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

Arbejdet er støttet af midler fra National Institutes of Health (NIH), bevilling EY07977. Forfatterne vil også gerne takke Usman Ayyaz for hans hjælp med at teste softwaren og Muhammad Naeem Ayyaz for hans kommentarer til manuskriptet.

Inden forsøgene påbegyndes, giver alle forsøgspersoner informeret samtykke i overensstemmelse med institutionelle retningslinjer og Helsinki-erklæringen. I tilfælde af denne undersøgelse blev protokollen godkendt af det institutionelle gennemgangsudvalg for Weill Cornell Medical College.
1. Installation og opsætning
<ol><li>Download koden fra GitHub-lageret, ligheder (https://github.com/jvlab/similarities). Kør: git-klon https://github.com/jvlab/similarities.git<...

<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>

Protokollen, der er skitseret her, er effektiv til at opnå og analysere lighedsvurderinger for stimuli, der kan præsenteres visuelt. Det eksperimentelle paradigme, analysen og mulige udvidelser diskuteres først og senere fordele og ulemper ved metoden.
Eksperimentelt paradigme: Den foreslåede metode demonstreres ved hjælp af et domæne med 37 dyrenavne, og der gives et prøvedatasæt af perceptuelle vurderinger, så man kan følge analysen i trin 5 og gengive dele af <str...

Mennesker behandler mentalt og repræsenterer indgående sensorisk information for at udføre en bred vifte af opgaver, såsom objektgenkendelse, navigation, slutninger om miljøet og mange andre. Lighedsdomme bruges ofte til at undersøge disse mentale repræsentationer1. Forståelse af strukturen af mentale repræsentationer kan give indsigt i organiseringen af konceptuel viden2. Det er også muligt at få indsigt i neurale beregninger ved at relatere lighedsvurderinger til hjerneaktiveringsmønstre3. Derudover afslører lighedsdomme træk, der er fremtrædende i opfattelsen4. At studere, hvordan mentale repræsentationer ændrer sig under udviklingen, kan kaste lys over, hvordan de læres5. Lighedsvurderinger giver således værdifuld indsigt i informationsbehandling i hjernen.
En fælles model af mentale repræsentationer ved hjælp af ligheder er en geometrisk rummodel6,7,8. Anvendt på sensoriske domæner omtales denne type model ofte som et perceptuelt rum9. Punkter i rummet repræsenterer stimuli, og afstande mellem punkter svarer til den opfattede ulighed mellem dem. Fra lighedsdomme kan man opnå kvantitative skøn over uligheder. Disse parvise forskelle (eller perceptuelle afstande) kan derefter bruges til at modellere det perceptuelle rum via flerdimensionel skalering10.
Der er mange metoder til indsamling af lighedsvurderinger, hver med sine fordele og ulemper. Den mest enkle måde at opnå kvantitative mål for ulighed på er at bede forsøgspersoner om på en skala at bedømme graden af ulighed mellem hvert par stimuli. Selvom dette er relativt hurtigt, har estimater en tendens til at være ustabile på tværs af lange sessioner, da emner ikke kan gå tilbage til tidligere domme, og konteksteffekter, hvis de er til stede, ikke kan detekteres. (Her defineres en konteksteffekt som en ændring i den bedømte lighed mellem to stimuli, baseret på tilstedeværelsen af andre stimuli, der ikke sammenlignes.) Alternativt kan forsøgspersoner blive bedt om at sammenligne alle par stimuli med alle andre par stimuli. Mens dette ville give en mere pålidelig rangorden af uligheder, krævede antallet af sammenligninger skalaer med den fjerde effekt af antallet af stimuli, hvilket gjorde det muligt for kun små stimulussæt. Hurtigere alternativer, f.eks. sortering i et foruddefineret antal klynger11 eller fri sortering, har deres egne begrænsninger. Fri sortering (i et vilkårligt antal bunker) er intuitiv, men det tvinger emnet til at kategorisere stimuli, selvom stimuli ikke let egner sig til kategorisering. Den nyere multiarrangementmetode, inverse MDS, omgår mange af disse begrænsninger og er meget effektiv12. Denne metode kræver imidlertid, at forsøgspersoner projicerer deres mentale repræsentationer på et 2D euklidisk plan og overvejer ligheder på en bestemt geometrisk måde, hvilket gør antagelsen om, at lighedsstruktur kan genvindes fra euklidiske afstande på et plan. Der er således fortsat behov for en effektiv metode til at indsamle store mængder lighedsdomme uden at gøre antagelser om den geometri, der ligger til grund for dommene.
Beskrevet her er en metode, der både er rimelig effektiv og også undgår ovenstående potentielle faldgruber. Ved at bede forsøgspersoner om at rangordne stimuli i rækkefølge efter lighed med en central reference i hvert forsøg13 kan relativ lighed undersøges direkte uden at antage noget om den geometriske struktur af forsøgspersonernes svar. Paradigmet gentager en delmængde af sammenligninger med både identiske og forskellige sammenhænge, hvilket giver mulighed for direkte vurdering af konteksteffekter samt erhvervelse af graduerede svar med hensyn til valgsandsynligheder. Analyseproceduren nedbryder disse rangdomme i flere parvise sammenligninger og bruger dem til at opbygge og søge efter euklidiske modeller af perceptuelle rum, der forklarer dommene. Metoden er velegnet til i detaljer at beskrive repræsentationen af stimulussæt af moderate størrelser (f.eks. 19 til 49).
For at demonstrere gennemførligheden af tilgangen blev der udført et eksperiment ved hjælp af et sæt på 37 dyr som stimuli. Data blev indsamlet i løbet af 10 en-timers sessioner og derefter analyseret separat for hvert emne. Analysen afslørede konsistens på tværs af emner og ubetydelige konteksteffekter. Det vurderede også konsistensen af opfattede forskelle mellem stimuli med euklidiske modeller af deres perceptuelle rum. Paradigme- og analyseprocedurerne, der er skitseret i dette papir, er fleksible og forventes at være til nytte for forskere, der er interesserede i at karakterisere de geometriske egenskaber ved en række perceptuelle rum.

