Over the past century, academic performance has become the gatekeeper to institutions of higher education, shaping career paths and individual life trajectories. Accordingly, much psychological research has focused on identifying predictors of academic performance, with intelligence and effort emerging as core determinants. In this article, we propose expanding on the traditional set of predictors by adding a third agency: intellectual curiosity. A series of path models based on a meta-analytically derived correlation matrix showed that (a) intelligence is the single most powerful predictor of academic performance; (b) the effects of intelligence on academic performance are not mediated by personality traits; (c) intelligence, Conscientiousness (as marker of effort), and Typical Intellectual Engagement (as marker of intellectual curiosity) are direct, correlated predictors of academic performance; and (d) the additive predictive effect of the personality traits of intellectual curiosity and effort rival that the influence of intelligence. Our results highlight that a "hungry mind" is a core determinant of individual differences in academic achievement.

Low socioeconomic status (SES) children perform on average worse on intelligence tests than children from higher SES backgrounds, but the developmental relationship between intelligence and SES has not been adequately investigated. Here, we use latent growth curve (LGC) models to assess associations between SES and individual differences in the intelligence starting point (intercept) and in the rate and direction of change in scores (slope and quadratic term) from infancy through adolescence in 14,853 children from the Twins Early Development Study (TEDS), assessed 9 times on IQ between the ages of 2 and 16 years. SES was significantly associated with intelligence growth factors: higher SES was related both to a higher starting point in infancy and to greater gains in intelligence over time. Specifically, children from low SES families scored on average 6 IQ points lower at age 2 than children from high SES backgrounds; by age 16, this difference had almost tripled. Although these key results did not vary across girls and boys, we observed gender differences in the development of intelligence in early childhood. Overall, SES was shown to be associated with individual differences in intercepts as well as slopes of intelligence. However, this finding does not warrant causal interpretations of the relationship between SES and the development of intelligence.

ABSTRACT The two best predictors of children’s educational achievement available from birth are parents’ socioeconomic status (SES) and, recently, children’s inherited DNA differences that can be aggregated in genome-wide polygenic scores (GPS). Here we chart for the first time the developmental interplay between these two predictors of educational achievement at ages 7, 11, 14 and 16 in a sample of almost 5,000 UK school children. We show that the prediction of educational achievement from both GPS and SES increases steadily throughout the school years. Using latent growth curve models, we find that GPS and SES not only predict educational achievement in the first grade but they also account for systematic changes in achievement across the school years. At the end of compulsory education at age 16, GPS and SES respectively predict 14% and 23% of the variance of educational achievement; controlling for genetic influence on SES reduces its predictive power to 16%. Analyses of the extremes of GPS and SES highlight their influence and interplay: In children who have high GPS and come from high SES families, 77% go to university, whereas 21% of children with low GPS and from low SES backgrounds attend university. We find that the effects of GPS and SES are primarily additive, suggesting that their joint impact is particularly dramatic for children at the extreme ends of the distribution.

Abstract Genome-wide association (GWA) studies have uncovered DNA variants associated with individual differences in general cognitive ability ( g ), but these are far from capturing heritability estimates obtained from twin studies. A major barrier to finding more of this ‘missing heritability’ is assessment – the use of diverse measures across GWA studies as well as time and cost of assessment. In a series of four studies, we created a 15-minute (40-item), online, gamified measure of g that is highly reliable (alpha = .78; two-week test-retest reliability = .88), psychometrically valid and scalable; we called this new measure Pathfinder. In a fifth study, we administered this measure to 4,751 young adults from the Twins Early Development Study. This novel g measure, which also yields reliable verbal and nonverbal scores, correlated substantially with standard measures of g collected at previous ages (r ranging from .42 at age 7 to .57 at age 16). Pathfinder showed substantial twin heritability (.57, 95% CIs = .43, .68) and SNP heritability (.37, 95% CIs = .04, .70). A polygenic score computed from GWA studies of five cognitive and educational traits accounted for 12% of the variation in g , the strongest DNA-based prediction of g to date. Widespread use of this engaging new measure will advance research not only in genomics but throughout the biological, medical, and behavioural sciences.

Academic underachievement refers to school performance which falls below expectations. Focusing on the pivotal first stage of education, we explored a quantitative measure of underachievement using genomically predicted achievement delta (GPAΔ), which reflects the difference between observed and expected achievement predicted by genome-wide polygenic scores. We analyzed the relationship between GPAΔ at age 7 and achievement trajectories from ages 7 to 16, using longitudinal data from 4175 participants in the Twins Early Development Study to assess empirically the extent to which students regress to their genomically predicted levels by age 16. We found that the achievement of underachievers and overachievers who deviated from their genomic predictions at age 7 regressed on average by one-third towards their genomically predicted levels. We also found that GPAΔ at age 7 was as predictive of achievement trajectories as a traditional ability-based index of underachievement. Targeting GPAΔ underachievers might prove cost-effective because such interventions seem more likely to succeed by going with the genetic flow rather than swimming upstream, helping GPAΔ underachievers reach their genetic potential as predicted by their GPS. However, this is a hypothesis that needs to be tested in intervention research investigating whether GPAΔ underachievers respond better to the intervention than other underachievers. We discuss the practicality of genomic indices in assessing underachievement.

