Un paradigme psychophysique pour la collecte et l’analyse des jugements de similitude

Summary

Le protocole présente un paradigme psychophysique expérimental pour obtenir de grandes quantités de jugements de similitude, et un flux de travail d’analyse qui l’accompagne. Le paradigme sonde les effets de contexte et permet de modéliser les données de similarité en termes d’espaces euclidiens d’au moins cinq dimensions.

Abstract

Les jugements de similitude sont couramment utilisés pour étudier les représentations mentales et leurs corrélats neuronaux. Cette approche a été utilisée pour caractériser les espaces perceptifs dans de nombreux domaines : couleurs, objets, images, mots et sons. Idéalement, on pourrait vouloir comparer les estimations de la similitude perçue entre toutes les paires de stimuli, mais cela est souvent peu pratique. Par exemple, si l’on demande à un sujet de comparer la similitude de deux éléments avec la similitude de deux autres éléments, le nombre de comparaisons augmente avec la quatrième puissance de la taille de l’ensemble de stimulus. Une autre stratégie consiste à demander à un sujet d’évaluer les similitudes de paires isolées, par exemple sur une échelle de Likert. Ceci est beaucoup plus efficace (le nombre d’évaluations augmente quadratiquement avec la taille définie plutôt que quartiquement), mais ces évaluations ont tendance à être instables et ont une résolution limitée, et l’approche suppose également qu’il n’y a pas d’effets de contexte.

Ici, un nouveau paradigme de classement pour une collecte efficace des jugements de similitude est présenté, ainsi qu’un pipeline d’analyse (logiciel fourni) qui teste si les modèles de distance euclidiens rendent compte des données. Les essais typiques consistent en huit stimuli autour d’un stimulus de référence central : le sujet classe les stimuli par ordre de similitude avec la référence. Par une sélection judicieuse des combinaisons de stimuli utilisées dans chaque essai, l’approche comporte des contrôles internes pour la cohérence et les effets contextuels. L’approche a été validée pour des stimuli tirés d’espaces euclidiens allant jusqu’à cinq dimensions.

L’approche est illustrée par une expérience mesurant les similitudes entre 37 mots. Chaque essai donne les résultats de 28 comparaisons par paires de la forme , « A était-il plus similaire à la référence que B ne l’était à la référence ? » Bien que la comparaison directe de toutes les paires de paires de stimuli aurait nécessité des essais 221445, cette conception permet de reconstruire l’espace perceptuel à partir de 5994 comparaisons obtenues à partir de 222 essais.

Introduction

Les humains traitent mentalement et représentent les informations sensorielles entrantes pour effectuer un large éventail de tâches, telles que la reconnaissance d’objets, la navigation, les inférences sur l’environnement et bien d’autres. Les jugements de similitude sont couramment utilisés pour sonder ces représentations ^mentales1. Comprendre la structure des représentations mentales peut donner un aperçu de l’organisation des connaissances ^{conceptuelles2}. Il est également possible de mieux comprendre les calculs neuronaux, en reliant les jugements de similitude aux modèles d’activation ^cérébrale3. De plus, les jugements de similitude révèlent des caractéristiques qui sont saillantes dans la ^perception4. L’étude de l’évolution des représentations mentales au cours du développement peut éclairer la façon dont elles sont ^apprises5. Ainsi, les jugements de similitude fournissent des informations précieuses sur le traitement de l’information dans le cerveau.

Un modèle commun de représentations mentales utilisant des similitudes est un modèle d’espace ^{géométrique6,7,8}. Appliqué aux domaines sensoriels, ce type de modèle est souvent appelé espace perceptif9. Les points dans l’espace représentent des stimuli et les distances entre les points correspondent à la dissimilarité perçue entre eux. À partir de jugements de similitude, on peut obtenir des estimations quantitatives des dissemblances. Ces dissemblances par paires (ou distances perceptuelles) peuvent ensuite être utilisées pour modéliser l’espace perceptuel via une mise à l’échelle ^{multidimensionnelle10}.

