Un paradigma psicofisico per la raccolta e l'analisi dei giudizi di somiglianza

Summary

Il protocollo presenta un paradigma psicofisico sperimentale per ottenere grandi quantità di giudizi di somiglianza e un flusso di lavoro di analisi di accompagnamento. Il paradigma sonda gli effetti del contesto e consente la modellazione di dati di somiglianza in termini di spazi euclidei di almeno cinque dimensioni.

Abstract

I giudizi di somiglianza sono comunemente usati per studiare le rappresentazioni mentali e i loro correlati neurali. Questo approccio è stato utilizzato per caratterizzare gli spazi percettivi in molti domini: colori, oggetti, immagini, parole e suoni. Idealmente, si potrebbe voler confrontare le stime di somiglianza percepita tra tutte le coppie di stimoli, ma questo è spesso poco pratico. Ad esempio, se si chiede a un soggetto di confrontare la somiglianza di due elementi con la somiglianza di altri due elementi, il numero di confronti cresce con la quarta potenza della dimensione del set di stimoli. Una strategia alternativa è quella di chiedere a un soggetto di valutare le somiglianze di coppie isolate, ad esempio su una scala Likert. Questo è molto più efficiente (il numero di valutazioni cresce quadraticamente con le dimensioni impostate piuttosto che trimestralmente), ma queste valutazioni tendono ad essere instabili e hanno una risoluzione limitata, e l’approccio presuppone anche che non ci siano effetti di contesto.

Qui viene presentato un nuovo paradigma di classificazione per una raccolta efficiente di giudizi di somiglianza, insieme a una pipeline di analisi (software fornito) che verifica se i modelli di distanza euclidei tengono conto dei dati. Le prove tipiche consistono in otto stimoli attorno a uno stimolo di riferimento centrale: il soggetto classifica gli stimoli in ordine di somiglianza con il riferimento. Selezionando con giudizio le combinazioni di stimoli utilizzati in ogni prova, l’approccio ha controlli interni per la coerenza e gli effetti di contesto. L’approccio è stato convalidato per stimoli tratti da spazi euclidei fino a cinque dimensioni.

L’approccio è illustrato con un esperimento che misura le somiglianze tra 37 parole. Ogni prova produce i risultati di 28 confronti a coppie del modulo, “A era più simile al riferimento di quanto B fosse al riferimento?” Mentre il confronto diretto di tutte le coppie di coppie di stimoli avrebbe richiesto prove 221445, questo progetto consente la ricostruzione dello spazio percettivo da 5994 confronti ottenuti da 222 studi.

Introduction

Gli esseri umani elaborano e rappresentano mentalmente le informazioni sensoriali in arrivo per eseguire una vasta gamma di compiti, come il riconoscimento degli oggetti, la navigazione, fare inferenze sull’ambiente e molti altri. I giudizi di somiglianza sono comunemente usati per sondare queste rappresentazioni ^mentali1. Comprendere la struttura delle rappresentazioni mentali può fornire informazioni sull’organizzazione della conoscenza ^concettuale2. È anche possibile ottenere informazioni sui calcoli neurali, mettendo in relazione i giudizi di somiglianza con i modelli di attivazione ^cerebrale3. Inoltre, i giudizi di somiglianza rivelano caratteristiche salienti nella ^percezione4. Studiare come cambiano le rappresentazioni mentali durante lo sviluppo può far luce su come vengono ^apprese5. Pertanto, i giudizi di somiglianza forniscono preziose informazioni sull’elaborazione delle informazioni nel cervello.

Un modello comune di rappresentazioni mentali che usano somiglianze è un modello geometrico di ^spazio6,7,8. Applicato ai domini sensoriali, questo tipo di modello è spesso indicato come uno spazio percettivo9. I punti nello spazio rappresentano gli stimoli e le distanze tra i punti corrispondono alla dissomiglianza percepita tra di loro. Dai giudizi di somiglianza, si possono ottenere stime quantitative delle dissomiglianze. Queste dissomiglianze a coppie (o distanze percettive) possono quindi essere utilizzate per modellare lo spazio percettivo tramite il ridimensionamento multidimensionale10.

