يقدم البروتوكول نموذجا تجريبيا للفيزياء النفسية للحصول على كميات كبيرة من أحكام التشابه ، وسير عمل تحليل مصاحب. يحقق النموذج في تأثيرات السياق ويتيح نمذجة بيانات التشابه من حيث المساحات الإقليدية ذات الأبعاد الخمسة على الأقل.
تستخدم أحكام التشابه عادة لدراسة التمثيلات العقلية وارتباطاتها العصبية. تم استخدام هذا النهج لتوصيف المساحات الإدراكية في العديد من المجالات: الألوان والكائنات والصور والكلمات والأصوات. من الناحية المثالية ، قد يرغب المرء في مقارنة تقديرات التشابه المتصور بين جميع أزواج المحفزات ، ولكن هذا غالبا ما يكون غير عملي. على سبيل المثال ، إذا طلب المرء من موضوع ما مقارنة تشابه عنصرين مع تشابه عنصرين آخرين ، فإن عدد المقارنات ينمو مع القوة الرابعة لحجم مجموعة التحفيز. تتمثل الاستراتيجية البديلة في مطالبة الشخص المعني بالتشابه في معدل الأزواج المعزولة ، على سبيل المثال ، على مقياس Likert. هذا أكثر كفاءة بكثير (عدد التصنيفات ينمو بشكل تربيعي مع حجم محدد بدلا من ربع سنوي) ، ولكن هذه التصنيفات تميل إلى أن تكون غير مستقرة ولها دقة محدودة ، ويفترض النهج أيضا أنه لا توجد تأثيرات سياقية.
هنا ، يتم تقديم نموذج تصنيف جديد لجمع أحكام التشابه بكفاءة ، إلى جانب خط أنابيب تحليل (برنامج مقدم) يختبر ما إذا كانت نماذج المسافة الإقليدية تمثل البيانات. تتكون التجارب النموذجية من ثمانية محفزات حول حافز مرجعي مركزي: يصنف الموضوع المحفزات حسب تشابهها مع المرجع. ومن خلال الاختيار الحكيم لمجموعات المحفزات المستخدمة في كل تجربة، فإن النهج ينطوي على ضوابط داخلية للاتساق وتأثيرات السياق. تم التحقق من صحة النهج للمحفزات المستمدة من المساحات الإقليدية التي تصل إلى خمسة أبعاد.
يتم توضيح هذا النهج من خلال تجربة قياس أوجه التشابه بين 37 كلمة. تسفر كل تجربة عن نتائج 28 مقارنة زوجية للنموذج ، “هل كان A أكثر تشابها مع المرجع من B إلى المرجع؟” في حين أن المقارنة المباشرة لجميع أزواج المحفزات كانت تتطلب تجارب 221445 ، فإن هذا التصميم يمكن من إعادة بناء الفضاء الإدراكي من 5994 مقارنة تم الحصول عليها من 222 تجربة.
يقوم البشر عقليا بمعالجة وتمثيل المعلومات الحسية الواردة لأداء مجموعة واسعة من المهام ، مثل التعرف على الأشياء ، والملاحة ، وإجراء استنتاجات حول البيئة ، وغيرها الكثير. تستخدم أحكام التشابه عادة للتحقيق في هذه التمثيلات العقلية1. يمكن أن يوفر فهم بنية التمثيلات العقلية نظرة ثاقبة على تنظيم المعرفة المفاهيمية2. من الممكن أيضا اكتساب نظرة ثاقبة على الحسابات العصبية، من خلال ربط أحكام التشابه بأنماط تنشيط الدماغ3. بالإضافة إلى ذلك، تكشف أحكام التشابه عن ميزات بارزة في الإدراك4. يمكن لدراسة كيفية تغير التمثيلات العقلية أثناء النمو أن تلقي الضوء على كيفية تعلمها5. وبالتالي ، توفر أحكام التشابه نظرة ثاقبة قيمة في معالجة المعلومات في الدماغ.
نموذج شائع للتمثيلات العقلية باستخدام أوجه التشابه هو نموذج الفضاء الهندسي6،7،8. وبتطبيقه على المجالات الحسية، غالبا ما يشار إلى هذا النوع من النماذج باسم الفضاء الإدراكي9. تمثل النقاط الموجودة في الفضاء المحفزات وتتوافق المسافات بين النقاط مع الاختلاف المدرك بينها. من أحكام التشابه ، يمكن للمرء الحصول على تقديرات كمية للاختلافات. ويمكن بعد ذلك استخدام هذه الاختلافات الزوجية (أو المسافات الإدراكية) لنمذجة الفضاء الإدراكي عبر التحجيم متعدد الأبعاد10.
