La técnica de correlación inversa es un método de estudio basado en datos que se utiliza principalmente en investigaciones psicológicas y neurofisiológicas. [1] Este método obtuvo su nombre debido a sus orígenes en la neurofisiología, donde las correlaciones cruzadas entre los estímulos de ruido blanco y los picos neuronales que ocurren escasamente podrían calcularse más rápido cuando solo se calculan para los segmentos que preceden a los picos. [1] [2] [3] Desde entonces, el término ha sido adoptado en experimentos psicológicos que generalmente no analizan la dimensión temporal, pero también presentan ruido a los participantes humanos. En contraste con el significado original, aquí se piensa que el término refleja que la práctica psicológica estándar de presentar estímulos de categorías definidas a los participantes es "invertida": en cambio, las representaciones mentales de las categorías del participante se estiman a partir de las interacciones del ruido presentado y las respuestas conductuales. [4] Se utiliza para crear imágenes compuestas de representaciones mentales individuales y/o grupales de varios elementos (por ejemplo, caras, [5] cuerpos, [6] y el yo [7] ) que representan características de dichos elementos (por ejemplo, confiabilidad [ 8] e imagen corporal propia [9] ). Esta técnica es útil a la hora de evaluar las representaciones mentales de personas con y sin enfermedades mentales. [10]
Esta técnica utiliza un promedio activado por picos para explicar qué áreas de señal y ruido en una imagen son valiosas para la pregunta de investigación determinada. La señal es información que se utiliza para producir objetos de valor que ayudan a explicar y conectar el mundo que nos rodea. [11] El ruido se conoce comúnmente como una señal no deseada que oscurece la información que la señal intenta presentar. [12] Lo más importante para los estudios de correlación inversa es que el ruido es información que varía aleatoriamente. Para determinar las áreas de importancia mediante correlación inversa, se aplica ruido a una imagen base y luego los observadores lo evalúan. Una imagen base es cualquier imagen sin ruido que se relacione con la pregunta de investigación. Una imagen base que tiene ruido superpuesto en la parte superior son los estímulos que se presentan y evalúan a los participantes. [4] Cada vez que se presenta un nuevo conjunto de estímulos a un participante, esto se conoce como prueba. Después de que un participante ha respondido a cientos o miles de ensayos, un investigador está listo para crear una imagen de clasificación. Una imagen de clasificación (abreviada como "CI" en algunos estudios) es una imagen única que representa los patrones de ruido promedio en las imágenes seleccionadas por los participantes. [4] También se puede calcular una imagen de clasificación para grupos promediando las imágenes de clasificación de los individuos. [4] Estas imágenes de clasificación son las que los investigadores utilizan para interpretar los datos y sacar conclusiones. En conjunto, el método de correlación inversa es un proceso que da como resultado una imagen compuesta (de un individuo o grupo) que puede usarse para estimar e interpretar representaciones mentales.
El término función revcor se utiliza a veces para describir las aproximaciones de respuesta al impulso derivadas del promedio activado por picos.
El método de correlación inversa normalmente se ejecuta como un experimento informático en el laboratorio. Este método sigue cuatro pasos generales. Cada uno de los siguientes pasos se describe con mayor detalle a continuación.
