腦機接口的智能化課堂教學應用研究

王朋利 柯清超 張潔琪

(華南師范大學 教育信息技術學院，廣東廣州 510631)

智能化課堂多通過學習終端實現課堂交互與學習結果反饋。但基于學習終端的課堂交互多表現在對教學內容的信息化呈現，智能化課堂生成的學習行為、學習結果等顯性數據難以形成有效的教學信息，無法指導教學活動的開展。Pad教學的顯性數據要發揮更大的價值，關鍵在于結合學生內在隱性數據開展綜合分析，尊重學生的個體差異。近年，學生內隱數據的挖掘逐漸受到重視，如實現學生學習過程的情感分析(薛耀鋒等，2018；黃昌勤等，2018)、人格特質識別(趙宏等，2019)、學習習慣分析(武法提等，2019)等，但當前的研究多基于在線學習場景，學生課堂中的內隱數據挖掘研究較少。應用腦機接口技術(Brain-computer Interface，簡稱BCI)測量學生內隱數據具有十分廣闊的空間，包括測量學生學習狀態、注意力水平、認知負荷、學習風格等(姜雷等，2018；陳穎博等，2019；任巖等，2019；柯清超等，2019；馬諧等，2019)，如何利用學生學習過程的隱性數據，開展智能化課堂教學實踐是當前亟待解決的問題。

一、 腦機接口課堂應用模型

智能化課堂需要以技術支持的教育測量為依托，建立豐富和深層次的認知和學習模型，促進學生提升復雜任務解決能力和實現個性化學習(Bennett ，2018)。本文構建了以腦機接口學習測評和平板電腦教學為基礎的智能化課堂教學應用模型。平板電腦實現師生課堂互動、外顯學習狀態測量，腦機接口技術實現內隱要素測量。

(一) 腦機接口技術支持教與學風格匹配

將教師教學風格與學生學習風格匹配，能有效提高學生的學習成績、學習動機、課堂滿意度(Dunn et al.，1979；Felder，1993；Miller，2001)。多米諾(Domino，1970)、奈米(Naimie et al.，2010)等驗證了通過教學風格匹配提高課堂效果的有效性。基于腦機接口技術構建教師教學風格與學生學習風格的匹配模型具有可行性，已有研究較好地實現了學習風格分類(Paola-J et al.，2014；Rashid et al.，2011；Qureshi et al.，2017)。

圖1 基于腦機接口的智能化課堂教學應用模型

(二)腦機接口技術創新課堂教學效果評價

腦機接口技術為課堂教學評價提供了全新的途徑。利用腦機接口評價學習效果是個動態深化的過程，評價方法不斷從片面到全面，由外在功能觸及內在本質。一方面，腦機接口可以評價學生個體的腦區活動狀態，根據學生學習活動相應腦區的活動狀態評價學習效果(Baker et al.，2018)，判斷學生是否處于學習狀態(Davelaar et al.，2018)。另一方面，腦機接口技術可以根據學習者群體的腦活動同步情況評價教學效果，評判教師組織教學和指導學生課堂學習過程有無進步(Bennett ，2016)，如根據學生和教師神經活動的同步性預測學生的學習結果(Davidesco et al.，2019；Bevilacqua et al.，2018)，判斷小組互動的實際狀態(Dikker et al.，2017)。

(三)腦機接口技術改善課堂教學策略

腦機接口能深入課堂內部，解決課堂教學和教研方法缺乏細粒度的感知工具和方法的問題，降低教學和教研難度。將腦機接口技術“嵌入”教學活動，可探究腦電指標與觀測指標間的關系(陳禎禎等，2017)，通過測量特定教學活動學生的腦電信號能幫助教師發現學生課堂學習的真正挑戰。腦信號測量也可以作為學習資源設計的參考指標，根據不同教學材料對學生持續注意、情感、認知負荷和學習表現的影響(Chen et al.，2015)，預測學習效果或優化學習材料設計。

(四)腦機接口技術促進學生課后學習補救

教育信息化2.0時代的教育資源是教育內容載體與教學過程大數據的融合(柯清超，2018)。基于腦機接口技術和平板電腦教學實現學習者認知狀態數據和課堂教學過程數據等多模態數據的融合應用(Babu ，2018)，可提升數字教育資源、學習路徑(胡航等，2019)和學習伙伴推薦的準確率，提高學習者的學習參與度(Huang et al..，2014)，使學習者的工作負荷保持最佳水平(Spüler et al.，2017)。

