Это эффективный метод сбора и анализа суждений о сходстве, и он ничего не предполагает о геометрических свойствах субъектов, лежащих в основе ментальных представлений. Основными преимуществами метода являются его гибкость и минимизация предположений о природе перцептивного представления. Виды стимулов и сложность испытаний могут быть разнообразными, и широкий спектр геометрических моделей может быть адаптирован к данным.
Этот метод может быть полезен исследователям, заинтересованным в характеристике ментальных представлений о низкоуровневых и высокоуровневых аспектах визуальных стимулов. Выберите эксперимент для запуска. Перейдите к слову эксперимент, щелкнув сходство, затем эксперименты, затем word_exp, или к эксперименту с изображением, щелкнув сходство, затем эксперименты, а затем image_exp.
Доработайте экспериментальные стимулы. Если выполняется эксперимент со словом, подготовьте список слов. А для эксперимента с изображениями сделайте новый каталог и поместите в него все стимулирующие изображения.
В каталоге experiments найдите файл конфигурации с именем config. yaml, щелкнув Сходство, затем эксперименты, а затем config.yaml. Откройте файл в редакторе исходного кода и обновите значение переменной файла до пути к каталогу, содержащему набор стимулов.
Именно здесь PsychoPy будет искать стимулы изображения. Создайте конфигурации пробной версии, открыв конфигурацию. yaml файл в каталоге analysis, затем задайте для параметра path_2_stimulus_list значение пути к stimuli.txt.
Из каталога similarities запустите скрипт, выполнив команды, отображаемые в окне одну за другой. При этом создается файл с именем trial_conditions. csv в сходствах, в которых каждая строка содержит названия стимулов, появляющихся в испытании вместе с их позициями.
Разбейте полный набор из 222 сгенерированных испытаний на сеансы и рандомизируйте порядок испытаний, выполнив команды, отображаемые в окне. В типичном дизайне сеансы состоят из 111 испытаний, каждое из которых требует примерно одного часа для выполнения. При появлении запроса введите отображаемые входные параметры.
Переименуйте и сохраните каждый из созданных файлов в качестве условий. csv в собственном каталоге. Скопируйте условия.
csv-файл и вставьте его в текущий каталог, содержащий файл psyexp. Откройте PsychoPy и откройте файл psyexp или py в соответствующем каталоге экспериментов. В PsychoPy нажмите на зеленую кнопку воспроизведения, чтобы запустить эксперимент.
Во всплывающем окне модального направления введите имя субъекта или идентификатор и номер сеанса и нажмите кнопку ОК, чтобы начать. Инструкции будут отображаться в начале каждого сеанса. Дайте испытуемому около часа, чтобы выполнить задачу, и, поскольку задача выполняется самостоятельно, поощряйте испытуемых делать перерывы, если это необходимо.
После завершения всех сеансов объедините необработанные файлы данных и переформатируйте их в один JSON-файл для дальнейшей обработки, запустив препроцесс. py в терминале с помощью команд, видимых на экране. При появлении запроса введите запрошенные входные параметры, включая путь к каталогу данных субъекта, идентификаторы субъектов для предварительной обработки данных и имя эксперимента, используемое для присвоения имени выходному файлу, затем нажмите клавишу ВВОД.
Это создаст JSON-файл в выходном каталоге, который объединяет ответы на повторы для каждой пробной версии. Чтобы определить вероятности парного выбора из суждений рангового порядка, перейдите к сходствам, затем проанализируйте и запустите describe_data. py в командной строке.
При появлении запроса введите путь к данным субъекта и список субъектов для выполнения анализа. Это позволит создать три вида сюжетов. Генерация низкоразмерных евклидовых моделей перцептивных пространств с использованием вероятностей выбора путем запуска model_fitting.
py с помощью командной строки, отображаемой на экране. При появлении запроса укажите входные данные для каталога для subject-data/preprocessed, количество стимулов, которое по умолчанию будет равно 37, количество итераций, выходной каталог и количество гауссовского шума, которое по умолчанию будет 0,18. Визуализируйте логарифмическую вероятность полученных моделей и оцените их соответствие, выполнив сходство, анализ model_fitting_figure.py.
При появлении запроса введите необходимый путь к CSV-файлам, содержащим вероятность журнала. Визуализируйте пространства восприятия для каждого объекта и генерируйте точечные диаграммы, показывающие точки из 5D-модели, проецируемые на первые два основных компонента, выполняя отображаемые команды. При появлении запроса введите входные параметры и путь к файлу NPY, содержащему точки 5D.
После выполнения скрипта выйдите из виртуальной среды. В файле, сгенерированном для слова эксперимент, первая строка соответствует испытанию, в котором восемь стимулов появляются вокруг эталонного стимула обезьяны. Ранговые суждения были разложены на парные выборы.
Распределение вероятностей выбора было очень последовательным по испытуемым. Кластеризация данных вблизи диагонали в каждой панели указывает на большую согласованность в вероятностях выбора между субъектами и для суждений, которые не являются экстремальными. Доминирующая диагональ указывает на то, что вероятности выбора в двух контекстах, включая промежуточные вероятности выбора между нулем и единицей, близки к идентичным для каждого субъекта.
Логарифмические вероятности показаны относительно логарифмической вероятности наилучшей модели, то есть модели, которая присваивает наблюдаемую вероятность выбора каждому сравнению, не ограничивая эти вероятности каким-либо геометрическим соображением. Принципиальный компонентный анализ проводился на точках из 5D-модели пространства восприятия, где животные, воспринимаемые как похожие, обозначались точками рядом друг с другом. Очень важно определиться со всеми параметрами при разработке эксперимента и задать их в конфигурационных файлах перед началом второго шага.
Тщательное отслеживание данных каждого субъекта также очень важно. Метод обеспечивает большое количество суждений о подобии, поэтому может быть применен ряд анализов, таких как кластерный анализ, фокус на контексте или моделирование с различными геометрическими пространствами.