הפרוטוקול מציג פרדיגמת פסיכופיזיקה ניסיונית להשגת כמויות גדולות של שיפוטי דמיון, ותהליך עבודה נלווה לניתוח. הפרדיגמה בוחנת אפקטים הקשר ומאפשרת מידול של נתוני דמיון במונחים של מרחבים אוקלידיים של לפחות חמישה ממדים.
שיפוטי דמיון משמשים בדרך כלל לחקר ייצוגים מנטליים ואת הקורלציה העצבית שלהם. גישה זו שימשה לאפיון מרחבים תפיסתיים בתחומים רבים: צבעים, אובייקטים, תמונות, תמונות, מילים וצלילים. באופן אידיאלי, אפשר לרצות להשוות הערכות של דמיון נתפס בין כל זוגות הגירויים, אבל זה לעתים קרובות לא מעשי. לדוגמה, אם מבקשים מנושא להשוות את הדמיון של שני פריטים עם הדמיון של שני פריטים אחרים, מספר ההשוואות גדל עם הכוח הרביעי של גודל ערכת הגירוי. אסטרטגיה חלופית היא לשאול נושא לדרג קווי דמיון של זוגות מבודדים, למשל, בקנה מידה Likert. זה הרבה יותר יעיל (מספר הדירוגים גדל באופן מרובע עם גודל מוגדר ולא מרובע), אבל דירוגים אלה נוטים להיות לא יציבים ויש להם רזולוציה מוגבלת, והגישה גם מניחה כי אין השפעות הקשר.
כאן מוצגת פרדיגמת דירוג חדשנית לאיסוף יעיל של שיפוטי דמיון, יחד עם צינור ניתוח (תוכנה שסופקה) הבודק אם מודלים של מרחק אוקלידי אחראים לנתונים. ניסויים אופייניים מורכבים משמונה גירויים סביב גירוי התייחסות מרכזי: הנושא מדרג גירויים לפי הדמיון שלהם להתייחסות. על ידי בחירה נבונה של שילובים של גירויים המשמשים בכל ניסוי, הגישה יש בקרות פנימיות עבור עקביות ואפקטים הקשר. הגישה אומתה לגירויים שנלקחו ממרחבים אוקלידיים של עד חמישה ממדים.
הגישה מודגמת בניסוי המודד קווי דמיון בין 37 מילים. כל ניסוי מניב את התוצאות של 28 השוואות זוגיות של הטופס, “האם A היה דומה יותר להתייחסות מאשר B היה להתייחסות?” בעוד השוואת כל זוגות זוגות הגירויים הייתה דורשת ניסויים 221445, עיצוב זה מאפשר שחזור של המרחב התפיסתי משנת 5994 השוואות כאלה שהתקבלו מ -222 ניסויים.
בני אדם מעבדים ומייצגים מידע חושי נכנס כדי לבצע מגוון רחב של משימות, כגון זיהוי אובייקטים, ניווט, הסקת מסקנות לגבי הסביבה ורבים אחרים. שיפוטי דמיון משמשים בדרך כלל כדי לחקור את הייצוגים הנפשיים האלה1. הבנת המבנה של ייצוגים מנטליים יכולה לספק תובנה על ארגון הידע המושגי2. ניתן גם לקבל תובנה על חישובים עצביים, על ידי התייחסות שיפוטי דמיון לדפוסי הפעלת המוח3. בנוסף, שיפוטי דמיון חושפים תכונות בולטות בתפיסה4. לימוד האופן שבו ייצוגים מנטליים משתנים במהלך ההתפתחות יכול לשפוך אור על האופן שבו הם נלמדים5. לפיכך, שיפוטי דמיון מספקים תובנה רבת ערך על עיבוד מידע במוח.
מודל נפוץ של ייצוגים מנטליים באמצעות קווי דמיון הוא מודל חלל גיאומטרי 6,7,8. מודל מסוג זה, המיושם על תחומים חושיים, מכונה לעתים קרובות מרחב תפיסתי9. נקודות במרחב מייצגות גירויים ומרחקים בין נקודות תואמים את השונות הנתפסת ביניהן. משיקולי דמיון, ניתן לקבל הערכות כמותיות של שונות. לאחר מכן ניתן להשתמש בשינויים זוגיים (או מרחקים תפיסתיים) אלה כדי לדגמן את המרחב התפיסתי באמצעות שינוי קנה מידה רב-ממדי10.
