Informations

Corrélation utilisée comme dispositif explicatif dans "The neuroscience of Intelligence"

Corrélation utilisée comme dispositif explicatif dans


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Je lis actuellement le livre du Dr Richard Haier, The Neuroscience of Intelligence. J'ai une connaissance de base des statistiques, mais je suis confus au sujet de l'extrait suivant de la page 80 (chapitre 2.4):

Lorsque les corrélations sont calculées chez des jumeaux identiques élevés séparément, la corrélation est également un moyen d'estimer l'héritabilité, donc une corrélation de 0,70 indique que 70 % de la variance de l'intelligence est due à des facteurs génétiques et 30 % ne l'est pas.

L'utilisation de la corrélation est-elle un moyen valable d'estimer l'héritabilité d'un trait spécifique ? J'avais l'impression que pour une comparaison de variance partagée, il faudrait utiliser r², ce qui signifierait que le QI n'est pas hérité à 70 %, mais seulement à 49 % (une énorme différence !).


L'auteur n'est tout simplement pas explicite. Les

corrélation

est ni r ou r2, c'est simplement la relation entre x et y.

le coefficient de corrélation de Pearson, ou r est une mesure de la corrélation linéaire entre deux variables. Sa valeur est comprise entre +1 et -1, 1 étant une corrélation linéaire positive totale, 0 signifie aucune corrélation linéaire et -1 est une corrélation linéaire négative totale.

Le coefficient de détermination, ou r2 a une valeur comprise entre 0 et 1. Une valeur proche de 1 indique en effet que la majeure partie de la variation des données de réponse s'explique par les différentes valeurs d'entrée, alors qu'une valeur de r2 près de 0 indique que peu de variation s'explique par les différentes valeurs d'entrée.

Maintenant à votre livre ; 70% semble en effet beaucoup. Je pensais que c'était environ 40 % et cela est confirmé par le NIH et Scientific American qui mentionnent environ 50 %. Cependant, wikipedia mentionne des chiffres allant jusqu'à 86% et étaye cette affirmation par des articles influents. (Plomin & Deary, 2015) postulent en effet que

L'héritabilité de l'intelligence augmente d'environ 20 % dans la petite enfance à peut-être 80 % à l'âge adulte.

Référence
- Plomin & Cher, Psychiatrie Moléculaire (2015); 20: 98-108


Thompson, P.M. et al. Nat. Neurosques. 4, 1253–1258 (2001).

Baaré, W.F.C. et al. Céréb. Cortex 11, 816–824 (2001).

Plomin, R. & Kosslyn, S.M. Nat. Neurosques. 4, 1153–1155 (2001).

Posthuma, D., De Geus, E. J. C. & Boomsma, D. I. Comportez-vous. Genet. 31, 593–602 (2001).

Plomin, R., DeFries, J.C., Craig, I.W. & amp McGuffin, P. (eds). La génétique comportementale à l'ère postgénomique (APA Books, Washington, DC, sous presse).

Neale, M.C. & Cardon, L.R. Méthodologie pour les études génétiques des jumeaux et des familles, NATO Asi Series, Ser. D, Sciences du comportement et sociales, Vol. 67 (Kluwer, Dordrecht, Pays-Bas, 1992).

Vernon, P.A., Wickett, J.C., Banzana, P.G. & Stelmack, R.M. dans Manuel de l'intelligence (éd. Sternberg, R. J.) 245-264 (Cambridge Univ. Press, 2000).

Pennington, B.C. et al. J. Cogn. Neurosques. 12, 223–232 (2000).

Daneman, M. & Merikle, P.M. Psychon. Taureau. Tour. 3, 422–433 (1996).

Goldman-Rakic, P.S. Proc. Natl. Acad. Sci. Etats-Unis 93, 13473–13480 (1996).

Neale, M.C. Mx : Modélisation statistique 3e éd. (Collège médical de Virginie, Richmond, Virginie, 1997).


Corrélation : Signification, Types et Son Calcul | Statistiques

Après avoir lu cet article, vous en apprendrez davantage sur : - 1. Définitions de la corrélation 2. Signification de la corrélation 3. Besoin 4. Types 5. Méthodes de calcul.

Définitions de la corrélation :

Si le changement d'une variable semble s'accompagner d'un changement de l'autre variable, les deux variables sont dites corrélées et cette interdépendance est appelée corrélation ou covariation.

En bref, la tendance à la variation simultanée entre deux variables est appelée corrélation ou covariation. Par exemple, il peut exister une relation entre la taille et le poids d'un groupe d'étudiants, les scores des étudiants dans deux matières différentes devraient avoir une interdépendance ou une relation entre eux.

Mesurer le degré de relation ou de covariation entre deux variables est l'objet de l'analyse de corrélation. Ainsi, la corrélation signifie la relation ou « être ensemble » ou la correspondance entre deux variables.

En statistique, la corrélation est une méthode de détermination de la correspondance ou de la proportionnalité entre deux séries de mesures (ou scores). Pour le dire simplement, la corrélation indique la relation d'une variable avec l'autre.

Signification de corrélation:

Pour mesurer quantitativement le degré d'association ou de relation entre deux variables, un indice de relation est utilisé et est appelé coefficient de corrélation.

Le coefficient de corrélation est un indice numérique qui nous indique dans quelle mesure les deux variables sont liées et dans quelle mesure les variations d'une variable changent avec les variations de l'autre. Le coefficient de corrélation est toujours symbolisé soit par r soit par (Rho).

La notion « r » est connue sous le nom de coefficient de corrélation du moment produit ou coefficient de corrélation de Karl Pearson. Le symbole ‘ρ’ (Rho) est connu sous le nom de coefficient de corrélation de différence de rang ou de coefficient de corrélation de rang de lanceur.

La taille de 'r‘ indique la quantité (ou le degré ou l'étendue) de la corrélation entre deux variables. Si la corrélation est positive, la valeur de 'r‘ est + ve et si la corrélation est négative, la valeur de V est négative. Ainsi, les signes du coefficient indiquent le type de relation. La valeur de V varie de +1 à -1.

La corrélation peut varier entre une corrélation positive parfaite et une corrélation négative parfaite. Le haut de l'échelle indiquera une corrélation positive parfaite et elle commencera à partir de +1 puis passera par zéro, indiquant l'absence totale de corrélation.

Le bas de l'échelle se terminera à -1 et indiquera une corrélation négative parfaite. Ainsi la mesure numérique de la corrélation est fournie par l'échelle qui va de +1 à -1.

[NB—Le coefficient de corrélation est un nombre et non un pourcentage. Il est généralement arrondi à deux décimales supérieures].

Besoin de corrélation :

La corrélation donne un sens à une construction. L'analyse corrélationnelle est essentielle pour la recherche psycho-éducative fondamentale. En effet, la plupart des recherches psychologiques fondamentales et appliquées sont de nature corrélationnelle.

L'analyse corrélationnelle est requise pour :

(i) Trouver les caractéristiques des tests psychologiques et pédagogiques (fiabilité, validité, analyse des items, etc.).

(ii) Tester si certaines données sont cohérentes avec les hypothèses.

(iii) Prédire une variable sur la base de la connaissance de l'autre ou des autres.

(iv) Construire des modèles et des théories psychologiques et pédagogiques.

(v) Regroupement des variables/mesures pour une interprétation parcimonieuse des données.

(vi) Réalisation de tests statistiques multivariés (Hoteling’s T 2 MANOVA, MANCOVA, Analyse discriminante, Analyse factorielle).

(vii) Isoler l'influence des variables.

Types de corrélation:

Dans une distribution bivariée, la corrélation peut être :

1. Corrélation positive, négative et nulle et

2. Linéaire ou curviligne (non linéaire).

1. Corrélation positive, négative ou nulle :

Lorsque l'augmentation d'une variable (X) est suivie d'une augmentation correspondante de l'autre variable (Y), la corrélation est dite positive. Les corrélations positives vont de 0 à +1 la limite supérieure, c'est-à-dire que +1 est le parfait coefficient de corrélation positif.

La corrélation positive parfaite précise que, pour chaque unité d'augmentation dans une variable, il y a une augmentation proportionnelle dans l'autre. Par exemple, “Heat” et “Temperature” ont une corrélation positive parfaite.

Si, par contre, l'augmentation d'une variable (X) entraîne une diminution correspondante de l'autre variable (Y), la corrélation est dite négative.

La corrélation négative va de 0 à – 1 la limite inférieure donnant la corrélation négative parfaite. La corrélation négative parfaite indique que pour chaque augmentation d'unité dans une variable, il y a une diminution d'unité proportionnelle dans l'autre.

La corrélation zéro signifie qu'il n'y a aucune relation entre les deux variables X et Y, c'est-à-dire que le changement d'une variable (X) n'est pas associé au changement de l'autre variable (Y). Par exemple, le poids corporel et l'intelligence, la pointure et le salaire mensuel, etc. La corrélation zéro est le point médian de la plage – 1 à + 1.

2. Corrélation linéaire ou curviligne :

La corrélation linéaire est le rapport de changement entre les deux variables dans la même direction ou dans la direction opposée et la représentation graphique d'une variable par rapport à l'autre variable est une ligne droite.

Considérez une autre situation. Premièrement, avec l'augmentation d'une variable, la deuxième variable augmente proportionnellement jusqu'à un certain point, après quoi avec une augmentation de la première variable, la deuxième variable commence à diminuer.

La représentation graphique des deux variables sera une ligne courbe. Une telle relation entre les deux variables est appelée corrélation curviligne.

Méthodes de calcul du coefficient de corrélation :

Pour faciliter les données non regroupées de la distribution bivariée, les trois méthodes suivantes sont utilisées pour calculer la valeur du coefficient de corrélation :

2. Coefficient de corrélation du moment du produit de Pearson.

3. Coefficient de corrélation de l'ordre de classement de Spearman.

1. Méthode du diagramme de dispersion :

Le diagramme de dispersion ou le diagramme de points est un dispositif graphique permettant de tirer certaines conclusions sur la corrélation entre deux variables.

Lors de la préparation d'un diagramme de dispersion, les paires d'observations observées sont tracées par des points sur un papier millimétré dans un espace à deux dimensions en prenant les mesures sur la variable X selon l'axe horizontal et celle sur la variable Y selon l'axe vertical.

Le placement de ces points sur le graphique révèle le changement de la variable selon qu'ils changent dans le même sens ou dans le sens opposé. C'est une méthode très facile, simple mais approximative de calcul de corrélation.

Les fréquences ou les points sont tracés sur un graphique en prenant des échelles convenables pour les deux séries. Les points tracés auront tendance à se concentrer dans une bande plus ou moins large selon son degré. ‘La ligne de meilleur ajustement est tracée à main levée et sa direction indique la nature de la corrélation. Les diagrammes de dispersion, à titre d'exemple, montrant divers degrés de corrélation sont présentés sur les figures 5.1 et 5.2.

Si la ligne monte et que ce mouvement ascendant se fait de gauche à droite, cela montrera une corrélation positive. De même, si les lignes se déplacent vers le bas et que leur direction va de gauche à droite, cela montrera une corrélation négative.

Le degré de pente indiquera le degré de corrélation. Si les points tracés sont largement dispersés, cela montrera l'absence de corrélation. Cette méthode décrit simplement le ‘fait’ que la corrélation est positive ou négative.

2. Coefficient de corrélation du moment du produit de Pearson :

Le coefficient de corrélation, r, est souvent appelé le “Pearson r” d'après le professeur Karl Pearson qui a développé la méthode du moment produit, à la suite des travaux antérieurs de Gallon et Bravais.

Coefficient de corrélation en tant que rapport:

Le coefficient de corrélation produit-moment peut être considéré essentiellement comme le rapport qui exprime la mesure dans laquelle les changements d'une variable sont accompagnés ou dépendants des changements d'une seconde variable.

À titre d'illustration, considérons l'exemple simple suivant qui donne les tailles et poids appariés de cinq étudiants universitaires :

La taille moyenne est de 69 pouces, le poids moyen de 170 livres et le o est de 2,24 pouces et o est de 13,69 livres, respectivement. Dans la colonne (4) l'écart (x) de la taille de chaque élève par rapport à la taille moyenne, et dans la colonne (5) l'écart, (y) du poids de chaque élève par rapport au poids moyen sont indiqués. Le produit de ces écarts appariés (xy) dans la colonne (6) est une mesure de l'accord entre les tailles et les poids individuels. Plus la somme de la colonne xy est grande, plus le degré de correspondance est élevé. Dans l'exemple ci-dessus, la valeur de ∑xy/N est 55/5 ou 11. En cas d'accord parfait, c'est-à-dire r = ± 1,00, la valeur de ∑xy/N dépasse la limite maximale.

Ainsi,xy/N ne donnerait pas une mesure appropriée de la relation entre x et y. La raison en est qu'une telle moyenne n'est pas une mesure stable, car elle n'est pas indépendante des unités dans lesquelles la taille et le poids ont été exprimés.

En conséquence, ce rapport variera si des centimètres et des kilogrammes sont employés au lieu de pouces et de livres. Une façon d'éviter le problème gênant des différences d'unités consiste à exprimer chaque écart sous la forme d'un score σ ou d'un score standard ou d'un score Z, c'est-à-dire de diviser chaque x et y par son propre σ.

Chaque écart x et y est alors exprimé sous forme de rapport, et est un nombre pur, indépendant des unités de test. La somme des produits de la colonne des scores σ (9) divisé par N donne un rapport qui est une expression stable de la relation. Ce rapport est le coefficient de corrélation “product-moment”. Dans notre exemple, sa valeur de 0,36 indique une corrélation positive assez élevée entre la taille et le poids dans ce petit échantillon.

L'élève doit noter que notre ratio ou coefficient est simplement le produit moyen des scores σ des mesures X et Y correspondantes, c'est-à-dire

(i) rxy est un moment produit r

(iii) rxy peut être + ve ou – ve lié par des limites – 1.00 à + 1.00.

(iv) rxy peut être considérée comme une moyenne arithmétique (rxy est la moyenne des produits de score standard).

(v) rxy n'est affecté par aucune transformation linéaire des scores sur X ou Y ou les deux.

(vi) Lorsque les variables sont sous la forme de score standard, r donne une mesure de la quantité moyenne de changement dans une variable associée au changement d'une unité l'autre variable.

(vii) rxy = byx bxy où byx = coefficient de régression de Y sur X, bxy = coefficient de régression de X sur Y. rxy = racine carrée des pentes des droites de régression.

(viii) rxy n'est pas influencée par l'ampleur des moyennes (les scores sont toujours relatifs).

(ix) rxy ne peut pas être calculé si l'une des variables n'a pas de variance S 2 x ou S 2 Y = 0

(x) rxy de 60 implique la même ampleur de relation que rxy = – .60. Le signe indique la direction de la relation et l'ampleur de la force de la relation.

(xi) df pour rxy est N – 2, qui est utilisé pour tester la signification de rxy. Tester la signification de r consiste à tester la signification de la régression. La ligne de régression implique la pente et l'interception, d'où 2 df est perdu. Donc quand N = 2, rxy est soit + 1,00 soit – 1,00 car il n'y a pas de liberté pour la variation d'échantillonnage de la valeur numérique de r.

A. Calcul de rxy (Données non groupées):

Ici, l'utilisation de la formule pour le calcul de r dépend de « d'où sont tirés les écarts ». Dans différentes situations, les écarts peuvent être déduits de la moyenne réelle ou de zéro ou de A.M. Le type de formule commodément appliqué pour le calcul de la corrélation des coefficients dépend de la valeur moyenne (soit en fraction, soit en entier).

(i) La formule de r lorsque les écarts sont tirés des moyennes des deux distributions X et Y.

où rxy = Corrélation entre X et Y

x = écart de tout score X par rapport à la moyenne du test X

y = écart du score Y correspondant par rapport à la moyenne du test Y.

∑xy = Somme de tous les produits des écarts (X et Y)

??X etoui = Écarts types de la distribution des scores X et Y.

dans laquelle x et y sont des écarts par rapport aux moyennes réelles et ∑x 2 et ∑y 2 sont les sommes des carrés des écarts de x et y tirés des deux moyennes.

Cette formule est préférée :

je. Lorsque les valeurs moyennes des deux variables ne sont pas en fraction.

ii. Quand découvrir la corrélation entre des séries courtes et non groupées (disons, vingt-cinq cas environ).

iii. Lorsque les écarts doivent être déduits des moyennes réelles des deux distributions.

Les étapes nécessaires sont illustrées dans le tableau 5.1. Ils sont énumérés ici :

Répertoriez dans des colonnes parallèles les scores X et Y appariés, en vous assurant que les scores correspondants sont ensemble.

Déterminer les deux moyennes MX et Moui. Dans le tableau 5.1, ils sont respectivement de 7,5 et 8,0.

Déterminer pour chaque paire de scores les deux écarts x et y. Vérifiez-les en trouvant des sommes algébriques, qui devraient être nulles.

Carré tous les écarts et liste en deux colonnes. C'est dans le but de calculerX etoui.

Additionnez les carrés des écarts pour obtenir ∑x 2 et ∑y 2 Trouvez le produit xy et additionnez-les pour ∑xy.

A partir de ces valeurs, calculez σX etoui.

Une solution alternative et plus courte :

Il existe une route alternative et plus courte qui omet le calcul de σX etoui, s'ils ne sont pas nécessaires à d'autres fins.

Application de la formule (28) :

(ii) Le calcul de rxy à partir de partitions originales ou de partitions brutes :

Il s'agit d'une autre procédure avec des données non groupées, qui ne nécessite pas l'utilisation d'écarts. Il traite entièrement de partitions originales. La formule peut sembler rébarbative mais est vraiment facile à appliquer.

Cette formule est préférée :

je. Quand calculer r à partir des scores bruts directs.

ii. Scores originaux ft. lorsque les données sont petites non groupées.

iii. Lorsque les valeurs moyennes sont en fractions.

iv. Quand une bonne machine à calculer est disponible.

X et Y sont les scores originaux dans les variables X et Y. D'autres symboles indiquent ce qui est fait avec eux.

Nous suivons les étapes illustrées dans le tableau 5.2 :

Carré toutes les mesures X et Y.

Trouvez le produit XY pour chaque paire de scores.

Additionnez les X’s, les Y’s, les X 2 , les Y 2 et les XY.

(ii) Calcul de rxy lorsque les écarts sont tirés de la moyenne présumée :

La formule (28) est utile pour calculer r directement à partir de deux séries de scores non groupées, mais elle présente les inconvénients car elle nécessite une "méthode longue" de calcul des moyennes et ??'s. Les écarts x et y pris par rapport aux moyennes réelles sont généralement des nombres décimaux et la multiplication et la mise au carré de ces valeurs sont souvent une tâche fastidieuse.

Pour cette raison, même en travaillant avec de courtes séries non groupées, il est souvent plus facile de supposer des moyennes, de calculer des écarts par rapport à ces A.M.’ et d'appliquer la formule (30).

Cette formule est préférée :

je. Lorsque les moyennes réelles sont généralement des décimales et que la multiplication et la mise au carré de ces valeurs sont souvent une tâche fastidieuse.

ii. Lorsque des écarts sont pris par rapport aux A.M.’s.

iii. Quand nous devons éviter les fractions.

Les étapes du calcul de r peuvent être décrites comme suit :

Trouvez la moyenne du test 1 (X) et la moyenne du test 2 (Y). Les moyennes indiquées dans le tableau 5.3 MX = 62,5 et MOui = 30,4 respectivement.

Choisissez A.M.’s de X et Y, c'est-à-dire A.M.X comme 60,0 et A.M.Oui comme 30.0.

Trouvez l'écart de chaque score au test 1 par rapport à son A.M., 60,0, et entrez-le dans la colonne x’. Recherchez ensuite l'écart de chaque score du test 2 par rapport à son A.M., 30,0, et saisissez-le dans la colonne y’.

Mettez au carré tous les x’ et tous ceux-ci et entrez ces carrés dans les colonnes x’ 2 et y’ 2 , respectivement. Additionnez ces colonnes pour obtenir ∑x’ 2 et ∑y’ 2 .

Multipliez x’ et y’, et entrez ces produits (en tenant compte du signe) dans la colonne x’y’. Total colonne x’y’, en tenant compte des signes, pour obtenir ∑x’y’.

Les corrections, CX et Coui, se trouvent en soustrayant AMX de MX et AMoui de Moui. Ensuite, CX trouvé comme 2,5 (62,5 – 60,0) et Coui comme 0,4 (30,4 – 30,0).

Remplacez ∑x’y’ , 334, pour ∑x’ 2 , 670 et pour ∑y’ 2 , 285 dans la formule (30), comme indiqué dans le tableau 5.3, et résolvez pour rxy.

Propriétés de r:

1. La valeur du coefficient de corrélation r reste inchangée lorsqu'une constante est ajoutée à une ou aux deux variables :

Afin d'observer l'effet sur le coefficient de corrélation r lorsqu'une constante est ajoutée à l'une ou aux deux variables, considérons un exemple.

Maintenant, nous ajoutons un score de 10 à chaque score de X et 20 à chaque score de Y et représentons ces scores par X’ et Y’ respectivement.

Les calculs pour calculer r pour les paires d'observations originales et nouvelles sont donnés dans le tableau 5.4 :

En utilisant la formule (29), le coefficient de corrélation du score original sera :

La même formule pour les nouvelles partitions peut s'écrire :

Ainsi, nous observons que la valeur du coefficient de corrélation r reste inchangée lorsqu'une constante est ajoutée à une ou aux deux variables.

