Nuestra verificación técnica consta de dos partes. Primero, nos aseguramos de que nuestra colección de objetos nuevos y familiares coincidieran estrechamente en términos de tamaño, contraste, iluminación y color. En segundo lugar, verificamos que los observadores humanos percibían nuestras nuevas imágenes como menos subjetivamente familiares que las imágenes de objetos existentes y provocaban niveles similares de interés.
Estandarizar propiedades de objetos
Muchas medidas violaron los supuestos de normalidad y, por lo tanto, comparamos las características perceptivas de la novela con objetos familiares utilizando estadísticas no paramétricas (U de Mann-Whitney). Informamos tanto las estadísticas de frecuencia como sus análogos hipotéticos para guiar las interpretaciones de cualquier diferencia entre clases de objetos (Figuras 4 y 5). Fundamentalmente, no hubo diferencias entre los objetos novedosos y familiares en términos de tamaño, contraste, luminancia o color (tamaño, novedoso).Mediador= 146.464 ± 407 SEM, familiarMediador= 146.020 ± 364, U = 79542, p = 0,889, bf10= 0,081; En cambio, la novela=0,27±0,003 Familiares=0,27±0,003, U = 79478, p = 0,873, bf10= 0,078; Iluminación, una novela.=0,83±0,003 Familiares=0,84 ± 0,003, U = 77312, p = 0,411, bf10= 0,100; Colorido, novedoso=11,3±0,720, familiar = 9,9±0,729, U = 75491, p = 0,168, B.F.10= 0,183; Figura 4a). Esto confirma que nuestro enfoque fue capaz de generar un conjunto de objetos novedosos que coincidían en términos de sus características perceptivas clave de nivel inferior con un conjunto de objetos familiares existentes.
Para completar, también calculamos las características perceptuales más complejas de cada objeto. Descubrimos que, en comparación con los objetos familiares, nuestra colección de objetos novedosos tiene mayores densidades de bordes, mayor entropía, menor simetría, mayor complejidad y mayor energía espectral (densidades de bordes, densidades de bordes novedosos).=0,056±6,63×10-4,familiar=0,052±8,83×10-4U = 66245, p < 0,0001, bf10= 207; Entropía, una novela.=3,61±0,021, familiar = 3,09±0,029, U = 37686, p < 0,0001, B.F.10= 1,22 x 1011; Simetría, novela = 91,9 ± 0,376, familiar = 94,2 ± 0,351, U = 69190, p < 0,0001, B.F.10= 14,3; Messir, una novela=179±10,7 familiares=120±20,4, U = 62511, p < 0,0001, bf10= 462; SIFT Key Points, una novela=769±34,4 familiares=404±36,1, U = 48764, p < 0,0001, bf10= 1,56 x 107; Energía de imagen, novela = 5 ± 0,27, familiar = 4 ± 0,36, U = 66059, p < 0,0001, B.F.10= 38,4; Frecuencias espaciales altas, novela = 10,6 ± 0,42, familiar = 8,74 ± 0,49, U = 65810, BF.10= 75,3; Figura 4a).
Finalmente, confirmamos que los objetos generados por GAN se percibían como menos familiares que los objetos de la base de datos BOSS y que provocaban niveles similares de interés. Para ello, realizamos un estudio de validación online, en el que los participantes calificaron su grado de familiaridad con los objetos de cada categoría, así como su grado de interés en cada objeto. Como pregunta complementaria, también pedimos a los participantes que calificaran en qué medida encontraban todo atractivo.
Estudio de validación en línea
Participantes
435 participantes completaron este estudio realizado en la plataforma Cloud Research48 (Integrado con Amazon Mechanical Turk; MTurk). Excluimos a 23 participantes por intentar el estudio más de una vez. Otros 22 fueron excluidos por respuestas perseverativas (es decir, dar la misma respuesta a cada objeto). La muestra final estuvo compuesta por 390 participantes (205 hombres autoidentificados, 181 mujeres autoidentificadas, 2 no binarios y 2 no identificados), entre las edades de 18 y 76 años (media = 40,32, DE = 12,12). Todos los participantes eran de Estados Unidos y recibieron una compensación de 2,20 dólares estadounidenses por su tiempo. Los datos se recopilaron entre agosto de 2022 y enero de 2023. Los participantes dieron su consentimiento informado y los protocolos del estudio fueron aprobados por el Comité de Ética en Investigación en Humanos de la Universidad de Monash (ID: CF20/23934).
