Benzerlik Yargılarının Toplanması ve Analizi için Bir Psikofizik Paradigması
Summary
Protokol, büyük miktarlarda benzerlik yargıları elde etmek için deneysel bir psikofizik paradigması ve buna eşlik eden bir analiz iş akışı sunar. Paradigma, bağlam etkilerini araştırır ve benzerlik verilerinin en az beş boyutlu Öklid uzayları açısından modellenmesini sağlar.
Abstract
Benzerlik yargıları, zihinsel temsilleri ve bunların nöral korelasyonlarını incelemek için yaygın olarak kullanılır. Bu yaklaşım, birçok alandaki algısal alanları karakterize etmek için kullanılmıştır: renkler, nesneler, görüntüler, kelimeler ve sesler. İdeal olarak, tüm uyaran çiftleri arasında algılanan benzerlik tahminlerini karşılaştırmak istenebilir, ancak bu genellikle pratik değildir. Örneğin, bir deneğe iki öğenin benzerliğini diğer iki öğenin benzerliğiyle karşılaştırmasını isterse, karşılaştırmaların sayısı uyaran kümesi boyutunun dördüncü gücüyle artar. Alternatif bir strateji, bir deneğe izole edilmiş çiftlerin benzerliklerini derecelendirmesini istemektir, örneğin bir Likert ölçeğinde. Bu çok daha verimlidir (derecelendirme sayısı çeyrek olarak değil, ayarlanan boyutla dörtlü olarak artar), ancak bu derecelendirmeler kararsız olma eğilimindedir ve sınırlı çözünürlüğe sahiptir ve yaklaşım ayrıca bağlam etkisinin olmadığını varsayar.
Burada, benzerlik yargılarının verimli bir şekilde toplanması için yeni bir sıralama paradigması ve Öklid mesafe modellerinin verileri hesaba katıp katmadığını test eden bir analiz boru hattı (yazılım sağlanmıştır) sunulmaktadır. Tipik denemeler, merkezi bir referans uyaranı etrafında sekiz uyarandan oluşur: özne, uyaranları referansa benzerliklerine göre sıralar. Her denemede kullanılan uyaran kombinasyonlarının makul seçimiyle, yaklaşımın tutarlılık ve bağlam etkileri için iç kontrolleri vardır. Yaklaşım, beş boyuta kadar olan Öklid uzaylarından alınan uyaranlar için doğrulandı.
Yaklaşım, 37 kelime arasındaki benzerlikleri ölçen bir deneyle gösterilmiştir. Her deneme, “A, referansa, B’nin referansa olduğundan daha mı benzerdi?” formunun 28 çift karşılaştırmasının sonuçlarını verir. Tüm uyaran çiftlerinin doğrudan karşılaştırılması 221445 denemeleri gerektirmiş olsa da, bu tasarım, 222 denemeden elde edilen 5994 karşılaştırmadan algısal uzayın yeniden yapılandırılmasını sağlar.
Introduction
İnsanlar, nesne tanıma, navigasyon, çevre hakkında çıkarımlarda bulunma ve diğerleri gibi çok çeşitli görevleri yerine getirmek için gelen duyusal bilgileri zihinsel olarak işler ve temsil eder. Benzerlik yargıları, bu zihinsel temsilleri araştırmak için yaygın olarak kullanılır1. Zihinsel temsillerin yapısını anlamak, kavramsal bilginin organizasyonu hakkında fikir verebilir2. Benzerlik yargılarını beyin aktivasyon kalıplarıyla ilişkilendirerek sinirsel hesaplamalar hakkında fikir edinmek de mümkündür3. Ek olarak, benzerlik yargıları algıda göze çarpan özellikleri ortaya koymaktadır4. Zihinsel temsillerin gelişim sırasında nasıl değiştiğini incelemek, nasıl öğrenildiklerine ışık tutabilir5. Bu nedenle, benzerlik yargıları beyindeki bilgi işleme konusunda değerli bilgiler sağlar.
Benzerlikleri kullanan zihinsel temsillerin ortak bir modeli, geometrik bir uzay modelidir6,7,8. Duyusal alanlara uygulanan bu tür bir model genellikle algısal alan olarak adlandırılır9. Uzaydaki noktalar uyaranları temsil eder ve noktalar arasındaki mesafeler, aralarındaki algılanan farklılığa karşılık gelir. Benzerlik yargılarından, benzerliklerin nicel tahminleri elde edilebilir. Bu ikili farklılıklar (veya algısal mesafeler) daha sonra çok boyutlu ölçeklendirme yoluyla algısal uzayı modellemek için kullanılabilir10.
