Name: a psychophysics paradigm for the collection and analysis of similarity judgments
Uploaded: 2022-03-01T13:45:00
Description: Watch this Scientific Journal Video about A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments at JoVE.com

يتم دعم العمل بتمويل من المعاهد الوطنية للصحة (NIH) ، منحة EY07977. كما يود المؤلفان أن يشكرا عثمان أياز على مساعدته في اختبار البرنامج، ومحمد نعيم عياز على تعليقاته على المخطوطة.

قبل بدء التجارب ، تقدم جميع الأشخاص الموافقة المستنيرة وفقا للمبادئ التوجيهية المؤسسية وإعلان هلسنكي. في حالة هذه الدراسة ، تمت الموافقة على البروتوكول من قبل مجلس المراجعة المؤسسية لكلية طب وايل كورنيل.
1. التثبيت والإعداد
<ol><li>قم بتنزيل الرمز من مستودع GitHub ، أوج...

<ol>
	<li>Edelman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Representation+is+representation+of+similarities.">Representation is representation of similarities.</a> TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).</li><li>Hahn, U., Chater, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Concepts+and+similarity.">Concepts and similarity.</a> Knowledge, Concepts and Categories. , 43-84 (1997).</li><li>Kriegeskorte, N., Kievit, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Representational+geometry:+integrating+cognition,+computation,+and+the+brain.">Representational geometry: integrating cognition, computation, and the brain.</a> Trends in Cognitive Sciences. 17 (8), 401-412 (2013).</li><li>Hebart, M. N., Zheng, C. Y., Pereira, F., Baker, C. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Revealing+the+multidimensional+mental+representations+of+natural+objects+underlying+human+similarity+judgements.">Revealing the multidimensional mental representations of natural objects underlying human similarity judgements.</a> Nature Human Behaviour. 4 (11), 1173-1185 (2020).</li><li>Deng, W. S., Sloutsky, V. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+development+of+categorization:+Effects+of+classification+and+inference+training+on+category+representation.">The development of categorization: Effects of classification and inference training on category representation.</a> Developmental Psychology. 51 (3), 392-405 (2015).</li><li>Shepard, R. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Stimulus+and+response+generalization:+tests+of+a+model+relating+generalization+to+distance+in+psychological+space.">Stimulus and response generalization: tests of a model relating generalization to distance in psychological space.</a> Journal of Experimental Psychology. 55 (6), 509-523 (1958).</li><li>Coombs, C. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+method+for+the+study+of+interstimulus+similarity.">A method for the study of interstimulus similarity.</a> Psychometrika. 19 (3), 183-194 (1954).</li><li>Ga&#776;rdenfors, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Conceptual Spaces: The Geometry of Thought. , (2000).</li><li>Zaidi, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Perceptual+spaces:+mathematical+structures+to+neural+mechanisms.">Perceptual spaces: mathematical structures to neural mechanisms.</a> The Journal of Neuroscience The Official Journal of the Society for Neuroscience. 33 (45), 17597-17602 (2013).</li><li>Krishnaiah, P. R., Kanal, L. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Handbook of Statistics 2. , (1982).</li><li>Tsogo, L., Masson, M. H., Bardot, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multidimensional+Scaling+Methods+for+Many-Object+Sets:+A+Review.">Multidimensional Scaling Methods for Many-Object Sets: A Review.</a> Multivariate Behavioral Research. 35 (3), 307-319 (2000).</li><li>Kriegeskorte, N., Mur, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Inverse+MDS:+Inferring+dissimilarity+structure+from+multiple+item+arrangements.">Inverse MDS: Inferring dissimilarity structure from multiple item arrangements.</a> Frontiers in Psychology. 3, 245 (2012).</li><li>Rao, V. R., Katz, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Alternative+Multidimensional+Scaling+Methods+for+Large+Stimulus+Sets.">Alternative Multidimensional Scaling Methods for Large Stimulus Sets.</a> Journal of Marketing Research. 8 (4), 488-494 (1971).</li><li>Hoffman, J. I. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Hypergeometric+Distribution.">Hypergeometric Distribution.</a> Biostatistics for Medical and Biomedical Practitioners. , 179-182 (2015).</li><li>Victor, J. D., Rizvi, S. M., Conte, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Two+representations+of+a+high-dimensional+perceptual+space.">Two representations of a high-dimensional perceptual space.</a> Vision Research. 137, 1-23 (2017).</li><li>Knoblauch, K., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Estimating+classification+images+with+generalized+linear+and+additive+models.">Estimating classification images with generalized linear and additive models.</a> Journal of Vision. 8 (16), 1-19 (2008).</li><li>Maloney, L. T., Yang, J. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Maximum+likelihood+difference+scaling.">Maximum likelihood difference scaling.</a> Journal of Vision. 3 (8), 573-585 (2003).</li><li>Logvinenko, A. D., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+proximity+structure+of+achromatic+surface+colors+and+the+impossibility+of+asymmetric+lightness+matching.">The proximity structure of achromatic surface colors and the impossibility of asymmetric lightness matching.</a> Perception &amp; Psychophysics. 68 (1), 76-83 (2006).</li><li>Zhou, Y., Smith, B. H., Sharpee, T. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Hyperbolic+geometry+of+the+olfactory+space.">Hyperbolic geometry of the olfactory space.</a> Science Advances. 4 (8), (2018).</li><li>Goldstone, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+efficient+method+for+obtaining+similarity+data.">An efficient method for obtaining similarity data.</a> Behavior Research Methods, Instruments, &amp; Computers. 26 (4), 381-386 (1994).</li><li>Townsend, J. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Theoretical+analysis+of+an+alphabetic+confusion+matrix.">Theoretical analysis of an alphabetic confusion matrix.</a> Perception &amp; Psychophysics. 9, 40-50 (1971).</li></ol>

