Entrar

É necessária uma assinatura da JoVE para visualizar este conteúdo. Faça login ou comece sua avaliação gratuita.

Neste Artigo

  • Resumo
  • Resumo
  • Introdução
  • Protocolo
  • Resultados
  • Discussão
  • Divulgações
  • Agradecimentos
  • Materiais
  • Referências
  • Reimpressões e Permissões

Resumo

O protocolo apresenta um paradigma psicofísico experimental para obter grandes quantidades de julgamentos de similaridade, e um fluxo de trabalho de análise que acompanha. O paradigma sonda efeitos de contexto e permite a modelagem de dados de similaridade em termos de espaços euclidianos de pelo menos cinco dimensões.

Resumo

Julgamentos de similaridade são comumente usados para estudar representações mentais e suas correlações neurais. Essa abordagem tem sido usada para caracterizar espaços perceptivos em muitos domínios: cores, objetos, imagens, palavras e sons. Idealmente, pode-se querer comparar estimativas de similaridade percebida entre todos os pares de estímulos, mas isso é muitas vezes impraticável. Por exemplo, se alguém pede a um sujeito para comparar a semelhança de dois itens com a semelhança de dois outros itens, o número de comparações cresce com a quarta potência do tamanho do conjunto de estímulos. Uma estratégia alternativa é pedir a um sujeito para classificar semelhanças de pares isolados, por exemplo, em uma escala Likert. Isso é muito mais eficiente (o número de classificações cresce quadráticamente com tamanho definido em vez de quarticamente), mas essas classificações tendem a ser instáveis e têm resolução limitada, e a abordagem também assume que não há efeitos de contexto.

Aqui, é apresentado um novo paradigma de classificação para a coleta eficiente de julgamentos de similaridade, juntamente com um pipeline de análise (software fornecido) que testa se os modelos de distância euclidianos explicam os dados. Os ensaios típicos consistem em oito estímulos em torno de um estímulo de referência central: o sujeito classifica estímulos em ordem de sua semelhança com a referência. Por seleção criteriosa de combinações de estímulos utilizados em cada ensaio, a abordagem tem controles internos para efeitos de consistência e contexto. A abordagem foi validada para estímulos extraídos de espaços euclidianos de até cinco dimensões.

A abordagem é ilustrada com um experimento que mede semelhanças entre 37 palavras. Cada ensaio produz os resultados de 28 comparações em pares da forma: "A era mais semelhante à referência do que B era a referência?" Embora comparar diretamente todos os pares de pares de estímulos teria exigido 221445 ensaios, este projeto permite a reconstrução do espaço perceptivo a partir de 5994 comparações obtidas a partir de 222 ensaios.

Introdução

Os seres humanos processam mentalmente e representam informações sensoriais recebidas para realizar uma ampla gama de tarefas, como reconhecimento de objetos, navegação, fazer inferências sobre o meio ambiente e muitas outras. Julgamentos de similaridade são comumente usados para sondar essas representações mentais1. Compreender a estrutura das representações mentais pode fornecer insights sobre a organização do conhecimento conceitual2. Também é possível obter insights sobre computação neural, relacionando julgamentos de similaridade aos padrões de ativação cerebral3. Além disso, julgamentos de similaridade revelam características que são salientes na percepção4. Estudar como as representações mentais mudam durante o desenvolvimento pode lançar luz sobre como elas são aprendidas5. Assim, julgamentos de similaridade fornecem informações valiosas sobre o processamento de informações no cérebro.

Um modelo comum de representações mentais usando semelhanças é um modelo de espaço geométrico6,7,8. Aplicado a domínios sensoriais, esse tipo de modelo é frequentemente referido como um espaço perceptivo9. Os pontos no espaço representam estímulos e distâncias entre os pontos correspondem à diferença percebida entre eles. A partir de julgamentos de similaridade, pode-se obter estimativas quantitativas de diferenças. Essas diferenças pareentas (ou distâncias perceptuais) podem então ser usadas para modelar o espaço perceptivo através de dimensionamento multidimensional10.

