显示带有标签的帖子 Gf. 显示所有帖子
显示带有标签的帖子 Gf. 显示所有帖子

2020年11月7日星期六

对Gs的更多支持—>Gwm—>—根据CHC分类标准的Gf / GC发展级联模型

 More support for the 发展级联模型


Speed of processing, control of processing, 工作记忆 和 crystallized 和 流体智能: Evidence for a 发展级联 

安娜·图尔娃(George Spanoudis)
 
关键词:流体智能结晶智能工作记忆处理速度执行注意力发展级联模型 

A B S T R A C T 

本研究调查了年龄,加工速度,加工控制,工作记忆和智力,流体和结晶之间的因果关系。 158位7至18岁的参与者完成了一系列测试,这些测试测量了速度,处理控制和工作记忆的潜在因素。使用Wechsler缩写智力量表评估智力。进行结构方程建模以确定是否存在认知-发展级联,在该级联中,与年龄相关的处理速度的提高导致处理控制的改进,从而导致工作记忆的增加,而改进的工作记忆是否反过来又导致流体和结晶智能均增加。还测试了上述因素的不同层叠顺序的几种替代模型。本研究的结果提供了认知发展级联的证据,证实了该模型描述了儿童期和青春期的认知发展。 

点击图片放大。








2020年5月21日,星期四

白质很重要—Gf和白质连通性

来自白质功能连接体的单个一般流体智力的神经标记。 链接.

焦莉1,巴拉特·比斯瓦尔,姚猛,杨思琪,段旭军,钱谦,陈华夫和廖伟

抽象

神经影像学研究发现了人类一般体液智力(Gf)中个体差异的神经根。 Gf的特征是大脑灰质中特定神经回路的功能。然而,尚不清楚Gf与脑白质(WM)中神经功能之间的关联。给定WM中血氧水平依赖性功能性磁共振成像(BOLD-fMRI)信号的可靠检测,我们在WM中使用了功能性而不是解剖性的神经标记物来识别个体Gf。我们收集了正常志愿者在休息时的纵向BOLD-fMRI数据(共3次,在时间1和时间2之间约11个月,在时间1和时间3之间约29个月),并确定了预测单个Gf的WM功能性连接体在时间1(n = 326)。通过内部验证分析,我们证明了在时间1构建的预测模型从时间2的WM功能连接组预测了个体的Gf(时间1∩时间2:n = 105),然后在时间3(时间1)∩时间3:n = 83)。通过外部验证分析,我们证明了从时间1开始的预测模型已推广到另一个中心(n = 53)看不见的个体。从解剖学角度来看,显示出较高预测能力的WM功能连接主要包括上纵筋膜系统,额叶深部WM和腹侧额叶前束。因此,这些结果表明,WM功能性连接体提供了Gf的新型适用神经标志物,并补充了灰质连接体以探索大脑–行为关系。

点击图片放大图片







2020年5月10日,星期日

Attentional control has 在direct effect on Gf via 工作记忆 (Gwm)


另一个 研究  supporting 注意控制 (AC) as having an 在direct causal effect on Gf mediated via 工作记忆 (Gwm).





抽象

人类流体智能源于各种认知过程的相互作用。尽管一些经典模型将智能描述为统一的“general ability,”许多不同的研究表明,将智力至少部分分解为一组辅助认知功能是可能的。这项工作大部分集中在智能与工作内存之间的关系上,更具体地说,是在智能与工作内存的容量加载方面之间的关系。这些理论侧重于域通用处理能力限制,而不是专门与工作内存任务相关的限制。在其他能力受限任务上的表现,即使那些通常被标记为“attention tasks,”因此也可能与流体智能有关。我们在7至9岁的儿童和成年人中测试了广泛的注意力和工作记忆任务,并使用这些认知测量的结果预测了智力得分。在13项措施中,我们没有观察到任何一个“positive manifold”这将表明人们对智力具有一般能力的理解。取而代之的是,我们发现少量的量度与智力得分有关。更具体地说,我们发现了两个通常标记为“attentional measures”,多对象跟踪和
枚举和两个通常标记为的任务“working 记忆” measures, N-back 和 Spatial Span, were reliably related to 情报. However, the links between 注意 和 情报 scores were fully mediated 通过 工作记忆 measures. In contrast, 注意 scores did not mediate the relations between 工作记忆 和 情报. Furthermore, these patterns were 在distinguishable across age groups, 在dicating ahierarchical cognitive basis of 情报 that is stable from childhood 在to adulthood.
研究

