- · 《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(6)
作者:网站采编关键词:
摘要：注意力监测与训练。注意力是学习通道的“阀门”，一旦注意力开始涣散或无法集中，“阀门”也就关闭了，一切有用的知识信息也就无法被学生顺畅获取
注意力监测与训练。注意力是学习通道的“阀门”，一旦注意力开始涣散或无法集中，“阀门”也就关闭了，一切有用的知识信息也就无法被学生顺畅获取。EEG采用脑电信号作为数据源，基于复杂算法可将脑电信号转化为专注值或冥想值，从而帮助教师判断学生的注意力状态变化。基于EEG技术的注意力研究主要分为注意力训练和注意力监测两类。注意力训练常被应用于医学教育（Medical Education），如帮助存在注意力缺陷和多动障碍的儿童增强和维持注意力（Nazari et al.，2010；Steiner et al.，2011）。而注意力监测通常被用于课堂教学研究，学生的注意力数据经过监测系统实时处理并反馈给学生，以帮助他们主动调整自身注意力状态，从而实现更好的教学效果。可见，通过对特殊儿童和正常学生的注意力监测和训练来提升其学习专注度，将是未来EEG技术在教育实践和研究中最基本的应用。
学生学业情绪识别。学生的情绪特征对其学习过程和学业成绩有重要影响。由于脑电波可以直接反映出人的注意力状态，但并不能直接反映出人的羞愧、气愤、轻松、希望等情绪状态，因而通过脑电波对学生的学业情绪进行识别存在较大的技术难度。因此，若要精准识别学生的学业情绪，就需要基于人工智能技术和机器学习算法对原始脑电波数据进行特征提取。如巴尔金德·考尔（Barjinder Kaur）等让被试在观看每段2分钟的不同情绪视频时，实时记录其脑电信号，并使用支持向量机（Support Vector Machine，SVM）算法进行特征提取。研究虽然证明了从脑电信号中识别情绪具有可行性，但其平均准确率也只达到60%（Kaur et al.，2018）。可见，除了需要不断优化脑电波信号采集的精度并降低噪声之外，还需要通过引入先进的机器学习算法来扩展情绪识别的种类并提升其准确性，这也将是未来教育研究的必然趋势之一。
学生认知风格及水平评估。学生的认知风格和认知水平因人而异，其与人脑的α波密切相关（Riding et al.，1997）。认知风格可分为场依存型或场独立型、冲动型或沉思型等不同类型，不同认知风格的学习者在处理信息时使用的大脑区域和处理方式也存在差异。在以往的教育研究与实践中，通常采用问卷调查的方式了解和评估学生的认知风格。而基于EEG数据判断学生的认知风格和认知水平是一种更为可靠的途径。例如，克里斯蒂娜·法玛基（Cristina Farmaki）等利用EEG双稳态感知处理（EEG-Based Bistable Perception Processing）方法实现了对场依存和场独立两类被试的区分和评估（Farmaki et al.，2019）。钟熙权（Joo-Hee Kwon）等利用EEG技术对不同工作量下的认知负荷评估进行了初步研究（Kwon et al.，2018）。可以看出，基于EEG技术的学生认知风格及水平评估在实现个性化教学和适应性学习方面具有重要的应用和研究价值，值得教育研究者关注。
学生学习投入度测量。伊拉里亚·特伦吉（Ilaria Terrenghi）等指出高辍学率与学生的学习投入度普遍较低有关，如何精确地测量学生的学习投入度，可能是促进他们学习和降低辍学率的有效途径（Terrenghi et al.，2019）。在传统教育研究中，对学生学习投入度的测量常采用问卷调查、有声思维（Thinking Aloud）等方法，对行为投入（Behavioral Engagement）、认知投入（Cognitive Engagement）和情感投入（Emotional Engagement）等维度进行分类测量，但测量结果具有一定的主观性（Fredricks et al.，2004）。而EEG技术在学生学习投入测量中的应用，可使得测量结果更为客观和精准，因而其也开始被越来越多的教育研究者所关注和使用。
教师教学质量评估。当前对教师的教学质量评估多基于学生成绩和学生评教数据。事实上，教学活动中的师生是相互影响的，学生的状态变化能够客观体现教师的教学水平。如何通过EEG技术采集并分析师生在教与学过程中的脑电波数据，进而改善教学活动中的师生互动，并对教师的教学质量进行评估，此类研究近年来受到教育研究者的关注。例如，有研究发现教师的言语行为、学习者的生理和心理状态是存在相互作用的（Takehana et al.，2016）。然而，由于教育伦理、隐私安全和技术局限等问题，EEG技术在教学质量评估中的常态化应用还需较长时间，但其仍将是教师发展领域的研究焦点。
2.优化EEG数据采集以提高实验可靠性
受制于技术局限和教育伦理，当前EEG技术尚未被常态化应用于真实课堂，而更多被研究者应用于教育实验。通过对突现关键词“Controlled Study” “EEG Signal” “Learning Algorithm”“Event Related Potential”“Brain Wave”“Brain Activity”“Activation”“Prefrontal Cortex”“Neuroimaging”相关文献的分析后发现，从多角度对脑电波信号的采集进行优化以提高数据的精确度，能够更好地为对照研究（Controlled Study）等形式的教育实验提供支持。
文章来源：《教育研究与实验》 网址: http://www.jyyjysyzz.cn/qikandaodu/2021/0207/676.html