Bibliografía completa

A neurocomputational model of developmental trajectories of gifted children under a polygenic model: When are gifted children held back by poor environments?

Tipo de recurso
Autor/contribuidor
Title
A neurocomputational model of developmental trajectories of gifted children under a polygenic model: When are gifted children held back by poor environments?
Abstract
From the genetic side, giftedness in cognitive development is the result of contribution of many common genetic variants of small effect size, so called polygenicity (Spain et al., 2016). From the environmental side, educationalists have argued for the importance of the environment for sustaining early potential in children, showing that bright poor children are held back in their subsequent development (Feinstein, 2003a). Such correlational data need to be complemented by mechanistic models showing how gifted development results from the respective genetic and environmental influences. A neurocomputational model of cognitive development is presented, using artificial neural networks to simulate the development of a population of children. Variability was produced by many small differences in neurocomputational parameters each influenced by multiple artificial genes, instantiating a polygenic model, and by variations in the level of stimulation from the environment. The simulations captured several key empirical phenomena, including the non-linearity of developmental trajectories, asymmetries in the characteristics of the upper and lower tails of the population distribution, and the potential of poor environments to hold back bright children. At a computational level, ‘gifted’ networks tended to have higher capacity, higher plasticity, less noisy neural processing, a lower impact of regressive events, and a richer environment. However, individual instances presented heterogeneous contributions of these neurocomputational factors, suggesting giftedness has diverse causes. (PsycInfo Database Record (c) 2020 APA, all rights reserved) (Source: journal abstract)
Publication
Intelligence
Publisher
Elsevier Science
Date
Jul 2018 - Aug 2018
Volume
69
Pages
200-212
ISSN
0160-2896, 0160-2896
Archive
APA PsycInfo®
Loc. in Archive
2371187877; 2018-35483-022
Language
en-US
Extra
titleTranslation: Un modelo neurocomputacional de las trayectorias de desarrollo de los niños superdotados bajo un modelo poligénico: ¿Cuándo los niños superdotados se ven frenados por entornos pobres? TLDR: A neurocomputational model of cognitive development is presented, using artificial neural networks to simulate the development of a population of children and ‘gifted’ networks tended to have higher capacity, higher plasticity, less noisy neural processing, a lower impact of regressive events, and a richer environment. abstractTranslation: Desde el punto de vista genético, la superdotación en el desarrollo cognitivo es el resultado de la contribución de muchas variantes genéticas comunes de pequeño tamaño del efecto, las llamadas poligenicidad (Spain et al., 2016). Desde el punto de vista ambiental, los pedagogos han argumentado la importancia del medio ambiente para mantener el potencial temprano en los niños, mostrando que los niños pobres brillantes se ven frenados en su desarrollo posterior (Feinstein, 2003a). Estos datos correlacionales deben complementarse con modelos mecanicistas que muestren cómo el desarrollo de los superdotados es el resultado de las respectivas influencias genéticas y ambientales. Se presenta un modelo neurocomputacional del desarrollo cognitivo, utilizando redes neuronales artificiales para simular el desarrollo de una población de niños. La variabilidad fue producida por muchas pequeñas diferencias en los parámetros neurocomputacionales, cada una influenciada por múltiples genes artificiales, instanciando un modelo poligénico, y por variaciones en el nivel de estimulación del entorno. Las simulaciones capturaron varios fenómenos empíricos clave, incluida la no linealidad de las trayectorias de desarrollo, las asimetrías en las características de las colas superior e inferior de la distribución de la población y el potencial de los entornos pobres para frenar a los niños brillantes. A nivel computacional, las redes "superdotadas" tendían a tener una mayor capacidad, mayor plasticidad, un procesamiento neuronal menos ruidoso, un menor impacto de eventos regresivos y un entorno más rico. Sin embargo, los casos individuales presentaron contribuciones heterogéneas de estos factores neurocomputacionales, lo que sugiere que la superdotación tiene diversas causas. (Registro de la base de datos PsycInfo (c) 2020 APA, todos los derechos reservados) (Fuente: resumen de la revista)
Notas

SubjectsTermNotLitGenreText - Childhood Development 10010P4C 1620P4C 2645P4C 4616P4C 1609P4B 2630P4B 4587P4B 9945P4B; Cognitive Development 10010P4C 1852P4C 2645P4C 7975P4C 1840P4B 2630P4B 7921P4B 9945P4B; Gifted 10010P4C 1840P4C 1870P4C 4139P4C 5027P4C 1828P4B 1858P4B 4114P4B 4996P4B 9945P4B; Computational Modeling 10010P4C 2036P4C 5780P4C 9069P4C 2024P4B 5743P4B 9009P4B 9945P4B; 10010P4C 3375P4C 3354P4B 9945P4B; 10010P4C 2437P4C 9248P4C 9281P4C 9283P4C 9288P4C 9289P4C 9504P4C 2423P4B 9187P4B 9219P4B 9221P4B 9225P4B 9226P4B 9441P4B 9945P4B; 10010P4C 1018P4C 1100P4C 4095P4C 8712P4C 1011P4B 1092P4B 4070P4B 8654P4B 9945P4B; 10010P4C 1839P4C 1870P4C 2062P4C 2083P4C 2741P4C 346P4C 4922P4C 5624P4C 5625P4C 5784P4C 712P4C 717P4C 8712P4C 9840P4C 1827P4B 1858P4B 2051P4B 2072P4B 343P4B 5588P4B 5589P4B 5747P4B 707P4B 710P4B 8654P4B 9945P4B

Última actualización - 2020-07-30

Número de referencias - 51

Fecha de revisión - 20200305

Nota de publicación - Open access

Fecha de creación - 2017-10-23

Fecha de finalización - 2018-06-27

Copyright - © 2018, The Author. Published by Elsevier Inc. This is an open access article under the CC BY license (http://creativecommons.org/licenses/BY/4.0/).

Citación
Thomas, M. S. C. (2018). A neurocomputational model of developmental trajectories of gifted children under a polygenic model: When are gifted children held back by poor environments? Intelligence, 69, 200–212. APA PsycInfo® (2371187877; 2018-35483-022). https://doi.org/10.1016/j.intell.2018.06.008