Индивидуальные различия во флюидном интеллекте: дистальные и проксимальные факторы тема диссертации и автореферата по ВАК РФ 19.00.01, кандидат наук Захаров Илья Михайлович

• Захаров Илья Михайлович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Захаров Илья Михайлович

ВВЕДЕНИЕ

ГЛАВА 1. ПРИРОДА ИНДИВИДУАЛЬНЫХ РАЗЛИЧИЙ ВО ФЛЮИДНОМ ИНТЕЛЛЕКТЕ

1.1 Проблема общих способностей и индивидуальные различия в познавательной деятельности

1.2 Модели формирования индивидуальных различий

1.3 Природа индивидуальных различий во флюидном интеллекте

1.4 Модель индивидуальных различий во флюидном интеллекте Г. Айзенка

1.5 Выводы к 1 главе

ГЛАВА 2. МЕТОДЫ И МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ

2.1 Выборка

2.2 Методы диагностики поведенческих характеристик

2.3 Методы регистрации и анализа ЭЭГ

2.4 Психогенетические методы

2.5 Статистические методы

ГЛАВА 3. ЭМПИРИЧЕСКОЕ ИССЛЕДОВАНИЕ ВЗАИМОСВЯЗИ МЕЖДУ ИНДИВИДУАЛЬНЫМИ РАЗЛИЧИЯМИ ВО ФЛЮИДНОМ ИНТЕЛЛЕКТЕ И ДИСТАЛЬНЫМИ И ПРОКСИМАЛЬНЫМИ ПРЕДПОСЫЛКАМИ И ПРОКСИМАЛЬНЫМИ СЛЕДСТВИЯМИ ИНДИВИДУАЛЬНЫХ РАЗЛИЧИЙ

3.1 Описательные статистики и взаимодействие между переменными

3.2 Оценка вклада генетических факторов в индивидуальные различия во флюидном интеллекте и проксимальных предпосылках и следствиях

3.3 Медиационная модель взаимосвязи между флюидным интеллектом, математической беглостью и мозговой коннективностью

3.4 Обсуждение результатов

3.4.1 Вклад генетических факторов в наследуемость мозговой коннективности

3.4.2 Вклад генетических факторов в наследуемость математической беглости

3.4.3 Взаимосвязь между индивидуальными различиями в мозговой коннективности, математической беглости и флюидном интеллекте

3.4.4 Опосредующая роль интеллекта во взаимосвязи мозговой

коннективности и математической беглости

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Приложение А

Приложение Б

Приложение В

Введение диссертации (часть автореферата) на тему «Индивидуальные различия во флюидном интеллекте: дистальные и проксимальные факторы»

ВВЕДЕНИЕ

Актуальность исследования. Индивидуальные различия в интеллекте связаны с умением человека адаптироваться в окружающей среде, обучаться и достигать успеха в разных областях деятельности. Именно поэтому изучение интеллекта является не только теоретической проблемой, привлекающей внимание исследователей на протяжении столетия, но и практической задачей, важной для современного общества с ее фокусом на непрерывном образовании и технологическом развитии. Один из последних метаанализов подтвердил высокую значимость индивидуальных различий во флюидном интеллекте, связанном со способностью к эффективному решению задач, основанных на использовании невербального материала, для успешного освоения учебных навыков и умений, прежде всего, в сфере обучения математике (Peng et al., 2019).

Учитывая высокое общественное значение этой области научной проблематики, исследования связи флюидного интеллекта и образовательных достижений человека в настоящее время активно реализуются в когнитивной психологии (Тихомирова, Малых, 2017; Вербицкая с соавт., 2017; Tikhomirova, Malykh, Malykh, 2020; Geary, 2011; Fuchs et al., 2016; Gigy et al., 2017; Ogino et al., 2017 и др.). Однако в этих исследованиях остается не до конца изученным весь спектр факторов, формирующих индивидуальные различия в интеллекте, и, соответственно, вклады этих разноуровневых факторов в успешность освоения отдельных учебных навыков.

Так, для большинства исследований характерен разрыв между разными

группами факторов, формирующих индивидуальные различия в

психологических признаках, в том числе, и интеллекте - социально-

культурными, психологическими, нейрофизиологическими и молекулярно-

генетическими. Более того, в исследованиях порой наблюдаются

противоположные результаты относительно роли разных групп факторов в

формировании индивидуальных различий (например, Rowe, 1994; Plomin,

2018 и Rose, 2009; Kourany, 2016). Вместе с тем, для целостного понимания

4

механизмов формирования индивидуальных различий в психологических признаках, в том числе, и интеллекте, необходим анализ факторов разного уровня.

Одной из успешных попыток преодолеть этот разрыв является подход Г. Айзенка к анализу индивидуальных различий в интеллекте (Eyesenck, 1978). Этот подход направлен на объяснение природы формирования индивидуальных различий во флюидном интеллекте и его проявлениях в различных типах деятельности (Eyesenck, 1978; Deary, Cox & Hill, 2021). В контексте этого подхода под флюидным интеллектом понимается способность эффективно обрабатывать новую информацию и решать не связанные с прошлым опытом задачи, основанные на невербальном материале. Важной особенностью подхода Г. Айзенка является необходимость анализа интеллекта как целостного иерархического психологического конструкта, на основе которого формируются особенности поведения, которые проявляются, в том числе, в учебной деятельности. Так, наиболее информативным является изучение успешности в школьном обучении, например, математике как результата проявления индивидуальных различий в интеллекте, которые, в свою очередь, формируются под взаимодействием целостной системы, включающей такие скрытые от непосредственного наблюдения факторы как специфика нейродинамики мозга и генетические особенности человека. При этом подчеркивается, что флюидный интеллект является центральным элементом этой целостной системы (Eyesenck, 1978; Deary, Cox & Hill, 2021).

В рамках подхода Г. Айзенка, с одной стороны, выделяются два типа

факторов, формирующих индивидуальные различия в интеллекте -

проксимальные факторы ("proximal antecedents"), характеризующие

нейродинамику мозговой активности, в частности, мозговую связанность, и

дистальные факторы ("distal antecedents"), связанные с генетическими

особенностями человека. С другой стороны, собственно индивидуальные

различия в интеллекте наблюдаются в учебной деятельности и реализуются в

проксимальных проявлениях ("proximal consequences"), связанных с

5

освоением определенных учебных навыков, таких как, например, элементарные арифметические действия, и в дистальных проявлениях ("distal consequences"), в частности, в академической успешности освоения школьной программы по математике.

Таким образом, актуальность настоящего исследования связана с необходимостью анализа отдельных факторов и проявлений индивидуальных различий во флюидном интеллекте как целостной иерархической системы в единой исследовательской программе. Так, имеющиеся результаты, на основе которых строится обсуждение роли дистальных и проксимальных факторов и проявлений флюидного интеллекта редко основаны на данных, собранных на одной выборке, что затрудняет построение общей модели факторов индивидуальных различий во флюидном интеллекте и его проявлений в учебной деятельности.

Исходя из актуальности настоящего исследования, были определены цель, предмет, объект, задачи и гипотезы исследования.

Цель настоящего исследования - в рамках подхода Г. Айзенка к анализу индивидуальных различий в психологических признаках проанализировать структуру взаимосвязей факторов, формирующих индивидуальные различия во флюидном интеллекте, и его проявлений в учебной деятельности с учетом иерархии проксимального и дистального уровней.

Объектом исследования являются проксимальные и дистальные факторы, формирующие индивидуальные различия во флюидном интеллекте.

Предмет исследования - индивидуальные различия во флюидном интеллекте и его проксимальные и дистальные проявления в учебной деятельности.

В рамках данного исследования сформулированы следующие гипотезы исследования.

Теоретическая гипотеза исследования: модель индивидуальных

различий во флюидном интеллекте характеризуется разноуровневой

6

структурой, включающей в себя проксимальные и дистальные факторы, формирующие различия, а также проксимальные и дистальные проявления индивидуальных различий в учебной деятельности. В этой структуре флюидный интеллект играет ключевую роль, объединяя факторы и проявления в единую иерархическую систему.

Эмпирические гипотезы исследования:

1. Факторы, формирующие индивидуальные различия во флюидном интеллекте, могут быть разделены на две группы. В качестве проксимальных факторов формирования различий в интеллекте могут быть выделены характеристики мозговой связанности, в качестве дистальных факторов индивидуальных различий - наследственные генетические характеристики.

2. Индивидуальные различия во флюидном интеллекте реализуются в учебной деятельности. Проксимальными проявлениями индивидуальных различий в интеллекте могут являться индивидуальные различия в успешности выполнения элементарных арифметических операций, дистальными проявлениями - успешность освоения школьной программы по математике.

3. Вклад генетических факторов будет наблюдаться как для флюидного интеллекта, так и для его проявлений - успешности выполнения элементарных арифметических операций и общей успешности освоения школьной программы по математике, а также для проксимальных факторов -мозговой связанности.

4. Индивидуальные различия во флюидном интеллекте будут объединять в единую иерархическую систему проксимальные и дистальные факторы формирования различий и только проксимальные проявления индивидуальных различий, опосредуя взаимосвязь между ними.

Для достижения поставленной цели и в соответствии с гипотезой были сформулированы следующие теоретические, методические и эмпирические

задачи исследования:

1. Провести теоретический анализ факторов, формирующих индивидуальные различия во флюидном интеллекте.

