Summary

一种用于收集和分析相似性判断的心理物理学范式

Published: March 01, 2022
doi:

Summary

该协议提出了一个实验心理物理学范式,以获得大量的相似性判断,以及随之而来的分析工作流程。该范式探测上下文效应,并根据至少五维的欧几里得空间对相似性数据进行建模。

Abstract

相似性判断通常用于研究心理表征及其神经相关性。这种方法已被用于表征许多领域的感知空间:颜色,对象,图像,单词和声音。理想情况下,人们可能想要比较所有刺激对之间的感知相似性的估计,但这通常是不切实际的。例如,如果要求受试者比较两个项目的相似性与其他两个项目的相似性,则比较次数会随着刺激集大小的第四次方而增长。另一种策略是要求受试者对孤立对的相似性进行评级,例如,在Likert量表上。这要高效得多(评级数量随集合大小而不是四分之一而呈二次增长),但这些评级往往不稳定且分辨率有限,并且该方法还假定没有上下文影响。

在这里,提出了一种用于有效收集相似性判断的新颖排名范式,以及测试欧氏距离模型是否考虑数据的分析管道(提供的软件)。典型的试验包括围绕中心参考刺激的八个刺激:受试者按照刺激与参考的相似性顺序对刺激进行排名。通过明智地选择每次试验中使用的刺激组合,该方法具有内部控制,以确保一致性和上下文效果。该方法对于从最多五维的欧几里得空间中提取的刺激进行了验证。

该方法通过一个测量37个单词之间相似性的实验来说明。每个试验都会产生28个成对比较的结果,“A与参考文献的相似性是否比B与参考文献的相似性更相似?虽然直接比较所有对的刺激需要221445试验,但这种设计能够从222次试验中获得的5994次此类比较中重建感知空间。

Introduction

人类在心理上处理和表示传入的感官信息,以执行各种任务,例如物体识别,导航,对环境进行推断等等。相似性判断通常用于探测这些心理表征1。了解心理表征的结构可以为概念知识的组织提供见解2。通过将相似性判断与大脑激活模式相关联,也可以深入了解神经计算3。此外,相似性判断揭示了感知中突出的特征4。研究心理表征在发育过程中如何变化可以揭示它们是如何被学习的5。因此,相似性判断为大脑中的信息处理提供了有价值的见解。

使用相似性的心理表征的常见模型是几何空间模型678。应用于感觉域,这种模型通常被称为感知空间9。空间中的点表示刺激,点之间的距离对应于它们之间的感知差异。从相似性判断中,可以得到对相异性的定量估计。然后,这些成对相差(或感知距离)可用于 通过 多维缩放对感知空间进行建模10

收集相似性判断的方法有很多种,每种方法都有其优点和缺点。获得不同性定量测量的最直接方法是要求受试者在一定量表上对每对刺激之间的差异程度进行评分。虽然这相对较快,但在长时间的会议中,估计往往不稳定,因为受试者无法回到以前的判断,并且如果存在上下文影响,则无法检测到。(在这里,上下文效应被定义为基于未进行比较的其他刺激的存在,两个刺激之间判断的相似性的变化。或者,可以要求受试者将所有刺激对与所有其他刺激对进行比较。虽然这将产生更可靠的差异秩顺序,但比较的数量需要与刺激数量的四次方进行缩放,使得仅对于较小的刺激集是可行的。更快的替代方法(如分类到预定义的簇数11 或自由排序)有其自身的局限性。自由排序(成任意数量的堆)是直观的,但它迫使受试者对刺激进行分类,即使刺激不容易分类。较新的多排列方法(反向 MDS)规避了许多这些限制,并且非常有效12。然而,这种方法要求受试者将他们的心理表征投射到2D欧几里得平面上,并以特定的几何方式考虑相似性,假设相似性结构可以从平面上的欧几里得距离中恢复。因此,仍然需要一种有效的方法来收集大量的相似性判断,而不对判断背后的几何形状做出假设。

这里描述的是一种既合理有效又避免了上述潜在陷阱的方法。通过要求受试者在每次试验中按与中心参考的相似性顺序对刺激进行排名13,可以直接探测相对相似性,而无需假设受试者反应的几何结构。该范式重复了相同和不同上下文的比较子集,允许直接评估上下文效应以及根据选择概率获取分级响应。分析过程将这些等级判断分解为多个成对比较,并使用它们来构建和搜索解释判断的感知空间的欧几里得模型。该方法适合于详细描述中等大小的刺激集的表示(例如,19至49)。

