Психофизическая парадигма для сбора и анализа суждений о сходстве
Summary
Протокол представляет экспериментальную психофизическую парадигму для получения большого количества суждений о сходстве и сопутствующий рабочий процесс анализа. Парадигма исследует контекстные эффекты и позволяет моделировать данные подобия в терминах евклидовых пространств по меньшей мере пяти измерений.
Abstract
Суждения о подобии обычно используются для изучения ментальных представлений и их нейронных коррелятов. Этот подход использовался для характеристики пространств восприятия во многих областях: цвета, объекты, изображения, слова и звуки. В идеале можно было бы сравнить оценки воспринимаемого сходства между всеми парами стимулов, но это часто непрактично. Например, если попросить субъекта сравнить сходство двух предметов с сходством двух других предметов, число сравнений увеличивается с четвертой степенью размера набора стимулов. Альтернативная стратегия состоит в том, чтобы спросить субъекта оценить сходство изолированных пар, например, по шкале Лайкерта. Это гораздо более эффективно (количество рейтингов растет квадратично с размером набора, а не квартически), но эти рейтинги, как правило, нестабильны и имеют ограниченное разрешение, и подход также предполагает, что нет контекстных эффектов.
Здесь представлена новая парадигма ранжирования для эффективного сбора суждений о подобии, а также конвейер анализа (предоставляемый программным обеспечением), который проверяет, учитывают ли данные модели евклидовых расстояний. Типичные испытания состоят из восьми стимулов вокруг центрального эталонного стимула: субъект ранжирует стимулы в порядке их сходства с референтным. Благодаря разумному выбору комбинаций стимулов, используемых в каждом испытании, подход имеет внутренний контроль для согласованности и контекстных эффектов. Подход был одобрен для стимулов, взятых из евклидовых пространств до пяти измерений.
Подход проиллюстрирован экспериментом, измеряющим сходство между 37 словами. Каждое испытание дает результаты 28 парных сравнений формы: «Было ли A более похоже на ссылку, чем B на ссылку?» Хотя непосредственное сравнение всех пар пар стимулов потребовало бы 221445 испытаний, эта конструкция позволяет реконструировать пространство восприятия из 5994 таких сравнений, полученных из 222 испытаний.
Introduction
Люди мысленно обрабатывают и представляют поступающую сенсорную информацию для выполнения широкого спектра задач, таких как распознавание объектов, навигация, делание выводов об окружающей среде и многие другие. Суждения о подобии обычно используются для исследования этих ментальных представлений1. Понимание структуры ментальных представлений может дать представление об организации концептуального знания2. Также можно получить представление о нейронных вычислениях, связав суждения о сходстве с паттернами активации мозга3. Кроме того, суждения о подобии выявляют особенности, которые являются заметными в восприятии4. Изучение того, как ментальные представления изменяются во время развития, может пролить свет на то, как они усваиваются5. Таким образом, суждения о сходстве дают ценное представление об обработке информации в мозге.
Распространенной моделью ментальных представлений, использующих сходства, является геометрическая модель пространства6,7,8. Применительно к сенсорным областям этот вид модели часто называют перцептивным пространством9. Точки в пространстве представляют собой раздражители, а расстояния между точками соответствуют воспринимаемому несходству между ними. Из суждений о сходстве можно получить количественные оценки различий. Эти попарные различия (или расстояния восприятия) затем могут быть использованы для моделирования пространства восприятия с помощью многомерного масштабирования10.
Существует множество методов сбора суждений о сходстве, каждый со своими преимуществами и недостатками. Самый простой способ получить количественные показатели несходства состоит в том, чтобы попросить испытуемых оценить по шкале степень несходства между каждой парой стимулов. Хотя это относительно быстро, оценки, как правило, нестабильны в течение длительных сессий, поскольку субъекты не могут вернуться к предыдущим суждениям, а контекстные эффекты, если они присутствуют, не могут быть обнаружены. (Здесь контекстный эффект определяется как изменение предполагаемого сходства между двумя стимулами, основанное на наличии других стимулов, которые не сравниваются.) В качестве альтернативы испытуемых можно попросить сравнить все пары стимулов со всеми другими парами стимулов. Хотя это дало бы более надежное ранжирование различий, количество сравнений требовало шкал с четвертой степенью числа стимулов, что делало возможным только небольшие наборы стимулов. Более быстрые альтернативы, такие как сортировка по заданному количеству кластеров11 или бесплатная сортировка, имеют свои ограничения. Свободная сортировка (на любое количество куч) интуитивно понятна, но она заставляет субъекта классифицировать стимулы, даже если стимулы нелегко поддаются категоризации. Более поздний метод с несколькими компоновками, обратный MDS, обходит многие из этих ограничений и очень эффективен12. Однако этот метод требует, чтобы испытуемые проецировали свои ментальные представления на 2D-евклидову плоскость и рассматривали сходства определенным геометрическим образом, делая предположение, что структура подобия может быть восстановлена из евклидовых расстояний на плоскости. Таким образом, сохраняется потребность в эффективном методе сбора большого количества суждений о сходстве, не делая предположений о геометрии, лежащей в основе суждений.