البروتوكول الموضح هنا فعال للحصول على وتحليل أحكام التشابه للمحفزات التي يمكن تقديمها بصريا. تتم مناقشة النموذج التجريبي والتحليل والامتدادات المحتملة أولا ، وبعد ذلك مزايا وعيوب الطريقة.
النموذج التجريبي: يتم عرض الطريقة المقترحة باستخدام مجال من 37 اسما حيواني?...

يقوم البشر عقليا بمعالجة وتمثيل المعلومات الحسية الواردة لأداء مجموعة واسعة من المهام ، مثل التعرف على الأشياء ، والملاحة ، وإجراء استنتاجات حول البيئة ، وغيرها الكثير. تستخدم أحكام التشابه عادة للتحقيق في هذه التمثيلات العقلية1. يمكن أن يوفر فهم بنية التمثيلات العقلية نظرة ثاقبة على تنظيم المعرفة المفاهيمية2. من الممكن أيضا اكتساب نظرة ثاقبة على الحسابات العصبية، من خلال ربط أحكام التشابه بأنماط تنشيط الدماغ3. بالإضافة إلى ذلك، تكشف أحكام التشابه عن ميزات بارزة في الإدراك4. يمكن لدراسة كيفية تغير التمثيلات العقلية أثناء النمو أن تلقي الضوء على كيفية تعلمها5. وبالتالي ، توفر أحكام التشابه نظرة ثاقبة قيمة في معالجة المعلومات في الدماغ.
نموذج شائع للتمثيلات العقلية باستخدام أوجه التشابه هو نموذج الفضاء الهندسي6،7،8. وبتطبيقه على المجالات الحسية، غالبا ما يشار إلى هذا النوع من النماذج باسم الفضاء الإدراكي9. تمثل النقاط الموجودة في الفضاء المحفزات وتتوافق المسافات بين النقاط مع الاختلاف المدرك بينها. من أحكام التشابه ، يمكن للمرء الحصول على تقديرات كمية للاختلافات. ويمكن بعد ذلك استخدام هذه الاختلافات الزوجية (أو المسافات الإدراكية) لنمذجة الفضاء الإدراكي عبر التحجيم متعدد الأبعاد10.
هناك العديد من الطرق لجمع أحكام التشابه ، لكل منها مزاياها وعيوبها. الطريقة الأكثر مباشرة للحصول على مقاييس كمية للاختلاف هي أن تطلب من الأشخاص تقييم درجة الاختلاف بين كل زوج من المحفزات على نطاق واسع. في حين أن هذا سريع نسبيا ، إلا أن التقديرات تميل إلى أن تكون غير مستقرة عبر الجلسات الطويلة حيث لا يمكن للموضوعات العودة إلى الأحكام السابقة ، ولا يمكن اكتشاف تأثيرات السياق ، إذا كانت موجودة. (هنا ، يتم تعريف تأثير السياق على أنه تغيير في التشابه المحكوم عليه بين محفزين ، بناء على وجود محفزات أخرى لا تتم مقارنتها.) بدلا من ذلك ، يمكن أن يطلب من الأشخاص مقارنة جميع أزواج المحفزات بجميع أزواج المحفزات الأخرى. وفي حين أن هذا من شأنه أن يسفر عن ترتيب أكثر موثوقية للاختلافات في الترتيب، فإن عدد المقارنات يتطلب مقاييس مع القوة الرابعة لعدد المحفزات، مما يجعل من الممكن فقط مجموعات التحفيز الصغيرة. البدائل الأسرع، مثل الفرز إلى عدد محدد مسبقا من المجموعات11 أو الفرز الحر لها حدودها الخاصة. الفرز الحر (في أي عدد من الأكوام) بديهي ، لكنه يجبر الموضوع على تصنيف المحفزات ، حتى لو كانت المحفزات لا تصلح بسهولة للتصنيف. الطريقة الأكثر حداثة متعددة الترتيبات، MDS العكسية، تتحايل على العديد من هذه القيود وهي فعالة للغاية12. ومع ذلك ، تتطلب هذه الطريقة من الأشخاص إسقاط تمثيلاتهم العقلية على مستوى إقليدية 2D والنظر في أوجه التشابه بطريقة هندسية محددة ، مما يجعل الافتراض بأن بنية التشابه يمكن استردادها من المسافات الإقليدية على متن طائرة. وبالتالي ، لا تزال هناك حاجة إلى طريقة فعالة لجمع كميات كبيرة من أحكام التشابه ، دون وضع افتراضات حول الهندسة الكامنة وراء الأحكام.
