פרדיגמה פסיכופיזיקה לאיסוף וניתוח של שיפוט דמיון

Summary

הפרוטוקול מציג פרדיגמת פסיכופיזיקה ניסיונית להשגת כמויות גדולות של שיפוטי דמיון, ותהליך עבודה נלווה לניתוח. הפרדיגמה בוחנת אפקטים הקשר ומאפשרת מידול של נתוני דמיון במונחים של מרחבים אוקלידיים של לפחות חמישה ממדים.

Abstract

שיפוטי דמיון משמשים בדרך כלל לחקר ייצוגים מנטליים ואת הקורלציה העצבית שלהם. גישה זו שימשה לאפיון מרחבים תפיסתיים בתחומים רבים: צבעים, אובייקטים, תמונות, תמונות, מילים וצלילים. באופן אידיאלי, אפשר לרצות להשוות הערכות של דמיון נתפס בין כל זוגות הגירויים, אבל זה לעתים קרובות לא מעשי. לדוגמה, אם מבקשים מנושא להשוות את הדמיון של שני פריטים עם הדמיון של שני פריטים אחרים, מספר ההשוואות גדל עם הכוח הרביעי של גודל ערכת הגירוי. אסטרטגיה חלופית היא לשאול נושא לדרג קווי דמיון של זוגות מבודדים, למשל, בקנה מידה Likert. זה הרבה יותר יעיל (מספר הדירוגים גדל באופן מרובע עם גודל מוגדר ולא מרובע), אבל דירוגים אלה נוטים להיות לא יציבים ויש להם רזולוציה מוגבלת, והגישה גם מניחה כי אין השפעות הקשר.

כאן מוצגת פרדיגמת דירוג חדשנית לאיסוף יעיל של שיפוטי דמיון, יחד עם צינור ניתוח (תוכנה שסופקה) הבודק אם מודלים של מרחק אוקלידי אחראים לנתונים. ניסויים אופייניים מורכבים משמונה גירויים סביב גירוי התייחסות מרכזי: הנושא מדרג גירויים לפי הדמיון שלהם להתייחסות. על ידי בחירה נבונה של שילובים של גירויים המשמשים בכל ניסוי, הגישה יש בקרות פנימיות עבור עקביות ואפקטים הקשר. הגישה אומתה לגירויים שנלקחו ממרחבים אוקלידיים של עד חמישה ממדים.

הגישה מודגמת בניסוי המודד קווי דמיון בין 37 מילים. כל ניסוי מניב את התוצאות של 28 השוואות זוגיות של הטופס, "האם A היה דומה יותר להתייחסות מאשר B היה להתייחסות?" בעוד השוואת כל זוגות זוגות הגירויים הייתה דורשת ניסויים 221445, עיצוב זה מאפשר שחזור של המרחב התפיסתי משנת 5994 השוואות כאלה שהתקבלו מ -222 ניסויים.

Introduction

בני אדם מעבדים ומייצגים מידע חושי נכנס כדי לבצע מגוון רחב של משימות, כגון זיהוי אובייקטים, ניווט, הסקת מסקנות לגבי הסביבה ורבים אחרים. שיפוטי דמיון משמשים בדרך כלל כדי לחקור את הייצוגים הנפשיים ^האלה1. הבנת המבנה של ייצוגים מנטליים יכולה לספק תובנה על ארגון הידע ^{המושגי2}. ניתן גם לקבל תובנה על חישובים עצביים, על ידי התייחסות שיפוטי דמיון לדפוסי הפעלת ^המוח3. בנוסף, שיפוטי דמיון חושפים תכונות בולטות ^{בתפיסה4}. לימוד האופן שבו ייצוגים מנטליים משתנים במהלך ההתפתחות יכול לשפוך אור על האופן שבו הם נלמדים5. לפיכך, שיפוטי דמיון מספקים תובנה רבת ערך על עיבוד מידע במוח.

מודל נפוץ של ייצוגים מנטליים באמצעות קווי דמיון הוא מודל חלל גיאומטרי ^6,7,8. מודל מסוג זה, המיושם על תחומים חושיים, מכונה לעתים קרובות מרחב ^{תפיסתי9}. נקודות במרחב מייצגות גירויים ומרחקים בין נקודות תואמים את השונות הנתפסת ביניהן. משיקולי דמיון, ניתן לקבל הערכות כמותיות של שונות. לאחר מכן ניתן להשתמש בשינויים זוגיים (או מרחקים תפיסתיים) אלה כדי לדגמן את המרחב התפיסתי באמצעות שינוי קנה מידה רב-ממדי10.

