- · 《教育研究与实验》栏目[08/31]
- · 《教育研究与实验》数据[08/31]
- · 《教育研究与实验》投稿[08/31]
- · 《教育研究与实验》征稿[08/31]
- · 《教育研究与实验》刊物[08/31]
脑电图技术的教育研究图景与趋势* ——基于2(2)
作者:网站采编关键词:
摘要:图2 文献共被引聚类时间线图谱 (1)情绪识别 从聚类分析结果可以看出,“情绪识别”主题排名第一,其聚类大小为25,Q值为0.727,说明该聚类结果具有
图2 文献共被引聚类时间线图谱
(1)情绪识别
从聚类分析结果可以看出,“情绪识别”主题排名第一,其聚类大小为25,Q值为0.727,说明该聚类结果具有较高的可信度。在学习过程中,学生的情绪和情感状态会对学习效果产生显著影响。在传统教学活动中,教师根据教学经验和学生的表情、语言、动作来识别学生的情绪和情感变化,进而动态地对教学活动进行调整。然而,这种干预主要依靠教师个体的经验和主观判断,并非识别学业情绪变化的科学途径。此外,在线教育作为一种重要的教育形式,因其具有师生分离的特性而普遍存在教师无法感知学生情绪状态变化、难以及时给予反馈与干预等问题,极易造成学生学业情绪和情感的降低,这会对学习效果造成不良影响。为帮助教师科学、精准地评估学生的学业情绪和情感变化,基于不同行为模式(如表情、姿势、动作、声音)的情绪识别研究在过去10年中有所增加(Jenke et al.,2014)。但由于基于以上行为模式的情绪识别均是对人类情感和情绪的间接反映,加之学生可人为控制自身的表情、动作等行为,因而其测量结果的精准度不高。
与上述测量方式相比,EEG技术能够直接检测出大脑在不同情绪状态下的动态反应,可以为情绪识别提供更加客观、全面的信息(Zhang et al.,2016)。基于EEG技术的情绪识别研究主要通过采集与分析学生的脑电波信号,进而对学生的情感和情绪进行识别与评估。由于这一过程不受学生的主观意识控制,所以其结果相对精确可靠。例如,毕路拯等提出了一种基于贝叶斯网络的EEG多情绪状态识别模型,研究表明利用EEG技术检测多情绪状态是一种科学有效的途径(Bi et al.,2011)。桑德·科埃斯特拉(Sander Koelstra)等利用EEG技术采集被试的生理信号,提出了可分析人类情绪状态的多模态数据集——基于生理信号的情绪分析数据库(Database for Emotion Analysis Using Physiological Signals,DEAP)(Koelstra et al.,2011),经改进后的DEAP 2.0已被广泛运用于教育领域。对于存在精神障碍或情绪紊乱问题的学生而言,基于EEG技术的情绪识别在改善其学习效果方面尤为有用。例如拉贾·穆罕默德(Raja Mehmood)等借助计算机辅助教学系统(Computer Aided Education System,CAES)对特殊学生在学习活动中的脑电信号进行收集,并使用情绪模型识别他们的学业情绪后再反馈给CAES,这极大地改善了教师对特殊学生学习的管理(Mehmood et al.,2017)。
综上所述,已有的诸多研究表明,基于EEG技术的情绪识别能够对学生在学习活动中的情感和情绪进行精准、可靠地识别。但同时相关研究也指出,EEG技术只是为教师提供了一种能够科学、精准、便利地识别学生情感和情绪的途径,而如何有针对性地依据教育规律和相关理论对教学活动进行实时干预,才是提升教学效果的关键。
(2)大脑的自我调节
从聚类分析结果可以看出,“大脑的自我调节”主题排名第二,其聚类大小为23,Q值为0.792,说明该聚类结果具有较好的可信度。神经反馈(Neurofeedback)是一种有效的自我调节方法,可为个体提供大脑特定活动及相关行为的反馈(Thibault et al.,2016)。而对大脑的自我调节能力可简单理解为个体控制和调节各类活动行为、认知和情绪的能力。学生大脑自我调节能力的不足可能会导致其在学习过程中产生焦虑、紧张、恐慌、不安等负面情绪,最终造成不良学习行为和学业成绩变
差等问题(Heatherton et al.,2011)。虽然社会认知理论认为学习反馈会影响学生的自我调节行为(Zimmerman,1989),但许多脑神经相关研究也表明,对神经反馈和大脑自我调节能力的训练,可以从脑神经机制层面帮助个体进行更为科学和精准的自我调节。罗伯特·蒂伯特(Robert Thibault)等对比不同类型的神经反馈成像后发现,与脑磁图(Magnetoencephalography,MEG)、功能性磁共振成像(functional Magnetic Resonance Imaging,fMRI)、功能性近红外光谱(functional Near-Infrared Spectroscopy,fNIRS)等神经反馈成像技术相比,基于EEG技术的神经反馈成像方式更加经济便捷,因而被众多领域广泛采用(Thibault et al.,2016)。
在教育研究领域,研究者们基于脑电波等生物信号设计反馈机制,让学生可以通过实时的反馈信息了解学习活动过程中自身的生理状态变化,这一神经反馈机制被称为脑电生物反馈(Seaward,2008)。通过脑电生物反馈技术,学生可以精准地获知与评估自身的学习状态,并尝试调节自己的大脑活动(Kober et al.,2013)。以注意力调节为例,课堂教学要求学生集中和保持注意力,以获得更好的教学效果。但由于注意力具有很强的内隐性,学生通常难以依靠自身的感知来调节学习专注状态,存在注意力障碍的学生则更难对注意力进行自主调节。而EEG技术可以根据脑电波特征来监测注意力,特别是与注意力密切相关的β波(Egner et al.,2004)。当前,教育研究者们多通过基于EEG技术的注意力监测系统获取学生的注意力状态,进而将其反馈给学生,以便他们可以动态、自主地调节学习状态。杨晓哲等在利用EEG技术研究虚拟现实环境是否有助于学生的创造性表现时,使用了两种基于脑电波状态的反馈形式(Yang et al.,2019a):一是“提醒反馈”,即当脑电波表明学生注意力没有集中时给出提醒;二是“鼓励反馈”,即当脑电波显示学生注意力非常集中时给出鼓励。结果表明,接受提醒反馈的受试者比接受鼓励反馈和没有任何反馈的受试者的创意产品质量更高。孙之元等基于EEG反馈注意力监测系统开展的研究发现,当学生注意力下降时进行提醒反馈能显著提高学习注意力(Sun et al.,2017)。陈志铭等开发了具有脑电波监测功能的网络阅读注释系统(Web-Based Reading Annotation System),此系统具有基于注意力的自我调节学习机制(Attention-Based Self-Regulated Learning Mechanism),能有效改善学生的自我调节能力,进而提高其持续注意力和英语阅读理解能力(Chen et al.,2014)。综上可见,就大脑的自我调节活动对学习效果的影响,已有研究的结论并不一致,但研究者们基本都认为,学生对大脑活动和学习行为的自我调节除受到反馈形式的影响外,还与学习材料、学习内容和学习支架等密切相关,其机理仍有待开展更为深入的研究加以揭示。
文章来源:《教育研究与实验》 网址: http://www.jyyjysyzz.cn/qikandaodu/2021/0207/676.html