الموصوفة هنا هي طريقة فعالة بشكل معقول وتتجنب أيضا المزالق المحتملة المذكورة أعلاه. من خلال مطالبة الأشخاص بترتيب المحفزات بترتيب التشابه مع مرجع مركزي في كل تجربة13، يمكن التحقيق في التشابه النسبي مباشرة، دون افتراض أي شيء عن البنية الهندسية لاستجابات الأشخاص. يكرر النموذج مجموعة فرعية من المقارنات مع سياقات متطابقة ومختلفة ، مما يسمح بالتقييم المباشر لتأثيرات السياق بالإضافة إلى الحصول على استجابات متدرجة من حيث احتمالات الاختيار. يتحلل إجراء التحليل هذه الأحكام الرتبية إلى مقارنات زوجية متعددة ويستخدمها لبناء النماذج الإقليدية للمساحات الإدراكية التي تفسر الأحكام والبحث عنها. هذه الطريقة مناسبة لوصف بالتفصيل تمثيل مجموعات التحفيز ذات الأحجام المعتدلة (على سبيل المثال ، 19 إلى 49).
لإثبات جدوى النهج ، أجريت تجربة ، باستخدام مجموعة من 37 حيوانا كمحفزات. تم جمع البيانات على مدار 10 جلسات مدتها ساعة واحدة ثم تم تحليلها بشكل منفصل لكل موضوع. كشف التحليل عن الاتساق بين الموضوعات وتأثيرات السياق التي لا تذكر. كما قيمت اتساق أوجه الاختلاف المدركة بين المحفزات والنماذج الإقليدية لمساحاتها الإدراكية. تتسم إجراءات النموذج والتحليل الموضحة في هذه الورقة بالمرونة ومن المتوقع أن تكون مفيدة للباحثين المهتمين بتوصيف الخصائص الهندسية لمجموعة من المساحات الإدراكية.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Computer Workstation</td>
			<td>N/A</td>
			<td>N/A</td>
			<td>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</td>
		</tr>
		<tr>
			<td>conda</td>
			<td></td>
			<td>Version 4.11</td>
			<td>OS: Windows/ MacOS 10 or higher/ Linux</td>
		</tr>
		<tr>
			<td>Microsoft Excel</td>
			<td>Microsoft</td>
			<td>Any</td>
			<td>To open and shuffle rows and columns in trial conditions files.</td>
		</tr>
		<tr>
			<td>PsychoPy</td>
			<td>N/A</td>
			<td>Version 2021.2</td>
			<td>Framework for running psychophysical studies</td>
		</tr>
		<tr>
			<td>Python 3</td>
			<td>Python Software Foundation</td>
			<td>Python Version 3.8</td>
			<td>Python3 and associated built-in libraries</td>
		</tr>
		<tr>
			<td>Required Python Libraries</td>
			<td>N/A</td>
			<td>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&#160;</td>
			<td>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.</td>
		</tr>
	</tbody>
</table>