2020年2月29日,星期六

空间能力(Gv)和数学(Gq; Gf-RQ):荟萃分析






方X& Li Zhang  & Xu Chen & Ziqiang Xin


抽象

空间能力和数学能力之间的关系是有争议的。因此,本研究对73项研究进行了荟萃分析,分析了263种效应大小,以探讨空间能力与数学能力之间的关系。此外,我们探索了调节这种关系的潜在因素。结果表明,数学和空间能力之间的关系不是简单的线性关系。具体而言,逻辑推理与空间能力的联系比数字或算术能力与空间能力的联系强。内在动力,内在静态,外在动力,外在静态空间能力和视觉–空间记忆与数学能力显示出可比的关联。空间和数学能力之间的关联表明,儿童,青少年和成人之间没有差异,典型的发育个体和发育障碍个体之间也没有差异。讨论了这些发现对理论和实践的意义。

关键词空间能力。数学能力。荟萃分析。 robumeta包。空间训练。


对理论和实践的启示

“我们的研究可以阐明我们对空间和数学能力之间关系的理解。空间能力和数学能力之间的关系不只是线性的。我们的适度分析表明,逻辑推理与空间能力的关联要强于数字和算术能力。因此,在检查空间能力与数学能力之间的关联机制时,应分别检查数学能力的每个领域。当前的研究具有重要的教育意义。尽管我们没有证明空间能力与数学能力之间的因果关系,但我们的发现可能会提供一些有关如何训练空间能力以提高儿童数学能力的教学建议。值得注意的是,Sorby等人最近的一项干预研究。 (2018)证明了空间干预对STEM相关技能的积极作用,并且一些研究表明空间训练可以提高数学成绩(Cheng 和 Mix 2014; Clements et al.2011; Sorby 和 Baartmans 2000)。首先,我们的发现阐明了应该选择哪种空间能力训练。当前的研究表明,空间能力的不同领域在相似程度上与数学能力相关。因此,在教育实践中应鼓励在空间能力的其他领域进行训练,而不仅仅是内在动态空间能力(Cheng 和 Mix 2014; Clements等人2011; Taylor 和 Hutton 2013)。此外,我们的发现揭示了何时开始进行空间能力训练。这项研究表明,空间能力和数学能力之间的紧密联系存在于儿童期和青春期。因此,空间训练对儿童和青少年都可能有益。对于儿童来说,空间训练可以植根于现实世界,通过使用常规活动(例如折叠纸,剪纸(Burte等人,2017)和乐高积木(Nath 和Szücs,2014))来发展直接的经验。对于小鹿角,最好通过涉及一系列空间技能的理论和实践的综合课程来进行空间培训(Miller和Halpern 2013; Patkin和Dayan 2013; Sorby等人2013)。”

教育心理学评论

2019年12月14日星期六

中学时期跨性别和跨性别的3-D心理旋转与数学推理技能之间关系的纵向分析

根据CHC智能模型在Gv和Gq / Gf下归档

中学时期跨性别和跨性别的3-D心理旋转与数学推理技能之间关系的纵向分析

凯特琳·麦克弗兰(Caitlin McPherran Lombardia),贝丝·M·凯西(Beth M.