ישנן שיטות רבות לאיסוף פסקי דין דמיון, כל אחד עם היתרונות והחסרונות שלו. הדרך הפשוטה ביותר להשיג אמצעים כמותיים של שונות היא לבקש מהנבדקים לדרג בקנה מידה את מידת השוני בין כל זוג גירויים. אמנם זה מהיר יחסית, הערכות נוטות להיות לא יציבות על פני מפגשים ארוכים כמו נושאים לא יכולים לחזור פסקי דין קודמים, ואפקטים הקשר, אם קיים, לא ניתן לזהות. (כאן, אפקט הקשר מוגדר כשינוי בדמיון שנשפט בין שני גירויים, בהתבסס על נוכחות של גירויים אחרים שאינם משווים.) לחלופין, ניתן לבקש מהנבדקים להשוות את כל זוגות הגירויים לכל זוגות הגירויים האחרים. אמנם זה יניב סדר דירוג אמין יותר של הבדלים, מספר ההשוואות נדרש סולמות עם הכוח הרביעי של מספר הגירויים, מה שהופך אותו אפשרי רק ערכות גירוי קטן. לחלופות מהירות יותר, כגון מיון למספר מוגדר מראש של ^{אשכולות11} או מיון חינם יש מגבלות משלהן. מיון חופשי (למספר רב של ערימות) הוא אינטואיטיבי, אך הוא מאלץ את הנושא לסווג את הגירויים, גם אם הגירויים אינם להשאיל את עצמם בקלות לסיווג. השיטה הרב-סידורית העדכנית יותר, MDS הפוכה, עוקפת רבות מהמגבלות הללו והיא יעילה ^מאוד12. עם זאת, שיטה זו מחייבת את הנבדקים להקרין את הייצוגים המנטליים שלהם על מישור אוקלידי דו-ממדי ולשקול קווי דמיון באופן גיאומטרי ספציפי, מה שהופך את ההנחה כי מבנה הדמיון ניתן לשחזר ממרחקים אוקלידיים על מטוס. לפיכך, נותר צורך בשיטה יעילה לאיסוף כמויות גדולות של פסקי דין דמיוניים, מבלי להניח הנחות לגבי הגיאומטריה שבבסיס פסקי הדין.

מתואר כאן היא שיטה כי הוא גם יעיל למדי וגם מונע את המלכודות הפוטנציאליות לעיל. על ידי בקשת הנבדקים לדרג גירויים לפי סדר הדמיון להתייחסות מרכזית בכל ^ניסוי13, ניתן לחקור את הדמיון היחסי ישירות, מבלי להניח דבר על המבנה הגיאומטרי של תגובות הנבדקים. הפרדיגמה חוזרת על תת-קבוצה של השוואות עם הקשרים זהים ושונים כאחד, ומאפשרת הערכה ישירה של השפעות ההקשר, כמו גם רכישת תגובות מדורגות במונחים של הסתברויות בחירה. הליך הניתוח מפרק את פסקי הדין הללו להשוואות זוגיות מרובות ומשתמש בהם כדי לבנות ולחפש מודלים אוקלידיים של מרחבים תפיסתיים המסבירים את פסקי הדין. השיטה מתאימה לתיאור בפירוט את הייצוג של ערכות גירוי בגדלים בינוניים (למשל, 19 עד 49).

כדי להדגים את ההיתכנות של הגישה, נערך ניסוי, באמצעות קבוצה של 37 בעלי חיים כמו גירויים. הנתונים נאספו במהלך 10 מפגשים של שעה אחת ולאחר מכן נותחו בנפרד עבור כל נושא. ניתוח גילה עקביות בין נושאים ואפקטים הקשר זניחים. הוא גם העריך עקביות של הבדלים נתפסים בין גירויים עם מודלים אוקלידיים של המרחבים התפיסתיים שלהם. פרדיגמה ונהלי ניתוח המתוארים במאמר זה הם גמישים וצפויים להיות שימושיים לחוקרים המעוניינים לאפיין את התכונות הגיאומטריות של מגוון מרחבים תפיסתיים.

Protocol

לפני תחילת הניסויים, כל הנבדקים מספקים הסכמה מדעת בהתאם להנחיות המוסדיות והצהרת הלסינקי. במקרה של מחקר זה, הפרוטוקול אושר על ידי ועדת הביקורת המוסדית של המכללה הרפואית וייל קורנל.