2. Осуществить анализ теоретических подходов к проявлениям индивидуальных различий во флюидном интеллекте в учебной деятельности.

3. Разработать и апробировать применение методов междисциплинарного анализа факторов и проявлений индивидуальных различий во флюидном интеллекте - нейрофизиологических и психогенетических методов.

4. Оценить вклад проксимальных факторов - нейрофизиологических характеристик связанности мозговой активности - в формирование индивидуальных различий во флюидном интеллекте.

5. Оценить вклад дистальных факторов - генетических особенностей - в индивидуальные различия во флюидном интеллекте, успешности выполнения элементарных арифметических операций, успешности освоения школьной программы по математике и нейрофизиологических характеристик связанности мозговой активности.

6. Проанализировать роль флюидного интеллекта как центрального элемента иерархической системы, связывающей дистальные и проксимальные факторы, формирующие индивидуальные различия, с дистальными и проксимальными проявлениями в учебной деятельности.

Методологическая и теоретическая основа работы. Настоящее

исследование выполнено на базе представления о культурной

обусловленности высших психических функций в рамках культурно -

исторического подхода (Л.С. Выготский, Л.И. Божович, Д.Б. Эльконин),

социокультурного биоэкологического подхода (U. Bronfenbrenner),

когнитивной психологии (А.Р. Лурия, Б.М. Величковский, В.Н. Дружинин,

P.H. Lindsay, U. Neisser, D.A. Norman, R.L. Solso), дифференциально-

психологического (C. Spearman, L. Thurstone, R. Cattell, J. Raven, D. Wechsler,

Б.М. Теплов, Э.А. Голубева, В.Н. Дружинин, В.Д. Небылицын,

М.К. Кабардов, М.А. Холодная, Д.В. Ушаков) психофизиологического

8

(А.Р. Лурия, Е.Н. Соколов, R. J. Haier, G. Buzsaki, D. Fries) и психогенетического (А. Р. Лурия, И. В. Равич-Щербо, С. Б. Малых) подходов к анализу индивидуальных различий в психологических признаках.

При выполнении междисциплинарного анализа взаимосвязи между факторами и проявлениями индивидуальных различий во флюидном интеллекте были использованы следующие методы и методики.

Психодиагностические методы: для диагностики индивидуальных различий во флюидном интеллекте использовался тест «Стандартные прогрессивные матрицы» (Равен, 2009). Для оценки успешности освоения элементарных арифметических операций использовался тест «Верно или неверно?» (Тихомирова, Малых, 2017). Успешность освоения школьной программы математики основывалась на оценках в школьном аттестате.

Нейрофизиологические и психогенетические методы: для регистрации мозговой активности использовался метод электроэнцефалографии. Для анализа наследственных факторов использовался близнецовый метод.

Методы статистической обработки данных: взаимосвязи изучены с помощью корреляционного и медиационного анализа; для изучения биоэлектрической активности применены методы анализа синхронизации и сетевой анализ; психогенетический анализ выполнялся методами моделирования структурными уравнениями и байесовского анализа корреляций.

Анализ данных проводился в программной среде RStudio для языка статистического программировании R, а также с помощью пакета MNE-Python для языка программирования Python.

Достоверность и обоснованность результатов исследования

обеспечивается соблюдением этических норм и научных принципов

проведения эмпирического и теоретического исследования, применением

адекватных поставленным задачам методов исследования, объемом и

репрезентативностью выборки исследования, использованием

9

стандартизированных психодиагностических методик, теоретически обоснованными и адекватными гипотезам исследования методами анализа данных.

Научная новизна исследования. В данном исследовании впервые на одной выборке проанализированы индивидуальные различия во флюидном интеллекте, дистальные и проксимальные факторы, формирующие индивидуальные различия, а также дистальные и проксимальные проявления индивидуальных различий в учебной деятельности. Проведена первая эмпирическая верификация дифференциально-психологической модели формирования индивидуальных различий в интеллекте Г. Айзенка, включающая факторы и проявления всех заявленных в модели уровней.

Впервые получены данные о роли нейрофизиологических характеристик мозговой связанности как проксимального фактора формирования индивидуальных различий во флюидном интеллекте. Показано, что характеристики мозговых сетей, отражающие эффективность передачи информации в мозге, достоверно связаны с индивидуальными различиями в уровне флюидного интеллекта. На основе сетевого анализа определена опосредующая роль индивидуальных различий во флюидном интеллекте во взаимосвязи между факторами индивидуальных различий в интеллекте и их проявлениями на двух проксимальном и дистальном уровнях.

Впервые получены данные о вкладе генетических и средовых факторов в показатели связанности мозговой активности по данным электроэнцефалограммы.

Теоретическая значимость. Данное исследование позволяет

расширить представление о механизмах формирования индивидуальности на

примере индивидуальных различий во флюидном интеллекте. Показано, что

наиболее продуктивным при анализе индивидуальных различий является

подход, рассматривающий интеллект как целостную иерархическую систему,

которая включает в себя дистальные и проксимальные факторы,

формирующие индивидуальные различия, а также дистальные и

10

проксимальные проявления индивидуальных различий в учебной деятельности.

В настоящей работе объединены положения системно-динамической модели работы мозга А. Р. Лурии и теории нейрональной эффективности, сформулированной Р. Хайером, а также подхода Г. Айзенка к изучению индивидуальных различий в интеллекте. В диссертации показано, что, с одной стороны, в основе сложной психической деятельности человека лежат генетические факторы, реализующиеся во взаимодействии различных функциональных систем мозга, которые, в свою очередь, приводят к формированию индивидуальных различий во флюидном интеллекте. С другой стороны, проявления индивидуальных различий в интеллекте могут наблюдаться в успешности освоения учебной деятельности.

Практическое значение исследования. Результаты диссертационной работы могут быть использованы в разработке объективных инструментальных методов междисциплинарного анализа индивидуальных различий в психологических и психофизиологических характеристиках. Результаты могут быть использованы в педагогике для построения индивидуальных образовательных траекторий, а также школьными психологами для анализа проблем при освоении школьных дисциплин. В процессе подготовки анализа данных была разработана методология оценки характеристик связанности мозговой активности по данным электроэнцефалограммы, которая может быть использована при проведении междисциплинарных исследований. Результаты, полученные в рамках исследования, могут быть использованы в преподавании курсов по когнитивной психологии, психогенетики и психофизиологии.

Положения, выносимые на защиту:

1. Теоретический анализ подходов к изучению механизмов

индивидуальных различий во флюидном интеллекте показал, что наиболее

продуктивным является подход, который рассматривает формирование

индивидуальных различий во флюидном интеллекте как результат

11

функционирования целостной иерархической системы, в которой, с одной стороны, выделяются факторы, приводящие к формированию индивидуальных различий, а, с другой, - проявления этих индивидуальных различий в учебной деятельности.

2. В контексте формирования индивидуальных различий во флюидном интеллекте выделяются две группы наиболее значимых факторов - проксимальные и дистальные. В качестве проксимальных факторов формирования различий выступают нейрофизиологические характеристики связанности мозговой активности, характеризующие эффективность процессов передачи информации в мозге. В качестве дистальных факторов формирования различий являются генетические характеристики.

3. Индивидуальные различия во флюидном интеллекте приводят к эффектам, наблюдаемым в учебной деятельности. Одним из проксимальных проявлений индивидуальных различий во флюидном интеллекте является успешность в освоении элементарных арифметических операций, которая, в свою очередь, лежит в основе дистальных проявлений индивидуальных различий во флюидном интеллекте - школьной успешности в обучении математике.

4. Индивидуальные различия во флюидном интеллекте объединяют в единую иерархическую систему факторы формирования индивидуальных различий и их проявления в учебной деятельности, опосредуя взаимосвязь между ними. Нейрофизиологические характеристики мозговой связанности являются фактором формирования индивидуальных различий во флюидном интеллекте, на базе которого происходит освоение элементарных арифметических операций, ведущее, в свою очередь, к индивидуальным различиям в успешности освоения школьной программы по математике.

Эмпирическая база исследования. Исследование состояло из двух частей.

В первой, психогенетической части исследования, были собраны данные

об индивидуальных различиях у старших подростков и взрослых моно- (МЗ)

12

и дизиготных (ДЗ) близнецов в возрасте от 15 до 34 лет (среднее значение = 18,1; стандартное отклонение = 4,1; 40% девушек). Всего в первой части исследования приняла участие 191 пара близнецов (81 МЗ пара и 110 ДЗ пар).

Во второй части исследования, с регистрацией биоэлектрической активности мозга, приняли участие 52 пары близнецов (35 МЗ пар, 17 ДЗ пар), а также, 61 одиночнорожденных участников, всего 165 человек в возрасте 1734 лет (среднее значение = 21,7; стандартное отклонение = 3,36; 30% девушек) с нормальным или скорректированным зрением и без неврологических или психиатрических нарушений.

В первой части исследования участники выполняли тесты «Верно или неверно?» и «Стандартные прогрессивные матрицы». Во второй части исследования наряду с выполнением этих тестов проводилась регистрация биоэлектрической активности мозга в состоянии спокойного бодрствования. Для участников второй части исследования были также получены данные об успешности освоения школьной программы математики.

Апробация и внедрение результатов диссертации. Теоретические и экспериментальные результаты диссертационного исследования обсуждались на заседаниях лаборатории возрастной психогенетики Психологического института Российской академии образования, на заседаниях Совета молодых ученых и специалистов Российской академии образования.