Recent advances in genomics are producing powerful DNA predictors of complex traits, especially cognitive abilities. Here, we leveraged summary statistics from the most recent genome-wide association studies of intelligence and educational attainment to build prediction models of general cognitive ability and educational achievement. To this end, we compared the performances of multi-trait genomic and polygenic scoring methods. In a representative UK sample of 7,026 children at age 12 and 16, we show that we can now predict up to 11 percent of the variance in intelligence and 16 percent in educational achievement. We also show that predictive power increases from age 12 to age 16 and that genomic predictions do not differ for girls and boys. Multivariate genomic methods were effective in boosting predictive power and, even though prediction accuracy varied across polygenic scores approaches, results were similar using different multivariate and polygenic score methods. Polygenic scores for educational attainment and intelligence are the most powerful predictors in the behavioural sciences and exceed predictions that can be made from parental phenotypes such as educational attainment and occupational status.

Polygenic scores are increasingly powerful predictors of educational achievement. It is unclear, however, how sets of polygenic scores, which partly capture environmental effects, perform jointly with sets of environmental measures, which are themselves heritable, in prediction models of educational achievement. Here, for the first time, we systematically investigate gene-environment correlation (rGE) and interaction (GxE) in the joint analysis of multiple genome-wide polygenic scores (GPS) and multiple environmental measures as they predict tested educational achievement (EA). We predict EA in a representative sample of 7,026 16-year-olds, with 20 GPS for psychiatric, cognitive and anthropometric traits, and 13 environments (including life events, home environment, and SES) measured earlier in life. Environmental and GPS predictors were modelled, separately and jointly, in penalized regression models with out-of-sample comparisons of prediction accuracy, considering the implications that their interplay had on model performance. Jointly modelling multiple GPS and environmental factors significantly improved prediction of EA, with cognitive-related GPS adding unique independent information beyond SES, home environment and life events. We found evidence for rGE underlying variation in EA (rGE = .36; 95% CIs = .29, .43). We estimated that 38% (95% CIs = 29%, 49%) of the GPS effects on EA were mediated by environmental effects, and in turn that 18% (95% CIs =12%, 25%) of environmental effects were accounted for by the GPS model. Lastly, we did not find evidence that GxE effects collectively contributed to multivariable prediction. Our multivariable polygenic and environmental prediction model suggests widespread rGE and unsystematic GxE contributions to EA in adolescence.

Abstract Specific cognitive abilities (SCA) correlate genetically about 0.50, which underpins general cognitive ability (g), but it also means that there is considerable genetic specificity. If g is not controlled, then genomic prediction of specific cognitive abilities is not truly specific because they are all perfused with g. Here, we investigated the heritability of mathematics, reading, and language ability independent of g (SCA.g) using twins and DNA, and the extent to which multiple genome-wide polygenic scores (multi-PGS) can jointly predict these SCA.g as compared to SCA uncorrected for g. We created SCA and SCA.g composites from a battery of 14 cognitive tests administered at age 12 to 5,000 twin pairs in the Twins Early Development Study (TEDS). Univariate twin analyses yielded an average heritability estimate of 40% for SCA.g, compared to 53% for uncorrected SCA. Using genome-wide SNP genotypes, average SNP-based heritabilities were 26% for SCA.g and 35% for SCA. We then created multi-PGS from at least 50 PGS to predict each SCA and SCA.g using elastic net penalised regression models. Multi-PGS predicted 4.4% of the variance of SCA.g on average, compared to 11.1% for SCA uncorrected for g. The twin, SNP and PGS heritability estimates for SCA.g provide further evidence that the heritabilities of SCA are not merely a reflection of g. Although the relative reduction in heritability from SCA to SCA.g was greater for PGS heritability than for twin or SNP heritability, this decrease is likely due to the paucity of PGS for SCA. We hope that these results encourage researchers to conduct genome-wide association studies of SCA, and especially SCA.g, that can be used to predict PGS profiles of SCA strengths and weaknesses independent of g.

Abstract Noncognitive skills such as motivation and self-regulation, predict academic achievement beyond cognitive skills. However, the role of genetic and environmental factors and of their interplay in these developmental associations remains unclear. We provide a comprehensive account of how cognitive and noncognitive skills contribute to academic achievement from ages 7 to 16 in a sample of >10,000 children from England and Wales. Results indicated that noncognitive skills become increasingly predictive of academic achievement across development. Triangulating genetic methods, including twin analyses and polygenic scores (PGS), we found that the contribution of noncognitive genetics to academic achievement becomes stronger over development. The PGS for noncognitive skills predicted academic achievement developmentally, with prediction nearly doubling by age 16, pointing to gene-environment correlation (rGE). Within-family analyses indicated both passive and active/evocative rGE processes driven by noncognitive genetics. By studying genetic effects through a developmental lens, we provide novel insights into the role of noncognitive skills in academic development.