 |
Задание 1. Обнаружение зрительного сигнала методом «Да-Нет»
|
|
|
|
Задание 1. Обнаружение зрительного сигнала методом «Да-Нет»
Цели задания. 7. Практическое освоение метода «Да-Нет» на примере обнаружения зрительного сигнала. 2. Исследование динамики d' и β в зависимости от влияния несенсорных факторов.
Методические замечания по планированию и проведению эксперимента.
При планировании предстоящего исследования стоит обратить особое внимание на важность тренировочных серий эксперимента и вспомнить, каким требованиям должен удовлетворять идеальный испытуемый (наблюдатель). Прежде всего еще раз подчеркнем, что в предлагаемой модели описывается ситуация обнаружения сигнала порогового уровня, следовательно в ходе тренировочных серий необходимо подобрать соответствующие параметры обнаруживаемого сигнала. В компьютерной программе стимуляции (см. Приложение 2) предлагаются на выбор различные сигнальные и несигнальные стимулы, например: обнаруживать букву R на фоне L, I на фоне 1 или Q среди О. Естественно, принимая во внимание индивидуальные особенности зрения испытуемого, следует подобрать такие стимулы, которые будут с трудом отличаться друг от друга, и в этом смысле, по-видимому, вариант R и L (это достаточно хорошо различимые конфигурации) будет адекватен лишь для тех студентов, у кого не очень хорошее зрение. В противном случае, как показывает наш опыт, даже при минимальном времени экспозиции стимулов на экране дисплея после хорошей тренировки некоторые испытуемые показывают практически 100%-е обнаружение такого сигнала. Интересно, что поначалу это может показаться весьма сомнительным, но поработав 15—20 минут, как правило, все убеждаются, что тренировка идет и, несмотря на невысокую уверенность каждого отдельного ответа в прошедшей серии, результат обнаружения почти 100%-й. И, следовательно, время предыдущих тренировочных серий потрачено не оптимально. Таким образом, с самого начала нужно четко представлять себе, что следует выбрать такие стимулы и такую их длительность, чтобы обеспечить пороговый уровень обнаружения сигнала. Для более четкой ориентации введем операциональный критерий " пороговости" обнаружения сигнала: индекс сенсорной чувствительности d' должен быть в диапазоне от 1 до 2, что соответствует вероятности попаданий явно меньшей 1 и вероятности ложных тревог, превышающей 0. Например, если тренировочные серии проводятся при априорной вероятности предъявления сигнала, равной 0. 5, то соответствующие значения вероятностей попаданий и ложных тревог будут приблизительно такими: Р(Н) - от 0. 7 до 0. 8, a p(FA) - от 0. 1 до 0. 3.
|
|
|
Следующий немаловажный момент касается вопроса о достижении испытуемым асимптотического (предельного) уровня обнаружения порогового сигнала, а именно, достиг ли он того предельного уровня тренировки, когда со временем практически не происходит существенных изменений d'. Самым простым подтверждением достижения асимптотического уровня обнаружения будет относительное постоянство показателей обнаружения в 3—4 следующих друг за другом тренировочных сериях при неизменных стимулъных параметрах. Полезно также посмотреть, как изменяется среднее время реакции (ВР) и его вариативность. Стабилизация величины среднего ВР и его разброса служит хорошим доказательством выхода испытуемого на асимптотический уровень обнаружения. В табл. 7 приведены реальные результаты тренировочной серии эксперимента (данные студента Е. К., 1994 г. ), показывающие достижение к шестой серии асимптотического уровня обнаружения сигнала.
