stringtranslate.com

Метод обратной корреляции

Метод обратной корреляции — это метод исследования, основанный на данных, используемый в основном в психологических и нейрофизиологических исследованиях. [1] Этот метод получил свое название от своего происхождения в нейрофизиологии, где кросс-корреляции между стимулами белого шума и редко встречающимися нейронными спайками можно было вычислить быстрее, если вычислять их только для сегментов, предшествующих спайкам. [1] [2] [3] С тех пор этот термин был принят в психологических экспериментах, которые обычно не анализируют временное измерение, но также представляют шум участникам-людям. В отличие от первоначального значения, здесь считается, что этот термин отражает то, что стандартная психологическая практика представления стимулов определенных категорий участникам «перевернута»: вместо этого ментальные представления участников о категориях оцениваются на основе взаимодействий представленного шума и поведенческих реакций. [4] Он используется для создания составных изображений индивидуальных и/или групповых ментальных представлений различных предметов (например, лица, [5] тела, [6] и себя [7] ), которые отображают характеристики указанных предметов (например, надежность [8] и образ собственного тела [9] ). Этот метод полезен при оценке ментальных представлений людей с психическими заболеваниями и без них. [10]

Условия

Этот метод использует усреднение, вызванное спайком, для объяснения того, какие области сигнала и шума на изображении являются ценными для данного исследовательского вопроса. Сигнал — это информация, используемая для создания объектов, представляющих ценность, которые помогают объяснить и связать мир вокруг нас. [11] Шум обычно называют нежелательным сигналом, который скрывает информацию, которую сигнал пытается представить. [12] Самое важное для исследований обратной корреляции, шум — это случайно изменяющаяся информация. Чтобы определить области важности с помощью обратной корреляции, шум применяется к базовому изображению, а затем оценивается наблюдателями. Базовое изображение — это любое изображение без шума, которое относится к исследовательскому вопросу. Базовое изображение, на которое наложен шум, — это стимулы, которые предъявляются и оцениваются участниками. [4] Каждый раз, когда участнику предъявляется новый набор стимулов, это называется испытанием. После того, как участник отреагирует на сотни или тысячи испытаний, исследователь готов создать изображение классификации. Классификационное изображение (сокращенно «CI» в некоторых исследованиях) — это одно изображение, которое представляет собой усредненные шумовые паттерны в изображениях, выбранных участниками. [4] Классификационное изображение также может быть вычислено для групп путем усреднения классификационных изображений отдельных лиц. [4] Эти классификационные изображения — это то, что исследователи используют для интерпретации данных и формирования выводов. В целом метод обратной корреляции — это процесс, результатом которого является составное изображение (от отдельного лица или группы), которое можно использовать для оценки и интерпретации ментальных представлений.

Термин «функция revcor» иногда используется для описания приближений импульсного отклика, полученных путем усреднения, вызванного всплеском.

Базовая схема исследования

Метод обратной корреляции обычно выполняется как лабораторный компьютерный эксперимент. Этот метод следует четырем основным шагам. Каждый из следующих шагов описан более подробно ниже.

После создания исследовательского вопроса и определения того, что метод обратной корреляции является наиболее подходящим методом для ответа на вопрос, исследователь должен (1) разработать случайно изменяющиеся стимулы. [4] После подготовки стимулов исследователь должен (2) собрать данные от участников, которые увидят и отреагируют примерно на 300–1000 испытаний. [4] [13] Каждое испытание будет состоять либо из одного, либо из двух изображений (рядом), полученных из одного и того же базового изображения с наложенным сверху шумом. Ответы участников будут зависеть от выбранного дизайна исследования; если исследователь представляет только одно изображение за раз, участники оценивают изображение по 4-балльной шкале, но когда показываются два изображения, участника просят выбрать, какое из них лучше всего соответствует заданной категории (например, выбрать изображение, которое выглядит наиболее агрессивно). [4] После того, как все данные будут собраны, исследователь (3) вычислит изображения классификации для каждого участника и, используя эти изображения, вычислит изображения групповой классификации. [4] Наконец, имея в наличии изображения классификации, исследователь (4) оценит изображения и сделает выводы об их результатах. [4]

