- · 《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]
一、稿件要求： 1、稿件内容应该是与某一计算机类具体产品紧密相关的新闻评论、购买体验、性能详析等文章。要求稿件论点中立，论述详实，能够对读者的购买起到指导作用。文章体裁不限，字数不限。 2、稿件建议采用纯文本格式(*.txt)。如果是文本文件，请注明插图位置。插图应清晰可辨，可保存为*.jpg、*.gif格式。如使用word等编辑的文本，建议不要将图片直接嵌在word文件中，而将插图另存，并注明插图位置。 3、如果用电子邮件投稿，最好压缩后发送。 4、请使用中文的标点符号。例如句号为。而不是.。 5、来稿请注明作者署名(真实姓名、笔名)、详细地址、邮编、联系电话、E-mail地址等，以便联系。 6、我们保留对稿件的增删权。 7、我们对有一稿多投、剽窃或抄袭行为者，将保留追究由此引起的法律、经济责任的权利。 二、投稿方式： 1、 请使用电子邮件方式投递稿件。 2、 编译的稿件，请注明出处并附带原文。 3、 请按稿件内容投递到相关编辑信箱 三、稿件著作权： 1、 投稿人保证其向我方所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、 投稿人保证向我方所投之稿件，尚未在任何媒体上发表。 3、 投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、 投稿人向我方所投之作品不得同时向第三方投送，即不允许一稿多投。若投稿人有违反该款约定的行为，则我方有权不向投稿人支付报酬。但我方在收到投稿人所投作品10日内未作出采用通知的除外。 5、 投稿人授予我方享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、 投稿人委托我方声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。
脑电图技术的教育研究图景与趋势* ——基于2(3)
作者:网站采编关键词:
摘要：（3）动作技能习得 “动作技能习得”主题在聚类分析结果中排名第三，其聚类大小为22，Q值为0.959，说明该聚类结果具有极高的可信度。正如丹尼尔·沃尔
（3）动作技能习得
“动作技能习得”主题在聚类分析结果中排名第三，其聚类大小为22，Q值为0.959，说明该聚类结果具有极高的可信度。正如丹尼尔·沃尔珀特（Daniel Wolpert）等所言，包括言语、手语、手势和写作在内的所有交流，都是通过或基于动作系统发生的（Wolpert et al.，2001）。无论是在以往的工业时代还是当前的信息时代，动作技能都是教育研究的重要领域，具有极为重要的教育价值和社会意义。研究表明，当学习者进行动作技能学习时，若能够采用有效的方式来实现自我监控，就可以更为高效地整合和运用复杂技术（Berka et al.，2004）。然而，动作技能的习得具有一定内隐性，这也使得诸如自我报告和观察评估等传统测量与评估方式难以可靠、客观、精准地反映学生的实际学习状态和进展。因此，利用EEG技术对动作技能的习得过程及状态进行监测，便成为教育研究者所采用的重要研究方法。例如，在萨维奥·王（Savio Wong）等开展的研究中，学生在参与计算机可视化运动任务（Computerized Visual-Motor Task）时，通过佩戴有独立干电极传感器的无线EEG系统（Wireless EEG System with Single Dry Sensor）收集其脑电波信号（Wong et al.，2014）。结果表明，某些脑电波信号的强度随着动作任务熟悉度的增加而降低，该研究展现出不受约束的无线EEG系统在现实学习任务中监测大脑活动的可能性。也有研究表明，可利用脑电波信号对学习者的精神状态进行量化，以实现对动作技能习得结果的评估（Lim et al.，2012），进而向他们反馈学习状态以便其进行自我调整，从而获得更好的教学效果。此外，EEG技术也常被用于探究与动作技能习得相关的影响因素。如杰里米·里切尔（Jeremy Rietschel）为探究动作技能和注意力储备（Attentional Reserve）间的关系，对听觉刺激（Auditory Stimuli）诱发的脑电波信号进行采集与分析，发现注意力储备随着运动技能的习得而增加，这为心理生理学的研究与发展提供了新证据（Rietschel et al.，2014）。
动作技能习得对于体育教学和课堂教学均十分重要，EEG技术被广泛用于这两类教育情境中的动作技能习得研究。由于学生长时间佩戴EEG设备可能影响其正常学习，因而对EEG设备的不断优化也受到教育研究者的关注。如杨晓哲等基于NeuroSky脑电设备与HTC Vive虚拟现实设备开发了虚拟现实与脑电联动系统，让用户可以不受局限地在沉浸式场景中开展学习活动，并可实现对学习行为的全过程追踪，以及对脑波数据更精准地监测与收集（Yang et al.，2019b），从而为动作技能习得研究提供便利。相较于EEG技术在动作技能习得研究中的应用而言，将EEG技术应用于智力技能习得的研究还相对较少（Xu&Zhong et al.，2018），仍有待进行更为深入的研究。
（4）深度学习
“深度学习”主题在聚类分析结果中排名第四，其聚类大小为21，Q值为0.836，说明该聚类结果具有较高可信度。通过分析相关文献发现，本聚类中所指的深度学习主要涉及机器学习和学习科学两个领域，故下文将从这两个不同的视角阐述EEG技术在深度学习研究中的应用。
深度学习是机器学习的重要分支，依靠多层神经网络结构模拟人脑的结构和功能。深度学习技术可用于分析学生的学习行为，即通过对学生学习过程中产生的大数据进行挖掘，以实现对学生后续学习状况的精准预测与干预（刘勇等，2017）。在构建深度学习模型和进行学生画像时，主要采用三种方法对不同类型的学生数据进行挖掘：一是基于在线学习数据的方法，二是基于生理和神经传感器数据的方法，三是基于计算机视觉数据的方法（曹晓明等，2019）。由于生理信息具有不可隐藏性，因而学生的面部表情、脉搏、血压、脑电波等可以作为学习者建模的有效属性（Kavitha et al.，2018），而EEG技术则是获得脑电波数据的重要手段。例如，卡维塔（Kavitha）等基于脑电波、脉搏率、血压、皮肤温度等生理数据构成的数据集，利用卷积神经网络（Convolutional Neural Network，CNN）和递归神经网络（Recurrent Neural Networks，RNN）建立学生学习行为预测模型，以实现对学生认知能力的预测（Kavitha et al.，2018）。吉岛治二（Yoshimasa Tawatsuji）等基于学生的心理状态、生理数据（fNIRS、EEG、呼吸强度、皮肤电导率和脉搏容积等）和教师的言语行为构建了一个深度学习模型，可实现通过教师的言语行为和学生的生理信息来预测学生的心理状态，其具有较高的准确性且能实时支持教学（Tawatsuji et al.，2018）。
文章来源：《教育研究与实验》 网址: http://www.jyyjysyzz.cn/qikandaodu/2021/0207/676.html