a psychophysics paradigm for the collection and analysis of similarity judgments

تستخدم أحكام التشابه عادة لدراسة التمثيلات العقلية وارتباطاتها العصبية. تم استخدام هذا النهج لتوصيف المساحات الإدراكية في العديد من المجالات: الألوان والكائنات والصور والكلمات والأصوات. من الناحية المثالية ، قد يرغب المرء في مقارنة تقديرات التشابه المتصور بين جميع أزواج المحفزات ، ولكن هذا غالبا ما يكون غير عملي. على سبيل المثال ، إذا طلب المرء من موضوع ما مقارنة تشابه عنصرين مع تشابه عنصرين آخرين ، فإن عدد المقارنات ينمو مع القوة الرابعة لحجم مجموعة التحفيز. تتمثل الاستراتيجية البديلة في مطالبة الشخص المعني بالتشابه في معدل الأزواج المعزولة ، على سبيل المثال ، على مقياس Likert. هذا أكثر كفاءة بكثير (عدد التصنيفات ينمو بشكل تربيعي مع حجم محدد بدلا من ربع سنوي) ، ولكن هذه التصنيفات تميل إلى أن تكون غير مستقرة ولها دقة محدودة ، ويفترض النهج أيضا أنه لا توجد تأثيرات سياقية.
هنا ، يتم تقديم نموذج تصنيف جديد لجمع أحكام التشابه بكفاءة ، إلى جانب خط أنابيب تحليل (برنامج مقدم) يختبر ما إذا كانت نماذج المسافة الإقليدية تمثل البيانات. تتكون التجارب النموذجية من ثمانية محفزات حول حافز مرجعي مركزي: يصنف الموضوع المحفزات حسب تشابهها مع المرجع. ومن خلال الاختيار الحكيم لمجموعات المحفزات المستخدمة في كل تجربة، فإن النهج ينطوي على ضوابط داخلية للاتساق وتأثيرات السياق. تم التحقق من صحة النهج للمحفزات المستمدة من المساحات الإقليدية التي تصل إلى خمسة أبعاد. 
يتم توضيح هذا النهج من خلال تجربة قياس أوجه التشابه بين 37 كلمة. تسفر كل تجربة عن نتائج 28 مقارنة زوجية للنموذج ، "هل كان A أكثر تشابها مع المرجع من B إلى المرجع؟" في حين أن المقارنة المباشرة لجميع أزواج المحفزات كانت تتطلب تجارب 221445 ، فإن هذا التصميم يمكن من إعادة بناء الفضاء الإدراكي من 5994 مقارنة تم الحصول عليها من 222 تجربة.

يوضح الشكل 1A جزءا من ملف شروط تم إنشاؤه بواسطة البرنامج النصي في الخطوة 3.3، لتجربة الكلمة. كل صف يتوافق مع المحاكمة. يظهر الحافز في عمود المرجع في وسط الشاشة. تتوافق أسماء الأعمدة stim1 إلى stim8 مع ثمانية مواضع على طول دائرة، تعمل عكس اتجاه عقارب الساعة، بدءا من الموضع الموجود ع?...

