Индивидуальные различия во флюидном интеллекте: дистальные и проксимальные факторы

Во введении обосновывается актуальность изучаемой проблемы,
оценивается ее разработанность, определяется объект, предмет, цель, задачи
и гипотезы исследования. Описываются методологические основания
работы,обосновываетсятеоретическаяипрактическаязначимость
исследования.
В первой главе «Природа индивидуальных различий во флюидном
интеллекте»рассматриваютсясовременныепсихологическиетеории
интеллекта, а также обсуждаются возможные биологические и средовые
механизмы, лежащие в основе индивидуальных различий в познавательной
деятельности, вводятся понятия дистальных и проксимальных факторов
интеллекта, а также дистальных и проксимальных проявлений интеллекта.
В отечественной психологии интеллект понимается как аспект
мышления,интегрирующийразнообразныепознавательныепроцессы
(Выготский, 2014), в первую очередь, процессы анализа, синтеза и
обобщения (Брушлинский, 2003). В рамках современного психометрического
подхода при оценке индивидуальных различий в интеллекте можно выделить
некоторую обобщенную характеристику познавательной сферы (общий
фактор интеллекта, фактор ‘g’, Jensen, 1998). Наиболее убедительным
свидетельством наличия такой общей характеристики является тот факт, что
люди, которые показывают результаты выше среднего в одном когнитивном
тесте (например, в тесте на объем словарного запаса), имеют тенденцию
показывать высокие результаты и в других когнитивных тестах (например, в
тесте на «мысленное вращение» предметов). Такой паттерн положительной
корреляциимеждурезультатамиразныхтестовнаблюдается
исследователями уже более ста лет (Spearman, 1904) и в психометрике часто
называется «положительной совокупностью» (“positive manifold“).
В настоящее время одной из наиболее признанных моделей интеллекта
является модель, разработанная Д. Хорном и Дж. Кэрроллом на основе
представлений о структуре интеллекта Р. Кеттелла, согласно которой
интеллект проявляется в двух аспектах: в способности решать не связанные с
прошлым опытом проблемы (флюидный интеллект) и в способности
приобретать, хранить и успешно применять знания, навыки и опыт
(кристаллизованный интеллект). Предполагается, что кристаллизованный
интеллектотражаеткультурно-специфическоезнание,накапливаемое
человеком в течение жизни, в то время как флюидный интеллект оценивает
биологические основы когнитивных способностей. В рамках изучения
индивидуальных различий во флюидном интеллекте был создан один из
наиболее надежных методов измерения этого психологического признака –
«Стандартные прогрессивные матрицы» (Raven & Court, 1998).
Во второй половине ХХ века Г. Айзенком была сформулирована
обобщенная модель формирования индивидуальных различий в интеллекте
(Eyesenck, 1979). В рамках подхода Г. Айзенка выделяются дистальные и
проксимальные факторы, предшествующие формированию индивидуальных
различий флюидного интеллекта, а также дистальные и проксимальные
проявления этих индивидуальных различий. Вслед за Дженсеном (1982),
Айзенк предполагает, что флюидный интеллект включает в себя не только
когнитивные операции, но и «подвижность» мышления, скорость протекания
нервных процессов. Исходя из такого понимания флюидного интеллекта,
дистальные и проксимальные факторы индивидуальных различий связаны
соотвественно с генетическими и нейрофизиологическими особенностями
человека. В рамках модели Г. Айзенка индивидуальные различия во
флюидном интеллекте будут проявляться в способности достигать успеха в
учебнойдеятельности,например,вскоростиикачестверешения
элементарных арифметических операций (проксимальные следствия) или
более опосредовано – в успешности учебной или профессиональной
деятельности. Взаимосвязь между факторами и последствиями разных
уровней представлена на рис. 1.

