類似性判断の収集と分析のための心理物理学パラダイム

要約

このプロトコルは、大量の類似性判断を得るための実験的心理物理学パラダイムと、それに付随する分析ワークフローを提示する。パラダイムはコンテキスト効果を調査し、少なくとも5次元のユークリッド空間の観点から類似性データのモデリングを可能にします。

要約

類似性判断は、心的表現とその神経相関を研究するために一般的に使用されます。このアプローチは、色、オブジェクト、画像、単語、音など、多くの領域の知覚空間を特徴付けるために使用されてきました。理想的には、すべての刺激のペア間で知覚される類似性の推定値を比較したいかもしれませんが、これはしばしば実用的ではありません。たとえば、被験者に2つの項目の類似度と他の2つの項目の類似度を比較するように依頼すると、比較の数は刺激セットサイズの4乗とともに増加します。別の戦略は、被験者に孤立したペアの類似性を評価するように依頼することです(例えば、リッカートスケール)。これははるかに効率的です(評価の数は、四分位ではなく、設定されたサイズで2次的に増加します)が、これらの評価は不安定で解像度が限られている傾向があり、このアプローチではコンテキスト効果がないことも前提としています。

ここでは、類似性判定の効率的な収集のための新しいランキングパラダイムと、ユークリッド距離モデルがデータを説明するかどうかをテストする分析パイプライン(ソフトウェア提供)が提示されます。典型的な試験は、中央の基準刺激の周りの8つの刺激からなる:被験者は、参照との類似性の順に刺激をランク付けする。各試験で使用される刺激の組み合わせを慎重に選択することにより、このアプローチは一貫性と文脈効果のための内部制御を有する。このアプローチは、最大5次元のユークリッド空間から引き出された刺激について検証された。

このアプローチは、37の単語間の類似性を測定する実験で示されています。各試行では、「B が参照に似ていたよりも A が参照に似ていたか」という形式の 28 のペアワイズ比較の結果が得られます。刺激のペアのすべてのペアを直接比較するには221445試行が必要でしたが、この設計により、222回の試行から得られた5994のそのような比較から知覚空間の再構成が可能になります。

概要

人間は、物体認識、ナビゲーション、環境に関する推論など、幅広いタスクを実行するために、入ってくる感覚情報を精神的に処理して表現します。類似性判断は、これらの精神的表現を調査するために一般的に使用されます¹。心的表象の構造を理解することは、概念的知識の組織化への洞察を提供する^{ことができます2}。また、類似性判定を脳の活性化パターンに関連付けることで、神経計算に関する洞察を得ることもできます³。さらに、類似性判断は、知覚において顕著な特徴を明らかにする⁴。発達中に心表象がどのように変化するかを研究することは、それらがどのように学習されるかを明らかにすることができます⁵。したがって、類似性判断は、脳内の情報処理に関する貴重な洞察を提供します。

類似性を用いた精神表現の一般的なモデルは、幾何学的空間モデル^6,7,8である。感覚領域に適用されるこの種のモデルは、しばしば^{知覚空間9}と呼ばれます。空間内の点は刺激を表し、点間の距離はそれらの間の知覚される非類似性に対応します。類似性の判断から、非類似性の定量的推定値を得ることができます。これらのペアワイズ非類似性(または知覚距離)は、多次元スケーリング10を介して知覚空間をモデル化するために使用することができる。