Таблица 7
Результаты тренировочных серий (задача -обнаруживать Q на фоне О, длит. стимула - 250 мс, МСИ - 2000 мс)
|
|
|
Естественным будет вопрос о пределах вариабельности индекса d'. Укажем, что строгая статистическая оценка различий d', полученных в разных сериях одного эксперимента или разных экспериментах производится с использованием критерия хи-квадрат (можно воспользоваться специальной программой hi_sq. exe, которая находится в той же директории, что и основная программа yes_no. exe), однако для быстрой оценки существенности полученных различий можно использовать чисто эмпирический критерий, проверенный на практике: 25—30%-е различие индексов d', как правило, не значимо. Несмотря на то, что данная величина на Первый взгляд кажется достаточно большой, следует учесть, что d' оценивается вероятностно и является производным показателем, зависящем как от Р(Н), так и от P(FA), которые, в свою очередь, представляют собой тоже случайные величины, оцениваемые в опыте также вероятностно. Таким образом, следует обратить особое внимание на достоверность оценки этих 2-х вероятностей, что непосредственно определяется количеством предъявляемых стимулов — сигнальных и несигнальных. Интуитивно ясно, что по 5—10 пробам невозможно оценить вероятность появления какого-либо события; можно показать, что по 85—100 (т. е общее число проб = 190—200 при P(S) = 0. 5) предъявлениям сигнальных и шумовых проб оценка вероятности правильного обнаружения и ложной тревоги становится статистически надежной. Из данных соображений и следует исходить при решении вопроса об определении минимального количества проб в каждой серии. Естественно, следует учитывать и значение априорной вероятности появления сигнальной или шумовой проб: чем меньше выбирается вероятность данного стимула (сигнального либо шумового), тем большее количество проб в данной серии следует предъявить испытуемому. Поэтому даже в тренировочных сериях (кроме самых предварительных) не следует " экономить" на количестве проб. Использование малого количества проб в серии может привести к следующему результату: показатели обнаружения сигнала (Р(Н), P(FA) и как интегральный показатель — d']) могут сильно изменяться от серии к серии, а мы не сможем определить, в чем же причина этой вариабельности — либо в том, что имеет место тренировка, либо это просто случайные вариации оцениваемых вероятностей от серии к серии. Данное замечание следует учитывать особо в том случае, если в основном эксперименте в качестве несенсорного фактора варьируется априорная вероятность предъявления сигнальной пробы (в отличии от варианта с использованием платежной матрицы). Как показывает практика, при низких значениях вероятности (0. 1 и 0. 9) следует предъявлять не менее 450—500 проб, при вероятностях 0. 2 и 0. 8 — 300—350, при равновероятном предъявлении - 190—200.
|
|
|
Важное значение при выполнении данного задания имеет учет фактора утомления. Эксперимент проходит достаточно длительное время, поэтому после каждой серии необходимо устраивать небольшой перерыв для отдыха.
Особое внимание следует уделить планированию основного эксперимента. Основная цель данного учебного задания — провести модельный эксперимент в рамках ТОС и познакомиться с методом " Да-Нет". Таким образом, непосредственная задача эксперимента заключается в построении РХП, т. е. в варьировании несенсорных факторов, задающих несколько различных критериев принятия решения. При выборе конкретного приема экспериментального воздействия (использование априорной вероятности, платежной матрицы либо инструкции) стоит учесть, что для неопытного (наивного) испытуемого большое значение имеет правильное представление о критерии оптимальности выполняемой задачи и однозначное понимание и принятие задачи эксперимента*. В этом смысле более предпочтительным оказывается использование различных платежных матриц или варьирование априорной вероятности. Эти приемы наиболее прямо и наглядно показывают испытуемому, как следует изменить стратегию обнаружения сигнала, чтобы оптимальным образом выполнить свою задачу — эффективнее обнаруживать сигнал в ситуации неопределенности. И в том, и в другом случае испытуемый должен четко и однозначно представлять себе, что влечет за собой определенное изменение априорной вероятности или платежной матрицы. Так, еще до начала основного эксперимента полезно прикинуть, как следует себя вести в сериях с различной априорной вероятностью появления сигнального стимула, и что же реально происходит, когда в одной серии P(S)= 0. 1, а в другой P(S) меняется на 0. 9. Очевидно, что изменение априорной вероятности формирует соответствующие изменения ожиданий испытуемого в отношении последовательности предъявляемых в данной серии стимулов, что немаловажно в ситуации повышенной неопределенности (т. е. далеко не 100%-й обнаружимости сигнала). Иначе говоря, когда вы не очень-то уверены, какой из 2-х сигналов был предъявлен, и у вас возникает сомнение, то важным несенсорным признаком стимуляции оказывается знание вероятности предъявления сигнального стимула, которое поможет правильно угадать. А теперь давайте прикинем, насколько оптимально следовать таким правилам " игры". Примем условно, что явно сомнительных ощущений из 200 проб оказалось 100, т. е. половина. Допустим, что в данной серии P(S) = 0. 9. Тогда становится ясно, что даже обычное гадание в этих " сомнительных" 100 пробах на основании простого учета вероятности появления сигнала (ведь шанс правильно угадать — 90 из 100! ) может принести наблюдателю заметную пользу и, что тоже не маловажно, снять излишнюю напряженность в работе (ведь гадаем-то на основании трезвого расчета). Несложно " проиграть" аналогичную ситуацию " со знаком минус" — когда P(S) = 0. 1, и распространить эту стратегию на другие значения априорной вероятности.
|
|
|
* Дополнительные сведения о различных критериях принятия решения и критериях оптимальности приведены в Приложении 1.