Рисунок 1 – Взаимодействие факторов индивидуальных различий
во флюидном интеллекте в рамках подхода Г. Айзенка

Дистальные факторы формирования индивидуальных различий во
флюидном интеллекте, связанные с генетическими особенностями, на
сегодняшнийденьанализируютсянаоснованиибольшогообъема
эмпирических данных. Так, метаанализ большого массива близнецовых
исследований показал, что до 50% вариабельности различных показателей
интеллекта объясняются вкладом генетических факторов (Polderman et al.,
2015). Молекулярно-генетические исследования интеллекта подтверждают,
что генетические варианты, связанные с результатами тестов интеллекта,
имеют тенденцию группироваться в группы генов, отвечающих за
нейрогенез, образование синаптических связей, дифференцировку нейронов
и олигодендроцитов (Hill et al., 2018). Этот факт указывает на важность
нейрофизиологическихпроцессоввформированиииндивидуальных
различий в интеллекте.
ВрамкахмоделиГ. Айзенкаименнонейрофизиологические
характеристики рассматриваются как проксимальные, непосредственные
факторы формирования индивидуальных различий в интеллекте. В работах
исследователей школы Б. М. Теплова и В. Д. Небылицына было показано
наличие морфофизиологических задатков познавательных и творческих
способностей, темперамента, характера (Голубева, 2005). Современные
исследования активации мозга во время решения интеллектуальных задач и
индивидуальныхразличийвпоказателяхинтеллектапозволили
сформулировать теорию нейрональной эффективности, согласно которой
более высокие результаты в тестах на интеллект могут быть сопряжены с
более эффективной передачей информации между нейронами (Haier, 1988).
Операционализация понятия «эффективности» может быть основана на базе
математической теории графов, в рамках которой можно определить
количественные характеристики процессов передачи информации внутри
различных отделов мозга на основе информации о локальных и глобальных
характеристиках мозговых сетей – мозговой связанности (Sporns, 2012).
В качестве примера проксимальных и дистальных проявлений
различий во флюидном интеллекте можно привести успешность выполнения
элементарных когнитивных задач (время реакции, время опознания и т.д.) и
эффективность в повседневной деятельности (например, академическая или
профессиональная успешность). Важнейшую роль флюидный интеллект
играет в академической успешности, выступая в роли своеобразного
фундамента в освоении новых когнитивных умений и навыков (Тихомирова,
Малых, 2017; Tikhomirova, Malykh, Malykh, 2020 и др.).
Промежуточным уровнем между индивидуальными различиями во
флюидном интеллекте и академическими достижениями может являться
уровеньбазовыхкогнитивныхопераций,важныхдляконкретной
деятельности.Так,согласнометаанализупредполагается,чтов
формировании у детей математических навыков, таких как освоение
числовых символов, их отношений и базовых вычислений с ними,
важнейшую роль играют индивидуальные различия во флюидном интеллекте
(Peng et al., 2019). При этом сами базовые навыки могут быть измерены с
помощью стандартизованных методик. Одним из таких методических
примеров может служить тест «Верно или неверно?» (Tikhomirova, 2017;
Rinne & Mazzocco, 2014), адаптированный для оценки математической
беглости, лежащей в основе арифметических операций. Математическая
беглость определяется как «умение быстро и точно выполнять элементарные
математические операции и, как следствие, обуславливает успешность в
дисциплинах математического цикла» (Тихомирова, Малых, 2017; Singer-
Dudek & Greer, 2005; Floyd, Evans & McGrew, 2003 и др.).
Несмотря на прогресс в отдельных областях изучения проксимальных
и дистальных факторов и проявлений индивидуальных различий во
