✖


Jump to content

Техника обратной корреляции

Edit links
(Перенаправлено из функции RevCor )

Метод обратной корреляции - это метод исследования, управляемый данными, используется в основном в психологических и нейрофизиологических исследованиях. [ 1 ] Этот метод заработал свое название от его происхождения в нейрофизиологии, где кросс-корреляции между стимулами белого шума и редко встречающимися нейрональными шипами могут быть рассчитаны быстрее, когда вычисляют его только для сегментов, предшествующих шипам. [ 1 ] [ 2 ] [ 3 ] С тех пор этот термин был принят в психологических экспериментах, которые обычно не анализируют временное измерение, но также также представляют шум участникам. В отличие от первоначального значения, этот термин, как считается, отражает, что стандартная психологическая практика представления стимулов определенных категорий для участников «обращена»: вместо этого умственные представления участника категорий оцениваются по взаимодействию представленного шума и поведенческие реакции. [ 4 ] Он используется для создания составных изображений индивидуальных и/или групповых умственных представлений различных предметов (например, лица, [ 5 ] тела, [ 6 ] и я [ 7 ] ) это изображает характеристики указанных предметов (например, достоверность [ 8 ] и образ самостоятельного тела [ 9 ] ) Этот метод полезен при оценке умственных представлений людей с психическими заболеваниями и без них. [ 10 ]

Условия

[ редактировать ]

В этом методе используется среднее значение, вызванное Спайком, чтобы объяснить, какие области сигнала и шума на изображении ценны для данного вопроса исследования. Сигнал - это информация, используемая для создания ценностных объектов, которые помогают объяснить и соединить мир вокруг нас. [ 11 ] Шум обычно называют нежелательным сигналом, который скрывает информацию, которую пытается представить сигнал. [ 12 ] Самое главное для исследований обратной корреляции шум является случайным образом изменяющейся информацией. Чтобы определить области, важные с использованием обратной корреляции, шум применяется к базовому изображению, а затем оценивается наблюдателями. Базовое изображение - это любое изображение, лишенное шума, которое связано с вопросом исследования. Базовым изображением, на котором накладывается шум на вершине, является стимулы, которые представлены и оценены участниками. [ 4 ] Каждый раз, когда участнику представляется новый набор стимулов, это известно как испытание. После того, как участник отреагировал на сотни до тысяч испытаний, исследователь готов создать классификационное изображение. Классификационное изображение (сокращено как «CI» в некоторых исследованиях) представляет собой отдельное изображение, которое представляет средние шаблоны шума на изображениях, выбранных участниками. [ 4 ] Классификационное изображение также может быть рассчитано для групп путем усреднения классификационных изображений отдельных лиц. [ 4 ] Эти классификационные изображения - это то, что исследователи используют для интерпретации данных и сделать выводы. В целом, метод обратной корреляции - это процесс, который приводит к составному изображению (от человека или группы), которое можно использовать для оценки и интерпретации ментальных представлений.

Термин «функция RevCor» иногда используется для описания приближения импульсного отклика, полученных в результате усреднения, вызванного спайком.

Основной макет обучения

[ редактировать ]

Метод обратной корреляции обычно выполняется в качестве встроенного компьютерного эксперимента. Этот метод следует за четырьмя широкими шагами. Каждый из следующих шагов описан более подробно ниже.

После создания вопроса исследования и определения того, что метод обратной корреляции является наиболее подходящим методом для ответа на вопрос, исследователь должен (1) разрабатывать случайно изменяющиеся стимулы. [ 4 ] После того, как стимулы были подготовлены, исследователь должен (2) собрать данные от участников, которые увидят и отвечают на приблизительно 300-1000 испытаний. [ 4 ] [ 13 ] Каждое испытание будет состоять из одного или двух изображений (бок о бок), полученных из одного и того же базового изображения с наложением шума сверху. Ответы участников будут зависеть от выбранного дизайна исследования; Если исследователь представляет только одно изображение одновременно, участники оценивают изображение по шкале 4PT, но когда показаны два изображения, участника просят выбрать, какой лучше всего соответствует данной категории (например, выберите изображение, которое выглядит наиболее агрессивным ) [ 4 ] После того, как все данные будут собраны, исследователь (3) вычислит классификационные изображения для каждого участника и использует эти изображения вычисляют изображения классификации группы. [ 4 ] Наконец, с доступными классификационными изображениями исследователь (4) оценит изображения и сделает выводы об их результатах. [ 4 ]

