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.
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.
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.
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…
The authors have nothing to disclose.
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.
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. |