Protokollet presenterar ett experimentellt psykofysikparadigm för att erhålla stora mängder likhetsdomar och ett åtföljande analysarbetsflöde. Paradigmet undersöker kontexteffekter och möjliggör modellering av likhetsdata när det gäller euklidiska utrymmen med minst fem dimensioner.
Likhetsdomar används ofta för att studera mentala representationer och deras neurala korrelater. Den här metoden har använts för att karakterisera perceptuella utrymmen i många domäner: färger, objekt, bilder, ord och ljud. Helst kan man vilja jämföra uppskattningar av upplevd likhet mellan alla par stimuli, men detta är ofta opraktiskt. Om man till exempel ber ett ämne att jämföra likheten mellan två objekt med likheten mellan två andra objekt, växer antalet jämförelser med den fjärde kraften i stimulansuppsättningsstorleken. En alternativ strategi är att fråga ett ämne för betygslikheter hos isolerade par, t.ex. på en Likert-skala. Detta är mycket effektivare (antalet betyg växer kvadratiskt med inställd storlek snarare än quartically), men dessa betyg tenderar att vara instabila och har begränsad upplösning, och metoden förutsätter också att det inte finns några kontexteffekter.
Här presenteras ett nytt rankningsparadigm för effektiv insamling av likhetsdomar, tillsammans med en analyspipeline (programvara förutsatt) som testar om euklidiska avståndsmodeller står för uppgifterna. Typiska prövningar består av åtta stimuli runt en central referensstimulans: ämnet rangordnar stimuli i ordning efter deras likhet med referensen. Genom omdömesgillt urval av kombinationer av stimuli som används i varje studie har metoden interna kontroller för konsekvens och kontexteffekter. Tillvägagångssättet validerades för stimuli från euklidiska utrymmen på upp till fem dimensioner.
Tillvägagångssättet illustreras med ett experiment som mäter likheter mellan 37 ord. Varje försök ger resultaten av 28 parvis jämförelser av formuläret, “Var A mer lik referensen än B var referensen?” Även om man direkt jämför alla par av par av stimuli skulle ha krävt 221445 försök, möjliggör denna design återuppbyggnad av det perceptuella utrymmet från 5994 sådana jämförelser som erhållits från 222 prövningar.
Människor bearbetar mentalt och representerar inkommande sensorisk information för att utföra ett brett spektrum av uppgifter, såsom objektigenkänning, navigering, att dra slutsatser om miljön och många andra. Likhetsdomar används ofta för att undersöka dessa mentala representationer1. Att förstå strukturen hos mentala representationer kan ge insikt i organisationen av konceptuell kunskap2. Det är också möjligt att få insikt i neurala beräkningar, genom att relatera likhetsdomar till hjärnans aktiveringsmönster3. Dessutom avslöjar likhetsdomar egenskaper som är framträdande i uppfattning4. Att studera hur mentala representationer förändras under utvecklingen kan belysa hur de lärs ut5. Således ger likhetsdomar värdefull inblick i informationsbehandling i hjärnan.
En vanlig modell av mentala representationer med likheter är en geometrisk rymdmodell6,7,8. Tillämpas på sensoriska domäner kallas denna typ av modell ofta för ett perceptuellt utrymme9. Punkter i rymden representerar stimuli och avstånd mellan punkter motsvarar den upplevda skillnaden mellan dem. Från likhetsdomar kan man få kvantitativa uppskattningar av olika skillnader. Dessa parvis skillnader (eller perceptuella avstånd) kan sedan användas för att modellera det perceptuella utrymmet via flerdimensionell skalning10.
Det finns många metoder för att samla in likhetsdomar, var och en med sina fördelar och nackdelar. Det enklaste sättet att få kvantitativa mått på olikhet är att be försökspersoner att på en skala betygsätta graden av olikhet mellan varje par stimuli. Även om detta är relativt snabbt, tenderar uppskattningar att vara instabila över långa sessioner eftersom ämnen inte kan gå tillbaka till tidigare domar, och kontexteffekter, om de finns, kan inte upptäckas. (Här definieras en kontexteffekt som en förändring i den bedömda likheten mellan två stimuli, baserat på närvaron av andra stimuli som inte jämförs.) Alternativt kan ämnen bli ombedda att jämföra alla par stimuli med alla andra par stimuli. Även om detta skulle ge en mer tillförlitlig rangordning av olika skillnader, krävde antalet jämförelser skalor med den fjärde kraften i antalet stimuli, vilket gör det möjligt för endast små stimulansuppsättningar. Snabbare alternativ, som att sortera i ett fördefinierat antal kluster11 eller fri sortering har sina egna begränsningar. Fri sortering (i valfritt antal högar) är intuitiv, men det tvingar ämnet att kategorisera stimuli, även om stimuli inte lätt lämpar sig för kategorisering. Den nyare metoden med flera arrangemang, inversa MDS, kringgår många av dessa begränsningar och är mycket effektiv12. Denna metod kräver dock att ämnen projicerar sina mentala representationer på ett 2D Euclidean-plan och överväger likheter på ett specifikt geometriskt sätt, vilket gör antagandet att likhetsstrukturen kan återvinnas från euklidiska avstånd på ett plan. Det finns således fortfarande ett behov av en effektiv metod för att samla in stora mängder likhetsdomar, utan att göra antaganden om den geometri som ligger till grund för domarna.
Beskrivs här är en metod som både är någorlunda effektiv och även undviker ovanstående potentiella fallgropar. Genom att be försökspersoner att rangordna stimuli i ordning efter likhet med en central referens i varje prövning13, kan relativ likhet undersökas direkt, utan att anta något om den geometriska strukturen hos försökspersonernas svar. Paradigmet upprepar en delmängd av jämförelser med både identiska och olika sammanhang, vilket möjliggör direkt bedömning av kontexteffekter samt förvärv av graderade svar när det gäller valsannolikheter. Analysförfarandet sönderdelar dessa rangordningar i flera jämförelser på två sätt och använder dem för att bygga och söka efter euklidiska modeller av perceptuella rum som förklarar domarna. Metoden är lämplig för att beskriva i detalj representationen av stimulansuppsättningar av måttliga storlekar (t.ex. 19 till 49).
För att demonstrera genomförbarheten av tillvägagångssättet genomfördes ett experiment, med en uppsättning av 37 djur som stimuli. Data samlades in under loppet av 10 entimmessessioner och analyserades sedan separat för varje ämne. Analysen visade konsekvens mellan ämnen och försumbara kontexteffekter. Det bedömde också konsekvensen av upplevda skillnader mellan stimuli med euklidiska modeller av deras perceptuella utrymmen. Paradigmet och analysförfarandena som beskrivs i detta dokument är flexibla och förväntas vara till nytta för forskare som är intresserade av att karakterisera de geometriska egenskaperna hos en rad perceptuella utrymmen.
Protokollet som beskrivs här är effektivt för att erhålla och analysera likhetsdomar för stimuli som kan presenteras visuellt. Det experimentella paradigmet, analysen och möjliga förlängningar diskuteras först och senare fördelarna och nackdelarna med metoden.
Experimentellt paradigm: Den föreslagna metoden demonstreras med hjälp av ett område med 37 djurnamn, och ett urvals dataset med perceptuella domar tillhandahålls så att man kan följa analysen i steg 5 oc…
The authors have nothing to disclose.
Arbetet stöds av finansiering från National Institutes of Health (NIH), bidrag EY07977. Författarna vill också tacka Usman Ayyaz för hans hjälp med att testa programvaran, och Muhammad Naeem Ayyaz för hans kommentarer om manuskriptet.
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. |