Research Consortia and Large-Scale Data Repositories for Studying Intelligence
Notice bibliographique
Résumé
The first neuroimaging studies of intelligence were done with positron emission tomography (PET) (Haier et al., 1988). PET was expensive and invasive but more researchers had access to neuroimaging when Magnetic Resonance Imaging (MRI) became widely available around the year 2000. The advent of advanced MRI methods enabled researchers to investigate localized (region-level) associations of brain measures and measures of intelligence in healthy individuals (Gray & Thompson, 2004; Luders, Narr, Thompson, & Toga, 2009). At the whole-brain level, MRI-based studies have reported a positive association ( r = .40 to .51) between some measures of intelligence and brain size (Andreasen et al., 1993; McDaniel, 2005). Several studies at the voxel and regional levels have also demonstrated a positive correlation of morphometry with intelligence in brain regions that are especially relevant to higher cognitive functions including frontal, temporal, parietal, hippocampus, and cerebellum (Andreasen et al., 1993; Burgaleta, Johnson, Waber, Colom, & Karama, 2014; Colom et al., 2009; Karama et al., 2011; Narr et al., 2007; Shaw et al., 2006). More recently, neuroimaging studies have revealed large-scale structural and functional brain networks as potential neural substrates of intelligence (see review by Jung & Haier, 2007 and Barbey et al., 2012; Barbey, Colom, Paul, & Grafman, 2014; Colom, Karama, Jung, & Haier, 2010; Khundrakpam et al., 2017; Li et al., 2009; Sripada, Angstadt, Rutherford, & Taxali, 2019).
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,430 | 0,676 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,005 |
| Bibliométrie | 0,070 | 0,088 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,020 | 0,025 |
| Science ouverte | 0,012 | 0,023 |
| Intégrité de la recherche | 0,009 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,063 | 0,028 |
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 découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».