Diseño experimental
La tarea se implementó utilizando jsPsych (versión 7.2.1)49mientras realizaba el experimento https://cognition.run. Para garantizar que los estímulos pudieran verse con suficiente claridad y precisión, los participantes solo podían realizar la tarea en una computadora de escritorio o portátil (la tarea se cancelaba si se intentaba ejecutarla en un teléfono móvil). A cada participante se le pidió que calificara un subconjunto aleatorio de 50 objetos familiares y 50 objetos nuevos, que se presentaron en orden aleatorio (Figura 3).
Diseño de estudio integral. Los participantes vieron y calificaron una selección de 50 elementos familiares y 50 nuevos según su familiaridad, interés y atractivo.
Cada prueba fue a su propio ritmo y comenzó con el objeto mostrado en el centro de la pantalla. Los participantes pueden ver e interactuar con el objeto libremente usando el mouse. Los objetos se pueden estirar y rotar, y los participantes pueden mover cada imagen y acercarla o alejarla. El botón Restablecer se puede utilizar para restablecer la imagen a su configuración original.
Una vez satisfechos, los participantes presionaron el botón “Continuar” y se les hicieron tres preguntas: (1) “¿Qué tan famoso es este objeto?«(2)»¿Qué tan interesado estás en este objeto?«Y (3)»¿Qué tan atractivo es este objeto?Las respuestas se registraron en una escala Likert de 7 puntos que van desde nunca (1 litro En la mayor medida (7). Una vez que se completaron todas las respuestas, los participantes presionaron el botón «Continuar» y luego se les mostró el siguiente objeto.
resultados
La principal comparación en las calificaciones de familiaridad fue entre objetos nuevos y familiares. Esto proporcionó evidencia concluyente de que los objetos generados por GAN se percibían como menos populares que los objetos BOSS (Figura 4b; novela).Mediador= 2,19 ± 0,028 SEM, familiarMediador= 6,26 ± 0,033; U = 134, p < 0,0001, bf10= 5,10 x 1021). Además, los objetos nuevos y familiares provocaron grados similares de interés (novedoso = 3,63 ± 0,021, familiar = 3,61 ± 0,039, U = 78509, p = 0,788, BF).10= 0,085). Curiosamente, encontramos que los objetos familiares eran más atractivos que los objetos nuevos (novedoso = 3,04 ± 0,023, familiar = 3,87 ± 0,038, U = 28272, p < 0,0001, BF).10= 2,19 x 1014).
(a(Objetivo y)B) Propiedades intrínsecas de objetos nuevos y familiares. Las distribuciones se visualizan como gráficos de densidad, con los ejes y reflejando las estimaciones de densidad del núcleo. Nota: MSER; regiones extremas de máxima estabilidad, SIFT; Transformación de características invariantes.
Modelos de nuevos organismos que representan aquellos en los extremos de las distribuciones que se muestran en la Figura 4.
En resumen, el conjunto de datos “IMAGINE” incluye 400 objetos generados artificialmente que son perfectamente plausibles, pero que no existen en la realidad. Estos objetos fueron cuidadosamente estandarizados y comparados con un conjunto de datos complementario de 400 objetos familiares. Es importante destacar que los observadores adultos perciben los objetos nuevos como menos familiares que los objetos familiares, pero igualmente atractivos. Esperamos que este conjunto de estímulos facilite la investigación futura en la neurociencia del procesamiento de objetos y la novedad perceptiva.
«Fanático del café. Amable aficionado a los zombis. Devoto practicante de la cultura pop. Malvado defensor de los viajes. Organizador típico».