זוהי שיטה יעילה לאיסוף וניתוח שיפוטי דמיון, והיא אינה מניחה דבר על המאפיינים הגיאומטריים של נושאים העומדים בבסיס ייצוגים מנטליים. היתרונות העיקריים של השיטה הם גמישותה ומזעור ההנחות לגבי אופי הייצוג התפיסתי. סוגי הגירויים והמורכבות של הניסויים יכולים להיות מגוונים, ומגוון רחב של מודלים גיאומטריים יכול להתאים לנתונים.
שיטה זו יכולה להיות שימושית לחוקרים המעוניינים לאפיין את הייצוגים המנטליים של היבטים נמוכים וגבוהים של גירויים חזותיים. בחר ניסוי להפעלה. נווט אל המילה ניסוי על-ידי לחיצה על קווי דמיון, לאחר מכן ניסויים, word_exp או לניסוי התמונה על-ידי לחיצה על קווי דמיון, לאחר מכן ניסויים ולאחר מכן image_exp.
סיים את הגירויים הניסיוניים. אם המילה ניסוי מתבצעת, הכן רשימה של מילים. ולניסוי התמונה, ליצור ספריה חדשה ולמקם את כל תמונות הגירוי בו.
בספריית הניסויים, חפש את קובץ התצורה הנקרא config. yaml על-ידי לחיצה על קווי דמיון, לאחר מכן ניסויים ולאחר מכן config.yaml. פתח את הקובץ בעורך קוד מקור ועדכן את הערך של משתנה הקובץ לנתיב לספריה המכילה את ערכת הגירוי.
זה המקום שבו PsychoPy יחפש את הגירויים התמונה. צור תצורות ניסיון על-ידי פתיחת התצורה. קובץ yaml בספריית הניתוח, ולאחר מכן הגדר את הערך של הפרמטר path_2_stimulus_list לנתיב לגירויים.txt.
מספריית הדמיון, הפעל את קובץ ה- Script על-ידי ביצוע הפקודות המוצגות בחלון בזה אחר זה. פעולה זו יוצרת קובץ הנקרא trial_conditions. csv בדמיון שבו כל שורה מכילה את שמות הגירויים המופיעים בניסוי יחד עם עמדותיהם.
הפסק את הערכה המלאה של 222 ניסיונות שנוצרו בהפעלות והפוך את סדר הניסיון לאקראי לאקראי על-ידי ביצוע הפקודות המוצגות בחלון. בעיצוב הטיפוסי, הפעלות כוללות 111 ניסיונות, שכל אחד מהם דורש כשעה אחת כדי לרוץ. כאשר תתבקש, הזן את פרמטרי הקלט המוצגים.
שנה שם ושמור כל אחד מהקבצים שנוצרו כתנאי. csv בספריה משלו. העתק את התנאים.
קובץ csv והדבק אותו בספריה הנוכחית המכילה את קובץ psyexp. פתח את PsychoPy ופתח את קובץ psyexp או py בספריית הניסויים הרלוונטית. ב- PsychoPy, לחץ על כפתור ההפעלה הירוק כדי להפעיל את הניסוי.
בחלון המוקפץ המודאלי, הזינו את שם הנושא או המזהה ומספר ההפעלה ולחצו על הלחצן 'אשר' כדי להתחיל. הוראות יוצגו בתחילת כל הפעלה. אפשר לנושא כשעה אחת להשלים את המשימה וככל שהמשימה בקצב עצמי, עודד את הנבדקים לקחת הפסקות במידת הצורך.
לאחר השלמת כל ההפעלות, שלב את קבצי הנתונים הגולמיים ואתחל אותם מחדש לקובץ JSON יחיד לעיבוד נוסף על-ידי הפעלת עיבוד מקדים. py במסוף באמצעות הפקודות הגלויות על המסך. כאשר תתבקש, הזן את פרמטרי הקלט המבוקשים, כולל הנתיב לספריית הנתונים של הנושא, מזהי נושאים כדי לעבד מראש את הנתונים ואת שם הניסוי המשמש לשם קובץ הפלט ולאחר מכן הקש Enter.