为了证明这种方法的可行性,进行了一项实验,使用一组37只动物作为刺激。在10个一小时的会议过程中收集数据,然后针对每个受试者单独分析。分析揭示了受试者之间的一致性和可忽略不计的上下文影响。它还评估了刺激与其感知空间的欧几里得模型之间的感知差异的一致性。本文概述的范式和分析程序是灵活的,预计将对有兴趣表征一系列感知空间的几何性质的研究人员有用。

Protocol

在开始实验之前,所有受试者都根据机构准则和《赫尔辛基宣言》提供知情同意。在这项研究中,该协议得到了威尔康奈尔医学院机构审查委员会的批准。 1. 安装和设置 从 GitHub 存储库下载代码,相似之处(https://github.com/jvlab/similarities)。在命令行中,运行:git clone https://github.com/jvlab/similarities.git。- 如果未安装 git,请从存储库中将代码作为压缩?…

Representative Results

图 1A 显示了脚本在步骤 3.3 中为单词实验生成的条件文件的一部分。每行对应于一个试验。ref 列中的刺激将显示在显示屏的中心。列名 stim1 到 stim8 对应于沿圆的八个位置,逆时针方向运行,从中心参照右侧的位置开始。来自单词实验的样本试验如图 1B所示。 为了证明可行性和可重复性,进行了一项实验,其中刺激集…

Discussion

这里概述的协议对于获取和分析可以直观呈现的刺激的相似性判断是有效的。首先讨论了实验范式,分析和可能的扩展,然后讨论了该方法的优缺点。

实验范式:使用37个动物名称的域演示了所提出的方法,并提供了感知判断的样本数据集,以便人们可以遵循步骤5中的分析并重现3-6的部分内容(协议步骤1.4)。?…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

这项工作得到了美国国立卫生研究院(NIH)的资助,拨款EY07977。作者还要感谢Usman Ayyaz在测试软件方面的帮助,以及Muhammad Naeem Ayyaz对手稿的评论。

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

  1. Edelman, S. Representation is representation of similarities. TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).
  2. Hahn, U., Chater, N. Concepts and similarity. Knowledge, Concepts and Categories. , 43-84 (1997).
  3. Kriegeskorte, N., Kievit, R. A. Representational geometry: integrating cognition, computation, and the brain. Trends in Cognitive Sciences. 17 (8), 401-412 (2013).
  4. 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).
  5. 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).
  6. 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).
  7. Coombs, C. H. A method for the study of interstimulus similarity. Psychometrika. 19 (3), 183-194 (1954).
  8. Gärdenfors, P. . Conceptual Spaces: The Geometry of Thought. , (2000).
  9. 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).
  10. Krishnaiah, P. R., Kanal, L. N. . Handbook of Statistics 2. , (1982).
  11. Tsogo, L., Masson, M. H., Bardot, A. Multidimensional Scaling Methods for Many-Object Sets: A Review. Multivariate Behavioral Research. 35 (3), 307-319 (2000).
  12. Kriegeskorte, N., Mur, M. Inverse MDS: Inferring dissimilarity structure from multiple item arrangements. Frontiers in Psychology. 3, 245 (2012).
  13. Rao, V. R., Katz, R. Alternative Multidimensional Scaling Methods for Large Stimulus Sets. Journal of Marketing Research. 8 (4), 488-494 (1971).
  14. Hoffman, J. I. E. Hypergeometric Distribution. Biostatistics for Medical and Biomedical Practitioners. , 179-182 (2015).
  15. Victor, J. D., Rizvi, S. M., Conte, M. M. Two representations of a high-dimensional perceptual space. Vision Research. 137, 1-23 (2017).
  16. Knoblauch, K., Maloney, L. T. Estimating classification images with generalized linear and additive models. Journal of Vision. 8 (16), 1-19 (2008).
  17. Maloney, L. T., Yang, J. N. Maximum likelihood difference scaling. Journal of Vision. 3 (8), 573-585 (2003).
  18. 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).
  19. Zhou, Y., Smith, B. H., Sharpee, T. O. Hyperbolic geometry of the olfactory space. Science Advances. 4 (8), (2018).
  20. Goldstone, R. An efficient method for obtaining similarity data. Behavior Research Methods, Instruments, & Computers. 26 (4), 381-386 (1994).
  21. Townsend, J. T. Theoretical analysis of an alphabetic confusion matrix. Perception & Psychophysics. 9, 40-50 (1971).

Play Video

Citazione di questo articolo
Waraich, S. A., Victor, J. D. A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments. J. Vis. Exp. (181), e63461, doi:10.3791/63461 (2022).

View Video