<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

Lighedsdomme bruges almindeligvis til at studere mentale repræsentationer og deres neurale korrelater. Denne tilgang er blevet brugt til at karakterisere perceptuelle rum på mange domæner: farver, objekter, billeder, ord og lyde. Ideelt set kan man sammenligne estimater af opfattet lighed mellem alle par stimuli, men det er ofte upraktisk. For eksempel, hvis man beder et emne om at sammenligne ligheden mellem to elementer med ligheden mellem to andre elementer, vokser antallet af sammenligninger med den fjerde effekt af stimulussættets størrelse. En alternativ strategi er at bede et emne om at vurdere ligheder mellem isolerede par, f.eks. på en Likert-skala. Dette er meget mere effektivt (antallet af ratings vokser kvadratisk med den indstillede størrelse snarere end kvartisk), men disse ratings har tendens til at være ustabile og har begrænset opløsning, og tilgangen forudsætter også, at der ikke er nogen konteksteffekter.
Her præsenteres et nyt rangordningsparadigme for effektiv indsamling af lighedsvurderinger sammen med en analysepipeline (software leveret), der tester, om euklidiske afstandsmodeller tegner sig for dataene. Typiske forsøg består af otte stimuli omkring en central referencestimulus: emnet rangerer stimuli i rækkefølge efter deres lighed med referencen. Ved velovervejet udvælgelse af kombinationer af stimuli, der anvendes i hvert forsøg, har tilgangen interne kontroller for konsistens og konteksteffekter. Tilgangen blev valideret for stimuli hentet fra euklidiske rum på op til fem dimensioner. 
Tilgangen illustreres med et eksperiment, der måler ligheder mellem 37 ord. Hvert forsøg giver resultaterne af 28 parvise sammenligninger af formularen, "Lignede A mere referencen, end B var til referencen?" Mens direkte sammenligning af alle par stimuli ville have krævet 221445 forsøg, muliggør dette design rekonstruktion af det perceptuelle rum fra 5994 sådanne sammenligninger opnået fra 222 forsøg.