2. La valeur du coefficient de corrélation r reste inchangée lorsqu'une constante est soustraite d'une ou des deux variables :

Les élèves peuvent examiner cela en prenant un exemple. Lorsque chaque score d'une ou des deux variables est soustrait par une constante, la valeur du coefficient de corrélation r reste également inchangée.

3. La valeur du coefficient de corrélation r reste inchangée lorsqu'un ou les deux ensembles de valeurs de variables sont multipliés par une constante :

Afin d'observer l'effet de la multiplication des variables par une constante sur la valeur de r, nous multiplions arbitrairement les scores originaux des premier et deuxième ensembles dans l'exemple précédent par 10 et 20 respectivement.

Le r entre X’ et Y’ peut alors être calculé comme suit :

La corrélation de coefficient entre X’ et Y’ sera :

Ainsi, nous observons que la valeur du coefficient de corrélation r reste inchangée lorsqu'une constante est multipliée par un ou les deux ensembles de valeurs de variables.

4. La valeur de r restera inchangée même lorsqu'un ou les deux ensembles de valeurs de variables sont divisés par une constante :

Les élèves peuvent examiner cela en prenant un exemple.

B. Coefficient de corrélation dans les données groupées:

Lorsque le nombre de paires de mesures (N) sur deux variables X et Y est important, voire modéré, et qu'aucune machine à calculer n'est disponible, la procédure habituelle est de regrouper les données à la fois en X et en Y et de former un nuage de points. ou diagramme de corrélation qui est également appelé distribution de fréquence bidirectionnelle ou distribution de fréquence bivariée.

Le choix de la taille de l'intervalle de classe et des limites des intervalles suit à peu près les mêmes règles que celles données précédemment. Pour clarifier l'idée, nous considérons une donnée bivariée portant sur les scores obtenus par une classe de 20 étudiants à l'examen de Physique et Mathématiques.

Préparation d'un diagramme de dispersion:

Lors de la mise en place d'un double regroupement de données, un tableau est préparé avec des colonnes et des lignes. Ici, nous classons chaque paire de variables simultanément dans les deux classes, l'une représentant le score en physique (X) et l'autre en mathématiques (Y) comme le montre le tableau 5.6.

Les scores de 20 élèves en physique (X) et en mathématiques (Y) sont indiqués dans le tableau ci-dessous :

Nous pouvons facilement préparer un tableau de distribution de fréquence à deux variables en mettant des points pour chaque paire de scores. La construction d'un diagramme de dispersion est assez simple. Nous devons préparer un tableau comme le montre le schéma ci-dessus.

Le long de la marge de gauche, les intervalles de classe de la distribution X sont disposés de bas en haut (dans l'ordre croissant). En haut du diagramme, les ci de la distribution Y sont licenciés de gauche à droite (dans l'ordre croissant).

Chaque paire de scores (à la fois en X et en Y) est représentée par un décompte dans la cellule respective. L'étudiant n°1 a obtenu 32 en physique (X) et 25 en mathématiques (Y). Son score de 32 en (X) le place dans la dernière rangée et 25 en (Y) le place dans la deuxième colonne. Ainsi, pour la paire de scores (32, 25), un décompte sera marqué dans la deuxième colonne de la 5e rangée.

De la même manière, dans le cas de l'élève n°2, pour les notes (34, 41), nous mettrons un pointage dans la 4e colonne de la 5e rangée. De même, 20 décomptes seront mis dans les lignes et colonnes respectives. (Les lignes représenteront les scores X et les colonnes représenteront les scores Y).

Le long de la marge de droite, le FX colonne, le nombre de cas dans chaque ci, de distribution X sont tabulés et le long du bas du diagramme dans le Foui rangée le nombre de cas dans chaque ci, de la distribution Y sont tabulés.

Le total de FX colonne est 20 et le total de Foui row vaut également 20. Il s'agit en fait d'une distribution bivariée car elle représente la distribution conjointe de deux variables. Le scattergram est alors un “table de corrélation.”

Calcul de r à partir d'un tableau de correspondance:

L'aperçu suivant des étapes à suivre pour calculer r sera mieux compris si l'élève se réfère constamment au tableau 5.7 pendant qu'il lit chaque étape :

Construisez un diagramme de dispersion pour les deux variables à corréler, et à partir de celui-ci, établissez un tableau de corrélation.

Comptez les fréquences de chaque ci.i. de distribution – X et l'écrire dans le FX colonne. Comptez les fréquences pour chaque ci. de distribution – Y et remplissez le Foui ligne.

Supposons une moyenne pour la distribution X et marquez le c.i. en lignes doubles. Dans le tableau de corrélation donné, supposons la moyenne au ci, 40 – 49 et mettons des lignes doubles comme indiqué dans le tableau. Les écarts au-dessus de la ligne de A.M. sera (+ ve) et les écarts en dessous seront (- ve).

La déviation par rapport à la ligne de A.M., c'est-à-dire par rapport au c.i. où nous avons supposé que la moyenne est marquée 0 (zéro) et au-dessus la ‘s sont notés +1, +2. 13 et en dessous est noté – 1. Maintenant, la colonne dx est remplie. puis multiplier FX. et dx de chaque ligne pour obtenir fdx. Multiplier dx et fdx de chaque ligne pour obtenir fdx 2 .

[Remarque : lors du calcul du S.D. dans la méthode de la moyenne supposée, nous supposions une moyenne, en marquant les d’s et en calculant fd et fd 2 . Ici aussi la même procédure est suivie.]

Adoptez la même procédure qu'à l'étape 3 et calculez mourir, fdy et fdy 2 . Pour la distribution-Y, supposons la moyenne dans le c.i. 20-29 et mettez des lignes doubles pour marquer la colonne comme indiqué dans le tableau. Les écarts à gauche de cette colonne seront négatifs et à droite positifs.

Ainsi, d pour la colonne où la moyenne est supposée est marqué 0 (zéro) et le d à sa gauche est marqué – 1 et d’s à sa droite sont marqués +1, +2 et +3. Maintenant mourir la colonne est remplie. Multipliez les valeurs de fy et mourir de chaque colonne pour obtenir fdy. Multipliez les valeurs de mourir et fdy à chaque colonne pour obtenir fdy 2 .

Comme cette phase est importante, nous devons marquer soigneusement pour le calcul de mourir pour différents ci.’s de distribution X et dx pour différents ci.i.’s de distribution -Y.

mourir pour différents c. je. ‘s de distribution-X : dans la première rangée, 1F est sous la colonne, 20-29 dont mourir est 0 (Regardez en bas. Le mourir l'entrée de cette ligne est 0). Encore 1F est sous la colonne, 40-49 dont mourir est + 2. Donc mourir pour la première ligne = (1 x 0) + (1 x 2) = + 2.

Dans la deuxième ligne, nous trouvons que :

1 F est sous la colonne, 40-49 dont mourir est + 2 et

2 Fs sont sous la colonne, 50-59 dont mourir's sont + 3 chacun.

Donc mourir pour la 2ème rangée = (1 x 2) + (2 X 3) = 8.

2 Fs sont sous la colonne, 20-29 dont mourir‘s sont 0 chacun,

2 Fs sont sous la colonne, 40-49 dont mourir‘s sont +2 chacun, et 1 F est sous la colonne, 50-59 dont mourir est +3.

Alors dy pour la 3ème rangée = (2 x 0) + (2 x 2) + (1 X 3) = 7.

3 Fs sont sous la colonne, 20-29 dont mourir‘s sont 0 chacun,

2 Fs sont sous la colonne, 30-39 dont mourir‘s sont +1 chacun, et 1 F est sous la colonne, 50-59 dont mourir est + 3,

Donc mourir pour la 4ème rangée = (3 X 0) + (2 X 1) + (1 x 3) = 5.

mourir pour la 5ème rangée = (2 x – 1) + (1 x 0) + (1 x 2) = 0

dx pour différents c.i. ,’v de distribution – Y :

2 Fs sont contre le rang, 30-39 dont dx est – 1.

Donc dx de la 1ère colonne = (2 x – 1) = – 2

1 F est contre la c.i., 70-79 dont dx est +3,

2 Fs sont contre les c.i., 50-59 dont dx‘s sont +1 chacun,

3 Fs sont contre les c.i., 40-49 dont dx‘s sont 0 chacun,

1 F est contre la c.i., 30-39 dont dx est – 1.

Donc dx pour la 2ème colonne = (1 x 3) + (2 X 1) + (3 X 0) + (1 x – 1) = 4. Dans la troisième colonne,

dx pour la 3ème colonne = 2ࡦ = 0

dx pour la 4ème colonne = (1 x 3) + (1 x 2) + (2 x 1) + (1 x – 1) = 6.

dx pour la 5ème colonne = (2 x 2) + (1 x 1) + (1 X 0) = 5.

Maintenant, calculez dx.dy chaque ligne de distribution – X en multipliant le dx entrées de chaque ligne par mourir entrées de chaque ligne. Calculer ensuite dx.dy pour chaque colonne de distribution – Y en multipliant mourir entrées de chaque colonne par le dx entrées de chaque colonne.

Maintenant, prenons la somme algébrique des valeurs des colonnes fdx, fdx 2 , mourir et dx.dy (pour diffusion – X). Prendre la somme algébrique des valeurs des lignes fdy, fdy 2 , dx et dx.dy (pour distribution – Y)

∑.dx.dy de distribution X = ∑dx.dy de distribution Y

fdx = total de dx rangée (c'est-à-dire ∑dx)

fdy = total de mourir colonne (c'est-à-dire ∑mourir)

Les valeurs des symboles trouvées

fdx = 13, ∑fd 2x = 39

fdy =22, ∑fd 2 oui = 60

Afin de calculer le coefficient de corrélation dans un tableau de corrélation, la formule suivante peut être appliquée :

On peut remarquer qu'au dénominateur de la formule (31) on applique la formule pour unX et unoui à l'exception des non i’s. Notons ici que CX, Coui,X,v sont tous exprimés en unités d'intervalles de classe (c'est-à-dire en unité de i). Ainsi, en calculant σX etoui, aucun i’ n'est utilisé. Ceci est souhaitable car tous les écarts de produit, c'est-à-dire ∑dx.dy’s sont en unités d'intervalle.

Interprétation du coefficient de corrélation:

Le simple calcul de la corrélation n'a aucune signification tant que nous n'avons pas déterminé quelle doit être la taille du coefficient pour être significatif, et que nous apprend la corrélation sur les données ? Qu'entendons-nous par la valeur obtenue du coefficient de corrélation?

Mauvaise interprétation du coefficient de corrélation :

Parfois, nous interprétons mal la valeur du coefficient de corrélation et établissons la relation de cause à effet, c'est-à-dire qu'une variable provoque la variation de l'autre variable. En fait, nous ne pouvons pas interpréter de cette manière à moins d'avoir une base logique solide.

Le coefficient de corrélation nous donne une détermination quantitative du degré de relation entre deux variables X et Y, et non des informations sur la nature de l'association entre les deux variables. La causalité implique une séquence invariable — A mène toujours à B, alors que la corrélation est simplement une mesure d'association mutuelle entre deux variables.

Par exemple, il peut y avoir une forte corrélation entre l'inadaptation et l'anxiété :

Mais sur la base d'une corrélation élevée, nous ne pouvons pas dire que l'inadaptation provoque de l'anxiété. Il est possible qu'une anxiété élevée soit la cause de l'inadaptation. Cela montre que l'inadaptation et l'anxiété sont des variables mutuellement associées. Considérez un autre exemple.

Il existe une forte corrélation entre l'aptitude dans une matière à l'école et la réussite dans la matière. À la fin des examens scolaires, cela reflétera-t-il une relation causale? Cela peut ou non.

L'aptitude à l'étude d'une matière entraîne certainement une variation dans la réussite de la matière, mais la réussite élevée de l'étudiant dans la matière n'est pas le résultat de la grande aptitude, mais elle peut également être due aux autres variables.

Ainsi, lors de l'interprétation de la taille du coefficient de corrélation en termes de cause à effet, il est approprié, si et seulement si les variables étudiées fournissent une base logique pour une telle interprétation.

Facteurs influençant la taille du coefficient de corrélation:

Nous devons également être conscients des facteurs suivants qui influencent la taille du coefficient de corrélation et peuvent conduire à des interprétations erronées :

1. La taille de « “r » dépend beaucoup de la variabilité des valeurs mesurées dans l'échantillon corrélé. Plus la variabilité est grande, plus la corrélation sera élevée, toutes choses égales par ailleurs.

2. La taille de 'r’ est modifiée lorsqu'un enquêteur sélectionne un groupe extrême de sujets afin de comparer ces groupes par rapport à certains comportements. “r” obtenu à partir des données combinées des groupes extrêmes serait plus grand que le “r” obtenu à partir d'un échantillon aléatoire du même groupe.

3. L'ajout ou la suppression des cas extrêmes du groupe peut entraîner une modification de la taille de « r ». L'ajout du cas extrême peut augmenter la taille de la corrélation, tandis que la suppression des cas extrêmes réduira la valeur de « r ».

Utilisations du produit moment r:

La corrélation est l'une des procédures analytiques les plus utilisées dans le domaine de la mesure et de l'évaluation éducatives et psychologiques. Il est utile dans :

je. Décrire le degré de correspondance (ou relation) entre deux variables.

ii. Prédiction d'une variable—la variable dépendante sur la base d'une variable indépendante.

iii. Valider un test, par exemple un test d'intelligence de groupe.

iv. Déterminer le degré d'objectivité d'un test.

v. Orientation scolaire et professionnelle et dans la prise de décision.

vi. Déterminer la fiabilité et la validité du test.

vii. Déterminer le rôle de divers corrélats à une certaine capacité.

viii. Technique d'analyse factorielle pour déterminer la charge factorielle des variables sous-jacentes dans les capacités humaines.

Hypothèses du moment du produit r:

1. Répartition normale :

Les variables à partir desquelles nous voulons calculer la corrélation doivent être distribuées normalement. L'hypothèse peut être posée à partir d'un échantillonnage aléatoire.

La corrélation produit-moment peut être représentée en ligne droite, appelée corrélation linéaire.

Mesure de variables sur séries continues.

Il doit satisfaire à la condition d'homoscédasticité (variabilité égale).

3. Coefficient de corrélation de rang de Spearman:

Il existe certaines situations en éducation et en psychologie où les objets ou les individus peuvent être classés et classés par ordre de mérite ou de compétence sur deux variables et lorsque ces 2 ensembles de rangs covarient ou concordent entre eux, nous mesurons les degrés de relation par corrélation de rang. .

Encore une fois, il existe des problèmes dans lesquels la relation entre les mesures effectuées est non linéaire et ne peut pas être décrite par le produit-moment r.

Par exemple, l'évaluation d'un groupe d'étudiantes sur la base de leur capacité de leadership, le classement des femmes dans un concours de beauté, les étudiants classés par ordre de préférence ou les images peuvent être classées en fonction de leurs valeurs esthétiques. Les employés peuvent être classés par les superviseurs en fonction de leur rendement au travail.

Les écoliers peuvent être classés par les enseignants en fonction de leur adaptation sociale. Dans de tels cas, les objets ou les individus peuvent être classés et classés par ordre de mérite ou de compétence sur deux variables. Spearman a développé une formule appelée Rank Correlation Coefficient pour mesurer l'étendue ou le degré de corrélation entre 2 ensembles de rangs.

Ce coefficient de corrélation est désigné par la lettre grecque ρ (appelée Rho) et est donné par :

où, = rho = coefficient de corrélation de rang de Spearman

D = Différence entre les rangs appariés (dans chaque cas)

N = Nombre total d'articles/individus classés.

Caractéristiques de Rho (ρ):

1. Dans Rank Correlation Coefficient, les observations ou les mesures de la variable bivariée sont basées sur l'échelle ordinale sous forme de rangs.

2. La taille du coefficient est directement affectée par la taille des différences de rang.

(a) Si les rangs sont les mêmes pour les deux tests, chaque différence de rang sera de zéro et finalement D 2 sera de zéro. Cela signifie que la corrélation est parfaite, c'est-à-dire 1,00.

(b) Si les différences de rang sont très importantes et que la fraction est supérieure à un, alors la corrélation sera négative.

je. N est petit ou les données sont très asymétriques.

ii. Ils sont libres, ou indépendants, de certaines caractéristiques de la répartition de la population.

iii. Dans de nombreuses situations, des méthodes de classement sont utilisées, lorsque les mesures quantitatives ne sont pas disponibles.

iv. Bien que des mesures quantitatives soient disponibles, les rangs sont substitués pour réduire le travail arithmétique.

v. De tels tests sont décrits comme non paramétriques.

vi. Dans de tels cas, les données sont composées d'ensembles de nombres ordinaux, 1er, 2e, 3e & #8230.Nth. Ceux-ci sont remplacés par les nombres cardinaux 1, 2, 3,………, N à des fins de calcul. La substitution des nombres cardinaux aux nombres ordinaux suppose toujours l'égalité des intervalles.

I. Calcul de ρ à partir des résultats des tests:

Les données suivantes donnent respectivement les scores de 5 étudiants en mathématiques et en sciences générales :

Calculez la corrélation entre les deux séries de résultats de test par la méthode de différence de rang.

La valeur du coefficient de corrélation entre les scores en mathématiques et en sciences générales est positive et modérée.

Étapes du calcul du coefficient de corrélation de Spearman :

Énumérez les élèves, leurs noms ou leurs numéros de série dans la colonne 1.

Dans les colonnes 2 et 3, écrivez les scores de chaque élève ou individu dans les tests I et II.

Prenez un ensemble de scores de la colonne 2 et attribuez un rang de 1 au score le plus élevé, qui est 9, un rang de 2 au prochain score le plus élevé qui est 8 et ainsi de suite, jusqu'à ce que le score le plus bas obtienne un rang égal à N qui est 5.

Prenez l'ensemble II de scores de la colonne 3 et attribuez le rang 1 au score le plus élevé. Dans la deuxième série, le score le plus élevé est de 10, donc obtenez le rang 1. Le prochain score le plus élevé de l'étudiant B est 8 donc son rang est 2. Le rang de l'étudiant C est 3, le rang de E est 4 et le rang de D est 5.

Calculez la différence de rangs de chaque élève (colonne 6).

Vérifiez la somme des différences enregistrées dans la colonne 6. Elle est toujours nulle.

Chaque différence de rangs de la colonne 6 est mise au carré et enregistrée dans la colonne 7. Obtenez la somme ∑D 2 .

Mettez la valeur de N et 2D 2 dans la formule du coefficient de corrélation de Spearman.

2. Calcul à partir de données classées:

Dans un concours de discours, les professeurs Mehrotra et Shukla ont jugé 10 élèves. Leurs jugements étaient en rangs, qui sont présentés ci-dessous. Déterminez dans quelle mesure leurs jugements étaient en accord.

La valeur du coefficient de corrélation est de + 0,83. Cela montre un degré élevé d'accord entre les deux juges.

3. Calcul de ρ (Rho) pour les rangs à égalité:

Les données suivantes donnent les scores de 10 étudiants sur deux essais de test avec un écart de 2 semaines dans l'essai I et l'essai II.

Calculez la corrélation entre les scores de deux essais par la méthode de différence de rang :

La corrélation entre les essais I et II est positive et très élevée. Regardez attentivement les notes obtenues par les 10 étudiants aux essais I et II du test.

Trouvez-vous une particularité dans les notes obtenues par les 10 étudiants ? Votre réponse sera probablement “oui”.

Dans le tableau ci-dessus dans les colonnes 2 et 3, vous constaterez que plus d'un étudiant obtient les mêmes scores. Dans la colonne 2, les élèves A et G obtiennent le même score, à savoir. 10. Dans la colonne 3, les élèves A et B, C et F et G et J obtiennent également les mêmes notes, qui sont respectivement de 16, 24 et 14.

Ces paires auront certainement les mêmes rangs connus sous le nom de rangs liés. La procédure d'attribution des rangs aux scores répétés est quelque peu différente de celle des scores non répétés.

Regardez la colonne 4. Les élèves A et G ont des scores similaires de 10 chacun et ils possèdent les 6e et 7e rangs dans le groupe. Au lieu d'attribuer les 6e et 7e rangs, la moyenne des deux rangs soit 6,5 (6 + 7/2 = 13/2) a été attribuée à chacun d'eux.

La même procédure a été suivie pour les notes de l'épreuve II. Dans ce cas, les liens se produisent à trois endroits. Les élèves C et F ont le même score et obtiennent ainsi le rang moyen de (1 + 2/2 = 1,5). Les élèves A et B ont les rangs 5 ​​et 6 et se voient donc attribuer 5,5 (5 + 6/2) chacun. De même, les élèves G et J se sont vu attribuer chacun un rang de 7,5 (7 + 8/2).

Si les valeurs sont répétées plus de deux fois, la même procédure peut être suivie pour attribuer les rangs :

si trois élèves obtiennent un score de 10, aux 5e, 6e et 7e rangs, chacun d'eux se verra attribuer un rang de 5 + 6 + 7/3 = 6.

Le reste des étapes de la procédure suivie pour le calcul de (rho) sont les mêmes que celles expliquées précédemment.

La valeur de peut également être interprétée de la même manière que le coefficient de corrélation de Karl Pearson. Il varie entre -1 et + 1. La valeur + 1 représente un accord ou une relation positive parfaite entre deux ensembles de rangs tandis que ρ = – 1 implique une relation négative parfaite. En cas d'absence de relation ou d'accord entre les rangs, la valeur de = 0.

Avantages de la méthode de différence de rang:

1. Le calcul du coefficient de corrélation de l'ordre de classement de Spearman est plus rapide et plus facile que (r) calculé par la méthode du moment du produit de Pearson.