פעולה זו תיצור קובץ JSON בספריית הפלט המשלב תגובות בין חזרות עבור כל גירסת ניסיון. כדי לקבוע את הסתברויות הבחירה הזוגיות ממשפטי סדר דרגה, עבור לדמיון, ולאחר מכן ניתוח והפעלה describe_data. פיי בשורת הפקודה.
כאשר תתבקש, הזן את הנתיב לנתוני הנושא ואת רשימת הנושאים כדי להפעיל את הניתוח. פעולה זו תיצור שלושה סוגים של חלקות. צור מודלים אוקלידיים בעלי ממדים נמוכים של הרווחים התפיסתיים באמצעות הסתברויות הבחירה על-ידי הפעלת model_fitting.
py באמצעות שורת הפקודה המוצגת על המסך. כאשר תתבקש, ספק את הקלט עבור הספריה לנושא-נתונים/מעובדים מראש, את מספר הגירויים, שיהיו 37 כברירת מחדל, את מספר האיטראציות, את ספריית הפלט ואת כמות הרעש הגאוסי, אשר יהיה 0.18 כברירת מחדל. דמיין את הסבירות של יומן הרישום של המודלים שהושגו ולהעריך את התאמתם על ידי הפעלת קווי דמיון, ניתוח, model_fitting_figure.py.
כאשר תתבקש, הזן את הנתיב הדרוש לקבצי ה- CSV המכילים סבירות ליומן הרישום. הצג באופן חזותי את הרווחים התפיסתיים עבור כל נושא וצור התוויות פיזור המציגות את הנקודות ממודל ה-5D המוקרנות על שני רכיבי העיקרון הראשונים על-ידי הפעלת הפקודות המוצגות. כאשר תתבקש, הזינו את פרמטרי הקלט ואת הנתיב לקובץ NPY המכיל את נקודות ה-5D.
לאחר ביצוע קובץ ה- Script, צא מהסביבה הווירטואלית. בקובץ שנוצר עבור המילה ניסוי, השורה הראשונה תואמת לניסוי שבו שמונה גירויים מופיעים סביב קוף גירוי הייחוס. פסקי הדין בדרגה נרקבו לבחירות זוגיות.
התפלגות ההסתברויות לבחירה הייתה עקבית מאוד בין הנבדקים. הנתונים המקובצים ליד האלכסון בכל פאנל מצביעים על עקביות רבה בהסתברויות הבחירה בין הנבדקים ובשיקולים שאינם בקיצוניות. האלכסון הדומיננטי מציין כי הסתברויות הבחירה בשני ההקשרים, כולל הסתברויות בחירת הביניים בין אפס לאחד, קרובות להיות זהות עבור כל נושא.
הסבירות של יומן הרישום מוצגת ביחס לסבירות יומן הרישום של המודל הטוב ביותר, כלומר מודל המקצה את הסתברות הבחירה הנצפית לכל השוואה מבלי להגביל הסתברויות אלה על ידי כל שיקול גיאומטרי. ניתוח רכיבים עקרוני בוצע על הנקודות ממודל 5D של המרחב התפיסתי שבו בעלי החיים שנתפסו דומים צוינו על ידי נקודות אחד ליד השני. חשוב להחליט על כל הפרמטרים בעת תכנון ניסוי ולהגדיר אותם בקבצי התצורה לפני תחילת השלב השני.
מעקב זהיר אחר הנתונים של כל נבדק הוא גם מאוד חשוב. השיטה מספקת מספר רב של שיפוט דמיון, כך שניתן ליישם מספר ניתוחים, כגון ניתוח אשכולות, התמקדות בהקשר או מידול עם מרחבים גיאומטריים שונים.