Existem muitos métodos para coletar julgamentos de similaridade, cada um com suas vantagens e desvantagens. A maneira mais simples de obter medidas quantitativas de dissimilaridade é pedir aos sujeitos que classifiquem em escala o grau de dissimilaridade entre cada par de estímulos. Embora isso seja relativamente rápido, as estimativas tendem a ser instáveis em longas sessões, pois os sujeitos não podem voltar a julgamentos anteriores, e os efeitos do contexto, se presentes, não podem ser detectados. (Aqui, um efeito de contexto é definido como uma mudança na similaridade julgada entre dois estímulos, com base na presença de outros estímulos que não estão sendo comparados.) Alternativamente, os sujeitos podem ser solicitados a comparar todos os pares de estímulos com todos os outros pares de estímulos. Embora isso produziria uma ordenação de classificação mais confiável de diferenças, o número de comparações necessárias escalas com o quarto poder do número de estímulos, tornando-o viável apenas para pequenos conjuntos de estímulos. Alternativas mais rápidas, como classificar em um número predefinido de clusters11 ou classificação gratuita têm suas próprias limitações. A classificação livre (em qualquer número de pilhas) é intuitiva, mas força o sujeito a categorizar os estímulos, mesmo que os estímulos não se prestam facilmente à categorização. O método multi-arranjo mais recente, O MDS inverso, contorna muitas dessas limitações e é muito eficiente12. No entanto, este método exige que os sujeitos projetem suas representações mentais em um plano euclidiano 2D e considerem semelhanças de forma geométrica específica, tornando a suposição de que a estrutura de similaridade pode ser recuperada a partir de distâncias euclidianas em um plano. Assim, resta a necessidade de um método eficiente para coletar grandes quantidades de julgamentos de similaridade, sem fazer suposições sobre a geometria subjacente aos julgamentos.

Descrito aqui é um método que é razoavelmente eficiente e também evita as armadilhas potenciais acima. Ao pedir aos sujeitos que classifiquem os estímulos por ordem de similaridade a uma referência central em cada ensaio13, a relativa semelhança pode ser sondada diretamente, sem assumir nada sobre a estrutura geométrica das respostas dos sujeitos. O paradigma repete um subconjunto de comparações com contextos idênticos e diferentes, permitindo a avaliação direta dos efeitos do contexto, bem como a aquisição de respostas classificadas em termos de probabilidades de escolha. O procedimento de análise decompõe esses julgamentos em múltiplas comparações em pares e os utiliza para construir e procurar modelos euclidianos de espaços perceptivos que expliquem os julgamentos. O método é adequado para descrever detalhadamente a representação de conjuntos de estímulo de tamanhos moderados (por exemplo, 19 a 49).

Para demonstrar a viabilidade da abordagem, foi realizado um experimento, utilizando um conjunto de 37 animais como estímulos. Os dados foram coletados ao longo de 10 sessões de uma hora e, em seguida, analisados separadamente para cada assunto. A análise revelou consistência entre os sujeitos e efeitos de contexto insignificantes. Também avaliou a consistência das diferenças percebidas entre estímulos com modelos euclidianos de seus espaços perceptivos. Os procedimentos paradigmáticos e de análise descritos neste artigo são flexíveis e devem ser de uso para pesquisadores interessados em caracterizar as propriedades geométricas de uma gama de espaços perceptivos.

Protocolo

Antes do início dos experimentos, todos os sujeitos fornecem consentimento informado de acordo com as diretrizes institucionais e a Declaração de Helsinque. No caso deste estudo, o protocolo foi aprovado pelo conselho de revisão institucional da Weill Cornell Medical College.