2. C'est une méthode acceptable si les données ne sont disponibles que sous forme ordinale ou si le nombre de variables appariées est supérieur à 5 et pas supérieur à 30 avec un minimum ou quelques liens dans les rangs.

3. Il est assez facile d'interpréter p.

1. Lorsque les données d'intervalle sont converties en données classées, les informations sur la taille des différences de score sont perdues, par ex. dans le Tableau 5.10, si D dans l'Essai II obtient des scores de 18 à 21, son rang ne reste que 4.

2. Si le nombre de cas est plus important, leur donner des rangs devient un travail fastidieux.


Une méta-analyse de 83 études produit des preuves « très solides » d'une relation négative entre l'intelligence et la religiosité

De nouvelles recherches confirment qu'il existe une relation négative entre la religiosité et l'intelligence. Les résultats ont été publiés dans la revue scientifique Bulletin de personnalité et de psychologie sociale.

“La religiosité est un phénomène omniprésent. Son influence peut être ressentie dans toutes les sphères de la vie. Cependant, une partie importante de la population se définit comme athée. Pourquoi certaines personnes décident-elles de ne pas être religieuses ? Je pensais que c'était une question importante et fascinante », a déclaré l'auteur de l'étude Miron Zuckerman de l'Université de Rochester.

Zuckerman et ses collègues ont précédemment mené une méta-analyse de 63 études, qui ont trouvé "une relation négative fiable entre l'intelligence et la religiosité". En d'autres termes, les personnes religieuses ont tendance à être moins intelligentes que les personnes non religieuses en moyenne.

Mais cette découverte a suscité beaucoup de controverse. "Les commentaires dans les médias allaient d'expressions de surprise et de curiosité au scepticisme ou même au dédain quant à ce que les tests d'intelligence mesurent réellement", ont écrit les chercheurs dans leur nouvelle étude.

Zuckerman et ses collègues ont donc décidé de mener une autre analyse avec des données mises à jour. "La collecte de nouvelles données pour vérifier la validité des découvertes précédentes est cruciale pour la science à tout moment, mais surtout lorsque le sujet est socialement pertinent et chargé d'émotions", ont-ils expliqué.

La nouvelle méta-analyse, qui comprenait des données de 61 études de la méta-analyse précédente et de nouvelles données de 22 études menées de 2012 à 2018, a confirmé les résultats précédents. Il n'a également trouvé aucune preuve que la relation négative entre la religiosité et l'intelligence se soit affaiblie ces dernières années.

En rapportDes postes

Une nouvelle étude suggère que l'ambivalence a peut-être joué un rôle dans la victoire de Trump en 2016, mais les sondeurs l'ont manquée

Une nouvelle recherche interculturelle met en lumière le lien entre Facebook et les troubles de l'image corporelle

Les résultats étaient basés sur les données de plus de 110 000 participants au total.

« La preuve qu'il existe une relation négative entre l'intelligence et la religiosité est très forte. Mais la taille de l'effet de la relation est faible. Cela signifie qu'il existe des facteurs autres que l'intelligence qui expliquent pourquoi les gens sont ou ne sont pas religieux. Cela signifie également que bien que les personnes les plus intelligentes aient tendance à être moins religieuses en moyenne, prédire la religiosité à partir de l'intelligence pour les individus est faillible », a déclaré Zuckerman à PsyPost.

Les chercheurs ont également trouvé des preuves que les styles cognitifs expliquaient une partie de la relation entre la religiosité et l'intelligence. En particulier, un style de pensée analytique (par opposition à intuitif) était lié à la fois à une intelligence accrue et à une religiosité réduite.

"Bien que nous présentions les raisons de la relation négative, les preuves empiriques de ces explications ne sont pas définitives", a déclaré Zuckerman.

De plus, la plupart des études ont été menées aux États-Unis. On ne sait pas si les résultats s'appliquent aux religions orientales telles que le bouddhisme et l'hindouisme.

« La relation négative a été établie pour les sociétés occidentales. Nous ne savons pas si cela se généralise à d'autres populations, en particulier celles d'Extrême-Orient, a expliqué Zuckerman.

L'étude, « The Negative Intelligence–Religiosity Relation : New and Confirming Evidence » , a été rédigée par Miron Zuckerman, Chen Li, Shengxin Lin et Judith A. Hall.


Avantages de la technologie numérique pour la santé du cerveau


Malgré ces effets nocifs potentiels de la technologie numérique sur la santé du cerveau, de nouvelles preuves indiquent plusieurs avantages pour le cerveau vieillissant en particulier, notamment des possibilités d'exercices neuronaux de renforcement cérébral, d'entraînement cognitif et de prestation en ligne d'interventions et de soutien en matière de santé mentale ( Tableau I

Tableau I.

Stratégies Cibles de promotion de la santé du cerveau
Recherche en ligne Activation neuronale des circuits contrôlant la prise de décision et le raisonnement complexe
Jeux d'entraînement cognitif Cognition globale, mémoire (immédiate, différée et fonctionnelle),
attention, capacités d'apprentissage
Jeux vidéo de voitures de course avec panneaux de signalisation gênants Compétences multitâches
Jeux d'entraînement aux tâches N-back Mémoire de travail, intelligence fluide
Jeux vidéo d'action Attention visuelle, temps de réaction, capacités de changement de tâche
Applications de surveillance Fréquence cardiaque, schémas respiratoires
Psychothérapie, applications éducatives Humeur, sommeil, soutien social

Exercice neuronal


Adultes connaisseurs d'Internet par rapport aux adultes naïfs d'Internet


La neuroimagerie fonctionnelle permet aux scientifiques d'observer l'activité neuronale régionale au cours de diverses tâches mentales. Notre groupe a été le premier à explorer l'activité neuronale à l'aide de l'IRM fonctionnelle tandis que des volontaires de recherche effectuaient une recherche Internet simulée. 3 Des études antérieures ont suggéré que les tâches mentalement difficiles, telles que la recherche en ligne, peuvent être bénéfiques pour la santé du cerveau et même retarder le déclin cognitif. 35,36 Nous nous sommes concentrés sur la recherche sur Internet, car elle est si courante chez les personnes de tous âges. 37 


Nous avons évalué les schémas d'activation neuronale du cerveau chez 24 adultes d'âge moyen et plus âgés sur le plan cognitif (âgés de 55 à 76 ans) : 12 d'entre eux avaient une expérience minimale de la recherche sur Internet (groupe naïf) et 12 avaient une expérience approfondie (groupe ). En plus de la tâche de recherche sur Internet, nous avons utilisé une tâche de contrôle consistant à lire du texte sur un écran d'ordinateur formaté pour simuler la mise en page d'un livre imprimé.


Nous avons constaté que la lecture de texte activait les régions cérébrales contrôlant le langage, la lecture, la mémoire et les capacités visuelles (régions frontale inférieure gauche, temporale, cingulaire postérieure, pariétale et occipitale), et que l'ampleur et l'étendue de l'activation étaient similaires dans les réseaux naïfs et occipitaux. groupes connaissant le net. Au cours de la recherche sur Internet, les sujets naïfs ont affiché des schémas d'activation similaires à ceux observés lors de la lecture de texte. Cependant, les sujets avertis ont démontré une activité significative de l'intensité du signal neuronal dans des régions supplémentaires contrôlant la prise de décision, le raisonnement complexe et la vision (pôle frontal, région temporale antérieure, cingulaire antérieur et postérieur et hippocampe). Au cours de la tâche de recherche sur Internet, le groupe net-savvy a affiché une augmentation de plus du double de l'étendue de l'activation dans les principaux clusters régionaux par rapport au groupe net-naïf (21 782 contre 8646 voxels activés au total).


Ces résultats suggèrent que la recherche en ligne peut être une forme d'exercice neuronal du cerveau. D'autres recherches indiquent qu'après plusieurs mois, le jeu quotidien sur ordinateur entraîne une réduction de l'activité neuronale corticale. 38 Nos autres recherches indiquent que l'entraînement de la mémoire, ainsi que des comportements de mode de vie sains (par exemple, exercice physique, alimentation saine), entraînent une réduction du métabolisme cortical préfrontal dorsal après 2 semaines. 36 Ces résultats suggèrent que la répétition de la tâche au fil du temps entraîne une activité neuronale plus faible pendant la tâche, ce qui pourrait refléter une plus grande efficacité cognitive après l'entraînement mental.

Un modèle qui pourrait expliquer de telles découvertes est que des expériences mentales nouvelles et stimulantes, telles que la recherche sur Internet, conduisent initialement à une activation minimale avant que l'internaute ne découvre des stratégies pour résoudre le défi mental inconnu. Après de telles informations, un réseau de neurones plus large est engagé. Après des séances répétées, la tâche mentale initialement nouvelle devient routinière et répétitive, ne posant plus un défi mental. L'activité plus faible observée peut donc refléter une réponse neuronale plus efficace. Ces résultats suggèrent également que l'expérience antérieure de recherche sur Internet peut altérer la réactivité du cerveau dans les circuits neuronaux contrôlant la prise de décision et le raisonnement complexe. Les volontaires avertis ont montré une activation accrue pendant la tâche de recherche sur Internet, ce qui suggère que la recherche sur Internet peut rester un processus nouveau et stimulant mentalement même après une pratique continue.


Entraînement Internet et fonction cérébrale


Nous avons également utilisé l'IRM fonctionnelle pour enregistrer l'activité neuronale du cerveau lors de tâches de recherche sur Internet simulées chez 12 sujets naïfs et 12 sujets avertis avant et après la formation sur Internet. 39 Sur la base de nos résultats précédents, nous avons émis l'hypothèse que les volontaires naïfs recruteraient un plus grand réseau de lobe frontal après une formation sur Internet et que les volontaires avertis ne montreraient aucune augmentation ou une diminution de l'activation après la formation en raison d'une plus grande efficacité cognitive due à la formation .


La formation consistait en de brèves instructions sur la façon de rechercher en ligne ainsi que des séances d'entraînement (1 heure par jour pendant une semaine). Pour augmenter la motivation, les participants ont été informés qu'ils seraient interrogés sur leurs connaissances des sujets de recherche assignés après l'expérience.


Au cours de leur première session, les sujets naïfs de réseau ont recruté un réseau neuronal qui comprenait les gyri frontaux supérieur, moyen et inférieur, ainsi que le cortex occipital latéral et le pôle occipital. Au cours de la deuxième session (après la formation sur Internet), des régions supplémentaires dans le gyri frontal moyen et inférieur ont été recrutées uniquement dans le groupe naïf net. En revanche, lors de leur première session d'analyse, les sujets connaissant le net ont recruté un réseau cortical qui, bien que chevauchant celui des sujets naïfs du net, a montré des régions d'activation plus étendues ( Figures 1 et 2 ). Ce réseau cortical comprenait des régions qui contrôlent les activités mentales prenant en charge les tâches requises pour les recherches sur Internet, notamment la prise de décision, la mémoire de travail et la capacité de supprimer les informations non pertinentes. De plus, les participants avertis ont montré un modèle d'activation qui a été réduit après la formation. Cette réduction est cohérente avec notre hypothèse selon laquelle le cerveau devient plus efficace et s'habitue éventuellement à la tâche Internet au fil du temps. Dans l'ensemble, ces résultats suggèrent que la recherche sur Internet pendant des périodes relativement courtes peut modifier les schémas d'activité cérébrale chez les adultes d'âge moyen et plus âgés.


D'autres groupes ont exploré les effets de la formation à la recherche sur Internet sur la structure et le fonctionnement du cerveau. Dong et ses collaborateurs 40 ont étudié l'influence d'une formation à court terme à la recherche sur Internet sur la microstructure de la substance blanche via l'imagerie du tenseur de diffusion. Après 6 jours de formation, ils ont constaté que les 59 participants (âge moyen 21 ans) présentaient une anisotropie fractionnelle accrue (imagerie du tenseur de diffusion) dans le faisceau longitudinal supérieur droit et, dans cette région, une diffusivité radiale réduite. Ces résultats suggèrent qu'une formation à court terme à la recherche sur Internet peut augmenter l'intégrité de la substance blanche dans le faisceau longitudinal supérieur droit, ce qui pourrait résulter d'une myélinisation accrue. 



Résultats

Régions liées à l'intelligence : corrélats structurels contre corrélats fonctionnels

Nous avons d'abord testé les associations de g avec la structure et la fonction du cerveau. Comme prévu, le volume cérébral était en corrélation avec le QI (r = 0.35 p < 0,001). L'épaisseur de la matière grise du cortex cérébral a été déterminée à l'aide d'une technique d'extraction de surface automatisée avancée (Kim et al., 2005) dans un grand échantillon (m = 164). Dans toutes les régions du cerveau, il y avait des fluctuations substantielles dans la corrélation entre l'épaisseur de la matière grise corticale et le WAIS FSIQ (p < 0.05) (Fig. 1UNE). La carte de corrélation avec le FSIQ a révélé une asymétrie frappante en faveur de l'hémisphère gauche (Fig. 1C,). Tous les corrélats positifs (p < 0,001), y compris l'ATC, l'OTC et le cortex temporal inférieur (ITC), ont convergé vers le lobe temporal, principalement sur le côté gauche et ses zones adjacentes, alors qu'une corrélation négative n'a été trouvée que dans le cortex pariétal latéral (p < 0,001). Compte tenu de notre tranche d'âge intentionnellement étroite, il n'est pas surprenant que l'âge n'ait pas été associé à l'épaisseur corticale dans tout le cerveau (p < 0,001).

Corrélats structurels et fonctionnels de l'intelligence et leur latéralité contrastée. UNE, Corrélations entre l'épaisseur de matière grise corticale et WAIS FSIQ. La barre de couleur indique la signification statistique des corrélations (gauche, corrélation négative à droite, corrélation positive). Les lignes indiquent les retours sur investissement avec une signification statistique élevée (p < 0,001 non corrigé) : ATC, OTC, ITC, MTC et LPC. B, Corrélations entre le niveau d'activation corticale lors des tâches de raisonnement et WAIS FSIQ. La barre de couleur indique la signification statistique des corrélations. Les lignes indiquent les retours sur investissement avec une signification statistique élevée (p < 0,001 non corrigé) : ACC, PFC et PPC. C, , hémisphérique (C) et lobaire () les tailles de zone des corrélats structuraux manifestant une dominance gauche. E, F, Hémisphérique (E) et lobaire (F) les volumes des corrélats fonctionnels démontrant une symétrie bilatérale. Les tailles des aires corticales (C, ) et les clusters d'activation (E, F) ont été définis à l'aide des corrélations de signification statistique (p < 0,001 non corrigé). L, R gauche, Fro droit, Tem frontal, Ins temporal, Par insulaire, Occ pariétal, lobes occipitaux.

En utilisant les mêmes critères statistiques, nous avons étudié la relation entre la capacité intellectuelle et l'activité neuronale du réseau cortical au cours d'une tâche de raisonnement fluide (m = 109 voir Matériels et Méthodes). Il y avait des corrélations positives largement distribuées dans tout le cerveau et aucun corrélat négatif significatif (Fig. 1B). Contrairement aux corrélats structurels, les corrélats fonctionnels n'avaient pas de latéralisation claire (Fig. 1E,F). Avec le score RPM comme covariable, les schémas globaux des cartes structurelles et fonctionnelles étaient généralement similaires à ceux dérivés de WAIS IQ (Fig. 1 supplémentaire, Tableau 2, disponible sur www.jneurosci.org en tant que matériel supplémentaire). Dans une comparaison entre les cartes structurelles, les scores RPM avaient tendance à être plus fortement corrélés avec l'épaisseur corticale dans les régions préfrontales latérales et médiales que les scores WAIS (p < 0.05). Ces résultats suggèrent que la structure et la fonction du cortex préfrontal peuvent toutes deux soutenir gF plutôt que gC.

Épaisseur corticale et activation fonctionnelle expliquant sélectivement gC et gF

Nous avons émis l'hypothèse que les corrélats structurels et fonctionnels reflètent différentes composantes de g. Plus précisément, la latéralisation gauche suggère que les corrélats structurels peuvent être plus fortement associés au traitement de l'information verbale, à savoir gC. Nous avons testé une différence entre les corrélats neuronaux structurels et fonctionnels de l'intelligence dans leur relation avec les composants hiérarchiques de l'intelligence, qui comprenaient des superordonnées (g) et subordonnés (gC et gF), dérivé par analyse factorielle du RPM et des scores du sous-test WAIS (voir Matériels et méthodes). g présentaient la plus forte association avec les corrélats structurels et fonctionnels de l'intelligence (Fig. 2). L'épaisseur de la matière grise dans les ROI cibles était plus fortement associée à gC que gF (Fig. 2UNE supplémentaire Fig. 3, disponible sur www.jneurosci.org comme matériel supplémentaire). En revanche, l'activité neuronale au sein de chaque nœud du réseau fronto-pariétal (les ROI fonctionnelles) reflète mieux gF que gC (Fig. 2C supplément Fig. 4, disponible sur www.jneurosci.org comme matériel supplémentaire). De plus, une analyse de régression linéaire multiple a démontré que le pouvoir explicatif global de la structure est corrélé pour gC (R 2 = 37%) était plus élevé que pour gF (R 2 = 22%), alors que les corrélats fonctionnels ont montré un schéma opposé à celui structurel (gC, R 2 = 20 % contre gF, R 2 = 31 %) (Fig. 2B,). Cette association différentielle de deux fonctions psychologiques (gF et gC) avec différentes zones cérébrales appuie fortement notre hypothèse. L'association entre l'épaisseur corticale et la connaissance sémantique a en outre été démontrée par des corrélations plus élevées pour les scores des sous-tests WAIS basés sur des tests verbaux plutôt que non verbaux (de performance) (tableau supplémentaire 3, disponible sur www.jneurosci.org en tant que matériel supplémentaire).

Intelligence générale, cristallisée et fluide expliquée sélectivement par des ROI structurelles et fonctionnelles. UNE, C, Les graphiques radar montrent des corrélations simples de l'épaisseur corticale (UNE) ou pic t But (C) de chaque ROI avec les composantes majeures de l'intelligence : g (ligne grise), gC (ligne orange), et gF (Ligne bleue). B, , Les graphiques à barres affichent les corrélations multiples de tous les éléments structurels (B) ou fonctionnel () Valeurs de retour sur investissement avec les composants d'intelligence. Chaque barre ou ligne indique le montant de l'écart expliqué (R 2 ) de la performance individuelle dans les scores de la composante intelligence. g, Composante principale de tous les sous-tests WAIS et RPM gC, composante principale des sous-tests de compréhension verbale WAIS gF, composant principal des sous-tests d'organisation perceptive WAIS et RPM.

Impact de la catégorie intellectuelle sur les différences d'épaisseur corticale entre les niveaux de QI

Les coefficients corrélationnels et les facteurs d'intelligence, cependant, sont des chiffres trop simples extraits d'un ensemble de données donné. Ils peuvent difficilement donner un aperçu de la relation pratique entre les scores aux tests d'intelligence psychométrique (QI) et l'épaisseur de la matière grise corticale (en millimètres). Pour résoudre cette incertitude, nous avons divisé l'échantillon en trois groupes de nombres pratiquement égaux (c. Les scores de QI (PIQ), FSIQ et RPM (tableau supplémentaire 4, disponible sur www.jneurosci.org en tant que matériel supplémentaire) et ont déterminé les différences d'épaisseur corticale entre les groupes de QI (Fig. 3). Quels que soient les critères intellectuels, les différences corticales les plus significatives se sont produites dans le cortex temporal gauche (LTC) à travers le cerveau. En ce qui concerne le score du test, les différences de VIQ avaient la plus forte association avec l'épaisseur corticale, en particulier dans le LTC. Cela indique que l'épaisseur corticale dans le cortex temporal reflète principalement la capacité verbale plutôt que fluide. Notamment, la relation entre l'épaisseur corticale et le VIQ était proche de linéaire entre les groupes et a même fortement augmenté dans la plage de QI supérieure pour le LTC. Cependant, les différences de PIQ et de RPM étaient moindres dans la plage de QI supérieure par rapport à la plage moyenne. Ces résultats suggèrent une base biologique possible pour la « loi des rendements décroissants » de Spearman, qui prédit que les connaissances acquises et les informations pertinentes sur le plan pédagogique associées à gC deviennent plus saillants que des mesures plus pures de g parmi les sujets d'intelligence supérieure (Jensen, 1998).

Effets du domaine intellectuel sur les changements d'épaisseur corticale en fonction du niveau de QI. UNE, Différences d'épaisseur corticale entre les niveaux adjacents de QI en fonction des critères d'intelligence et des lobes cérébraux. Les groupes de QI supérieur, élevé et moyen ont été divisés de manière égale selon quatre critères d'intelligence, les scores FSIQ, VIQ, PIQ et RPM. L'épaisseur corticale de chaque lobe est représentée par la valeur moyenne de toutes les ROI dans le lobe. Sup., moyenne supérieure, moyenne. *p < 0.05 **p < 0.01 ***p < 0,001, bilatéral t test. B, C, Écarts d'épaisseur corticale par rapport à l'épaisseur du groupe de QI moyen utilisé comme référence zéro. Les groupes VIQ sont mieux décrits par une fonction linéaire ou quadratique, tandis que les groupes PIQ sont mieux décrits par une fonction logarithmique. Les cartes cérébrales montrent des changements d'épaisseur absolus à chaque point cortical, en fonction des niveaux VIQ et PIQ.