類似性判断を収集する方法は多数あり、それぞれに長所と短所があります。非類似性の定量的尺度を得る最も直接的な方法は、被験者に刺激の各ペア間の非類似性の程度を尺度で評価するように依頼することである。これは比較的速いですが、被験者が以前の判断に戻ることができず、文脈の影響が存在する場合は検出できないため、長いセッションでは推定値が不安定になる傾向があります。(ここで、コンテキスト効果は、比較されていない他の刺激の存在に基づいて、2つの刺激間の判断された類似性の変化として定義される。あるいは、被験者は、刺激のすべてのペアを他のすべてのペアの刺激と比較するように求めることができる。これにより、非類似性のより信頼性の高い順位付けが得られますが、比較の数は刺激数の4乗でスケールが必要であり、小さな刺激セットでのみ実現可能です。定義済みの数の^{クラスター11}へのソートやフリーソートなど、より迅速な代替手段には独自の制限があります。自由なソート(任意の数の山への)は直感的ですが、刺激が分類に容易に役立たなくても、被験者に刺激を分類することを強制します。より最近のマルチアレンジメント法である逆MDSは、これらの制限の多くを回避し、非常に効率的です¹²。しかし、この方法では、被験者が自分の心的表現を2Dユークリッド平面に投影し、類似性を特定の幾何学的方法で考慮し、類似性構造が平面上のユークリッド距離から回復できると仮定する必要があります。したがって、判断の根底にある幾何学的形状について仮定することなく、大量の類似性判定を収集する効率的な方法が依然として必要とされている。

ここで説明するのは、合理的に効率的であり、上記の潜在的な落とし穴を回避する方法です。被験者に、各試行¹³において中央参照との類似度順に刺激をランク付けするように依頼することにより、被験者の応答の幾何学的構造について何も仮定することなく、相対的類似性を直接プローブすることができる。パラダイムは、同一のコンテキストと異なるコンテキストの両方で比較のサブセットを繰り返し、コンテキスト効果の直接的な評価と、選択確率の観点からの段階的な応答の獲得を可能にします。分析手順では、これらのランク判定を複数のペアワイズ比較に分解し、それらを使用して、判定を説明する知覚空間のユークリッドモデルを構築して検索します。この方法は、中程度のサイズ(例えば、19〜49)の刺激セットの表現を詳細に記述するのに適している。

このアプローチの実現可能性を実証するために、37匹の動物を刺激として使用して実験を実施した。データは、10回の1時間のセッションにわたって収集され、次いで、各被験者について別々に分析された。分析の結果、被験者間の一貫性と文脈上の影響はごくわずかであることが明らかになった。また、刺激と知覚空間のユークリッドモデルとの間の知覚された非類似性の一貫性を評価した。この論文で概説したパラダイムと解析手順は柔軟性があり、さまざまな知覚空間の幾何学的特性を特徴付けることに関心のある研究者に役立つことが期待されています。

プロトコル

実験を開始する前に、すべての被験者は、機関のガイドラインとヘルシンキ宣言に従ってインフォームドコンセントを提供します。この研究の場合、プロトコルはWeill Cornell Medical Collegeの施設内審査委員会によって承認されました。

