Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Fershild-Modeli_cvetovogo_vosprijatia.pdf
Скачиваний:
449
Добавлен:
11.03.2016
Размер:
19.44 Mб
Скачать

Г Л А В А 2

ПСИХОФИЗИКА

Асимметричное соответствие

При изучении хроматической адаптации, а также феномена цветового вос приятия часто используются эксперименты сравнения. В некоторых случаях применяется методика получения т.н. асимметричного соответствия. Асим метричное соответствие — это цветовое соответствие, полученное путем неко торого изменения условий просмотра: к примеру, стимул, рассматриваемый при дневном свете, может визуально соответствовать другому стимулу, рас сматриваемому при свете ламп накаливания, благодаря чему можно получить пару стимулов, идентичных по цветовому восприятию при данных изменениях в условиях просмотра. Такие данные могут использоваться для создания и тес тирования моделей цветового восприятия, разрабатываемых с целью учета из менений в условиях просмотра.

Отдельным вариантом эксперимента на асимметричное соответствие явля ется т.н. гаплоскопический эксперимент, при котором в один глаз попадает тестируемый стимул при одних условиях просмотра, а в другой глаз одновре менно попадает стимул сравнения при других условиях просмотра: наблюда тель одновременно видит оба стимула и производит уравнивание.

Сравнение по памяти

Другой тип экспериментов сравнения, которые иногда проводят для изуче ния цветового восприятия, называют сравнением по памяти, то есть наблюда тель производит уравнивание с предварительно запоминаемым цветом. Обычно эти соответствия, которые также являются асимметричными, используются для изучения зависимости восприятия от условий просмотра. Иногда сравнение по памяти создает т.н. ментальный стимул, как, например, идеальный ахромати ческий (серый) или стимул с однозначным цветовым тоном (к примеру, одно значный красный без синего или желтого компонента).

2.6 ОДНОМЕРНЫЕ ШКАЛЫ

Эксперименты по шкалированию предназначены для выявления взаимоот ношений между величиной восприятия и физически измеряемой интенсивно стью стимула. Подходы к проведению этих экспериментов зависят от типа и размерности требуемой шкалы. Как правило, тип шкалы и метод шкалирова ния выбирают заранее, то есть до того, как будут собраны визуальные данные.

Одномерные шкалы требуют выполнения того условия, что измеряемый признак и физические вариации стимула одномерны: наблюдателей просят оценить стимул только по одному перцепционному признаку (например, на сколько один образец светлее другого или какова разница в качестве между двумя изображениями).

Было придумано множество разнообразных методов шкалирования, в част ности:

метод последовательных рядов;

метод графического описания;

74

Г Л А В А 2

ПСИХОФИЗИКА

метод категорийного шкалирования;

метод парного сравнения;

метод дробного шкалирования;

метод количественной оценки или воспроизводства (стимула);

метод порционной оценки или воспроизводства (стимула).

В эксперименте последовательных рядов наблюдателя просят расположить образцы из набора с учетом возрастания или убывания величины того или ино го признака; при большом числе наблюдателей данные могут быть усреднены и перерасположены для получения порядковой шкалы.

Для получения интервальной шкалы, в отношении экспериментальных данных должны быть приняты некоторые допущения, а также должен быть проведен дополнительный анализ этих данных. Одно из возможных допуще ний состоит в том, что стимулы в каждой паре были сравнены и таким образом от последовательного ряда получены данные парного сравнения (см. ниже). В целом возможность построения достоверной интервальной шкалы из после довательных рядов представляется весьма сомнительной.

Графическое описание позволяет напрямую определить интервальную шка лу: наблюдателям предъявляют стимулы и просят определить величину их вос приятия по одномерной узелковой шкале. К примеру, в эксперименте по шка лированию светлоты может быть вычерчена линия, один конец которой поме чается узелком как белый, а другой — как черный; предъявляемый наблюдате лям промежуточный (серый) стимул по ощущениям оказывается посередине между черным и белым, что отмечается на линии как центральная точка. Если следующий образец окажется ближе к белому, чем к черному, он будет отмечен узелком в соответствующем месте линии — ближе к ее «белому» концу.

Интервальную шкалу строят для того, чтобы найти среднее местоположе ние для каждого стимула. Данный метод опирается на общеизвестный факт, что восприятие длины через короткие отрезки линейно по отношению к физи чески измеренной длине.

Категорийное шкалирование — это популярный метод создания порядко вых и интервальных шкал для большого количества стимулов: наблюдателя просят разделить большое число образцов на разные категории, и по каждому образцу фиксируется то, в какую категорию он был помещен наблюдателем. Чтобы шкалирование было эффективным, образцы должны быть достаточно похожими друг на друга, дабы они не оказывались в разных категориях у раз ных наблюдателей (или же у одного наблюдателя, но в разных случаях).

Интервальные шкалы с помощью данного метода можно получить, допус тив что величины восприятия нормально распределены путем стандартного нормального распределения, согласно т.н. закону категорийных оценок (Тор герсон, 1954).

Эксперимент на парное сравнение проводится при малом числе стимулов: в этом методе все образцы предъявляются наблюдателю во всех возможных парных комбинациях, обычно одна пара за сеанс (иногда вместе с третьим, эта лонным стимулом). В итоге в какой то одной паре соотношение по какому то одному признаку будет оценено как наибольшее, и тогда рассчитываются и за

75

Г Л А В А 2

ПСИХОФИЗИКА

писываются соотношения в остальных парах. Интервальные шкалы могут быть построены на основе полученных данных путем применения т.н. закона сравнительных оценок (Тарстон, 1927).

