Racialized Heteroscedasticity in Neuroimaging Features, Behavior Measures, and Neuroimaging-Based Predictive Models
这项针对 4,736 名 ABCD 队列参与者的研究表明，以黑人参与者的神经影像和行为数据中持续较高的方差为特征的种族化异方差性，即使在不存在均值差异的情况下，也会系统性地导致预测误差和模型可靠性的差异，凸显了方差结构是决定模型在不同人群间泛化能力的关键因素。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
核心思想：不仅是关于平均值，更是关于离散度
想象一下，你正试图根据汽车发动机的大小来预测其行驶速度。通常情况下，科学家会观察不同车型组的平均速度，以查看是否存在差异。
这篇论文指出，科学家们一直忽略了故事中至关重要的一部分：每一组内部的速度变化程度（即离散程度）是多少。
研究人员查看了来自一项名为 ABCD 研究的大规模研究中近 5,000 名青少年（主要是白人和黑人参与者）的脑部扫描和行为测试数据。他们发现了一种他们称之为**“种族化的异方差性”（Racialized Heteroscedasticity）**的现象。
用通俗的话说，这意味着：黑人参与者数据的“离散度”或“变异性”与白人参与者不同。
类比：两支射箭队
想象有两支射箭队，A 队和 B 队，正在向靶心射箭。
- A 队（白人参与者）： 他们的箭紧密地簇拥在靶心周围。他们非常稳定。
- B 队（黑人参与者）： 他们的箭也围绕着靶心（平均位置是一样的！），但它们散落在整个靶面上。有的击中靶心，有的落在边缘，有的甚至完全脱靶。
问题在于： 如果你建立一个计算机程序（预测模型），根据队伍的训练情况来猜测下一支箭会落在哪里，那么这个程序对 A 队的预测会非常出色，因为他们的箭很有规律。但对于 B 队，这个程序会感到非常“困惑”。即使程序正确预测了“平均位置”，它在预测“单支箭实际落点”时，对 B 队的错误率也会高得多。
论文发现，在脑成像和行为测试中，黑人参与者经常表现出这种“散乱”模式（高方差），而白人参与者则表现出“紧密簇拥”模式（低方差）。
他们的发现
- 脑部扫描： 在观察不同大脑区域如何相互通信（功能性成像）时，黑人参与者的“噪声”或变异性显著更高。这就像是该组人群的大脑信号更加“跳跃”或多样化。
- 行为测试： 同样的情况也发生在人格、注意力和情绪测试中。黑人参与者表现出了更广泛的分数范围。
- 预测模型： 当研究人员构建计算机模型通过脑部扫描来预测行为时，这些模型对不同群体的表现不同。
- 对于具有“紧密簇拥”特征（低方差）的群体，预测是稳定且可靠的。
- 对于具有“散乱箭矢”特征（高方差）的群体，预测则到处都是偏差。即使整体数学逻辑看起来没问题，模型的误差率更高，置信度也更低。
为什么会这样？
论文谨慎地指出，这不是因为黑人大脑在生物学意义上“不同”或“有缺陷”。
相反，他们认为这种变异性来自于生活经历。可以这样理解：
- 如果你生活在一个非常稳定、可预测且资源丰富的社区，你的日常生活可能会与邻居的模式非常相似（低方差）。
- 如果你生活的社区让你面临更多的压力、歧视或不可预测的挑战，你的日常经历可能会在每天或每个人之间产生巨大的波动（高方差）。
论文使用“种族化的异方差性”这一术语，是为了强调这些“离散度”上的差异很可能是由社会对待不同群体的方式造成的，而不是由种族本身造成的。
总结
这篇论文的核心教训是：变异性与平均值同样重要。
如果科学家只关注“平均”大脑或行为，他们可能会忽略一个事实：他们的计算机模型对某些群体的可靠性其实要差得多。这就像一个天气应用，对所有人都在预测“晴天”。对于天气稳定的城市，这个预测可能是正确的；但如果你生活在一个风暴多变、难以预测的城市，那个“晴天”的预测就是毫无用处的，因为那里的“变异性”太高了。
作者得出结论，为了让脑科学工具对每个人都公平且准确，研究人员需要停止假设所有群体的“离散度”都是相同的。他们需要将这种额外的变异性纳入考量，以确保他们的模型不仅适用于那些数据最稳定的群体，也能为所有人提供有效的服务。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。