认知与发展学报2019,VOL。 20号4,487–509 
//doi.org/10.1080/15248372.2019.1614592

抽象

数学推理和3-d心理旋转技能的发展是交织在一起的。然而,目前尚不了解这些认知过程如何在人际层面纵向发展和互动–性别内或性别间。在这项研究中,从3-5年级对553名学生(52%的女孩)进行了3 d心理旋转空间技能(每年秋季评估)以及数字和代数数学推理技能(每年春季评估)的评估。在所有三个年级以及五年级和七年级的数学推理测试中,男孩的表现都优于女孩。与人与人之间比较的文献一致,在整个样本中以及对于男女,心理旋转和数学推理能力之间存在正相关。为了隔离早期和后期表演之间的人际关联,使用了随机的交叉拦截交叉滞后面板模型来控制这些令人困惑的组级别差异。最初在五年级时,数学推理就预测了随后的六年级心理旋转技能。到七年级时,更高级的心理旋转技能与随后的数学推理技能相关联,而数学推理技能不再能够预测心理旋转技能。对性别差异的调查显示,这种模式是由男孩驱动的,而女孩的人际变化较少。这些发现表明,男孩可能最初会部分依靠他们的数学推理技能来解决3-d心理旋转任务。然而,随着他们的3-d心理旋转技能的成熟,他们开始主要依靠这些发展中的空间技能来解决数学推理问题,而不是反过来

2018年6月9日,星期六

精神旋转和流体智力:脑电势分析

Gv和Gf下的文件

精神旋转和流体智力:脑电势分析
情报69 (2018) 146–157. 文章链接。

Vincenzo Varrialea,Maurits W.van der Molenb,Vilfredo De Pascalis


抽象

当前的研究使用性能指标和脑电势指数来检验心理旋转与流体智力之间的关系。参加者进行了Raven的渐进式矩阵测试,并执行了心理旋转任务,该任务表现出直立和旋转的字母刺激(60°, 120° or 180°),并且需要根据说明执行或禁止响应的正常和镜像图像。性能结果表明,线性斜率与性能精度有关,而与速度无关,与刺激的角旋转有关,与流体智能的个体差异有关。对于直立刺激,在额叶和中央区域记录的P3振幅与体液智力得分呈正相关。精神旋转过程与顶叶皮层上记录的脑电势的负移有关。将与旋转相关的负数的幅度与旋转角度相关的线性函数与流体智能相关。高能力参与者相对于低能力参与者的斜率更为明显,这表明前者可以根据精神旋转需求灵活地调整他们的脑力劳动支出,而后者则不那么熟练。


-使用iPad上的BlogPress发布

2018年6月3日星期日

可视化,归纳推理和记忆跨度是流体智能的组成部分:对技术教育的启示

File under CHC domains of Gf, 毛重, GC 和 干

可视化,归纳推理和记忆是流体智能的组成部分:对技术教育的启示。 林琳k。

Jeffrey Buckleya,Niall Seerya,Donal Cantyc,Lena Gumaelius

国际教育研究杂志,90(2018)64–77

抽象

技术教育的哲学和认识论是相对独特的,因为该学科主要侧重于获取任务特定的相关知识,而不是具有明确的认识论学科边界。此外,技术教育中的情报研究很少。为了支持技术教育中的学习研究,本文描述了两项旨在识别属于流体智力的认知因素的研究。结果表明,可视化,短期记忆跨度和归纳推理的综合可占流体智能方差的大约28%至43%。为这些因素在技术教育中的重要性提供了理论基础,并讨论了它们在认知干预中的未来考虑。


-使用iPad上的BlogPress发布

2018年5月16日星期三

更高的智力与更有效地组织大脑有关-更大/更大/更不总是更好




点击图片可放大

树突状密度和灰质中乔木的扩散标记可预测智力差异。 文章链接.