1. Instalação e configuração

  1. Baixe o código no repositório do GitHub, semelhanças (https://github.com/jvlab/similarities). Na linha de comando, corra: https://github.com/jvlab/similarities.git do clone git. - Se o git não estiver instalado, baixe o código como uma pasta com zíper do repositório.
    NOTA: No repositório estão dois subdiretórios: experimentos, que contém dois experimentos de amostra, e análise, que contém um conjunto de scripts python para analisar dados de similaridade coletados. No diretório de experimentos um (word_exp) faz uso de estímulos de palavras e o outro (image_exp) exibe estímulos de imagem. Alguma familiaridade com Python será útil, mas não necessária. A familiaridade com a linha de comando é assumida: várias etapas exigem scripts de execução da linha de comando.
  2. Instale as seguintes ferramentas e configure um ambiente virtual.
    1. python 3: Consulte o link para obter instruções: https://realpython.com/installing-python/. Este projeto requer python versão 3.8.
    2. PsychoPy: A partir do link (https://www.psychopy.org/download.html), baixe a versão autônoma mais recente do PsychoPy para o sistema operacional relevante, usando o botão azul, em Instalação. Este projeto usa a versão Psicopy 2021.2; os experimentos de amostra fornecidos devem ser executados com a versão correta do PsychoPy conforme especificado abaixo.
    3. conda: A partir do link (https://docs.conda.io/projects/conda/en/latest/user-guide/install/index.html#regular-installation), baixe conda, através de Miniconda ou Anaconda, para o sistema operacional relevante.
    4. Na linha de comando, execute o seguinte para criar um ambiente virtual com os pacotes python necessários:
      cd ~/semelhanças
      conda env criar -f ambiente.yaml
    5. Verifique se o ambiente virtual foi criado e ative-o da seguinte forma:
      conda env list # venv_sim_3.8 deve ser listado
      conda ativar venv_sim_3.8 # para entrar no ambiente virtual
      conda desativar # para sair do ambiente virtual depois de executar scripts
      NOTA: Executar scripts em um ambiente às vezes pode ser lento. Por favor, permita até um minuto para ver qualquer saída impressa na linha de comando quando executar um script.
  3. Para garantir que o código baixado funcione como esperado, execute os experimentos de amostra fornecidos usando as etapas abaixo.
    NOTA: O diretório de experimentos (semelhanças/experimentos) contém experimentos de amostra (word_exp e image_exp), fazendo uso de dois tipos de estímulos: palavras e imagens.
    1. Abra psychopy. Vá para Exibir e clique em Coder, porque o construtor padrão do PsychoPy não pode abrir .py arquivos. Vá para Arquivo e clique em Abrir e abra word_exp.py (semelhanças/experimentos/word_exp/word_exp.py).
    2. Para carregar o experimento, clique no botão verde Executar experimento . Digite iniciais ou nome e número da sessão e clique em OK.
    3. Siga as instruções e execute alguns ensaios para verificar os estímulos em cinza quando clicado. Pressione Escape quando estiver pronto para sair.
      NOTA: PsychoPy abrirá em tela cheia, primeiro exibindo instruções e, em seguida, alguns ensaios, com texto reservado em vez de palavras de estímulo. Quando clicado, palavras cinza para fora. Quando todas as palavras foram clicadas, o próximo julgamento começa. A qualquer momento, PsychoPy pode ser encerrado pressionando a tecla Escape . Se o programa terminar durante as etapas 1.3.2 ou 1.3.3, é possível que o sistema operacional do usuário exija acesso ao teclado e ao mouse. Nesse caso, uma mensagem de erro descritiva será impressa na janela PsychoPy Runner, que guiará o usuário.
    4. Em seguida, verifique se o experimento de imagem é executado com imagens de espaço reservado. Abra psychopy. Vá para o Arquivo. Clique em Abrir e escolha image_exp.psyexp (semelhanças/experimentos/image_exp/image_exp.psyexp).
    5. Para garantir que a versão correta seja usada, clique no ícone Engrenagem . A partir da opção Use a versão PsychoPy selecione 2021.2 no menu suspenso.
    6. Como antes, clique no botão verde Executar experimento . Digite iniciais ou nome e número da sessão e clique em OK.
      NOTA: Como na etapa 1.3.2, o PsychoPy primeiro exibirá instruções e, em seguida, renderá ensaios após o carregamento das imagens. Cada ensaio conterá oito imagens de espaço reservado em torno de uma imagem central. Clicar em uma imagem irá acinzentado. O programa pode ser parado pressionando Escape.
    7. Navegue até o diretório de dados em cada um dos diretórios de experimentos para ver a saída:
      semelhanças/experimentos/image_exp/dados
      semelhanças/experimentos/word_exp/dados
      NOTA: Os dados experimentais são escritos no diretório de dados. O arquivo .csv respostas contém respostas de cliques de teste por tentativa. O arquivo de registro contém todas as teclas e cliques do mouse. É útil para solução de problemas, se PsychoPy parar inesperadamente.
  4. Opcionalmente, para verificar se os scripts de análise funcionam como esperado, reproduza algumas das figuras na seção Resultados Representativos da seguinte forma.
    1. Faça um diretório para dados pré-processados:
      cd ~/semelhanças
      mkdir amostra-materiais/dados de sujeito/pré-processados
    2. Combine os dados brutos de todas as respostas.csv arquivos a um arquivo json. Na linha de comando, execute o seguinte:
      semelhanças cd
      conda ativar venv_sim_3.8
      píton -m analysis.preprocess.py
    3. Quando solicitado, digite os seguintes valores para os parâmetros de entrada: 1) caminho para os dados sujeitos: ./sample-materials/subject-data, 2), nome do experimento: sample_word e 3) ID do assunto: S7. O arquivo json será em semelhanças/amostras-materiais/dados de sujeito/pré-processados.
    4. Uma vez que os dados são pré-processados, siga os passos do projeto README em números de reprodução. Esses scripts de análise serão executados posteriormente para analisar os dados coletados do próprio experimento do usuário.