Основные положения работы были представлены на ведущих российских и международных конференциях, таких как 31 Международный психологический конгресс (Йокогама, 2016), 13 Международная конференция по когнитивной нейронауке (Амстердам, 2017), 19 Международный конгресс по психофизиологии (Лукка, 2018), Международный форум по когнитивным нейронаукам (Екатеринбург, 2018), Европейский психологический конгресс (Москва, 2019), 21 конференция Европейского общества когнитивной психологии (Тенерифе, 2019), Международная конференция «Когнитивная наука в Москве: новые исследования» (Москва, 2019) и 19 конференция

Международного общества исследователей интеллекта (Эдинбург, 2019).

13

Публикации. В рамках работы над диссертационным исследованием опубликовано 14 статей в журналах, из них 9 - в изданиях, индексируемых в "Web of Science" или "Scopus", и 5 - в изданиях, входящих в список ВАК при Минобрнауки России.

Внедрение результатов в практику. Результаты исследования используются в лекционных курсах и семинарских занятиях в ЮжноУральском государственном университете, Томском национальном исследовательском государственном университете и департаменте социальных наук Высшей школы экономики.

Структура исследования. Диссертация состоит из введения, трех глав и заключения.

ГЛАВА 1. ПРИРОДА ИНДИВИДУАЛЬНЫХ РАЗЛИЧИЙ ВО ФЛЮИДНОМ ИНТЕЛЛЕКТЕ

1.1 Проблема общих способностей и индивидуальные различия в

познавательной деятельности

Проблема оценки способностей человека является одной из классических проблем в психологии и даже привела к появлению отдельного направления психологической науки - дифференциальной психологии. Центральной темой для изучения в этой области на протяжении всего времени исследований остается проблема общих познавательных способностей («качеств ума» по Б. М. Теплову). Понятие «интеллект» является темой для острых дискуссий в психологии на протяжении уже более ста лет. При этом несмотря на сохраняющиеся терминологические споры в большом ряде исследований показано, что интеллект является одним из важнейших предикторов успехов человека в таком широком ряде показателей, как академическая успешность, карьерный рост, уровень доходов и даже брачный статус (Додонова и Тихомирова, 2010; Deary et al., 2010; Gottfredson, 1997; Schmidt & Hunter, 2004; Strenze, 2007).

В рамках отечественной психологии интеллект понимается как аспект мышления, интегрирующий разнообразные познавательные процессы (Выготский, 2014), в первую очередь процессы анализа, синтеза и обобщения (Брушлинский, 1996). С точки зрения М.А. Холодной, интеллект можно охарактеризовать как «форму организации когнитивного опыта, представленного в виде "накопленных" в ходе онтогенеза понятийных психических структур, степень сформированности которых определяет структурные характеристики субъективного пространства интеллектуального отражения» (Холодная, 1990, стр. 197).

Индивидуальные различия в умственных способностях впервые стали предметом научного исследования в работах основоположника психогенетики Ф. Гальтона. С его точки зрения, разный уровень интеллекта должен был

15

выражаться в индивидуальных различиях в простейших сенсорных функция, так как простое время реакции, дифференциальная чувствительность в восприятии цветов, размеров, высоты звуков и т.д. Более сложные познавательные процессы (запоминание, осведомленность и др.) были включены в измерение интеллекта А. Бине и Т. Симоном. Позднее на основании созданной ими батарее тестов в психологии и педагогике получило распространение понятие «коэффициент интеллекта», отражающее уровень интеллекта относительно стандартного для определенного возраста. Дальнейшие исследования в рамках тестологического подхода к интеллекту показали, что результаты различных тестов когнитивных способностей демонстрируют значительное количество положительных корреляций, что привело к формированию представления о наличии общего фактора когнитивных способностей (фактора g).

В целом, на сегодняшний день большинство исследователей сходятся в

том, что несмотря на наличие теоретических споров об определении

интеллекта существует возможность достоверной количественной оценки

индивидуальных различий в интеллекте. В рамках такой точки зрения можно

выделить понятие «психометрического» (измеренного) интеллекта. В

контексте представления о психометрическом интеллекте предполагается, что

для каждого человека можно получить некоторую оценку уровня интеллекта

(балл) на основании успешности выполнения тестов интеллекта, которая будет

соотноситься с распределением баллов в популяции. Единицей измерения в

данном подходе будет выступать стандартное отклонение распределения

баллов в популяции. Многочисленные исследования показали, что изучение

индивидуальных различий внутри различных популяций с точки зрения

«психометрического» подхода к интеллекту позволяет получить важные

данные и об индивидуальных различиях в большом количестве показателей,

связанных с повседневной жизнью человека. Так, общепризнанной на

сегодняшний день считается связь интеллектуальных показателей и

академической успешности как в дошкольном и школьном возрасте (Малых и

16

др., 2012; Тихомирова и др., 2015; Тихомирова, Малых, 2017), так и на более поздних ступенях образования (Смирнов и др., 2007; Sabomie et al., 2005). Важная роль интеллекта была также показана в области профессионального успеха (Spengler et al., 2015) и отбора на работу или в государственные учреждения: так, специализированные тесты способностей имеют долгую историю применения для оценки успешности прохождения службы в американской армии (McHenry et al., 1990). Результаты армейского проекта «А» свидетельствуют о том, что психометрический интеллект позволяет успешно предсказывать обращение с техникой и общую служебную успешность. В других исследования была показана связь интеллекта и успеха в брачном статусе и семейной жизни: согласно данным (Herrnstein & Murray, 1994) показатели интеллекта отрицательно коррелируют с количеством разводов в первые пять лет брака. Интересной линией исследований стало также изучение взаимосвязи между индивидуальными различиями в интеллекте и продолжительностью жизни. Крупные эпидемиологические исследования, включающие почти все населения Шотландии, показали, что психометрический интеллект, измеренный в детстве, предсказывает существенные различия в заболеваемости и смертности взрослых, включая смертность от рака и сердечно-сосудистых заболеваний (Wraw et al., 2015).

Разработка в психометрике статистических методов анализа успешности

выполнения тестов (в первую очередь, факторного анализа) позволила

расширить представления об общих познавательных способностях. Так,

например, в модели Терстоуна были выделены такие отдельные факторы

познавательных способностей как вербальное понимание, вербальную

беглость, оперирование числами, пространственную визуализацию,

индуктивное мышление, память, скорость восприятия (Thurstone, 1936), а в

модели Р. Кеттела - факторы кристаллизованного и флюидного (подвижного)

Список литературы диссертационного исследования кандидат наук Захаров Илья Михайлович, 2021 год

СПИСОК ЛИТЕРАТУРЫ

1. Акимова М.К. Интеллект как динамический компонент в структуре способностей // 1999. С. 397.

2. Брушлинский А.В. Субъект: мышление, учение, воображение. : Институт практической психологии, 1996.

3. Выготский Л.С. Мышление и речь. : Directmedia, 2014. 362 с.

4. Голубева Э.А., Печенков В.В., Кабардов М.К., Название публикации, Стр., Цит., Коммуникативно-Речевые И Когнитивно-Лингвистические Способности. Способности и склонности: комплексные исследования. : ООО «Педагогика», 1989.

5. Голубева Э. А. Способности. Личность. Индивидуальность. : Феникс, 2005.

6. Гуревич К. Дифференциальная психология и психодиагностика: избр. тр. : Издательский дом «Питер», 2007. 336 с.

7. Додонова Ю., Тихомирова Т. Общий интеллект, социальный интеллект и креативность: структура и динамика в контексте образовательной среды // Теоретическая и экспериментальная психология. 2010. Т. 3. № 2. С. 5-15.

8. Кабардов М.К. Мозг и психика: от физиологических школ И. М. Сеченова - И. П. Павлова к дифференциально-психофизиологической школе Б. М. Теплова - И. Д. Небылицына // Личность в меняющемся мире: здоровье, адаптация, развитие. 2020. Т. 8. № 1. С. 115-133.

9. Ковас Ю., Гайсина Д., Малых С.Б. Геномика поведения: детское развитие и образование. Томск: Национальный исследовательский Томский государственный университет, 2020.

10. Лурия А.Р. Лобные доли и регуляция психических процессов: нейропсихологические исследования. : Издательство Московского университета, 1966. 740 с.

11. Малых С. Б., Егорова М. С., Мешкова Т. А. Основы психогенетики. : 1998.

12. Малых С.Б., Тихомирова Т.Н., Давыдова Е.С., Мисожникова Е.Б., Ковас Ю. Кросс-культурный анализ индивидуальных различий в чувстве числа у детей дошкольного возраста России и Кыргызстана // Теоретическая и экспериментальная психология. 2012. Т. 5. № 3. С. 17-23.

13. Малых С.Б., Тихомирова Т.Н., Ковас Ю.В. Индивидуальные различия в способностях к обучению: возможности и перспективы психогенетических исследований // Вопросы образования. 2012. № 4. С. 186-199.

14. Смирнов С.Д., Корнилова Т.В., Корнилов С.А., Малахова С.И. О связи интеллектуальных и личностных характеристик студентов с успешностью их обучения // Вестник Московского университета. Серия 14. Психология. 2007. № 3. С. 82-87

15. Тихомирова Т.Н., Воронин И.А., Мисожникова Е.Б., Малых С.Б. Структура взаимосвязей когнитивных характеристик и академической успешности в школьном возрасте // Теоретическая и экспериментальная психология. 2015. Т. 8. № 2. С. 55-68.