ErhanGenç,Christoph Fraenz,CarolineSchlüter,Patrick Friedrich,RüdigerHossiep,Manuel C.Voelkle,Josef M.Ling,OnurGüntürkün,& Rex E. Jung

抽象

先前的研究表明,具有较高智力的人更有可能在主要位于顶额额叶区域的大脑区域中具有较大的灰质体积。这些发现通常被解释为意味着大脑皮层容量更大的个体拥有更多的神经元,因此在推理过程中展现出更多的计算能力。此外,神经影像研究表明,聪明人尽管大脑较大,但在推理过程中往往表现出较低的大脑活动率。但是,尚不清楚这两个观察结果的微观结构。通过将先进的多壳扩散张量成像与文化公平的矩阵推理测试相结合,我们发现健康个体的较高智力与较低的树突密度和乔化值有关。这些结果表明,与较高智能相关的神经元电路以稀疏而有效的方式组织,从而在推理过程中促进了更直接的信息处理和更少的皮层活动。

从讨论

两者合计,本研究的结果有助于我们以两种方式理解人类智能差异。首先,我们的发现证实了先前研究的重要发现,即,大脑越大,神经元越多,其智力就越高。 其次,我们证明了高智能与稀疏且组织良好的树突状乔木的皮质地幔有关,从而提高了处理速度和网络效率。重要的是,从我们的实验样品中获得的发现通过对人类连接基因组计划中独立验证样品的分析得到了证实25



-使用iPad上的BlogPress发布

2018年4月26日星期四

读写能力与语言发展关系的元分析SEM

使用元分析结构方程模型研究语言与素养之间关系的发展变化。 文章链接.

杰米·奎因·理查德·瓦格纳

这篇综述的目的是向儿童发展的读者介绍元分析结构方程建模(MASEM)技术。提供了MASEM方法的背景,讨论了其在儿童发育研究中的效用,以及该技术在阅读理解(RC)发展研究中的应用。 MASEM使用两阶段方法:首先,它提供包含变量的复合相关矩阵,其次,它适合假设的先验模型。提供的MASEM应用程序使用了大样本(N = 1,205,581)的学生(3.5岁)–46.225)从155个研究中研究了RC组件的因素结构和关系。讨论了使用这种技术来研究开发的实际意义。

点击图片放大。









-使用iPad上的BlogPress发布

2018年4月14日星期六

可能的Gf子流程

有趣的概念框架,用于了解Gf任务的绩效。但是,重要的是要注意,因素分析研究已经建议了许多子过程,这些子过程不一定适合此基于任务分析的模型。

有助于流畅推理性能的多个过程的签名(文章链接)

Ehsan Shokri-Kojoria和Daniel C. Krawczyk


A R T I C L E I N F O

关键词:流体智能个体差异多进程Raven渐进矩阵

A B S T R A C T

我们旨在更好地理解流体推理(或流体智力; Gf)的认知过程,即在新情况下的推理能力。尽管流体推理通常被认为是一个整体的结构,但预计多个认知过程会影响流体推理的性能。然而,各种认知过程在流体推理性能中的贡献仍未得到充分研究。我们假设流体智能的个体差异可以看作是Gf各个过程中表现的个体差异的综合。变更检测,规则验证和规则生成是在新颖的视觉空间推理任务中附加招募的三个感兴趣的过程。我们观察到,随着任务条件的增长,处理要求的提高会降低准确性并缩短响应时间。分层多元线性回归分析显示,这些过程中每个过程的成功可能性和速度的个体差异,导致了流体推理性能准确性和响应时间方面个体差异的不同方面,这是由Raven的渐进矩阵所衡量的。变更检测是视觉空间需求较高的问题对性能的重要贡献,但是,规则验证和规则生成始终对所有问题类型的性能都有贡献。我们的发现支持这样的观点,即流体智力的个体差异是可分离认知操作的综合表现,规则处理对于区分高难度问题的表现至关重要。