Después de crear una pregunta de investigación y determinar que el método de correlación inversa es la técnica más adecuada para responder la pregunta, un investigador debe (1) diseñar estímulos que varían aleatoriamente. [4] Una vez preparados los estímulos, un investigador debe (2) recopilar datos de los participantes que verán y responderán a aproximadamente 300 -1000 ensayos. [4] [13] Cada prueba constará de una o dos imágenes (una al lado de la otra) derivadas de la misma imagen base con ruido superpuesto en la parte superior. Las respuestas de los participantes dependerán del diseño de estudio elegido; Si un investigador presenta solo una imagen a la vez, los participantes califican la imagen en una escala de 4 puntos, pero cuando se muestran dos imágenes, se le pide al participante que elija cuál se alinea mejor con la categoría dada (por ejemplo, elegir la imagen que parece más agresiva). ). [4] Una vez que se recopilen todos los datos, el investigador (3) calculará imágenes de clasificación para cada participante y, utilizando esas imágenes, calculará imágenes de clasificación grupal. [4] Finalmente, con las imágenes de clasificación disponibles, el investigador (4) evaluará las imágenes y sacará conclusiones sobre sus resultados. [4]
Al diseñar los estímulos para un estudio de correlación inversa, los dos factores principales que se deben considerar son (1) la imagen base y (2) el ruido que se utilizará. [4] Si bien no todas las bases son imágenes per se, la mayoría lo son y por esta razón la base generalmente se denomina imagen base. La imagen base debe representar cualquier cosa que aborde la pregunta de investigación. Por ejemplo, si está interesado en las representaciones mentales que la gente tiene de los chinos, no tendría sentido utilizar una imagen básica de una persona española o caucásica. Nuevamente, si está interesado en las representaciones mentales de los patrones vocales masculinos, tendría más sentido utilizar un patrón vocal base que haya sido producido por un hombre. [4]
Tener una base es importante porque proporciona una especie de ancla desde la que los participantes pueden trabajar. Cuando no hay una imagen base, el número de pruebas necesarias aumenta drásticamente, lo que dificulta la recopilación de datos. [4] Si bien hay estudios que han excluido una imagen base (por ejemplo, el estudio S [14] ), para preguntas de investigación más elaboradas y matizadas, es importante tener una imagen base que sea una representación justa de lo que están siendo los participantes. pidió categorizar. Las fotografías de rostros suelen ser la imagen base más popular.
Aunque el método de correlación inversa es capaz de investigar una amplia variedad de preguntas de investigación, la aplicación más común del método es evaluar rostros según un solo rasgo. Los estudios de correlación inversa que abordan evaluaciones del rostro a veces se denominan modelo de correlación inversa del espacio facial (FSRCM). [15] Afortunadamente, existen bases de datos para imágenes de rostros de diferentes datos demográficos y emociones que funcionan bien como imágenes base.
El método de correlación inversa también se puede utilizar para ayudar a los investigadores a identificar qué áreas de una imagen (por ejemplo, las áreas de la cara) tienen valor diagnóstico. [15] Para identificar estas áreas de valor, los investigadores comienzan minimizando el espacio del que un participante puede extraer información. Al imponer una “máscara” a una imagen (por ejemplo, desenfocar una imagen dejando áreas aleatorias sin desenfocar), se reduce la información que las personas pueden ver y los obliga a concentrarse en ciertas áreas. [15] Luego, si los participantes son capaces de identificar correctamente una imagen con un rasgo repetidamente, podemos sacar conclusiones sobre qué áreas tienen valor diagnóstico. [15]
Si bien los rostros y los estímulos visuales son los más populares, estos no son los únicos estímulos que se pueden utilizar en un estudio de correlación inversa. Este método fue diseñado originalmente para estímulos auditivos, lo que permite a los investigadores investigar cómo los perceptores interpretan la información auditiva y crean atribuciones basadas en rasgos a diferentes patrones de sonido. [15] Por ejemplo, al segmentar una grabación vocal de una sola palabra (tiempo total de sonido 426 ms) en seis segmentos (71 ms cada uno) y variar el tono de cada segmento usando distribuciones gaussianas, los investigadores pudieron descubrir qué patrones vocales asociaban las personas. con ciertos rasgos. [16] Específicamente, este estudio investigó cómo los oyentes calificaron los clips de sonido de la palabra "realmente" como más interrogativos (es decir, al igual que los estudios de correlación inversa más comunes, este estudio hizo que los participantes escucharan dos clips de sonido por prueba, eligieran cuál encajaba en la categoría mejor, y luego creó un promedio de los contornos de tono). [16] Más allá de la percepción facial y auditiva, la investigación que utiliza el método de correlación inversa se ha ampliado para investigar cómo las personas ven objetos tridimensionales en imágenes con ruido (pero sin señal). [17] [18]
Después de seleccionar su imagen base, independientemente de cuál sea la imagen, es útil aplicar un desenfoque gaussiano para suavizar el ruido en la imagen. Si bien el ruido se aplicará más adelante, es útil reducir el ruido existente en la foto antes de aplicar el ruido elegido. [4] Hay tres opciones principales cuando se trata de ruido: ruido blanco , ruido de onda sinusoidal y ruido de Gabor . [4] Los dos últimos limitan las configuraciones que puede tener el ruido y, debido a esto, el ruido blanco suele ser el más utilizado. [4] Independientemente del tipo de ruido que se elija, es crucial que el ruido varíe aleatoriamente. [4]
Una vez que se han desarrollado los estímulos para el estudio, el investigador debe tomar algunas decisiones antes de recopilar los datos. El investigador debe llegar a una conclusión sobre cuántos estímulos se presentarán a la vez y cuántas pruebas verán los participantes.
