Race and IQ: A Theory-Based Review of the Research in Richard Nisbett - s Intelligence and How to Get It
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We provide a detailed review of data from psychology, genetics, and neuroscience in a point-counterpoint format to enable readers to identify the merits and demerits of each side of the debate over whether the culture-only (0% genetic- 100% environmental) or nature + nurture model (50% genetic-50% environmental) best explains mean ethnic group differences in intelligence test scores: Jewish (mean IQ = 113), East Asian (106), White (100), Hispanic (90), South Asian (87), African American (85), and sub-Saharan African (70). We juxtapose Richard Nisbett s position, expressed in his book Intelligence and How to Get It , with our own, to examine his thesis that cultural factors alone are sufficient to explain the differences and that the nature + nurture model we have presented over the last 40 years is unnecessary. We review the evidence in 14 topics of contention: (1) data to be explained; (2) malleability of IQ test scores; (3) cultureloaded versus g-loaded tests; (4) stereotype threat, caste, and “X” factors; (5) reaction-time measures; (6) within-race heritability; (7) between-race heritability; (8) sub-Saharan African IQ scores; (9) race differences in brain size; (10) sex differences in brain size; (11) trans-racial adoption studies; (12) racial admixture studies; (13) regression to the mean effects; and (14) human origins research and life-history traits. We conclude that the preponderance of evidence demonstrates that in intelligence, brain size, and other life history traits, East Asians average higher than do Europeans who average higher do South Asians, African Americans, or sub-Saharan Africans. The group differences are between 50 and 80% heritable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle