Questo è un metodo efficace per raccogliere e analizzare i giudizi di somiglianza e non presuppone nulla sulle proprietà geometriche dei soggetti alla base delle rappresentazioni mentali. I principali vantaggi del metodo sono la sua flessibilità e la minimizzazione delle ipotesi sulla natura della rappresentazione percettiva. I tipi di stimoli e la complessità delle prove possono essere variati e una vasta gamma di modelli geometrici può essere adattata ai dati.
Questo metodo potrebbe essere utile ai ricercatori interessati a caratterizzare le rappresentazioni mentali degli aspetti di basso e alto livello degli stimoli visivi. Selezionare un esperimento da eseguire. Passare alla parola esperimento facendo clic su Somiglianze, quindi esperimenti, quindi word_exp oppure all'esperimento immagine facendo clic su Somiglianze, quindi esperimenti, quindi image_exp.
Finalizzare gli stimoli sperimentali. Se la parola esperimento è in esecuzione, preparare un elenco di parole. E per l'esperimento dell'immagine, crea una nuova directory e inserisci tutte le immagini di stimolo al suo interno.
Nella directory degli esperimenti, trova il file di configurazione chiamato config. yaml facendo clic su Somiglianze, quindi su Esperimenti e infine su config.yaml. Aprire il file in un editor di codice sorgente e aggiornare il valore della variabile file al percorso della directory contenente il set di stimoli.
È qui che PsychoPy cercherà gli stimoli dell'immagine. Creare configurazioni di prova aprendo la configurazione. yaml nella directory di analisi, quindi impostare il valore del parametro path_2_stimulus_list sul percorso di stimuli.txt.
Dalla directory delle somiglianze, eseguire lo script eseguendo i comandi visualizzati nella finestra uno dopo l'altro. In questo modo viene creato un file denominato trial_conditions. csv in somiglianze in cui ogni riga contiene i nomi degli stimoli che appaiono in una prova insieme alle loro posizioni.
Suddividi il set completo di 222 prove generate in sessioni e randomizza l'ordine di prova eseguendo i comandi visualizzati nella finestra. Nel design tipico, le sessioni comprendono 111 prove, ognuna delle quali richiede circa un'ora per essere eseguita. Quando richiesto, immettere i parametri di input visualizzati.
Rinominare e salvare ciascuno dei file generati come condizioni. csv nella propria directory. Copiare le condizioni.
csv e incollarlo nella directory corrente contenente il file psyexp. Apri PsychoPy e apri il file psyexp o py nella directory degli esperimenti pertinente. In PsychoPy, fai clic sul pulsante di riproduzione verde per eseguire l'esperimento.
Nel pop-up modale, inserisci il nome del soggetto o l'ID e il numero di sessione e fai clic su OK per iniziare. Le istruzioni verranno visualizzate all'inizio di ogni sessione. Concedi al soggetto circa un'ora per completare l'attività e, poiché l'attività è autogestita, incoraggia i soggetti a fare delle pause se necessario.
Una volta completate tutte le sessioni, combinare i file di dati grezzi e riformattarli in un unico file JSON per un'ulteriore elaborazione eseguendo la pre-elaborazione. py nel terminale utilizzando i comandi visibili sullo schermo. Quando richiesto, immettere i parametri di input richiesti, tra cui il percorso della directory dei dati del soggetto, gli ID oggetto per pre-elaborare i dati e il nome dell'esperimento utilizzato per assegnare un nome al file di output, quindi premere INVIO.
Questo creerà un file JSON nella directory di output che combina le risposte tra le ripetizioni per ogni prova. Per determinare le probabilità di scelta a coppie dai giudizi dell'ordine di rango, vai alle somiglianze, quindi analizza ed esegui describe_data. py nella riga di comando.
Quando richiesto, immettere il percorso dei dati dell'oggetto e l'elenco dei soggetti per eseguire l'analisi. Questo creerà tre tipi di trame. Generare modelli euclidei a bassa dimensione degli spazi percettivi utilizzando le probabilità di scelta eseguendo model_fitting.
py utilizzando la riga di comando visualizzata sullo schermo. Quando richiesto, fornire gli input per la directory al soggetto-dati/preelaborati, il numero di stimoli, che sarà 37 per impostazione predefinita, il numero di iterazioni, la directory di output e la quantità di rumore gaussiano, che sarà 0,18 per impostazione predefinita. Visualizza la probabilità di log dei modelli ottenuti e valuta la loro idoneità eseguendo somiglianze, analisi model_fitting_figure.py.
Quando richiesto, immettere il percorso necessario per i file CSV contenenti le probabilità di registro. Visualizza gli spazi percettivi per ciascun soggetto e genera grafici a dispersione che mostrano i punti del modello 5D proiettato sui primi due componenti principali eseguendo i comandi visualizzati. Quando richiesto, immettere i parametri di input e il percorso del file NPY contenente i punti 5D.
Dopo l'esecuzione dello script, uscire dall'ambiente virtuale. Nel file generato per la parola esperimento, la prima riga corrisponde a una prova in cui otto stimoli appaiono intorno alla scimmia stimolo di riferimento. I giudizi di rango sono stati scomposti in scelte a coppie.
La distribuzione delle probabilità di scelta era altamente coerente tra i soggetti. Il raggruppamento dei dati vicino alla diagonale in ogni pannello indica una grande coerenza nelle probabilità di scelta tra i soggetti e per i giudizi che non sono agli estremi. La diagonale dominante indica che le probabilità di scelta nei due contesti, comprese le probabilità di scelta intermedie tra zero e uno, sono quasi identiche per ciascun soggetto.
Le probabilità di log sono mostrate rispetto alla probabilità di log del modello migliore, cioè un modello che assegna la probabilità di scelta osservata a ciascun confronto senza vincolare queste probabilità con alcuna considerazione geometrica. L'analisi dei componenti principali è stata eseguita sui punti del modello 5D dello spazio percettivo in cui gli animali percepiti come simili erano indicati da punti vicini l'uno all'altro. È fondamentale decidere tutti i parametri durante la progettazione di un esperimento e impostarli nei file di configurazione prima di iniziare il passaggio due.
Anche tenere traccia dei dati di ciascun soggetto è molto importante. Il metodo fornisce un gran numero di giudizi di somiglianza, quindi è possibile applicare una serie di analisi, come l'analisi dei cluster, l'attenzione al contesto o la modellazione con spazi geometrici diversi.