En términos de presentación de estímulos, un investigador puede elegir entre una Elección forzada de 2 imágenes (2IFC) o una Elección forzada de 4 alternativas (4AFC). El 2IFC presenta dos imágenes a la vez (una al lado de la otra) y requiere que los participantes elijan entre las dos en una categoría específica (por ejemplo, qué imagen se parece más a un hombre). [4] Normalmente, el ruido de la imagen de la izquierda es la inversa matemática del ruido de la imagen de la derecha. Este método se desarrolló para responder mejor a las preguntas que el método 4AFC no pudo responder completamente. En comparación con el 2IFC, el 4AFC solo muestra a los participantes una imagen por prueba y les exige que califiquen la imagen en una escala de 4 puntos ((1) Probablemente X, (2) Posiblemente X, (3) Posiblemente Y, (4) Probablemente sí). [4] Por ejemplo, aquí X podría representar hombre e Y podría representar mujer. Normalmente, durante el análisis de datos, sólo se incluyen las imágenes que se eligen como categoría "probablemente". [4]
Como se mencionó anteriormente, la 2IFC fue diseñada para abordar preguntas que la 4AFC no podía responder fácilmente. En el 4AFC, existe la posibilidad de que los participantes no elijan una categoría “probablemente” y, si esto sucede, no se podrá calcular ninguna imagen de clasificación. [4] Por ejemplo, si la imagen base no se parece a la representación mental sobre la que se les pide a los participantes que informen, es posible que los participantes nunca tomen una decisión segura y clasifiquen la imagen en una categoría "probablemente". [4] Si bien esto es un defecto del 4AFC, una ventaja de este método y estructura de escala es que los investigadores pueden ver los juicios de certeza de los participantes sobre sus decisiones de clasificación (por ejemplo, una etiqueta probablemente X sugeriría una mayor confianza en su decisión que una etiqueta posiblemente X etiqueta). [4]
En cuanto a la elección del número de ensayos, generalmente los investigadores que realizan un estudio de correlación inversa presentan a los participantes entre 300 y 1000 ensayos. [13]
Nuevamente, una imagen de clasificación es el ruido promedio calculado de todas las imágenes seleccionadas (estímulos). Se pueden generar imágenes de clasificación para individuos o para el grupo. Calcular una imagen de clasificación para individuos y grupos es ligeramente diferente. [4] Para calcular una imagen de clasificación para un individuo, el investigador comenzará creando un promedio del ruido de todas las imágenes seleccionadas y luego superpondrá ese patrón en la imagen base. Antes de superponer el ruido, se escala para que se ajuste a la imagen base (es decir, las intensidades de píxeles más pequeñas y más grandes se hacen coincidir con los píxeles de la imagen base). [4] Para generar una imagen de clasificación para un grupo, el investigador manejará cada imagen de clasificación individual por separado (asegurándose de escalar los píxeles de forma independiente) o aplicará una escala dependiente. Una escala dependiente se denomina así porque la escala que se aplica a todas las imágenes de clasificación depende de la imagen con el mayor rango de píxeles. [4] Utilizando esta única imagen y su rango de píxeles, el investigador hará coincidir los píxeles de la imagen de clasificación con los píxeles de la imagen base. El factor de escala utilizado para esta imagen se aplica luego a las imágenes de clasificación restantes. [4] Al elegir entre estos dos enfoques, tenga en cuenta que en la clasificación de imágenes con poca señal, el escalado independiente amplifica la señal y el ruido más que el escalado dependiente. [4] Si el investigador está interesado en la intensidad de la señal, se sugiere que utilice una escala dependiente. [4]