Modèle de QI neurométrique : prédire le QI psychométrique à partir de mesures neurobiologiques

Nous avons validé nos résultats en testant un modèle neurométrique d'intelligence que nous avons développé de manière prospective. Plus précisément, nous avons postulé que la combinaison de corrélats neuronaux structurels et fonctionnels de l'intelligence nous permettrait de formuler un modèle capable de prédire avec précision l'intelligence psychométrique dans un échantillon indépendant (c'est-à-dire une prédiction prospective, plutôt que d'adapter un modèle post hoc à un ensemble de données). Le modèle combinant des mesures structurelles et fonctionnelles prédit fortement le QI dans l'échantillon de test (R = 0.71 p < 0,001) (Fig. 4). De plus, les prédicteurs fonctionnels ont contribué au-dessus de la structure, et vice versa, réitérant notre conclusion d'une association différentielle de la fonction psychologique avec les régions du cerveau. En tant que validation rigoureuse du modèle, nous avons calculé une estimation du QI pour chaque participant de l'échantillon de test. Même en utilisant non pas des paramètres libres, mais des paramètres fixes (valeurs α et dérivées des pools de modèles), le QI estimé prédisait fortement le QI (r = 0.67 p < 0,001) (Fig. 4B), ne différant pas statistiquement du niveau de prévisibilité de référence (QI de RPM, différence entre les corrélations dépendantes, Z = 1.06 p = 0,29). Ainsi, au sein de cette population, les images cérébrales dérivées de l'IRM peuvent être utilisées pour prédire l'intelligence à un degré impressionnant. De manière plus critique pour les présentes fins, la structure et la fonction ont apporté des contributions distinctes au modèle.

Prédiction du QI psychométrique à partir de mesures neurobiologiques. UNE, Spécification d'un modèle de QI neurométrique. Pour spécifier les prédicteurs potentiels, nous avons corrélé le QI avec l'épaisseur corticale (en haut) ou le niveau d'activation (en bas) à chaque voxel, et seuillé (p < 0.001) pour définir les ROI. Nous avons réduit la redondance en faisant la moyenne des retours sur investissement qui covariaient (p < 0,001), laissant le volume cérébral et trois variables prédictives candidates basées sur le ROI. Les termes d'interaction ont permis au sexe de modérer la relation entre les variables basées sur le RM et le QI. Pour spécifier un modèle, nous avons passé au crible les prédicteurs potentiels en faisant régresser le QI sur eux simultanément, en retenant cinq comme modèle. B, Test du modèle. Nous avons estimé le QI à l'aide du modèle dans un échantillon indépendant. Le QI estimé était en corrélation avec le QI mesuré, indiquant une prédiction réussie. Pour le modèle strict (paramètres fixes), les valeurs des paramètres ont été obtenues en ajustant le modèle (régression) dans les ensembles de données pour la spécification du modèle.


Article HYPOTHÈSE ET THÉORIE

  • 1 Programme de neurosciences théoriques et computationnelles, National Institute of Mental Health, National Institutes of Health, Bethesda, MD, États-Unis
  • 2 Département de psychologie et de génie biomédical, Université d'Arizona, Tucson, AZ, États-Unis
  • 3 Département de génie électrique et informatique, Duke University, Durham, Caroline du Nord, États-Unis
  • 4 Executive Functions and Reward Systems Program, National Institute of Mental Health, National Institutes of Health, Bethesda, MD, États-Unis
  • 5 Center for Advanced Circuit Therapeutics, Icahn School of Medicine at Mount Sinai, New York, NY, États-Unis
  • 6 Programme de psychiatrie computationnelle, National Institute of Mental Health, National Institutes of Health, Bethesda, MD, États-Unis

L'utilisation de l'intelligence artificielle et de l'apprentissage automatique dans la recherche fondamentale et les neurosciences cliniques est en augmentation. Les méthodes d'IA permettent l'interprétation de grands ensembles de données multimodales qui peuvent fournir des informations impartiales sur les principes fondamentaux de la fonction cérébrale, ouvrant potentiellement la voie à une détection plus précoce et plus précise des troubles cérébraux et à des protocoles d'intervention mieux informés. Malgré la capacité de l'IA à créer des prédictions et des classifications précises, dans la plupart des cas, elle n'a pas la capacité de fournir une compréhension mécanique de la façon dont les entrées et les sorties sont liées les unes aux autres. L'intelligence artificielle explicable (XAI) est un nouvel ensemble de techniques qui tente de fournir une telle compréhension, nous présentons ici certaines de ces approches pratiques. Nous discutons de la valeur potentielle de XAI dans le domaine de la neurostimulation à la fois pour la recherche scientifique de base et à des fins thérapeutiques, ainsi que des questions en suspens et des obstacles au succès de l'approche XAI.


Comment le cerveau apprend-il en se parlant à lui-même ?

L'être humain, comme les autres animaux, possède une énorme capacité d'apprentissage qui permet d'appréhender de nouvelles informations sensorielles pour maîtriser de nouvelles compétences ou s'adapter à un environnement en constante évolution. Cependant, bon nombre des mécanismes qui nous permettent d'apprendre restent mal compris. L'un des plus grands défis des neurosciences des systèmes est d'expliquer comment les connexions synaptiques changent pour soutenir les comportements adaptatifs. Des neuroscientifiques de l'Université de Genève (UNIGE), en Suisse, ont déjà montré que les mécanismes d'apprentissage synaptique dans le cortex cérébral dépendent de la rétroaction des régions cérébrales plus profondes. Ils ont maintenant déchiffré avec précision comment cette rétroaction active le renforcement synaptique en activant et désactivant des neurones inhibiteurs particuliers. Cette étude, qui peut être lue dans Neurone, non seulement constitue une étape importante dans notre compréhension des mécanismes d'apprentissage perceptuel, mais peut également offrir un aperçu des systèmes d'apprentissage informatisés et de l'intelligence artificielle.

Le cortex - la région externe et la plus grande du cerveau - est important pour les fonctions cognitives supérieures, les comportements complexes, la perception et l'apprentissage. À l'arrivée d'un stimulus sensoriel, le cortex traite et filtre ses informations avant de transmettre les aspects les plus pertinents à d'autres régions du cerveau. Certaines de ces régions cérébrales renvoient à leur tour des informations au cortex. Ces boucles, appelées « systèmes de rétroaction », sont considérées comme essentielles au fonctionnement des réseaux corticaux et à leur adaptation aux nouvelles informations sensorielles. "Pour l'apprentissage perceptif - qui est la capacité améliorée de répondre à un stimulus sensoriel - les circuits neuronaux doivent d'abord évaluer l'importance des informations sensorielles entrantes, puis affiner la façon dont elles sont traitées à l'avenir. Les systèmes de rétroaction confirment dans une certaine mesure que les synapses chargées de transmettre l'information à d'autres zones cérébrales l'ont fait correctement », explique Anthony Holtmaat, professeur en neurosciences fondamentales à la Faculté de médecine de l'UNIGE, qui a dirigé cette étude.

Comment les moustaches mettent en évidence les systèmes de rétroaction

Les moustaches du museau d'une souris sont spécialisées dans la détection tactile et jouent un rôle majeur dans la capacité de l'animal à comprendre les aspects de son environnement direct. La partie du cortex qui traite les informations sensorielles des moustaches optimise en permanence ses synapses afin d'apprendre de nouveaux aspects de l'environnement tactile. Par conséquent, il constitue un modèle intéressant pour comprendre le rôle des systèmes de rétroaction dans les mécanismes d'apprentissage synaptique.

Les scientifiques de l'UNIGE ont isolé un circuit de rétroaction lié aux moustaches et ont utilisé des électrodes pour mesurer l'activité électrique des neurones du cortex. Ils ont ensuite imité l'entrée sensorielle en stimulant une partie spécifique du cortex connue pour traiter cette information et, en même temps, ont utilisé la lumière pour contrôler le circuit de rétroaction. "Ce modèle ex vivo nous a permis de contrôler le feedback indépendamment de l'entrée sensorielle, ce qui est impossible à faire in vivo. Cependant, déconnecter l'entrée sensorielle du feedback était essentiel pour comprendre comment l'interaction entre les deux conduit au renforcement synaptique" ajoute Holtmaat.

Les neurones inhibiteurs transmettent l'information

L'équipe a découvert que les deux composants, lorsqu'ils sont déclenchés séparément, activent un large éventail de neurones. Cependant, lorsqu'ils sont activés simultanément, certains neurones diminuent en fait leur activité. "Il est intéressant de noter que les neurones qui sont inhibés lorsque l'entrée sensorielle et la rétroaction se produisent ensemble inhibent généralement les neurones importants pour la perception, c'est ce qu'on appelle une inhibition de l'inhibition ou une désinhibition", explique Leena Williams de la Faculté de médecine de l'UNIGE, le premier auteur de l'étude. "Ainsi, ces neurones agissent comme une porte pour les informations entrantes, et qui est normalement fermée. Mais lorsque la rétroaction arrive, la porte s'ouvre, permettant aux synapses qui prennent en charge les informations sensorielles primaires d'augmenter leur force. Avec cette étude nous avons identifié comment les commentaires optimisent éventuellement les connexions synaptiques pour mieux se préparer aux futures informations entrantes », ajoute-t-elle.

Maintenant qu'ils ont identifié avec précision quels neurones sont impliqués dans ce mécanisme, ces scientifiques vont tester leurs résultats dans la "vraie vie" pour vérifier si les neurones inhibiteurs se comporteront comme prévu lorsqu'une souris a besoin d'apprendre de nouvelles informations sensorielles ou lorsqu'elle découvre de nouveaux aspects. dans son environnement tactile.

Apprentissage profond : imiter l'intelligence naturelle

Comment les circuits cérébraux s'optimisent-ils ? Comment un système peut-il s'auto-apprendre en lisant sa propre activité ? En plus d'être pertinente pour l'apprentissage chez les animaux, cette question est également au cœur des programmes d'apprentissage automatique. En effet, certains spécialistes du deep learning tentent d'imiter les circuits cérébraux pour construire des systèmes artificiellement intelligents. Des informations telles que celles fournies par l'équipe de l'UNIGE pourraient être pertinentes pour l'apprentissage non supervisé, une branche de l'apprentissage automatique qui s'occupe de modèles de circuits capables de s'auto-organiser et d'optimiser le traitement de nouvelles informations. Ceci est important pour la création de programmes efficaces de reconnaissance vocale ou faciale, par exemple.


Ce que les hyènes peuvent nous dire sur les origines de l'intelligence

Mis à part les similitudes physiques, nous partageons beaucoup de points communs avec nos parents primates. Par exemple, comme Jane Goodall l'a si bien documenté, les chimpanzés forment des liens à vie et montrent de l'affection à peu près de la même manière que les humains. Les chimpanzés peuvent également résoudre de nouveaux problèmes, utiliser des objets comme outils et posséder une « la théorie de l'esprit » comprenant que les autres peuvent avoir des perspectives différentes de la sienne. Ils peuvent même surpasser les humains dans certains types de tâches cognitives.

Ces points communs peuvent ne pas sembler si surprenants compte tenu de ce que nous savons maintenant du domaine de la génomique comparative : nous partageons presque tout notre ADN avec les chimpanzés et autres primates. Cependant, la complexité sociale et cognitive n'est pas unique à nos plus proches cousins ​​évolutifs. En fait, elle est abondante en espèces avec lesquelles nous semblons avoir très peu de points communs, comme la hyène tachetée.

Pendant plus de trois décennies, la zoologiste de l'Université d'État du Michigan, Kay Holekamp, ​​a étudié les habitudes de la hyène tachetée dans la réserve nationale du Masai Mara au Kenya, ayant déjà passé cinq années consécutives dans une tente parmi ses sujets souvent décriés. L'une des études les plus anciennes au monde sur un mammifère sauvage, ce projet historique a révélé que les hyènes tachetées ont non seulement des groupes sociaux aussi complexes que ceux de nombreux primates, mais sont également capables de certains des mêmes types de résolution de problèmes.

Cette recherche met en lumière l'un des plus grands mystères de la science et comment l'intelligence a évolué dans le règne animal. Selon le hypothèse du cerveau social, l'intelligence a évolué pour répondre aux exigences de la vie sociale. Sujet de nombreux articles et livres populaires, cette hypothèse postule que le traitement complexe de l'information qui va de pair avec la coexistence avec les membres d'une espèce et la formation de coalitions, le règlement des différends, la tentative de déjouer les uns les autres, etc. En revanche, le hypothèse du tampon cognitif soutient que l'intelligence émerge comme une adaptation pour faire face à la nouveauté dans l'environnement, sous quelque forme qu'elle se présente.

L'hypothèse du cerveau social est bien étayée par la recherche sur les primates : plus une espèce de primate est sociale, plus son cerveau est gros et plus il a tendance à être intelligent. Cependant, les travaux de Holekamp&rsquos remettent en question cette hypothèse comme explication générale de l'évolution de l'intelligence. Dans une étude menée en 2012 dans la réserve du Masai Mara, Holekamp et l'ancienne étudiante diplômée Sarah Benson-Amram ont conçu une "boîte à énigmes" pour mesurer la capacité des hyènes à innover, c'est-à-dire à résoudre un problème qu'elles n'avaient jamais rencontré auparavant. Dans chaque essai, un morceau de viande crue était placé dans la boîte à puzzle, et la tâche de l'hyène consistait à faire glisser un loquet, puis à ouvrir une porte pour obtenir la nourriture. Sur 62 hyènes, le meilleur prédicteur de succès était ce qui pourrait être considéré comme une adaptation pour faire face à la nouveauté dans l'environnement et le comportement d'exploration. Les hyènes qui ont utilisé une gamme de comportements différents dans le premier essai pour évaluer la boîte de puzzle étaient finalement plus susceptibles de comprendre comment l'ouvrir que leurs homologues moins curieux. En revanche, il n'y avait pas de corrélation entre le rang social et la réussite.

Plus récemment, dans une étude publiée dans le Actes de l'Académie nationale des sciences, Benson-Amram, Holekamp et leurs collègues ont utilisé le paradigme de la boîte à puzzle pour tester la capacité d'innovation de 140 animaux de zoo représentant 39 espèces de mammifères carnivores, de l'ours polaire au léopard des neiges en passant par le renard fennec. En contrôlant la masse corporelle, la taille du cerveau prédit le pourcentage d'essais réussis (cerveau plus gros, meilleures performances). Cependant, il n'y avait pas de corrélation entre la taille moyenne du groupe pour les animaux et le succès. En fait, malgré leur nature solitaire, les ours étaient les plus habiles à ouvrir la boîte du puzzle. En revanche, les mangoustes très sociales, qui vivent dans des &ldquomobs&rdquo avec une taille moyenne de près de 30, ont été parmi les moins performantes. Bien que n'excluant pas nécessairement l'hypothèse du cerveau social, ces résultats soutiennent l'hypothèse du tampon cognitif. Dans des travaux futurs, Holekamp et ses collègues prévoient de tester plus directement l'hypothèse du tampon cognitif en comparant la capacité d'innovation des hyènes vivant dans des environnements sauvages par rapport aux environnements urbains.

Ainsi, l'histoire de l'évolution de l'intelligence dans le règne animal est probablement complexe. L'intelligence peut avoir évolué d'une manière chez les primates, mais d'une autre manière chez les carnivores et autres animaux.Avec des extinctions se produisant dans le règne animal à un taux estimé à mille fois supérieur au taux naturel, des recherches comme Kay Holekamp&rsquos, une étude révolutionnaire de la hyène tachetée, sont d'autant plus urgentes pour combler les pièces manquantes de ce puzzle.

Êtes-vous un scientifique spécialisé dans les neurosciences, les sciences cognitives ou la psychologie ? Et avez-vous lu un article récent évalué par des pairs sur lequel vous aimeriez écrire ? Veuillez envoyer vos suggestions à l'éditeur de Mind Matters Gareth Cook. Gareth, journaliste lauréat du prix Pulitzer, est le rédacteur en chef de la série Meilleures infographies américaines et peut être atteint à garethideas AT gmail.com ou Twitter @garethideas.

À PROPOS DES AUTEURS)

David Z. Hambrick est professeur au département de psychologie de la Michigan State University. Ses recherches portent sur les différences individuelles dans les capacités cognitives et les compétences complexes.


La taille de l'élève est un marqueur d'intelligence

Il a été dit que « les yeux sont la fenêtre sur l'âme », mais de nouvelles recherches suggèrent qu'ils peuvent également être une fenêtre sur le cerveau.

Nos pupilles ne réagissent pas qu'à la lumière. Ils indiquent l'excitation, l'intérêt ou l'épuisement mental. La dilatation des pupilles est même utilisée par le FBI pour détecter la tromperie. Les travaux menés dans notre laboratoire du Georgia Institute of Technology suggèrent que la taille de base de la pupille est étroitement liée aux différences individuelles d'intelligence. Plus les élèves sont grands, plus l'intelligence est élevée, mesurée par des tests de raisonnement, d'attention et de mémoire. En fait, dans trois études, nous avons constaté que la différence de taille de pupille de base entre les personnes qui ont obtenu les meilleurs résultats aux tests cognitifs et celles qui ont obtenu les plus faibles était suffisamment importante pour être détectée à l'œil nu.

Nous avons d'abord découvert cette relation surprenante en étudiant les différences dans la quantité d'effort mental utilisé par les gens pour accomplir des tâches de mémoire. Nous avons utilisé les dilatations pupillaires comme indicateur d'effort, une technique que le psychologue Daniel Kahneman a popularisée dans les années 1960 et 1970. Lorsque nous avons découvert une relation entre ligne de base la taille et l'intelligence de la pupille, nous n'étions pas sûrs si c'était réel ou ce que cela signifiait.

Intrigués, nous avons mené plusieurs études à grande échelle dans lesquelles nous avons recruté plus de 500 personnes âgées de 18 à 35 ans dans la communauté d'Atlanta. Nous avons mesuré la taille de la pupille des participants à l'aide d'un eye tracker, un appareil qui capture la réflexion de la lumière sur la pupille et la cornée à l'aide d'une caméra haute puissance et d'un ordinateur. Nous avons mesuré les élèves des participants au repos pendant qu'ils regardaient un écran d'ordinateur vide pendant jusqu'à quatre minutes. Pendant tout ce temps, l'eye tracker enregistrait. À l'aide du tracker, nous avons ensuite calculé la taille moyenne des pupilles de chaque participant.

Pour être clair, la taille de la pupille fait référence au diamètre de l'ouverture circulaire noire au centre de l'œil. Il peut aller de deux à huit millimètres environ. La pupille est entourée par la zone colorée connue sous le nom d'iris, qui est responsable du contrôle de la taille de la pupille. Les élèves se contractent en réponse à une lumière vive, entre autres, nous avons donc gardé le laboratoire dans une faible luminosité pour tous les participants.

Dans la partie suivante de l'expérience, les participants ont effectué une série de tests cognitifs conçus pour mesurer l'« intelligence fluide », la capacité de raisonner à travers de nouveaux problèmes, la « capacité de la mémoire de travail », la capacité de mémoriser des informations sur une période de temps et le « contrôle de l'attention », » la capacité de concentrer son attention au milieu des distractions et des interférences.

À titre d'exemple de test de contrôle de l'attention, les participants devaient résister à regarder vers un astérisque en gras et clignotant sur un côté d'un écran d'ordinateur et plutôt regarder rapidement dans la direction opposée pour identifier une lettre. La lettre disparaissait en quelques instants, de sorte que même un bref mouvement des yeux vers l'astérisque vacillant pourrait la manquer. Les humains sont prêts à réagir aux objets traversant leur vision périphérique, ce qui nous a autrefois permis de repérer un prédateur ou une proie, mais cette tâche exigeait des participants qu'ils réorientent leur attention de l'astérisque clignotant à la lettre.

Nous avons constaté qu'une plus grande taille de pupille de base était corrélée à une plus grande intelligence fluide, un meilleur contrôle de l'attention et, dans une moindre mesure, une capacité de mémoire de travail, ce qui indique une relation fascinante entre le cerveau et l'œil. Fait intéressant, la taille des pupilles était négativement corrélée avec l'âge : les participants plus âgés avaient tendance à avoir des pupilles plus petites et plus resserrées. Une fois standardisée pour l'âge, cependant, la relation entre la taille de la pupille et les capacités cognitives est restée.

Mais Pourquoi la taille de la pupille est-elle en corrélation avec l'intelligence ? Pour répondre à cette question, nous devons comprendre ce qui se passe dans le cerveau. La taille des élèves est liée à l'activité dans le locus coeruleus, un noyau situé dans la partie supérieure du tronc cérébral avec des connexions neuronales de grande envergure avec le reste du cerveau. Le locus coeruleus libère de la noradrénaline, qui fonctionne à la fois comme un neurotransmetteur et une hormone dans le cerveau et le corps, et régule des processus tels que la perception, l'attention, l'apprentissage et la mémoire. Il aide également à maintenir une organisation saine de l'activité cérébrale afin que des régions cérébrales distantes puissent travailler ensemble pour accomplir des tâches et des objectifs difficiles. Le dysfonctionnement du locus coeruleus et la dégradation résultante de l'activité cérébrale organisée ont été liés à plusieurs affections, notamment la maladie d'Alzheimer et le trouble déficitaire de l'attention avec hyperactivité. En fait, cette organisation de l'activité est si importante que le cerveau consacre la majeure partie de son énergie à la maintenir, même lorsque nous ne faisons rien du tout, comme lorsque nous regardons un écran d'ordinateur vide pendant des minutes.

Une hypothèse est que les personnes qui ont des pupilles plus grandes au repos ont une plus grande régulation de l'activité par le locus coeruleus, ce qui profite aux performances cognitives et à la fonction cérébrale au repos. Des recherches supplémentaires sont nécessaires pour explorer cette possibilité et déterminer pourquoi des élèves plus grands sont associés à une intelligence fluide et un contrôle de l'attention plus élevés. Mais il est clair qu'il se passe plus qu'il n'y paraît.