2. Coleta de dados configurando um experimento personalizado

NOTA: Os procedimentos são delineados tanto para os experimentos de imagem quanto para a palavra até o passo 3.1. Após esta etapa, o processo é o mesmo para ambos os experimentos, de modo que o experimento de imagem não é explicitamente mencionado.

  1. Selecione um experimento para executar. Navegue até o experimento da palavra (semelhanças/experimentos/word_exp) ou o experimento de imagem (semelhanças/experimentos/image_exp).
  2. Decida sobre o número de estímulos. O tamanho padrão do conjunto de estímulos é 37. Para alterar isso, abra o arquivo de configuração (semelhanças/análise/config.yaml) em um editor de código-fonte. No num_stimuli parâmetro do arquivo de configuração de análise, defina o tamanho de estímulo igual a mk + 1 conforme exigido pelo design experimental para inteiros k e m.
    NOTA: No design padrão, k ≥ 3 e m = 6. Portanto, os valores válidos para num_stimuli incluem 19, 25, 31, 37, 43 e 49 (ver Tabela 1 para possíveis extensões do projeto).
  3. Finalize os estímulos experimentais. Se a palavra experiência está sendo executada, prepare uma lista de palavras. Para o experimento de imagem, faça um novo diretório e coloque todas as imagens de estímulo nele. Os tipos de imagem suportados são png e jpeg. Não use períodos como separadores em nomes de arquivos (por exemplo, imagem.1.png é inválido, mas imagem1.png ou image_1.png são válidas).
  4. Se executar a palavra experimento, prepare os estímulos da seguinte forma.
    1. Crie um novo arquivo em experimentos/word_exp estímulos chamados.txt. Este arquivo será lido na etapa 3.3.
    2. No arquivo, escreva as palavras no conjunto de estímulos como elas devem aparecer no visor, com cada palavra em uma linha separada. Evite linhas vazias extras ou espaços extras ao lado das palavras. Consulte materiais amostrais para referência (semelhanças/materiais de amostra/word-exp-materials/sample_word_stimuli.txt).
  5. Se o experimento de imagem estiver sendo executado, defina o caminho para o conjunto de estímulos da seguinte forma.
    1. No diretório de experimentos, encontre o arquivo de configuração chamado config.yaml (semelhanças/experimentos/config.yaml).
    2. Abra o arquivo em um editor de código-fonte e atualize o valor da variável de arquivos para o caminho para o diretório contendo o conjunto de estímulos (passo 2.3). É aqui que o PsychoPy procurará os estímulos de imagem.

3. Criação de ensaios de classificação

  1. Use um arquivo .txt estímulos. Se o experimento da palavra estiver sendo executado, o arquivo criado na etapa 2.4 pode ser usado. Caso contrário, use a lista de nomes de arquivos (para referência, veja semelhanças/materiais de amostra/image-exp-materials/sample_image_stimuli.txt). Coloque este arquivo no diretório de experimentos apropriado (word_exp ou image_exp).
  2. Evite linhas extras vazias, bem como quaisquer espaços nos nomes. Use camelCase ou snake_case para nomes de estímulo.
  3. Em seguida, crie configurações de teste. Abra o arquivo config.yaml no diretório de análise e defina o valor do parâmetro path_to_stimulus_list para o caminho para estímulos.txt (criado na etapa 3.1).
    1. A partir do diretório de semelhanças, execute o script executando os seguintes comandos um após o outro:
      cd ~/semelhanças
      conda ativar venv_sim_3.8
      píton -m analysis.trial_configuration
      conda desativar
      # sair do ambiente virtual
    2. Isso cria um arquivo chamado trial_conditions.csv em semelhanças em que cada linha contém os nomes dos estímulos que aparecem em um ensaio, juntamente com suas posições no display. Uma amostra trial_conditions.csv arquivo é fornecida (semelhanças/amostras-materiais). Para obter detalhes sobre parâmetros de entrada para os scripts de análise, consulte o projeto README em Uso.

figure-protocol-11206
Figura 1: Exemplos representativos de ensaios (etapa 3.3). (A) Cada linha contém os detalhes de um único teste. Os cabeçalhos indicam a posição do estímulo ao redor do círculo. O estímulo sob o ref aparece no centro e stim 1 a stim 8 aparecem em torno da referência. (B) O primeiro ensaio (linha) de A é renderizado pela PsychoPy para exibir os oito estímulos em torno do estímulo de referência, macaco. Clique aqui para ver uma versão maior desta figura.