16. Тихомирова Т.Н., Малых С.Б. Когнитивные Основы Индивидуальных Различий В Успешности Обучения. // Общество с ограниченной ответственностью «Нестор-История», 2017.

17. Тихомирова Т.Н., Малых С.Б., Богомаз С.А., Суднева О.Ю., Ковас Ю.В. Пространственное Мышление И Память У Старшеклассников С Различным Уровнем Математической Беглости // Теоретическая И Экспериментальная Психология. 2013. Т. 6. № 4.

18. Холодная В. Существует ли интеллект как психическая реальность? // Вопросы Психологии. 1990. С. 121-128.

19. Шадриков В. Д. Введение в психологию: способности человека. -Общество с ограниченной ответственностью" Издательская группа" Логос", 2002.

20. Alarcon M. et al. A twin study of mathematics disability //Journal of learning disabilities. - 1997. - Т. 30. - №. 6. - С. 617-623.

21. Ardesch D. J. et al. Evolutionary expansion of connectivity between multimodal association areas in the human brain compared with chimpanzees //Proceedings of the National Academy of Sciences. - 2019. - T. 116. - №2. 14. - C. 7101-7106.

22. Avena-Koenigsberger A., Misic B., Sporns O. Communication dynamics in complex brain networks // Nat Rev Neurosci. 2018a. T. 19. № 1. C. 17-33.

23. Avena-Koenigsberger A., Misic B., Sporns O. Communication dynamics in complex brain networks // Nature Reviews Neuroscience. 2018b. T. 19. №2 1. C. 1733.

24. Bââth R. Bayesian first aid: A package that implements Bayesian alternatives to the classical*. test functions in R //Proceedings of UseR. - 2014. - T. 2014. - C. 2.

25. Bailey D.H., Hoard M.K., Nugent L., Geary D.C. Competence with fractions predicts gains in mathematics achievement // Journal of Experimental Child Psychology. 2012. T. 113. № 3. C. 447-455.

26. Balter L., Tamis-LeMonda C.S. Child Psychology: A Handbook of Contemporary Issues. : Psychology Press, 2016. 523 c.

27. Barbey A.K. Network Neuroscience Theory of Human Intelligence // Trends in Cognitive Sciences. 2018. T. 22. № 1. C. 8-20.

28. Bassett D.S., Bullmore E., Verchinski B.A., Mattay V.S., Weinberger D.R., Meyer-Lindenberg A. Hierarchical Organization of Human Cortical Networks in Health and Schizophrenia // J. Neurosci. 2008. T. 28. № 37. C. 9239-9248.

29. Bassett D.S., Sporns O. Network neuroscience // Nature Neuroscience. 2017. T. 20. № 3. C. 353-364.

30. Bastos A.M., Schoffelen J.-M. A Tutorial Review of Functional Connectivity Analysis Methods and Their Interpretational Pitfalls // Front. Syst. Neurosci. 2016. T. 9.

31. Beckmann C.F., DeLuca M., Devlin J.T., Smith S.M. Investigations into resting-state connectivity using independent component analysis // Philosophical

Transactions of the Royal Society B: Biological Sciences. 2005. T. 360. № 1457. C. 1001-1013.

32. Betzel R. F. et al. Optimally controlling the human connectome: the role of network topology //Scientific reports. - 2016. - T. 6. - №. 1. - C. 1-14.

33. Biswal B.B., Mennes M., Zuo X.-N., Gohel S., Kelly C., Milham M.P., et al. Toward discovery science of human brain function // PNAS. 2010. T. 107. №2 10. C. 4734-4739.

34. Borsboom D. et al. Network analysis of multivariate data in psychological science //Nature Reviews Methods Primers. - 2021. - T. 1. - №. 1. - C. 1-18.

35. Bornot J. M. S. et al. Robust EEG/MEG based functional connectivity with the envelope of the imaginary coherence: Sensor space analysis //Brain topography. - 2018. - T. 31. - №. 6. - C. 895-916.

36. Bowers J. S. Parallel distributed processing theory in the age of deep networks //Trends in cognitive sciences. - 2017. - T. 21. - №. 12. - C. 950-961.

37. Bronfenbrenner U. Ecological systems theory. : Jessica Kingsley Publishers, 1992.

38. Bronfenbrenner U. Making Human Beings Human: Bioecological Perspectives on Human Development. : SAGE, 2005. 337 c.

39. Brouwers S.A., Van de Vijver F.J.R., Van Hemert D.A. Variation in Raven's Progressive Matrices scores across time and place // Learning and Individual Differences. 2009. T. 19. № 3. C. 330-338.

40. Bullmore E., Sporns O. The economy of brain network organization //Nature Reviews Neuroscience. - 2012. - T. 13. - №. 5. - C. 336-349.

41. Bycroft C., Freeman C., Petkova D., Band G., Elliott L.T., Sharp K., Motyer A., Vukcevic D., Delaneau O., O'Connell J., Cortes A., Welsh S., Young A., Effingham M., McVean G., Leslie S., Allen N., Donnelly P., Marchini J. The UK Biobank resource with deep phenotyping and genomic data // Nature. 2018. T. 562. № 7726. C. 203-209.

42. Calhoun V.D., Kiehl K.A., Pearlson G.D. Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks // Hum. Brain Mapp. 2008. C. 828-838.

43. Calvin C.M., Batty G.D., Der G., Brett C.E., Taylor A., Pattie A., Cukic I., Deary I.J. Childhood intelligence in relation to major causes of death in 68 year follow-up: prospective population study // BMJ. 2017. T. 357. C. j2708.

44. Campbell J. P., Knapp D. J. Exploring the limits in personnel selection and classification. - Lawrence Erlbaum Associates Publishers, 2001.

45. Carpenter P.A., Just M.A., Shell P. What one intelligence test measures: A theoretical account of the processing in the Raven Progressive Matrices Test // Psychological Review. 1990. T. 97. № 3. C. 404-431.

46. Chabris C.F., Hebert B.M., Benjamin D.J., Beauchamp J., Cesarini D., Loos M. van der, Johannesson M., Magnusson P.K.E., Lichtenstein P., Atwood C.S., Freese J., Hauser T.S., Hauser R.M., Christakis N., Laibson D. Most Reported Genetic Associations With General Intelligence Are Probably False Positives // Psychol Sci. 2012. T. 23. № 11. C. 1314-1323.

47. Changeux J.-P., Goulas A., Hilgetag C.C. A Connectomic Hypothesis for the Hominization of the Brain // Cerebral Cortex. 2021. T. 31. № 5. C. 2425-2449.

48. Chen Z., De Beuckelaer A., Wang X., Liu J. Distinct neural substrates of visuospatial and verbal-analytic reasoning as assessed by Raven's Advanced Progressive Matrices // Scientific Reports. 2017. T. 7. № 1. C. 16230.

49. Christensen G.T., Mortensen E.L., Christensen K., Osler M. Intelligence in young adulthood and cause-specific mortality in the Danish Conscription Database - A cohort study of 728,160 men // Intelligence. 2016. T. 59. C. 64-71.

50. Colclough G.L., Smith S.M., Nichols T.E., Winkler A.M., Sotiropoulos S.N., Glasser M.F., Van Essen D.C., Woolrich M.W. The heritability of multi-modal connectivity in human brain activity // eLife. 2017. T. 6. C. e20178.

51. Council N.R., Education D. of B. and S.S. and, Education C. for, Committee M.L.S. Adding It Up: Helping Children Learn Mathematics. : National Academies Press, 2001. 462 c.

52. Davies G. et al. Genome-wide association studies establish that human intelligence is highly heritable and polygenic //Molecular psychiatry. - 2011. - Т. 16. - №. 10. - С. 996-1005.

53. Davies G., Harris S.E., Reynolds C.A., Payton A., Knight H.M., Liewald D.C., Lopez L.M., Luciano M., Gow A.J., Corley J., Henderson R., Murray C., Pattie A., Fox H.C., Redmond P., Lutz M.W., Chiba-Falek O., Linnertz C., Saith S., Haggarty P., McNeill G., Ke X., Ollier W., Horan M., Roses A.D., Ponting C.P., Porteous D.J., Tenesa A., Pickles A., Starr J.M., Whalley L.J., Pedersen N.L., Pendleton N., Visscher P.M., Deary I.J. A genome-wide association study implicates the APOE locus in nonpathological cognitive ageing // Molecular Psychiatry. 2014. Т. 19. № 1. С. 76-87.

54. Davies G., Lam M., Harris S.E., Trampush J.W., Luciano M., Deary I.J., et al. Study of 300,486 individuals identifies 148 independent genetic loci influencing general cognitive function // Nature Communications. 2018. Т. 9. № 1. С. 2098.

55. De Visscher A., Noël M.-P. Chapter 6 - Similarity interference in learning and retrieving arithmetic facts // Progress in Brain Research The Mathematical Brain Across the Lifespan. / под ред. M. Cappelletti, W. Fias. : Elsevier, 2016. С. 131158.

56. Deary I., Lawn M., Bartholomew D. A conversation between Charles Spearman, Godfrey Thomson, and Edward L. Thorndike: The International Examinations Inquiry Meetings 1931-1938. // History of Psychology. 2008. Т. 11. № 2. С. 122-142.

57. Deary I.J., Cox S.R., Hill W.D. Genetic variation, brain, and intelligence differences // Molecular Psychiatry. 2021. С. 1-19.