Êtes-vous un scientifique spécialisé dans les neurosciences, les sciences cognitives ou la psychologie ? Et avez-vous lu un article récent évalué par des pairs sur lequel vous aimeriez écrire ? Veuillez envoyer vos suggestions à l'éditeur de Mind Matters Gareth Cook. Gareth, journaliste lauréat du prix Pulitzer, est le rédacteur en chef de la série Meilleures infographies américaines et peut être atteint à garethideas AT gmail.com ou Twitter @garethideas.

À PROPOS DES AUTEURS)

Jason S. Tsukahara est un doctorat étudiant en sciences cognitives et cérébrales au Georgia Institute of Technology, où il effectue des recherches au Laboratoire d'attention et de mémoire de travail.

Alexandre P. Burgoyne a obtenu son doctorat. en cognition et neurosciences cognitives à la Michigan State University en 2019. Il est actuellement chercheur postdoctoral au Attention & Working Memory Lab du Georgia Institute of Technology.

Articles récents par Alexander P. Burgoyne

Randall W. Engle est professeur au Georgia Institute of Technology et membre de la National Academy of Sciences.


Avantages de la technologie numérique pour la santé du cerveau


Malgré ces effets nocifs potentiels de la technologie numérique sur la santé du cerveau, de nouvelles preuves indiquent plusieurs avantages pour le cerveau vieillissant en particulier, notamment des possibilités d'exercices neuronaux de renforcement cérébral, d'entraînement cognitif et de prestation en ligne d'interventions et de soutien en matière de santé mentale ( Tableau I

Tableau I.

Stratégies Cibles de promotion de la santé du cerveau
Recherche en ligne Activation neuronale des circuits contrôlant la prise de décision et le raisonnement complexe
Jeux d'entraînement cognitif Cognition globale, mémoire (immédiate, différée et fonctionnelle),
attention, capacités d'apprentissage
Jeux vidéo de voitures de course avec panneaux de signalisation gênants Compétences multitâches
Jeux d'entraînement aux tâches N-back Mémoire de travail, intelligence fluide
Jeux vidéo d'action Attention visuelle, temps de réaction, capacités de changement de tâche
Applications de surveillance Fréquence cardiaque, schémas respiratoires
Psychothérapie, applications éducatives Humeur, sommeil, soutien social

Exercice neuronal


Adultes connaisseurs d'Internet par rapport aux adultes naïfs d'Internet


La neuroimagerie fonctionnelle permet aux scientifiques d'observer l'activité neuronale régionale au cours de diverses tâches mentales. Notre groupe a été le premier à explorer l'activité neuronale à l'aide de l'IRM fonctionnelle tandis que des volontaires de recherche effectuaient une recherche Internet simulée. 3 Des études antérieures ont suggéré que les tâches mentalement difficiles, telles que la recherche en ligne, peuvent être bénéfiques pour la santé du cerveau et même retarder le déclin cognitif. 35,36 Nous nous sommes concentrés sur la recherche sur Internet, car elle est si courante chez les personnes de tous âges. 37 


Nous avons évalué les schémas d'activation neuronale du cerveau chez 24 adultes d'âge moyen et plus âgés sur le plan cognitif (âgés de 55 à 76 ans) : 12 d'entre eux avaient une expérience minimale de la recherche sur Internet (groupe naïf) et 12 avaient une expérience approfondie (groupe ). En plus de la tâche de recherche sur Internet, nous avons utilisé une tâche de contrôle consistant à lire du texte sur un écran d'ordinateur formaté pour simuler la mise en page d'un livre imprimé.


Nous avons constaté que la lecture de texte activait les régions cérébrales contrôlant le langage, la lecture, la mémoire et les capacités visuelles (régions frontale inférieure gauche, temporale, cingulaire postérieure, pariétale et occipitale), et que l'ampleur et l'étendue de l'activation étaient similaires dans les réseaux naïfs et occipitaux. groupes connaissant le net. Au cours de la recherche sur Internet, les sujets naïfs ont affiché des schémas d'activation similaires à ceux observés lors de la lecture de texte. Cependant, les sujets avertis ont démontré une activité significative de l'intensité du signal neuronal dans des régions supplémentaires contrôlant la prise de décision, le raisonnement complexe et la vision (pôle frontal, région temporale antérieure, cingulaire antérieur et postérieur et hippocampe). Au cours de la tâche de recherche sur Internet, le groupe net-savvy a affiché une augmentation de plus du double de l'étendue de l'activation dans les principaux clusters régionaux par rapport au groupe net-naïf (21 782 contre 8646 voxels activés au total).


Ces résultats suggèrent que la recherche en ligne peut être une forme d'exercice neuronal du cerveau. D'autres recherches indiquent qu'après plusieurs mois, le jeu quotidien sur ordinateur entraîne une réduction de l'activité neuronale corticale. 38 Nos autres recherches indiquent que l'entraînement de la mémoire, ainsi que des comportements de mode de vie sains (par exemple, exercice physique, alimentation saine), entraînent une réduction du métabolisme cortical préfrontal dorsal après 2 semaines. 36 Ces résultats suggèrent que la répétition de la tâche au fil du temps entraîne une activité neuronale plus faible pendant la tâche, ce qui pourrait refléter une plus grande efficacité cognitive après l'entraînement mental.

Un modèle qui pourrait expliquer de telles découvertes est que des expériences mentales nouvelles et stimulantes, telles que la recherche sur Internet, conduisent initialement à une activation minimale avant que l'internaute ne découvre des stratégies pour résoudre le défi mental inconnu. Après de telles informations, un réseau de neurones plus large est engagé. Après des séances répétées, la tâche mentale initialement nouvelle devient routinière et répétitive, ne posant plus un défi mental. L'activité plus faible observée peut donc refléter une réponse neuronale plus efficace. Ces résultats suggèrent également que l'expérience antérieure de recherche sur Internet peut altérer la réactivité du cerveau dans les circuits neuronaux contrôlant la prise de décision et le raisonnement complexe. Les volontaires avertis ont montré une activation accrue pendant la tâche de recherche sur Internet, ce qui suggère que la recherche sur Internet peut rester un processus nouveau et stimulant mentalement même après une pratique continue.


Entraînement Internet et fonction cérébrale


Nous avons également utilisé l'IRM fonctionnelle pour enregistrer l'activité neuronale du cerveau lors de tâches de recherche sur Internet simulées chez 12 sujets naïfs et 12 sujets avertis avant et après la formation sur Internet. 39 Sur la base de nos résultats précédents, nous avons émis l'hypothèse que les volontaires naïfs recruteraient un plus grand réseau de lobe frontal après une formation sur Internet et que les volontaires avertis ne montreraient aucune augmentation ou une diminution de l'activation après la formation en raison d'une plus grande efficacité cognitive due à la formation .


La formation consistait en de brèves instructions sur la façon de rechercher en ligne ainsi que des séances d'entraînement (1 heure par jour pendant une semaine). Pour augmenter la motivation, les participants ont été informés qu'ils seraient interrogés sur leurs connaissances des sujets de recherche assignés après l'expérience.


Au cours de leur première session, les sujets naïfs de réseau ont recruté un réseau neuronal qui comprenait les gyri frontaux supérieur, moyen et inférieur, ainsi que le cortex occipital latéral et le pôle occipital. Au cours de la deuxième session (après la formation sur Internet), des régions supplémentaires dans le gyri frontal moyen et inférieur ont été recrutées uniquement dans le groupe naïf net. En revanche, lors de leur première session d'analyse, les sujets connaissant le net ont recruté un réseau cortical qui, bien que chevauchant celui des sujets naïfs du net, a montré des régions d'activation plus étendues ( Figures 1 et 2 ). Ce réseau cortical comprenait des régions qui contrôlent les activités mentales prenant en charge les tâches requises pour les recherches sur Internet, notamment la prise de décision, la mémoire de travail et la capacité de supprimer les informations non pertinentes. De plus, les participants avertis ont montré un modèle d'activation qui a été réduit après la formation. Cette réduction est cohérente avec notre hypothèse selon laquelle le cerveau devient plus efficace et s'habitue éventuellement à la tâche Internet au fil du temps. Dans l'ensemble, ces résultats suggèrent que la recherche sur Internet pendant des périodes relativement courtes peut modifier les schémas d'activité cérébrale chez les adultes d'âge moyen et plus âgés.


D'autres groupes ont exploré les effets de la formation à la recherche sur Internet sur la structure et le fonctionnement du cerveau. Dong et ses collaborateurs 40 ont étudié l'influence d'une formation à court terme à la recherche sur Internet sur la microstructure de la substance blanche via l'imagerie du tenseur de diffusion. Après 6 jours de formation, ils ont constaté que les 59 participants (âge moyen 21 ans) présentaient une anisotropie fractionnelle accrue (imagerie du tenseur de diffusion) dans le faisceau longitudinal supérieur droit et, dans cette région, une diffusivité radiale réduite. Ces résultats suggèrent qu'une formation à court terme à la recherche sur Internet peut augmenter l'intégrité de la substance blanche dans le faisceau longitudinal supérieur droit, ce qui pourrait résulter d'une myélinisation accrue. 



La taille de l'élève est un marqueur d'intelligence

Il a été dit que « les yeux sont la fenêtre sur l'âme », mais de nouvelles recherches suggèrent qu'ils peuvent également être une fenêtre sur le cerveau.

Nos pupilles ne réagissent pas qu'à la lumière. Ils indiquent l'excitation, l'intérêt ou l'épuisement mental. La dilatation des pupilles est même utilisée par le FBI pour détecter la tromperie. Les travaux menés dans notre laboratoire du Georgia Institute of Technology suggèrent que la taille de base de la pupille est étroitement liée aux différences individuelles d'intelligence. Plus les élèves sont grands, plus l'intelligence est élevée, mesurée par des tests de raisonnement, d'attention et de mémoire. En fait, dans trois études, nous avons constaté que la différence de taille de pupille de base entre les personnes qui ont obtenu les meilleurs résultats aux tests cognitifs et celles qui ont obtenu les plus faibles était suffisamment importante pour être détectée à l'œil nu.

Nous avons d'abord découvert cette relation surprenante en étudiant les différences dans la quantité d'effort mental utilisé par les gens pour accomplir des tâches de mémoire. Nous avons utilisé les dilatations pupillaires comme indicateur d'effort, une technique que le psychologue Daniel Kahneman a popularisée dans les années 1960 et 1970. Lorsque nous avons découvert une relation entre ligne de base taille de la pupille et de l'intelligence, nous n'étions pas sûrs si c'était réel ou ce que cela signifiait.

Intrigués, nous avons mené plusieurs études à grande échelle dans lesquelles nous avons recruté plus de 500 personnes âgées de 18 à 35 ans dans la communauté d'Atlanta. Nous avons mesuré la taille de la pupille des participants à l'aide d'un eye tracker, un appareil qui capture la réflexion de la lumière sur la pupille et la cornée à l'aide d'une caméra haute puissance et d'un ordinateur. Nous avons mesuré les élèves des participants au repos pendant qu'ils regardaient un écran d'ordinateur vide pendant quatre minutes maximum. Pendant tout ce temps, l'eye tracker enregistrait. À l'aide du tracker, nous avons ensuite calculé la taille moyenne des pupilles de chaque participant.

Pour être clair, la taille de la pupille fait référence au diamètre de l'ouverture circulaire noire au centre de l'œil. Il peut aller de deux à huit millimètres environ. La pupille est entourée par la zone colorée connue sous le nom d'iris, qui est responsable du contrôle de la taille de la pupille. Les élèves se contractent en réponse à une lumière vive, entre autres, nous avons donc gardé le laboratoire sombre pour tous les participants.

Dans la partie suivante de l'expérience, les participants ont effectué une série de tests cognitifs conçus pour mesurer l'« intelligence fluide », la capacité de raisonner à travers de nouveaux problèmes, la « capacité de la mémoire de travail », la capacité de mémoriser des informations sur une période de temps et le « contrôle de l'attention », » la capacité de concentrer son attention au milieu des distractions et des interférences.

À titre d'exemple de test de contrôle de l'attention, les participants devaient résister à regarder vers un astérisque en gras et clignotant sur un côté d'un écran d'ordinateur et plutôt regarder rapidement dans la direction opposée pour identifier une lettre. La lettre disparaissait en quelques instants, de sorte que même un bref mouvement des yeux vers l'astérisque vacillant pourrait la manquer. Les humains sont prêts à réagir aux objets traversant leur vision périphérique, ce qui nous permettait autrefois de repérer un prédateur ou une proie, mais cette tâche exigeait des participants qu'ils redirigent leur attention de l'astérisque clignotant à la lettre.

Nous avons constaté qu'une plus grande taille de pupille de base était corrélée à une plus grande intelligence fluide, un meilleur contrôle de l'attention et, dans une moindre mesure, une capacité de mémoire de travail, ce qui indique une relation fascinante entre le cerveau et l'œil. Fait intéressant, la taille des pupilles était négativement corrélée avec l'âge : les participants plus âgés avaient tendance à avoir des pupilles plus petites et plus resserrées. Une fois standardisée pour l'âge, cependant, la relation entre la taille de la pupille et les capacités cognitives est restée.

Mais Pourquoi la taille de la pupille est-elle en corrélation avec l'intelligence ? Pour répondre à cette question, nous devons comprendre ce qui se passe dans le cerveau. La taille des élèves est liée à l'activité dans le locus coeruleus, un noyau situé dans la partie supérieure du tronc cérébral avec des connexions neuronales de grande envergure avec le reste du cerveau. Le locus coeruleus libère de la noradrénaline, qui fonctionne à la fois comme un neurotransmetteur et une hormone dans le cerveau et le corps, et régule des processus tels que la perception, l'attention, l'apprentissage et la mémoire.Il aide également à maintenir une organisation saine de l'activité cérébrale afin que des régions cérébrales distantes puissent travailler ensemble pour accomplir des tâches et des objectifs difficiles. Le dysfonctionnement du locus coeruleus et la dégradation résultante de l'activité cérébrale organisée ont été liés à plusieurs affections, notamment la maladie d'Alzheimer et le trouble déficitaire de l'attention avec hyperactivité. En fait, cette organisation de l'activité est si importante que le cerveau consacre la majeure partie de son énergie à la maintenir, même lorsque nous ne faisons rien du tout, comme lorsque nous regardons un écran d'ordinateur vide pendant des minutes.

Une hypothèse est que les personnes qui ont des pupilles plus grandes au repos ont une plus grande régulation de l'activité par le locus coeruleus, ce qui profite aux performances cognitives et à la fonction cérébrale au repos. Des recherches supplémentaires sont nécessaires pour explorer cette possibilité et déterminer pourquoi des élèves plus grands sont associés à une intelligence fluide et un contrôle de l'attention plus élevés. Mais il est clair qu'il se passe plus qu'il n'y paraît.

Êtes-vous un scientifique spécialisé dans les neurosciences, les sciences cognitives ou la psychologie ? Et avez-vous lu un article récent évalué par des pairs sur lequel vous aimeriez écrire ? Veuillez envoyer vos suggestions à l'éditeur de Mind Matters Gareth Cook. Gareth, journaliste lauréat du prix Pulitzer, est le rédacteur en chef de la série Meilleures infographies américaines et peut être atteint à garethideas AT gmail.com ou Twitter @garethideas.

À PROPOS DES AUTEURS)

Jason S. Tsukahara est un doctorat étudiant en sciences cognitives et cérébrales au Georgia Institute of Technology, où il effectue des recherches au Laboratoire d'attention et de mémoire de travail.

Alexandre P. Burgoyne a obtenu son doctorat. en cognition et neurosciences cognitives à la Michigan State University en 2019. Il est actuellement chercheur postdoctoral au Attention & Working Memory Lab du Georgia Institute of Technology.

Articles récents par Alexander P. Burgoyne

Randall W. Engle est professeur au Georgia Institute of Technology et membre de la National Academy of Sciences.


Article HYPOTHÈSE ET THÉORIE

  • 1 Programme de neurosciences théoriques et computationnelles, National Institute of Mental Health, National Institutes of Health, Bethesda, MD, États-Unis
  • 2 Département de psychologie et de génie biomédical, Université d'Arizona, Tucson, AZ, États-Unis
  • 3 Département de génie électrique et informatique, Duke University, Durham, Caroline du Nord, États-Unis
  • 4 Executive Functions and Reward Systems Program, National Institute of Mental Health, National Institutes of Health, Bethesda, MD, États-Unis
  • 5 Center for Advanced Circuit Therapeutics, Icahn School of Medicine at Mount Sinai, New York, NY, États-Unis
  • 6 Programme de psychiatrie computationnelle, National Institute of Mental Health, National Institutes of Health, Bethesda, MD, États-Unis

L'utilisation de l'intelligence artificielle et de l'apprentissage automatique dans la recherche fondamentale et les neurosciences cliniques est en augmentation. Les méthodes d'IA permettent l'interprétation de grands ensembles de données multimodales qui peuvent fournir des informations impartiales sur les principes fondamentaux de la fonction cérébrale, ouvrant potentiellement la voie à une détection plus précoce et plus précise des troubles cérébraux et à des protocoles d'intervention mieux informés. Malgré la capacité de l'IA à créer des prédictions et des classifications précises, dans la plupart des cas, elle n'a pas la capacité de fournir une compréhension mécanique de la façon dont les entrées et les sorties sont liées les unes aux autres. L'intelligence artificielle explicable (XAI) est un nouvel ensemble de techniques qui tente de fournir une telle compréhension, nous présentons ici certaines de ces approches pratiques. Nous discutons de la valeur potentielle de XAI dans le domaine de la neurostimulation à la fois pour la recherche scientifique de base et à des fins thérapeutiques, ainsi que des questions en suspens et des obstacles au succès de l'approche XAI.


Comment le cerveau apprend-il en se parlant à lui-même ?

L'être humain, comme les autres animaux, possède une énorme capacité d'apprentissage qui permet d'appréhender de nouvelles informations sensorielles pour maîtriser de nouvelles compétences ou s'adapter à un environnement en constante évolution. Cependant, bon nombre des mécanismes qui nous permettent d'apprendre restent mal compris. L'un des plus grands défis des neurosciences des systèmes est d'expliquer comment les connexions synaptiques changent pour soutenir les comportements adaptatifs. Des neuroscientifiques de l'Université de Genève (UNIGE), en Suisse, ont déjà montré que les mécanismes d'apprentissage synaptique dans le cortex cérébral dépendent de la rétroaction des régions cérébrales plus profondes. Ils ont maintenant déchiffré avec précision comment cette rétroaction active le renforcement synaptique en activant et désactivant des neurones inhibiteurs particuliers. Cette étude, qui peut être lue dans Neurone, non seulement constitue une étape importante dans notre compréhension des mécanismes d'apprentissage perceptuel, mais peut également offrir un aperçu des systèmes d'apprentissage informatisés et de l'intelligence artificielle.

Le cortex - la région externe et la plus grande du cerveau - est important pour les fonctions cognitives supérieures, les comportements complexes, la perception et l'apprentissage. À l'arrivée d'un stimulus sensoriel, le cortex traite et filtre ses informations avant de transmettre les aspects les plus pertinents à d'autres régions du cerveau. Certaines de ces régions cérébrales renvoient à leur tour des informations au cortex. Ces boucles, appelées « systèmes de rétroaction », sont considérées comme essentielles au fonctionnement des réseaux corticaux et à leur adaptation aux nouvelles informations sensorielles. "Pour l'apprentissage perceptif - qui est la capacité améliorée de répondre à un stimulus sensoriel - les circuits neuronaux doivent d'abord évaluer l'importance des informations sensorielles entrantes, puis affiner la façon dont elles sont traitées à l'avenir. Les systèmes de rétroaction confirment dans une certaine mesure que les synapses chargées de transmettre l'information à d'autres zones cérébrales l'ont fait correctement », explique Anthony Holtmaat, professeur en neurosciences fondamentales à la Faculté de médecine de l'UNIGE, qui a dirigé cette étude.

Comment les moustaches mettent en évidence les systèmes de rétroaction

Les moustaches du museau d'une souris sont spécialisées dans la détection tactile et jouent un rôle majeur dans la capacité de l'animal à comprendre les aspects de son environnement direct. La partie du cortex qui traite les informations sensorielles des moustaches optimise en permanence ses synapses afin d'apprendre de nouveaux aspects de l'environnement tactile. Par conséquent, il constitue un modèle intéressant pour comprendre le rôle des systèmes de rétroaction dans les mécanismes d'apprentissage synaptique.

Les scientifiques de l'UNIGE ont isolé un circuit de rétroaction lié aux moustaches et ont utilisé des électrodes pour mesurer l'activité électrique des neurones du cortex. Ils ont ensuite imité l'entrée sensorielle en stimulant une partie spécifique du cortex connue pour traiter cette information et, en même temps, ont utilisé la lumière pour contrôler le circuit de rétroaction. "Ce modèle ex vivo nous a permis de contrôler le feedback indépendamment de l'entrée sensorielle, ce qui est impossible à faire in vivo. Cependant, déconnecter l'entrée sensorielle du feedback était essentiel pour comprendre comment l'interaction entre les deux conduit au renforcement synaptique" ajoute Holtmaat.

