Beyond the brain localization of complex traits: Distributed white matter markers of personality
Notice bibliographique
Résumé
OBJECTIVE: Extensive work in personality neuroscience has shown mixed results in the ability to localize reliable relationships between personality traits and neuroimaging measures. However, recent work in translational neuroimaging has recognized that multifaceted psychological dispositions are not represented in discrete, highly localized brain areas. As such, standard univariate neuroimaging analyses may not be well-suited for capturing broad personality traits supported by distributed networks. METHOD: The present study uses an out-of-sample predictive modeling approach to identify multivariate signatures of Big Five personality traits within the structural integrity of white matter pathways using diffusion magnetic resonance imaging. In Study 1 (N = 491), we trained a ridge regression model to predict each of the Big Five traits and tested these models in an independent hold-out subsample. RESULTS: We found that models for both Neuroticism and Openness were significantly related to predictive accuracy in the hold-out sample. Study 2 (N = 108) applied Study 1's predictive models to an independent set of data collected on a different scanner and using a different Big Five scale. Here, we found that the model for Neuroticism remained a significant predictor of individual difference. CONCLUSION: Our findings provide evidence that this white matter signature of Neuroticism generalizes across differences in measurement and samples.
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 | 0,001 | 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) | 0,001 | 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 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 ».