Her biri avantajları ve dezavantajları olan benzerlik yargılarını toplamak için birçok yöntem vardır. Niceliksel farklılık ölçümleri elde etmenin en basit yolu, deneklerden her bir uyaran çifti arasındaki farklılığın derecesini bir ölçekte derecelendirmelerini istemektir. Bu nispeten hızlı olsa da, denekler önceki yargılara geri dönemedikleri ve varsa bağlam etkileri tespit edilemediği için tahminler uzun oturumlarda kararsız olma eğilimindedir. (Burada, bir bağlam etkisi, karşılaştırılmayan diğer uyaranların varlığına dayanarak, iki uyaran arasındaki değerlendirilen benzerlikteki bir değişiklik olarak tanımlanır.) Alternatif olarak, deneklerden tüm uyaran çiftlerini diğer tüm uyaran çiftleriyle karşılaştırmaları istenebilir. Bu, farklılıkların daha güvenilir bir sıralama sıralaması sağlarken, karşılaştırmaların sayısı, uyaran sayısının dördüncü gücü ile ölçeklendirilmesini gerektirdi ve bu da onu yalnızca küçük uyaran kümeleri için uygun hale getirdi. Önceden tanımlanmış sayıda kümeye11 sıralama veya serbest sıralama gibi daha hızlı alternatiflerin kendi sınırlamaları vardır. Serbest sıralama (herhangi bir sayıda yığın halinde) sezgiseldir, ancak uyaranlar kendilerini kolayca kategorize etmese bile, özneyi uyaranları kategorize etmeye zorlar. Daha yeni çoklu düzenleme yöntemi olan ters MDS, bu sınırlamaların çoğunu aşar ve çok verimlidir12. Bununla birlikte, bu yöntem, deneklerin zihinsel temsillerini bir 2B Öklid düzlemine yansıtmalarını ve benzerlikleri belirli bir geometrik şekilde göz önünde bulundurmalarını gerektirir ve benzerlik yapısının bir düzlemdeki Öklid mesafelerinden kurtarılabileceği varsayımını yapar. Bu nedenle, yargıların altında yatan geometri hakkında varsayımlarda bulunmadan, büyük miktarda benzerlik yargısı toplamak için etkili bir yönteme ihtiyaç vardır.
Burada açıklanan, hem makul derecede verimli hem de yukarıdaki potansiyel tuzaklardan kaçınan bir yöntemdir. Deneklerden uyaranları her denemede merkezi bir referansa benzerlik sırasına göre sıralamaları istenerek13, göreceli benzerlik, deneklerin yanıtlarının geometrik yapısı hakkında hiçbir şey varsaymadan doğrudan incelenebilir. Paradigma, hem özdeş hem de farklı bağlamlarla karşılaştırmaların bir alt kümesini tekrarlayarak, bağlam etkilerinin doğrudan değerlendirilmesine ve seçim olasılıkları açısından derecelendirilmiş yanıtların elde edilmesine olanak tanır. Analiz prosedürü, bu rütbe yargılarını çoklu çift karşılaştırmalara ayrıştırır ve bunları, yargıları açıklayan algısal alanların Öklid modellerini oluşturmak ve aramak için kullanır. Yöntem, orta büyüklükteki uyaran kümelerinin temsilini ayrıntılı olarak tanımlamak için uygundur (örneğin, 19 ila 49).
Yaklaşımın fizibilitesini göstermek için, uyaran olarak 37 hayvandan oluşan bir set kullanılarak bir deney yapıldı. Veriler 10 adet bir saatlik seans boyunca toplandı ve daha sonra her bir denek için ayrı ayrı analiz edildi. Analiz, denekler arasında tutarlılık ve ihmal edilebilir bağlam etkileri ortaya koydu. Ayrıca, uyaranlar ile algısal alanlarının Öklid modelleri arasındaki algılanan farklılıkların tutarlılığını değerlendirdi. Bu makalede özetlenen paradigma ve analiz prosedürleri esnektir ve bir dizi algısal uzayın geometrik özelliklerini karakterize etmek isteyen araştırmacılar için yararlı olması beklenmektedir.
Protocol
Representative Results
Discussion
Burada özetlenen protokol, görsel olarak sunulabilecek uyaranlar için benzerlik yargılarının elde edilmesi ve analiz edilmesinde etkilidir. Deneysel paradigma, analiz ve olası uzantılar, daha sonra yöntemin avantaj ve dezavantajları tartışılmaktadır.
Deneysel paradigma: Önerilen yöntem, 37 hayvan adından oluşan bir etki alanı kullanılarak gösterilmiştir ve 5. adımdaki analizi takip edebilmeniz ve Şekil <str…
Declarações
The authors have nothing to disclose.
Acknowledgements
Çalışma, Ulusal Sağlık Enstitüleri’nin (NIH) finansmanıyla destekleniyor, hibe EY07977. Yazarlar ayrıca yazılımı test etmedeki yardımı için Usman Ayyaz’a ve el yazması hakkındaki yorumları için Muhammed Naeem Ayyaz’a teşekkür eder.
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. |
Referências
- 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).