二、 研究設計

便攜式可穿戴腦機接口設備的研發和商業化使腦機接口技術的課堂教學大規模應用成為可能。本文采用可穿戴腦電波測量設備測評學生課堂學習的注意力，該設備采用的智能算法可快速完成佩戴用戶的腦電極值區間檢測，將所有用戶的專注力數據統一用0-100的區間值量化顯示，為不同腦電活動的用戶提供統一的測評標準。

(一) 基于腦電分析的學習風格識別實驗

本實驗探究基于腦電分析的學習者學習風格識別，以學生學習不同風格教學材料的腦電數據為基礎實現相同學習風格的學生聚類。實驗的開展需要厘清兩個問題：一，哪種學習風格分類方法有較強的實用性且能夠被測量？學習風格能夠反映學習者個體特征及收集、組織和思考信息的方式(Riding et al.，2002)。弗萊明(Fleming et al.，1992)提出的VARK學習風格模式就是基于反映學習者知覺偏好出發的，該模式關注學習者接收和發出信息的不同方式，將學習信息分為視覺、讀寫、聽覺以及動覺四類。本實驗采用VARK知覺學習風格劃分方法設計實驗材料。二，基于腦電信號的注意力能否用于反映個體內在行為表征？基于腦電特征在線監測注意力有很高價值(Jonatha et al.，2017)，注意力信號作為腦電信號的衍生，有較強的時間序列特性及非線性特征，難以直接計算分析，一般采用時域分析及非線性動力學分析方法(王海玉等，2018)。本實驗認為注意力可作為識別學習者學習風格類型的關鍵依據，能依據學習者的視覺、讀寫、聽覺和動覺等四類知覺材料的注意力特征變化，挖掘其內在關系，實現學習者聚類。

圖2 基于腦電分析的學習風格識別實驗過程

本實驗組間變量為視覺、聽覺、讀寫和動覺，組內變量為四種實驗處理條件，因變量為腦機接口穿戴設備采集的實驗對象完成不同知覺實驗任務(視覺、聽覺、讀寫及操作)時的注意力特征值。為選取合適的注意力特征，本實驗先進行組間及組內的注意力特征值差異性檢驗，挑選構建學習風格識別模型的注意力特征因素，然后構建基于腦機接口穿戴設備采集的注意力特征值識別模型，驗證其與量表分類結果的一致性。實驗分兩輪：第一輪檢驗基于組間和組內變量的注意力特征值差異性，第二輪檢驗基于注意力特征值的學習風格識別模型分類結果與量表分類結果的一致性。

(二) 基于腦電分析的課堂教學改進實驗

實驗探究通過腦電信號的學生注意力特征判斷課堂教學效果、改善課堂教學策略的實現方法。實驗圍繞兩個問題展開：一，如何通過觀察基于腦電信號的注意力變量發現課堂教學策略存在的問題？可穿戴腦機接口設備可以自動記錄學生注意力值，自動生成注意力結果特征，包括學生個體注意力水平隨時間變化情況、班級整體注意力水平隨時間變化情況以及注意力持續、轉移、同步情況等學生注意力品質。本文嘗試對比分析個體和班級的注意力特征及不同注意力水平學生的課堂表現，發現課堂教學存在的問題。二，如何根據基于腦電信號的注意力特征改進教學策略？只有將基于腦機接口的測量嵌入教學活動，才能夠提出教學策略改善的有效措施。因此，實驗將注意力測評數據與同一時間序列的教學活動類型進行匹配分析，探究常態課中不同教學活動的注意力情況。實驗過程由一名研究人員根據課堂觀察并在軟件界面記錄課堂教學活動類型，記錄實驗班級不同教學活動的注意力情況。為保障教學類型記錄的準確性，另一名研究人員課后根據教學錄像視頻查驗教學活動類型。

三、 基于腦電分析的學習風格識別

學習風格作為反映學習者接收和處理信息的特征優勢和偏好，一定程度上決定著內容側重點、教學方法選擇、學習深度和進度。實驗以基于腦機接口穿戴設備采集的注意力特征為關鍵依據，檢驗基于時域特征(均值、眾數、方差、標準差)及非線性動力學特征(熵、樣本熵)的注意力特征差異性，選取合適的注意力特征組合搭建基于SVM機器學習算法的學習風格識別模型，驗證與量表分類結果的一致性。