Les neurones inhibiteurs transmettent l'information

L'équipe a découvert que les deux composants, lorsqu'ils sont déclenchés séparément, activent un large éventail de neurones. Cependant, lorsqu'ils sont activés simultanément, certains neurones diminuent en fait leur activité. "Il est intéressant de noter que les neurones qui sont inhibés lorsque l'entrée sensorielle et la rétroaction se produisent ensemble inhibent généralement les neurones importants pour la perception, c'est ce qu'on appelle une inhibition de l'inhibition ou une désinhibition", explique Leena Williams de la Faculté de médecine de l'UNIGE, le premier auteur de l'étude. "Ainsi, ces neurones agissent comme une porte pour les informations entrantes, et qui est normalement fermée. Mais lorsque la rétroaction arrive, la porte s'ouvre, permettant aux synapses qui prennent en charge les informations sensorielles primaires d'augmenter leur force. Avec cette étude nous avons identifié comment les commentaires optimisent éventuellement les connexions synaptiques pour mieux se préparer aux futures informations entrantes », ajoute-t-elle.

Maintenant qu'ils ont identifié avec précision quels neurones sont impliqués dans ce mécanisme, ces scientifiques vont tester leurs résultats dans la "vraie vie" pour vérifier si les neurones inhibiteurs se comporteront comme prévu lorsqu'une souris a besoin d'apprendre de nouvelles informations sensorielles ou lorsqu'elle découvre de nouveaux aspects. dans son environnement tactile.

Apprentissage profond : imiter l'intelligence naturelle

Comment les circuits cérébraux s'optimisent-ils ? Comment un système peut-il s'auto-apprendre en lisant sa propre activité ? En plus d'être pertinente pour l'apprentissage chez les animaux, cette question est également au cœur des programmes d'apprentissage automatique. En effet, certains spécialistes du deep learning tentent d'imiter les circuits cérébraux pour construire des systèmes artificiellement intelligents. Des informations telles que celles fournies par l'équipe de l'UNIGE pourraient être pertinentes pour l'apprentissage non supervisé, une branche de l'apprentissage automatique qui s'occupe de modèles de circuits capables de s'auto-organiser et d'optimiser le traitement de nouvelles informations. Ceci est important pour la création de programmes efficaces de reconnaissance vocale ou faciale, par exemple.


Ce que les hyènes peuvent nous dire sur les origines de l'intelligence

Mis à part les similitudes physiques, nous partageons beaucoup de points communs avec nos parents primates. Par exemple, comme Jane Goodall l'a si bien documenté, les chimpanzés forment des liens à vie et montrent de l'affection à peu près de la même manière que les humains. Les chimpanzés peuvent également résoudre de nouveaux problèmes, utiliser des objets comme outils et posséder une « la théorie de l'esprit » comprenant que les autres peuvent avoir des perspectives différentes de la sienne. Ils peuvent même surpasser les humains dans certains types de tâches cognitives.

Ces points communs peuvent ne pas sembler si surprenants compte tenu de ce que nous savons maintenant du domaine de la génomique comparative : nous partageons presque tout notre ADN avec les chimpanzés et autres primates. Cependant, la complexité sociale et cognitive n'est pas unique à nos plus proches cousins ​​évolutifs. En fait, elle est abondante en espèces avec lesquelles nous semblons avoir très peu de points communs, comme la hyène tachetée.

Pendant plus de trois décennies, la zoologiste de l'Université d'État du Michigan, Kay Holekamp, ​​a étudié les habitudes de la hyène tachetée dans la réserve nationale du Masai Mara au Kenya, ayant déjà passé cinq années consécutives dans une tente parmi ses sujets souvent décriés. L'une des études les plus anciennes au monde sur un mammifère sauvage, ce projet historique a révélé que les hyènes tachetées ont non seulement des groupes sociaux aussi complexes que ceux de nombreux primates, mais sont également capables de certains des mêmes types de résolution de problèmes.

Cette recherche met en lumière l'un des plus grands mystères de la science et comment l'intelligence a évolué dans le règne animal. Selon le hypothèse du cerveau social, l'intelligence a évolué pour répondre aux exigences de la vie sociale. Sujet de nombreux articles et livres populaires, cette hypothèse postule que le traitement complexe de l'information qui va de pair avec la coexistence avec les membres d'une espèce et la formation de coalitions, le règlement des différends, la tentative de déjouer les uns les autres, etc. En revanche, le hypothèse du tampon cognitif soutient que l'intelligence émerge comme une adaptation pour faire face à la nouveauté dans l'environnement, sous quelque forme qu'elle se présente.

L'hypothèse du cerveau social est bien étayée par la recherche sur les primates : plus une espèce de primate est sociale, plus son cerveau est gros et plus il a tendance à être intelligent. Cependant, les travaux de Holekamp&rsquos remettent en question cette hypothèse comme explication générale de l'évolution de l'intelligence. Dans une étude menée en 2012 dans la réserve du Masai Mara, Holekamp et l'ancienne étudiante diplômée Sarah Benson-Amram ont conçu une "boîte à énigmes" pour mesurer la capacité des hyènes à innover, c'est-à-dire à résoudre un problème qu'elles n'avaient jamais rencontré auparavant. Dans chaque essai, un morceau de viande crue était placé dans la boîte à puzzle, et la tâche de l'hyène consistait à faire glisser un loquet, puis à ouvrir une porte pour obtenir la nourriture. Sur 62 hyènes, le meilleur prédicteur de succès était ce qui pourrait être considéré comme une adaptation pour faire face à la nouveauté dans l'environnement et le comportement d'exploration. Les hyènes qui ont utilisé une gamme de comportements différents dans le premier essai pour évaluer la boîte de puzzle étaient finalement plus susceptibles de comprendre comment l'ouvrir que leurs homologues moins curieux. En revanche, il n'y avait pas de corrélation entre le rang social et la réussite.

Plus récemment, dans une étude publiée dans le Actes de l'Académie nationale des sciences, Benson-Amram, Holekamp et leurs collègues ont utilisé le paradigme de la boîte à puzzle pour tester la capacité d'innovation de 140 animaux de zoo représentant 39 espèces de mammifères carnivores, de l'ours polaire au léopard des neiges en passant par le renard fennec. En contrôlant la masse corporelle, la taille du cerveau prédit le pourcentage d'essais réussis (cerveau plus gros, meilleures performances). Cependant, il n'y avait pas de corrélation entre la taille moyenne du groupe pour les animaux et le succès. En fait, malgré leur nature solitaire, les ours étaient les plus habiles à ouvrir la boîte du puzzle. En revanche, les mangoustes très sociales, qui vivent dans des &ldquomobs&rdquo avec une taille moyenne de près de 30, ont été parmi les moins performantes. Bien que n'excluant pas nécessairement l'hypothèse du cerveau social, ces résultats soutiennent l'hypothèse du tampon cognitif. Dans des travaux futurs, Holekamp et ses collègues prévoient de tester plus directement l'hypothèse du tampon cognitif en comparant la capacité d'innovation des hyènes vivant dans des environnements sauvages par rapport aux environnements urbains.

Ainsi, l'histoire de l'évolution de l'intelligence dans le règne animal est probablement complexe. L'intelligence peut avoir évolué d'une manière chez les primates, mais d'une autre manière chez les carnivores et autres animaux. Avec des extinctions se produisant dans le règne animal à un taux estimé à mille fois supérieur au taux naturel, des recherches comme Kay Holekamp&rsquos, une étude révolutionnaire de la hyène tachetée, sont d'autant plus urgentes pour combler les pièces manquantes de ce puzzle.

Êtes-vous un scientifique spécialisé dans les neurosciences, les sciences cognitives ou la psychologie ? Et avez-vous lu un article récent évalué par des pairs sur lequel vous aimeriez écrire ? Veuillez envoyer vos suggestions à l'éditeur de Mind Matters Gareth Cook. Gareth, journaliste lauréat du prix Pulitzer, est le rédacteur en chef de la série Meilleures infographies américaines et peut être atteint à garethideas AT gmail.com ou Twitter @garethideas.

À PROPOS DES AUTEURS)

David Z. Hambrick est professeur au département de psychologie de la Michigan State University. Ses recherches portent sur les différences individuelles dans les capacités cognitives et les compétences complexes.


Une méta-analyse de 83 études produit des preuves « très solides » d'une relation négative entre l'intelligence et la religiosité

De nouvelles recherches confirment qu'il existe une relation négative entre la religiosité et l'intelligence. Les résultats ont été publiés dans la revue scientifique Bulletin de personnalité et de psychologie sociale.

“La religiosité est un phénomène omniprésent. Son influence peut être ressentie dans toutes les sphères de la vie. Cependant, une partie importante de la population se définit comme athée. Pourquoi certaines personnes décident-elles de ne pas être religieuses ? Je pensais que c'était une question importante et fascinante », a déclaré l'auteur de l'étude Miron Zuckerman de l'Université de Rochester.

Zuckerman et ses collègues ont précédemment mené une méta-analyse de 63 études, qui ont trouvé "une relation négative fiable entre l'intelligence et la religiosité". En d'autres termes, les personnes religieuses ont tendance à être moins intelligentes que les personnes non religieuses en moyenne.

Mais cette découverte a suscité beaucoup de controverse. "Les commentaires dans les médias allaient d'expressions de surprise et de curiosité au scepticisme ou même au dédain quant à ce que les tests d'intelligence mesurent réellement", ont écrit les chercheurs dans leur nouvelle étude.

Zuckerman et ses collègues ont donc décidé de mener une autre analyse avec des données mises à jour. "La collecte de nouvelles données pour vérifier la validité des découvertes précédentes est cruciale pour la science à tout moment, mais surtout lorsque le sujet est socialement pertinent et chargé d'émotions", ont-ils expliqué.

La nouvelle méta-analyse, qui comprenait des données de 61 études de la méta-analyse précédente et de nouvelles données de 22 études menées de 2012 à 2018, a confirmé les résultats précédents. Il n'a également trouvé aucune preuve que la relation négative entre la religiosité et l'intelligence se soit affaiblie ces dernières années.

En rapportDes postes

Une nouvelle étude suggère que l'ambivalence a peut-être joué un rôle dans la victoire de Trump en 2016, mais les sondeurs l'ont manquée

Une nouvelle recherche interculturelle met en lumière le lien entre Facebook et les troubles de l'image corporelle

Les résultats étaient basés sur les données de plus de 110 000 participants au total.

« La preuve qu'il existe une relation négative entre l'intelligence et la religiosité est très forte. Mais la taille de l'effet de la relation est faible. Cela signifie qu'il existe des facteurs autres que l'intelligence qui expliquent pourquoi les gens sont ou ne sont pas religieux. Cela signifie également que bien que les personnes les plus intelligentes aient tendance à être moins religieuses en moyenne, prédire la religiosité à partir de l'intelligence pour les individus est faillible », a déclaré Zuckerman à PsyPost.

Les chercheurs ont également trouvé des preuves que les styles cognitifs expliquaient une partie de la relation entre la religiosité et l'intelligence. En particulier, un style de pensée analytique (par opposition à intuitif) était lié à la fois à une intelligence accrue et à une religiosité réduite.

"Bien que nous présentions les raisons de la relation négative, les preuves empiriques de ces explications ne sont pas définitives", a déclaré Zuckerman.

De plus, la plupart des études ont été menées aux États-Unis. On ne sait pas si les résultats s'appliquent aux religions orientales telles que le bouddhisme et l'hindouisme.

« La relation négative a été établie pour les sociétés occidentales. Nous ne savons pas si cela se généralise à d'autres populations, en particulier celles d'Extrême-Orient, a expliqué Zuckerman.

L'étude, « The Negative Intelligence–Religiosity Relation : New and Confirming Evidence » , a été rédigée par Miron Zuckerman, Chen Li, Shengxin Lin et Judith A. Hall.


Thompson, P.M. et al. Nat. Neurosques. 4, 1253–1258 (2001).

Baaré, W.F.C. et al. Céréb. Cortex 11, 816–824 (2001).

Plomin, R. & Kosslyn, S.M. Nat. Neurosques. 4, 1153–1155 (2001).

Posthuma, D., De Geus, E. J. C. & Boomsma, D. I. Comportez-vous. Genet. 31, 593–602 (2001).

Plomin, R., DeFries, J.C., Craig, I.W. & amp McGuffin, P. (eds). La génétique comportementale à l'ère postgénomique (APA Books, Washington, DC, sous presse).

Neale, M.C. & Cardon, L.R. Méthodologie pour les études génétiques des jumeaux et des familles, NATO Asi Series, Ser. D, Sciences du comportement et sociales, Vol. 67 (Kluwer, Dordrecht, Pays-Bas, 1992).

Vernon, P.A., Wickett, J.C., Banzana, P.G. & Stelmack, R.M. dans Manuel de l'intelligence (éd. Sternberg, R. J.) 245-264 (Cambridge Univ. Press, 2000).

Pennington, B.C. et al. J. Cogn. Neurosques. 12, 223–232 (2000).

Daneman, M. & Merikle, P.M. Psychon. Taureau. Tour. 3, 422–433 (1996).

Goldman-Rakic, P.S. Proc. Natl. Acad. Sci. Etats-Unis 93, 13473–13480 (1996).

Neale, M.C. Mx : Modélisation statistique 3e éd. (Collège médical de Virginie, Richmond, Virginie, 1997).


Résultats

Régions liées à l'intelligence : corrélats structurels contre corrélats fonctionnels

Nous avons d'abord testé les associations de g avec la structure et la fonction du cerveau. Comme prévu, le volume cérébral était en corrélation avec le QI (r = 0.35 p < 0,001). L'épaisseur de la matière grise du cortex cérébral a été déterminée à l'aide d'une technique d'extraction de surface automatisée avancée (Kim et al., 2005) dans un grand échantillon (m = 164). Dans toutes les régions du cerveau, il y avait des fluctuations substantielles dans la corrélation entre l'épaisseur de la matière grise corticale et le WAIS FSIQ (p < 0.05) (Fig. 1UNE). La carte de corrélation avec le FSIQ a révélé une asymétrie frappante en faveur de l'hémisphère gauche (Fig. 1C,). Tous les corrélats positifs (p < 0,001), y compris l'ATC, l'OTC et le cortex temporal inférieur (ITC), ont convergé vers le lobe temporal, principalement sur le côté gauche et ses zones adjacentes, alors qu'une corrélation négative n'a été trouvée que dans le cortex pariétal latéral (p < 0,001). Compte tenu de notre tranche d'âge intentionnellement étroite, il n'est pas surprenant que l'âge n'ait pas été associé à l'épaisseur corticale dans tout le cerveau (p < 0,001).

Corrélats structurels et fonctionnels de l'intelligence et leur latéralité contrastée. UNE, Corrélations entre l'épaisseur de matière grise corticale et WAIS FSIQ. La barre de couleur indique la signification statistique des corrélations (gauche, corrélation négative à droite, corrélation positive). Les lignes indiquent les retours sur investissement avec une signification statistique élevée (p < 0,001 non corrigé) : ATC, OTC, ITC, MTC et LPC. B, Corrélations entre le niveau d'activation corticale lors des tâches de raisonnement et WAIS FSIQ. La barre de couleur indique la signification statistique des corrélations. Les lignes indiquent les retours sur investissement avec une signification statistique élevée (p < 0,001 non corrigé) : ACC, PFC et PPC. C, , Hémisphérique (C) et lobaire () les tailles de zone des corrélats structuraux manifestant une dominance gauche. E, F, Hémisphérique (E) et lobaire (F) les volumes des corrélats fonctionnels démontrant une symétrie bilatérale. Les tailles des aires corticales (C, ) et les clusters d'activation (E, F) ont été définis à l'aide des corrélations de signification statistique (p < 0,001 non corrigé). L, R gauche, Fro droit, Tem frontal, Ins temporal, Par insulaire, Occ pariétal, lobes occipitaux.

En utilisant les mêmes critères statistiques, nous avons étudié la relation entre la capacité intellectuelle et l'activité neuronale du réseau cortical au cours d'une tâche de raisonnement fluide (m = 109 voir Matériels et Méthodes). Il y avait des corrélations positives largement distribuées dans tout le cerveau et aucun corrélat négatif significatif (Fig. 1B). Contrairement aux corrélats structurels, les corrélats fonctionnels n'avaient pas de latéralisation claire (Fig. 1E,F). Avec le score RPM comme covariable, les schémas globaux des cartes structurelles et fonctionnelles étaient généralement similaires à ceux dérivés de WAIS IQ (Fig. 1 supplémentaire, Tableau 2, disponible sur www.jneurosci.org en tant que matériel supplémentaire). Dans une comparaison entre les cartes structurelles, les scores RPM avaient tendance à être plus fortement corrélés avec l'épaisseur corticale dans les régions préfrontales latérales et médiales que les scores WAIS (p < 0.05). Ces résultats suggèrent que la structure et la fonction du cortex préfrontal peuvent toutes deux soutenir gF plutôt que gC.

Épaisseur corticale et activation fonctionnelle expliquant sélectivement gC et gF

Nous avons émis l'hypothèse que les corrélats structurels et fonctionnels reflètent différentes composantes de g. Plus précisément, la latéralisation gauche suggère que les corrélats structurels peuvent être plus fortement associés au traitement de l'information verbale, à savoir gC. Nous avons testé une différence entre les corrélats neuronaux structurels et fonctionnels de l'intelligence dans leur relation avec les composants hiérarchiques de l'intelligence, qui comprenaient des superordonnées (g) et subordonnés (gC et gF), dérivé par analyse factorielle du RPM et des scores du sous-test WAIS (voir Matériels et méthodes). g présentaient la plus forte association avec les corrélats structurels et fonctionnels de l'intelligence (Fig. 2). L'épaisseur de la matière grise dans les ROI cibles était plus fortement associée à gC que gF (Fig. 2UNE supplémentaire Fig. 3, disponible sur www.jneurosci.org comme matériel supplémentaire). En revanche, l'activité neuronale au sein de chaque nœud du réseau fronto-pariétal (les ROI fonctionnelles) reflète mieux gF que gC (Fig. 2C supplément Fig. 4, disponible sur www.jneurosci.org comme matériel supplémentaire). De plus, une analyse de régression linéaire multiple a démontré que le pouvoir explicatif global de la structure est corrélé pour gC (R 2 = 37%) était plus élevé que pour gF (R 2 = 22%), alors que les corrélats fonctionnels ont montré un schéma opposé à celui structurel (gC, R 2 = 20 % contre gF, R 2 = 31 %) (Fig. 2B,). Cette association différentielle de deux fonctions psychologiques (gF et gC) avec différentes zones cérébrales appuie fortement notre hypothèse. L'association entre l'épaisseur corticale et la connaissance sémantique a en outre été démontrée par des corrélations plus élevées pour les scores des sous-tests WAIS basés sur des tests verbaux plutôt que non verbaux (de performance) (tableau supplémentaire 3, disponible sur www.jneurosci.org en tant que matériel supplémentaire).

Intelligence générale, cristallisée et fluide expliquée sélectivement par des ROI structurelles et fonctionnelles. UNE, C, Les graphiques radar montrent des corrélations simples de l'épaisseur corticale (UNE) ou pic t But (C) de chaque ROI avec les composantes majeures de l'intelligence : g (ligne grise), gC (ligne orange), et gF (Ligne bleue). B, , Les graphiques à barres affichent les corrélations multiples de tous les éléments structurels (B) ou fonctionnel () Valeurs de retour sur investissement avec les composants d'intelligence. Chaque barre ou ligne indique le montant de l'écart expliqué (R 2 ) de la performance individuelle dans les scores de la composante intelligence. g, Composante principale de tous les sous-tests WAIS et RPM gC, composante principale des sous-tests de compréhension verbale WAIS gF, composant principal des sous-tests d'organisation perceptive WAIS et RPM.

Impact de la catégorie intellectuelle sur les différences d'épaisseur corticale entre les niveaux de QI

Les coefficients corrélationnels et les facteurs d'intelligence, cependant, sont des chiffres trop simples extraits d'un ensemble de données donné. Ils peuvent difficilement donner un aperçu de la relation pratique entre les scores aux tests d'intelligence psychométrique (QI) et l'épaisseur de la matière grise corticale (en millimètres). Pour résoudre cette incertitude, nous avons divisé l'échantillon en trois groupes de nombres pratiquement égaux (c. Les scores de QI (PIQ), FSIQ et RPM (tableau supplémentaire 4, disponible sur www.jneurosci.org en tant que matériel supplémentaire) et ont déterminé les différences d'épaisseur corticale entre les groupes de QI (Fig. 3). Quels que soient les critères intellectuels, les différences corticales les plus significatives se sont produites dans le cortex temporal gauche (LTC) à travers le cerveau. En ce qui concerne le score du test, les différences de VIQ avaient la plus forte association avec l'épaisseur corticale, en particulier dans le LTC. Cela indique que l'épaisseur corticale dans le cortex temporal reflète principalement la capacité verbale plutôt que fluide. Notamment, la relation entre l'épaisseur corticale et le VIQ était proche de linéaire entre les groupes et a même fortement augmenté dans la plage de QI supérieure pour le LTC. Cependant, les différences de PIQ et de RPM étaient moindres dans la plage de QI supérieure par rapport à la plage moyenne. Ces résultats suggèrent une base biologique possible pour la « loi des rendements décroissants » de Spearman, qui prédit que les connaissances acquises et les informations pertinentes sur le plan pédagogique associées à gC deviennent plus saillants que des mesures plus pures de g parmi les sujets d'intelligence supérieure (Jensen, 1998).

Effets du domaine intellectuel sur les changements d'épaisseur corticale en fonction du niveau de QI. UNE, Différences d'épaisseur corticale entre les niveaux adjacents de QI en fonction des critères d'intelligence et des lobes cérébraux. Les groupes de QI supérieur, élevé et moyen ont été divisés de manière égale selon quatre critères d'intelligence, les scores FSIQ, VIQ, PIQ et RPM. L'épaisseur corticale de chaque lobe est représentée par la valeur moyenne de toutes les ROI dans le lobe. Sup., moyenne supérieure, moyenne. *p < 0.05 **p < 0.01 ***p < 0,001, bilatéral t test. B, C, Écarts d'épaisseur corticale par rapport à l'épaisseur du groupe de QI moyen utilisé comme référence zéro. Les groupes VIQ sont mieux décrits par une fonction linéaire ou quadratique, tandis que les groupes PIQ sont mieux décrits par une fonction logarithmique. Les cartes cérébrales montrent des changements d'épaisseur absolus à chaque point cortical, en fonction des niveaux VIQ et PIQ.

