유사성 판단의 수집과 분석을위한 정신 물리학 패러다임
Summary
이 프로토콜은 많은 양의 유사성 판단과 그에 수반되는 분석 워크 플로우를 얻기 위해 실험적 정신 물리학 패러다임을 제시합니다. 패러다임은 컨텍스트 효과를 조사하고 적어도 다섯 차원의 유클리드 공간의 관점에서 유사성 데이터의 모델링을 가능하게합니다.
Abstract
유사성 판단은 일반적으로 정신적 표현과 신경 상관 관계를 연구하는 데 사용됩니다. 이 접근법은 색상, 객체, 이미지, 단어 및 소리와 같은 많은 영역에서 지각 공간을 특성화하는 데 사용되었습니다. 이상적으로, 모든 자극 쌍 사이의 인식 된 유사성에 대한 추정치를 비교하고 싶을 수도 있지만, 이것은 종종 비실용적입니다. 예를 들어, 피험자에게 두 항목의 유사성을 다른 두 항목의 유사성과 비교하도록 요청하면 비교 횟수는 자극 집합 크기의 네 번째 힘에 따라 증가합니다. 대안적인 전략은 피험자에게 고립된 쌍들의 유사성을 예를 들어, Likert 척도로 평가하도록 요청하는 것이다. 이것은 훨씬 더 효율적이지만 (등급의 수는 사분위가 아닌 설정된 크기에 따라 사분면으로 증가합니다), 이러한 등급은 불안정하고 해상도가 제한적인 경향이 있으며 접근 방식은 컨텍스트 효과가 없다고 가정합니다.
여기에서는 유사성 판단의 효율적인 수집을위한 새로운 순위 패러다임과 유클리드 거리 모델이 데이터를 설명하는지 여부를 테스트하는 분석 파이프 라인 (소프트웨어 제공)이 제시됩니다. 전형적인 시험은 중앙 기준 자극을 중심으로 여덟 가지 자극으로 구성된다: 피험자는 기준과의 유사성 순서대로 자극을 순위화한다. 각 임상시험에서 사용된 자극의 조합을 신중하게 선택함으로써, 접근법은 일관성과 맥락 효과에 대한 내부 통제를 갖는다. 이 접근법은 최대 다섯 차원의 유클리드 공간에서 가져온 자극에 대해 검증되었습니다.
이 접근법은 37 단어 사이의 유사성을 측정하는 실험으로 설명됩니다. 각 시험은 “A가 B보다 참조와 더 유사합니까?”라는 형태의 28 쌍 비교 결과를 산출합니다. 모든 자극 쌍을 직접 비교하는 것은 221445 번의 시험이 필요했지만,이 설계는 222 번의 시도에서 얻은 5994 건의 비교에서 지각 공간을 재구성 할 수있게합니다.
Introduction
인간은 들어오는 감각 정보를 정신적으로 처리하고 표현하여 객체 인식, 탐색, 환경에 대한 추론 및 기타 여러 작업을 수행합니다. 유사성 판단은 일반적으로 이러한 정신적 표현을 조사하는 데 사용됩니다1. 정신적 표현의 구조를 이해하면 개념적 지식의 조직에 대한 통찰력을 제공 할 수 있습니다2. 유사성 판단을 뇌 활성화 패턴과 관련시킴으로써 신경 계산에 대한 통찰력을 얻는 것도 가능합니다3. 또한, 유사성 판단은 인식에서 두드러진 특징을 드러낸다4. 발달 과정에서 정신적 표현이 어떻게 변하는지 연구하는 것은 그들이 어떻게 학습되는지를 밝힐 수 있습니다5. 따라서 유사성 판단은 뇌의 정보 처리에 대한 귀중한 통찰력을 제공합니다.
유사성을 사용하는 정신적 표현의 일반적인 모델은 기하학적 공간 모델6,7,8이다. 감각 영역에 적용된 이러한 종류의 모델은 종종 지각 공간9이라고 불립니다. 공간의 점들은 자극을 나타내며 점들 사이의 거리는 그들 사이의 인식 된 불일치에 해당합니다. 유사성 판단으로부터 유사성에 대한 정량적 추정치를 얻을 수 있습니다. 이러한 쌍 방향 불일치(또는 지각 거리)는 다차원 스케일링(multidimensional scaling)10을 통해 지각 공간을 모델링하는 데 사용될 수 있습니다.