Шаг 1: создание стимулов

[ редактировать ]

При разработке стимулов для исследования обратной корреляции двумя основными факторами, которые следует учитывать, являются (1) базовое изображение и (2) шум, который будет использоваться. [ 4 ] Хотя не все основания являются изображениями как таковые, большинство являются, и по этой причине база обычно называется базовым изображением. Базовое изображение должно представлять то, что решает вопрос исследования. Например, если вы заинтересованы в умственных представлениях народа китайцев, не имеет смысла использовать базовый образ испанского или кавказского человека. Опять же, если вы заинтересованы в умственных представлениях мужских вокальных моделей, было бы наиболее смысл использовать базовый вокальный шаблон, который был создан мужчинами. [ 4 ]

Наличие базы важно, потому что она обеспечивает своего рода якорь для участников. Когда нет базового изображения, количество испытаний, которые требуются, резко увеличивается, что затрудняет сбор данных. [ 4 ] В то время как есть исследования, которые исключили базовое изображение (например, исследование S [ 14 ] ), Для более сложных и нюансированных исследований, важно иметь базовое изображение, которое является справедливым представлением о том, что участники просят классифицировать. Фотографии лиц, как правило, являются самым популярным базовым изображением.

Хотя метод обратной корреляции способен исследовать широкий спектр вопросов исследования, наиболее распространенным применением метода является оценка лиц по одной черте. Исследования обратной корреляции, которые рассматривают оценки лица, иногда называются моделью обратной корреляции в пространстве лица (FSRCM). [ 15 ] К счастью, существуют базы данных для изображений лица различной демографии и эмоций, которые хорошо работают в качестве базовых изображений.

Метод обратной корреляции также может быть использован, чтобы помочь исследователям определить, какие области изображения (например, области на лице) имеют диагностическую ценность. [ 15 ] Чтобы определить эти области ценностей, исследователи начинают с минимизации пространства, из которого участник может получить информацию. Навязывая «маску» на изображение (например, размывает изображение, оставляя случайные области не разлученными), это уменьшает информацию, которую могут видеть люди, и заставляет их сосредоточиться на определенных областях. [ 15 ] Затем, если/когда участники смогут правильно идентифицировать изображение с чертой, 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 могут использоваться в обратном корреляционном исследовании. Этот метод был первоначально разработан для слуховых стимулов, который позволяет исследователям исследовать, как восприниматели интерпретируют слуховую информацию и создают атрибуты на основе признаков различным шаблонам звука. [ 15 ] Например, сегментировав вокальную запись одного слова (общее звуковое время 426 мс) на шесть сегментов (71 мс каждый) и изменяя высоту каждого сегмента, используя гауссовые распределения, исследователи смог Полем [ 16 ] В частности, в этом исследовании изучалось, как слушатели оценили звуковые клипы слова «действительно» как звучание более вопросительного (т.е. вроде более распространенных исследований обратной корреляции в этом исследовании участники прислушивались к двум звуковым клипам на испытание, выбирайте, какая категория лучше всего подходит для затем создал среднее значение контуров шага). [ 16 ] Помимо лица и слухового восприятия, исследования с использованием метода обратной корреляции расширились, чтобы исследовать, как люди видят трехмерные объекты на изображениях с шумом (но без сигнала). [ 17 ] [ 18 ]

После выбора базового изображения, независимо от того, что такое изображение, полезно применить гауссовое размытие на сглаживание шума на изображении. В то время как шум будет применен позже, полезно уменьшить существующий шум на фотографии перед нанесением выбранного шума. [ 4 ] Есть 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 белого шума обычно наиболее часто используется. [ 4 ] Независимо от типа выбранного шума, крайне важно, чтобы шум случайным образом варьировался. [ 4 ]

Шаг 2: Сбор данных

[ редактировать ]

Как только стимулы для исследования были разработаны, исследователь должен принять несколько решений, прежде чем фактически собирать данные. Исследователь должен прийти к выводу о том, сколько стимулов будет представлено за раз и сколько испытаний увидят участники.