Al calcular una imagen de clasificación, es fundamental considerar cómo el ruido externo afectará su relación señal-ruido (SNR). La SNR es la relación entre la entrada deseada (por ejemplo, señal) y la información no deseada (por ejemplo, ruido). [19] Una forma de producir una SNR alta (cuando los observadores son imparciales) es usar esta fórmula C=( N A A + N B A )-( N A B + N B B ). [19] Estos investigadores han encontrado los parámetros experimentales óptimos para diferentes diseños de estudio que darán como resultado una SNR alta.
Después de calcular las imágenes de clasificación para los participantes individuales y/o para el grupo, el investigador utilizará estas imágenes para sacar conclusiones sobre sus preguntas de investigación. Sin embargo, aunque no siempre es el caso, ocasionalmente después de que se haya generado el primer conjunto de imágenes de clasificación, los investigadores tomarán estas imágenes y las presentarán a una nueva muestra de participantes y les pedirán que las califiquen según un factor de interés posterior. Este proceso se conoce como correlación inversa de dos fases. [4] Por ejemplo, si se calculara una imagen de clasificación después de que se pidiera a los participantes que eligieran la imagen que más se pareciera a un oficial de policía, las imágenes de clasificación generadas podrían luego presentarse a una nueva muestra que evaluaría las imágenes en función de cuán agresivas eran las imágenes. las caras miran. Este proceso hace que sea más fácil sacar conclusiones sobre los datos. Si bien este paso puede facilitar la obtención de conclusiones, se debe tener cuidado de no reunir a demasiados participantes en la segunda fase, porque un número elevado de participantes hará que las diferencias más pequeñas parezcan significativas, lo que resultará en un error de tipo 1 . [13]
Si bien la correlación inversa se utiliza normalmente para crear una representación visual de un único rasgo, este método tiene la capacidad de crear una representación visual de más de un rasgo en una imagen. [20] Al utilizar la misma imagen base y el mismo ruido, se puede crear una imagen de clasificación del rasgo 1 y una imagen de clasificación del rasgo 2, y luego crear una fotografía agregada de las dos imágenes de clasificación (creando así una nueva imagen de clasificación que incorpora dos imágenes sociales). rasgos). [20]
Además, los investigadores han investigado cómo el proceso de toma de decisiones impacta y se refleja en el método de correlación inversa y han descubierto que existe una relación significativa entre ellos. Por lo tanto, al interpretar los resultados utilizando el método de correlación inversa, los investigadores deben tener cuidado de no ignorar cómo el proceso de toma de decisiones puede influir en los datos. [21]
Leer la señal en una imagen de clasificación puede resultar complicado. Al intentar interpretar la señal, los investigadores sugieren que la mejor práctica es utilizar una métrica desarrollada recientemente denominada "infoVal". [22] “InfoVal” compara el valor informativo en la imagen de clasificación calculada con una distribución aleatoria. [22] Interpretar una medida “infoVal” es similar a interpretar una puntuación z. [22]
{{cite journal}}: Citar diario requiere |journal=( ayuda )