Il s’agit d’une méthode efficace pour recueillir et analyser les jugements de similitude, et elle ne suppose rien sur les propriétés géométriques des sujets sous-jacents aux représentations mentales. Les principaux avantages de la méthode sont sa flexibilité et la minimisation des hypothèses sur la nature de la représentation perceptuelle. Les types de stimuli et la complexité des essais peuvent être variés, et un large éventail de modèles géométriques peuvent être adaptés aux données.

Cette méthode pourrait être utile aux chercheurs intéressés à caractériser les représentations mentales des aspects de bas et de haut niveau des stimuli visuels. Sélectionnez une expérience à exécuter. Accédez au mot expérience en cliquant sur similitudes, puis sur expériences, puis word_exp, ou sur l’expérience d’image en cliquant sur similitudes, puis sur expériences, puis image_exp.

Finaliser les stimuli expérimentaux. Si le mot expérience est en cours d’exécution, préparez une liste de mots. Et pour l’expérience d’image, créez un nouveau répertoire et placez-y toutes les images de stimulus.

Dans le répertoire experiments, recherchez le fichier de configuration appelé config. yaml en cliquant sur similitudes, puis sur expériences, puis sur config.yaml. Ouvrez le fichier dans un éditeur de code source et mettez à jour la valeur de la variable de fichier dans le chemin d’accès au répertoire contenant le jeu de stimuli.

C’est là que PsychoPy cherchera les stimuli d’image. Créez des configurations d’évaluation en ouvrant la configuration. yaml dans le répertoire d’analyse, puis définissez la valeur du paramètre path_2_stimulus_list sur le chemin d’accès aux stimuli.txt.

À partir du répertoire similarities, exécutez le script en exécutant les commandes affichées dans la fenêtre l’une après l’autre. Cela crée un fichier appelé trial_conditions. csv dans les similitudes dans lesquelles chaque ligne contient les noms des stimuli apparaissant dans un essai ainsi que leurs positions.

Divisez l’ensemble complet de 222 essais générés en sessions et randomisez l’ordre d’essai en exécutant les commandes affichées dans la fenêtre. Dans la conception typique, les sessions comprennent 111 essais, dont chacun nécessite environ une heure pour fonctionner. Lorsque vous y êtes invité, entrez les paramètres d’entrée affichés.

Renommez et enregistrez chacun des fichiers générés en tant que conditions. csv dans son propre répertoire. Copiez les conditions.

csv et collez-le dans le répertoire actif contenant le fichier psyexp. Ouvrez PsychoPy et ouvrez le fichier psyexp ou py dans le répertoire des expériences correspondant. Dans PsychoPy, cliquez sur le bouton de lecture vert pour exécuter l’expérience.

Dans la fenêtre contextuelle modale, entrez le nom de l’objet ou l’ID et le numéro de session, puis cliquez sur OK pour commencer. Les instructions seront affichées au début de chaque session. Laissez au sujet environ une heure pour terminer la tâche et, comme la tâche est auto-rythmée, encouragez les sujets à prendre des pauses si nécessaire.

Une fois toutes les sessions terminées, combinez les fichiers de données brutes et reformatez-les en un seul fichier JSON pour un traitement ultérieur en exécutant un prétraitement. py dans le terminal en utilisant les commandes visibles à l’écran. Lorsque vous y êtes invité, entrez les paramètres d’entrée demandés, y compris le chemin d’accès au répertoire de données de l’objet, les ID d’objet pour prétraiter les données et le nom de l’expérience utilisé pour nommer le fichier de sortie, puis appuyez sur Entrée.

Cela créera un fichier JSON dans le répertoire de sortie qui combine les réponses entre les répétitions pour chaque essai. Pour déterminer les probabilités de choix par paires à partir des jugements d’ordre de rang, passez à similitudes, puis analysez et exécutez describe_data. py dans la ligne de commande.

Lorsque vous y êtes invité, entrez le chemin d’accès aux données d’objet et la liste des sujets à exécuter l’analyse. Cela créera trois types de parcelles. Générer des modèles euclidiens de faible dimension des espaces perceptifs en utilisant les probabilités de choix en exécutant model_fitting.

py en utilisant la ligne de commande affichée à l’écran. Lorsque vous y êtes invité, fournissez les entrées du répertoire aux données d’objet/prétraitées, le nombre de stimuli, qui sera de 37 par défaut, le nombre d’itérations, le répertoire de sortie et la quantité de bruit gaussien, qui sera de 0,18 par défaut. Visualisez la probabilité logarithmique des modèles obtenus et évaluez leur adéquation en exécutant des similitudes, des analyses model_fitting_figure.py.

Lorsque vous y êtes invité, entrez le chemin d’accès nécessaire aux fichiers CSV contenant les probabilités de journal. Visualisez les espaces perceptuels pour chaque sujet et générez des nuages de points montrant les points du modèle 5D projetés sur les deux premiers composants principaux en exécutant les commandes affichées. Lorsque vous y êtes invité, entrez les paramètres d’entrée et le chemin d’accès au fichier NPY contenant les points 5D.

Une fois le script exécuté, quittez l’environnement virtuel. Dans le fichier généré pour le mot expérience, la première ligne correspond à un essai dans lequel huit stimuli apparaissent autour du singe de stimulus de référence. Les jugements de rang ont été décomposés en choix par paires.

La distribution des probabilités de choix était très cohérente entre les sujets. Le regroupement des données près de la diagonale dans chaque panneau indique une grande cohérence dans les probabilités de choix entre les sujets et pour les jugements qui ne sont pas aux extrêmes. La diagonale dominante indique que les probabilités de choix dans les deux contextes, y compris les probabilités de choix intermédiaires entre zéro et un, sont presque identiques pour chaque sujet.

Les probabilités logarithmiques sont indiquées par rapport à la probabilité logarithmique du meilleur modèle, c’est-à-dire un modèle qui attribue la probabilité de choix observée à chaque comparaison sans contraindre ces probabilités par aucune considération géométrique. L’analyse des composantes principales a été effectuée sur les points du modèle 5D de l’espace perceptuel où les animaux perçus comme similaires étaient désignés par des points proches les uns des autres. Il est crucial de décider de tous les paramètres lors de la conception d’une expérience et de les définir dans les fichiers de configuration avant de commencer la deuxième étape.

Il est également très important de suivre attentivement les données de chaque sujet. La méthode fournit un grand nombre de jugements de similitude, de sorte qu’un certain nombre d’analyses pourraient être appliquées, telles que l’analyse en grappes, l’accent mis sur le contexte ou la modélisation avec différents espaces géométriques.