1. インストールとセットアップ

1. GitHubリポジトリ、類似点(https://github.com/jvlab/similarities)からコードをダウンロードしてください。コマンドラインで、git clone https://github.com/jvlab/similarities.git を実行します。- git がインストールされていない場合は、リポジトリから zip 形式のフォルダとしてコードをダウンロードします。
   注: リポジトリには、2 つのサンプル実験を含む experiments と、収集された類似性データを分析するための一連の python スクリプトを含む analysis の 2 つのサブディレクトリがあります。実験ディレクトリでは、1つ(word_exp)は単語刺激を使用し、もう1つ(image_exp)は画像刺激を表示します。Python に精通していれば役に立つでしょうが、必ずしもそうである必要はありません。コマンドラインに精通していることを前提としています:複数のステップでは、コマンドラインからスクリプトを実行する必要があります。
2. 次のツールをインストールし、仮想環境を設定します。
   1. python 3:手順についてはリンクを参照してください: https://realpython.com/installing-python/.このプロジェクトには Python バージョン 3.8 が必要です。
   2. PsychoPy:リンク(https://www.psychopy.org/download.html)から、[インストール]の下の青いボタンを使用して、関連するオペレーティングシステム用のPsychoPyの最新のスタンドアロンバージョンをダウンロードします。このプロジェクトでは、PsychoPyバージョン2021.2を使用しています。提供されたサンプル実験は、以下に指定されているように、正しいバージョンのPsychoPyで実行する必要があります。
   3. conda: リンク (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation) から、Miniconda または Anaconda から、関連するオペレーティング システム用の conda をダウンロードします。
   4. コマンドラインで、次のコマンドを実行して、必要なPythonパッケージを含む仮想環境を作成します。
      cd ~/類似点
      conda env create -f environment.yaml
   5. 仮想環境が作成されたかどうかを確認し、次のようにしてアクティブ化します。
      conda env list # venv_sim_3.8 がリストされているはずです
      Conda は venv_sim_3.8 # をアクティブ化 して仮想環境に入ります
      Conda は # を非アクティブ化 して、スクリプトの実行後に仮想環境を終了します
      メモ: 環境でのスクリプトの実行は、時間がかかることがあります。スクリプトの実行時にコマンドラインで印刷出力が表示されるまで、最大 1 分かかりますのでご了承ください。
3. ダウンロードしたコードが期待どおりに動作することを確認するには、次の手順を使用して、提供されているサンプル実験を実行します。
   注: 実験ディレクトリ (類似点/実験) には、単語と画像の 2 種類の刺激を使用して、サンプル実験 (word_exp と image_exp) が含まれています。
   1. サイコパイを開きます。PsychoPyのデフォルトビルダーは.pyのファイルを開くことができないため、[ 表示]に移動し、[ Coder]をクリックします。 [ファイル] に移動し、[ 開く] をクリックして、 word_exp.py (類似点/実験/word_exp/word_exp.py) を開きます。
   2. 実験を読み込むには、緑色の [ 実験の実行] ボタンをクリックします。イニシャルまたは名前とセッション番号を入力し、「 OK」をクリックします。
   3. 指示に従って、いくつかの試行を実行して、クリックすると刺激がグレーアウトすることを確認します。終了する準備ができたら 、エスケープ を押します。
      注:PsychoPyはフルスクリーンで開き、最初に指示が表示され、次に刺激の言葉の代わりにプレースホルダテキストでいくつかの試行が表示されます。クリックすると、単語がグレー表示されます。すべての単語がクリックされると、次の試行が開始されます。PsychoPyはいつでも エスケープ キーを押すことで終了できます。手順 1.3.2 または 1.3.3 でプログラムが終了した場合、ユーザーのオペレーティング システムがキーボードとマウスへのアクセスを必要とする可能性があります。その場合は、説明的なエラーメッセージがPsychoPy Runnerウィンドウに印刷され、ユーザーをガイドします。
   4. 次に、プレースホルダー画像で画像実験が実行されることを確認します。サイコパイを開きます。 [ファイル] に移動します。「 開く 」をクリックし、 image_exp.psyexp (類似点/実験/image_exp/image_exp.psyexp) を選択します。
   5. 正しいバージョンが使用されていることを確認するには、[ 歯車] アイコンをクリックします。[ PsychoPyバージョンを使用する ]オプションから、ドロップダウンメニューから [2021.2 ]を選択します。
   6. 前と同じように、緑色の [ 実験の実行] ボタンをクリックします。イニシャルまたは名前とセッション番号を入力し、「 OK」をクリックします。
      注:ステップ1.3.2と同様に、PsychoPyは最初に命令を表示し、画像がロードされた後に試行をレンダリングします。各トライアルには、中央の画像を囲む8つのプレースホルダ画像が含まれます。画像をクリックするとグレー表示されます。プログラムは、 エスケープを押すことで終了できます。
   7. 各実験ディレクトリのデータ ディレクトリに移動して、出力を確認します。
      類似点/実験/image_exp/データ
      類似点/実験/word_exp/データ
      注: 実験データはデータディレクトリに書き込まれます。応答.csvファイルには、試行ごとのクリック応答が含まれています。ログファイルには、すべてのキー押下とマウスクリックが含まれています。これは、PsychoPyが予期せず終了した場合のトラブルシューティングに役立ちます。
4. 必要に応じて、分析スクリプトが期待どおりに動作することを確認するために、次のように [代表的な結果] セクションの数値の一部を再現します。
   1. 前処理されたデータ用のディレクトリを作成します。
      cd ~/類似点
      mkdirサンプル材料/被験者データ/前処理済み
   2. すべての応答.csvファイルの生データを1つのjsonファイルに結合します。コマンドラインで、次のコマンドを実行します。
      cd の類似点
      コンダはvenv_sim_3.8をアクティブにします
      python -m analysis.preprocess.py
   3. プロンプトが表示されたら、入力パラメーターに次の値を入力します: 1) 被験者データへのパス: ./サンプル材料/被験者データ 2), 実験名: sample_word, 3) 被験者 ID: S7.jsonファイルは類似点/サンプル材料/被験者データ/前処理されています。
   4. データが前処理されたら、プロジェクトREADMEの「図の再現」の手順に従います。これらの分析スクリプトは、後で実行され、ユーザー自身の実験から収集されたデータを分析します。