Закон сравнительных оценок (закон Тарстона) может быть успешно приме нен к порядковым данным (таким, как данные парного сравнения или катего рийного шкалирования) для определения величин на интервальной шкале. На результирующих шкалах величины восприятия подвергаются нормальному распределению. Таким образом, если сделать осторожное допущение, что вели чины восприятия нормально распределены на истинной перцепционной шка ле, то в результате анализа данных можно получить шкалу желаемой катего рии. Величины восприятия позволяют также оценить статистическую значи мость различий между стимулами, так как здесь во всей полноте можно ис пользовать нормальное распределение.

Торгерсон (1958), Бартлесон и Грум (1984), а также Энгельдрум (2000) де тально описывают упомянутые и некоторые другие методы анализа данных, а ASTM (1996) описывает простой метод получения т.н. доверительных преде лов на интервальной шкале Тарстона, но поскольку ASTM метод консервати вен, он менее точен и с его помощью трудно получить строго статистические данные. Монтаг и др. (2004) описали т.н. монтекарловскую имитацию данной проблемы и рекомендовали более подходящий метод для получения довери тельных интервалов, а Хэндлей (2001) описал ряд относительных методов.

Существует прямой метод получения интервальных шкал с помощью т.н. дробного шкалирования, суть которого в том, что равные интервалы делят пополам. Наблюдателю предъявляют два разных образца (А и В) и просят вы брать третий таким образом, чтобы он был равноотличен и от «А», и от «В», а полную интервальную шкалу получают последовательными делениями на 2.

Пропорциональные шкалы можно напрямую получить с помощью метода количественной оценки стимула (прямой метод) или метода воспроизводства стимула (обратный метод): наблюдателя просят присвоить стимулу номер со гласно величине его восприятия, или же наоборот: наблюдателям называют но мер и просят воспроизвести стимул с соответствующей перцепционной величи ной. Эти методы могут использоваться не только для создания пропорциональ ных шкал, но также и для получения данных, предназначенных к многомерно му шкалированию (если просить наблюдателей прошкалировать отличия в па рах стимулов).

Чуть более сложный метод порционной оценки использует отношения оце нок или отношения воспроизводств стимула. Перед наблюдателем ставится одна из двух возможных задач:

1.Выбрать или воспроизвести образец, который имеет некое предписанное отношение к стандартному.

2.Установить соответствующие отношения между двумя (или более) образ цами.

В типичном эксперименте наблюдателям предъявляют образец и просят най ти, выбрать или воспроизвести тестовый образец с половинным или удвоенным признаком. Конечно, в повседневной практике этот метод трудноосуществим

76

Г Л А В А 2

ПСИХОФИЗИКА

из за сложности подготовки образцов и сложности наблюдательской оценки, од нако его также можно применять для создания пропорциональных шкал.

2.7 МНОГОМЕРНОЕ ШКАЛИРОВАНИЕ

Многомерное шкалирование (multidimensional scaling — MDS) — это метод, подобный одномерному шкалированию, который, однако, не требует предва рительного одномерного шкалирования по интересующему признаку и при ко тором размерность считают частью анализа. При многомерном шкалировании данные интервальных или порядковых шкал — это данные о сходстве или о различии между стимулами, а результат эксперимента — это многомерное геометрическое представление перцепционных взаимоотношений между сти мулами, подобное многомерной карте.

Данные о различиях, требуемые для MDS, можно легко получить, проведя эксперименты по парному сравнению и по т.н. триадным комбинациям.

Вэксперименте парного сравнения наблюдателю предъявляют все образцы всех возможных пар и затем просят выполнить количественную оценку пер цепционных отличий в каждой паре. Результаты оценок парных комбинаций подвергают MDS анализу.

Вметоде триадных комбинаций каждую из возможных комбинаций наблю дателям предъявляют три раза подряд, а затем просят оценить, какие два сти мула в каждой триаде наиболее сходны друг с другом, а какие, напротив — бо лее всего отличны друг от друга. Полученные данные в дальнейшем можно кон вертировать в частоту оценки каждой пары как самой сходной или как самой отличной, а затем объединить частотные данные в т.н. матрицу подобия (или матрицу различия), используемую в MDS анализе.

Методы MDS анализа пользуются данными о подобии (или об отличии) как вход и выход некоей многомерной фигуры, состоящей из точек и представляю щей размерность данных и отношения между ними, поэтому такие методы ис следования необходимо использовать тогда, когда восприятие является много мерным (как, к примеру, цветовой тон, светлота и насыщенность) или когда многомерны физические вариации стимулов. Крузкал и Виш (1978) предлага ют детальное описание таких методов, но отметим, что MDS анализ не лишен недостатков.

Существует два класса MDS:

метрический, требующий интервальных данных;

неметрический, требующий только порядковых данных.

Оба класса MDS методов завершаются построением выходных интерваль ных шкал.

Различный MDS софт обрабатывает входные данные согласно их предпола гаемой специфике, трактует отдельные случаи, создает метрики степеней со гласия (или напряжения), метрики расстояния (к примеру, эвклидова расстоя ния или т.н. cityblock) и т.п. Отметим, что некоторые коммерческие статисти ческие программы MDS совместимы.

Классическим примером MDS анализа является создание карты, представ

77

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]