флюидном интеллекте, взаимодействие между ними остается не до конца
изученными. Так, например, отсутствуют исследования, в которых факторы
разных уровней были бы исследованы в рамках единой программы, что
позволилобыэмпирическиверифицироватьтеоретическуюмодель
Г. Айзенка. Детальное понимание взаимодействия между разными группами
факторов, влияющих на формирование индивидуальных различий в
познавательной деятельности, и проявлений в деятельности может дать
основу для создания модели формирования индивидуальных различий и в
других сферах научного знания.
Во второй главе «Методы и методология исследования» описана
общая схема исследования, представлены методы исследования, дано
описание выборки и методов диагностики, а также перечислены методы
статистического анализа данных.
Междисциплинарное исследование было организовано в два этапа.
Общая численность участников составляет 443 человека.
Впервой,психогенетической,частиисследованиявыборку
исследования составила 191 пара моно- (МЗ, 81 пара) и дизиготных (ДЗ, 110
пар) близнецов в возрасте от 15 до 34 лет. Во второй, нейрофизиологической,
части исследования с регистрацией биоэлектрической активности мозга
приняли участие 165 человек в возрасте от 17 до 34 лет, из них 52 пары
близнецов (35 МЗ пар, 17 ДЗ пар) и 61 одиночнорожденный участник с
нормальным или скорректированным зрением и без известной истории
неврологических или психиатрических нарушений. Участники исследования
привлекались на основании объявлений в социальных сетях, большинство
участников были студентами университетов или молодые люди с высшим
образованием.
Длядиагностикифлюидногоинтеллектаиспользовалсятест
«Стандартные прогрессивные матрицы» (СПМР, Raven, Raven & Court,
1998). Согласно систематическому обзору исследований П. Карпентера
(1990) этот тестовый показатель наиболее точно отражает флюидный
интеллект. Адаптированная компьютерная версия теста состоит из серии
незаконченных изображений-матриц, где участнику предлагается выбрать
правильную недостающую часть изображения (Oliver & Plomin, 2007).
Участник делает выбор, наведя курсор мыши и нажав на одну из 8
возможных недостающих частей. Тест состоит из 4 разделов – C, D, E и F.
Раздел C, D и E состоит из 6 заданий с четными номерами оригинальной
версии, раздел F представлен всеми 12 заданиями. Таким образом, в общей
сложности компьютерная версия теста включает 30 заданий.
Для оценки индивидуальных различий в успешности выполнения
элементарных арифметических операций использовался тест «Верно или
неверно?»,которыйоцениваетуровеньматематическойбеглости
(Тихомирова, Малых, 2017). На экране предъявлялись уже решенные
арифметические примеры, а участники должны принять решение о том,
верно или неверно решен пример. Тест состоит из 48 заданий.
Успешностьосвоенияшкольнойпрограммыпоматематике
основывалась на учительских оценках в школьном аттестате.
Активность мозга у участников исследования регистрировалась при
помощи электроэнцефалограммы (ЭЭГ). Регистрация ЭЭГ осуществлялась в
состоянии покоя с закрытыми глазами, длительность записи для регистрации
составляла 6 минут. Данные ЭЭГ записывались с 64 активных электродов,
размещенных по международной системе 10-10 с усилителем ActiChamp
Brain Products (Brain Products, Мюнхен, Германия). Для оценки различий
глобальных характеристик функциональной связанности метрики графа
анализировались диапазоне 8-13 Гц.
Оценка синхронизации ЭЭГ-активности производилась с помощью
библиотеки MNE Python. Для оценки силы связи между каналами
использовался метод Weighted Phase Lag Index, разработанный для
минимизациипроблемыобъемногопроведениясигналавЭЭГ