NOTA: Neste momento, um conjunto completo de 222 ensaios para uma execução experimental completa, ou seja, para um conjunto completo de dados, foi gerado. A Figura 1A mostra parte de um arquivo de condições gerado pelo script acima, para a palavra experimento (ver Resultados Representativos).

  1. Em seguida, quebre esses 222 ensaios em sessões e randomize a ordem de julgamento. No desenho típico, as sessões são compostas por 111 ensaios, cada um deles requer aproximadamente 1h para ser executado.
    1. Para fazer isso, na linha de comando execute o seguinte:
      conda ativar venv_sim_3.8
      cd ~/semelhanças
      píton -m analysis.randomize_session_trials
    2. Quando solicitado, digite os seguintes parâmetros de entrada: caminho para trial_conditions.csv criado na etapa 3.3.2; diretório de saída; número de ensaios por sessão: 111; número de repetições: 5.
      NOTA: O número de repetições também pode ser variado, mas afetará o número de sessões realizadas na etapa 4 (ver Discussão: Paradigma Experimental). Se alterar o valor padrão do número de repetições, certifique-se de editar o valor do parâmetro num_repeats no arquivo de config (semelhanças/análise/config.yaml). Se necessário, verifique as instruções passo a passo para fazer o acima manualmente no arquivo README na seção Criar ensaios.
  2. Renomeie e salve cada um dos arquivos gerados como condições.csv, em seu próprio diretório. Veja a estrutura do diretório recomendado aqui: semelhanças/amostras-materiais/dados de sujeitos e no projeto README.
    NOTA: Conforme descrito na etapa 4, cada experimento é repetido cinco vezes no design padrão, ao longo de sessões longas de 10h, cada uma em um dia separado. Os sujeitos devem ser solicitados a vir para apenas uma sessão por dia para evitar a fadiga. Consulte a Tabela 1 para obter o número de ensaios e sessões necessários para conjuntos de estímulo de diferentes tamanhos.