(一) 實驗對象與實施過程

1.實驗對象

該實驗從廣州市某小學四至六年級隨機抽取240名學生。實驗先通過VARK知覺學習風格量表測試學生的學習風格，收到有效問卷213份。為保證四種類型的學習者參與人數相同，本實驗最終確定視覺型組、聽覺型組、讀寫型組及動覺型組各42人，共168人。

2.實驗工具

1)學習風格量表

弗萊明及其團隊編制的知覺學習風格偏好量表共16題，能有效識別學習者的學習風格偏好(Walter et al.，2010；Guo，2009)，實驗要求從三到四種可能采取的行動中選取一或多種行動，每種行動對應一種VARK學習風格偏好。

2)學習風格知覺材料

實驗利用E-prime心理學程序設計知覺材料。為減少實驗組的認知差異，實驗材料內容選自小學低年級語文與數學知識點(如靜夜思、三角形)，每個知識點均包含視覺、聽覺、讀寫和操作等四類實驗任務材料，且不同知覺類型的實驗材料被平均分配到8個實驗任務組。為避免材料類型呈現順序帶來的學習者認知偏差，實驗將目標材料與過濾材料交叉呈現，即間隔輪替呈現實驗任務和刺激。所有實驗對象被隨機分入6個組，每組各有四種不同學習風格的實驗對象7人，6個組分別接受不同順序的8種實驗任務。

3.數據收集

實驗在學校電腦室進行，實驗對象坐在計算機前50厘米處。實驗開始前，6組實驗對象調試好可穿戴腦電波測量設備，雙眼平視屏幕中心。為排除情緒等干擾因素，保證實驗數據的連續采集，實驗開始前，實驗對象需靜默冥想五分鐘，然后閱讀實驗指導語，依次完成8種實驗任務，每兩種實驗任務間隔時間為5000毫秒。可穿戴腦電波設備每隔1000毫秒采集一次注意力數據，針對每個實驗對象采集的注意力數據在960個時間點左右，剔除無效數據間隔，有效數據在600個時間點左右。

(二) 數據處理與分析

1.基于組間變量和組內變量的注意力特征值差異性檢驗

本研究對基于腦機穿戴設備采集的視覺型、聽覺型、讀寫型和動覺型四組數據集進行處理后，在檢驗群體參加八種實驗任務的平均值、平均眾數、平均方差、平均樣本熵等注意力特征值的差異性中，選出能區分學習風格的最優特征因素。四組實驗對象在八類任務中的注意力特征值見表一，表中呈現的注意力特征值均為平均值。

組間差異性檢驗結果顯示，不同VARK學習風格類型的學習者完成同一種知覺實驗任務時，注意力特征值(均值、方差及樣本熵)的P值均小于或等于0.05，其余特征值(眾數、標準差、熵)的P值大于0.05。組內差異性檢驗結果顯示，同一學習風格類型的學習者完成不同知覺實驗任務時，注意力特征值(均值、方差、熵及樣本熵)的P值均小于0.05，具有顯著性差異，其余特征值(眾數、標準差)的P值均大于0.05。學習風格識別模型應選取均值、方差及樣本熵的注意力特征值作為組合特征值識別學習風格表現差異。

2.基于注意力特征值的學習風格識別模型分類結果與量表分類結果一致性檢驗

SVM算法適用于分析非線性和高維樣本，被廣泛應用于生理信號的識別研究(Metha et al.，2008)。本實驗通過SVM算法構建認知風格類型的算法模型，模型自變量包括均值、方差、樣本熵等注意力特征參數。依據注意力信號的顯著非線性特征，實驗使用解決分類問題的c-SVC算法、非線性的高斯徑向基和函數(RBF)、OVO分類方法及K-Fold(K=3)交叉驗證方法構建算法，限定懲罰參數 C∈[1,1000]，Gamma∈(0,1〗進行調優。本研究以注意力特征組合(均值、方差、樣本熵)構建的SVM分類器(c-SVC算法，RBF和函數，OVO分類方法，C=1000，Gamma=0.06)進行學習者學習風格偏好分析(見表一)，平均識別率為75.8%，單次最高正確率為83.3%，識別結果與基于量表的識別結果一致性較高，分類結果優于其他參數搭配結果。

