Neural Networks to Understand the Neurobiological Mechanisms of General Intelligence: Entschlüsselung der neuronalen Grundlage menschlicher Intelligenz durch graphentheoretische Netzwerkanalysen und Methoden künstlicher Intelligenz
Intelligenz ist eines der fundamentalsten Konstrukte psychologischer Forschung – mit hoher praktischer Relevanz. Testwerte von Intelligenztests sagen nachweislich wichtige Aspekte wie Bildungs- und Berufserfolg vorher und stehen sogar in einem signifikanten Zusammenhang mit Gesundheit und Langlebigkeit. Trotz Jahrzehnten intensiver Forschung, unterscheiden sich die heutigen Intelligenzmodelle (und Testverfahren) jedoch nur marginal von früheren Theorien.
In meinem Promotionsvorhaben untersuche ich Intelligenz auf neuronaler Ebene. Die Erforschung von individuellen Unterschieden in Intelligenz und die Beantwortung der Frage, wie diese mit Variationen in der Gehirnfunktion im Zusammenhang stehen, könnte zu Erkenntnissen führen, die es ermöglichen, bestehende Intelligenzmodelle zu erweitern (oder zu revidieren), diagnostische Verfahren zu verbessern und neue Ansatzpunkte für mögliche Interventionen (z.B. bei Lern- und Entwicklungsstörungen oder bei kognitiver Demenz) zu identifizieren.
Genauer werde ich hierfür bestimmte Aktivierungsmuster des Gehirns (erfasst durch neuronale Bildgebung, fMRT) mit Unterschieden in Intelligenz in Beziehung setzen. Funktionelle Interaktionen zwischen verschiedenen Gehirnregionen (funktionelle Konnektivität), welche Einsichten über bevorzugte Kommunikationswege des Gehirns liefern, stehen hierbei im Fokus. Diese Kommunikationswege zwischen und innerhalb von Gehirnnetzwerken lassen sich wiederum mit bestimmten kognitiven Verarbeitungsprozessen in Beziehung setzen, woraus sich Erkenntnisse über die Relevanz von verschiedenen Teilfähigkeiten (wie z.B. Aufmerksamkeit) für Intelligenz ableiten lassen.
Zur Verfolgung des oben aufgezeigten Ziels, möchte ich die aus der Physik stammende Methode der graphentheoretischen Netzwerkanalyse mit modernen Ansätzen maschinellen Lernens (künstliche Intelligenz) kombinieren und für die Auswertung von fMRT-Daten (funktionelle Konnektivität) und psychologischen Variablen (Intelligenzwerte) von mehreren Hundert (~800) Personen nutzen. Die im Promotionsprojekt gewonnenen Resultate sollen schlussendlich in ein neues neuro-kognitives Intelligenzmodell integriert werden.