58. Deary I.J., Penke L., Johnson W. The neuroscience of human intelligence differences // Nature Reviews Neuroscience. 2010. Т. 11. № 3. С. 201-211.

59. Deary I.J., Strand S., Smith P., Fernandes C. Intelligence and educational achievement // Intelligence. 2007. Т. 35. № 1. С. 13-21.

60. Deary I.J., Taylor M.D., Hart C.L., Wilson V., Smith G.D., Blane D., Starr

J.M. Intergenerational social mobility and mid-life status attainment: Influences of

95

childhood intelligence, childhood social factors, and education // Intelligence. 2005. T. 33. № 5. C. 455-472.

61. Dodge K.A., Pettit G.S. A biopsychosocial model of the development of chronic conduct problems in adolescence // Developmental Psychology. 2003. T. 39. № 2. C. 349-371.

62. Dowker A. Early Identification and Intervention for Students With Mathematics Difficulties // J Learn Disabil. 2005. T. 38. № 4. C. 324-332.

63. Engel G.L. The need for a new medical model: a challenge for biomedicine // Science. 1977. T. 196. № 4286. C. 129-136.

64. Floyd R.G., Evans J.J., McGREW K.S. Relations between measures of Cattell-Horn-Carroll (CHC) cognitive abilities and mathematics achievement across the school-age years // Psychology in the Schools. 2003. T. 40. № 2. C. 155-171.

65. Fornito A., Zalesky A., Bassett D.S., Meunier D., Ellison-Wright I., Yucel M., Wood S.J., Shaw K., O'Connor J., Nertney D., Mowry B.J., Pantelis C., Bullmore E.T. Genetic Influences on Cost-Efficient Organization of Human Cortical Functional Networks // J. Neurosci. 2011. T. 31. № 9. C. 3261-3270.

66. Fries P. Rhythms for Cognition: Communication through Coherence // Neuron. 2015. T. 88. № 1. C. 220-235.

67. Fuchs L. S. et al. The role of cognitive processes, foundational math skill, and calculation accuracy and fluency in word-problem solving versus prealgebraic knowledge //Developmental Psychology. - 2016. - T. 52. - №. 12. - C. 2085.

68. Fuente J. de la, Davies G., Grotzinger A.D., Tucker-Drob E.M., Deary I.J. A general dimension of genetic sharing across diverse cognitive traits inferred from molecular data // Nature Human Behaviour. 2021. T. 5. № 1. C. 49-58.

69. Fulker D.W. Multivariate extensions of a biometrical model of twin data. // Progress in clinical and biological research. 1978. T. 24 A. C. 217-236.

70. Geary D.C., Hoard M.K., Bailey D.H. Fact Retrieval Deficits in Low Achieving Children and Children With Mathematical Learning Disability // J Learn Disabil. 2012. T. 45. № 4. C. 291-307.

71. Gignac G.E. Raven's is not a pure measure of general intelligence: Implications for g factor theory and the brief measurement of g // Intelligence. 2015. T. 52. C. 71-79.

72. Gignac G.E., Bates T.C. Brain volume and intelligence: The moderating role of intelligence measurement quality // Intelligence. 2017. T. 64. C. 18-29.

73. Gottfredson L.S. Why g matters: The complexity of everyday life // Intelligence. 1997. T. 24. № 1. C. 79-132.

74. Gottfredson L. S. Hans Eysenck's theory of intelligence, and what it reveals about him //Personality and Individual Differences. - 2016. - T. 103. - C. 116-127.

75. Goulas A., Schaefer A., Margulies D. S. The strength of weak connections in the macaque cortico-cortical network //Brain Structure and Function. - 2015. - T. 220. - №. 5. - C. 2939-2951.

76. Gramfort A., Luessi M., Larson E., Engemann D.A., Strohmeier D., Brodbeck C., Goj R., Jas M., Brooks T., Parkkonen L., Hamalainen M. MEG and EEG data analysis with MNE-Python // Front. Neurosci. 2013. T. 7.

77. Granovetter M. S. The strength of weak ties //American journal of sociology.

- 1973. - T. 78. - №. 6. - C. 1360-1380.

78. Haier R.J., Siegel B., Tang C., Abel L., Buchsbaum M.S. Intelligence and changes in regional cerebral glucose metabolic rate following learning // Intelligence. 1992. T. 16. № 3. C. 415-426.

79. Haier R.J., Siegel B.V., Nuechterlein K.H., Hazlett E., Wu J.C., Paek J., Browning H.L., Buchsbaum M.S. Cortical glucose metabolic rate correlates of abstract reasoning and attention studied with positron emission tomography // Intelligence. 1988. T. 12. № 2. C. 199-217.

80. Halberda J., Mazzocco M. M. M., Feigenson L. Individual differences in nonverbal number acuity correlate with maths achievement //Nature. - 2008. - T. 455.

- №. 7213. - C. 665-668.

81. Hardmeier M., Hatz F., Bousleiman H., Schindler C., Stam C.J., Fuhr P. Reproducibility of Functional Connectivity and Graph Measures Based on the Phase

Lag Index (PLI) and Weighted Phase Lag Index (wPLI) Derived from High Resolution EEG // PLOS ONE. 2014. T. 9. № 10. C. e108648.

82. Hart S. A. et al. The ABCs of math: A genetic analysis of mathematics and its links with reading ability and general cognitive ability //Journal of educational psychology. - 2009. - T. 101. - №. 2. - C. 388.

83. Hart S. A., Petrill S. A., Thompson L. A. A factorial analysis of timed and untimed measures of mathematics and reading abilities in school aged twins //Learning and Individual Differences. - 2010. - T. 20. - №. 2. - C. 63-69.

84. Herrnstein R., Murray C. The bell curve intelligence and class structure in americanlife // undefined. 1994.

85. Heuvel M.P. van den, Soelen I.L.C. van, Stam C.J., Kahn R.S., Boomsma D.I., Hulshoff Pol H.E. Genetic control of functional brain network efficiency in children // European Neuropsychopharmacology. 2013. T. 23. № 1. C. 19-23.

86. Heuvel M.P. van den, Stam C.J., Kahn R.S., Pol H.E.H. Efficiency of Functional Brain Networks and Intellectual Performance // J. Neurosci. 2009. T. 29. № 23. C. 7619-7624.

87. Hill W.D., Deary I.J. Shared genetic aetiology between childhood intelligence and longevity // medRxiv. 2021. C. 2021.02.10.21251491.

88. Hill W.D., Marioni R.E., Maghzian O., Ritchie S.J., Hagenaars S.P., McIntosh A.M., Gale C.R., Davies G., Deary I.J. A combined analysis of genetically correlated traits identifies 187 loci and a role for neurogenesis and myelination in intelligence // Molecular Psychiatry. 2019. T. 24. № 2. C. 169-181.

89. Hillebrand A., Barnes G.R., Bosboom J.L., Berendse H.W., Stam C.J. Frequency-dependent functional connectivity within resting-state networks: An atlas-based MEG beamformer solution // NeuroImage. 2012. T. 59. № 4. C. 39093921.

90. Hipp J.F., Hawellek D.J., Corbetta M., Siegel M., Engel A.K. Large-scale cortical correlation structure of spontaneous oscillatory activity // Nature Neuroscience. 2012. T. 15. № 6. C. 884-890.

91. Horn J. L., Cattell R. B. Refinement and test of the theory of fluid and crystallized general intelligences //Journal of educational psychology. - 1966. - Т. 57. - №. 5. - С. 253.

92. Hunter J. E. Cognitive ability, cognitive aptitudes, job knowledge, and job performance //Journal of vocational behavior. - 1986. - Т. 29. - №2. 3. - С. 340-362.

93. Jones P. J., Mair P., McNally R. J. Visualizing psychological networks: A tutorial in R //Frontiers in Psychology. - 2018. - Т. 9. - С. 1742.

94. Jensen A.R. Bias in Mental Testing // 1980.

95. Jensen A.R. Reaction Time and Psychometric g // A Model for Intelligence / под ред. H.J. Eysenck. Berlin, Heidelberg: Springer, 1982. С. 93-132.

96. Jordan N.C., Hanich L.B., Kaplan D. A Longitudinal Study of Mathematical Competencies in Children With Specific Mathematics Difficulties Versus Children With Comorbid Mathematics and Reading Difficulties // Child Development. 2003. Т. 74. № 3. С. 834-850.

97. Keller K.L., Kling S.M.R., Fuchs B., Pearce A.L., Reigh N.A., Masterson T., Hickok K. A Biopsychosocial Model of Sex Differences in Children's Eating Behaviors // Nutrients. 2019. Т. 11. № 3. С. 682.

98. Klados M.A., Pandria N., Micheloyannis S., Margulies D., Bamidis P.D. Math anxiety: Brain cortical network changes in anticipation of doing mathematics // International Journal of Psychophysiology. 2017. Т. 122. С. 24-31.

99. Knopik V. S., Alarcon M., DeFries J. C. Comorbidity of mathematics and reading deficits: Evidence for a genetic etiology //Behavior Genetics. - 1997. - Т. 27. - №. 5. - С. 447-453.

100. Kourany J. A. Should some knowledge be forbidden? The case of cognitive differences research //Philosophy of Science. - 2016. - Т. 83. - №2. 5. - С. 779-790.

101. Kovacs K., Conway A.R.A. Process Overlap Theory: A Unified Account of the General Factor of Intelligence // Psychological Inquiry. 2016. Т. 27. № 3. С. 151 -177.