Modèle de QI neurométrique : prédire le QI psychométrique à partir de mesures neurobiologiques

Nous avons validé nos résultats en testant un modèle neurométrique d'intelligence que nous avons développé de manière prospective. Plus précisément, nous avons postulé que la combinaison de corrélats neuronaux structurels et fonctionnels de l'intelligence nous permettrait de formuler un modèle capable de prédire avec précision l'intelligence psychométrique dans un échantillon indépendant (c'est-à-dire une prédiction prospective, plutôt que d'adapter un modèle post hoc à un ensemble de données). Le modèle combinant des mesures structurelles et fonctionnelles prédit fortement le QI dans l'échantillon de test (R = 0.71 p < 0,001) (Fig. 4). De plus, les prédicteurs fonctionnels ont contribué au-dessus de la structure, et vice versa, réitérant notre conclusion d'une association différentielle de la fonction psychologique avec les régions du cerveau. En tant que validation rigoureuse du modèle, nous avons calculé une estimation du QI pour chaque participant de l'échantillon de test. Même en utilisant non pas des paramètres libres, mais des paramètres fixes (valeurs α et dérivées des pools de modèles), le QI estimé prédisait fortement le QI (r = 0.67 p < 0,001) (Fig. 4B), ne différant pas statistiquement du niveau de prévisibilité de référence (QI de RPM, différence entre les corrélations dépendantes, Z = 1.06 p = 0,29). Ainsi, au sein de cette population, les images cérébrales dérivées de l'IRM peuvent être utilisées pour prédire l'intelligence à un degré impressionnant. De manière plus critique pour les présentes fins, la structure et la fonction ont apporté des contributions distinctes au modèle.

Prédiction du QI psychométrique à partir de mesures neurobiologiques. UNE, Spécification d'un modèle de QI neurométrique. Pour spécifier les prédicteurs potentiels, nous avons corrélé le QI avec l'épaisseur corticale (en haut) ou le niveau d'activation (en bas) à chaque voxel, et seuillé (p < 0.001) pour définir les ROI. Nous avons réduit la redondance en faisant la moyenne des retours sur investissement qui covariaient (p < 0,001), laissant le volume cérébral et trois variables prédictives candidates basées sur le ROI. Les termes d'interaction ont permis au sexe de modérer la relation entre les variables basées sur le RM et le QI. Pour spécifier un modèle, nous avons passé au crible les prédicteurs potentiels en faisant régresser le QI sur eux simultanément, en retenant cinq comme modèle. B, Test du modèle. Nous avons estimé le QI à l'aide du modèle dans un échantillon indépendant. Le QI estimé était en corrélation avec le QI mesuré, indiquant une prédiction réussie. Pour le modèle strict (paramètres fixes), les valeurs des paramètres ont été obtenues en ajustant le modèle (régression) dans les ensembles de données pour la spécification du modèle.


Corrélation : Signification, Types et Son Calcul | Statistiques

Après avoir lu cet article, vous en apprendrez davantage sur : - 1. Définitions de la corrélation 2. Signification de la corrélation 3. Besoin 4. Types 5. Méthodes de calcul.

Définitions de la corrélation :

Si le changement d'une variable semble s'accompagner d'un changement de l'autre variable, les deux variables sont dites corrélées et cette interdépendance est appelée corrélation ou covariation.

En bref, la tendance à la variation simultanée entre deux variables est appelée corrélation ou covariation. Par exemple, il peut exister une relation entre la taille et le poids d'un groupe d'étudiants, les scores des étudiants dans deux matières différentes devraient avoir une interdépendance ou une relation entre eux.

Mesurer le degré de relation ou de covariation entre deux variables est l'objet de l'analyse de corrélation. Ainsi, la corrélation signifie la relation ou « être ensemble » ou la correspondance entre deux variables.

En statistique, la corrélation est une méthode de détermination de la correspondance ou de la proportionnalité entre deux séries de mesures (ou scores). Pour le dire simplement, la corrélation indique la relation d'une variable avec l'autre.

Signification de corrélation:

Pour mesurer quantitativement le degré d'association ou de relation entre deux variables, un indice de relation est utilisé et est appelé coefficient de corrélation.

Le coefficient de corrélation est un indice numérique qui nous indique dans quelle mesure les deux variables sont liées et dans quelle mesure les variations d'une variable changent avec les variations de l'autre. Le coefficient de corrélation est toujours symbolisé soit par r soit par (Rho).

La notion « r » est connue sous le nom de coefficient de corrélation du moment produit ou coefficient de corrélation de Karl Pearson. Le symbole ‘ρ’ (Rho) est connu sous le nom de coefficient de corrélation de différence de rang ou de coefficient de corrélation de rang de lanceur.

La taille de 'r‘ indique la quantité (ou le degré ou l'étendue) de la corrélation entre deux variables. Si la corrélation est positive, la valeur de 'r‘ est + ve et si la corrélation est négative, la valeur de V est négative. Ainsi, les signes du coefficient indiquent le type de relation. La valeur de V varie de +1 à -1.

La corrélation peut varier entre une corrélation positive parfaite et une corrélation négative parfaite. Le haut de l'échelle indiquera une corrélation positive parfaite et elle commencera à partir de +1 puis passera par zéro, indiquant l'absence totale de corrélation.

Le bas de l'échelle se terminera à -1 et indiquera une corrélation négative parfaite. Ainsi la mesure numérique de la corrélation est fournie par l'échelle qui va de +1 à -1.

[NB—Le coefficient de corrélation est un nombre et non un pourcentage. Il est généralement arrondi à deux décimales supérieures].

Besoin de corrélation :

La corrélation donne un sens à une construction. L'analyse corrélationnelle est essentielle pour la recherche psycho-éducative fondamentale. En effet, la plupart des recherches psychologiques fondamentales et appliquées sont de nature corrélationnelle.

L'analyse corrélationnelle est requise pour :

(i) Trouver les caractéristiques des tests psychologiques et pédagogiques (fiabilité, validité, analyse des items, etc.).

(ii) Tester si certaines données sont cohérentes avec les hypothèses.

(iii) Prédire une variable sur la base de la connaissance de l'autre ou des autres.

(iv) Construire des modèles et des théories psychologiques et pédagogiques.

(v) Regroupement des variables/mesures pour une interprétation parcimonieuse des données.

(vi) Réalisation de tests statistiques multivariés (Hoteling’s T 2 MANOVA, MANCOVA, Analyse discriminante, Analyse factorielle).

(vii) Isoler l'influence des variables.

Types de corrélation:

Dans une distribution bivariée, la corrélation peut être :

1. Corrélation positive, négative et nulle et

2. Linéaire ou curviligne (non linéaire).

1. Corrélation positive, négative ou nulle :

Lorsque l'augmentation d'une variable (X) est suivie d'une augmentation correspondante de l'autre variable (Y), la corrélation est dite positive. Les corrélations positives vont de 0 à +1 la limite supérieure, c'est-à-dire que +1 est le parfait coefficient de corrélation positif.

La corrélation positive parfaite précise que, pour chaque unité d'augmentation dans une variable, il y a une augmentation proportionnelle dans l'autre. Par exemple, “Heat” et “Temperature” ont une corrélation positive parfaite.

Si, par contre, l'augmentation d'une variable (X) entraîne une diminution correspondante de l'autre variable (Y), la corrélation est dite négative.

La corrélation négative va de 0 à – 1 la limite inférieure donnant la corrélation négative parfaite. La corrélation négative parfaite indique que pour chaque augmentation d'unité dans une variable, il y a une diminution d'unité proportionnelle dans l'autre.

La corrélation zéro signifie qu'il n'y a aucune relation entre les deux variables X et Y, c'est-à-dire que le changement d'une variable (X) n'est pas associé au changement de l'autre variable (Y). Par exemple, le poids corporel et l'intelligence, la pointure et le salaire mensuel, etc. La corrélation zéro est le point médian de la plage – 1 à + 1.

2. Corrélation linéaire ou curviligne :

La corrélation linéaire est le rapport de changement entre les deux variables dans la même direction ou dans la direction opposée et la représentation graphique d'une variable par rapport à l'autre variable est une ligne droite.

Considérez une autre situation. Premièrement, avec l'augmentation d'une variable, la deuxième variable augmente proportionnellement jusqu'à un certain point, après quoi avec une augmentation de la première variable, la deuxième variable commence à diminuer.

La représentation graphique des deux variables sera une ligne courbe. Une telle relation entre les deux variables est appelée corrélation curviligne.

Méthodes de calcul du coefficient de corrélation :

Pour faciliter les données non regroupées de la distribution bivariée, les trois méthodes suivantes sont utilisées pour calculer la valeur du coefficient de corrélation :

2. Coefficient de corrélation du moment du produit de Pearson.

3. Coefficient de corrélation de l'ordre de classement de Spearman.

1. Méthode du diagramme de dispersion :

Le diagramme de dispersion ou le diagramme de points est un dispositif graphique permettant de tirer certaines conclusions sur la corrélation entre deux variables.

Lors de la préparation d'un diagramme de dispersion, les paires d'observations observées sont tracées par des points sur un papier millimétré dans un espace à deux dimensions en prenant les mesures sur la variable X selon l'axe horizontal et celle sur la variable Y selon l'axe vertical.

Le placement de ces points sur le graphique révèle le changement de la variable selon qu'ils changent dans le même sens ou dans le sens opposé. C'est une méthode très facile, simple mais approximative de calcul de corrélation.

Les fréquences ou les points sont tracés sur un graphique en prenant des échelles convenables pour les deux séries. Les points tracés auront tendance à se concentrer dans une bande plus ou moins large selon son degré. ‘La ligne de meilleur ajustement est tracée à main levée et sa direction indique la nature de la corrélation. Les diagrammes de dispersion, à titre d'exemple, montrant divers degrés de corrélation sont présentés sur les figures 5.1 et 5.2.

Si la ligne monte et que ce mouvement ascendant se fait de gauche à droite, cela montrera une corrélation positive. De même, si les lignes se déplacent vers le bas et que leur direction va de gauche à droite, cela montrera une corrélation négative.

Le degré de pente indiquera le degré de corrélation. Si les points tracés sont largement dispersés, cela montrera l'absence de corrélation. Cette méthode décrit simplement le ‘fait’ que la corrélation est positive ou négative.

2. Coefficient de corrélation du moment du produit de Pearson :

Le coefficient de corrélation, r, est souvent appelé le “Pearson r” d'après le professeur Karl Pearson qui a développé la méthode du moment produit, à la suite des travaux antérieurs de Gallon et Bravais.

Coefficient de corrélation en tant que rapport:

Le coefficient de corrélation produit-moment peut être considéré essentiellement comme le rapport qui exprime la mesure dans laquelle les changements d'une variable sont accompagnés ou dépendants des changements d'une seconde variable.

À titre d'illustration, considérons l'exemple simple suivant qui donne les tailles et poids appariés de cinq étudiants universitaires :

La taille moyenne est de 69 pouces, le poids moyen de 170 livres et le o est de 2,24 pouces et o est de 13,69 livres, respectivement. Dans la colonne (4) l'écart (x) de la taille de chaque élève par rapport à la taille moyenne, et dans la colonne (5) l'écart, (y) du poids de chaque élève par rapport au poids moyen sont indiqués. Le produit de ces écarts appariés (xy) dans la colonne (6) est une mesure de l'accord entre les tailles et les poids individuels. Plus la somme de la colonne xy est grande, plus le degré de correspondance est élevé. Dans l'exemple ci-dessus, la valeur de ∑xy/N est 55/5 ou 11. En cas d'accord parfait, c'est-à-dire r = ± 1,00, la valeur de ∑xy/N dépasse la limite maximale.

Ainsi,xy/N ne donnerait pas une mesure appropriée de la relation entre x et y. La raison en est qu'une telle moyenne n'est pas une mesure stable, car elle n'est pas indépendante des unités dans lesquelles la taille et le poids ont été exprimés.

En conséquence, ce rapport variera si des centimètres et des kilogrammes sont employés au lieu de pouces et de livres. Une façon d'éviter le problème gênant des différences d'unités consiste à exprimer chaque écart sous la forme d'un score σ ou d'un score standard ou d'un score Z, c'est-à-dire de diviser chaque x et y par son propre σ.

Chaque écart x et y est alors exprimé sous forme de rapport, et est un nombre pur, indépendant des unités de test. La somme des produits de la colonne des scores σ (9) divisé par N donne un rapport qui est une expression stable de la relation. Ce rapport est le coefficient de corrélation “product-moment”. Dans notre exemple, sa valeur de 0,36 indique une corrélation positive assez élevée entre la taille et le poids dans ce petit échantillon.

L'élève doit noter que notre ratio ou coefficient est simplement le produit moyen des scores σ des mesures X et Y correspondantes, c'est-à-dire

(i) rxy est un moment produit r

(iii) rxy peut être + ve ou – ve lié par des limites – 1.00 à + 1.00.

(iv) rxy peut être considérée comme une moyenne arithmétique (rxy est la moyenne des produits de score standard).

(v) rxy n'est affecté par aucune transformation linéaire des scores sur X ou Y ou les deux.

(vi) Lorsque les variables sont sous la forme de score standard, r donne une mesure de la quantité moyenne de changement dans une variable associée au changement d'une unité l'autre variable.

(vii) rxy = byx bxy où byx = coefficient de régression de Y sur X, bxy = coefficient de régression de X sur Y. rxy = racine carrée des pentes des droites de régression.

(viii) rxy n'est pas influencée par l'ampleur des moyennes (les scores sont toujours relatifs).

(ix) rxy ne peut pas être calculé si l'une des variables n'a pas de variance S 2 x ou S 2 Y = 0

(x) rxy de 60 implique la même ampleur de relation que rxy = – .60. Le signe indique la direction de la relation et l'ampleur de la force de la relation.

(xi) df pour rxy est N – 2, qui est utilisé pour tester la signification de rxy. Tester la signification de r consiste à tester la signification de la régression. La ligne de régression implique la pente et l'interception, d'où 2 df est perdu. Donc quand N = 2, rxy est soit + 1,00 soit – 1,00 car il n'y a pas de liberté pour la variation d'échantillonnage de la valeur numérique de r.

A. Calcul de rxy (Données non groupées):

Ici, l'utilisation de la formule pour le calcul de r dépend de « d'où sont tirés les écarts ». Dans différentes situations, les écarts peuvent être déduits de la moyenne réelle ou de zéro ou de A.M. Le type de formule commodément appliqué pour le calcul de la corrélation des coefficients dépend de la valeur moyenne (soit en fraction, soit en entier).

(i) La formule de r lorsque les écarts sont tirés des moyennes des deux distributions X et Y.

où rxy = Corrélation entre X et Y

x = écart de tout score X par rapport à la moyenne du test X

y = écart du score Y correspondant par rapport à la moyenne du test Y.

∑xy = Somme de tous les produits des écarts (X et Y)

??X etoui = Écarts types de la distribution des scores X et Y.

dans laquelle x et y sont des écarts par rapport aux moyennes réelles et ∑x 2 et ∑y 2 sont les sommes des carrés des écarts de x et y tirés des deux moyennes.

Cette formule est préférée :

je. Lorsque les valeurs moyennes des deux variables ne sont pas en fraction.

ii. Quand découvrir la corrélation entre des séries courtes et non groupées (disons, vingt-cinq cas environ).

iii. Lorsque les écarts doivent être déduits des moyennes réelles des deux distributions.

Les étapes nécessaires sont illustrées dans le tableau 5.1. Ils sont énumérés ici :

Répertoriez dans des colonnes parallèles les scores X et Y appariés, en vous assurant que les scores correspondants sont ensemble.

Déterminer les deux moyennes MX et Moui. Dans le tableau 5.1, ils sont respectivement de 7,5 et 8,0.

Déterminer pour chaque paire de scores les deux écarts x et y. Vérifiez-les en trouvant des sommes algébriques, qui devraient être nulles.

Carré tous les écarts et liste en deux colonnes. C'est dans le but de calculerX etoui.

Additionnez les carrés des écarts pour obtenir ∑x 2 et ∑y 2 Trouvez le produit xy et additionnez-les pour ∑xy.

A partir de ces valeurs, calculez σX etoui.

Une solution alternative et plus courte :

Il existe une route alternative et plus courte qui omet le calcul de σX etoui, s'ils ne sont pas nécessaires à d'autres fins.

Application de la formule (28) :

(ii) Le calcul de rxy à partir de partitions originales ou de partitions brutes :

Il s'agit d'une autre procédure avec des données non groupées, qui ne nécessite pas l'utilisation d'écarts. Il traite entièrement de partitions originales. La formule peut sembler rébarbative mais est vraiment facile à appliquer.

Cette formule est préférée :

je. Quand calculer r à partir des scores bruts directs.

ii. Scores originaux ft. lorsque les données sont petites non groupées.

iii. Lorsque les valeurs moyennes sont en fractions.

iv. Quand une bonne machine à calculer est disponible.

X et Y sont les scores originaux dans les variables X et Y. D'autres symboles indiquent ce qui est fait avec eux.

Nous suivons les étapes illustrées dans le tableau 5.2 :

Carré toutes les mesures X et Y.

Trouvez le produit XY pour chaque paire de scores.

Additionnez les X’s, les Y’s, les X 2 , les Y 2 et les XY.

(ii) Calcul de rxy lorsque les écarts sont tirés de la moyenne présumée :

La formule (28) est utile pour calculer r directement à partir de deux séries de scores non groupées, mais elle présente les inconvénients car elle nécessite une "méthode longue" de calcul des moyennes et ??'s. Les écarts x et y pris par rapport aux moyennes réelles sont généralement des nombres décimaux et la multiplication et la mise au carré de ces valeurs sont souvent une tâche fastidieuse.

Pour cette raison, même en travaillant avec de courtes séries non groupées, il est souvent plus facile de supposer des moyennes, de calculer des écarts par rapport à ces A.M.’ et d'appliquer la formule (30).

Cette formule est préférée :

je. Lorsque les moyennes réelles sont généralement des décimales et que la multiplication et la mise au carré de ces valeurs sont souvent une tâche fastidieuse.

ii. Lorsque des écarts sont pris par rapport aux A.M.’s.

iii. Quand nous devons éviter les fractions.

Les étapes du calcul de r peuvent être décrites comme suit :

Trouvez la moyenne du test 1 (X) et la moyenne du test 2 (Y). Les moyennes indiquées dans le tableau 5.3 MX = 62,5 et MOui = 30,4 respectivement.

Choisissez A.M.’s de X et Y, c'est-à-dire A.M.X comme 60,0 et A.M.Oui comme 30.0.

Trouvez l'écart de chaque score au test 1 par rapport à son A.M., 60,0, et entrez-le dans la colonne x’. Recherchez ensuite l'écart de chaque score du test 2 par rapport à son A.M., 30,0, et saisissez-le dans la colonne y’.

Mettez au carré tous les x’ et tous ceux-ci et entrez ces carrés dans les colonnes x’ 2 et y’ 2 , respectivement. Additionnez ces colonnes pour obtenir ∑x’ 2 et ∑y’ 2 .

Multipliez x’ et y’, et entrez ces produits (en tenant compte du signe) dans la colonne x’y’. Total colonne x’y’, en tenant compte des signes, pour obtenir ∑x’y’.

Les corrections, CX et Coui, se trouvent en soustrayant AMX de MX et AMoui de Moui. Ensuite, CX trouvé comme 2,5 (62,5 – 60,0) et Coui comme 0,4 (30,4 – 30,0).

Remplacez ∑x’y’ , 334, pour ∑x’ 2 , 670 et pour ∑y’ 2 , 285 dans la formule (30), comme indiqué dans le tableau 5.3, et résolvez pour rxy.

Propriétés de r:

1. La valeur du coefficient de corrélation r reste inchangée lorsqu'une constante est ajoutée à une ou aux deux variables :

Afin d'observer l'effet sur le coefficient de corrélation r lorsqu'une constante est ajoutée à l'une ou aux deux variables, considérons un exemple.

Maintenant, nous ajoutons un score de 10 à chaque score de X et 20 à chaque score de Y et représentons ces scores par X’ et Y’ respectivement.

Les calculs pour calculer r pour les paires d'observations originales et nouvelles sont donnés dans le tableau 5.4 :

En utilisant la formule (29), le coefficient de corrélation du score original sera :

La même formule pour les nouvelles partitions peut s'écrire :

Ainsi, nous observons que la valeur du coefficient de corrélation r reste inchangée lorsqu'une constante est ajoutée à une ou aux deux variables.

2. La valeur du coefficient de corrélation r reste inchangée lorsqu'une constante est soustraite d'une ou des deux variables :

Les élèves peuvent examiner cela en prenant un exemple. Lorsque chaque score d'une ou des deux variables est soustrait par une constante, la valeur du coefficient de corrélation r reste également inchangée.

3. La valeur du coefficient de corrélation r reste inchangée lorsqu'un ou les deux ensembles de valeurs de variables sont multipliés par une constante :

Afin d'observer l'effet de la multiplication des variables par une constante sur la valeur de r, nous multiplions arbitrairement les scores originaux des premier et deuxième ensembles dans l'exemple précédent par 10 et 20 respectivement.

