A design for life: Predicting cognitive performance from lifestyle choices
Notice bibliographique
Résumé
Maintaining cognitive capacity through adulthood has been the target of many recent studies that have examined the influence of lifestyle choices such as exercise, diet, and sleeping habits. Many of these studies have focused on a single factor (e.g., diet) and its effect on cognitive abilities; however, humans make numerous lifestyle choices every single day, many of which interact and influence each other. Here, we investigated whether combinations of lifestyle choices can predict better or worse cognitive performance in the general population, and whether optimal combinations of choices existed depending on the cognitive domain. Specifically, we examined 20 self-reported lifestyle choices, such as playing video games, drinking alcohol, and amount of exercise taken, in a sample of almost 10,000 participants. All participants also completed 12 cognitive tests that have been shown to generate three composite cognitive domain scores pertaining to short-term memory, verbal abilities, and reasoning. Using recursive feature elimination and random forest regression, we were able to explain 9% of the variance in short-term memory scores, 8% of the variance in reasoning scores, and 7% of the variance in verbal ability scores. While the regression model provided predictive power in all three domains, these levels indicate that even when considering a large number of lifestyle choices, there remains a considerable degree of variability in predicting short-term memory, reasoning and verbal abilities. Thus, while some modifiable lifestyle factors may have an impact on cognitive capacity, there likely exists no single optimal design for life.
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 | 0,001 |
| 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 ».