Здесь описан метод, который является достаточно эффективным, а также позволяет избежать вышеуказанных потенциальных ловушек. Попросив испытуемых ранжировать стимулы в порядке сходства с центральной ссылкой в каждом испытании13, можно исследовать относительное сходство напрямую, не предполагая ничего о геометрической структуре ответов испытуемых. Парадигма повторяет подмножество сравнений как с идентичными, так и с различными контекстами, что позволяет непосредственно оценивать контекстные эффекты, а также получать градуированные ответы с точки зрения вероятностей выбора. Процедура анализа разлагает эти ранговые суждения на несколько попарных сравнений и использует их для построения и поиска евклидовых моделей перцептивных пространств, которые объясняют суждения. Метод подходит для подробного описания представления наборов стимулов умеренных размеров (например, от 19 до 49).
Чтобы продемонстрировать целесообразность подхода, был проведен эксперимент, использующий в качестве стимулов набор из 37 животных. Данные собирались в течение 10 часовых сессий, а затем анализировались отдельно для каждого субъекта. Анализ выявил согласованность между субъектами и незначительные контекстные эффекты. Он также оценил согласованность воспринимаемых различий между стимулами с евклидовыми моделями их перцептивных пространств. Парадигма и процедуры анализа, изложенные в этой статье, являются гибкими и, как ожидается, будут полезны для исследователей, заинтересованных в характеристике геометрических свойств ряда перцептивных пространств.
Protocol
Representative Results
Discussion
Протокол, изложенный здесь, эффективен для получения и анализа суждений о сходстве для стимулов, которые могут быть представлены визуально. Сначала обсуждаются экспериментальная парадигма, анализ и возможные расширения, а затем преимущества и недостатки метода.
Эк?…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Работа поддерживается финансированием Национальных институтов здравоохранения (NIH), грантом EY07977. Авторы также хотели бы поблагодарить Усмана Айяза за помощь в тестировании программного обеспечения и Мухаммада Наима Айяза за его комментарии к рукописи.
Materials
| Computer Workstation | N/A | N/A | 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 |
| conda | Version 4.11 | OS: Windows/ MacOS 10 or higher/ Linux | |
| Microsoft Excel | Microsoft | Any | To open and shuffle rows and columns in trial conditions files. |
| PsychoPy | N/A | Version 2021.2 | Framework for running psychophysical studies |
| Python 3 | Python Software Foundation | Python Version 3.8 | Python3 and associated built-in libraries |
| Required Python Libraries | N/A | 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 | 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. |
References
- Edelman, S. Representation is representation of similarities. TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).
- Hahn, U., Chater, N. Concepts and similarity. Knowledge, Concepts and Categories. , 43-84 (1997).
- Kriegeskorte, N., Kievit, R. A. Representational geometry: integrating cognition, computation, and the brain. Trends in Cognitive Sciences. 17 (8), 401-412 (2013).
- 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).
- 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).
- 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).
- Coombs, C. H. A method for the study of interstimulus similarity. Psychometrika. 19 (3), 183-194 (1954).
- Gärdenfors, P. . Conceptual Spaces: The Geometry of Thought. , (2000).
- 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).
- Krishnaiah, P. R., Kanal, L. N. . Handbook of Statistics 2. , (1982).
- Tsogo, L., Masson, M. H., Bardot, A. Multidimensional Scaling Methods for Many-Object Sets: A Review. Multivariate Behavioral Research. 35 (3), 307-319 (2000).
- Kriegeskorte, N., Mur, M. Inverse MDS: Inferring dissimilarity structure from multiple item arrangements. Frontiers in Psychology. 3, 245 (2012).
- Rao, V. R., Katz, R. Alternative Multidimensional Scaling Methods for Large Stimulus Sets. Journal of Marketing Research. 8 (4), 488-494 (1971).
- Hoffman, J. I. E. Hypergeometric Distribution. Biostatistics for Medical and Biomedical Practitioners. , 179-182 (2015).
- Victor, J. D., Rizvi, S. M., Conte, M. M. Two representations of a high-dimensional perceptual space. Vision Research. 137, 1-23 (2017).
- Knoblauch, K., Maloney, L. T. Estimating classification images with generalized linear and additive models. Journal of Vision. 8 (16), 1-19 (2008).
- Maloney, L. T., Yang, J. N. Maximum likelihood difference scaling. Journal of Vision. 3 (8), 573-585 (2003).
- 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).
- Zhou, Y., Smith, B. H., Sharpee, T. O. Hyperbolic geometry of the olfactory space. Science Advances. 4 (8), (2018).
- Goldstone, R. An efficient method for obtaining similarity data. Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).
- Townsend, J. T. Theoretical analysis of an alphabetic confusion matrix. Perception & Psychophysics. 9, 40-50 (1971).