Le r entre X’ et Y’ peut alors être calculé comme suit :

La corrélation de coefficient entre X’ et Y’ sera :

Ainsi, nous observons que la valeur du coefficient de corrélation r reste inchangée lorsqu'une constante est multipliée par un ou les deux ensembles de valeurs de variables.

4. La valeur de r restera inchangée même lorsqu'un ou les deux ensembles de valeurs de variables sont divisés par une constante :

Les élèves peuvent examiner cela en prenant un exemple.

B. Coefficient de corrélation dans les données groupées:

Lorsque le nombre de paires de mesures (N) sur deux variables X et Y est important, voire modéré, et qu'aucune machine à calculer n'est disponible, la procédure habituelle est de regrouper les données à la fois en X et en Y et de former un nuage de points. ou diagramme de corrélation qui est également appelé distribution de fréquence bidirectionnelle ou distribution de fréquence bivariée.

Le choix de la taille de l'intervalle de classe et des limites des intervalles suit à peu près les mêmes règles que celles données précédemment. Pour clarifier l'idée, nous considérons une donnée bivariée portant sur les scores obtenus par une classe de 20 étudiants à l'examen de Physique et Mathématiques.

Préparation d'un diagramme de dispersion:

Lors de la mise en place d'un double regroupement de données, un tableau est préparé avec des colonnes et des lignes. Ici, nous classons chaque paire de variables simultanément dans les deux classes, l'une représentant le score en physique (X) et l'autre en mathématiques (Y) comme le montre le tableau 5.6.

Les scores de 20 élèves en physique (X) et en mathématiques (Y) sont indiqués dans le tableau ci-dessous :

Nous pouvons facilement préparer un tableau de distribution de fréquence à deux variables en mettant des points pour chaque paire de scores. La construction d'un diagramme de dispersion est assez simple. Nous devons préparer un tableau comme le montre le schéma ci-dessus.

Le long de la marge de gauche, les intervalles de classe de la distribution X sont disposés de bas en haut (dans l'ordre croissant). En haut du diagramme, les ci de la distribution Y sont licenciés de gauche à droite (dans l'ordre croissant).

Chaque paire de scores (à la fois en X et en Y) est représentée par un décompte dans la cellule respective. L'étudiant n°1 a obtenu 32 en physique (X) et 25 en mathématiques (Y). Son score de 32 en (X) le place dans la dernière rangée et 25 en (Y) le place dans la deuxième colonne. Ainsi, pour la paire de scores (32, 25), un décompte sera marqué dans la deuxième colonne de la 5e rangée.

De la même manière, dans le cas de l'élève n°2, pour les notes (34, 41), nous mettrons un pointage dans la 4e colonne de la 5e rangée. De même, 20 décomptes seront mis dans les lignes et colonnes respectives. (Les lignes représenteront les scores X et les colonnes représenteront les scores Y).

Le long de la marge de droite, le FX colonne, le nombre de cas dans chaque ci, de distribution X sont tabulés et le long du bas du diagramme dans le Foui rangée le nombre de cas dans chaque ci, de la distribution Y sont tabulés.

Le total de FX colonne est 20 et le total de Foui row vaut également 20. Il s'agit en fait d'une distribution bivariée car elle représente la distribution conjointe de deux variables. Le scattergram est alors un “table de corrélation.”

Calcul de r à partir d'un tableau de correspondance:

L'aperçu suivant des étapes à suivre pour calculer r sera mieux compris si l'élève se réfère constamment au tableau 5.7 pendant qu'il lit chaque étape :

Construisez un diagramme de dispersion pour les deux variables à corréler, et à partir de celui-ci, établissez un tableau de corrélation.

Comptez les fréquences de chaque ci.i. de distribution – X et l'écrire dans le FX colonne. Comptez les fréquences pour chaque ci. de distribution – Y et remplissez le Foui ligne.

Supposons une moyenne pour la distribution X et marquez le c.i. en lignes doubles. Dans le tableau de corrélation donné, supposons la moyenne au ci, 40 – 49 et mettons des lignes doubles comme indiqué dans le tableau. Les écarts au-dessus de la ligne de A.M. sera (+ ve) et les écarts en dessous seront (- ve).

La déviation par rapport à la ligne de A.M., c'est-à-dire par rapport au c.i. où nous avons supposé que la moyenne est marquée 0 (zéro) et au-dessus la ‘s sont notés +1, +2. 13 et en dessous est noté – 1. Maintenant, la colonne dx est remplie. puis multiplier FX. et dx de chaque ligne pour obtenir fdx. Multiplier dx et fdx de chaque ligne pour obtenir fdx 2 .

[Remarque : lors du calcul du S.D. dans la méthode de la moyenne supposée, nous supposions une moyenne, en marquant les d’s et en calculant fd et fd 2 . Ici aussi la même procédure est suivie.]

Adoptez la même procédure qu'à l'étape 3 et calculez mourir, fdy et fdy 2 . Pour la distribution-Y, supposons la moyenne dans le c.i. 20-29 et mettez des lignes doubles pour marquer la colonne comme indiqué dans le tableau. Les écarts à gauche de cette colonne seront négatifs et à droite positifs.

Ainsi, d pour la colonne où la moyenne est supposée est marqué 0 (zéro) et le d à sa gauche est marqué – 1 et d’s à sa droite sont marqués +1, +2 et +3. Maintenant mourir la colonne est remplie. Multipliez les valeurs de fy et mourir de chaque colonne pour obtenir fdy. Multipliez les valeurs de mourir et fdy à chaque colonne pour obtenir fdy 2 .

Comme cette phase est importante, nous devons marquer soigneusement pour le calcul de mourir pour différents ci.’s de distribution X et dx pour différents ci.i.’s de distribution -Y.

mourir pour différents c. je. ‘s de distribution-X : dans la première rangée, 1F est sous la colonne, 20-29 dont mourir est 0 (Regardez en bas. Le mourir l'entrée de cette ligne est 0). Encore 1F est sous la colonne, 40-49 dont mourir est + 2. Donc mourir pour la première ligne = (1 x 0) + (1 x 2) = + 2.

Dans la deuxième ligne, nous trouvons que :

1 F est sous la colonne, 40-49 dont mourir est + 2 et

2 Fs sont sous la colonne, 50-59 dont mourir's sont + 3 chacun.

Donc mourir pour la 2ème rangée = (1 x 2) + (2 X 3) = 8.

2 Fs sont sous la colonne, 20-29 dont mourir‘s sont 0 chacun,

2 Fs sont sous la colonne, 40-49 dont mourir‘s sont +2 chacun, et 1 F est sous la colonne, 50-59 dont mourir est +3.

Alors dy pour la 3ème rangée = (2 x 0) + (2 x 2) + (1 X 3) = 7.

3 Fs sont sous la colonne, 20-29 dont mourir‘s sont 0 chacun,

2 Fs sont sous la colonne, 30-39 dont mourir‘s sont +1 chacun, et 1 F est sous la colonne, 50-59 dont mourir est + 3,

Donc mourir pour la 4ème rangée = (3 X 0) + (2 X 1) + (1 x 3) = 5.

mourir pour la 5ème rangée = (2 x – 1) + (1 x 0) + (1 x 2) = 0

dx pour différents c.i. ,’v de distribution – Y :

2 Fs sont contre le rang, 30-39 dont dx est – 1.

Donc dx de la 1ère colonne = (2 x – 1) = – 2

1 F est contre la c.i., 70-79 dont dx est +3,

2 Fs sont contre les c.i., 50-59 dont dx‘s sont +1 chacun,

3 Fs sont contre les c.i., 40-49 dont dx‘s sont 0 chacun,

1 F est contre la c.i., 30-39 dont dx est – 1.

Donc dx pour la 2ème colonne = (1 x 3) + (2 X 1) + (3 X 0) + (1 x – 1) = 4. Dans la troisième colonne,

dx pour la 3ème colonne = 2ࡦ = 0

dx pour la 4ème colonne = (1 x 3) + (1 x 2) + (2 x 1) + (1 x – 1) = 6.

dx pour la 5ème colonne = (2 x 2) + (1 x 1) + (1 X 0) = 5.

Maintenant, calculez dx.dy chaque ligne de distribution – X en multipliant le dx entrées de chaque ligne par mourir entrées de chaque ligne. Calculer ensuite dx.dy pour chaque colonne de distribution – Y en multipliant mourir entrées de chaque colonne par le dx entrées de chaque colonne.

Maintenant, prenons la somme algébrique des valeurs des colonnes fdx, fdx 2 , mourir et dx.dy (pour diffusion – X). Prendre la somme algébrique des valeurs des lignes fdy, fdy 2 , dx et dx.dy (pour distribution – Y)

∑.dx.dy de distribution X = ∑dx.dy de distribution Y

fdx = total de dx rangée (c'est-à-dire ∑dx)

fdy = total de mourir colonne (c'est-à-dire ∑mourir)

Les valeurs des symboles trouvées

fdx = 13, ∑fd 2x = 39

fdy =22, ∑fd 2 oui = 60

Afin de calculer le coefficient de corrélation dans un tableau de corrélation, la formule suivante peut être appliquée :

On peut remarquer qu'au dénominateur de la formule (31) on applique la formule pour unX et unoui à l'exception des non i’s. Notons ici que CX, Coui,X,v sont tous exprimés en unités d'intervalles de classe (c'est-à-dire en unité de i). Ainsi, en calculant σX etoui, aucun i’ n'est utilisé. Ceci est souhaitable car tous les écarts de produit, c'est-à-dire ∑dx.dy’s sont en unités d'intervalle.

Interprétation du coefficient de corrélation:

Le simple calcul de la corrélation n'a aucune signification tant que nous n'avons pas déterminé quelle doit être la taille du coefficient pour être significatif, et que nous apprend la corrélation sur les données ? Qu'entendons-nous par la valeur obtenue du coefficient de corrélation?

Mauvaise interprétation du coefficient de corrélation :

Parfois, nous interprétons mal la valeur du coefficient de corrélation et établissons la relation de cause à effet, c'est-à-dire qu'une variable provoque la variation de l'autre variable. En fait, nous ne pouvons pas interpréter de cette manière à moins d'avoir une base logique solide.

Le coefficient de corrélation nous donne une détermination quantitative du degré de relation entre deux variables X et Y, et non des informations sur la nature de l'association entre les deux variables. La causalité implique une séquence invariable — A mène toujours à B, alors que la corrélation est simplement une mesure d'association mutuelle entre deux variables.

Par exemple, il peut y avoir une forte corrélation entre l'inadaptation et l'anxiété :

Mais sur la base d'une corrélation élevée, nous ne pouvons pas dire que l'inadaptation provoque de l'anxiété. Il est possible qu'une anxiété élevée soit la cause de l'inadaptation. Cela montre que l'inadaptation et l'anxiété sont des variables mutuellement associées. Considérez un autre exemple.

Il existe une forte corrélation entre l'aptitude dans une matière à l'école et la réussite dans la matière. À la fin des examens scolaires, cela reflétera-t-il une relation causale? Cela peut ou non.

L'aptitude à l'étude d'une matière entraîne certainement une variation dans la réussite de la matière, mais la réussite élevée de l'étudiant dans la matière n'est pas le résultat de la grande aptitude, mais elle peut également être due aux autres variables.

Ainsi, lors de l'interprétation de la taille du coefficient de corrélation en termes de cause à effet, il est approprié, si et seulement si les variables étudiées fournissent une base logique pour une telle interprétation.

Facteurs influençant la taille du coefficient de corrélation:

Nous devons également être conscients des facteurs suivants qui influencent la taille du coefficient de corrélation et peuvent conduire à des interprétations erronées :

1. La taille de « “r » dépend beaucoup de la variabilité des valeurs mesurées dans l'échantillon corrélé. Plus la variabilité est grande, plus la corrélation sera élevée, toutes choses égales par ailleurs.

2. La taille de 'r’ est modifiée lorsqu'un enquêteur sélectionne un groupe extrême de sujets afin de comparer ces groupes par rapport à certains comportements. “r” obtenu à partir des données combinées des groupes extrêmes serait plus grand que le “r” obtenu à partir d'un échantillon aléatoire du même groupe.

3. L'ajout ou la suppression des cas extrêmes du groupe peut entraîner une modification de la taille de « r ». L'ajout du cas extrême peut augmenter la taille de la corrélation, tandis que la suppression des cas extrêmes réduira la valeur de « r ».

Utilisations du produit moment r:

La corrélation est l'une des procédures analytiques les plus utilisées dans le domaine de la mesure et de l'évaluation éducatives et psychologiques. Il est utile dans :

je. Décrire le degré de correspondance (ou relation) entre deux variables.

ii. Prédiction d'une variable—la variable dépendante sur la base d'une variable indépendante.

iii. Valider un test, par exemple un test d'intelligence de groupe.

iv. Déterminer le degré d'objectivité d'un test.

v. Orientation scolaire et professionnelle et dans la prise de décision.

vi. Déterminer la fiabilité et la validité du test.

vii. Déterminer le rôle de divers corrélats à une certaine capacité.

viii. Technique d'analyse factorielle pour déterminer la charge factorielle des variables sous-jacentes dans les capacités humaines.

Hypothèses du moment du produit r:

1. Répartition normale :

Les variables à partir desquelles nous voulons calculer la corrélation doivent être distribuées normalement. L'hypothèse peut être posée à partir d'un échantillonnage aléatoire.

La corrélation produit-moment peut être représentée en ligne droite, appelée corrélation linéaire.

Mesure de variables sur séries continues.

Il doit satisfaire à la condition d'homoscédasticité (variabilité égale).

3. Coefficient de corrélation de rang de Spearman:

Il existe certaines situations en éducation et en psychologie où les objets ou les individus peuvent être classés et classés par ordre de mérite ou de compétence sur deux variables et lorsque ces 2 ensembles de rangs covarient ou concordent entre eux, nous mesurons les degrés de relation par corrélation de rang. .

Encore une fois, il existe des problèmes dans lesquels la relation entre les mesures effectuées est non linéaire et ne peut pas être décrite par le produit-moment r.

Par exemple, l'évaluation d'un groupe d'étudiantes sur la base de leur capacité de leadership, le classement des femmes dans un concours de beauté, les étudiants classés par ordre de préférence ou les images peuvent être classées en fonction de leurs valeurs esthétiques. Les employés peuvent être classés par les superviseurs en fonction de leur rendement au travail.

Les écoliers peuvent être classés par les enseignants en fonction de leur adaptation sociale. Dans de tels cas, les objets ou les individus peuvent être classés et classés par ordre de mérite ou de compétence sur deux variables. Spearman a développé une formule appelée Rank Correlation Coefficient pour mesurer l'étendue ou le degré de corrélation entre 2 ensembles de rangs.

Ce coefficient de corrélation est désigné par la lettre grecque ρ (appelée Rho) et est donné par :

où, = rho = coefficient de corrélation de rang de Spearman

D = Différence entre les rangs appariés (dans chaque cas)

N = Nombre total d'articles/individus classés.

Caractéristiques de Rho (ρ):

1. Dans Rank Correlation Coefficient, les observations ou les mesures de la variable bivariée sont basées sur l'échelle ordinale sous forme de rangs.

2. La taille du coefficient est directement affectée par la taille des différences de rang.

(a) Si les rangs sont les mêmes pour les deux tests, chaque différence de rang sera de zéro et finalement D 2 sera de zéro. Cela signifie que la corrélation est parfaite, c'est-à-dire 1,00.

(b) Si les différences de rang sont très importantes et que la fraction est supérieure à un, alors la corrélation sera négative.

je. N est petit ou les données sont très asymétriques.

ii. Ils sont libres, ou indépendants, de certaines caractéristiques de la répartition de la population.

iii. Dans de nombreuses situations, des méthodes de classement sont utilisées, lorsque les mesures quantitatives ne sont pas disponibles.

iv. Bien que des mesures quantitatives soient disponibles, les rangs sont substitués pour réduire le travail arithmétique.

v. De tels tests sont décrits comme non paramétriques.

vi. Dans de tels cas, les données sont composées d'ensembles de nombres ordinaux, 1er, 2e, 3e & #8230.Nth. Ceux-ci sont remplacés par les nombres cardinaux 1, 2, 3,………, N à des fins de calcul. La substitution des nombres cardinaux aux nombres ordinaux suppose toujours l'égalité des intervalles.

I. Calcul de ρ à partir des résultats des tests:

Les données suivantes donnent respectivement les scores de 5 étudiants en mathématiques et en sciences générales :

Calculez la corrélation entre les deux séries de résultats de test par la méthode de différence de rang.

La valeur du coefficient de corrélation entre les scores en mathématiques et en sciences générales est positive et modérée.

Étapes du calcul du coefficient de corrélation de Spearman :

Énumérez les élèves, leurs noms ou leurs numéros de série dans la colonne 1.

Dans les colonnes 2 et 3, écrivez les scores de chaque élève ou individu dans les tests I et II.

Prenez un ensemble de scores de la colonne 2 et attribuez un rang de 1 au score le plus élevé, qui est 9, un rang de 2 au prochain score le plus élevé qui est 8 et ainsi de suite, jusqu'à ce que le score le plus bas obtienne un rang égal à N qui est 5.

Prenez l'ensemble II de scores de la colonne 3 et attribuez le rang 1 au score le plus élevé. Dans la deuxième série, le score le plus élevé est de 10, donc obtenez le rang 1. Le prochain score le plus élevé de l'étudiant B est 8 donc son rang est 2. Le rang de l'étudiant C est 3, le rang de E est 4 et le rang de D est 5.

Calculez la différence de rangs de chaque élève (colonne 6).

Vérifiez la somme des différences enregistrées dans la colonne 6. Elle est toujours nulle.

Chaque différence de rangs de la colonne 6 est mise au carré et enregistrée dans la colonne 7. Obtenez la somme ∑D 2 .

Mettez la valeur de N et 2D 2 dans la formule du coefficient de corrélation de Spearman.

2. Calcul à partir de données classées:

Dans un concours de discours, les professeurs Mehrotra et Shukla ont jugé 10 élèves. Leurs jugements étaient en rangs, qui sont présentés ci-dessous. Déterminez dans quelle mesure leurs jugements étaient en accord.

La valeur du coefficient de corrélation est de + 0,83. Cela montre un degré élevé d'accord entre les deux juges.

3. Calcul de ρ (Rho) pour les rangs à égalité:

Les données suivantes donnent les scores de 10 étudiants sur deux essais de test avec un écart de 2 semaines dans l'essai I et l'essai II.

Calculez la corrélation entre les scores de deux essais par la méthode de différence de rang :

La corrélation entre les essais I et II est positive et très élevée. Regardez attentivement les notes obtenues par les 10 étudiants aux essais I et II du test.

Trouvez-vous une particularité dans les notes obtenues par les 10 étudiants ? Votre réponse sera probablement “oui”.

Dans le tableau ci-dessus dans les colonnes 2 et 3, vous constaterez que plus d'un étudiant obtient les mêmes scores. Dans la colonne 2, les élèves A et G obtiennent le même score, à savoir. 10. Dans la colonne 3, les élèves A et B, C et F et G et J obtiennent également les mêmes notes, qui sont respectivement de 16, 24 et 14.

Ces paires auront certainement les mêmes rangs connus sous le nom de rangs liés. La procédure d'attribution des rangs aux scores répétés est quelque peu différente de celle des scores non répétés.

Regardez la colonne 4. Les élèves A et G ont des scores similaires de 10 chacun et ils possèdent les 6e et 7e rangs dans le groupe. Au lieu d'attribuer les 6e et 7e rangs, la moyenne des deux rangs soit 6,5 (6 + 7/2 = 13/2) a été attribuée à chacun d'eux.

La même procédure a été suivie pour les notes de l'épreuve II. Dans ce cas, les liens se produisent à trois endroits. Les élèves C et F ont le même score et obtiennent ainsi le rang moyen de (1 + 2/2 = 1,5). Les élèves A et B ont les rangs 5 ​​et 6 et se voient donc attribuer 5,5 (5 + 6/2) chacun. De même, les élèves G et J se sont vu attribuer chacun un rang de 7,5 (7 + 8/2).

Si les valeurs sont répétées plus de deux fois, la même procédure peut être suivie pour attribuer les rangs :

si trois élèves obtiennent un score de 10, aux 5e, 6e et 7e rangs, chacun d'eux se verra attribuer un rang de 5 + 6 + 7/3 = 6.

Le reste des étapes de la procédure suivie pour le calcul de (rho) sont les mêmes que celles expliquées précédemment.

La valeur de peut également être interprétée de la même manière que le coefficient de corrélation de Karl Pearson. Il varie entre -1 et + 1. La valeur + 1 représente un accord ou une relation positive parfaite entre deux ensembles de rangs tandis que ρ = – 1 implique une relation négative parfaite. En cas d'absence de relation ou d'accord entre les rangs, la valeur de = 0.

Avantages de la méthode de différence de rang:

1. Le calcul du coefficient de corrélation de l'ordre de classement de Spearman est plus rapide et plus facile que (r) calculé par la méthode du moment du produit de Pearson.

2. C'est une méthode acceptable si les données ne sont disponibles que sous forme ordinale ou si le nombre de variables appariées est supérieur à 5 et pas supérieur à 30 avec un minimum ou quelques liens dans les rangs.

3. Il est assez facile d'interpréter p.

1. Lorsque les données d'intervalle sont converties en données classées, les informations sur la taille des différences de score sont perdues, par ex. dans le Tableau 5.10, si D dans l'Essai II obtient des scores de 18 à 21, son rang ne reste que 4.

2. Si le nombre de cas est plus important, leur donner des rangs devient un travail fastidieux.


Voir la vidéo: The Neuroscience of Intelligence. (Mai 2022).