Шаг 1: создание стимулов

При разработке стимулов для исследования обратной корреляции следует учитывать два основных фактора: (1) базовое изображение и (2) шум, который будет использоваться. [4] Хотя не все базы являются изображениями как таковыми, большинство из них таковыми являются, и по этой причине базу обычно называют базовым изображением. Базовое изображение должно представлять то, к чему обращается исследовательский вопрос. Например, если вас интересуют ментальные представления людей о китайцах, не имеет смысла использовать базовое изображение испанца или европеоида. Опять же, если вас интересуют ментальные представления мужских вокальных моделей, наиболее разумно использовать базовую вокальную модель, созданную мужчиной. [4]

Наличие базы важно, поскольку она обеспечивает своего рода якорь для участников, от которого можно работать. Когда нет базового изображения, количество требуемых попыток резко возрастает, что затрудняет сбор данных. [4] Хотя есть исследования, которые исключили базовое изображение (например, исследование S [14] ), для более сложных и тонких исследовательских вопросов важно иметь базовое изображение, которое является справедливым представлением того, что участников просят категоризировать. Фотографии лиц, как правило, являются наиболее популярным базовым изображением.

Хотя метод обратной корреляции способен исследовать широкий спектр исследовательских вопросов, наиболее распространенным применением метода является оценка лиц по одной черте. Исследования обратной корреляции, которые касаются оценки лица, иногда называют моделью обратной корреляции пространства лица (FSRCM). [15] К счастью, существуют базы данных для изображений лиц с различной демографией и эмоциями, которые хорошо работают в качестве базовых изображений.

Метод обратной корреляции также может быть использован для того, чтобы помочь исследователям определить, какие области изображения (например, области на лице) имеют диагностическую ценность. [15] Чтобы определить эти области ценности, исследователи начинают с минимизации пространства, из которого участник может извлечь информацию. Накладывая «маску» на изображение (например, размывая изображение, оставляя случайные области неразмытыми), это уменьшает информацию, которую могут увидеть люди, и заставляет их сосредоточиться на определенных областях. [15] Затем, если/когда участники смогут правильно идентифицировать изображение с чертой неоднократно, мы можем сделать выводы о том, какие области имеют диагностическую ценность. [15]

Хотя лица и визуальные стимулы являются наиболее популярными, это не единственные стимулы, которые можно использовать в исследовании обратной корреляции. Этот метод был изначально разработан для слуховых стимулов, что позволяет исследователям исследовать, как воспринимающие интерпретируют слуховую информацию и создают атрибуции на основе черт для различных звуковых паттернов. [15] Например, сегментируя голосовую запись одного слова (общее время звучания 426 мс) на шесть сегментов (по 71 мс каждый) и изменяя высоту тона каждого сегмента с помощью гауссовых распределений, исследователи смогли выявить, какие голосовые паттерны люди связывают с определенными чертами. [16] В частности, это исследование изучало, как слушатели оценивали звуковые фрагменты слова «really» как звучащие более вопросительно (то есть, как и в более распространенных исследованиях обратной корреляции, в этом исследовании участники прослушивали два звуковых фрагмента за попытку, выбирали тот, который лучше всего соответствует категории, а затем создавали среднее значение контуров высоты тона). [16] Помимо восприятия лица и слуха, исследования, использующие метод обратной корреляции, расширились и стали изучать, как люди видят трехмерные объекты на изображениях с шумом (но без сигнала). [17] [18]

После выбора базового изображения, независимо от того, что это за изображение, полезно применить размытие по Гауссу , чтобы сгладить шум на изображении. Хотя шум будет применен позже, полезно уменьшить существующий шум на фотографии перед применением выбранного вами шума. [4] Существует три основных варианта, когда дело доходит до шума: белый шум , синусоидальный шум и шум Габора . [4] Последние два из них ограничивают конфигурации, которые может иметь шум, и из-за этого белый шум обычно используется чаще всего. [4] Независимо от выбранного типа шума, крайне важно, чтобы шум изменялся случайным образом. [4]

Шаг 2: сбор данных

После разработки стимулов для исследования исследователь должен принять несколько решений, прежде чем приступить к фактическому сбору данных. Исследователь должен прийти к выводу о том, сколько стимулов будет представлено одновременно и сколько испытаний увидят участники.

