显示带有标签的帖子 流动推理. 显示所有帖子
显示带有标签的帖子 流动推理. 显示所有帖子

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1月28日星期四

"智能" 智力测试 with 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-可以衡量一个共享的共同能力的测试分组,但不是该测试的已发布集群或索引之一的分组。

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广泛 unpublished “Beyond CHC ”  analysis of the WJ III data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可视化测试是否与其他Gf测试一致....这可能反映了比可视化测试特定的任何东西更多的共享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。 言语推理的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,这些测试不是群集的一部分,但是显示了与可能发布的群集或我将介绍的新的临床补充测试分组存在某些共同差异的证据。

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



      2015年12月22日,星期二

      对P-FIT智能神经模型(Gf和Gwm)的更多研究支持

      另一项研究与其他研究很好地结合在一起,支持智力的顶-额叶整合(P-FIT)神经模型,特别是参与流体推理(Gf)和工作记忆能力(Gwm)的网络,但不支持Gs。  Click 这里 用于以前的P-FIT相关职位。 为P-FIT模型提供一些支持的研究数量不容忽视。

      点击图片放大