1. התקנה והגדרה

1. הורד את הקוד ממאגר GitHub, קווי דמיון (https://github.com/jvlab/similarities). בשורת הפקודה, הפעל: שיבוט git https://github.com/jvlab/similarities.git. - אם git אינו מותקן, הורד את הקוד כתיקיה מכווצת מהמאגר.
   הערה: במאגר יש שתי ספריות משנה: ניסויים, המכילים שני ניסויים לדוגמה, וניתוח, המכיל קבוצה של סקריפטים של פיתון לניתוח נתוני דמיון שנאספו. בספריית הניסויים אחד (word_exp) עושה שימוש בגירויי מילים והשני (image_exp) מציג גירויים תמונה. היכרות מסוימת עם פייתון תהיה מועילה, אך לא הכרחית. ההנחה היא שההיכרות עם שורת הפקודה: שלבים מרובים דורשים הפעלת קבצי Script משורת הפקודה.
2. התקן את הכלים הבאים והגדר סביבה וירטואלית.
   1. פיתון 3: עיין בקישור לקבלת הוראות: https://realpython.com/installing-python/. פרויקט זה דורש פייתון גירסה 3.8.
   2. PsychoPy: מהקישור (https://www.psychopy.org/download.html), הורד את הגרסה העצמאית העדכנית ביותר של PsychoPy עבור מערכת ההפעלה הרלוונטית, באמצעות הכפתור הכחול, תחת התקנה. פרויקט זה משתמש PsychoPy גירסה 2021.2; יש להפעיל את הניסויים לדוגמה שסופקו עם הגירסה הנכונה של PsychoPy כמפורט להלן.
   3. קונדה: מהקישור (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation), להוריד את קונדה, דרך Miniconda או אנקונדה, עבור מערכת ההפעלה הרלוונטית.
   4. בשורת הפקודה, הפעל את הפעולות הבאות כדי ליצור סביבה וירטואלית עם חבילות הפיתון הנדרשות:
      cd ~/קווי דמיון
      conda env create -f environment.yaml
   5. בדוק אם הסביבה הווירטואלית נוצרה והפעל אותה באופן הבא:
      רשימת conda env # venv_sim_3.8 צריכה להיות מפורטת
      conda להפעיל venv_sim_3.8 # כדי להיכנס לסביבה הווירטואלית
      conda deactivate # כדי לצאת מהסביבה הווירטואלית לאחר הפעלת סקריפטים
      הערה: הפעלת קבצי Script בסביבה עשויה לפעמים להיות איטית. נא אפשר עד דקה לראות פלט מודפס בשורת הפקודה בעת הפעלת קובץ Script.
3. כדי להבטיח שהקוד שהורד יפעל כצפוי, הפעל את הניסויים לדוגמה שסופקו באמצעות השלבים שלהלן.
   הערה: ספריית הניסויים (קווי דמיון/ניסויים) מכילה ניסויים לדוגמה (word_exp image_exp), תוך שימוש בשני סוגים של גירויים: מילים ותמונות.
   1. פתח את "פסיכופי". עבור אל תצוגה ולאחר מכן לחץ על מתכנת, מכיוון שבונה ברירת המחדל של PsychoPy אינו יכול לפתוח .py הקבצים. עבור אל קובץ ולאחר מכן לחץ על פתח ופתח word_exp.py (קווי דמיון/ניסויים/word_exp/word_exp.py).
   2. כדי לטעון את הניסוי, לחץ על לחצן הפעל ניסוי ירוק. הזן ראשי תיבות או שם ומספר הפעלה ולחץ על אישור.
   3. בצע את ההוראות ולרוץ דרך כמה ניסויים כדי לבדוק את הגירויים אפור החוצה בעת לחיצה. לחץ על Escape כאשר אתה מוכן ליציאה.
      הערה: PsychoPy ייפתח במסך מלא, תחילה יציג הוראות ולאחר מכן כמה ניסיונות, עם טקסט מציין מיקום במקום מילות גירוי. בעת לחיצה, מילים אפורות החוצה. לאחר לחיצה על כל המילים, המשפט הבא מתחיל. בכל עת, PsychoPy יכול להסתיים על ידי לחיצה על מקש Escape . אם התוכנית מסתיימת במהלך שלבים 1.3.2 או 1.3.3, ייתכן שמערכת ההפעלה של המשתמש דורשת גישה ללוח המקשים ולעכבר. אם כן, תודפס הודעת שגיאה תיאורית בחלון PsychoPy Runner, אשר ינחה את המשתמש.
   4. לאחר מכן, ודא שניסוי התמונה פועל עם תמונות מציינות מיקום. פתח את "פסיכופי". עבור אל קובץ. לחץ על פתח ובחר image_exp.psyexp (קווי דמיון/ניסויים/image_exp/image_exp.psyexp).
   5. כדי להבטיח שנעשה שימוש בגירסה הנכונה, לחץ על סמל גלגל השיניים . מהאפשרות השתמש בגירסת PsychoPy בחר 2021.2 מהתפריט הנפתח.
   6. כבעבר, לחץ על לחצן הפעל ניסוי ירוק. הזן ראשי תיבות או שם ומספר הפעלה ולחץ על אישור.
      הערה: כמו בשלב 1.3.2, PsychoPy יציג תחילה הוראות ולאחר מכן יערוך ניסויים לאחר טעינת התמונות. כל גירסת ניסיון תכיל שמונה תמונות מציינות מיקום המקיפות תמונה מרכזית. לחיצה על תמונה תגרום לאפור אותה. ניתן להפסיק את התוכנית על-ידי הקשה על Escape.
   7. נווט אל ספריית הנתונים בכל אחת מספריות הניסוי כדי לראות את הפלט:
      קווי דמיון/ניסויים/image_exp/נתונים
      קווי דמיון/ניסויים/word_exp/נתונים
      הערה: נתונים ניסיוניים נכתבים בספריית הנתונים. קובץ התגובות.csv מכיל תגובות לחץ של ניסיון אחר ניסיון. קובץ יומן הרישום מכיל את כל לחיצות המקשים ולחיצות העכבר. היא שימושית לפתרון בעיות, אם PsychoPy נסגר באופן בלתי צפוי.
4. לחלופין, כדי לוודא שקבצי ה- Script של הניתוח פועלים כצפוי, שחזר חלק מהנתונים במקטע תוצאות מייצגות באופן הבא.
   1. צור ספריה עבור נתונים מעובדים מראש:
      cd ~/קווי דמיון
      mkdir sample-materials/subject-data/preprocessed
   2. שלב את הנתונים הגולמיים מכל התגובות.csv קבצים לקובץ json אחד. בשורת הפקודה, הפעל את הפעולות הבאות:
      דמיון בתקליטור
      קונדה להפעיל venv_sim_3.8
      פיתון -m analysis.preprocess.py
   3. כאשר תתבקש, הזן את הערכים הבאים עבור פרמטרי הקלט: 1) נתיב לנושא-נתונים: ./sample-materials/subject-data, 2), שם הניסוי: sample_word ו- 3) מזהה נושא: S7. קובץ json יהיה בדמיון/חומרי מדגם/נושא-נתונים/מעובד מראש.
   4. לאחר עיבוד מראש של נתונים, בצע את השלבים בפרוייקט README תחת איורים מתרבים. סקריפטים לניתוח אלה יופעלו מאוחר יותר כדי לנתח נתונים שנאספו מהניסוי של המשתמש עצמו.

2. איסוף נתונים על ידי הגדרת ניסוי מותאם אישית

הערה: ההליכים מסומנים הן עבור ניסויי התמונה והן עבור ניסויי המילים עד לשלב 3.1. לאחר שלב זה, התהליך זהה עבור שני הניסויים, ולכן ניסוי התמונה אינו מוזכר במפורש.

1. בחר ניסוי להפעלה. נווט אל המילה ניסוי (קווי דמיון/ניסויים/word_exp) או לניסוי התמונה (קווי דמיון/ניסויים/image_exp).
2. להחליט על מספר הגירויים. גודל ברירת המחדל של ערכת הגירוי הוא 37. כדי לשנות זאת, פתח את קובץ התצורה (דמיון/ניתוח/config.yaml) בעורך קוד מקור. בפרמטר num_stimuli של קובץ תצורת הניתוח, הגדר את גודל הגירוי שווה ל- mk + 1 כנדרש על ידי העיצוב הניסיוני עבור מספרים שלמים k ו - m.
   הערה: בעיצוב הסטנדרטי, k ≥ 3 ו - m = 6. לכן, ערכים חוקיים עבור num_stimuli כוללים 19, 25, 31, 37, 43 ו- 49 (ראה טבלה 1 להרחבות אפשריות של העיצוב).
3. סיים את הגירויים הניסיוניים. אם המילה ניסוי מתבצעת, הכן רשימה של מילים. לניסוי התמונה, צור ספריה חדשה והמקם בה את כל תמונות הגירוי. סוגי תמונות נתמכים הם png ו- jpeg. אל תשתמש בנקודות כמפרידים בשמות קבצים (לדוגמה, image.1.png אינו חוקי אך תמונה1.png או image_1.png חוקיים).
4. אם אתה מריץ את המילה ניסוי, הכן את הגירויים כדלקמן.
   1. צור קובץ חדש בניסויים/word_exp גירויים בשם.txt. קובץ זה ייקרא בשלב 3.3.
   2. בקובץ, כתוב את המילים בערכת הגירוי כפי שהן אמורות להופיע בתצוגה, כאשר כל מילה בשורה נפרדת. הימנע משורות ריקות נוספות או מרווחים נוספים לצד המילים. ראה חומרים לדוגמה לעיון (קווי דמיון/חומרי מדגם/חומרי מדגם/חומרי מילים-exp/sample_word_stimuli.txt).
5. אם ניסוי התמונה מתבצע, הגדר את הנתיב לגירוי שנקבע כדלקמן.
   1. בספריית הניסויים, חפש את קובץ התצורה הנקרא config.yaml (דמיון/ניסויים/config.yaml).
   2. פתח את הקובץ בעורך קוד מקור ועדכן את הערך של משתנה הקבצים לנתיב לספריה המכילה את ערכת הגירויים (שלב 2.3). זה המקום שבו PsychoPy יחפש את הגירויים התמונה.