102. Kovas Y. et al. Genetic influences in different aspects of language development: The etiology of language skills in 4.5-year-old twins //Child Development. - 2005. - T. 76. - №. 3. - C. 632-651.

103. Kovas Y. et al. Overlap and specificity of genetic and environmental influences on mathematics and reading disability in 10-year-old twins //Journal of Child Psychology and Psychiatry. - 2007. - T. 48. - №. 9. - C. 914-922.

104. Kruschwitz J.D., Waller L., Daedelow L.S., Walter H., Veer I.M. General, crystallized and fluid intelligence are not associated with functional global network efficiency: A replication study with the human connectome project 1200 data set // NeuroImage. 2018. T. 171. C. 323-331.

105. Lee J.J., Wedow R., Okbay A., Kong E., Maghzian O., Cesarini D., et al. Gene discovery and polygenic prediction from a genome-wide association study of educational attainment in 1.1 million individuals // Nature Genetics. 2018. T. 50. № 8. C. 1112-1121.

106. Lemaire P., Siegler R.S. Four aspects of strategic change: Contributions to children's learning of multiplication // Journal of Experimental Psychology: General. 1995. T. 124. № 1. C. 83-97.

107. Li Y., Liu Y., Li J., Qin W., Li K., Yu C., Jiang T. Brain Anatomical Network and Intelligence // PLOS Computational Biology. 2009. T. 5. № 5. C. e1000395.

108. Loehlin J. C., Nichols R. C. Heredity, environment, and personality: A study of 850 sets of twins. - University of Texas Press, 2012.

109. Logothetis N.K. What we can do and what we cannot do with fMRI // Nature. 2008. T. 453. № 7197. C. 869-878.

110. Lynn R., Allik J., Irwing P. Sex differences on three factors identified in Raven's Standard Progressive Matrices // Intelligence. 2004. T. 32. № 4. C. 411424.

111. MacKinnon D.P., Cheong J., Pirlott A.G. Statistical mediation analysis // APA handbook of research methods in psychology, Vol 2: Research designs: Quantitative, qualitative, neuropsychological, and biological APA handbooks in

psychology®. Washington, DC, US: American Psychological Association, 2012. C. 313-331.

112. Mark W., Dowker A. Linguistic influence on mathematical development is specific rather than pervasive: revisiting the Chinese Number Advantage in Chinese and English children // Front. Psychol. 2015. T. 6.

113. McClelland J. L., Rumelhart D. E. Explorations in parallel distributed processing: A handbook of models, programs, and exercises. - MIT press, 1989.

114. Mchenry J.J., Hough L.M., Toquam J.L., Hanson M.A., Ashworth S. Project a Validity Results: The Relationship Between Predictor and Criterion Domains // Personnel Psychology. 1990. T. 43. № 2. C. 335-354.

115. Medland S.E., Grasby K.L., Jahanshad N., Painter J.N., Colodro-Conde L., Bralten J., Hibar D.P., Lind P.A., Pizzagalli F., Thomopoulos S.I., Stein J.L., Franke B., Martin N.G., Thompson P.M. Ten years of enhancing neuro-imaging genetics through meta-analysis: An overview from the ENIGMA Genetics Working Group // Human Brain Mapping. 2020. T. n/a. № n/a.

116. Molenaar P.C.M., Campbell C.G. The New Person-Specific Paradigm in Psychology // Curr Dir Psychol Sci. 2009. T. 18. № 2. C. 112-117.

117. Neubauer A.C., Fink A. Intelligence and neural efficiency: A review and new data // International Journal of Psychophysiology. 2008. T. 3. № 69. C. 168-169.

118. Neubauer A.C., Fink A. Intelligence and neural efficiency // Neuroscience & Biobehavioral Reviews. 2009. T. 33. № 7. C. 1004-1023.

119. Nolte G., Ziehe A., Nikulin V.V., Schlögl A., Krämer N., Brismar T., Müller K.-R. Robustly Estimating the Flow Direction of Information in Complex Physical Systems // Phys. Rev. Lett. 2008. T. 100. № 23. C. 234101.

120. Oliver B. R., Plomin R. Twins' Early Development Study (TEDS): A multivariate, longitudinal genetic investigation of language, cognition and behavior problems from childhood through adolescence //Twin Research and Human Genetics. - 2007. - T. 10. - №. 1. - C. 96-105.

121. Pajevic S., Plenz D. The organization of strong links in complex networks

//Nature Physics. - 2012. - T. 8. - №. 5. - C. 429-436.

101

122. Palva S., Palva J.M. Functional Roles of Alpha-Band Phase Synchronization in Local and Large-Scale Cortical Networks // Front. Psychol. 2011. T. 2.

123. Pamplona G.S.P., Santos Neto G.S., Rosset S.R.E., Rogers B.P., Salmon C.E.G. Analyzing the association between functional connectivity of the brain and intellectual performance // Front. Hum. Neurosci. 2015. T. 9.

124. Peng P., Wang T., Wang C., Lin X. A Meta-Analysis on the Relation Between Fluid Intelligence and Reading/Mathematics: Effects of Tasks, Age, and Social Economics Status // Psychological Bulletin. 2019. T. 145. № 2. C. 189-236.

125. Penrose L.S., Raven J.C. A New Series of Perceptual Tests: Preliminary Communication // British Journal of Medical Psychology. 1936. T. 16. № 2. C. 97104.

126. Petrill S., Logan J., Hart S., Vincent P., Thompson L., Kovas Y., Plomin R. Math Fluency Is Etiologically Distinct From Untimed Math Performance, Decoding Fluency, and Untimed Reading Performance: Evidence From a Twin Study // J Learn Disabil. 2012. T. 45. № 4. C. 371-381.

127. Plomin R., DeFries J.C., Knopik V.S., Neiderhiser J.M. Top 10 Replicated Findings From Behavioral Genetics // Perspect Psychol Sci. 2016. T. 11. № 1. C. 323.

128. Plomin R., Kovas Y. Generalist Genes and Learning Disabilities // Psychological Bulletin. 2005. T. 131. № 4. C. 592-617.

129. Plomin R. Blueprint: How DNA makes us who we are. - Mit Press, 2019.

130. Polderman T.J.C., Benyamin B., Leeuw C.A. de, Sullivan P.F., Bochoven A. van, Visscher P.M., Posthuma D. Meta-analysis of the heritability of human traits based on fifty years of twin studies // Nature Genetics. 2015. T. 47. № 7. C. 702709.

131. Raven J. C., John Hugh Court. Raven's progressive matrices and vocabulary scales. - Oxford : Oxford pyschologists Press, 1998. - T. 759.

132. Raven J. The Raven's Progressive Matrices: Change and Stability over Culture and Time // Cognitive Psychology. 2000. T. 41. № 1. C. 1-48.

133. Rijsdijk F.V., Sham P.C. Analytic approaches to twin data using structural equation models // Briefings in Bioinformatics. 2002. T. 3. № 2. C. 119-133.

134. Rinne L.F., Mazzocco M.M.M. Knowing Right From Wrong In Mental Arithmetic Judgments: Calibration Of Confidence Predicts The Development Of Accuracy // PLOS ONE. 2014. T. 9. № 7. C. e98663.

135. Ritchie S.J., Tucker-Drob E.M. How Much Does Education Improve Intelligence? A Meta-Analysis // Psychol Sci. 2018. T. 29. № 8. C. 1358-1369.

136. Rose S. Should scientists study race and IQ? No: Science and society do not benefit //Nature. - 2009. - T. 457. - №. 7231. - C. 786-788.

137. Rowe D. C. The limits of family influence: Genes, experience, and behavior.

- Guilford Press, 1994.

138. Rubinov M. et al. Wiring cost and topological participation of the mouse brain connectome //Proceedings of the National Academy of Sciences. - 2015. - T. 112.

- №. 32. - C. 10032-10037.

139. Sabornie E.J., Cullinan D., Osborne S.S., Brock L.B. Intellectual, Academic, and Behavioral Functioning of Students with High-Incidence Disabilities: A Cross-Categorical Meta-Analysis // Exceptional Children. 2005. T. 72. № 1. C. 47-63.

140. Savage J.E., Jansen P.R., Stringer S., Watanabe K., Bryois J., Posthuma D., et al. Genome-wide association meta-analysis in 269,867 individuals identifies new genetic and functional links to intelligence // Nature Genetics. 2018. T. 50. № 7. C. 912-919.

141. Schmidt F., Hunter J. General Mental Ability in the World of Work: Occupational Attainment and Job Performance // Journal of Personality and Social Psychology. 2004. T. 86. № 1. C. 162-173.

142. Schmiedek F., Lovden M., Oertzen T. von, Lindenberger U. Within-person structures of daily cognitive performance cannot be inferred from between-person structures of cognitive abilities. : PeerJ Inc., 2019.

143. Schnitzler A., Gross J. Normal and pathological oscillatory communication in the brain // Nature Reviews Neuroscience. 2005. T. 6. № 4. C. 285-296.

144. Schoffelen J.-M., Oostenveld R., Fries P. Neuronal Coherence as a Mechanism of Effective Corticospinal Interaction // Science. 2005. T. 308. № 5718.

C. 111-113.

145. Schubert A.-L., Hagemann D., Loffler C., Rummel J., Arnau S. A chronometric model of the relationship between frontal midline theta functional connectivity and human intelligence // Journal of Experimental Psychology: General. 2021. T. 150. № 1. C. 1-22.