2. カスタム実験の設定によるデータ収集

注: 手順は、手順 3.1 までのイメージと単語の両方の実験について概説されています。このステップの後、プロセスは両方の実験で同じであるため、画像実験は明示的に言及されていません。

1. 実行する実験を選択します。「実験」(類似性/実験/word_exp)または画像実験(類似性/実験/image_exp)という単語に移動します。
2. 刺激の数を決めます。刺激セットのデフォルトサイズは 37 です。これを変更するには、ソースコードエディタで設定ファイル(類似点/分析/config.yaml)を開きます。解析構成ファイルのnum_stimuliパラメータで、整数kとmの実験計画で要求される刺激サイズをmk + 1に設定します。
   メモ: 標準設計では、 k ≥ 3 で、 m = 6 です。したがって、num_stimuliの有効な値には、19、25、31、37、43、および 49 が含まれます (設計の可能な拡張については 、表 1 を参照してください)。
3. 実験刺激を確定する。単語の実験を実行している場合は、単語のリストを準備します。画像実験では、新しいディレクトリを作成し、その中にすべての刺激画像を配置します。サポートされている画像の種類は、png と jpeg です。ファイル名の区切り文字としてピリオドを使用しないでください (たとえば、image.1.png は無効ですが、image1.png または image_1.png は有効です)。
4. 「実験」という単語を実行する場合は、次のように刺激を準備します。
   1. 実験/word_expで stimuli.txt という名前の新しいファイルを作成します。このファイルはステップ 3.3 で読み取られます。
   2. ファイルに、ディスプレイに表示されるように設定された刺激セット内の単語を、各単語を別々の行に書き込みます。単語の横に余分な空行や余分なスペースを入れないでください。参考までにサンプル資料 (類似性/サンプル資料/単語経験資料/sample_word_stimuli.txt)を参照してください。
5. 画像実験を実行している場合は、刺激セットへのパスを次のように設定します。
   1. 実験ディレクトリで、config.yaml (similarities/experiments/config.yaml) という名前の設定ファイルを見つけます。
   2. ソースコードエディタでファイルを開き、files 変数の値を刺激セットを含むディレクトリへのパスに更新します(ステップ2.3)。これは、PsychoPyが画像刺激を探す場所です。

3. ランキングトライアルの作成

1. 刺激.txtファイルを使用します。単語実験を実行している場合は、手順 2.4 で作成したファイルを使用できます。それ以外の場合は、ファイル名のリストを使用します (参考までに、類似点/サンプル材料/画像 - exp 材料/sample_image_stimuli.txtを参照してください)。このファイルを適切な実験ディレクトリ (word_exp またはimage_exp) に配置します。
2. 余分な空行や名前のスペースは避けてください。刺激名にはキャメルケースまたはsnake_caseを使用します。
3. 次に、試用版の構成を作成します。解析ディレクトリで config.yaml ファイルを開き、path_to_stimulus_listパラメータの値を stimuli.txt へのパス (手順 3.1 で作成) に設定します。
   1. similarities ディレクトリーから、以下のコマンドを順番に実行してスクリプトを実行します。
      cd ~/類似点
      コンダはvenv_sim_3.8をアクティブにします
      python -m analysis.trial_configuration
      コンダの非アクティブ化 # 仮想環境を終了する
   2. これにより、類似点のtrial_conditions.csvと呼ばれるファイルが作成され、各行には試行に現れる刺激の名前と、ディスプレイ内のそれらの位置が含まれます。サンプルtrial_conditions.csvファイル(類似点/サンプル材料)が提供されています。分析スクリプトの入力パラメータの詳細については、プロジェクト README の「使用法」を参照してください。

