Este es un método eficiente para recopilar y analizar juicios de similitud, y no asume nada sobre las propiedades geométricas de los sujetos subyacentes a las representaciones mentales. Las principales ventajas del método son su flexibilidad y minimización de supuestos sobre la naturaleza de la representación perceptiva. Los tipos de estímulos y la complejidad de los ensayos pueden variar, y una amplia gama de modelos geométricos puede ajustarse a los datos.
Este método podría ser útil para los investigadores interesados en caracterizar las representaciones mentales de aspectos de bajo y alto nivel de los estímulos visuales. Seleccione un experimento para ejecutarlo. Navegue a la palabra experimento haciendo clic en similitudes, luego experimentos, luego word_exp, o al experimento de imagen haciendo clic en similitudes, luego experimentos y, a continuación, image_exp.
Finalizar los estímulos experimentales. Si se está ejecutando el experimento de palabras, prepare una lista de palabras. Y para el experimento de la imagen, haga un nuevo directorio y coloque todas las imágenes de estímulo en él.
En el directorio de experimentos, busque el archivo de configuración denominado config. yaml haciendo clic en similitudes, luego en experimentos y, a continuación, en config.yaml. Abra el archivo en un editor de código fuente y actualice el valor de la variable de archivo a la ruta al directorio que contiene el conjunto de estímulos.
Aquí es donde PsychoPy buscará los estímulos de imagen. Cree configuraciones de prueba abriendo la configuración. yaml en el directorio de análisis y, a continuación, establezca el valor del parámetro path_2_stimulus_list en la ruta a estímulos.txt.
Desde el directorio de similitudes, ejecute el script ejecutando los comandos que se muestran en la ventana uno tras otro. Esto crea un archivo llamado trial_conditions. csv en similitudes en las que cada fila contiene los nombres de los estímulos que aparecen en un ensayo junto con sus posiciones.
Divida el conjunto completo de 222 ensayos generados en sesiones y aleatorice el orden de prueba ejecutando los comandos que se muestran en la ventana. En el diseño típico, las sesiones comprenden 111 ensayos, cada uno de los cuales requiere aproximadamente una hora para ejecutarse. Cuando se le solicite, introduzca los parámetros de entrada mostrados.
Cambie el nombre y guarde cada uno de los archivos generados como condiciones. csv en su propio directorio. Copia las condiciones.
csv y péguelo en el directorio actual que contiene el archivo psyexp. Abra PsychoPy y abra el archivo psyexp o py en el directorio de experimentos correspondiente. En PsychoPy, haga clic en el botón verde de reproducción para ejecutar el experimento.
En la ventana emergente modal, escriba el nombre o ID del asunto y el número de sesión y haga clic en Aceptar para comenzar. Las instrucciones se mostrarán al comienzo de cada sesión. Permita que el sujeto complete la tarea aproximadamente una hora y, como la tarea es a su propio ritmo, anime a los sujetos a tomar descansos si es necesario.
Una vez completadas todas las sesiones, combine los archivos de datos sin procesar y vuelva a formatearlos en un solo archivo JSON para su posterior procesamiento ejecutando el preproceso. py en el terminal utilizando los comandos visibles en la pantalla. Cuando se le solicite, introduzca los parámetros de entrada solicitados, incluida la ruta al directorio de datos del sujeto, los ID del sujeto para procesar previamente los datos y el nombre del experimento utilizado para asignar un nombre al archivo de salida y, a continuación, pulse Intro.
Esto creará un archivo JSON en el directorio de salida que combina respuestas a través de repeticiones para cada prueba. Para determinar las probabilidades de elección por pares a partir de juicios de orden de rango, vaya a similitudes, luego analice y ejecute describe_data. py en la línea de comandos.
Cuando se le solicite, escriba la ruta a los datos del sujeto y la lista de sujetos para ejecutar el análisis. Esto creará tres tipos de parcelas. Generar modelos euclídeos de baja dimensión de los espacios perceptivos utilizando las probabilidades de elección ejecutando model_fitting.
py usando la línea de comandos que se muestra en la pantalla. Cuando se le solicite, proporcione las entradas para el directorio al sujeto-datos/preprocesado, el número de estímulos, que será 37 por defecto, el número de iteraciones, el directorio de salida y la cantidad de ruido gaussiano, que será 0,18 por defecto. Visualice la probabilidad de registro de los modelos obtenidos y evalúe su ajuste ejecutando similitudes, análisis model_fitting_figure.py.
Cuando se le solicite, ingrese la ruta necesaria a los archivos CSV que contienen las probabilidades de registro. Visualice los espacios perceptivos para cada sujeto y genere gráficos de dispersión que muestren los puntos del modelo 5D proyectados en los dos primeros componentes principales ejecutando los comandos mostrados. Cuando se le solicite, introduzca los parámetros de entrada y la ruta al archivo NPY que contiene los puntos 5D.
Después de ejecutar el script, salga del entorno virtual. En el archivo generado para la palabra experimento, la primera fila corresponde a un ensayo en el que aparecen ocho estímulos alrededor del mono estímulo de referencia. Los juicios de rango se descompusieron en elecciones por pares.
La distribución de las probabilidades de elección fue altamente consistente entre los sujetos. La agrupación de datos cerca de la diagonal en cada panel indica una gran consistencia en las probabilidades de elección entre los sujetos y para los juicios que no están en los extremos. La diagonal dominante indica que las probabilidades de elección en los dos contextos, incluidas las probabilidades de elección intermedias entre cero y uno, son casi idénticas para cada sujeto.
Las probabilidades logarítmicas se muestran en relación con la probabilidad logarítmica del mejor modelo, es decir, un modelo que asigna la probabilidad de elección observada a cada comparación sin restringir estas probabilidades por ninguna consideración geométrica. El análisis de componentes principales se realizó en los puntos del modelo 5D del espacio perceptivo donde los animales percibidos como similares fueron denotados por puntos cercanos entre sí. Es crucial decidir sobre todos los parámetros al diseñar un experimento y establecerlos en los archivos de configuración antes de comenzar el paso dos.
Hacer un seguimiento cuidadoso de los datos de cada sujeto también es muy importante. El método proporciona un gran número de juicios de similitud, por lo que se podrían aplicar una serie de análisis, como el análisis de conglomerados, un enfoque en el contexto o el modelado con diferentes espacios geométricos.