С точки зрения представления стимулов, исследователь может выбрать либо из 2-изображного принудительного выбора (2ifc), либо из 4-альтернативного принудительного выбора (4AFC). 2ifc представляет два изображения одновременно (бок о бок) и требует, чтобы участники выбирали между ними в указанной категории (например, какое изображение похоже на мужчину). [ 4 ] Обычно шум от левого изображения является математическим обратным шума из правого изображения. Этот метод был разработан, чтобы лучше ответить на вопросы, на которые нельзя было полностью ответить методом 4AFC. По сравнению с 2IFC, 4AFC показывает только участники только одно изображение на испытание и требует, чтобы они оценивали изображение по 4-балльной шкале ((1), вероятно, x, (2), возможно, x, (3), возможно, y, (4) Наверное Y). [ 4 ] Например, здесь X может представлять собой мужчину, и Y может представлять собой женщину. Как правило, во время анализа данных включены только изображения, которые выбираются в качестве «вероятно» категории. [ 4 ]

Как упоминалось ранее, 2IFC был разработан для решения вопросов, на которые нельзя было легко ответить 4AFC. В 4AFC существует вероятность того, что участники могут не выбрать категорию «вероятно», и если это произойдет, ни одно классификационное изображение не может быть рассчитано. [ 4 ] Например, если базовое изображение не выглядит так, как участников ментального представления просят сообщить, тогда участники никогда не могут сделать уверенный выбор и классифицировать изображение в категории «вероятно». [ 4 ] Хотя это является недостатком в 4AFC, одним из преимуществ этого метода и масштабной структуры является то, что исследователи могут видеть суждения участников об определенных решениях об их классификационных решениях (например, метка X, вероятно, предполагает большее доверие к своему решению, чем, возможно, x метка). [ 4 ]

Что касается выбора количества испытаний, то, как правило, исследователи, проводящие исследование обратной корреляции, представляют участников с 300-1000 испытаний. [ 13 ]

Шаг 3: Вычисление классификационного изображения (CI)

[ редактировать ]

Опять же, классификационное изображение - это расчетный 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 человека, исследователь начнет с создания среднего из шума всех выбранных изображений, а затем накладывает этот шаблон на базовое изображение. Перед тем, как шум накладывается, он масштабируется, чтобы соответствовать базовому изображению (то есть наименьшие и самые большие интенсивности пикселей сочетаются с пикселями базового изображения). [ 4 ] Чтобы сгенерировать классификационное изображение для группы, исследователь будет либо обрабатывать каждое отдельное классификационное изображение отдельно (следя за тем, чтобы независимо от пикселей) или применять зависимое масштабирование. Зависимое масштабирование называется таким, потому что масштабирование, которое применяется ко всем классификационным изображениям, зависит от изображения с наибольшим диапазоном пикселей. [ 4 ] Используя это единственное изображение и его пиксельный диапазон, исследователь будет соответствовать пикселям классификационного изображения с пикселями базового изображения. Коэффициент масштабирования, используемый для этого изображения, затем применяется к оставшимся классификационным изображениям. [ 4 ] При выборе между этими двумя подходами имейте в виду, что на классификационных изображениях с небольшим сигналом независимое масштабирование усиливает сигнал и шум больше, чем зависимое масштабирование. [ 4 ] Если исследователь заинтересован в силе сигнала, предполагается, что он использует зависимое масштабирование. [ 4 ]

При расчете классификационного изображения очень важно учитывать, как ваш внешний шум повлияет на ваше соотношение сигнала к шуму (SNR). SNR - это отношение желаемого ввода (например, сигнал) к нежелательной информации (например, шум). [ 19 ] Один из способов создать высокий SNR (когда наблюдатели непредвзяты)-это использовать эту формулу C = ( n a A + n b a )-( n a b + n b b ). [ 19 ] Эти исследователи обнаружили оптимальные экспериментальные параметры для различных конструкций исследования, которые приведут к высоким SNR.

Шаг 4: Оценка классификационных изображений и выводов рисования

[ редактировать ]

После вычисления изображений классификации для отдельных участников и/или для группы исследователь будет использовать эти изображения, чтобы сделать выводы о своих вопросах исследования. Однако, хотя и не всегда так, иногда после того, как был сгенерирован первый набор классификационных изображений, исследователи будут принимать эти изображения и представлять их новой выборке участников и попросить их оценить изображения на последующем факторе интереса. Этот процесс называется двухфазной обратной корреляцией. [ 4 ] Например, если классификационное изображение было рассчитано после того, как участников попросили выбрать изображение, которое больше всего похоже на полицейского, сгенерированные классификационные изображения могут быть представлены новой выборке, который оценит изображения о том, насколько агрессивны лица. Этот процесс облегчает сделать выводы по данным. Хотя этот шаг может облегчить выводы, необходимо использовать осторожность, чтобы не собирать слишком много участников во втором этапе, потому что большое количество участников сделает самые крошечные различия значительными, поэтому приводят к эрро 1 типа 1 . [ 13 ]