Esistono molti metodi per raccogliere giudizi di somiglianza, ognuno con i suoi vantaggi e svantaggi. Il modo più semplice per ottenere misure quantitative di dissomiglianza è chiedere ai soggetti di valutare su una scala il grado di dissomiglianza tra ogni coppia di stimoli. Mentre questo è relativamente veloce, le stime tendono ad essere instabili durante lunghe sessioni in quanto i soggetti non possono tornare ai giudizi precedenti e gli effetti del contesto, se presenti, non possono essere rilevati. (Qui, un effetto di contesto è definito come un cambiamento nella somiglianza giudicata tra due stimoli, in base alla presenza di altri stimoli che non vengono confrontati.) In alternativa, ai soggetti può essere chiesto di confrontare tutte le coppie di stimoli con tutte le altre coppie di stimoli. Mentre questo produrrebbe un ordinamento di rango più affidabile delle dissomiglianze, il numero di confronti richiesti scala con la quarta potenza del numero di stimoli, rendendolo fattibile solo per piccoli insiemi di stimoli. Le alternative più rapide, come l’ordinamento in un numero predefinito di ^cluster11 o l’ordinamento gratuito, hanno i loro limiti. L’ordinamento libero (in un numero qualsiasi di pile) è intuitivo, ma costringe il soggetto a categorizzare gli stimoli, anche se gli stimoli non si prestano facilmente alla categorizzazione. Il più recente metodo multi-arrangiamento, MDS inverso, aggira molte di queste limitazioni ed è molto ^efficiente12. Tuttavia, questo metodo richiede ai soggetti di proiettare le loro rappresentazioni mentali su un piano euclideo 2D e di considerare le somiglianze in un modo geometrico specifico, assumendo che la struttura di somiglianza possa essere recuperata dalle distanze euclidee su un piano. Pertanto, rimane la necessità di un metodo efficiente per raccogliere grandi quantità di giudizi di somiglianza, senza fare ipotesi sulla geometria alla base dei giudizi.

Descritto qui è un metodo che è sia ragionevolmente efficiente che evita anche le potenziali insidie di cui sopra. Chiedendo ai soggetti di classificare gli stimoli in ordine di somiglianza con un riferimento centrale in ogni ^prova13, la somiglianza relativa può essere sondata direttamente, senza assumere nulla sulla struttura geometrica delle risposte dei soggetti. Il paradigma ripete un sottoinsieme di confronti con contesti identici e diversi, consentendo la valutazione diretta degli effetti del contesto e l’acquisizione di risposte graduali in termini di probabilità di scelta. La procedura di analisi scompone questi giudizi di rango in più confronti a coppie e li utilizza per costruire e cercare modelli euclidei di spazi percettivi che spiegano i giudizi. Il metodo è adatto per descrivere in dettaglio la rappresentazione di insiemi di stimoli di dimensioni moderate (ad esempio, da 19 a 49).

Per dimostrare la fattibilità dell’approccio, è stato condotto un esperimento, utilizzando una serie di 37 animali come stimoli. I dati sono stati raccolti nel corso di 10 sessioni di un’ora e poi analizzati separatamente per ciascun soggetto. L’analisi ha rivelato coerenza tra i soggetti ed effetti di contesto trascurabili. Ha anche valutato la coerenza delle dissomiglianze percepite tra gli stimoli con i modelli euclidei dei loro spazi percettivi. Il paradigma e le procedure di analisi delineati in questo articolo sono flessibili e dovrebbero essere utili ai ricercatori interessati a caratterizzare le proprietà geometriche di una gamma di spazi percettivi.

Protocol

Prima di iniziare gli esperimenti, tutti i soggetti forniscono il consenso informato in conformità con le linee guida istituzionali e la Dichiarazione di Helsinki. Nel caso di questo studio, il protocollo è stato approvato dal comitato di revisione istituzionale del Weill Cornell Medical College. 1. Installazione e configurazione Scarica il codice dal repository GitHub, somiglianze (https://github.com/jvlab/similarities). Nella riga di comando, esegui: git clon…

Representative Results

Nella Figura 1A viene illustrata parte di un file di condizioni generato dallo script nel passaggio 3.3, per la parola esperimento. Ogni riga corrisponde a una prova. Lo stimolo nella colonna ref viene visualizzato al centro del display. I nomi delle colonne da stim1 a stim8 corrispondono a otto posizioni lungo un cerchio, che corrono in senso antiorario, a partire dalla posizione a destra del riferimento centrale. Una prova di esempio dalla parola esperimento è mostrata nella <strong class…

Discussion

Il protocollo qui delineato è efficace per ottenere e analizzare giudizi di somiglianza per stimoli che possono essere presentati visivamente. Il paradigma sperimentale, l’analisi e le possibili estensioni vengono discussi prima e successivamente i vantaggi e gli svantaggi del metodo.

Paradigma sperimentale: Il metodo proposto è dimostrato utilizzando un dominio di 37 nomi di animali e viene fornito un set di dati campione di giudizi percettivi in modo da poter seguire l’ana…

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.