С точки зрения представления стимулов исследователь может выбрать либо 2-Image Forced Choice (2IFC), либо 4-Alternative Forced Choice (4AFC). 2IFC представляет два изображения одновременно (бок о бок) и требует от участников выбрать между ними по указанной категории (например, какое изображение больше всего похоже на мужчину). [4] Обычно шум от левого изображения является математической инверсией шума от правого изображения. Этот метод был разработан для лучшего ответа на вопросы, на которые не мог быть полностью дан ответ методом 4AFC. По сравнению с 2IFC, 4AFC показывает участникам только одно изображение за попытку и требует от них оценить изображение по 4-балльной шкале ((1) Вероятно X, (2) Возможно X, (3) Возможно Y, (4) Вероятно Y). [4] Например, здесь X может представлять мужчину, а Y может представлять женщину. Обычно во время анализа данных включаются только изображения, выбранные как категория «вероятно». [4]

Как упоминалось ранее, 2IFC был разработан для решения вопросов, на которые не может быть легко дан ответ с помощью 4AFC. В 4AFC существует вероятность того, что участники не выберут категорию «вероятно», и если это произойдет, классификационный образ не может быть вычислен. [4] Например, если базовое изображение не похоже на ментальное представление, о котором участников просят сообщить, то участники могут никогда не сделать уверенный выбор и классифицировать изображение в категории «вероятно». [4] Хотя это является недостатком 4AFC, одним из преимуществ этого метода и структуры шкалы является то, что исследователи могут видеть суждения участников об уверенности в своих решениях по классификации (например, метка «вероятно X» будет предполагать большую уверенность в их решении, чем метка «возможно X»). [4]

Что касается выбора количества испытаний, то обычно исследователи, проводящие исследование обратной корреляции, предоставляют участникам от 300 до 1000 испытаний. [13]

Шаг 3: вычисление классификационного образа (КИ)

Опять же, классификационное изображение — это рассчитанный средний шум всех выбранных изображений (стимулов). Классификационные изображения могут быть созданы для отдельных лиц или группы. Вычисление классификационного изображения для отдельных лиц и групп немного отличается. [4] Чтобы вычислить классификационное изображение для отдельного лица, исследователь начнет с создания среднего шума всех выбранных изображений, а затем наложит этот шаблон на базовое изображение. Перед наложением шума он масштабируется для соответствия базовому изображению (т. е. наименьшая и наибольшая интенсивности пикселей сопоставляются с пикселями базового изображения). [4] Чтобы сгенерировать классификационное изображение для группы, исследователь либо будет обрабатывать каждое отдельное классификационное изображение отдельно (убедившись, что пиксели масштабируются независимо), либо применит зависимое масштабирование. Зависимое масштабирование называется так, потому что масштабирование, применяемое ко всем классификационным изображениям, зависит от изображения с наибольшим диапазоном пикселей. [4] Используя это одно изображение и его диапазон пикселей, исследователь сопоставит пиксели классификационного изображения с пикселями базового изображения. Коэффициент масштабирования, используемый для этого изображения, затем применяется к оставшимся изображениям классификации. [4] При выборе между этими двумя подходами следует помнить, что в изображениях классификации с небольшим сигналом независимое масштабирование усиливает сигнал и шум больше, чем зависимое масштабирование. [4] Если исследователя интересует сила сигнала, рекомендуется использовать зависимое масштабирование. [4]

При расчете изображения классификации крайне важно учитывать, как внешний шум повлияет на отношение сигнал/шум (SNR). SNR — это отношение желаемого ввода (например, сигнала) к нежелательной информации (например, шуму). [19] Один из способов получения высокого SNR (когда наблюдатели непредвзяты) — это использование этой формулы C=( N A A + N B A )-( N A B + N B B ). [19] Эти исследователи нашли оптимальные экспериментальные параметры для различных дизайнов исследований, которые приведут к высокому SNR.

Шаг 4: оценка изображений классификации и составление выводов

После вычисления изображений классификации для отдельных участников и/или для группы исследователь будет использовать эти изображения, чтобы сделать выводы о своих исследовательских вопросах. Однако, хотя это и не всегда так, иногда после того, как был сгенерирован первый набор изображений классификации, исследователи затем берут эти изображения и представляют их новой выборке участников и просят их оценить изображения по последующему фактору интереса. Этот процесс называется двухфазной обратной корреляцией. [4] Например, если изображение классификации было вычислено после того, как участников попросили выбрать изображение, которое больше всего похоже на полицейского, сгенерированные изображения классификации затем можно было бы представить новой выборке, которая бы оценила изображения по тому, насколько агрессивно выглядят лица. Этот процесс облегчает делать выводы на основе данных. Хотя этот шаг может облегчить составление выводов, необходимо проявлять осторожность, чтобы не собирать слишком много участников на втором этапе, поскольку большое количество участников сделает малейшие различия значительными, что приведет к ошибке типа 1. [13]

