類似性判断の収集と分析のための心理物理学パラダイム
Summary
このプロトコルは、大量の類似性判断を得るための実験的心理物理学パラダイムと、それに付随する分析ワークフローを提示する。パラダイムはコンテキスト効果を調査し、少なくとも5次元のユークリッド空間の観点から類似性データのモデリングを可能にします。
Abstract
類似性判断は、心的表現とその神経相関を研究するために一般的に使用されます。このアプローチは、色、オブジェクト、画像、単語、音など、多くの領域の知覚空間を特徴付けるために使用されてきました。理想的には、すべての刺激のペア間で知覚される類似性の推定値を比較したいかもしれませんが、これはしばしば実用的ではありません。たとえば、被験者に2つの項目の類似度と他の2つの項目の類似度を比較するように依頼すると、比較の数は刺激セットサイズの4乗とともに増加します。別の戦略は、被験者に孤立したペアの類似性を評価するように依頼することです(例えば、リッカートスケール)。これははるかに効率的です(評価の数は、四分位ではなく、設定されたサイズで2次的に増加します)が、これらの評価は不安定で解像度が限られている傾向があり、このアプローチではコンテキスト効果がないことも前提としています。
ここでは、類似性判定の効率的な収集のための新しいランキングパラダイムと、ユークリッド距離モデルがデータを説明するかどうかをテストする分析パイプライン(ソフトウェア提供)が提示されます。典型的な試験は、中央の基準刺激の周りの8つの刺激からなる:被験者は、参照との類似性の順に刺激をランク付けする。各試験で使用される刺激の組み合わせを慎重に選択することにより、このアプローチは一貫性と文脈効果のための内部制御を有する。このアプローチは、最大5次元のユークリッド空間から引き出された刺激について検証された。
このアプローチは、37の単語間の類似性を測定する実験で示されています。各試行では、「B が参照に似ていたよりも A が参照に似ていたか」という形式の 28 のペアワイズ比較の結果が得られます。刺激のペアのすべてのペアを直接比較するには221445試行が必要でしたが、この設計により、222回の試行から得られた5994のそのような比較から知覚空間の再構成が可能になります。
Introduction
人間は、物体認識、ナビゲーション、環境に関する推論など、幅広いタスクを実行するために、入ってくる感覚情報を精神的に処理して表現します。類似性判断は、これらの精神的表現を調査するために一般的に使用されます1。心的表象の構造を理解することは、概念的知識の組織化への洞察を提供することができます2。また、類似性判定を脳の活性化パターンに関連付けることで、神経計算に関する洞察を得ることもできます3。さらに、類似性判断は、知覚において顕著な特徴を明らかにする4。発達中に心表象がどのように変化するかを研究することは、それらがどのように学習されるかを明らかにすることができます5。したがって、類似性判断は、脳内の情報処理に関する貴重な洞察を提供します。
類似性を用いた精神表現の一般的なモデルは、幾何学的空間モデル6,7,8である。感覚領域に適用されるこの種のモデルは、しばしば知覚空間9と呼ばれます。空間内の点は刺激を表し、点間の距離はそれらの間の知覚される非類似性に対応します。類似性の判断から、非類似性の定量的推定値を得ることができます。これらのペアワイズ非類似性(または知覚距離)は、多次元スケーリング10を介して知覚空間をモデル化するために使用することができる。
類似性判断を収集する方法は多数あり、それぞれに長所と短所があります。非類似性の定量的尺度を得る最も直接的な方法は、被験者に刺激の各ペア間の非類似性の程度を尺度で評価するように依頼することである。これは比較的速いですが、被験者が以前の判断に戻ることができず、文脈の影響が存在する場合は検出できないため、長いセッションでは推定値が不安定になる傾向があります。(ここで、コンテキスト効果は、比較されていない他の刺激の存在に基づいて、2つの刺激間の判断された類似性の変化として定義される。あるいは、被験者は、刺激のすべてのペアを他のすべてのペアの刺激と比較するように求めることができる。これにより、非類似性のより信頼性の高い順位付けが得られますが、比較の数は刺激数の4乗でスケールが必要であり、小さな刺激セットでのみ実現可能です。定義済みの数のクラスター11へのソートやフリーソートなど、より迅速な代替手段には独自の制限があります。自由なソート(任意の数の山への)は直感的ですが、刺激が分類に容易に役立たなくても、被験者に刺激を分類することを強制します。より最近のマルチアレンジメント法である逆MDSは、これらの制限の多くを回避し、非常に効率的です12。しかし、この方法では、被験者が自分の心的表現を2Dユークリッド平面に投影し、類似性を特定の幾何学的方法で考慮し、類似性構造が平面上のユークリッド距離から回復できると仮定する必要があります。したがって、判断の根底にある幾何学的形状について仮定することなく、大量の類似性判定を収集する効率的な方法が依然として必要とされている。
ここで説明するのは、合理的に効率的であり、上記の潜在的な落とし穴を回避する方法です。被験者に、各試行13において中央参照との類似度順に刺激をランク付けするように依頼することにより、被験者の応答の幾何学的構造について何も仮定することなく、相対的類似性を直接プローブすることができる。パラダイムは、同一のコンテキストと異なるコンテキストの両方で比較のサブセットを繰り返し、コンテキスト効果の直接的な評価と、選択確率の観点からの段階的な応答の獲得を可能にします。分析手順では、これらのランク判定を複数のペアワイズ比較に分解し、それらを使用して、判定を説明する知覚空間のユークリッドモデルを構築して検索します。この方法は、中程度のサイズ(例えば、19〜49)の刺激セットの表現を詳細に記述するのに適している。
このアプローチの実現可能性を実証するために、37匹の動物を刺激として使用して実験を実施した。データは、10回の1時間のセッションにわたって収集され、次いで、各被験者について別々に分析された。分析の結果、被験者間の一貫性と文脈上の影響はごくわずかであることが明らかになった。また、刺激と知覚空間のユークリッドモデルとの間の知覚された非類似性の一貫性を評価した。この論文で概説したパラダイムと解析手順は柔軟性があり、さまざまな知覚空間の幾何学的特性を特徴付けることに関心のある研究者に役立つことが期待されています。
Protocol
Representative Results
Discussion
ここで概説したプロトコルは、視覚的に提示できる刺激に対する類似性判定を取得・分析するのに有効である。実験パラダイム、分析、および可能な拡張が最初に議論され、後でこの方法の長所と短所が議論される。
実験パラダイム:提案手法は,37匹の動物名のドメインを用いて実証され,ステップ5の解析に従い,図3~?…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
この研究は、国立衛生研究所(NIH)からの資金提供、助成金EY07977によって支えられています。著者らはまた、ソフトウェアのテストに協力してくれたウスマン・アイヤズと、原稿に対する彼のコメントに対するムハンマド・ナイエム・アイヤズに感謝したいと思います。
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. |
Riferimenti
- 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).