点击图片可放大



-使用iPad上的BlogPress发布

2017年12月9日星期六

研究领域:视觉空间能力在乌鸦中的作用'渐进矩阵

根据CHC理论在Gf和Gv下归档。

的 Role of Visuospatial Ability 在 the Raven'渐进矩阵

Nicolette A.Waschl,Ted Nettelbeck和Nicholas R.Burns

澳大利亚阿德莱德大学心理学院

抽象:

自从Raven的渐进矩阵(RPM)提出以来,围绕视觉空间能力在性能中的作用的争论就已经存在。这个问题尚未得到充分解决,并且可能会对分数中的性别差异产生影响。因此,本研究旨在检查RPM性能,视觉空间能力和流体能力之间的关系,以及这些关系中的任何性别差异。数据来自三个样本:两个大学样本完成了高级RPM,一个男性人群基于样本完成了标准RPM。所有样品另外完成了对流体能力的另一种测量,以及一种或多种视觉空间能力的测量。结构方程模型用于检查视觉空间和流体能力测试的性能与RPM的性能之间的关系。发现视觉空间能力比流体能力对RPM的性能有显着贡献,从而支持了视觉空间能力与RPM性能有关的争论。尽管视觉空间能力的性别差异可以解释RPM得分的性别差异,但在这种关系中未发现性别差异。

关键字:乌鸦的进步矩阵,流动能力,视觉空间能力,性别差异

点击图片放大。 文章链接.







-使用iPad上的BlogPress发布

2017年11月10日,星期五

研究领域:通用情报仅比高阶处理的速度快吗?

尽管样本量很小,但这仍然是有趣的研究。结果与g,Gf,Gwm的持续联系,注意力控制和高阶处理的速度(尤其是ERP中的P300)一致’s),白质道完整性和智能的PFIT模型以及g的最新过程重叠理论(POT)。

点击图片放大









文章链接.

Anna-Lena Schubert,Dirk Hagemann和Gidon T.Frischkorn Heidelberg University

抽象

假设信息处理速度的个体差异会引起一般智力的个体差异。与此假设相一致,反应时间(RTs)和事件相关电位潜伏期已被证明与智力有中等程度的关联。这些关联已根据一些大脑范围的属性(如髓鞘形成,神经振荡的速度或白质完整性)的个体差异,或根据特定过程(如信号转证据积累,执行控制或胆碱能系统中的噪声比。在这里,我们从122位参与者的样本中显示,他们在记录了EEG的同时在2个实验室会议上完成了一系列的RT任务,即聪明的人具有更高的信息处理速度,可以解释大约80%的方差。一般情报。我们的结果不支持这样的观念,即具有较高一般智力的人在某些全脑财产中显示出优势。取而代之的是,他们认为,更聪明的人将从信息的更有效传输中受益,这些信息从正面注意力和工作记忆过程到记忆存储的时顶过程。

关键字:ERP延迟,事件相关的电位,智能,处理速度,反应时间



-使用iPad上的BlogPress发布

2017年11月4日星期六

数学(Gq)天赋:认知,惯常和神经变量的回顾

点击图片可放大。

文章链接.




抽象

大多数数学认知研究的重点是理解正常的成人功能和儿童发育以及轻度和中度受损的数学技能,通常被称为发育性旋肌障碍和/或数学学习障碍。相比之下,关于成人和儿童的天赋/优秀数学知识的认知和神经相关性的研究很少。为了促进对该领域的进一步研究,在这里我们回顾了40个可用的研究,这些研究检查了天才数学的认知和神经基础。研究将许多认知因素与有天赋的数学联系在一起,其中最常发现的贡献因素是空间处理和工作记忆。然而,目前的文献遭受
统计能力低,这很可能会导致结果之间的差异。其他主要缺点包括未能建立研究结果的域和刺激特异性,提示缺乏充分证据的因果关系以及在神经影像研究中频繁使用无效的反向推论。未来的研究必须提高统计能力,而神经影像研究在解释发现时必须依靠支持行为的数据。研究应以更具体的方式调查与数学天赋相关的因素,并准确确定各个因素如何影响数学天赋。