Хотя обратная корреляция обычно используется для создания визуального представления одной черты, этот метод имеет возможность создавать визуальное представление более чем одной черты на одном изображении. [20] Используя одно и то же базовое изображение и шум, можно создать классификационное изображение черты 1 и классификационное изображение черты 2, а затем создать совокупное фото двух классификационных изображений (таким образом создавая новое классификационное изображение, включающее две социальные черты). [20]

Кроме того, исследователи изучили, как процесс принятия решений влияет и отражается в методе обратной корреляции, и обнаружили, что между ними существует значительная связь. Поэтому при интерпретации результатов с использованием метода обратной корреляции исследователи должны проявлять осторожность, чтобы не игнорировать то, как процесс принятия решений может влиять на данные. [21]

Чтение сигнала в классификационном изображении может быть сложным. При попытке интерпретировать сигнал исследователи предлагают использовать недавно разработанную метрику, называемую «infoVal». [22] «InfoVal» сравнивает информационное значение в вычисленном классификационном изображении со случайным распределением. [22] Интерпретация меры «infoVal» похожа на интерпретацию z-оценки. [22]

Смотрите также

Ссылки

  1. ^ ab Ringach, Dario; Shapley, Robert (март 2004 г.). «Обратная корреляция в нейрофизиологии». Cognitive Science . 28 (2): 147–166. doi : 10.1207/s15516709cog2802_2 .
  2. ^ Одзава, Изуми; Де Анджелис, Грегори К.; Фримен, Ральф Д. (август 1990 г.). «Стереоскопическое различение глубины в зрительной коре: нейроны, идеально подходящие для обнаружения несоответствий». Science . 249 (4972): 1037–1041. Bibcode :1990Sci...249.1037O. doi :10.1126/science.2396096. PMID  2396096.
  3. ^ Даян, Питер; Эбботт, Лоуренс Ф. (2001). Теоретическая нейронаука - Вычислительное и математическое моделирование нейронных систем . Издательство MIT. Кембридж, Массачусетс. ISBN 978-0262541855.
  4. ^ abcdefghijklmnopqrstu vwxyz aa ab ac Бринкман, Л.; Тодоров, А.; Доч, Р. (январь 2017 г.). «Визуализация ментальных представлений: учебник по обратной корреляции на основе шума в социальной психологии». European Review of Social Psychology . 28 (1): 333–361. doi : 10.1080/10463283.2017.1381469 . ISSN  1046-3283.
  5. ^ Карреманс, Йохан С.; Дотч, Рон; Корнель, Оливье (декабрь 2011 г.). «Статус романтических отношений искажает память о лицах привлекательных людей противоположного пола: доказательства из парадигмы обратной корреляции». Cognition . 121 (3): 422–426. doi :10.1016/j.cognition.2011.07.008. PMID  21903209. S2CID  8050358.
  6. ^ Лик, Дэвид Дж.; Карпинелла, Колин М.; Пресиадо, Мариана А.; Спант, Роберт П.; Джонсон, Керри Л. (2013). «Обратно-коррелирующие ментальные представления о телах, типированных по полу: влияние количества попыток на качество изображения». Frontiers in Psychology . 4 : 476. doi : 10.3389/fpsyg.2013.00476 . ISSN  1664-1078. PMC 3727110. PMID 23908637  . 
  7. ^ Мун, Кибом; Ким, Соджон; Ким, Джинвон; Ким, Хакджин; Ко, Ён-гун (2020-06-12). «Зеркало разума: визуализация ментальных представлений себя через обратную корреляцию». Frontiers in Psychology . 11 : 1149. doi : 10.3389/fpsyg.2020.01149 . ISSN  1664-1078. PMC 7307554. PMID  32612554 . 
  8. ^ Этье-Майшер, Катрин; Жубер, Свен; Госселин, Фредерик (2013). «Обратная корреляция заслуживающих доверия лиц у молодых и пожилых людей». Frontiers in Psychology . 4 : 592. doi : 10.3389/fpsyg.2013.00592 . ISSN  1664-1078. PMC 3763214. PMID 24046755  . 