3. יצירת מבחני דירוג

1. השתמש בקובץ גירויים.txt. אם המילה ניסוי מופעלת, ניתן להשתמש בקובץ שנוצר בשלב 2.4. אחרת, השתמש ברשימת שמות הקבצים (לעיון, ראה קווי דמיון/חומרי מדגם/חומרי דגימה/חומרי צילום-exp/sample_image_stimuli.txt). מקם קובץ זה בספריית הניסויים המתאימה (word_exp או image_exp).
2. הימנע מקווים ריקים נוספים, כמו גם כל רווחים בשמות. השתמש camelCase או snake_case עבור שמות גירוי.
3. לאחר מכן, צור תצורות ניסיון. פתח את הקובץ config.yaml בספריית הניתוח והגדר את הערך של הפרמטר path_to_stimulus_list לנתיב לגירויים.txt (נוצר בשלב 3.1).
   1. מתוך ספריית הדמיון, הפעל את קובץ ה- Script על-ידי ביצוע הפקודות הבאות בזה אחר זה:
      cd ~/קווי דמיון
      קונדה להפעיל venv_sim_3.8
      פיתון -m analysis.trial_configuration
      conda deactivate # צא מהסביבה הווירטואלית
   2. פעולה זו יוצרת קובץ הנקרא trial_conditions.csv בדמיון שבו כל שורה מכילה את שמות הגירויים המופיעים בניסוי, יחד עם מיקומם בתצוגה. מסופק קובץ trial_conditions.csv לדוגמה (קווי דמיון/חומרי מדגם). לקבלת פרטים אודות פרמטרי קלט עבור קבצי Script של הניתוח, עיין בפרוייקט README תחת שימוש.

איור 1: דוגמאות מייצגות לניסויים (שלב 3.3). (א) כל שורה מכילה את הפרטים של גירסת ניסיון אחת. הכותרות מציינות את מיקום הגירוי סביב העיגול. הגירוי תחת שופט מופיע במרכז stim 1 כדי stim 8 מופיעים סביב ההפניה. (B) הניסוי הראשון (שורה) מ- A ניתן על ידי PsychoPy כדי להציג את שמונת הגירויים סביב גירוי הייחוס, קוף. לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

הערה: בשלב זה, נוצרה ערכה מלאה של 222 ניסויים לריצה ניסיונית מלאה אחת, כלומר, עבור ערכת נתונים מלאה אחת. איור 1A מציג חלק מקובץ תנאים שנוצר על-ידי קובץ ה- Script שלעיל, עבור המילה ניסוי (ראה תוצאות מייצגות).