유사성 판단을 수집하는 방법에는 여러 가지가 있으며 각 방법에는 장점과 단점이 있습니다. 불일치에 대한 양적 척도를 얻는 가장 간단한 방법은 피험자에게 각 자극 쌍 사이의 불일치 정도를 척도로 평가하도록 요청하는 것입니다. 이것은 비교적 빠르지 만, 피험자가 이전의 판단으로 돌아갈 수 없기 때문에 추정치가 긴 세션에서 불안정한 경향이 있으며, 문맥 효과가있는 경우 감지 할 수 없습니다. (여기서, 문맥 효과는 비교되지 않는 다른 자극의 존재에 기초하여, 두 자극 사이의 판단된 유사성의 변화로서 정의된다.) 대안적으로, 피험자는 자극의 모든 쌍을 다른 모든 자극 쌍과 비교하도록 요청받을 수 있다. 이것은 불일치의 더 신뢰할 수있는 순위 순서를 산출 할 것이지만, 비교의 수는 자극 수의 네 번째 힘과의 척도를 필요로했기 때문에 작은 자극 세트에서만 실현 가능했습니다. 미리 정의된 수의 클러스터로 정렬11 또는 자유 정렬과 같은 더 빠른 대안에는 자체 제한이 있습니다. 자유로운 정렬 (임의의 수의 말뚝으로)은 직관적이지만, 자극이 쉽게 분류에 도움이되지 않더라도 피험자가 자극을 분류하도록 강요합니다. 보다 최근의 다중 배열 방법인 역 MDS는 이러한 많은 한계를 우회하며 매우 효율적입니다12. 그러나이 방법은 피험자가 자신의 정신적 표현을 2D 유클리드 평면에 투사하고 특정 기하학적 방식으로 유사성을 고려하여 유사성 구조가 평면의 유클리드 거리에서 회복 될 수 있다고 가정해야합니다. 따라서, 판단의 기초가 되는 기하학에 대한 가정을 하지 않고, 많은 양의 유사성 판단을 수집하는 효율적인 방법에 대한 필요성이 여전히 남아 있다.
여기에 설명 된 방법은 합리적으로 효율적이며 위의 잠재적 인 함정을 피하는 방법입니다. 피험자에게 각 임상시험에서 중심 기준과 유사성의 순서로 자극의 순위를 매기도록 요청함으로써13, 상대적 유사성은 피험자의 반응의 기하학적 구조에 대해 아무 것도 가정하지 않고 직접 조사될 수 있다. 패러다임은 동일하고 다른 컨텍스트 모두와 비교의 하위 집합을 반복하여 컨텍스트 효과에 대한 직접적인 평가뿐만 아니라 선택 확률 측면에서 등급이 매겨진 응답을 획득 할 수 있습니다. 분석 절차는 이러한 순위 판단을 여러 쌍 별 비교로 분해하고이를 사용하여 판단을 설명하는 지각 공간의 유클리드 모델을 구축하고 검색합니다. 이 방법은 중간 크기(예를 들어, 19 내지 49)의 자극 세트의 표현을 상세하게 기술하는데 적합하다.
접근법의 타당성을 입증하기 위해, 자극으로 37 마리의 동물 세트를 사용하여 실험을 수행했다. 데이터는 10 1 시간 세션의 과정에 걸쳐 수집 된 다음 각 피험자에 대해 개별적으로 분석되었습니다. 분석은 피험자 간의 일관성과 무시할 수있는 문맥 효과를 보여주었습니다. 또한 지각 공간의 유클리드 모델과 자극 사이의 인식 된 불일치의 일관성을 평가했습니다. 이 논문에 설명 된 패러다임 및 분석 절차는 유연하며 다양한 지각 공간의 기하학적 특성을 특성화하는 데 관심이있는 연구원에게 유용 할 것으로 예상됩니다.
Protocol
Representative Results
Discussion
여기에 설명 된 프로토콜은 시각적으로 제시 될 수있는 자극에 대한 유사성 판단을 얻고 분석하는 데 효과적입니다. 실험 패러다임, 분석 및 가능한 확장이 먼저 논의되고 나중에이 방법의 장점과 단점이 논의됩니다.
실험 패러다임: 제안 된 방법은 37 동물 이름의 도메인을 사용하여 시연되며, 5 단계의 분석을 따르고 그림 3-6<st…
Disclosures
The authors have nothing to disclose.
Acknowledgements
이 연구는 국립 보건원 (NIH)의 기금으로 지원되며 EY07977을 부여합니다. 저자는 또한 소프트웨어 테스트에 도움을 준 Usman Aiyaz와 원고에 대한 그의 의견에 대해 Muhammad Naeem Ayyaz에게 감사하고 싶습니다.
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).