Figur 1A viser en del af en betingelsesfil, der genereres af scriptet i trin 3.3 for ordet eksperiment. Hver række svarer til en prøveversion. Stimulansen i ref-kolonnen vises i midten af displayet. Kolonnenavnene stim1 til stim8 svarer til otte positioner langs en cirkel, der løber mod uret, startende fra positionen til højre for den centrale reference. Et prøveforsøg fra ordet eksperiment er vist i figur 1B.
F...

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

Protokollen præsenterer et eksperimentelt psykofysikparadigme for at opnå store mængder lighedsvurderinger og en ledsagende analysearbejdsgang. Paradigmet undersøger konteksteffekter og muliggør modellering af lighedsdata med hensyn til euklidiske rum på mindst fem dimensioner.

Et psykofysisk paradigme til indsamling og analyse af lighedsdomme

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

Dette er en effektiv metode til at indsamle og analysere lighedsvurderinger, og den antager ikke noget om de geometriske egenskaber hos emner, der ligger til grund for mentale repræsentationer. De vigtigste fordele ved metoden er dens fleksibilitet og minimering af antagelser om arten af den perceptuelle repræsentation. Den slags stimuli og kompleksiteten af forsøg kan varieres, og en bred vifte af geometriske modeller kan tilpasses dataene.Denne metode kan være nyttig for forskere, der er interesserede i at karakterisere de mentale repræsentationer af lave og høje aspekter af visuelle stimuli. Vælg et eksperiment, der skal køres. Naviger til ordet eksperiment ved at klikke på ligheder, derefter eksperimenter, derefter word_exp eller til billedeksperimentet ved at klikke på ligheder, derefter eksperimenter og derefter image_exp.Færdiggør de eksperimentelle stimuli. Hvis ordet eksperiment køres, skal du udarbejde en liste over ord. Og for billedeksperimentet skal du lave en ny mappe og placere alle stimulusbillederne i den.I eksperimentmappen skal du finde konfigurationsfilen kaldet config. yaml ved at klikke på ligheder, derefter eksperimenter og derefter config.yaml. Åbn filen i en kildekodeeditor, og opdater værdien af filvariablen til stien til den mappe, der indeholder stimulussættet.Det er her, PsychoPy vil lede efter billedstimuli. Opret prøvekonfigurationer ved at åbne konfigurationen. yaml-fil i analysemappen, og indstil derefter værdien af parameteren path_2_stimulus_list til stien til stimuli.txt.Fra lighedsmappen skal du køre scriptet ved at udføre de kommandoer, der vises i vinduet efter hinanden. Dette opretter en fil kaldet trial_conditions. csv i ligheder, hvor hver række indeholder navnene på de stimuli, der vises i et forsøg sammen med deres positioner.Opbryd det fulde sæt af 222 prøveversioner, der genereres i sessioner, og randomiser prøverækkefølgen ved at udføre de kommandoer, der vises i vinduet. I det typiske design omfatter sessionerne 111 forsøg, som hver især kræver cirka en time at køre. Når du bliver bedt om det, skal du indtaste de viste inputparametre.Omdøb og gem hver af de genererede filer som betingelser. csv i sin egen mappe. Kopier betingelserne.csv-fil og indsæt den i den aktuelle mappe, der indeholder psyexp-filen. Åbn PsychoPy, og åbn psyexp- eller py-filen i den relevante eksperimentmappe. I PsychoPy skal du klikke på den grønne afspilningsknap for at køre eksperimentet.Indtast emnenavnet eller id'et og sessionsnummeret i det modale pop op-vindue, og klik på OK for at starte. Instruktioner vises i starten af hver session. Tillad emnet cirka en time at fuldføre opgaven, og da opgaven er i eget tempo, skal du opfordre forsøgspersonerne til at tage pauser, hvis det er nødvendigt.Når alle sessionerne er afsluttet, skal du kombinere de rå datafiler og omformatere dem til en enkelt JSON-fil til videre behandling ved at køre forbehandling. py i terminalen ved hjælp af de kommandoer, der er synlige på skærmen. Når du bliver bedt om det, skal du indtaste de ønskede inputparametre, herunder stien til emnedatamappen, emne-id'er til forbehandling af dataene og eksperimentnavnet, der bruges til at navngive outputfilen, og derefter trykke på Enter.Dette opretter en JSON-fil i outputmappen, der kombinerer svar på tværs af gentagelser for hver prøveversion. For at bestemme de parvise