Multimodal brain features at 3 years of age and their relationship with pre-reading measures 1 year later
Notice bibliographique
Résumé
Pre-reading language skills develop rapidly in early childhood and are related to brain structure and functional architecture in young children prior to formal education. However, the early neurobiological development that supports these skills is not well understood. Here we acquired anatomical, diffusion tensor imaging (DTI) and resting state functional MRI (rs-fMRI) from 35 children at 3.5 years of age. Children were assessed for pre-reading abilities using the NEPSY-II subtests 1 year later (4.5 years). We applied a data-driven linked independent component analysis (ICA) to explore the shared co-variation of gray and white matter measures. Two sources of structural variation at 3.5 years of age demonstrated relationships with Speeded Naming scores at 4.5 years of age. The first imaging component involved volumetric variability in reading-related cortical regions alongside microstructural features of the superior longitudinal fasciculus (SLF). The second component was dominated by cortical volumetric variations within the cerebellum and visual association area. In a subset of children with rs-fMRI data, we evaluated the inter-network functional connectivity of the left-lateralized fronto-parietal language network (FPL) and its relationship with pre-reading measures. Higher functional connectivity between the FPL and the default mode and visual networks at 3.5 years significantly predicted better Phonological Processing scores at 4.5 years. Together, these results suggest that the integration of functional networks, as well as the co-development of white and gray matter brain structures in early childhood, support the emergence of pre-reading measures in preschool children.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».