4. לאחר מכן, לשבור 222 ניסויים אלה לפגישות ולהפוך את סדר הניסיון באקראי. בעיצוב הטיפוסי, הפעלות כוללות 111 ניסויים, שכל אחד מהם דורש כ 1 שעות לרוץ.
   1. לשם כך, בשורת הפקודה הפעל את הפעולות הבאות:
      קונדה להפעיל venv_sim_3.8
      cd ~/קווי דמיון
      פיתון -m analysis.randomize_session_trials
   2. כאשר תתבקש, הזן את פרמטרי הקלט הבאים: נתיב trial_conditions.csv שנוצרו בשלב 3.3.2; ספריית פלט; מספר הניסיונות להפעלה: 111; מספר חזרות: 5.
      הערה: מספר החזרות יכול להיות גם מגוון אך ישפיע על מספר המפגשים המבוצעים בשלב 4 (ראה דיון: פרדיגמה ניסיונית). אם אתה משנה את ערך ברירת המחדל של מספר החזרות, הקפד לערוך את הערך של הפרמטר num_repeats בקובץ התצורה (קווי דמיון/ניתוח/config.yaml). במידת הצורך, עיין בהוראות שלב אחר שלב לביצוע הפעולה הידנית של האמור לעיל בקובץ README תחת המקטע יצירת גירסאות ניסיון.
5. שנה את שמו של כל אחד מהקבצים שנוצרו ולשמור אותם כתנאים.csv, בספריה משלו. עיין במבנה הספריות המומלץ כאן: קווי דמיון/חומרי מדגם/נתוני נושא ובפרוייקט README.
   הערה: כפי שמתואר בשלב 4, כל ניסוי חוזר על עצמו חמש פעמים בעיצוב הסטנדרטי, במהלך מפגשים באורך 10 שעות, כל אחד ביום נפרד. יש לבקש מהנבדקים להגיע לפגישה אחת בלבד ביום כדי למנוע עייפות. ראה טבלה 1 לקבלת מספר הניסויים והמפגשים הדרושים לקבוצות גירויים בגדלים שונים.

4. הפעלת הניסוי ואיסוף נתוני דמיון

1. הסבר את המשימה לנבדקים ותן להם הוראות. בכל ניסוי, הנבדקים יראו גירוי התייחסות מרכזי מוקף בשמונה גירויים ויתבקשו ללחוץ על הגירויים בסראונד, לפי סדר דמיון להפניה המרכזית, כלומר, הם צריכים ללחוץ על האחרון הדומה ביותר הראשון והפחות דומה.
2. בקש מהם לנסות להשתמש באסטרטגיה עקבית. תגיד להם שהם יוצגו באותה תצורה של גירויים מספר פעמים במהלך 10 מפגשים. אם המחקר בוחן ייצוג של מידע סמנטי, ודא שהנבדקים מכירים את הגירויים לפני תחילתם.
3. נווט אל ספריית הניסויים הרלוונטית (ראה שלב 2.1). אם זו הפעם הראשונה בה הוא מפעיל את הניסוי, צור ספריה הנקראת נתוני נושא כדי לאחסן תגובות לנושא. צור בו שתי ספריות משנה: גולמיות ומעובדות מראש. עבור כל נושא, צור ספריית משנה בתוך נתוני נושא/גלם.
4. העתק את התנאים.csv הקובץ שהוכן בשלב 3 עבור ההפעלה הספציפית והדבק אותו בספריה הנוכחית, כלומר, הספריה המכילה את קובץ psyexp. אם כבר קיים שם קובץ, תנאים בעלי שם.csv, הקפד להחליף אותו בקובץ עבור ההפעלה הנוכחית.
5. פתח את PsychoPy ולאחר מכן פתח את קובץ psyexp או py בספריית הניסוי הרלוונטי. ב- PsychoPy, לחץ על כפתור ההפעלה הירוק כדי להפעיל את הניסוי. בחלון המוקפץ המודאלי, הזן את שם הנושא או המזהה ומספר ההפעלה. לחץ על אישור כדי להתחיל. הוראות יוצגו בתחילת כל הפעלה.
6. אפשר לנושא כשעה אחת להשלים את המשימה. מכיוון שהמשימה היא בקצב עצמי, עודד את הנבדקים לקחת הפסקות במידת הצורך. כאשר הנושא מסיים את ההפעלה, PsychoPy יסתיים באופן אוטומטי, וקבצים ייווצרו בדמיון / ניסויים / <המחיה או מילה>_exp / ספריית נתונים.
7. העבר אותם לספריה נושא-נתונים/גולמיים/גולמיים/ (נוצר בשלב 4.3). ראה README עבור מבנה הספריות המומלץ.
   הערה: כאמור, קובץ יומן הרישום מיועד לפתרון בעיות. הסיבה הנפוצה ביותר עבור PsychoPy להיסגר באופן בלתי צפוי היא כי נושא בטעות לוחץ Escape במהלך מפגש . במקרה כזה, תגובות לניסיונות עד לתקופת הניסיון האחרונה שתושלם עדיין ייכתבו לקובץ התגובות.csv.
8. אם PsychoPy נסגר באופן בלתי צפוי, פתח אותו מחדש וצור קובץ .csv תנאים חדשים, רק עם הניסויים שלא נוסו. החלף את קובץ התנאים של ההפעלה הקיימת בקובץ זה והפעל מחדש את הניסוי. הקפד לשמור את הקבצים שנוצרו במקום המתאים. בסוף ההפעלה, ניתן לשלב את שני קבצי התגובות באופן ידני לאחד, אם כי אין בכך צורך.
9. עבור כל אחת מההפעלות הנותרות, חזור על שלבים 4.4 עד 4.8.
10. לאחר השלמת כל ההפעלות, שלב את קבצי הנתונים הגולמיים ואתחל אותם מחדש לקובץ json יחיד לעיבוד נוסף. לשם כך, הפעל preprocess.py במסוף (קווי דמיון/ניתוח/עיבוד מקדים.py) באופן הבא:
    cd ~/קווי דמיון
    קונדה להפעיל venv_sim_3.8
    python -m analysis.preprocesss
11. כאשר תתבקש, הזן את פרמטרי הקלט המבוקשים: הנתיב לספריית נתוני הנושא, מזהי הנושא שעבורם יש לעבד מראש את הנתונים ושם הניסוי (המשמש לשם קובץ הפלט). הקש Enter.
12. צא מהסביבה הווירטואלית:
    conda deactivate
    הערה: פעולה זו תיצור קובץ json בספריית הפלט המשלב תגובות בין חזרות עבור כל גירסת ניסיון. נתוני דמיון נקראים מנתונים-נושא/גולמיים ונכתבים לנושא-נתונים/מעובדים מראש.

5. ניתוח שיפוטי דמיון

הערה: הנבדקים מתבקשים ללחוץ על גירויים לפי סדר הדמיון להפניה, ובכך לספק דירוג בכל ניסוי. לניסויים סטנדרטיים, חזרו על כל ניסוי חמש פעמים, ויצרו חמישה סדרי דירוג של אותם שמונה גירויים (ראו איור 2B). פסקי דין בדרגה אלה מתפרשים כסדרה של השוואות שבהן נושא משווה זוגות של מרחקים תפיסתיים. ההנחה היא שהנושא שואל את השאלה הבאה לפני כל לחיצה: "האם המרחק (התפיסתי) בין ההתייחסות לגירוי קטן מהמרחק בין ההפניה לגירוי B?" כפי שניתן לראות באיור 2C, הדבר מניב הסתברויות בחירה עבור השוואות מרובות של קווי דמיון זוגי עבור כל גירסת ניסיון. הניתוח שלהלן משתמש בהסתברויות בחירה אלה.

איור 2: השגת הסתברויות בחירה משיפוטי דירוג. (א) איור של ניסוי מהמילה ניסוי שערכנו. (ב) הושגו חמש הזמנות דרגה לאותו ניסיון, במהלך מספר מפגשים. (ג) הסתברויות בחירה עבור השוואות השונות הזוגיות ששופטי הדירוג מייצגים. לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