结论总结声明

符合数学残疾的异质性(例如Rubinsten和Henik,2009年; Fias等人,2013年),数学天赋似乎也与众多因素相关—(请参阅附录A中每个研究中发现的因素)。这些因素大致分为社会,动机和认知领域。具体来说,在社会和动机领域,动机,高动力和学习数学的兴趣,练习时间,缺乏参与人际交往或宗教问题,专制态度和较高的社会经济地位都与较高水平相关。数学成就。从推测上讲,有趣的是,这些因素中的某些因素是否可能与所谓的“自发聚焦于云度”(SFON)概念有关,该概念在生命早期就出现了,这意味着一些孩子倾向于关注数字信息(Hannula和Lehtinen,2005年)。为了澄清这个问题,纵向研究可以调查早年的高SFON是否与晚年的高水平数学专业知识相关。更好地评估个体变异性也很重要,例如,阿尔伯特·爱因斯坦(Albert Einstein)(即使有时“lazy”数学家参见例如艾萨克森(Isaacson,2008))是著名的反威权主义者。

在认知变量方面,我们发现空间处理,工作记忆,动机/练习时间,推理,一般智商,信息处理速度,短期记忆,从工作记忆有效转换为情节记忆,模式识别,抑制,流畅智力,联想记忆和运动功能都与数学天赋有关。请注意,重要的是“重要性计数”(即仅考虑对某个概念具有统计学显着性结果的研究)可能会极具误导性,尤其是在心理学和神经影像研究通常缺乏动力的情况下(参见例如Szucs和Ioannidis,2017)。但是,考虑到零星的研究,这是我们目前可以做的最好的事情。此外,即使可能进行荟萃分析,通常也仅考虑已发表的研究,因此它们通常(高度)高估了效应量,尤其是小规模研究(参见Szucs和Ioannidis,2017年)。


-使用iPad上的BlogPress发布

2016年5月24日星期二

研究字节:面部短期记忆与一般智力有关:可能是新的CHC狭义能力分类学候选者吗?

点击图片可放大。

可以在线使用2016年5月21日

强调

人脸的短期记忆与第二层因素正相关。
脸部的短期记忆与.34的一般智力有关。
不应该考虑面部的短期记忆“special”(即,独立于 g)。
围绝症最好被描述为学习障碍。

抽象

的 与少量调查相关的结果表明 剑桥测量的面部记忆的个体差异 人脸记忆测试(CFMT)与智能无关。所以, 记忆 for faces has been suggested to be a 特别 construct, unlike 其他认知能力。但是,以前的调查 仅通过一两个子测验就可以测量智力。此外, 先前调查所依据的样本量是 relatively small (N = 45至80)。因此,在此 调查,八项认知能力测验和CFMT 被管理给相对大量的参与者(N = 211). 基于相关因子模型,发现面部记忆为 与体液智力呈正相关(.29),短期记忆 (.23)和词汇知识能力(.19)。此外,基于 在高阶模型中,发现面部记忆与 g 在.34。结果被解释为暗示面部记忆, 由CFMT衡量,可以被描述为相对典型的 卡特尔犬内的认知能力较弱–Horn–卡罗尔(CHC)模型 intelligence, rather than a 特别 ability(即,独立于 other 能力)。未来的研究具有更大的测量多样性 鼓励人脸识别能力(例如长期记忆),因为 CFMT是衡量短期人脸记忆能力的指标。