ישנן שיטות רבות לאיסוף פסקי דין דמיון, כל אחד עם היתרונות והחסרונות שלו. הדרך הפשוטה ביותר להשיג אמצעים כמותיים של שונות היא לבקש מהנבדקים לדרג בקנה מידה את מידת השוני בין כל זוג גירויים. אמנם זה מהיר יחסית, הערכות נוטות להיות לא יציבות על פני מפגשים ארוכים כמו נושאים לא יכולים לחזור פסקי דין קודמים, ואפקטים הקשר, אם קיים, לא ניתן לזהות. (כאן, אפקט הקשר מוגדר כשינוי בדמיון שנשפט בין שני גירויים, בהתבסס על נוכחות של גירויים אחרים שאינם משווים.) לחלופין, ניתן לבקש מהנבדקים להשוות את כל זוגות הגירויים לכל זוגות הגירויים האחרים. אמנם זה יניב סדר דירוג אמין יותר של הבדלים, מספר ההשוואות נדרש סולמות עם הכוח הרביעי של מספר הגירויים, מה שהופך אותו אפשרי רק ערכות גירוי קטן. לחלופות מהירות יותר, כגון מיון למספר מוגדר מראש של אשכולות11 או מיון חינם יש מגבלות משלהן. מיון חופשי (למספר רב של ערימות) הוא אינטואיטיבי, אך הוא מאלץ את הנושא לסווג את הגירויים, גם אם הגירויים אינם להשאיל את עצמם בקלות לסיווג. השיטה הרב-סידורית העדכנית יותר, MDS הפוכה, עוקפת רבות מהמגבלות הללו והיא יעילה מאוד12. עם זאת, שיטה זו מחייבת את הנבדקים להקרין את הייצוגים המנטליים שלהם על מישור אוקלידי דו-ממדי ולשקול קווי דמיון באופן גיאומטרי ספציפי, מה שהופך את ההנחה כי מבנה הדמיון ניתן לשחזר ממרחקים אוקלידיים על מטוס. לפיכך, נותר צורך בשיטה יעילה לאיסוף כמויות גדולות של פסקי דין דמיוניים, מבלי להניח הנחות לגבי הגיאומטריה שבבסיס פסקי הדין.
מתואר כאן היא שיטה כי הוא גם יעיל למדי וגם מונע את המלכודות הפוטנציאליות לעיל. על ידי בקשת הנבדקים לדרג גירויים לפי סדר הדמיון להתייחסות מרכזית בכל ניסוי13, ניתן לחקור את הדמיון היחסי ישירות, מבלי להניח דבר על המבנה הגיאומטרי של תגובות הנבדקים. הפרדיגמה חוזרת על תת-קבוצה של השוואות עם הקשרים זהים ושונים כאחד, ומאפשרת הערכה ישירה של השפעות ההקשר, כמו גם רכישת תגובות מדורגות במונחים של הסתברויות בחירה. הליך הניתוח מפרק את פסקי הדין הללו להשוואות זוגיות מרובות ומשתמש בהם כדי לבנות ולחפש מודלים אוקלידיים של מרחבים תפיסתיים המסבירים את פסקי הדין. השיטה מתאימה לתיאור בפירוט את הייצוג של ערכות גירוי בגדלים בינוניים (למשל, 19 עד 49).
כדי להדגים את ההיתכנות של הגישה, נערך ניסוי, באמצעות קבוצה של 37 בעלי חיים כמו גירויים. הנתונים נאספו במהלך 10 מפגשים של שעה אחת ולאחר מכן נותחו בנפרד עבור כל נושא. ניתוח גילה עקביות בין נושאים ואפקטים הקשר זניחים. הוא גם העריך עקביות של הבדלים נתפסים בין גירויים עם מודלים אוקלידיים של המרחבים התפיסתיים שלהם. פרדיגמה ונהלי ניתוח המתוארים במאמר זה הם גמישים וצפויים להיות שימושיים לחוקרים המעוניינים לאפיין את התכונות הגיאומטריות של מגוון מרחבים תפיסתיים.
הפרוטוקול המתואר כאן יעיל להשגה וניתוח של שיפוטי דמיון לגירויים שניתן להציג חזותית. הפרדיגמה הניסיונית, הניתוח וההרחבות האפשריות נדונים תחילה, ובהמשך ביתרונות ובחסרונות של השיטה.
פרדיגמה ניסיונית: השיטה המוצעת מודגמת באמצעות תחום של 37 שמות בעלי חיים, וערכת נתוני?…
The authors have nothing to disclose.
העבודה נתמכת במימון המכונים הלאומיים לבריאות (NIH), מענק EY07977. המחברים מבקשים גם להודות לאוסמן עיאז על עזרתו בבדיקת התוכנה, ולמוחמד נעים עיאז על דבריו על כתב היד.
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. |