146. Sehatpour P., Molholm S., Schwartz T.H., Mahoney J.R., Mehta A.D., Javitt

D.C., Stanton P.K., Foxe J.J. A human intracranial study of long-range oscillatory coherence across a frontal-occipital-hippocampal brain network during visual object processing // PNAS. 2008. T. 105. № 11. C. 4399-4404.

147. Shao Z., Janse E., Visser K., Meyer A.S. What do verbal fluency tasks measure? Predictors of verbal fluency performance in older adults // Front. Psychol. 2014. T. 5.

148. Siegler R. S., Opfer J. E. The development of numerical estimation: Evidence for multiple representations of numerical quantity //Psychological science. - 2003. - T. 14. - №. 3. - C. 237-250.

149. Sinclair B., Hansell N.K., Blokland G.A.M., Martin N.G., Thompson P.M., Breakspear M., Zubicaray G.I. de, Wright M.J., McMahon K.L. Heritability of the network architecture of intrinsic brain functional connectivity // NeuroImage. 2015. T. 121. C. 243-252.

150. Singer-Dudek J., Greer R.D. A Long-Term Analysis of the Relationship Between Fluency and the Training and Maintenance of Complex Math Skills // Psychol Rec. 2005. T. 55. № 3. C. 361-376.

151. Smith V., Mitchell D.J., Duncan J. Role of the Default Mode Network in Cognitive Transitions // Cerebral Cortex. 2018. T. 28. № 10. C. 3685-3696.

152. Sockeel S., Schwartz D., Pelegrini-Issac M., Benali H. Large-Scale Functional Networks Identified from Resting-State EEG Using Spatial ICA // PLOS ONE. 2016. T. 11. № 1. C. e0146845.

153. Soheili-Nezhad S., Beckmann C.F., Sprooten E. Independent Genomic Sources of Brain Structure and Function // bioRxiv. 2021. C. 2021.01.06.425535.

154. Soreq E., Violante I.R., Daws R.E., Hampshire A. Neuroimaging evidence for a network sampling theory of individual differences in human intelligence test performance // Nature Communications. 2021. T. 12. № 1. C. 2072.

155. Sousa A. M. M. et al. Evolution of the human nervous system function, structure, and development //Cell. - 2017. - T. 170. - №. 2. - C. 226-247.

156. Spearman C. Theory of General Factor1 // British Journal of Psychology. General Section. 1946. T. 36. № 3. C. 117-131.

157. Spearman C. The Abilities of Man // Studies in individual differences: The search for intelligence. East Norwalk, CT, US: Appleton-Century-Crofts, 1961. C. 241-266.

158. Spengler M., Brunner M., Damian R.I., Ludtke O., Martin R., Roberts B.W. Student Characteristics and Behaviors at Age 12 Predict Occupational Success 40 Years Later over and above Childhood IQ and Parental Socioeconomic Status // Developmental Psychology. 2015. T. 51. № 9. C. 1329-1340.

159. Sporns O. Networks of the Brain. : MIT Press, 2010. 433 c.

160. Sporns O. Discovering the Human Connectome. : MIT Press, 2012. 253 c.

161. Staff R.T., Hogan M.J., Whalley L.J. Childhood intelligence and personality traits neuroticism and openness contributes to social mobility: A study in the Aberdeen 1936 Birth Cohort // Personality and Individual Differences. 2017. T. 114. C. 206-212.

162. Stam C.J., Straaten E.C.W. van. The organization of physiological brain networks // Clinical Neurophysiology. 2012. T. 123. № 6. C. 1067-1087.

163. Strenze T. Intelligence and socioeconomic success: A meta-analytic review of longitudinal research // Intelligence. 2007. T. 35. № 5. C. 401-426.

164. Sutton S., Baum A., Johnston M. The SAGE Handbook of Health Psychology. : SAGE, 2004. 447 c.

165. Thompson L. A., Detterman D. K., Plomin R. Associations between cognitive abilities and scholastic achievement: Genetic overlap but environmental differences //Psychological Science. - 1991. - T. 2. - №. 3. - C. 158-165.

166. Thurstone L. L. The factorial isolation of primary abilities //Psychometrika. -1936. - T. 1. - №. 3. - C. 175-182.

167. Tosto M. G. et al. Why do we differ in number sense? Evidence from a genetically sensitive investigation //Intelligence. - 2014. - T. 43. - C. 35-46.

168. Tosto M. G. et al. Number sense and mathematics: Which, when and how? //Developmental psychology. - 2017. - T. 53. - №. 10. - C. 1924.

169. Twig G., Tirosh A., Derazne E., Haklai Z., Goldberger N., Afek A., Gerstein H.C., Kark J.D., Cukierman-Yaffe T. Cognitive function in adolescence and the risk for premature diabetes and cardiovascular mortality in adulthood // Cardiovascular Diabetology. 2018. T. 17. № 1. C. 154.

170. Vanbinst K., Ghesquiere P., De Smedt B. Does numerical processing uniquely predict first graders' future development of single-digit arithmetic? // Learning and Individual Differences. 2015. T. 37. C. 153-160.

171. Vernon P.E., Parry J.B. Personnel selection in the British forces. London, England: University of London Press, 1949. 324 c.

172. Von Stumm S., Plomin R. Socioeconomic status and the growth of intelligence from infancy through adolescence //Intelligence. - 2015. - T. 48. - C. 30-36.

173. Wraw C., Deary I.J., Gale C.R., Der G. Intelligence in youth and health at age 50 // Intelligence. 2015. T. 53. C. 23-32.

174. Yeo R.A., Ryman S.G., Heuvel M.P. van den, Reus M.A. de, Jung R.E., Pommy J., Mayer A.R., Ehrlich S., Schulz S.C., Morrow E.M., Manoach D., Ho B.C., Sponheim S.R., Calhoun V.D. Graph Metrics of Structural Brain Networks in Individuals with Schizophrenia and Healthy Controls: Group Differences, Relationships with Intelligence, and Genetics // Journal of the International Neuropsychological Society. 2016. T. 22. № 2. C. 240-249.

175. Zakharov I., Adamovich T., Tabueva A., Ismatullina V., Malykh S. The effect of density thresholding on the EEG network construction // J. Phys.: Conf. Ser. 2021. Т. 1727. С. 012009.

176. Zakharov I., Tabueva A., Adamovich T., Kovas Y., Malykh S. Alpha Band Resting-State EEG Connectivity Is Associated With Non-verbal Intelligence // Front. Hum. Neurosci. 2020. Т. 14.

177. Zhou C. et al. Hierarchical organization unveiled by functional connectivity in complex brain networks //Physical review letters. - 2006. - Т. 97. - №. 23. - С. 238103.

178. R: The R Project for Statistical Computing [Электронный ресурс]. URL: https://www.r-project.org/ (просмотрено: 27.05.2021).

ПРИЛОЖЕНИЯ Приложение А

Задания методики «Стандартные прогрессивные матрицы Равена

С9

О-о э> ©

DD э □

Да /к )

Ж) □ ) Д-)

S 6 7

) А )

О

/к

í й й

<*> 6 6

6 )

5 ) О а )

s О о О

í

ô

F3

о ^74 //

о л

)

О) с;

& s г

гпЛ )

Задания методики «Верно-неверно»

Основная серия теста предваряется инструкцией и тренировочной серией, состоящей из 2-х заданий. Время для ответа ограничено 10-ю секундами. Если ответ не дан в обозначенное время система автоматически переходит к следующему заданию. Временная полоса появляется в верхней части экрана, чтобы показать испытуемым оставшееся время. В этом тесте имеется возможность продолжить тест или сделать перерыв и возобновить выполнение задания позже. Программа записывает точность ответов и время реакции.

Верно или неверно?

Вы увидите на экране несколько математических задач, но Вам не требуется решать эти задачи, поскольку ответы уже даны.

Ответ может быть правильным или неправильным. Ваша задача состоит в том. чтобы принять решение,является ли ответ правильным или нет, как

можно быстрее.

Нажмите ПРОБЕЛ, чтобы продолжить

А = ВЕРНО, О = НЕ ВЕРНО, Л = НЕ ЗНАЮ

Для ответа используйте клавиши А. О и Л на клавиатуре. Нажмите А. если Вы считаете, что ответ правильный. О - если Вы считаете, что ответ неправильный или Л, если Вы не знаете.

Выбирайте вариант «не знаю», только если Вы действительно не можете

сделать выбор.

Сейчас поместите пальцы на клавиши А, О и Л.

Нажмите ПРОБЕЛ на клавиатуре, чтобы начать короткую тренировочную

серию.

