♻️#مدلسازی و #پیش_بینی #توجه #مستمر

#Connectome-based #predictive #modeling of #attention: Comparing different #functional #connectivity features and #prediction methods across #datasets

در گزارشی که به تازگی منتشر شده است، پژوهشگران نوروساینس دانشگاه ییل 🇺🇸 روشی جدید برای #مدلسازی، #طبقه بندی و #پیش بینی #الگوهای توجه در افراد یافته اند.
🔬در این پژوهش 294 داوطلب تکالیف توجهی مختلفی را در وضعیت های مختلف و حین #fMRI انجام دادند.
📚بر اساس یافته های پژوهش حاضر، می توان در حوزه #توجه #پایدار در افراد، بر اساس #تفاوتهای #فردی 12 الگوی مختلف وجود دارد که بر اساس آن #کنشوری و #عملکرد کارکردهای اجرایی افراد با دقت بالایی قابل پیش بینی است.

Abstract
#Connectome-based predictive #modeling was recently developed to predict #individual #differences in #traits and #behaviors, including #fluid #intelligence and #sustained #attention, from #functional #brain #connectivity (#FC) measured with #fMRI. Here, using the #CPM framework, we compared the #predictive power of three different measures of FC (#Pearson's #correlation, #accordance, and #discordance) and two different #prediction #algorithms (#linear and #partial #least #square [#PLS] #regression) for attention #function. Accordance and discordance are recently proposed FC measures that respectively track #in-phase #synchronization and #out-of-phase #anti-correlation. We defined connectome-based models using task-based or #resting-state FC data, and tested the effects of (1) functional connectivity measure and (2) feature-selection/prediction algorithm on individualized attention predictions. Models were #internally #validated in a training dataset using leave-one-subject-out cross-validation, and externally validated with three independent datasets. The training dataset included fMRI data collected while participants performed a sustained attention task and rested. The validation datasets included: 1) data collected during performance of a #stop-signal task and at rest (N = 83, including 19 participants who were administered #methylphenidate prior to scanning;) data collected during #Attention #Network #Task performance and rest (N = 41), and 3) resting-state data and #ADHD symptom severity from the #ADHD-200 Consortium (N = 113). Models defined using all combinations of functional connectivity measure (Pearson's correlation, accordance, and discordance) and prediction algorithm (linear and PLS regression) predicted attentional abilities, with correlations between predicted and observed measures of attention as high as 0.9 for internal validation, and 0.6 for external validation (all p's < 0.05). Models trained on task data outperformed models trained on rest data. Pearson's correlation and accordance features generally showed a small numerical advantage over discordance features, while PLS regression models were usually better than linear regression models. Overall, in addition to correlation features combined with linear models, it is useful to consider accordance features and PLS regression for CPM.

لینک منبع 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.neuroimage.2017.11.010

✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).


📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani

♻️تحلیل محتوای #ناآشکار #پروفایل‌های #شخصیت برای #تیپ‌شناسی

#Personality #profiles: Using #latent profile #analysis to model personality #typologies

پژوهشگران دانشگاه رُوان و دانشگاه نورث تگزاس 🇺🇸 به تیپ‌شناسی شخصیت حسب موارد پنهان پروفایل های شخصیتی پرداختند.

🔬در این پژوهش 374 داوطلب شرکت نموده و مدل #5عاملی شخصیت در ایشان مورد سنجش قرار گرفت.

📊نتایج تحلیل عاملی و تحلیل نیم رخ پنهان (LPA) نشان دادند:

1️⃣#عامل های 5گانه شخصیتی را می توان در سه تیپ اصلی شخصیتی در افراد دسته بندی کرد.

2️⃣تیپ های شخصیتی حاصل ترکیب بندی جدید #صفت های موجود در هر عامل بوده و از این لحاظ متفاوت از سازه نظری عاملی هستند.

3️⃣ تیپ شخصیتی #کم‌حرف شامل 30درصد از مردان و 70 درصد از زنان است.

4️⃣تیپ شخصیتی #سرحال شامل 68 درصد مردان و 32 درصد زنان است.

5️⃣تیپ شخصیتی #پرهیجان شامل 44درصد مردان و 56 درصد زنان است.




Highlights

🔑Latent profile analysis is presented as a modern approach to modeling personality data.
🔑The #person-centered approach models personality as latent profiles or #typologies.
🔑Data from high school students resulted in three personality profiles.
🔑Discussion focuses on benefits of latent profile analysis in #modeling personality data.
🔑Further research is needed to explore the implications of the resulting profiles.

لینک منبع پیشنهادی برای مطالعه بیشتر 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.paid.2017.10.029

✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).

📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
https://t.me/DrAmirMohammadShahsavarani