(Hardmeier et al., 2014). Приподсчете метрикграфа использовались
градуальные веса связей. Для анализа мозговой связанности использовались
связи, значения которых были выше медианного для каждого участника
исследования.Вкачествеметрикграфаиспользовались:
1) характеристическая длина пути (показатель среднего расстояния между
вершинами графа); 2) коэффициент кластеризации (вероятность двум
ближайших к вершине соседних вершин также быть ближайшими
вершинами друг к другу); 3) индекс «тесного мира» (характеристики
кластеризации и длины путей между модулями внутри сети).
Дляоценкивкладагенетическихисредовыхфакторовв
индивидуальные различия во флюидном интеллекте, а также дистальных и
проксимальных факторах использовался классический близнецовый метод
(Малых с соавт., 1998; Plomin et al., 2016; Rijsdijk & Sham, 2002). Метод
основан на том, что монозиготные близнецы развиваются из одной
оплодотворенной яйцеклетки и имеют идентичный набор генетической
информации (разделяют 100% генетической изменчивости). Дизиготные
близнецы развиваются из двух разных яйцеклеток и имеют ту же степень
генетического сходства, что и сиблинги (разделяют в среднем 50%
генетической изменчивости). Согласно модели аддитивных генетических
факторов (АСE) вся фенотипическая дисперсия признака может быть
разложена на вклад генетических факторов (А), факторов общей среды (С) и
уникальной среды (E). Для количественной оценки вклада генетических
факторов использовался метод моделирования структурными уравнениями и
байесовский анализ корреляций (Rijsdijk & Sham, 2002; Baath, 2014).
Статистический анализ данных (байесовский корреляционный анализ,
описательные статистики, регрессионный анализ, тест Левина, анализ
надежности,медиационныйанализ)проводилсяспомощьюязыка
программирования для статистической обработки данных R 3.3.30 (R Core
Team, 2019) и пакета igraph (http://igraph.org), а также пакета MNE (Gramfort
et al., 2013) для языка программирования Python 2.7.
В третьей главе «Эмпирическое исследование взаимосвязи между
дистальнымиипроксимальнымифакторамиидистальнымии
проксимальными проявлениями индивидуальных различий во флюидном
интеллекте» представлены результаты анализа связи факторов и проявлений
индивидуальных различия во флюидном интеллекте на проксимальном и
дистальномуровнях.Пристальноевниманиебылоуделеноанализу
опосредующей роли флюидного интеллекта во взаимодействии факторов и
проявлений.
В качестве дистальных факторов рассматривались генетические
особенности,вкачествепроксимальных–нейрофизиологические
характеристики связанности мозга. В качестве проксимальных проявлений
индивидуальныхразличийвофлюидноминтеллекте–выполнение
элементарных арифметических операций, в качестве дистальных проявлений
– успешность в освоении школьной программы по математике.
В первом параграфе третьей главы приводятся данные о стабильности
используемого метода оценки связанности мозговой активности. Во втором
параграфетретьейглавыанализируютсядескриптивныестатистики
анализируемых психологических и нейрофизиологических показателей, а
также результаты психогенетического анализа. Оценка вклада генетических
особенностей значения параметров стандартной близнецовой модели
проводилась согласно близнецовой модели ACE.
Описательные статистики показателей, результаты внутрипарных МЗ и
ДЗ корреляций, а также параметры стандартной близнецовой модели для
характеристикфлюидногоинтеллектаиуспешностивыполнения
элементарных арифметических операций приведены в таблице 1.
Таблица 1 – Описательные статистики и результаты анализа вклада
генетических и средовых факторов в индивидуальные различия во флюидном
интеллекте и успешности выполнения элементарных арифметических
операций