Watch this Scientific Journal Video about A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments at JoVE.com

A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments

يقدم البروتوكول نموذجا تجريبيا للفيزياء النفسية للحصول على كميات كبيرة من أحكام التشابه ، وسير عمل تحليل مصاحب. يحقق النموذج في تأثيرات السياق ويتيح نمذجة بيانات التشابه من حيث المساحات الإقليدية ذات الأبعاد الخمسة على الأقل.

نموذج الفيزياء النفسية لجمع وتحليل أحكام التشابه

Similarity judgments are commonly used to study mental representations and their neural correlates. This approach has been used to characterize perceptual ...

هذه طريقة فعالة لجمع وتحليل أحكام التشابه ، ولا تفترض أي شيء عن الخصائص الهندسية للمواضيع الكامنة وراء التمثيلات العقلية. المزايا الرئيسية للطريقة هي مرونتها وتقليل الافتراضات حول طبيعة التمثيل الإدراكي. يمكن أن تتنوع أنواع المحفزات وتعقيد التجارب ، ويمكن أن تكون مجموعة واسعة من النماذج الهندسية مناسبة للبيانات.يمكن أن تكون هذه الطريقة مفيدة للباحثين المهتمين بتوصيف التمثيلات العقلية للجوانب المنخفضة والعالية المستوى من المحفزات البصرية. حدد تجربة لتشغيلها. انتقل إلى كلمة تجربة بالنقر فوق أوجه التشابه، ثم التجارب، ثم word_exp، أو إلى تجربة الصورة بالنقر على أوجه التشابه، ثم التجارب، ثم image_exp.وضع اللمسات الأخيرة على المحفزات التجريبية. إذا كان يتم تشغيل كلمة تجربة، فقم بإعداد قائمة بالكلمات. وبالنسبة لتجربة الصورة ، قم بإنشاء دليل جديد ووضع جميع صور التحفيز فيه.في دليل التجارب، ابحث عن ملف التكوين المسمى config. yaml بالنقر فوق أوجه التشابه ، ثم التجارب ، ثم config.yaml. افتح الملف في محرر التعليمات البرمجية المصدر وقم بتحديث قيمة متغير الملف إلى المسار إلى الدليل الذي يحتوي على مجموعة التحفيز.هذا هو المكان الذي ستبحث فيه PsychoPy عن محفزات الصورة. إنشاء تكوينات تجريبية عن طريق فتح التكوين. ملف yaml في دليل التحليل، ثم قم بتعيين قيمة معلمة path_2_stimulus_list إلى المسار إلى المحفزات.txt.من دليل أوجه التشابه ، قم بتشغيل البرنامج النصي عن طريق تنفيذ الأوامر المعروضة في النافذة واحدة تلو الأخرى. يؤدي هذا إلى إنشاء ملف يسمى trial_conditions. csv في أوجه التشابه التي يحتوي فيها كل صف على أسماء المحفزات التي تظهر في التجربة إلى جانب مواقعها.قم بتقسيم المجموعة الكاملة المكونة من 222 تجربة تم إنشاؤها إلى جلسات وقم بتوزيع أمر التجربة عشوائيا عن طريق تنفيذ الأوامر المعروضة في النافذة. في التصميم النموذجي ، تتكون الجلسات من 111 تجربة ، يتطلب كل منها ساعة واحدة تقريبا للتشغيل. عند المطالبة، أدخل معلمات الإدخال المعروضة.إعادة تسمية وحفظ كل من الملفات التي تم إنشاؤها كشروط. csv في دليلها الخاص. انسخ الشروط.ملف csv ولصقه في الدليل الحالي الذي يحتوي على ملف psyexp. افتح PsychoPy وافتح ملف psyexp أو py في دليل التجارب ذات الصلة. في PsychoPy ، انقر فوق زر التشغيل الأخضر لتشغيل التجربة.في النافذة المنبثقة المشروطة، أدخل اسم الموضوع أو المعرف ورقم الجلسة وانقر فوق موافق للبدء. سيتم عرض التعليمات في بداية كل جلسة. اسمح للموضوع بحوالي ساعة واحدة لإكمال المهمة وبما أن المهمة تسير بخطى ذاتية ، شجع الأشخاص على أخذ فترات راحة إذا لزم الأمر.