В то время как обратная корреляция обычно используется для создания визуального представления одного признака, этот метод действительно способен создать визуальное представление более одной черты в одном изображении. [ 20 ] Используя одно и то же базовое изображение и шум, можно создать классификационное изображение признака 1 и классификационное изображение признака 2, а затем создать агрегатную фотографию двух классификационных изображений (таким образом, создавая новое классификационное изображение, включающее две социальные признаки). [ 20 ]

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

Сигнал чтения в классификационном изображении может быть трудным. При попытке интерпретировать сигнал исследователи предполагают, что наилучшей практикой является использование недавно разработанной метрики, называемой «инфекцией». [ 22 ] «Инфовал» сравнивает информационное значение в вычисленном изображении классификации с случайным распределением. [ 22 ] Интерпретация показателя «инфекции» аналогична интерпретации Z-показателя. [ 22 ]

Смотрите также

[ редактировать ]

Ссылки

[ редактировать ]
  1. ^ Jump up to: а беременный Рингах, Дарио; Шапли, Роберт (март 2004 г.). «Обратная корреляция в нейрофизиологии» . Когнитивная наука . 28 (2): 147–166. doi : 10.1207/s15516709cog2802_2 .
  2. ^ Одзава, Изуми; Де Анжелис, Грегори С.; Фриман, Ральф Д. (август 1990). «Стереоскопическая дискриминация глубины в визуальной коре: нейроны, идеально подходящие в качестве детекторов неравенства». Наука . 249 (4972): 1037–1041. Bibcode : 1990sci ... 249.1037O . doi : 10.1126/science.2396096 . PMID   2396096 .
  3. ^ Dayan, Peter; Abbott, Laurence F. (2001). Theoretical Neuroscience - Computational and Mathematical Modeling of Neural Systems. The MIT Press. Cambridge, Massachusetts. ISBN 978-0262541855.
  4. ^ Jump up to: a b c d e f g h i j k l m n o p q r s t u v w x y z aa ab ac Brinkman, L.; Todorov, A.; Dotsch, R. (January 2017). "Visualising mental representations: A primer on noise-based reverse correlation in social psychology". European Review of Social Psychology. 28 (1): 333–361. doi:10.1080/10463283.2017.1381469. ISSN 1046-3283.
  5. ^ Karremans, Johan C.; Dotsch, Ron; Corneille, Olivier (December 2011). "Romantic relationship status biases memory of faces of attractive opposite-sex others: Evidence from a reverse-correlation paradigm". Cognition. 121 (3): 422–426. doi:10.1016/j.cognition.2011.07.008. PMID 21903209. S2CID 8050358.
  6. ^ Lick, David J.; Carpinella, Colleen M.; Preciado, Mariana A.; Spunt, Robert P.; Johnson, Kerri L. (2013). "Reverse-correlating mental representations of sex-typed bodies: the effect of number of trials on image quality". Frontiers in Psychology. 4: 476. doi:10.3389/fpsyg.2013.00476. ISSN 1664-1078. PMC 3727110. PMID 23908637.
  7. ^ Moon, Kibum; Kim, SoJeong; Kim, Jinwon; Kim, Hackjin; Ko, Young-gun (2020-06-12). "The Mirror of Mind: Visualizing Mental Representations of Self Through Reverse Correlation". Frontiers in Psychology. 11: 1149. doi:10.3389/fpsyg.2020.01149. ISSN 1664-1078. PMC 7307554. PMID 32612554.
  8. ^ Éthier-Majcher, Catherine; Joubert, Sven; Gosselin, Frédéric (2013). "Reverse correlating trustworthy faces in young and older adults". Frontiers in Psychology. 4: 592. doi:10.3389/fpsyg.2013.00592. ISSN 1664-1078. PMC 3763214. PMID 24046755.
  9. ^ Maister, Lara; De Beukelaer, Sophie; Longo, Matthew; Tsakiris, Manos (2020-02-18). "The Self in the Mind's Eye: Reverse-correlating one's self reveals how psychological beliefs and attitudes shape our body-image". doi:10.31234/osf.io/f2b36. S2CID 236794071. {{cite journal}}: Cite journal requires |journal= (help)