В том случае, когда студенты (экспериментатор и испытуемый составляют симметричную пару) выбирают в качестве экспериментального воздействия платежную матрицу, то ситуация становится еще более прозрачной — ведь каждый четко знает, сколько в данной серии стоит каждый тип ответов. Меняя цены наград и штрафов (как правило, оба партнера договариваются об этом сами, прикидывая максимально возможный выигрыш и проигрыш), не очень сложно построить 5—7 платежных матриц, градуально задающих строгость/либеральность критерия принятия решения об обнаружении сигнала. Так, сильно штрафуя ложные тревоги по отношению к пропускам сигнала и умеренно вознаграждая правильные ответы, однозначно поощряем строгий критерий. И наоборот, значительное поощрение правильных обнаружений с существенным наказанием пропусков и мягким наказанием за ложные тревоги объективно подталкивает испытуемого к использованию либерального критерия. Выбрав достаточно большой масштаб изменения наград и штрафов, не представляет особого труда составить ряд платежных матриц от явно строгого до явно либерального критерия. Стоит подчеркнуть, что в данном эксперименте партнеры должны строго соблюдать следующее правило: подсчитывать свои выигрыши (проигрыши) после каждой серии, сравнивать их, а разницу фиксировать в протоколе, чтобы было точно понятно, кто в данной серии выиграл и сколько. Опыт показывает, что целесообразно использовать реальные деньги, а не просто очки или баллы. Нужно помнить, что в реальном психофизическом эксперименте испытуемым всегда платят деньги, так что лучше не нарушать традицию. Конечно, стоит заранее договориться и ограничить максимально возможный размер проигрыша и выигрыша при неоптимальной и оптимальной стратегиях, соответственно.
|
|
|
И еще несколько слов по поводу планирования эксперимента. Стоит помнить о двух основных факторах, мешающих проведению нашего эксперимента и способных исказить его результат — это тренировка и утомление. Учет и того, и другого очень важен, поскольку эксперимент состоит из нескольких серий, распределенных во времени. Каким образом избежать возможного влияния этих факторов? Для этого используют прием, называемый позиционным уравниванием. Каждую серию эксперимента (допустим, что их будет 5 — по числу разных априорных вероятностей) разбивают на две подсерии и эти половинки располагают в эксперименте в следующем порядке:
Р(0. 1) - Р(0. 3) - Р(0. 5) - Р(0. 7) - Р(0. 9) - Р(0. 9) -- Р(0. 7) - Р(0. 5) - Р(0. 3) - P(0. 1).
Задавая такой порядок следования отдельных серий эксперимента, мы тем самым уравниваем возможное влияние факторов тренировки и утомления на деятельность испытуемого, усредняя показатели обнаружения сигнала по двум соответствующим половинкам. Резон здесь такой: для первой половины каждой серии минимально утомление, но и тренировка минимальна тоже, для второй половины — наоборот. Поэтому, усредняя данные по двум сериям, мы тем самым уравниваем разнонаправленное влияние этих факторов на результаты обнаружения сигнала. Кроме того, усреднняя данные, взятые из разных временных срезов эксперимента, мы отчасти компенсируем влияние других неконтролируемых случайных факторов (внешние помехи, случайные колебания стимуляции и т. д. ).
Оценивая возможное влияние различных нежелательных факторов на показатели обнаружения сигнала, сделаем еще несколько замечаний относительно проведения эксперимента. Во-первых, весь эксперимент следует проводить на одном и том же компьютере. Во-вторых, если весь эксперимент не получается провести в один день, то в следующий раз необходимо провести тренировочную серию и убедиться в том, что вы достигли прежнего уровня обнаружения сигнала. В-третьих, ни в коем случае не меняйте параметры стимуляции по ходу основного эксперимента, помня, что вы имеете дело только с изменением несенсорных факторов, будь то априорная вероятность или платежная матрица, в то время как детерминанты сенсорной части процесса обнаружения должны оставаться неизменными.
Обработка и интерпретация результатов.