N парБлизнец 1, M (SD)Близнец 2, M (SD)r[95% CI]
Флюидный интеллект
МЗ8031,92 (9,42)32,19 (7,69)0,61[ 0,39; 0,77]
ДЗ10431,77 (8,80)31,51 (10,42)0,45[ 0,28; 0,60]
Параметры стандартной близнецовой
ACE
модели
26%65%9%
Успешность выполнения элементарных арифметических операций
МЗ7834,86 (8,61)36,2 (8,54)0,73[ 0,61; 0,82]
ДЗ9833,68 (8,96)32,75 (9,52)0,58[ 0,43; 0,69]
Параметры стандартной близнецовой
ACE
модели
38%37%25%
Примечание – В квадратных скобках указан 95% доверительный интервал (СI); SD –
стандартное отклонение

Для робастной оценки вклада генетических и средовых факторов в
показатели связанности мозговой активности и успешности освоения
школьной программы по математике был применен метод анализа
байесовских корреляций, более устойчивых к выбросам в данных (Baath,
2014). Параметры близнецовой модели ACE были подсчитаны согласно
стандартной формуле (Малых с соавт, 1998). Результаты анализа приведены
в таблице 2.
Таблица 2 – Описательные статистики, внутрипарные МЗ и ДЗ баейсовских
корреляций и параметры близнецовой модели ACE для показателей
связанности мозговой активности и успешности в освоения школьной
программы по математике
N парБлизнец 1, M (SD)Близнец 2, M (SD)r[95%CI]
Мозговая связанность: характеристическая длина пути
МЗ520,81 (0,23)0,76 (0,20)0,53[0,27; 0,76]
ДЗ170,73 (0,21)0,79 (0,23)0,39[ -0,31; 0,86]
Параметры стандартной
ACE
близнецовой модели
28%25 %43%
Мозговая связанность: коэффициент кластеризации
МЗ520,55 (0,13)0,58 (0,10)0,17[-0,41; 0,68]
ДЗ170,54 (0,14)0,52 (0,16)0,13[ -0,62; 0,81]
Параметры стандартной
ACE
близнецовой модели
8%9%83%
Мозговая связанность: индекс «тесного мира»
МЗ521,27 (0,5)1,11 (0,44)0,33[ 0,013; 0.63]
ДЗ171,20 (0,49)1,32 (0,45)0,28[-0,4; 0.8]
Параметры стандартной
ACE
близнецовой модели
10%23%67%
Успешность освоения школьной программы по математике
МЗ527 (0.9)7 (1.2)0,73[ 0,52; 0.85]
ДЗ176.9 (1.5)6.8 (1.4)0.47[ 0,01; 0.77]
Параметры стандартной
ACE
близнецовой модели
52%21%27%
Примечание – В квадратных скобках указан 95% байесовский доверительный интервал
(СI); SD – стандартное отклонение

В целом, согласно полученным результатам, наблюдается умеренный
вклад генетических факторов в индивидуальные различия во флюидном
интеллекте и успешности в учебной деятельности по математике. При этом
наследуемостьпоказателейуспешностивыполненияэлементарных
арифметическихоперацийпревышаетнаследуемостьпоказателей
флюидного интеллекта. В то же время, для показателей флюидного
интеллекта отмечается значительный вклад общих средовых факторов, что
совпадаетсимеющимисяпсихогенетическимиданнымидляэтого
возрастного периода (Воронин, 2019). Для показателей мозговой связанности
наиболее выраженный вклад генетических факторов наблюдается для
характеристической длины пути (28%), тогда как для коэффициента
кластеризации и индекса «тесного мира» наблюдается также высокий вклад
уникальных средовых факторов. Необходимо отметить, что вклад факторов
уникальной среды может оценивать не только индивидуальные средовые
факторы, но и размер ошибки при подсчете исследуемых фенотипов.
Для анализа возможности построения сетевой модели взаимосвязи
показателей была проведена оценка взаимосвязи между индивидуальными
различиямивофлюидноминтеллекте,успешностьювыполнения
элементарных арифметических операций и успешностью освоения школьной
программы по математике, а также связанностью мозговой активности. В
корреляционный анализ вводились данные одиночнорожденных участников
исследования, а также по одному случайно выбранному близнецу из каждой
близнецовой пары. Результаты корреляционного анализа взаимосвязей
приведены в таблице 3.
Таблица 3 – Описательные статистики и корреляционная матрица для
характеристик индивидуальных различий во флюидном интеллекте,
успешности выполнения элементарных арифметических операций,
успешности освоения школьной программы по математике, а также
показателей связанности мозговой активности

ПоказательMSD12345
Флюидный интеллект (1)17,335,39

Выполнение элементарных
41,224,200,43**
арифметических операций (2)