بعد اكتمال جميع الجلسات، قم بدمج ملفات البيانات الخام وإعادة تنسيقها في ملف JSON واحد لمزيد من المعالجة عن طريق تشغيل المعالجة المسبقة. py في المحطة الطرفية باستخدام الأوامر المرئية على الشاشة. عند المطالبة، أدخل معلمات الإدخال المطلوبة بما في ذلك المسار إلى دليل بيانات الموضوع، ومعرفات الموضوعات لمعالجة البيانات مسبقا واسم التجربة المستخدم لتسمية ملف الإخراج، ثم اضغط على مفتاح الإدخال Enter.سيؤدي ذلك إلى إنشاء ملف JSON في دليل الإخراج الذي يجمع بين الاستجابات عبر التكرارات لكل إصدار تجريبي. لتحديد احتمالات الاختيار الزوجي من أحكام ترتيب الرتب، انتقل إلى أوجه التشابه، ثم قم بتحليل وتشغيل describe_data. py في سطر الأوامر.عند المطالبة، أدخل المسار إلى بيانات الموضوع وقائمة الموضوعات لتشغيل التحليل. هذا سوف يخلق ثلاثة أنواع من المؤامرات. إنشاء نماذج إقليدية منخفضة الأبعاد للمساحات الإدراكية باستخدام احتمالات الاختيار عن طريق تشغيل model_fitting.py باستخدام سطر الأوامر المعروض على الشاشة. عند المطالبة، قم بتوفير مدخلات الدليل إلى بيانات الموضوع/المعالجة مسبقا، وعدد المحفزات، التي ستكون 37 بشكل افتراضي، وعدد التكرارات، ودليل الإخراج، ومقدار الضوضاء الغاوسية، والتي ستكون 0.18 بشكل افتراضي. تصور احتمال السجل للنماذج التي تم الحصول عليها وتقييم ملاءمتها من خلال تشغيل أوجه التشابه والتحليل model_fitting_figure.py.عند المطالبة، أدخل المسار المطلوب إلى ملفات CSV التي تحتوي على احتمالات السجل. تصور المساحات الإدراكية لكل موضوع وإنشاء مخططات مبعثرة تظهر النقاط من نموذج 5D المسقطة على أول مكونين رئيسيين عن طريق تشغيل الأوامر المعروضة. عند المطالبة ، أدخل معلمات الإدخال والمسار إلى ملف NPY الذي يحتوي على نقاط 5D.بعد تنفيذ البرنامج النصي، قم بإنهاء البيئة الظاهرية. في الملف الذي تم إنشاؤه لكلمة تجربة ، يتوافق الصف الأول مع تجربة تظهر فيها ثمانية محفزات حول التحفيز المرجعي. تم تحليل أحكام الرتبة إلى خيارات زوجية.كان توزيع احتمالات الاختيار متسقا للغاية عبر الموضوعات. يشير تجميع البيانات بالقرب من القطر في كل لوحة إلى قدر كبير من الاتساق في احتمالات الاختيار بين الموضوعات والأحكام التي ليست في أقصى الحدود. يشير القطر السائد إلى أن احتمالات الاختيار في السياقين ، بما في ذلك احتمالات الاختيار الوسيطة بين الصفر وواحد ، قريبة من التطابق لكل موضوع.يتم عرض احتمالات السجل بالنسبة إلى احتمال السجل لأفضل نموذج ، وهو نموذج يعين احتمال الاختيار المرصود لكل مقارنة دون تقييد هذه الاحتمالات بأي اعتبار هندسي. تم إجراء تحليل المكون الأساسي على النقاط من نموذج 5D للفضاء الإدراكي حيث تم الإشارة إلى الحيوانات التي ينظر إليها على أنها متشابهة بنقاط بالقرب من بعضها البعض. من الأهمية بمكان اتخاذ قرار بشأن جميع المعلمات عند تصميم تجربة وتعيينها في ملفات التكوين قبل البدء في الخطوة الثانية.من المهم جدا أيضا تتبع بيانات كل موضوع بعناية. توفر هذه الطريقة عددا كبيرا من أحكام التشابه ، لذلك يمكن تطبيق عدد من التحليلات ، مثل التحليل العنقودي ، أو التركيز على السياق ، أو النمذجة مع مساحات هندسية مختلفة.