关键词

  • 情报;
  • CHC理论;
  • 人脸识别;
  • 围绝症

2016年3月31日星期四

研究方向:流体智能(Gf)和NAA的多元关联-更多的P-FIT模型支持

当鸣则已一鸣惊人。 今天第二次发布 研究研究增强了P-FIT智能神经模型的重要性。

 
流体智能与NAA的多元关联

  1. 瑞安·J·拉森(Ryan J.Larsen)1
+ 作者单位
  1. 1贝克曼先进科学技术学院
  2. 2神经科学计划
  3. 3心理学系, 伊利诺伊大学香槟分校, 伊利诺伊州厄巴纳, 美国
  4. 4海伦·威尔斯神经科学研究所, 加州大学伯克利分校, 加利福尼亚伯克利, 美国
  5. 5心理学系, 艾伯塔大学, 艾伯塔省埃德蒙顿,加拿大
  1. 与Aki Nikolaidis的地址对应。电子邮件: [email protected]

抽象

了解神经和代谢 流体智能的相关性不仅可以帮助科学家 表征认知 涉及情报的过程,但同时也 提供有关改善液体智能的干预方法的见解。 Here 我们使用磁共振波谱成像 (MRSI) to measure N-乙酰天门冬氨酸(NAA),一种生化试剂 神经能量产生和效率的标志。我们使用校长 components analysis (PCA)来检查NAA在 额叶和顶叶与液体智力有关。我们发现 左外侧额叶顶成分 可以预测流体智力,并且与大脑大小无关, 另一个 流体智能的重要预测因子。这些 结果表明,左运动区起着关键作用。 visualization 和空间认知所需的计划和 推理,我们将在 Parieto-Frontal 情报集成理论。

研究字节:额叶皮质和顶叶皮质在解决问题的各个阶段表现出不同的时空动态-P-FIT是吗?


支持P-FIT神经智能模型的另一项研究。 P-FIT概述在这里。 //en.m.wikipedia.org/wiki/Parieto-frontal_integration_theory

之前,我曾在P.FIT智能模型的概述 节拍器家庭互动博客.

在解决问题的各个阶段,额叶和顶叶皮层表现出不同的时空动态。 -PubMed

算术问题解决可以概念化为从任务到任务的多阶段过程…

在Flipboard上阅读


在ncbi.nlm.nih.gov上阅读




2016年2月4日星期四

研究领域:CHC认知能力与社会支持方面的关系

社会支持的哪些方面与哪些人的认知能力相关?

文章老年医学期刊系列B心理科学与社会科学 · 2016年一月12读
影响因子:3.21· DOI:10.1093 / geronb / gbv119

抽象

目标。
至 评估社会支持的11个方面与5个方面之间的关系 认知能力(词汇,推理,空间可视化, 内存和处理速度),并确定是否 社会支持与认知之间的关系由年龄或 sex.

方法。
A 年龄在18到99岁之间的2,613个人的样本 完成了一系列的认知测验和问卷评估 社会支持方面。衡量一般智力的标准是 使用主成分分析进行计算。多元回归为 用于评估支持的各个方面和/或其相互作用 随年龄或性别预测每个认知能力和g。

结果。
一些 社会支持方面与所有五个方面都显着相关 认知能力和对g。当将g用作预测变量时, 与特定认知能力的关系很少。年龄和性别 不缓和任何关系。

讨论。
这些 结果表明,与家人和朋友的接触,情感和 信息支持,预期支持和负面互动 与认知有关,而对满意度和切实支持 不是。此外,这些方面的支持主要与 到g,除了家庭联系。社会支持– 认识 男女之间的关系是可比的。

2016年1月28日星期四

"智能" 智力测试 与 the W IV Tests of Cognitive Ability #3: Within-CHC 评定 trees - a Gf "tease"



我决定暂时跳过计划中的第三期 这个系列 并为我将在本系列中准备的一小部分“智能”测试材料提供“逗趣”。 在这个有趣的帖子之后,我将发布“智能”智能测试的介绍(根据Kaufman并应用于WJ IV COG / OL)。

艾伦·考夫曼(Alan Kaufman)使用Wecshler系列进行“智能”测试的一个特点是提供了补充测试分组,这些测试分组可以衡量一个共享的共同能力,但不是该测试的已发布集群或索引之一。