4. Executar o experimento e coletar dados de similaridade

  1. Explique a tarefa aos sujeitos e dê-lhes instruções. Em cada ensaio, os sujeitos visualizarão um estímulo de referência central cercado por oito estímulos e serão solicitados a clicar nos estímulos no surround, em ordem de semelhança com a referência central, ou seja, eles devem clicar no primeiro e menos semelhantes mais semelhantes por último.
  2. Peça-lhes para tentar usar uma estratégia consistente. Diga-lhes que eles serão mostrados a mesma configuração de estímulos várias vezes ao longo das 10 sessões. Se o estudo sondar a representação de informações semânticas, certifique-se de que os sujeitos estejam familiarizados com os estímulos antes de começar.
  3. Navegue até o diretório de experimentos relevante (ver passo 2.1). Se esta for a primeira vez que executar o experimento, crie um diretório chamado dados de assunto para armazenar respostas de sujeitos. Crie dois subdiretórios nele: cru e pré-processado. Para cada assunto, crie um subdiretório dentro de dados de assunto/raw.
  4. Copie as condições.csv arquivo preparado na etapa 3 para a sessão específica e cole-a no diretório atual, ou seja, o diretório contendo o arquivo psyexp. Se já houver um arquivo lá, condições nomeadas.csv, certifique-se de substituí-lo por aquele para a sessão atual.
  5. Abra o PsychoPy e, em seguida, abra o arquivo psyexp ou py no diretório do experimento relevante. Em PsychoPy, clique no botão verde Jogar para executar o experimento. No pop-up modal, digite o nome do assunto ou ID e número da sessão. Clique em OK para iniciar. As instruções serão exibidas no início de cada sessão.
  6. Deixe o sujeito cerca de 1h completar a tarefa. Como a tarefa é auto-acelerada, incentive os sujeitos a fazer pausas, se necessário. Quando o assunto terminar a sessão, o PsychoPy terminará automaticamente e os arquivos serão gerados nas semelhanças/experimentos/_exp/dados.
  7. Transfira-os para o diretório de dados de assunto/bruto/ (criado na etapa 4.3). Consulte README para a estrutura de diretório recomendada.
    NOTA: Como mencionado, o arquivo de registro é para solução de problemas. A causa mais comum para o PsychoPy fechar inesperadamente é que um sujeito acidentalmente pressiona Escape durante uma sessão. Se isso acontecer, as respostas para testes até o último teste concluído ainda serão escritas para as respostas.csv arquivo.
  8. Se PsychoPy fechar inesperadamente, reabre-o e crie uma nova condição.csv arquivo, com apenas os ensaios que não haviam sido tentados. Substitua o arquivo de condições da sessão existente por este e reprise o experimento. Certifique-se de salvar os arquivos gerados no local apropriado. No final da sessão, os dois arquivos de respostas podem ser combinados manualmente em um, embora isso não seja necessário.
  9. Para cada uma das sessões restantes, repita as etapas 4.4 a 4.8.
  10. Depois que todas as sessões forem concluídas, combine os arquivos de dados brutos e reforme-os em um único arquivo json para processamento posterior. Para isso, execute preprocess.py no terminal (semelhanças/análise/pré-processo.py) da seguinte forma:
    cd ~/semelhanças
    conda ativar venv_sim_3.8
    python -m análise.pré-processo
  11. Quando solicitado, insira os parâmetros de entrada solicitados: o caminho para o diretório de dados de assunto, os IDs de assunto para os quais pré-processador os dados e o nome do experimento (usado para nomear o arquivo de saída). Pressione Enter.
  12. Saia do ambiente virtual:
    conda desativar
    NOTA: Isso criará um arquivo json no diretório de saída que combina respostas entre repetições para cada teste. Os dados de similaridade são lidos a partir de dados de sujeitos/brutos e escritos para dados de sujeitos/pré-processados.

5. Analisar julgamentos de similaridade

NOTA: Os sujeitos são solicitados a clicar em estímulos por ordem de semelhança com a referência, fornecendo assim um ranking em cada ensaio. Para experimentos padrão, repita cada ensaio cinco vezes, gerando cinco pedidos de classificação dos mesmos oito estímulos (ver Figura 2B). Esses julgamentos de classificação são interpretados como uma série de comparações em que um sujeito compara pares de distâncias perceptuais. Presume-se que o sujeito esteja fazendo a seguinte pergunta antes de cada clique: "A distância (perceptiva) entre a referência e o estímulo A menor do que a distância entre a referência e o estímulo B?" Como mostrado na Figura 2C, isso produz probabilidades de escolha para múltiplas comparações de similaridade em pares para cada ensaio. A análise abaixo usa essas probabilidades de escolha.

figure-protocol-19084
Figura 2: Obtenção de probabilidades de escolha a partir de julgamentos de classificação. (A) Uma ilustração de um teste da palavra experimento que realizamos. (B) Cinco pedidos de classificação foram obtidos para o mesmo julgamento, ao longo de várias sessões. (C) Probabilidades de escolha para as comparações de diferença parwise que os julgamentos de classificação representam. Clique aqui para ver uma versão maior desta figura.