Хар-ая длина пути (3)0,690,120,26*0,26*

Коэффициент кластеризации (4)0,600,030,04-0,28*0,11

Индекс «тесного мира» (5)1,550,340,240,39**0,92**-0,15

Успешность в математике (6)7,051,170,37**0,190,31**-0,07 -0,01

Примечание – *p < 0,05. **p < 0,01; M – среднее значение; SD – стандартное отклонение Характеристическую длину пути как метрику мозговой связанности, показавшую наличие взаимосвязи как с уровнем интеллекта, так и с показателями успешности в учебной деятельности, можно отнести к метрикам, характеризующим интеграционные процессы в мозге (Avena- Koenigsberger&Sporns,2017).Предполагается,вчастности,что характеристики длин путей отражают способность отдельных элементов образовывать устойчивые связи, наличие/отсутствие ограничений для передачи информации по узлам сети, а также общую связанность сети. Полученные в исследовании данные свидетельствуют о том, что более высокие характеристики интеграции мозговых сетей коррелируют с более высокими показателями флюидного интеллекта. С эволюционной точки зренияпредполагается,чтонервнаясистемадолжнаразвиваться одновременно, сохраняя возможность надежной и эффективной передачи информации внутри мозговых сетей, минимизируя затраты энергии (Bullmore & Sporns, 2012). Сети с более длинными средними длинами путей, напротив, энергетически и метаболически требуют больших затрат. Однако в сравнительно-анатомических исследованиях показано, что в живых системах строгие математические критерии минимизации затрат могут нарушаться, повышая энергетическую стоимость (Rubinov et al, 2015; Betzel et al., 2016). Кроме того, исследования с применением математического моделирования показывают, что «геометрически полные» сети характеризуются большим количеством коротких связей, которые приводят к топологии с увеличенным показателем средней длины пути (Kaiser & Hilgetag, 2006). Учитывая наличие значимых взаимосвязей между анализируемыми в данном исследовании показателями, предполагается, что факторы и проявления разного уровня могут быть выстроены в иерархическую систему. При этом центральный элемент этой системы – индивидуальные различия во флюидном интеллекте – является медиатором взаимодействия между дистальными (генетические особенности) и проксимальными (связанность мозговойактивности)факторамиипроксимальными(успешность выполнения элементарных арифметических операций) и дистальными (успешность освоения математики) проявлениями. Для анализа и визуализации структуры был использован сетевой анализ на основании оценки частичных корреляций взаимосвязей между переменными. Модель взаимосвязи между факторами и проявлениями индивидуальных различий во флюидном интеллекте на разных уровнях представлена на рисунке 2. Пунктирными линиями показан вклад наследственных генетических характеристик в индивидуальные различия в переменных. Зеленым цветом показаны пути взаимодействия между переменными на основании сетевого анализа. Рисунок 2 – Модель взаимосвязи между дистальными и проксимальными факторами и дистальными и проксимальными проявлениями индивидуальных различий во флюидном интеллекте. Полученные результаты свидетельствуют о том, что индивидуальные различия во флюидном интеллекте являются значимым медиатором взаимодействия между проксимальными факторами и проявлениями разных уровней – проксимального и дистального. Так, нейрофизиологические характеристики мозговой связанности являются проксимальным фактором формирования различий во флюидном интеллекте, на базе которого происходит освоение элементарных арифметических операций, ведущее, в конечном счете, к индивидуальным различиям в успешности освоения школьной программы по математике. При этом успешность в выполнении элементарных арифметических операций не может полностью объяснить наличие индивидуальных различий в школьной успешности по математике; сохраняется вклад индивидуальных различий во флюидном интеллекте. Взаключениигипотезысоотносятсясрезультатами междисциплинарного анализа, и формулируются выводы. В настоящей работе получены новые результаты, указывающие на центральную роль флюидного интеллекта во взаимосвязи между факторами и проявлениями индивидуальных различий в учебной деятельности с учетом проксимального и дистального уровней. Показано,чтонейрофизиологическиехарактеристикимозговой связанности как проксимальный фактор значимо коррелируют как с флюидным интеллектом, так и с успешностью в учебной деятельности. В диссертации получены новые данные об умеренном вкладе генетических факторов в индивидуальные различия в мозговой связанности, а также подтверждены данные о наличии генетического вклада в успешность в учебной деятельности. Метрики связанности, подтвердившие в данном исследовании существование взаимосвязей с уровнем флюидного интеллекта и успешностью в учебной деятельности, характеризуют эффективность передачиинформациивмозге.