1. קבע הסתברויות לבחירה זוגית משיפוטי סדר דרגה.
   1. בדמיון/ניתוח, הפעל describe_data.py בשורת הפקודה.
      cd ~/קווי דמיון
      קונדה להפעיל venv_sim_3.8
      פיתון -m analysis.describe_data
   2. כאשר תתבקש, הזן את הנתיב לנושא-נתונים/מעובדים מראש ואת רשימת הנושאים שעבורם יש להפעיל את הניתוח.
      הערה: פעולה זו תיצור שלושה סוגים של התוויות: i) התפלגות הסתברויות הבחירה עבור ערכת הנתונים המלאה של נושא נתון, ii) מפות חום כדי להעריך עקביות על פני הסתברויות בחירה עבור זוגות של נושאים, ו- iii) מפת חום של הסתברויות בחירה עבור כל ההשוואות המתרחשות בשני הקשרים כדי להעריך אפקטים הקשר. מבחינה תפעולית, משמעות הדבר היא השוואת הסתברויות בחירה בזוגות של ניסויים המכילים את אותה התייחסות וזוג גירויים נפוצים בטבעת אך שונים בכל הגירויים האחרים בזירה: מפת החום מראה כיצד הסתברות הבחירה תלויה בהקשר זה.
2. צור מודלים אוקלידיים נמוכים-ממדיים של המרחבים התפיסתיים, תוך שימוש בהסתברויות הבחירה. הפעל model_fitting.py בשורת הפקודה באופן הבא:
   cd ~/קווי דמיון
   קונדה להפעיל venv_sim_3.8
   פיתון -m analysis.model_fitting
   1. ספק את פרמטרי הקלט הבאים כאשר תתבקשו לעשות זאת: נתיב לספריה הנושא-נתונים/עיבוד מראש; מספר הגירויים (37 כברירת מחדל); מספר האיטרציות (מספר הפעמים שיש להפעיל את ניתוח המידול); ספריית הפלט; וכמות הרעש הגאוסי (0.18 כברירת מחדל).
      הערה: הפעלת קובץ Script זה נמשכת מספר שעות. בסיום, קובצי npy המכילים את הקואורדינטות המתאימות ביותר עבור דגמי 1D, 2D, 3D, 4D ו- 5D המתארים את נתוני הדמיון ייכתבו לספריית הפלט. קובץ csv המכיל ערכי סבירות יומן רישום של המודלים השונים ייווצר.
3. דמיין את הסבירות של יומן הרישום של המודלים שהושגו ולהעריך את התאמתם. לשם כך, הפעל קווי דמיון/ניתוח/model_fitting_figure.py בשורת הפקודה:
   cd ~/קווי דמיון
   פיתון -m analysis.model_fitting_figure
   1. כאשר תתבקש, הזן את הפרמטר הדרוש: הנתיב לקבצי ה- csv המכילים סבירויות ליומן הרישום (משלב 5.2).
   2. נתח את האיור שנוצר, המציג את הסבירות ליומן רישום על ציר ה- y וממדי המודל על ציר ה- x. כבדיקת שפיות נכללים שני דגמים בנוסף לדגמים האוקלידיים: מודל בחירה אקראית ומודל הטוב ביותר האפשרי.
      הערה: מודל הבחירה האקראי מניח שנבדקים לוחצים באופן אקראי. לכן, הוא מספק גבול תחתון מוחלט על הסבירות ליומן עבור כל דגם כי הוא טוב יותר מאשר אקראי. באופן דומה, כגבול עליון עבור הסבירות ליומן הרישום (המסומן בצורה הטובה ביותר), קיימת הסבירות ליומן רישום של מודל המשתמש בהסתברויות הבחירה האמפיריות כהסתברויות המודל שלו.
   3. ודא שאף דגם אוקלידי אינו עולה על הדגם הטוב ביותר, שכן הדגם הטוב ביותר הוא, על ידי עיצוב, התאמה יתר על המידה וללא הגבלה על ידי שיקולים גיאומטריים. ודא כי הסבירות להתוות הם יחסיים לסבירות הגבוהה ביותר ביומן הרישום.
4. דמיין את הרווחים התפיסתיים עבור כל נושא. צור לוחות פיזור המציגים את הנקודות מהמודל התלת-ממדי המוקרן על שני הרכיבים העיקריים הראשונים. לשם כך, הפעל קווי דמיון/ניתוח/perceptual_space_visualizations.py בשורת הפקודה:
   cd ~/קווי דמיון
   פיתון -m analysis.perceptual_space_visualizations
   1. כאשר תתבקש, הזן את הפרמטרים: מזהי הנושא (מופרדים באמצעות רווחים) ואת הנתיב לקובץ npy המכיל את נקודות 5D שהתקבלו משלב 5.2.
   2. לאחר סיום פעולת קובץ ה- Script, צא מהסביבה הווירטואלית:
      conda deactivate
      הערה: סקריפט זה מיועד להדמיה של שיפוטי הדמיון. היא תיצור התוויית פיזור דו-ממדית, על-ידי הקרנת נקודות ה-5D על שני הרכיבים העיקריים הראשונים, מנורמלת כך שתהיה לה שונות שווה. שתי נקודות יהיו רחוקות זו מזו אם הנושא יחשיב אותן פחות דומות ולהיפך.

תוצאות

איור 1A מציג חלק מקובץ תנאים שנוצר על-ידי קובץ ה- Script בשלב 3.3, לניסוי המילים. כל שורה תואמת לגירסת ניסיון. הגירוי בעמודת השופט מופיע במרכז התצוגה. שמות העמודות stim1 עד stim8 תואמים לשמונה מיקומים לאורך עיגול, פועלים נגד כיוון השעון, החל מהמיקום שמימין להפניה המרכזית. ניסוי לדוגמה ?...

Discussion

הפרוטוקול המתואר כאן יעיל להשגה וניתוח של שיפוטי דמיון לגירויים שניתן להציג חזותית. הפרדיגמה הניסיונית, הניתוח וההרחבות האפשריות נדונים תחילה, ובהמשך ביתרונות ובחסרונות של השיטה.

פרדיגמה ניסיונית: השיטה המוצעת מודגמת באמצעות תחום של 37 שמות בעלי חיים, וערכת נתוני?...

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.