径。
在相似性目录中，通过一个接一个地执行窗口中显示的命令来运行脚本。这将创建一个名为 trial_conditions 的文件。csv 的相似性，其中每行都包含试验中出现的刺激的名称及其位置。
将生成的 222 个试验的整套试验分解为会话，并通过执行窗口中显示的命令随机化试验顺序。在典型的设计中，会议包括111次试验，每次试验大约需要一个小时才能进行。出现提示时，输入显示的输入参数。
重命名每个生成的文件并将其另存为条件。csv 在其自己的目录中。复制条件。
csv 文件并将其粘贴到包含 psyexp 文件的当前目录中。打开PsychoPy并打开相关实验目录中的psyexp或py文件。在PsychoPy中，单击绿色播放按钮以运行实验。
在模式弹出窗口中，输入使用者名称或 ID 和会话编号，然后单击确定开始。说明将在每次会话开始时显示。让受试者大约一个小时来完成任务，并且由于任务是自定进度的，因此如果需要，鼓励受试者休息。
完成所有会话后，将原始数据文件合并并将它们重新格式化为单个 JSON 文件，以便通过运行预处理进行进一步处理。py 在终端中使用屏幕上可见的命令。出现提示时，输入请求的输入参数，包括受试者数据目录的路径、用于预处理数据的受试者 ID 以及用于命名输出文件的实验名称，然后按 Enter。
这将在输出目录中创建一个 JSON 文件，该文件将每个试验的重复响应组合在一起。要从排名顺序判断中确定成对选择概率，请转到相似性，然后分析并运行describe_data。py 在命令行中。
出现提示时，输入受试者数据的路径和要运行分析的受试者列表。这将创建三种绘图。通过运行model_fitting，使用选择概率生成感知空间的低维欧几里得模型。
py 使用屏幕上显示的命令行。出现提示时，向主体数据/预处理者提供目录输入、刺激次数（默认为 37）、迭代次数、输出目录以及高斯噪声量（默认为 0.18）。可视化所获得模型的对数似然性，并通过运行相似性、分析model_fitting_figure.py来评估其拟合度。
出现提示时，将所需的路径输入到包含日志可能性的 CSV 文件中。可视化每个主体的感知空间，并通过运行显示的命令生成散点图，显示5D模型中投影到前两个主要组件上的点。出现提示时，输入输入参数和包含 5D 点的 NPY 文件的路径。
执行脚本后，退出虚拟环境。在为单词实验生成的文件中，第一行对应于一个试验，其中八个刺激出现在参考刺激猴子周围。等级判断被分解成成对的选择。
选择概率的分布在受试者之间高度一致。每个面板中对角线附近的数据聚类表明，受试者之间的选择概率与非极端判断的一致性很大。主对角线表示两个上下文中的选择概率（包括介于 0 和 1 之间的中间选择概率）对于每个主体都接近相同。
对数似然是相对于最佳模型的对数似然数显示的，该模型将观察到的选择概率分配给每个比较，而不通过任何几何考虑来约束这些概率。对感知空间5D模型中的点进行主成分分析，其中感知相似的动物由彼此靠近的点表示。在设计实验时确定所有参数并在开始第二步之前在配置文件中设置它们至关重要。
仔细跟踪每个受试者的数据也非常重要。该方法提供了大量的相似性判断，因此可以应用许多分析，例如聚类分析，关注上下文或具有不同几何空间的建模。
