이것은 유사성 판단을 수집하고 분석하기위한 효율적인 방법이며, 정신적 표현의 기초가되는 피험자의 기하학적 특성에 대해서는 아무 것도 가정하지 않습니다. 이 방법의 주요 장점은 지각 표현의 성격에 대한 가정의 유연성과 최소화입니다. 자극의 종류와 시험의 복잡성은 다양 할 수 있으며 광범위한 기하학적 모델이 데이터에 적합 할 수 있습니다.
이 방법은 시각적 자극의 낮고 높은 수준의 측면의 정신적 표현을 특성화하는 데 관심이있는 연구원에게 유용 할 수 있습니다. 실행할 실험을 선택합니다. 유사성을 클릭하여 실험이라는 단어로 이동한 다음 실험을 한 다음 word_exp하거나 유사성을 클릭하여 이미지 실험으로 이동한 다음 실험을 한 다음 image_exp니다.
실험 자극을 마무리하십시오. 단어 실험을 실행 중인 경우 단어 목록을 준비합니다. 그리고 이미지 실험을 위해 새 디렉토리를 만들고 모든 자극 이미지를 배치하십시오.
실험 디렉토리에서 config라는 구성 파일을 찾습니다. 유사성을 클릭 한 다음 실험 한 다음 config.yaml을 클릭하여 yaml. 소스 코드 편집기에서 파일을 열고 파일 변수의 값을 자극 세트가 포함된 디렉토리의 경로로 업데이트합니다.
이것은 PsychoPy가 이미지 자극을 찾는 곳입니다. 구성을 열어 평가판 구성을 만듭니다. yaml 파일을 분석 디렉토리에 있는 다음, path_2_stimulus_list 매개변수의 값을 stimuli.txt의 경로로 설정한다.
similarities 디렉터리에서 창에 표시된 명령을 차례로 실행하여 스크립트를 실행합니다. 이렇게 하면 trial_conditions라는 파일이 만들어집니다. csv는 각 행에 자신의 위치와 함께 재판에 나타나는 자극의 이름을 포함하는 유사성의 csv입니다.
생성된 222개의 평가판의 전체 세트를 세션으로 분할하고 창에 표시된 명령을 실행하여 시험 순서를 무작위화합니다. 일반적인 설계에서 세션은 111개의 평가판으로 구성되며, 각 평가판을 실행하는 데 약 1시간이 걸립니다. 메시지가 표시되면 표시된 입력 매개 변수를 입력합니다.
이름을 바꾸고 생성된 각 파일을 조건으로 저장합니다. csv는 자체 디렉토리에 있습니다. 조건을 복사합니다.
csv 파일을 사용하여 psyexp 파일이 들어 있는 현재 디렉토리에 붙여넣습니다. PsychoPy를 열고 관련 실험 디렉토리에서 psyexp 또는 py 파일을 엽니 다. PsychoPy에서 녹색 재생 버튼을 클릭하여 실험을 실행합니다.
모달 팝업에서 주체 이름 또는 ID 및 세션 번호를 입력하고 확인을 클릭하여 시작합니다. 각 세션이 시작될 때 지침이 표시됩니다. 피험자가 과제를 완료하는 데 약 한 시간 정도 허용하고 과제가 스스로 진행됨에 따라 필요한 경우 피험자가 휴식을 취하도록 격려하십시오.
모든 세션이 완료되면 원시 데이터 파일을 결합하고 단일 JSON 파일로 다시 포맷하여 전처리를 실행하여 추가 처리를 수행합니다. 화면에 보이는 명령을 사용하여 터미널에서 py. 메시지가 표시되면 주체 데이터 디렉터리에 대한 경로, 데이터를 사전 처리할 주체 ID 및 출력 파일의 이름을 지정하는 데 사용된 실험 이름을 포함하여 요청된 입력 매개 변수를 입력한 다음 Enter 키를 누릅니다.
이렇게 하면 출력 디렉터리에 JSON 파일이 생성되어 각 평가판에 대한 반복 간에 응답을 결합합니다. 순위 순서 판단에서 쌍 단위 선택 확률을 결정하려면 유사성으로 이동 한 다음 분석하고 실행describe_data하십시오. 명령 줄에서 py.
메시지가 표시되면 피사체 데이터의 경로와 분석을 실행할 피험자 목록을 입력합니다. 이렇게 하면 세 가지 종류의 플롯이 만들어집니다. model_fitting을 실행하여 선택 확률을 사용하여 지각 공간의 저차원 유클리드 모델을 생성합니다.
py 화면에 표시된 명령 줄을 사용합니다. 메시지가 표시되면 디렉토리에 대한 입력을 피사체 데이터/사전 처리된 항목, 기본적으로 37개인 자극 수, 반복 횟수, 출력 디렉토리 및 가우시안 노이즈의 양을 제공하는데, 이는 기본적으로 0.18이 됩니다. 획득한 모델의 로그 가능성을 시각화하고 유사성, 분석 model_fitting_figure.py을 실행하여 적합도를 평가합니다.
메시지가 표시되면 로그 가능성이 포함된 CSV 파일에 필요한 경로를 입력합니다. 각 피사체에 대한 지각 공간을 시각화하고 표시된 명령을 실행하여 처음 두 원리 구성 요소에 투영된 5D 모델의 점을 보여 주는 산점도를 생성합니다. 메시지가 표시되면 입력 매개변수와 5D 점이 포함된 NPY 파일의 경로를 입력합니다.
스크립트가 실행된 후 가상 환경을 종료합니다. 단어 실험에 대해 생성 된 파일에서 첫 번째 행은 참조 자극 원숭이 주위에 여덟 가지 자극이 나타나는 시험에 해당합니다. 계급 판단은 쌍 단위 선택으로 분해되었다.
선택 확률의 분포는 피험자 전반에 걸쳐 매우 일관적이었습니다. 각 패널의 대각선 근처에 클러스터링된 데이터는 피험자 간의 선택 확률과 극단적이지 않은 판단에 대한 많은 일관성을 나타냅니다. 지배적 인 대각선은 0과 하나 사이의 중간 선택 확률을 포함하여 두 컨텍스트의 선택 확률이 각 주제에 대해 거의 동일하다는 것을 나타냅니다.
로그 가능성은 최상의 모델의 로그 가능성, 즉 기하학적 고려 사항에 의해 이러한 확률을 제한하지 않고 각 비교에 관측된 선택 확률을 할당하는 모델입니다. 원리 성분 분석은 지각 공간의 5D 모델로부터의 점들에 대해 수행되었고, 여기서 동물들은 유사한 것으로 인식되었고 서로 가까운 점들로 표시되었다. 실험을 설계할 때 모든 매개 변수를 결정하고 두 단계를 시작하기 전에 구성 파일에서 설정하는 것이 중요합니다.
각 과목의 데이터를 신중하게 추적하는 것도 매우 중요합니다. 이 방법은 많은 유사성 판단을 제공하므로 클러스터 분석, 컨텍스트에 대한 초점 또는 다른 기하학적 공간을 사용한 모델링과 같은 여러 분석을 적용 할 수 있습니다.
