Predicting Real‐Life Cognitive Scores From Functional Connectivity
Notice bibliographique
Résumé
Over the past decade, functional connectivity patterns, derived from functional magnetic resonance imaging (fMRI), have been widely used to predict various cognitive traits. However, most studies have focused on measures assessed under controlled laboratory conditions, which may not fully reflect the complexity of the traits in real-world environments. In this study, we investigated connectome-based predictions of cognitive performance in ecologically valid, real-world settings. Participants (n = 194) performed the Psychometric Entrance Test, a standardized exam used for admission to higher education institutions in Israel and a strong predictor of undergraduate academic success. Using functional connectivity patterns, we significantly predicted overall test performance, as well as its three cognitive-specific domains: quantitative reasoning, verbal reasoning, and proficiency in a foreign language. Significant predictions were consistent across four different prediction approaches, demonstrating the robustness of the relations between functional connectivity and cognition. Additionally, we examined which connectivity features mostly contributed to predictions, analyzing both edge- and node-level contributions. We found that different cognitive abilities (i.e., quantitative skills vs. language-related skills) were primarily predicted by unique connectivity patterns. Yet, predictive features were more similar for scores that were more strongly correlated at the behavioral level. Last, we implemented a transfer learning approach in which the predicted cognitive-specific scores were used as features for prediction of the global score, resulting in an improved prediction compared to that derived directly from functional connectivity. Overall, our results demonstrate that the functional connectome captures real-world variability in both global and domain-specific cognitive abilities, emphasizing its potential to serve as an objective marker of real-world cognitive performance.
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 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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 ».