  1. Determine probabilidades de escolha em pares a partir de julgamentos de ordem de classificação.
    1. Em semelhanças/análises, execute describe_data.py na linha de comando.
      cd ~/semelhanças
      conda ativar venv_sim_3.8
      píton -m analysis.describe_data
    2. Quando solicitado, insira o caminho para os dados/pré-processados e a lista de sujeitos para os quais executar a análise.
      NOTA: Isso criará três tipos de parcelas: i) a distribuição de probabilidades de escolha para o conjunto completo de dados de um determinado sujeito, ii) mapas de calor para avaliar a consistência entre as probabilidades de escolha para pares de sujeitos, e iii) um mapa de calor de probabilidades de escolha para todas as comparações que ocorrem em dois contextos para avaliar efeitos de contexto. Operacionalmente, isso significa comparar probabilidades de escolha em pares de ensaios que contêm a mesma referência e um par comum de estímulos no anel, mas diferem em todos os outros estímulos no anel: o mapa de calor mostra como a probabilidade de escolha depende desse contexto.
  2. Gerar modelos euclidianos de baixa dimensão dos espaços perceptivos, utilizando as probabilidades de escolha. Execute model_fitting.py na linha de comando da seguinte forma:
    cd ~/semelhanças
    conda ativar venv_sim_3.8
    píton -m analysis.model_fitting
    1. Fornecer os seguintes parâmetros de entrada quando solicitado: caminho para o diretório de dados de assunto/pré-processados; o número de estímulos (37 por padrão); o número de iterações (o número de vezes que a análise de modelagem deve ser executada); o diretório de saída; e a quantidade de ruído gaussiano (0,18 por padrão).
      NOTA: Este script leva algumas horas para ser executado. Quando concluídos, os arquivos npy contendo as coordenadas mais adequadas para modelos 1D, 2D, 3D, 4D e 5D descrevendo os dados de similaridade serão escritos para o diretório de saída. Um arquivo csv contendo valores de probabilidade de registro dos diferentes modelos será gerado.
  3. Visualize a probabilidade de registro dos modelos obtidos e avalie seu ajuste. Para isso, execute semelhanças/análise/model_fitting_figure.py na linha de comando:
    cd ~/semelhanças
    píton -m analysis.model_fitting_figure
    1. Quando solicitado, insira o parâmetro necessário: o caminho para os arquivos csv contendo probabilidades de log (a partir da etapa 5.2).
    2. Analise a figura gerada, mostrando probabilidades de log no eixo y e dimensões do modelo no eixo x. Como verificação de sanidade, dois modelos além dos modelos euclidianos estão incluídos: um modelo de escolha aleatória e um modelo melhor possível.
      NOTA: O modelo de escolha aleatória pressupõe que os sujeitos cliquem aleatoriamente. Assim, ele fornece um limite absoluto mais baixo na probabilidade de log para qualquer modelo que seja melhor do que aleatório. Da mesma forma, como um limite superior para a probabilidade de log (rotulado melhor), há a probabilidade de registro de um modelo que usa as probabilidades de escolha empírica como suas probabilidades de modelo.
    3. Verifique se nenhum modelo euclidiano supera o melhor modelo, pois o melhor modelo é, por design, overfit e sem restrições por considerações geométricas. Verifique se as probabilidades traçadas são relativas à melhor probabilidade de log.
  4. Visualize os espaços perceptivos para cada sujeito. Gerar estações de dispersão mostrando os pontos do modelo 5D projetados para os dois primeiros componentes principais. Para isso, execute semelhanças/análise/perceptual_space_visualizations.py na linha de comando:
    cd ~/semelhanças
    píton -m analysis.perceptual_space_visualizations
    1. Quando solicitado, insira os parâmetros: os IDs de assunto (separados por espaços) e o caminho para o arquivo npy contendo os pontos 5D obtidos a partir da etapa 5.2.
    2. Após o script ter terminado de executar, saia do ambiente virtual:
      conda desativar
      NOTA: Este script é para visualização dos julgamentos de similaridade. Ele criará um gráfico de dispersão 2D, projetando os pontos 5D nos dois primeiros componentes principais, normalizados para ter igual variância. Dois pontos serão mais distantes se o sujeito os considerar menos semelhantes e vice-versa.

Resultados

A Figura 1A mostra parte de um arquivo de condições gerado pelo script na etapa 3.3, para o experimento da palavra. Cada linha corresponde a um julgamento. O estímulo na coluna do árbitro aparece no centro do display. Os nomes das colunas stim1 a stim8 correspondem a oito posições ao longo de um círculo, correndo no sentido anti-horário, começando da posição à direita da referência central. Um teste amostral do experimento da palavra é mostrado na Figura 1B...

Discussão

O protocolo aqui delineado é eficaz para a obtenção e análise de julgamentos de similaridade para estímulos que podem ser apresentados visualmente. O paradigma experimental, a análise e possíveis extensões são discutidos primeiro e, posteriormente, as vantagens e desvantagens do método.

Paradigma experimental: O método proposto é demonstrado utilizando um domínio de 37 nomes de animais, e um conjunto de dados amostral de julgamentos perceptivos é fornecido para q...

Divulgações

Os autores não têm nada a revelar.

Agradecimentos

O trabalho é apoiado por financiamento dos Institutos Nacionais de Saúde (NIH), subvenção EY07977. Os autores também gostariam de agradecer a Usman Ayyaz por sua ajuda no teste do software, e Muhammad Naeem Ayyaz por seus comentários sobre o manuscrito.

