In de psychofysica wordt met experimenten getracht vast te stellen of de proefpersoon een stimulus kan waarnemen, identificeren, onderscheiden van een andere stimulus, of de grootte of de aard van dit verschil kan beschrijven. Software voor psychofysische experimenten wordt door Strasburger op een rijtje gezet.
Klassieke psychofysische methodenEdit
Psychofysische experimenten maken van oudsher gebruik van drie methoden om de perceptie van proefpersonen te testen in stimulusdetectie- en verschildetectie-experimenten: de methode van grenzen, de methode van constante stimuli en de methode van aanpassing.
Methode van limietenEdit
Bij de oplopende methode van limieten begint een of andere eigenschap van de stimulus op een niveau dat zo laag is dat de stimulus niet kon worden waargenomen, waarna dit niveau geleidelijk wordt verhoogd totdat de deelnemer meldt dat hij zich ervan bewust is. Als het experiment bijvoorbeeld de minimale geluidsamplitude test die kan worden waargenomen, begint het geluid te zacht om te worden waargenomen, en wordt het geleidelijk luider gemaakt. Bij de afnemende grenswaardenmethode is dit omgekeerd. In beide gevallen wordt de drempel beschouwd als het niveau van de stimulus-eigenschap waarbij de stimuli nog net worden waargenomen.
In experimenten worden de oplopende en de aflopende methode afwisselend gebruikt en worden de drempels gemiddeld. Een mogelijk nadeel van deze methoden is dat de proefpersoon eraan gewend kan raken te rapporteren dat hij een stimulus waarneemt en op dezelfde manier kan blijven rapporteren, zelfs voorbij de drempelwaarde (de gewenningsfout). Omgekeerd kan de proefpersoon ook anticiperen dat de stimulus op het punt staat waarneembaar of onwaarneembaar te worden en een voorbarig oordeel vellen (de anticipatiefout).
Om deze mogelijke valkuilen te vermijden, introduceerde Georg von Békésy in 1960 in zijn studie van auditieve perceptie de trapprocedure. Bij deze methode begint het geluid hoorbaar en wordt het na elke reactie van de proefpersoon stiller, totdat de proefpersoon zegt het niet meer te horen. Op dat moment wordt het geluid bij elke stap luider gemaakt, totdat de proefpersoon meldt dat hij het hoort, waarna het geluid in stappen weer stiller wordt gemaakt. Op deze manier kan de experimentator de drempelwaarde “op nul” zetten.
Methode van constante stimuliEdit
In plaats van in oplopende of aflopende volgorde te worden gepresenteerd, worden bij de methode van constante stimuli de niveaus van een bepaalde eigenschap van de stimulus niet van proef tot proef aan elkaar gerelateerd, maar willekeurig gepresenteerd. Dit voorkomt dat de proefpersoon het niveau van de volgende stimulus kan voorspellen, en vermindert derhalve de fouten van gewenning en verwachting. Ook bij “absolute drempels” rapporteert de proefpersoon of hij in staat is de stimulus waar te nemen. Voor “verschildrempels” moet er een constante vergelijkingsstimulus zijn met elk van de verschillende niveaus. Friedrich Hegelmaier beschreef de methode van constante stimuli in een artikel uit 1852. Deze methode maakt volledige bemonstering van de psychometrische functie mogelijk, maar kan resulteren in veel proeven wanneer verschillende condities door elkaar worden gebruikt.
Methode van aanpassingEdit
Bij de methode van aanpassing wordt de proefpersoon gevraagd het niveau van de stimulus te controleren en te veranderen totdat het nog net waarneembaar is tegen de achtergrondruis, of gelijk is aan het niveau van een andere stimulus. De aanpassing wordt vele malen herhaald. Bij deze methode controleren de waarnemers zelf de grootte van de variabele stimulus, te beginnen met een niveau dat duidelijk hoger of lager is dan een standaardstimulus, en variëren zij dit tot zij tevreden zijn over de subjectieve gelijkheid van de twee. Het verschil tussen de variabele stimulus en de standaardstimulus wordt geregistreerd na elke aanpassing, en de fout wordt opgetekend voor een aanzienlijke reeks. Aan het eind wordt het gemiddelde berekend, hetgeen de gemiddelde fout oplevert die als maatstaf voor de gevoeligheid kan worden genomen.