  10. ^ Brinkman, Loek; Dotsch, Ron; Zondergeld, Jelmer; Koevoets, Martijn G.J.C.; Aarts, Henk; Van Haren, Neeltje E.M. (2019-09-01). "Visualizing mental representations in schizophrenia patients: A reverse correlation approach". Schizophrenia Research: Cognition. 17: 100138. doi:10.1016/j.scog.2019.100138. ISSN 2215-0013. PMC 6454059. PMID 31008060.
  11. ^ "Image Signal - an overview | ScienceDirect Topics". www.sciencedirect.com. Retrieved 2020-11-30.
  12. ^ "What Is Noise in Photography?". Photography Life. 2018-03-09. Retrieved 2020-11-30.
  13. ^ Jump up to: a b c Cone, Jeremy; Brown-Iannuzzi, Jazmin L.; Lei, Ryan; Dotsch, Ron (2020-08-06). "Type I Error Is Inflated in the Two-Phase Reverse Correlation Procedure". Social Psychological and Personality Science. 12 (5): 760–768. doi:10.1177/1948550620938616. ISSN 1948-5506. S2CID 225411708.
  14. ^ Gosselin, Frédéric; Schyns, Philippe G. (September 2003). "Superstitious Perceptions Reveal Properties of Internal Representations". Psychological Science. 14 (5): 505–509. doi:10.1111/1467-9280.03452. ISSN 0956-7976. PMID 12930484. S2CID 14282479.
  15. ^ Jump up to: a b c d e Todorov, Alexander; Dotsch, Ron; Wigboldus, Daniel H. J.; Said, Chris P. (2011). "Data-driven Methods for Modeling Social Perception". Social and Personality Psychology Compass. 5 (10): 775–791. doi:10.1111/j.1751-9004.2011.00389.x. ISSN 1751-9004.
  16. ^ Jump up to: a b Ponsot, Emmanuel; Burred, Juan José; Belin, Pascal; Aucouturier, Jean-Julien (2018-04-10). "Cracking the social code of speech prosody using reverse correlation". Proceedings of the National Academy of Sciences. 115 (15): 3972–3977. Bibcode:2018PNAS..115.3972P. doi:10.1073/pnas.1716090115. ISSN 0027-8424. PMC 5899438. PMID 29581266.
  17. ^ Gosselin, Frédéric; Bacon, Benoit A.; Mamassian, Pascal (September 2004). "Internal surface representations approximated by reverse correlation". Vision Research. 44 (21): 2515–2520. doi:10.1016/j.visres.2004.05.016. PMID 15358086.
  18. ^ Scarfe, Peter; Hibbard, Paul B. (June 2013). "Reverse correlation reveals how observers sample visual information when estimating three-dimensional shape". Vision Research. 86: 115–127. doi:10.1016/j.visres.2013.04.016. PMID 23665429.
  19. ^ Jump up to: a b Murray, Richard F.; Bennett, Patrick J.; Sekuler, Allison B. (2002-02-19). "Optimal methods for calculating classification images: Weighted sums". Journal of Vision. 2 (1): 79–104. doi:10.1167/2.1.6. ISSN 1534-7362. PMID 12678598.
  20. ^ Jump up to: a b Oliveira, Manuel; Garcia-Marques, Teresa; Dotsch, Ron (October 2019). "Combining Traits Into a Face: A Reverse Correlation Approach". Social Cognition. 37 (5): 516–545. doi:10.1521/soco.2019.37.5.516. ISSN 0278-016X. S2CID 210583652.
  21. ^ Okazawa, Gouki; Sha, Long; Purcell, Braden A.; Kiani, Roozbeh (December 2018). "Psychophysical reverse correlation reflects both sensory and decision-making processes". Nature Communications. 9 (1): 3479. Bibcode:2018NatCo...9.3479O. doi:10.1038/s41467-018-05797-y. ISSN 2041-1723. PMC 6113286. PMID 30154467.
  22. ^ Jump up to: a b c Brinkman, Loek; Goffin, Stanny; van de Schoot, Rens; van Haren, Neeltje E.M.; Dotsch, Ron; Aarts, Henk (October 2019). "Quantifying the informational value of classification images". Behavior Research Methods. 51 (5): 2059–2073. doi:10.3758/s13428-019-01232-2. ISSN 1554-3528. PMC 6797653. PMID 30937848.
Retrieved from "https://en.wikipedia.org/w/index.php?title=Reverse_correlation_technique&oldid=1160192222"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: dc72e874f43dc09edea644de07913394__1686775080
URL1:https://arc.ask3.ru/arc/aa/dc/94/dc72e874f43dc09edea644de07913394.html
Заголовок, (Title) документа по адресу, URL1:
Reverse correlation technique - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)