35 ^ 5 = 7

А О Л

ВЕРНО НЕ ВЕРНО НЕ ЗНАЮ

5 х 15 = 65

А О

ВЕРНО НЕ ВЕРНО

Тестовые задания

Новый номер Старый номер Задание Правильный

задания задания ответ

Тренировочные задания

р1 р1 2+2=4 Т (верно)

р2 р4 1/2=2/1 Y (не верно)

Основные задания

1 1 13x4=47 Y (не верно)

2 3 35-5=7 Т (верно)

3 47 44-18=24 Y (не верно)

4 8 2/4=4/8 Т (верно)

5 11 100x40=4000 Т (верно)

6 13 32-16=14 Y (не верно)

7 15 12+50=62 Т (верно)

8 16 12/4=2/6 Y (не верно)

9 19 8-2=4 Т (верно)

10 22 3x13=39 Т (верно)

11 24 2/6=3/9 Т (верно)

12 27 27+323=350 Т (верно)

13 30 1100-950=2 Y (не верно)

14 31 2000+1500=3500 Т (верно)

15 32 12/4=6/2 Т (верно)

16 34 112-88=24 Т (верно)

17 36 76-7=10 Y (не верно)

18 37 5x15=65 Y (не верно)

19 20 33-23=13 Y (не верно)

20 40 2/4=8/4 Y (не верно)

21 41 2000-500=2500 Y (не верно)

22 43 70+220=450 Y (не верно)

23 45 84-4=21 Т (верно)

24 46 200+150=350 Т (верно)

25 48 5/12=2/6 Y (не верно)

26 54 100x4=400 Т (верно)

27 55 28-16=2 Y (не верно)

28 56 6/3=8/4 Т (верно)

29 57 18+56=74 Т (верно)

30 59 3x13=133 Y (не верно)

31 61 61-11=20 Y (не верно)

32 64 8/4=16/9 Y (не верно)

33 65 3/4+3/2=6/6 Y (не верно)

34 82 8/4=2 Т (верно)

35 68 4/2+1/8=2 Y (не верно)

36 69 1/4+2/8=1/2 Т (верно)

37 71 12/2=6/1 Т (верно)

38 72 7/14+1/7=9/14 Т (верно)

Новый номер задания Старый номер задания Задание Правильный ответ

39 75 8/2=6/1 Y (не верно)

40 76 4/3+2/3=2 Т (верно)

41 77 1/2+1/4=6 Y (не верно)

42 78 6/2=4/3 Y (не верно)

43 79 30/3=10/1 Т (верно)

44 80 2/4+3/6=1 Т (верно)

45 83 18/2=20/1 Y (не верно)

46 84 4/16+3/8=1/2 Y (не верно)

47 85 12/3=4/1 Т (верно)

48 87 9/5=6/3 Y (не верно)

Приложение Б

Скрипт для подсчета матриц смежности

# -*- coding: utf-8 -*-!! !! !!

@author: PC !! !! !!

import pathlib

import random

import mne import pandas as pd import numpy as np

import networkx as nx

import community as community_louvain #%%

#Upload files

main_folder = pathlib.Path().cwd()

folder_input = pathlib.Path() folder_output = main_folder/'con_matrices'

files = [x for x in folder_input.iterdir() if x.is_file()]

sensors_output_filename = 'sensors_measures.csv' sources_output_filename = 'sources_measures.csv'

method = 'eLORETA'

con_method = 'imcoh'

con_freqs = ['1-4', '4-8', '8-13', '8-10', '10-13', '13-20', '20-30', '1-30']

thresholds = [0.5, 0.6, 0.7, 0.8]

bem = mne.read_bem_solution('Auxiliary/bem_oct6') src = mne.read_source_spaces('Auxiliary/src_oct6')

#'aparc' or 'aparc.a2009s'. 'HCPMMP1',

labels = mne.read_labels_from_annot('fsaverage', 'aparc.a2009s') #aparc - 68

labels, aparc 2009 - 250 #%%

freqs_min = [int(x.split('-')[0]) for x in con_freqs] freqs_max = [int(x.split('-')[1]) for x in con_freqs]

def quantile_threshold(adj, quantile = 0.5, binarization = False): #if isinstance(data, (np.array)) == False: # adj = np.array(adj) import numpy as np

adj = abs(adj)

np.fill_diagonal(adj, 0) adj = adj+np.transpose(adj)#np.triu(adj) threshold = np.quantile(adj[adj != 0], quantile) adj[adj<threshold] = 0

#if binarization == True: # adj[adj>0] = 1

return(adj)

# =========

def extract_cpl (path_generator): aux = list(path_generator)

list_of_paths = [] for x in aux:

paths = list(x[1].values()) list_of_paths.extend(paths[1 :])

return(np .median(list_of_paths))

def participation_coefficient(G, module_partition):

m

Computes the participation coefficient of nodes of G with partition defined by module_partition. (Guimera et al. 2005).

Parameters

G : xlassfnetworkx.Graph module_partition : diet a dictionary mapping each community name to a list of nodes in G

Returns

dict

a dictionary mapping the nodes of G to their participation coefficient under the participation specified by module_partition.

m

# Initialise dictionary for the participation coefficients pc_dict = {}

# Loop over modules to calculate participation coefficient for each node for m in module_partition.keys():

# Create module subgraph M = set(module_partition[m]) for v in M:

# Calculate the degree of v in G

degree = float(nx.degree(G=G, nbunch=v))

# Calculate the number of intramodule degree of v wm_degree = float(sum([1 for u in M if (u, v) in G.edges()]))

# The participation coeficient is 1 - the square of

# the ratio of the within module degree and the total degree pc_dict[v] = 1 - ((float(wm_degree) / float(degree))**2)

return pc_dict

def participation_coef(W, ci): _, ci = np.unique(ci, return_inverse=True) ci += 1

n = len(W) # number of vertices

Ko = np.sum(W, axis=1) # (out) degree

Gc = np.dot(np.squeeze(np.asarray((W != 0))), np.squeeze(np.asarray(np.diag(ci)))) # neighbor community affiliation

Kc2 = np.zeros((n,)) # community-specific neighbors

for i in range(int(np.max(ci))): Kc2 += np.square(np.sum(W * (Gc == i), axis=1))

P = np.ones((n,)) - Kc2 / np.square(Ko) # P=0 if for nodes with no (out) neighbors P[np.where(np.logical_not(Ko))] = 0

return P

def nodes_in_partition(partition): N = max(partition.values()) output = [] for x in range(N):

nodes = dict(filter(lambda elem: elem[1] == x, partition.items())).keys()

131

output.append(set(nodes)) return(output)

def modularity(G, communities, weight="weight"): out_degree = dict(G.degree(weight=weight)) deg_sum = sum(out_degree.values()) m = deg_sum / 2 norm = 1 / deg_sum ** 2

def community_contribution(community): comm = set(community)

L_c = sum(wt for u, v, wt in G.edges(comm, data=weight, default=1) if v in comm)

out_degree_sum = sum(out_degree[u] for u in comm) in_degree_sum = out_degree_sum

return L_c / m - out_degree_sum * in_degree_sum * norm

return sum(map(community_contribution, communities))

def calculate_GCS_and_LCS(adj _matrix): GCS = np.mean(adj_matrix[adj_matrix>0])

adj_matrix = (adj_matrix+adj_matrix.T)/2

adj_list = [[y for y in x if y != 0] for x in np.transpose(adj_matrix.tolist())] LCS = [np.average(x) for x in adj_list]

return (GCS, LCS)

def calculate_measures(graph):

measures = {}

cpl = nx.shortest_path_length(graph, weight = 'weight')

measures['cpl'] = extract_cpl(cpl)

measures['clust_coef_mean'] = nx.algorithms.cluster.average_clustering(graph, weight = 'weight')

partition = community_louvain.best_partition(graph)

partition_nodes = nodes_in_partition(partition)

measures['modularity'] = modularity(graph, partition_nodes)

measures['part_index_mean'] = np.mean(participation_coef(nx.to_numpy_array(graph), list(partition.values())))

measures['betw_centrality_mean'] = np.mean(list(nx.algorithms.centrality.betweenness_centrality(graph, weight = 'weight').values()))

measures['eigenvector_centrality_mean'] = np.mean(list(nx.algorithms.centrality.eigenvector_centrality(graph, max_iter=1000, weight = 'weight').values()))

measures = pd.DataFrame(measures, index = [0])

partition = community_louvain.best_partition(graph)

partition_nodes = nodes_in_partition(partition) partition_nodes = dict(zip(range(0, 4), partition_nodes))

part_coef = pd.DataFrame.from_dict(participation_coefficient(graph, partition_nodes), orient='index' , columns = ['participation-coef])

betw_centr =

pd.DataFrame.from_dict(nx.algorithms.centrality.betweenness_centrality(graph, weight = 'weight'), orient-index' , columns = ['betwenness-centrality'])

eigen_centr =

pd.DataFrame.from_dict(nx.algorithms.centrality.eigenvector_centrality(graph, max_iter=1000, weight = 'weight'), orient-index' , columns = ['eigenvector-centrality'])

degrees = list(graph.degree())

degrees = pd.DataFrame.from_dict(dict((x, y) for x, y in degrees), orient-index', columns = ['node-degree'])

clustering_coef=

pd.DataFrame.from_dict(nx.algorithms.cluster.clustering(graph, weight = 'weight'), orient='index' , columns = ['clust-coef'])

kcore = pd.DataFrame.from_dict(nx.algorithms.core.core_number(graph), orient='index', columns = ['kcore'])

local_df = pd.concat([part_coef, betw_centr, eigen_centr, clustering_coef, kcore, degrees], axis=1)

local_df.columns = ['participation_coef, 'betwenness-centr', 'eigenvector-centr', 'clust-coef, 'kcore', 'node-degree']

local_df.index = clustering_coef.index

local_df = local_df.unstack().to_frame().sort_index(level=1).T

local_df.columns = local_df.columns.map('{0[0]}_{0[1]}'.format) #res_df_new.columns .map('_'.j oin)

measures = pd.concat([measures, local_df], axis = 1)

return(measures)

def graph_measures_from_con_matrices(matrices, thresholds, node_names, con_freqs):