valgsandsynligheder fra rangordensdomme skal du gå til ligheder, derefter analysere og køre describe_data. py i kommandolinjen.Når du bliver bedt om det, skal du angive stien til emnedata og listen over emner, der skal køre analysen. Dette vil skabe tre slags tomter. Generer lavdimensionelle euklidiske modeller af de perceptuelle rum ved hjælp af valgsandsynlighederne ved at køre model_fitting.py ved hjælp af kommandolinjen, der vises på skærmen. Når du bliver bedt om det, skal du angive indgangene til mappen til emnedataene / forbehandlet, antallet af stimuli, som som standard vil være 37, antallet af iterationer, outputmappen og mængden af gaussisk støj, som som standard vil være 0,18. Visualiser logsandsynligheden for de opnåede modeller, og vurder deres pasform ved at køre ligheder, analyse model_fitting_figure.py.Når du bliver bedt om det, skal du indtaste den nødvendige sti til CSV-filerne, der indeholder logsandsynligheder. Visualiser de perceptuelle rum for hvert motiv, og generer punktdiagramter, der viser punkterne fra 5D-modellen, der projiceres på de to første principkomponenter, ved at køre de viste kommandoer. Når du bliver bedt om det, skal du indtaste inputparametrene og stien til NPY-filen, der indeholder 5D-punkterne.Når scriptet er udført, skal du afslutte det virtuelle miljø. I den fil, der genereres til ordet eksperiment, svarer den første række til et forsøg, hvor otte stimuli vises omkring referencestimulusaben. Rangdommene blev nedbrudt til parvise valg.Fordelingen af valgsandsynligheder var meget konsistent på tværs af emnerne. Dataklyngen nær diagonalen i hvert panel indikerer en stor grad af konsistens i valget af sandsynligheder mellem emnerne og for de vurderinger, der ikke er i ekstremerne. Den dominerende diagonal indikerer, at valgsandsynlighederne i de to sammenhænge, herunder de mellemliggende valgsandsynligheder mellem nul og en, er tæt på identiske for hvert emne.Logsandsynlighederne vises i forhold til logsandsynligheden for den bedste model, dvs. en model, der tildeler den observerede valgsandsynlighed til hver sammenligning uden at begrænse disse sandsynligheder ved nogen geometrisk overvejelse. Principkomponentanalyse blev udført på punkterne fra 5D-modellen af det perceptuelle rum, hvor dyrene, der blev opfattet som ens, blev betegnet med punkter nær hinanden. Det er afgørende at beslutte alle parametre, når du designer et eksperiment og indstille dem i konfigurationsfilerne, inden du begynder trin to.Det er også meget vigtigt at holde nøje styr på hvert emnes data. Metoden giver en lang række lighedsvurderinger, så der kan anvendes en række analyser, såsom klyngeanalyse, fokus på kontekst eller modellering med forskellige geometriske rum.

Research

JoVE Journal

Neuroscience

Organotypic Cerebellar Cultures: Apoptotic Challenges and Detection

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

Reproducerbar Mouse iskiasnerven Crush og efterfølgende vurdering af Regeneration af Whole Mount Muskel Analyse

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

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

Visualisering og genetisk manipulering af dendritter og udløberne i mus cerebrale cortex og hippocampus under anvendelse<em&gt; I utero</em&gt; Elektroporation

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

En visuel beskrivelse af dissektion af cerebral Surface vaskulatur og associerede meninges og choroid plexus fra rottehjerne

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

A Novel Light Damage Paradigm til Anvendelse i Retinal Regeneration Studies i Adult zebrafisk

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

Høj opløsning Kvantificering af Lugt-styrede adfærd i<em&gt; Drosophila melanogaster</em&gt; Brug af<em&gt; Flywalk</em&gt; Paradigm

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

Kronisk Implantation af hele-kortikale Electrocorticographic Array i den fælles silkeabe

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 Kinematic Analyse for funktionel evaluering i rottemodel af iskiasnerven crush skade

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

Indsamling af frosne gnaver brain regioner for downstream analyser

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