هناك العديد من الطرق لجمع أحكام التشابه ، لكل منها مزاياها وعيوبها. الطريقة الأكثر مباشرة للحصول على مقاييس كمية للاختلاف هي أن تطلب من الأشخاص تقييم درجة الاختلاف بين كل زوج من المحفزات على نطاق واسع. في حين أن هذا سريع نسبيا ، إلا أن التقديرات تميل إلى أن تكون غير مستقرة عبر الجلسات الطويلة حيث لا يمكن للموضوعات العودة إلى الأحكام السابقة ، ولا يمكن اكتشاف تأثيرات السياق ، إذا كانت موجودة. (هنا ، يتم تعريف تأثير السياق على أنه تغيير في التشابه المحكوم عليه بين محفزين ، بناء على وجود محفزات أخرى لا تتم مقارنتها.) بدلا من ذلك ، يمكن أن يطلب من الأشخاص مقارنة جميع أزواج المحفزات بجميع أزواج المحفزات الأخرى. وفي حين أن هذا من شأنه أن يسفر عن ترتيب أكثر موثوقية للاختلافات في الترتيب، فإن عدد المقارنات يتطلب مقاييس مع القوة الرابعة لعدد المحفزات، مما يجعل من الممكن فقط مجموعات التحفيز الصغيرة. البدائل الأسرع، مثل الفرز إلى عدد محدد مسبقا من المجموعات11 أو الفرز الحر لها حدودها الخاصة. الفرز الحر (في أي عدد من الأكوام) بديهي ، لكنه يجبر الموضوع على تصنيف المحفزات ، حتى لو كانت المحفزات لا تصلح بسهولة للتصنيف. الطريقة الأكثر حداثة متعددة الترتيبات، MDS العكسية، تتحايل على العديد من هذه القيود وهي فعالة للغاية12. ومع ذلك ، تتطلب هذه الطريقة من الأشخاص إسقاط تمثيلاتهم العقلية على مستوى إقليدية 2D والنظر في أوجه التشابه بطريقة هندسية محددة ، مما يجعل الافتراض بأن بنية التشابه يمكن استردادها من المسافات الإقليدية على متن طائرة. وبالتالي ، لا تزال هناك حاجة إلى طريقة فعالة لجمع كميات كبيرة من أحكام التشابه ، دون وضع افتراضات حول الهندسة الكامنة وراء الأحكام.
الموصوفة هنا هي طريقة فعالة بشكل معقول وتتجنب أيضا المزالق المحتملة المذكورة أعلاه. من خلال مطالبة الأشخاص بترتيب المحفزات بترتيب التشابه مع مرجع مركزي في كل تجربة13، يمكن التحقيق في التشابه النسبي مباشرة، دون افتراض أي شيء عن البنية الهندسية لاستجابات الأشخاص. يكرر النموذج مجموعة فرعية من المقارنات مع سياقات متطابقة ومختلفة ، مما يسمح بالتقييم المباشر لتأثيرات السياق بالإضافة إلى الحصول على استجابات متدرجة من حيث احتمالات الاختيار. يتحلل إجراء التحليل هذه الأحكام الرتبية إلى مقارنات زوجية متعددة ويستخدمها لبناء النماذج الإقليدية للمساحات الإدراكية التي تفسر الأحكام والبحث عنها. هذه الطريقة مناسبة لوصف بالتفصيل تمثيل مجموعات التحفيز ذات الأحجام المعتدلة (على سبيل المثال ، 19 إلى 49).
لإثبات جدوى النهج ، أجريت تجربة ، باستخدام مجموعة من 37 حيوانا كمحفزات. تم جمع البيانات على مدار 10 جلسات مدتها ساعة واحدة ثم تم تحليلها بشكل منفصل لكل موضوع. كشف التحليل عن الاتساق بين الموضوعات وتأثيرات السياق التي لا تذكر. كما قيمت اتساق أوجه الاختلاف المدركة بين المحفزات والنماذج الإقليدية لمساحاتها الإدراكية. تتسم إجراءات النموذج والتحليل الموضحة في هذه الورقة بالمرونة ومن المتوقع أن تكون مفيدة للباحثين المهتمين بتوصيف الخصائص الهندسية لمجموعة من المساحات الإدراكية.
البروتوكول الموضح هنا فعال للحصول على وتحليل أحكام التشابه للمحفزات التي يمكن تقديمها بصريا. تتم مناقشة النموذج التجريبي والتحليل والامتدادات المحتملة أولا ، وبعد ذلك مزايا وعيوب الطريقة.
النموذج التجريبي: يتم عرض الطريقة المقترحة باستخدام مجال من 37 اسما حيواني?…
The authors have nothing to disclose.
يتم دعم العمل بتمويل من المعاهد الوطنية للصحة (NIH) ، منحة EY07977. كما يود المؤلفان أن يشكرا عثمان أياز على مساعدته في اختبار البرنامج، ومحمد نعيم عياز على تعليقاته على المخطوطة.
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. |