XiaoMi-AI文件搜索系统
World File Search System个体差异
1 2 3 4 5女性大胆的个体差异...
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权所有，该版本发布于2024年2月13日。 https://doi.org/10.1101/2024.02.13.580160 doi：Biorxiv Preprint
认知任务中的个体差异
在本文中，我们回顾了最近（已发表和新颖的）数据，这些数据显示了小鼠在赌博任务（MGT，即小鼠赌博任务）中建立的决策策略的个体间差异。同类动物会发展出不同的行为，乍一看可能很有趣。然而，使用大量小鼠，我们发现 MGT 中出现了个性，大约 30% 的健康小鼠表现出规避风险的选择，而大约 20-25% 的小鼠做出风险倾向的选择。这些策略伴随着不同的大脑网络动员和区域（前额叶和纹状体）单胺的个体水平。我们进一步说明了三种对健康成年小鼠认知策略产生巨大影响的生态方式：睡眠剥夺、蔗糖或人工甜味剂暴露以及定期暴露于刺激环境。如何揭开个体策略的面纱，它们的神经/神经化学基础是什么，以及我们是否可以通过不同的环境操纵来塑造或重塑它们，这些问题具有重要意义，首先是为了了解大脑如何做出灵活的决定，其次是为了研究健康成人和发育中大脑的行为可塑性。后者可能为在心理疾病出现之前识别对不良事件的脆弱性特征开辟新途径。
体重管理过程和个体差异
摘要背景：肥胖流行是一个日益增长的公共健康问题，使体重管理成为整体健康和福祉的关键方面。的确，促进行为改变的有效工具对于在管理体重方面取得长期成功至关重要。这项研究旨在通过评估心理准备的特定方面，包括动机，自我调节，情感重新评估（EMR）（EMR）和环境重组（ENR）（ENR）（ENR）来验证S重量和P重量问卷的FARSI版本，以支持个性化的体重管理。方法：使用自我管理调查表进行了一项横断面研究。该研究包括455名17-65岁的成年人，不包括接受侵入性减肥干预措施的成年人。测量的变量包括EMR，体重后果评估（WCE），体重管理动作（WMA）和ENR，这些变量使用结构化的Likert尺度问卷进行了评估。进行了探索性和验证性因素分析，可通过Cronbach的alpha和类内相关系数（ICC）评估可靠性。统计显着性设置为p <0.05。结果：问卷显示出强烈的有效性和可靠性（KMO = 0.91； Bartlett的测试χ²= 3999.75； P <0.001）。超重和肥胖的参与者在变化过程中得分明显高于正常体重参与者（p <0.001）。结论：经过验证的工具提供了一种基于心理准备的体重管理策略的可靠手段，并可能改善了长期结局。伊朗大四。2025; 28（3）：162-170。 doi：10.34172/aim.33513关键字：变更策略，动机，个性化营养，过程，准备就绪，以：Gohari Dezfuli Z，Hasan Rashedi M，Araminejad M，Karimi K，Mansouri ES，Seif Barghi T等。体重管理过程和个体差异：Parsi中P重量和S权重的验证研究。
解开学习潜力的个体差异
儿童在发展过程中表现出巨大的学习能力，但在学习时间和学习轨迹和实现的技能水平方面存在很大的个体差异。发育科学的最新进展表明，许多因素的贡献，包括遗传变异，大脑可塑性，社会文化背景和学习经验对个人发展。这些因素以复杂的方式相互作用，从而证明了儿童的特质和异质学习路径。尽管人们对这些复杂的动态的认识越来越多，但目前对诸如阅读等文化获得技能的发展的研究仍然典型地关注儿童在离散时间上表现的快照。在这里，我们认为这种“静态”方法通常是不足的，并且在对学习能力的内部差异的预测和机理理解中的进步限制了。我们提出了一个动态框架，该框架突出了在跨多个阶段和过程学习过程中捕获短期轨迹的重要性，作为在阅读示例中以长期发展的代理。该框架将有助于解释儿童学习路径和成果的相关变异性，并培养研究儿童如何成长和学习的新观点和方法。
视觉特征前额编码的个体差异
摘要：外侧前额叶皮层 (LPFC) 通常与高级认知有关，例如注意力、语言和认知控制。然而，最近的研究表明，它对于包括物体识别在内的基本感知功能也至关重要。在这里，我们用计算模型描述了 LPFC 在视觉处理中的作用。使用 7T 的人类 fMRI 数据数据集，我们建立了编码模型，将从深度神经网络（CLIP [对比语言-图像预训练] 网络的图像编码器）中提取的视觉特征与大脑对数千张自然图像的反应联系起来。在八个受试者中，我们能够稳健地预测 LPFC 斑块中的反应，最明显的是 FEF（额叶眼场）和 vlPFC（腹外侧 PFC）区域。利用这些强大的编码模型，我们随后探索了表征结构并筛选了 LPFC 中具有高预测反应的图像。我们发现 LPFC 的编码方案存在显著的个体差异。相比之下，腹侧视觉流的编码方案在个体之间保持更一致。总体而言，我们的研究证明了 LPFC 在视觉处理中的作用未被充分重视，并表明 LPFC 可能是不同个体体验视觉世界的独特之处的基础。从方法论上讲，这些发现也可能解释了为什么以前的团体研究往往未能观察到 LPFC 中强大的视觉功能，因为受试者的反应可能需要单独校准。
对语音人工智能的语言态度的个体差异
人类越来越多地与语音激活的人工智能 (voice-AI) 系统互动，这些系统有名字（例如 Alexa）、明显的性别，甚至有情绪表达；它们在许多方面都是一种日益增长的“社交”存在。但是，人们在多大程度上表现出从人与人之间的互动中发展而来的社会语言学态度，来对待这些无形的文本转语音 (TTS) 声音？它们会如何根据个人用户的认知特征而变化？当前的研究解决了这些问题，测试了以英语为母语的人对自然产生的女性人声和美国英语默认的 Amazon Alexa 语音的 6 个特征（聪明、可爱、有吸引力、专业、像人、年龄）的判断。在接触到这些声音后，参与者完成了对每个说话者的评分，以及自闭症商数 (AQ) 调查，以评估认知处理风格的个体差异。结果显示，基于 AQ 分数，个人对人类和人工智能说话者的可爱度和像人性的评分存在差异。结果表明，人类会将对人类声音的社会评价转移到语音人工智能上，但这样做的方式是由他们自己的认知特征决定的。索引词：语言态度、语音激活人工智能 (语音人工智能) 系统、社会语言能力
儿童期T1W/T2W比率发展的个体差异
宾夕法尼亚大学，宾夕法尼亚州宾夕法尼亚大学的心理学系，美国宾夕法尼亚大学神经科学系，美国宾夕法尼亚州费城，美国宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州华盛顿大学，美国圣路易斯的华盛顿大学。美国宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州生物工程系，宾夕法尼亚州费城宾夕法尼亚大学工程与应用科学学院，美国宾夕法尼亚州宾夕法尼亚大学，宾夕法尼亚州费城大学，美国宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚大学宾夕法尼亚大学宾夕法尼亚大学宾夕法尼亚大学宾夕法尼亚大学宾夕法尼亚州电气与系统工程系，美国宾夕法尼亚州宾夕法尼亚州宾夕法尼亚大学佩雷曼医学院，美国宾夕法尼亚州费城，宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚大学医学院的神经病学系