Materiais

NameCompanyCatalog NumberComments
Computer WorkstationN/AN/AOS: 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
condaVersion 4.11OS: Windows/ MacOS 10 or higher/ Linux
Microsoft ExcelMicrosoftAnyTo open and shuffle rows and columns in trial conditions files.
PsychoPyN/AVersion 2021.2Framework for running psychophysical studies
Python 3Python Software FoundationPython Version 3.8Python3 and associated built-in libraries
Required Python LibrariesN/Anumpy 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.

Referências

  1. Edelman, S. Representation is representation of similarities. TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).
  2. Hahn, U., Chater, N. Concepts and similarity. Knowledge, Concepts and Categories. , 43-84 (1997).
  3. Kriegeskorte, N., Kievit, R. A. Representational geometry: integrating cognition, computation, and the brain. Trends in Cognitive Sciences. 17 (8), 401-412 (2013).
  4. Hebart, M. N., Zheng, C. Y., Pereira, F., Baker, C. I. Revealing the multidimensional mental representations of natural objects underlying human similarity judgements. Nature Human Behaviour. 4 (11), 1173-1185 (2020).
  5. Deng, W. S., Sloutsky, V. M. The development of categorization: Effects of classification and inference training on category representation. Developmental Psychology. 51 (3), 392-405 (2015).
  6. Shepard, R. N. Stimulus and response generalization: tests of a model relating generalization to distance in psychological space. Journal of Experimental Psychology. 55 (6), 509-523 (1958).
  7. Coombs, C. H. A method for the study of interstimulus similarity. Psychometrika. 19 (3), 183-194 (1954).
  8. Gärdenfors, P. . Conceptual Spaces: The Geometry of Thought. , (2000).
  9. Zaidi, Q., et al. Perceptual spaces: mathematical structures to neural mechanisms. The Journal of Neuroscience The Official Journal of the Society for Neuroscience. 33 (45), 17597-17602 (2013).
  10. Krishnaiah, P. R., Kanal, L. N. . Handbook of Statistics 2. , (1982).
  11. Tsogo, L., Masson, M. H., Bardot, A. Multidimensional Scaling Methods for Many-Object Sets: A Review. Multivariate Behavioral Research. 35 (3), 307-319 (2000).
  12. Kriegeskorte, N., Mur, M. Inverse MDS: Inferring dissimilarity structure from multiple item arrangements. Frontiers in Psychology. 3, 245 (2012).
  13. Rao, V. R., Katz, R. Alternative Multidimensional Scaling Methods for Large Stimulus Sets. Journal of Marketing Research. 8 (4), 488-494 (1971).
  14. Hoffman, J. I. E. Hypergeometric Distribution. Biostatistics for Medical and Biomedical Practitioners. , 179-182 (2015).
  15. Victor, J. D., Rizvi, S. M., Conte, M. M. Two representations of a high-dimensional perceptual space. Vision Research. 137, 1-23 (2017).
  16. Knoblauch, K., Maloney, L. T. Estimating classification images with generalized linear and additive models. Journal of Vision. 8 (16), 1-19 (2008).
  17. Maloney, L. T., Yang, J. N. Maximum likelihood difference scaling. Journal of Vision. 3 (8), 573-585 (2003).
  18. Logvinenko, A. D., Maloney, L. T. The proximity structure of achromatic surface colors and the impossibility of asymmetric lightness matching. Perception & Psychophysics. 68 (1), 76-83 (2006).
  19. Zhou, Y., Smith, B. H., Sharpee, T. O. Hyperbolic geometry of the olfactory space. Science Advances. 4 (8), (2018).
  20. Goldstone, R. An efficient method for obtaining similarity data. Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).
  21. Townsend, J. T. Theoretical analysis of an alphabetic confusion matrix. Perception & Psychophysics. 9, 40-50 (1971).

Reimpressões e Permissões

Solicitar permissão para reutilizar o texto ou figuras deste artigo JoVE

Solicitar Permissão

Explore Mais Artigos

Neuroci nciaEdi o 181espa o perceptivopsicof sica visualdimensionamento multidimensional

This article has been published

Video Coming Soon

JoVE Logo

Privacidade

Termos de uso

Políticas

Pesquisa

Educação

SOBRE A JoVE

Copyright © 2025 MyJoVE Corporation. Todos os direitos reservados