Adaptieve psychofysische methodenEdit
De klassieke methoden van experimenteren worden vaak als inefficiënt beschouwd. Dit komt doordat de psychometrische drempelwaarde vóór het testen meestal onbekend is en de meeste gegevens worden verzameld op punten van de psychometrische functie die weinig informatie geven over de parameter van belang, meestal de drempelwaarde. Er kan gebruik worden gemaakt van adaptieve trapsgewijze procedures (of de klassieke aanpassingsmethode), zodat de bemonsterde punten rond de psychometrische drempel worden geclusterd. De gegevenspunten kunnen ook over een iets groter bereik worden gespreid, indien ook de helling van de psychometrische functie van belang is. Adaptieve methoden kunnen dus worden geoptimaliseerd voor het schatten van alleen de drempel, of zowel drempel als helling. Adaptieve methoden worden ingedeeld in trapsgewijze procedures (zie hieronder) en Bayesiaanse methoden, of methoden op basis van maximale waarschijnlijkheid. Trapsgewijze methoden berusten alleen op de vorige respons en zijn gemakkelijker toe te passen. Bayesiaanse methoden houden rekening met de hele reeks van vorige stimulus-respons paren en zijn over het algemeen robuuster tegen verslapping van de aandacht. Praktische voorbeelden zijn hier te vinden.
Trap proceduresEdit
Trappen beginnen gewoonlijk met een stimulus met een hoge intensiteit, die gemakkelijk te detecteren is. De intensiteit wordt dan verlaagd totdat de waarnemer een fout maakt, waarna de trap wordt ‘omgekeerd’ en de intensiteit wordt verhoogd totdat de waarnemer correct reageert, waardoor een nieuwe omkering wordt veroorzaakt. De waarden voor de laatste van deze “omkeringen” worden vervolgens gemiddeld. Er zijn veel verschillende soorten trappenprocedures, die verschillende beslissings- en beëindigingsregels gebruiken. De grootte van de trappen, de op/neer-regels en de spreiding van de onderliggende psychometrische functie bepalen waar op de psychometrische functie zij convergeren. De drempelwaarden die met trappen worden verkregen kunnen sterk fluctueren, dus moeten zij met zorg worden ontworpen. Veel verschillende trapalgoritmen zijn gemodelleerd en een aantal praktische aanbevelingen zijn gedaan door Garcia-Perez.
Een van de meer gebruikelijke trapontwerpen (met vaste stapgrootte) is de 1-op-N-n-neer trap. Als de deelnemer N keer achter elkaar het juiste antwoord geeft, wordt de stimulusintensiteit met één stapgrootte verlaagd. Als de deelnemer een fout antwoord geeft, wordt de stimulusintensiteit met één stapgrootte verhoogd. Een drempelwaarde wordt geschat op basis van het gemiddelde middenpunt van alle runs. Deze schatting benadert, asymptotisch, de juiste drempel.
Bayesiaanse en maximum-likelihood proceduresEdit
Bayesiaanse en maximum-likelihood (ML) adaptieve procedures gedragen zich, vanuit het perspectief van de waarnemer, vergelijkbaar met de trapprocedures. De keuze van het volgende intensiteitsniveau werkt echter anders: Na elke respons van de waarnemer wordt uit de reeks van deze en alle vorige stimulus/respons-paren de waarschijnlijkheid berekend van waar de drempel ligt. Het punt van de maximale waarschijnlijkheid wordt dan gekozen als de beste schatting voor de drempel, en de volgende stimulus wordt op dat niveau gepresenteerd (aangezien een beslissing op dat niveau de meeste informatie zal toevoegen). In een Bayesiaanse procedure wordt een prior likelihood verder in de berekening opgenomen. In vergelijking met trapsgewijze procedures zijn Bayesiaanse en ML-procedures tijdrovender om uit te voeren, maar ze worden als robuuster beschouwd. Bekende procedures van dit type zijn Quest, ML-PEST, en Kontsevich & Tyler’s methode.
Magnitude estimationEdit
In het prototypische geval wordt mensen gevraagd getallen toe te kennen in verhouding tot de grootte van de stimulus. Deze psychometrische functie van de meetkundige gemiddelden van hun getallen is vaak een machtswet met een stabiele, repliceerbare exponent. Hoewel contexten de wet & exponent kunnen veranderen, is ook die verandering stabiel en repliceerbaar. In plaats van getallen kunnen andere zintuiglijke of cognitieve dimensies worden gebruikt om een stimulus te matchen en de methode wordt dan “magnitude productie” of “cross-modaliteit matching”. De exponenten van die dimensies die bij numerieke magnitudeschatting worden gevonden, voorspellen de exponenten die bij magnitudeschatting worden gevonden. Magnitudeschatting vindt over het algemeen lagere exponenten voor de psychofysische functie dan meervoudig-categorische responsen, vanwege het beperkte bereik van de categorische ankers, zoals die door Likert worden gebruikt als items in attitudeschalen.