По окончании каждой серии, студент получает файл с результатами обнаружения сигнала. Целесообразно записывать в отдельный протокол значения основных показателей обнаружения сигнала: Р(Н), P(FA), d', β, среднее ВР, а также параметры стимуляции (длительность стимула, количество стимулов в серии) и варьируемые несенсорные факторы — априорную вероятность или вид платежной матрицы. Кроме того, после каждой серии полезно делать хотя бы короткие записи самоотчетов, где фиксировать свои впечатления о прошедшей серии.
По итогам эксперимента необходимо рассчитать усредненные по двум половинам каждой серии вероятности попаданий и ложных тревог и построить РХП в линейных и z-координатах. Если в линейных координатах РХП имеет достаточно стандартный вид (сравните с рис. 8), то проведите через все точки " на глазок" плавную кривую. Имеет смысл построить для каждой точки РХП гипотетический 10—20% доверительный интервал, и проводить наилучшую кривую с учетом такого разброса оценок каждой вероятности (это не совсем корректно в смысле строгой статистики, но, тем не менее, позволит вам почувствовать проблему вероятностной подгонки полученных данных под ожидания модели). На графике в z-координатах следует нанести все экспериментальные точки и, следуя ожиданиям модели, провести через них прямую линию. При решении проблемы, как провести через все точки наилучшую прямую (для РХП в z-координатах), следует воспользоваться методами регрессионного анализа. Задача подгонки прямой линии под экспериментальные точки решается следующим образом (принимая во внимание, что и по оси абсцисс и по оси ординат мы имеем оценки функции, необходимо построить наилучшую прямую с учетом вероятного разброса оценок по каждой из них). Нужно построить линейную регрессию z(H) по z(FA) — это наилучшая прямая с учетом разброса по X, и аналогичную регрессию z(FA) no z(H) — это наилучшая прямая с учетом разброса по Y, и изобразить обе эти прямые в осях z(H) — z(FA). Проведя биссектрису угла между этими прямыми, мы получим наилучшую (с точки зрения метода наименьших квадратов) прямую с учетом разброса оценок как z(H), так и z(FA). Для решения этой задачи можно использовать статистический пакет " Stadia": введите в первую колонку z-оценки ложных тревог, а во вторую - попаданий; после этого выберете в меню статистических методов рубрику " Регрессионный анализ", а в ней опцию — простая регрессия (тренд). После входа в соответствующее меню нужно выбрать линейную модель и произвести два раза регрессионный анализ — z(H) по z(FA) и z(FA) no z(H) (не забудьте списать с экрана рассчитанные коэффициенты полученных линейных функций). Целесообразно также посмотреть полученные графики на экране компьютера. В том случае; если оба варианта подгонки статистически достоверно описываются линейными функциями (см. заключение «Stadia» внизу экрана результатов), то с большой долей вероятности можно считать, что РХП в двойных нормальных координатах имеет форму прямой*. Таким образом проверяется первое основное предположение модели о нормальности распределения сенсорных эффектов. Для проверки второго предположения о равновариативности сигнального и шумового распределений нужно оценить угол наклона прямой РХП. Исходя из опыта, можно принять, что хорошим соответствием ожидаемому наклону в 45 градусов будет разброс ± 5—7 градусов. Однако можно сделать такую проверку и более строго, для чего достаточно всего лишь оценить гипотезу о равенстве дисперсий оценок по обоим осям — z(H) и z(FA), ведь при равенстве дисперсий эта прямая очевидно пройдет под углом 45 градусов! Для этого можно воспользоваться статистическим критерием Фишера в меню описательной статистики системы «Stadia». В том случае, если расчеты показывают, что дисперсия значений переменной z(H) достоверно не отличается от дисперсии переменной z(FA), можно принять гипотезу о наклоне прямой в 45 градусов. В противном случае это предположение отвергается.
* Ту же самую гипотезу можно проверить, рассчитав в статистическом пакете коэффициент корреляции пяти пар значений z(H) и z(FA) и оценив его статистическую достоверность, т. е. отличие от нуля.
В обсуждении результатов эксперимента следует обратить особое внимание на то, как изменялись показатели сенсорной чувствительности (d') и критерия (β ) в разных сериях опыта и сопоставить их динамику с предположениями ТОС. В случае заметных расхождений следует дать содержательную интерпретацию таким различиям (при этом имеет смысл обратиться к записям самоотчетов). В том случае, когда в одной-двух сериях получены результаты, сильно отличающиеся от ожидаемых, целесообразно эти серии переделать.
|
|
|