図1:試行の代表例(ステップ3.3)。 (A) 各行には、1 つの試行の詳細が含まれます。ヘッダーは、円の周りの刺激の位置を示します。ref の下の刺激が中央に表示され、刺激 1 から刺激 8 が参照の周囲に表示されます。(B)Aからの最初の試行(行)は、PsychoPyによってレンダリングされ、基準刺激、サルの周りの8つの刺激を表示します。 この図の拡大版を表示するには、ここをクリックしてください。

注: この時点で、1 つの完全な実験実行、つまり 1 つの完全なデータセットに対して 222 回の試行の完全なセットが生成されました。 図1Aは 、上記のスクリプトによって生成された条件ファイルの一部を、単語experimentについて示しています(代表的な結果を参照)。

4. 次に、これらの222件の試行をセッションに分割し、試行順序をランダム化します。一般的な設計では、セッションは 111 の試行で構成され、各試行の実行には約 1 時間かかります。
   1. これを行うには、コマンドラインで次のコマンドを実行します。
      コンダはvenv_sim_3.8をアクティブにします
      cd ~/類似点
      python -m analysis.randomize_session_trials
   2. プロンプトが表示されたら、次の入力パラメータを入力します: ステップ 3.3.2 で作成したtrial_conditions.csvへのパス。出力ディレクトリ;セッションあたりの試行回数: 111;繰り返し回数:5。
      注: 繰り返し回数も変更できますが、手順 4 で実施するセッションの数に影響します (「ディスカッション: 実験パラダイム」を参照)。繰り返し回数のデフォルト値を変更する場合は、設定ファイル内のnum_repeatsパラメータの値(類似性/分析/config.yaml)を必ず編集してください。必要に応じて、READMEファイルの「トライアルの作成」セクションの下にある、上記を手動で実行するためのステップバイステップの手順を確認してください。
5. 生成された各ファイルの名前を変更し、条件.csvとして独自のディレクトリに保存します。推奨されるディレクトリ構造は、類似点/サンプル資料/主題データとプロジェクトREADMEを参照してください。
   注: ステップ 4 で概説したように、各実験は標準計画で 5 回、10 時間にわたるセッションでそれぞれ別々の日に繰り返されます。被験者は、疲労を避けるために1日に1回のセッションのみに来るように求められるべきです。異なるサイズの刺激セットに必要な試行回数とセッション数については、 表1 を参照してください。