我已经开发出所谓的 “ CHC内域评估和解释树” 四世 COG中的所有7个CHC域。 我通过回顾和整合以下信息资源来开发这些评估树。


关 WJ IV技术手册(TM)中对CFA结果的检查

关 WJ IV TM中的EFA检查,聚类分析和MDS结果

额外 未发布的EFA,CFA,聚类分析和MDS(2D&3D)完成WJ后 IV出版物(6-19岁之间)

评论 WJ,WJ-R和WJ III的补充/临床分组(例如,McGrew,1986; 1984年-我的两本WJ COG书)

广泛 unpublished “Beyond CHC”  analysis of the WJ III data

理论上的 和临床考虑


以下是Gf内部评估树。 单击图像放大以查看清晰。


(注意。 自发布此原始帖子以来,我现在在下面添加了上述信息的表格形式。 另外,两个图像的干净的PDF副本可以是 在这里找到



带有粗体字体标签的深色箭头表示WJ IV提供的Gf群集。  You will see Gf,Gf-Ext和定量推理. 虚线表示在评估一个人的Gf能力时可能需要检查的其他测试。 注意从Gf-Ext到Visualization测试的行。  It is labeled Gf-Ext 4 / Gf + Gv混合动力. 此标签不是粗体,表示它不是具有得分规范的类。 对WJ IV规范数据的所有数据分析进行仔细检查后发现,可视化测试倾向于“闲逛”或靠近主要Gf测试。 而且,正如Carroll(1993)报道的那样,有时Gv和Gf测试经常会形成Gf / Gv混合因子(众所周知,有时因子分析很难区分Gf和Gv指标)。  This grouping 建议检查人员应查看Visualization测试是否与其他Gf测试一致....这可能反映了比Visualization测试特定的东西更多的共享Gf方差。

另请注意定量推理-外部(RQ)补充分组, 这表明,如果定量推理得分高或低,应检查ACH电池的数字矩阵和应用问题测试-有时,它们将“遵循”定量推理的得分  cluster.

最后,WJ IV TM中的一组CFA模型建议 Gf-Verbal Gf定量 分裂。 言语推理补充分组包括概念形成,分析综合,口语词汇和段落理解测验。 CFA结果的下面部分支持可能的Gf-Verbal和Gf-Quantitative区分。 该信息在《 四世技术手册》中。 这些信息表明TM可以成为您的“朋友”。 它包含与测试无关的大量有价值的信息,这些测试不是集群的一部分,但显示了与可能发布的集群或我将介绍的新的临床补充测试分组存在某些共享差异的证据。

有关Gf的广义和狭义定义如下:

流体推理(Gf): 使用故意的和受控的集中注意力解决小说“on the spot”不能仅通过使用先验知识(先前学习的习惯,模式或脚本)解决的问题。 推理至少取决于学习和适应能力。
  • 归纳(I): 推断一般的隐性原则或规则的能力,这些原则或规则支配观察到的现象或问题解决方案的行为。  Rule discovery.
  • 一般顺序推理(RG): 从给定的前提和原则得出逻辑结论的能力,通常是通过两个或多个连续的步骤来完成的。 演绎推理。
  • 定量推理(RQ): 通过数字或数学关系,运算和算法进行归纳或演绎的推理能力。
      既然我知道人们倾向于像我一样不厌其烦地使用技术手册,那么我的评估树就是将所有这些信息以可视化形式合并的辅助工具,从而使您不必从TM中提取与解释相关的潜在信息。 。

      敬请关注。  CHC内部的一些评估树建议更多的测试分组用于临床解释(比这个Gf示例更重要)。

      我,凯文·麦格鲁(Kevin McGrew),对此内容全权负责。 此处(和本系列中)提供的信息不一定反映我的WJ IV合著者或WJ IV出版者的观点。 

      点击图片放大