Полученныевработеданные свидетельствуют о том, что более высокая эффективность передачи информации внутри мозговых сетей коррелирует с более высокими показателями флюидного интеллекта и, как следствие, с успешностью в выполнении элементарных арифметических операций и, в дальнейшем, освоением школьной программы по математике. Проведенныйвисследованиипсихогенетическийанализ свидетельствует о роли генетических характеристик как дистального фактора виндивидуальныхразличияхвофлюидноминтеллектеидругих анализируемых фенотипов. При этом наименее значимый вклад наблюдается для проксимальных проявлений индивидуальных различий, связанных с выполнением элементарных арифметических операций. Результаты сетевого анализа показывают, что взаимосвязь между проксимальнымифакторами,лежащимивосновеформирования индивидуальных различий, и дистальными и проксимальными проявлениями индивидуальных различий опосредуется индивидуальными различиями во флюидном интеллекте. Можно предположить, что способность эффективно решать не связанные с прошлым опытом задачи является одним из важнейших условий для освоения элементарных арифметических операций, при этом уровень успешности в их применении сохраняется не только в школьном возрасте, но и в период взрослости. На основе индивидуальных различий в освоении элементарных математических операций, в свою очередь,вдальнейшемформируютсяиндивидуальныеразличияв успешности освоения всей школьной программы по математике. Важно отметить, что при этом сохраняется вклад индивидуальных различий во флюидном интеллекте. Такимобразом,можносформулироватьследующиевыводы исследования,которыеподтвердиливыдвинутыевдиссертационном исследовании гипотезы: 1.Проанализированы теоретические подходы к изучению факторов индивидуальных различий во флюидном интеллекте и их проявлений в учебной деятельности как целостной иерархической системы на двух уровнях – проксимальном и дистальном. 2.Определен и реализован алгоритм междисциплинарного анализа модели формирования индивидуальных различий во флюидном интеллекте и их проявлений в учебной деятельности: а) выделение проксимальных и дистальных факторов, формирующих индивидуальные различия; б) выделениепроксимальныхидистальныхпроявлений индивидуальных различий во флюидном интеллекте в учебной деятельности; в) анализ взаимосвязей между факторами и проявлениями разных уровней. 3.Обосновановведениепоказателейсвязанностимозговой активности как латентной переменной, представляющей проксимальные факторы, которые влияют на формирование индивидуальных различий во флюидном интеллекте. Приведены аргументы в пользу анализа генетических особенностей человека в качестве дистального фактора, формирующего индивидуальные различия во флюидном интеллекте. 4.Обоснована оценка успешности выполнения элементарных арифметических операций как латентного показателя, представляющего проксимальные проявления в учебной деятельности, а успешности в освоении школьной программы по математике как дистального проявления индивидуальных различий во флюидном интеллекте. 5.С применением разработанного алгоритма верификации модели Г. Айзенкапроанализированаструктуравзаимосвязейфакторов, формирующих индивидуальные различия во флюидном интеллекте, и его проявлений в учебной деятельности с учетом иерархии проксимального и дистального уровней. 6.Показано,чтоиндивидуальныеразличиявофлюидном интеллекте являются центральным элементом во взаимосвязи между факторами и проявлениями, что подтверждается существованием связей как с индивидуальными различиями в мозговой связанности, так и с успешностью выполнения элементарных арифметических операций и успешностью освоения школьного курса математики. 7.Показано, что нейрофизиологические характеристики мозговой связанности являются проксимальным фактором формирования различий во флюидном интеллекте, на базе которого происходит освоение элементарных арифметических операций, ведущее, в конечном счете, к индивидуальным различиям в успешности освоения школьной программы по математике. При этом успешность в выполнении элементарных арифметических операций не полностьюобъясняетсуществованиеиндивидуальныхразличийв математическойуспешности;сохраняетсятакжевкладфлюидного интеллекта. 8.Генетические особенности являются дистальным фактором индивидуальныхразличий,которыевносятвкладвформирование индивидуальныхразличийвофлюидноминтеллекте,атакжеего проксимальных и дистальных проявлений. При этом вклад аддитивных генетических факторов в индивидуальные различия во флюидном интеллекте достигает значения в 26%.