4. 実験の実行と類似性データの収集

1. 被験者にタスクを説明し、指示を与えます。各試験において、被験者は、8つの刺激に囲まれた中心基準刺激を表示し、中心基準との類似性の順に、周囲の刺激をクリックするように求められる、すなわち、最も類似した最初と最も類似していない最後をクリックするべきである。
2. 一貫した戦略を使うように言います。10回のセッションの間に同じ刺激の構成を複数回見せることを伝えます。研究が意味情報の表現をプローブする場合は、開始する前に被験者が刺激に精通していることを確認してください。
3. 関連する実験ディレクトリに移動します (手順 2.1 を参照)。実験を初めて実行する場合は、被験者の応答を格納する subject-data というディレクトリを作成します。その中に2つのサブディレクトリ(生と前処理済み)を作成します。サブジェクトごとに、サブジェクト・データ/raw内にサブディレクトリーを作成します。
4. 手順3で準備した条件.csvファイルを特定のセッション用にコピーし、現在のディレクトリ、つまりpsyexpファイルを含むディレクトリに貼り付けます。条件.csvという名前のファイルが既に存在する場合は、必ず現在のセッションのファイルに置き換えてください。
5. PsychoPy を開き、関連する実験のディレクトリにある psyexp または py ファイルを開きます。PsychoPyで、緑色の 再生 ボタンをクリックして実験を実行します。モーダルポップアップで、サブジェクト名または ID とセッション番号を入力します。「 OK」 をクリックして開始します。手順は、各セッションの開始時に表示されます。
6. 被験者がタスクを完了するのに約1時間かかります。タスクは自己ペースなので、必要に応じて休憩を取るように被験者に勧めます。被験者がセッションを終了すると、PsychoPyは自動的に終了し、類似点/実験/<画像または単語>_exp/データディレクトリにファイルが生成されます。
7. これらをサブジェクト・データ/生/ ディレクトリー (ステップ 4.3 で作成) に転送します。推奨されるディレクトリ構造については、README を参照してください。
   メモ: 前述のように、ログファイルはトラブルシューティング用です。PsychoPyが予期せず閉じる最も一般的な原因は、セッション中に被験者が誤って Escape を押したことです。この場合も、最後に完了した試用期間までの試行の応答は、引き続き応答.csvファイルに書き込まれます。
8. PsychoPyが予期せず閉じた場合は、再度開いて、試行されていない試行のみを含む新しい条件.csvファイルを作成します。既存のセッションの条件ファイルをこのファイルに置き換えて、実験を再実行します。生成されたファイルは、必ず適切な場所に保存してください。セッションの終了時に、2 つの応答ファイルを手動で 1 つに結合できますが、これは必須ではありません。
9. 残りのセッションごとに、手順 4.4 ~ 4.8 を繰り返します。
10. すべてのセッションが完了したら、生データファイルを結合し、さらに処理するためにそれらを単一のjsonファイルに再フォーマットします。これを行うには、ターミナルで preprocess.py(類似点/分析/前処理.py)を次のように実行します。
    cd ~/類似点
    コンダはvenv_sim_3.8をアクティブにします
    python -m analysis.preprocess
11. プロンプトが表示されたら、要求された入力パラメーター (被験者 - データ ディレクトリへのパス、データの前処理に使用する被験者 ID、および実験名 (出力ファイルに名前を付けるために使用) を入力します。 実行キーを押してください。
12. 仮想環境を終了します。
    コンダの非アクティブ化
    注:これにより、出力ディレクトリにjsonファイルが作成され、各試行の繰り返し間で応答が結合されます。類似性データは、サブジェクト・データ/生から読み込まれ、サブジェクト・データ/前処理済みに書き込まれます。

5. 類似性判断の分析

注:被験者は、参照と類似している順に刺激をクリックするように求められ、したがって、各試験におけるランキングを提供する。標準的な実験では、各試行を5回繰り返し、同じ8つの刺激の5つのランク順序を生成します( 図2B参照)。これらのランク判定は、被験者が知覚距離のペアを比較する一連の比較として解釈される。被験者は、クリックするたびに「基準と刺激Aの間の(知覚的な)距離は、基準と刺激Bの間の距離よりも小さいか」という質問をしていると仮定されます。 図2Cに示すように、これにより、各試行の複数のペアワイズ類似度比較の選択確率が得られます。以下の分析では、これらの選択確率を使用します。

図2:順位付け判定から選択確率を求める (A)私たちが行った実験という言葉からの試みのイラスト。(B)複数のセッションの過程で、同じ試験について5つのランク順序が得られた。(C)ランキング判定が表すペアワイズ非類似度比較の選択確率。 この図の拡大版を表示するには、ここをクリックしてください。