Research

JoVE Journal

Neuroscience

Organotypic Cerebellar Cultures: Apoptotic Challenges and Detection

مخيخي الثقافات عضوي النمط : التحديات والكشف عن أفكارك

Organotypic cultures of neuronal tissue were first introduced by Hogue in 1947 1,2 and have constituted a major breakthrough in the field of neuroscience. ...

Reproducible Mouse Sciatic Nerve Crush and Subsequent Assessment of Regeneration by Whole Mount Muscle Analysis

استنساخه سحق الفأر العصب الوركي وتقييم لاحق للتجديد من قبل الجامعة جبل تحليل العضلات

Regeneration in the peripheral nervous system (PNS) is widely studied both for its relevance to human disease and to understand the robust regenerative ...

Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging

شارك في تحليل بنية الدماغ والدالة باستخدام الرنين المغناطيسي الوظيفي وانتشارها المرجحة التصوير

The study of complex computational systems is facilitated by network maps, such as circuit diagrams. Such mapping is particularly informative when ...

Visualization and Genetic Manipulation of Dendrites and Spines in the Mouse Cerebral Cortex and Hippocampus using In utero Electroporation

Visualization and Genetic Manipulation of Dendrites and Spines in the Mouse Cerebral Cortex and Hippocampus using In utero Electroporation

التصور والتلاعب الجيني من التشعبات والاعمده الفقريه في قشرة الدماغ والحصين ماوس باستخدام<em&gt; في الرحم</em&gt; Electroporation

In utero electroporation (IUE) has become a powerful technique to study the development of different regions of the embryonic nervous system 1-5. To date ...

A Visual Description of the Dissection of the Cerebral Surface Vasculature and Associated Meninges and the Choroid Plexus from Rat Brain

A وصف البصرية في تشريح الأوعية الدموية السطحية والسحايا الدماغي المقترن والضفيرة المشيمية من دماغ الفئران

This video presentation was created to show a method of harvesting the two most important highly vascular structures, not residing within the brain ...

A Novel Light Damage Paradigm for Use in Retinal Regeneration Studies in Adult Zebrafish

رواية ضوء بارادايم ضرر للاستخدام في دراسات التجديد الشبكية في اسماك الزرد الكبار

Light-induced retinal degeneration (LIRD) is commonly used in both rodents and zebrafish to damage rod and cone photoreceptors. In adult zebrafish, ...

High-resolution Quantification of Odor-guided Behavior in Drosophila melanogaster Using the Flywalk Paradigm

High-resolution Quantification of Odor-guided Behavior in Drosophila melanogaster Using the Flywalk Paradigm

عالية الدقة الكمي للسلوك رائحة الموجهة في<em&gt; ذبابة الفاكهة السوداء البطن</em&gt; استخدام<em&gt; Flywalk</em&gt; بارادايم

In their natural environment, insects such as the vinegar fly Drosophila melanogaster are bombarded with a huge amount of chemically distinct odorants. To ...

Chronic Implantation of Whole-cortical Electrocorticographic Array in the Common Marmoset

غرس المزمن من الصفيف اليكتروكورتيكوجرافيك الجامعة القشرية في مرموز المشتركة

Electrocorticography (ECoG) allows the monitoring of electrical field potentials from the cerebral cortex with high spatiotemporal resolution. Recent ...

3D Kinematic Analysis for the Functional Evaluation in the Rat Model of Sciatic Nerve Crush Injury

3D تحليل الحركية للتقييم الوظيفي في نموذج الفئران من عرق النسا الأعصاب سحق الإصابة

Compared to the Sciatic Functional Index (SFI), kinematic analysis is a more reliable and sensitive method for performing functional evaluations of ...

Collection of Frozen Rodent Brain Regions for Downstream Analyses

مجموعة من مناطق الدماغ القوارض المجمدة لتحليلات المصب

As our understanding of neurobiology has progressed, molecular analyses are often performed on small brain areas such as the medial prefrontal cortex ...