  9. ^ Майстер, Лара; Де Бёкелар, Софи; Лонго, Мэтью; Цакирис, Манос (18.02.2020). «Я в мысленном взоре: обратная корреляция собственного «я» показывает, как психологические убеждения и установки формируют наш образ тела». doi :10.31234/osf.io/f2b36. S2CID  236794071. {{cite journal}}: Цитировать журнал требует |journal=( помощь )
  10. ^ Бринкман, Лук; Дотч, Рон; Зондергельд, Джелмер; Коевоец, Мартин GJC; Аартс, Хенк; Ван Харен, Нилтье Э.М. (01 сентября 2019 г.). «Визуализация психических представлений у пациентов с шизофренией: подход обратной корреляции». Исследование шизофрении: познание . 17 : 100138. doi : 10.1016/j.scog.2019.100138 . ISSN  2215-0013. ПМК 6454059 . ПМИД  31008060. 
  11. ^ "Image Signal - обзор | Темы ScienceDirect". www.sciencedirect.com . Получено 2020-11-30 .
  12. ^ "Что такое шум в фотографии?". Photography Life . 2018-03-09 . Получено 2020-11-30 .
  13. ^ abc Кон, Джереми; Браун-Ианнуцци, Джазмин Л.; Лей, Райан; Дотч, Рон (2020-08-06). «Ошибка типа I увеличивается в процедуре двухфазной обратной корреляции». Социальная психология и наука о личности . 12 (5): 760–768. doi : 10.1177/1948550620938616. ISSN  1948-5506. S2CID  225411708.
  14. ^ Госселин, Фредерик; Шинс, Филипп Г. (сентябрь 2003 г.). «Суеверные восприятия раскрывают свойства внутренних представлений». Psychological Science . 14 (5): 505–509. doi :10.1111/1467-9280.03452. ISSN  0956-7976. PMID  12930484. S2CID  14282479.
  15. ^ abcde Тодоров, Александр; Дотч, Рон; Вигболдус, Дэниел Х. Дж.; Саид, Крис П. (2011). «Управляемые данными методы моделирования социального восприятия». Social and Personality Psychology Compass . 5 (10): 775–791. doi :10.1111/j.1751-9004.2011.00389.x. ISSN  1751-9004.
  16. ^ ab Ponsot, Emmanuel; Burred, Juan José; Belin, Pascal; Aucouturier, Jean-Julien (2018-04-10). «Взлом социального кода речевой просодии с использованием обратной корреляции». Труды Национальной академии наук . 115 (15): 3972–3977. Bibcode : 2018PNAS..115.3972P. doi : 10.1073/pnas.1716090115 . ISSN  0027-8424. PMC 5899438. PMID 29581266  . 
  17. ^ Госселин, Фредерик; Бэкон, Бенуа А.; Мамассян, Паскаль (сентябрь 2004 г.). «Представления внутренней поверхности, приближенные обратной корреляцией». Vision Research . 44 (21): 2515–2520. doi : 10.1016/j.visres.2004.05.016 . PMID  15358086.
  18. ^ Скарф, Питер; Хиббард, Пол Б. (июнь 2013 г.). «Обратная корреляция показывает, как наблюдатели отбирают визуальную информацию при оценке трехмерной формы». Vision Research . 86 : 115–127. doi : 10.1016/j.visres.2013.04.016 . PMID  23665429.
  19. ^ ab Мюррей, Ричард Ф.; Беннетт, Патрик Дж.; Секулер, Эллисон Б. (2002-02-19). «Оптимальные методы расчета изображений классификации: взвешенные суммы». Journal of Vision . 2 (1): 79–104. doi : 10.1167/2.1.6 . ISSN  1534-7362. PMID  12678598.
  20. ^ ab Оливейра, Мануэль; Гарсия-Маркес, Тереза; Дотч, Рон (октябрь 2019 г.). «Объединение черт в лицо: подход обратной корреляции». Социальное познание . 37 (5): 516–545. doi :10.1521/soco.2019.37.5.516. ISSN  0278-016X. S2CID  210583652.
  21. ^ Оказава, Гоуки; Ша, Лонг; Перселл, Брейден А.; Киани, Рузбех (декабрь 2018 г.). «Психофизическая обратная корреляция отражает как сенсорные, так и процессы принятия решений». Nature Communications . 9 (1): 3479. Bibcode :2018NatCo...9.3479O. doi :10.1038/s41467-018-05797-y. ISSN  2041-1723. PMC 6113286 . PMID  30154467. 
  22. ^ abc Бринкман, Лук; Гоффин, Стэнни; ван де Шут, Ренс; ван Харен, Нилтье Э.М.; Дотч, Рон; Аартс, Хенк (октябрь 2019 г.). «Количественная оценка информационной ценности классификационных изображений». Методы исследования поведения . 51 (5): 2059–2073. дои : 10.3758/s13428-019-01232-2. ISSN  1554-3528. ПМК 6797653 . ПМИД  30937848.