Il existe de nombreuses méthodes pour recueillir des jugements de similitude, chacune avec ses avantages et ses inconvénients. Le moyen le plus simple d’obtenir des mesures quantitatives de dissimilarité est de demander aux sujets d’évaluer sur une échelle le degré de dissimilarité entre chaque paire de stimuli. Bien que cela soit relativement rapide, les estimations ont tendance à être instables sur de longues sessions, car les sujets ne peuvent pas revenir aux jugements précédents et les effets contextuels, s’ils sont présents, ne peuvent pas être détectés. (Ici, un effet de contexte est défini comme un changement dans la similitude jugée entre deux stimuli, basé sur la présence d’autres stimuli qui ne sont pas comparés.) Alternativement, les sujets peuvent être invités à comparer toutes les paires de stimuli à toutes les autres paires de stimuli. Bien que cela donnerait un ordre de classement plus fiable des dissimilarités, le nombre de comparaisons nécessitait des échelles avec la quatrième puissance du nombre de stimuli, ce qui ne le rendait possible que pour de petits ensembles de stimuli. Les alternatives plus rapides, comme le tri en un nombre prédéfini de ^clusters11 ou le tri libre, ont leurs propres limites. Le tri libre (en n’importe quel nombre de piles) est intuitif, mais il oblige le sujet à catégoriser les stimuli, même si les stimuli ne se prêtent pas facilement à la catégorisation. La méthode multi-arrangement plus récente, le MDS inverse, contourne bon nombre de ces limitations et est très ^efficace12. Cependant, cette méthode exige que les sujets projettent leurs représentations mentales sur un plan euclidien 2D et considèrent les similitudes d’une manière géométrique spécifique, en supposant que la structure de similitude peut être récupérée à partir de distances euclidiennes sur un plan. Ainsi, il reste nécessaire de disposer d’une méthode efficace pour recueillir de grandes quantités de jugements de similitude, sans faire d’hypothèses sur la géométrie sous-jacente aux jugements.

Décrite ici est une méthode qui est à la fois raisonnablement efficace et évite également les pièges potentiels ci-dessus. En demandant aux sujets de classer les stimuli par ordre de similitude avec une référence centrale dans chaque ^essai13, la similitude relative peut être sondée directement, sans rien supposer sur la structure géométrique des réponses des sujets. Le paradigme répète un sous-ensemble de comparaisons avec des contextes identiques et différents, permettant une évaluation directe des effets contextuels ainsi que l’acquisition de réponses graduées en termes de probabilités de choix. La procédure d’analyse décompose ces jugements de rang en plusieurs comparaisons par paires et les utilise pour construire et rechercher des modèles euclidiens d’espaces perceptifs qui expliquent les jugements. La méthode convient pour décrire en détail la représentation d’ensembles de stimulus de tailles modérées (p. ex., 19 à 49).

Pour démontrer la faisabilité de l’approche, une expérience a été menée, en utilisant un ensemble de 37 animaux comme stimuli. Les données ont été recueillies au cours de 10 séances d’une heure, puis analysées séparément pour chaque sujet. L’analyse a révélé une cohérence entre les sujets et des effets de contexte négligeables. Il a également évalué la cohérence des dissemblances perçues entre les stimuli avec les modèles euclidiens de leurs espaces perceptifs. Le paradigme et les procédures d’analyse décrits dans cet article sont flexibles et devraient être utiles aux chercheurs intéressés à caractériser les propriétés géométriques d’une gamme d’espaces perceptifs.

Protocol

Avant de commencer les expériences, tous les sujets fournissent un consentement éclairé conformément aux directives institutionnelles et à la Déclaration d’Helsinki. Dans le cas de cette étude, le protocole a été approuvé par le comité d’examen institutionnel du Weill Cornell Medical College. 1. Installation et configuration Téléchargez le code à partir du référentiel GitHub, similitudes (https://github.com/jvlab/similarities). Dans la ligne de co…

Representative Results

La figure 1A montre une partie d’un fichier de conditions généré par le script à l’étape 3.3, pour le mot experiment. Chaque ligne correspond à un essai. Le stimulus dans la colonne ref apparaît au centre de l’écran. Les noms de colonne stim1 à stim8 correspondent à huit positions le long d’un cercle, dans le sens inverse des aiguilles d’une montre, à partir de la position à droite de la référence centrale. Un exemple d’essai tiré du mot expérience est illustré ?…

Discussion

Le protocole décrit ici est efficace pour obtenir et analyser des jugements de similitude pour les stimuli qui peuvent être présentés visuellement. Le paradigme expérimental, l’analyse et les extensions possibles sont discutés en premier, puis les avantages et les inconvénients de la méthode.

Paradigme expérimental : La méthode proposée est démontrée à l’aide d’un domaine de 37 noms d’animaux, et un échantillon d’ensemble de données de jugements perce…

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.