如何实现200×4排列多观察者实验的最优（反）平衡设计

问题本质 #

你当前方案的核心缺陷是对每名观察者独立随机生成图像序列、畸变序列，两个独立随机排列配对后没有跨观察者的全局约束，因此特定图像-畸变组合的跨被试出现次数完全随机，自然会出现极大方差。
实验的核心约束可以归纳为三点：

• 单观察者约束：每张图像仅出现1次，4种畸变的出现次数尽可能均等，呈现顺序无规律
• 全局约束：所有图像-畸变组合的跨观察者呈现频次尽可能均等，单张图像对应的4种畸变占比接近25%
• 无规律约束：不存在固定的图像位置、畸变位置关联，避免观察者习得呈现规律

初始实现代码（存在缺陷） #

你最初编写的单观察者序列生成代码如下：

image <- sample(1:12) # 图像总数需被4整除，实际场景中超过100张
div <- length(image)/4 # 单序列中每种畸变的图像数量，原代码中length(a)为笔误
distortion <- sample(c(rep("a",div),rep("b",div),rep("c",div),rep("d",div)))
trial_seq <- paste(image, distortion, sep = "")

单序列输出示例符合单观察者要求：

"1b"  "8d"  "4c"  "11d" "9a"  "6b"  "3a"  "7c"  "2b"  "10d" "5c"  "12d"

但扩展到16名观察者时，组合出现频率波动极大，测试代码如下：

shuff <- matrix(NA,16)
div <- 3 # 对应12张图像的参数
for(i in 1:length(shuff)){
  image <- sample(1:12)
  distortion <- sample(c(rep("a",div),rep("b",div),rep("c",div),rep("d",div)))
  trial_seq <- paste(image, distortion, sep = "")
  shuff[i] <- ("2b" %in% trial_seq)*1
}
mean(shuff)

运行后2b组合的出现占比最低可至6%，最高超过40%，不满足全局平衡要求。

高平衡度实现方案 #

设计逻辑 #

不需要构造复杂的拉丁方，通过预分配跨观察者的畸变映射即可实现近乎完美的平衡：

1. 以4名观察者为一个平衡单元，单元内每张图像会分别搭配a、b、c、d四种畸变各1次
2. 若观察者总数不是4的倍数，剩余观察者的畸变分配做轮转即可，所有组合的频次差不超过1
3. 对每名观察者单独打乱图像呈现顺序，避免固定顺序带来的规律泄露

R实现代码 #

# 实验基础参数
n_observer <- 16 # 观察者总数，为4的倍数时可实现完全平衡
n_image <- 120 # 图像总数，无需强制被4整除
distortions <- c("a", "b", "c", "d")

# 预生成所有观察者的实验序列
all_sequences <- list()
for (obs_id in 1:n_observer) {
  # 计算当前观察者的畸变频转偏移量，4个观察者为一个循环
  shift <- (obs_id - 1) %% length(distortions)
  # 生成基础畸变映射，按偏移量轮转
  base_dist_map <- rep(distortions, length.out = n_image)
  obs_dist_map <- base_dist_map[((1:n_image) + shift - 1) %% length(distortions) + 1]
  # 随机打乱图像顺序，同步匹配对应畸变
  shuffle_order <- sample(1:n_image)
  obs_seq <- data.frame(
    trial_id = 1:n_image,
    image_id = shuffle_order,
    distortion = obs_dist_map[shuffle_order],
    combo = paste0(shuffle_order, obs_dist_map[shuffle_order])
  )
  all_sequences[[obs_id]] <- obs_seq
}

# 平衡性校验
all_trials <- do.call(rbind, all_sequences)
# 统计单张图像的畸变分布（以id为2的图像为例）
image2_counts <- table(all_trials[all_trials$image_id == 2, "distortion"])
print(image2_counts)
# 统计所有图像-畸变组合的频次极差
combo_counts <- table(all_trials$combo)
print(paste("所有组合频次极差：", max(combo_counts) - min(combo_counts)))

优化选项 #

• 若需要避免连续试次出现相同畸变，可在打乱顺序后增加校验步骤，对相邻同畸变的试次做随机位置交换，直到满足要求
• 若需要控制特定畸变的连续出现次数上限，可在打乱时加入约束采样，不需要改动全局平衡的核心逻辑

内容的提问来源于stack exchange，提问作者Simon Hviid Del Pin