class: center, middle, inverse, title-slide # Datenanalyse ## Teil 7
Mentale Chronometry ### Andrew Ellis ### Methodenkurs Neurowissenschaft im Computerlab ### 2021-04-27 --- layout: true <!-- Home icon --> <div class="my-footer"> <span> <a href="https://kogpsy.github.io/neuroscicomplab" target="_blank">
</a> Methodenkurs Neurowissenschaft im Computerlab </span> </div> <!-- Name (left) --> <!-- <div class="my-footer"> --> <!-- <span> --> <!-- Andrew Ellis - <a href="https://kogpsy.github.io/neuroscicomplab" target="_blank">kogpsy.github.io/neuroscicomplab</a> --> <!-- </span> --> <!-- </div> --> <!-- slide separator (for xaringan) --> --- ## Reaktionszeiten Reaktionszeiten sind neben binären Daten ebenfalls sehr häufig anzutreffen in der experimentellen Psychologie/Neuroscience - Reaction tasks - Go/No Go tasks - Discrimination tasks Wir gehen davon, aus, dass die Zeit, die benötigt wird, um einen Task auszuführen, bedeutsam ist. --- ## Beipiel Daten aus einem Experiement mit 3 Blöcken: 1) Reaction task Versuchspersonen drücken SPACE-Taste wenn ein Stimulus erscheint (Quadrat oder Kreis). Outcome Variable: Reaktionszeit 2) Go/No-Go task Versuchspersonen drücken SPACE-Taste wenn Target erscheint (entweder Quadrat oder Kreis) Outcome Variable: Reaktionszeit und Antwort 3) Discrimination task Versuchspersonen drücken F-Taste wenn ein Quadrat erscheint, J-Taste wenn ein Kreis erscheint. Outcome Variable: Reaktionszeit und Antwort **Annahme**: Versuchspersonen brauchen im Reaction task am wenigsten Zeit, um eine korrekte Antwort zu geben, gefolgt vom Go/No-Go task. Im Discrimination task brauchen Versuchspersonen länger, um korrekte Antworten zu geben. --- .panelset[ .panel[.panel-name[Daten laden] ```r mentalchronometry <- read_csv("https://raw.githubusercontent.com/kogpsy/neuroscicomplab/main/data/mental-chronometry.csv") %>% mutate(across(c(subj, block, stimulus, handedness, gender), ~as_factor(.))) ``` ] .panel[.panel-name[Zufällig Vpn auswählen] ```r subjects <- sample(levels(mentalchronometry$subj), 6) df <- mentalchronometry %>% filter(subj %in% subjects) ``` ] .panel[.panel-name[Histogramme] ```r df %>% ggplot(aes(RT, fill = block)) + geom_histogram(alpha = 1.0, position = "identity") + scale_fill_viridis_d(end = 0.8) + facet_grid(block ~ subj, scales = "free_x") + theme(legend.position = "none") ``` <img src="07-mental-chronometry-slides_files/figure-html/unnamed-chunk-4-1.png" width="100%" /> ] .panel[.panel-name[Violin Plots] ```r df %>% filter(subj %in% subjects) %>% ggplot(aes(y = RT, x = block, fill = block)) + geom_violin(alpha = 0.6) + geom_jitter(width = 0.1) + scale_fill_viridis_d(end = 0.8) + facet_wrap(~ subj, scales = "free_x") + theme(legend.position = "none") ``` <img src="07-mental-chronometry-slides_files/figure-html/unnamed-chunk-5-1.png" width="100%" /> ]] --- .your-turn[ 1) Überlegen Sie sich, was Sie mit diesen Daten machen können 2) Welche Kennzahlen eignen sich gut, um die Daten zu beschreiben? 3) Berechnen Sie die mittlere Reaktionszeit pro Block für jede Person individuell. 4) Berechnen Sie die mittlere Reaktionszeit pro Block über alle Personen aggregiert. ]