The rise of large neuroimaging datasets and multi-dataset mega-analyses brings the power to study interindividual differences in brain structure and function on a heretofore unseen scale. However, unknown and poorly characterized intra-individual variability continues to undermine the detection of robust brain-behavior associations and, ultimately, our understanding of the brain on the whole. Women's and reproductive health underlie variability in more than half of the population, but have long been overlooked in the study of both inter- and intra-individual differences in the brain. To this end, the Dense Investigation of Variability in Affect (DIVA) Study was designed to study intra-individual variability in the brain and behavior across the menstrual cycle in a small cohort of premenopausal female participants. The DIVA Study acquired weekly actigraphy, self-report, biospecimen, and both functional and structural magnetic resonance imaging data with concurrent peripheral physiological recordings. These data facilitate the study of several common sources of variability in the brain and behavior: the menstrual cycle and ovarian hormones, sleep, stress, exercise, and exogenous sources of hemodynamic variability.

Abstract Macroscale gradients have emerged as a central principle for understanding functional brain organization. Previous studies have demonstrated that a principal gradient of connectivity in the human brain exists, with unimodal primary sensorimotor regions situated at one end, and transmodal regions associated with the default mode network and representative of abstract functioning at the other. The functional significance and interpretation of macroscale gradients remains a central topic of discussion in the neuroimaging community, with some studies demonstrating that gradients may be described using meta-analytic functional decoding techniques. However, additional methodological development is necessary to more fully leverage available meta-analytic methods and resources and quantitatively evaluate their relative performance. Here, we conducted a comprehensive series of analyses to investigate and improve the framework of data-driven, meta-analytic methods, thereby establishing a principled approach for gradient segmentation and functional decoding. We found that a small number of segments determined by a K-means segmentation approach and an LDA-based meta-analysis combined with the NeuroQuery database was the optimal combination of methods for decoding functional connectivity gradients. Taken together, the current work aims to provide recommendations on best practices, along with flexible methods, for gradient-based functional decoding of fMRI data.

Abstract Attentional control theory (ACT) posits that elevated anxiety increases the probability of re-allocating cognitive resources needed to complete a task to processing anxiety-related stimuli. This process impairs processing efficiency and can lead to reduced performance effectiveness. Science, technology, engineering, and math (STEM) students frequently experience STEM-related anxiety, which can interfere with learning and performance and negatively impact student retention and graduation rates. The objective of this study was to extend the ACT framework to investigate the neurobiological associations between STEM-related anxiety and cognitive performance among 123 physics undergraduate students. Latent profile analysis (LPA) identified four profiles of student STEM-related anxiety, including two profiles that represented the majority of the sample (Low STEM Anxiety; 59.3% and High Math Anxiety; 21.9%) and two additional profiles that were not well represented (High STEM Anxiety; 6.5% and High Science Anxiety; 4.1%). Students underwent a functional magnetic resonance imaging (fMRI) session in which they performed two tasks involving physics cognition: the Force Concept Inventory (FCI) task and the Physics Knowledge (PK) task. No significant differences were observed in FCI or PK task performance between High Math Anxiety and Low STEM Anxiety students. During the three phases of the FCI task, we found no significant brain connectivity differences during scenario and question presentation, yet we observed significant differences during answer selection within and between the dorsal attention network (DAN), ventral attention network (VAN), and default mode network (DMN). Further, we found significant group differences during the PK task were limited to the DAN, including DAN-VAN and within-DAN connectivity. These results highlight the different cognitive processes required for physics conceptual reasoning compared to physics knowledge retrieval, provide new insight into the underlying brain dynamics associated with anxiety and physics cognition, and confirm the relevance of ACT theory for STEM-related anxiety.

Anxiety is known to dysregulate the salience, default mode, and central executive networks of the human brain, yet this phenomenon has not been fully explored across the STEM learning experience, where anxiety can impact negatively academic performance. Here, we evaluated anxiety and large-scale brain connectivity in 101 undergraduate physics students. We found sex differences in STEM-related and clinical anxiety, with longitudinal increases in science anxiety observed for both female and male students. Sex-specific relationships between STEM anxiety and brain connectivity emerged, with male students exhibiting distinct inter-network connectivity for STEM and clinical anxiety and female students demonstrating no significant within-sex correlations. Anxiety was negatively correlated with academic performance in sex-specific ways at both pre- and post-instruction. Moreover, math anxiety in male students mediated the relation between default mode-salience connectivity and course grade. Together, these results reveal complex sex differences in the neural mechanisms driving how anxiety is related to STEM learning.

Physics is a challenging academic pursuit in which university students regularly struggle to achieve success. Female students tend to perform negatively on introductory physics conceptual assessments compared to their male peers; however, active-learning classroom curricula are known to broadly improve performance on these tests. Here, we used fMRI to delineate physics-related brain activity in 107 students and probed for changes following a semester of active-learning or lecture-based physics instruction. Large-scale reorganization of brain activity accompanying learning occurred in a mixed frontoparietal and default mode network. Sex differences were observed in frontoparietal, default mode, and primary visual areas before and after instruction. Regions showing significant pedagogy, sex, and time interactions were revealed during physics retrieval, suggesting the type of class students complete may influence sex differences in how students retrieve information. These results reveal potentially elucidating sex and pedagogy differences underlying the neural mechanisms supporting physics learning.