1. ランク順判定からペアワイズ選択確率を決定します。
   1. 類似点/分析では、コマンドライン でdescribe_data.py を実行します。
      cd ~/類似点
      コンダはvenv_sim_3.8をアクティブにします
      python -m analysis.describe_data
   2. プロンプトが表示されたら、サブジェクト・データ/前処理済みへのパスと、分析を実行するサブジェクトのリストを入力します。
      注:これにより、i)特定の被験者の完全なデータセットの選択確率の分布、ii)被験者のペアの選択確率間の一貫性を評価するヒートマップ、iii)コンテキスト効果を評価するために2つのコンテキストで発生するすべての比較に対する選択確率のヒートマップの3種類のプロットが作成されます。操作的には、これは、リング内の同じ参照と共通の刺激のペアを含むが、リング内の他のすべての刺激では異なる試行のペアで選択確率を比較することを意味します:ヒートマップは、選択確率がこのコンテキストにどのように依存するかを示します。
2. 選択確率を使用して、知覚空間の低次元ユークリッドモデルを生成します。コマンドラインで model_fitting.py を次のように実行します。
   cd ~/類似点
   コンダはvenv_sim_3.8をアクティブにします
   python -m analysis.model_fitting
   1. プロンプトが表示されたら、次の入力パラメーターを指定します: サブジェクト・データ/前処理済みディレクトリーへのパス。刺激の数(デフォルトでは37)。反復回数(モデリング分析を実行する回数)。出力ディレクトリ。ガウスノイズの量(デフォルトでは0.18)。
      メモ: このスクリプトの実行には数時間かかります。終了すると、類似度データを記述する1D、2D、3D、4D、および5Dモデルの最適な座標を含むnpyファイルが出力ディレクトリに書き込まれます。さまざまなモデルの対数尤度値を含むcsvファイルが生成されます。
3. 得られたモデルの対数尤度を視覚化し、それらの適合度を評価します。これを行うには、コマンドラインで 類似性/分析/model_fitting_figure.py を実行します。
   cd ~/類似点
   python -m analysis.model_fitting_figure
   1. プロンプトが表示されたら、必要なパラメータを入力します:ログ尤度を含むcsvファイルへのパス(ステップ5.2から)。
   2. 生成された図を分析し、Y 軸に対数尤度、X 軸にモデル寸法を表示します。健全性チェックとして、ユークリッド モデルに加えて、ランダム選択モデルと可能な限り最良のモデルという 2 つのモデルが含まれています。
      注: ランダム選択モデルでは、被験者がランダムにクリックすることを前提としています。したがって、ランダムよりも優れたモデルの対数尤度の絶対下限を提供します。同様に、対数尤度(最良とラベル付け)の上限として、経験的選択確率をモデル確率として使用するモデルの対数尤度があります。
   3. 最良のモデルは設計上、過剰適合であり、幾何学的考慮事項によって制約されていないため、ユークリッド モデルが最適なモデルよりも優れていることを確認します。プロットされた尤度が、最適な対数尤度を基準にしていることを確認します。
4. 各被験者の知覚空間を視覚化します。最初の2つの主成分に投影された5Dモデルの点を示す散布図を生成します。これを行うには、コマンドラインで 類似点/分析/perceptual_space_visualizations.py を実行します。
   cd ~/類似点
   python -m analysis.perceptual_space_visualizations
   1. プロンプトが表示されたら、サブジェクト ID (スペースで区切られたもの) と、ステップ 5.2 で取得した 5D ポイントを含む npy ファイルへのパスというパラメータを入力します。
   2. スクリプトの実行が完了したら、仮想環境を終了します。
      コンダの非アクティブ化
      注: このスクリプトは、類似性判断を視覚化するためのものです。5D ポイントを最初の 2 つの主成分に投影し、等分散を持つように正規化することによって、2D 散布図を作成します。被験者がそれらをあまり類似していないと考え、 その逆もすると、2つのポイントはより遠くなります。

結果

図 1A は、ステップ 3.3 のスクリプトによって生成された条件ファイルの一部を、単語実験用に示しています。各行は試行に対応します。ref 列の刺激がディスプレイの中央に表示されます。列名 stim1 から stim8 は、中央参照の右側の位置から始まる反時計回りに走る円に沿った 8 つの位置に対応します。「実験」という単語からのサンプル試行を図 1B

ディスカッション

ここで概説したプロトコルは、視覚的に提示できる刺激に対する類似性判定を取得・分析するのに有効である。実験パラダイム、分析、および可能な拡張が最初に議論され、後でこの方法の長所と短所が議論される。

実験パラダイム:提案手法は,37匹の動物名のドメインを用いて実証され,ステップ5の解析に従い,図3~?...

資料

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.