(三)學習風格識別及智能分班的應用

本實驗探討基于腦電信號分析的注意力特征識別學習的風格方法。差異性檢驗及一致性檢驗結果表明，以均值、方差及樣本熵的特征組合作為自變量參數，通過機器學習SVM算法識別的學習風格分類結果，與量表的分類結果一致性較高。該方法能幫助教師與學習者在正式課堂學習前充分了解學習者的學習風格偏好，實現同一學習風格類型的學習者聚類，為基于師生風格的智能分班、課中學習教學策略設計及資源推送提供依據。

表一 四組實驗對象完成八種任務的注意力特征值

基于腦電信號的分類結果表明，在同類知覺實驗任務中，對應風格類型的學習者注意力集中程度和平穩度明顯優于其他三類風格的學習者，而在不同知覺實驗任務中，學習者在對應的風格類型的實驗任務中注意力集中程度和平穩度明顯優于其在其他三類實驗任務的表現。可見，學習者對教學知識點的集中程度和平穩度與其材料知覺形式有關，以風格偏好依據設計教學內容及策略是提升學習效果的重要方法。

四、 基于腦電分析的課堂教學改進

課堂教學的伴隨式數據采集與智能分析是應用數據科學解決課堂教學問題的重要手段。腦機接口穿戴設備實時測量學生在不同場景、教學行為與教學策略情境下的注意力，將學生狀態數據通過可視化方式實時向教師呈現，有利于教師及時糾正、改善課堂教學策略。

(一) 實驗對象與實施過程

實驗對象來自廣州市兩所小學一到六年級的 427名學生。其中，一年級42人，二年級81人，三年級80人，四年級76人，五年級72人，六年級76人。實驗班級隨機產生，編號規則是：學科(C代表語文，E代表英語，M代表數學)加上對應的班級(如105班的1代表一年級，05代表五班)。

實驗學生的注意力數據由腦機接口可穿戴頭環設備自動記錄，不影響教師教學。為了減少頭環設備對學生的影響，參與實驗的學生均未被告知頭環設備的作用。因小學生活潑好動，容易導致設備脫落，部分學生的數據未被完整記錄。數據處理時剔除注意力有效記錄時長少于30分鐘且記錄過程長時間連續掉線的實驗樣本數據。

表二 SVM參數搭配調優結果

表三 傳統常態課堂的班級注意力統計

(二) 實驗數據處理與分析

1.常態課的注意力特征

學生個體的注意力最小值28，最大值60。班級平均注意力值在46-51之間，所有實驗班級的注意力平均值為48.3，班級平均注意力最小值46.24(出現在三年級語文課)，班級平均注意力最大值51(出現在一年級語文課)。

本實驗按照注意力水平對各實驗班學生分組，分高注意力組(X≧51)、中等注意力組(51>X≧46)和低注意力組(X<46)(見表三)。X為實驗工具測得的學生注意力值。分組依據源于20堂常態課注意力測量值，這20堂課的班級注意力平均值48.34。

注意力品質反映學生特定的認知特征，但學生個體的注意力持續和轉移值較分散。以班級為單位分析發現，班級注意持續平均值在61-63之間，注意轉移平均值在84-86之間。班級注意同步數據較松散，最小值55，最大值75。

2.不同教學活動的注意力

英語和語文屬于語言學習，常用的教學策略相似。為改善語言類課堂教學策略，本實驗深入課堂教學，探究語言學習課程的教學活動及不同教學活動的學生注意力差異。實驗隨機選擇四節英語課和四節語文課作為研究樣本。

樣本課例的教學活動發生頻次由多到少依次是個別提問(41次)、教師講授(26次)、班級齊讀(23次)、課堂任務(14次)、小組活動(11次)、個人朗讀(8次)、看視頻(8次)等，個別提問、教師講授、班級齊讀三類活動的頻率遠高于其他。

在不同教學活動中，班級平均注意力值均在41以上，注意力最高值出現在小組活動時(班級學生注意力平均值53)，最低值出現在課堂任務中(班級學生平均注意力值41)。從整體看，小組活動時學生的注意力水平較高；個別提問時的注意力值較穩定，且整體處于較高水平；學生看視頻材料的注意力值偏低。教師講授、班級齊讀、個人朗讀、課堂任務等活動的注意力差異值較大。

(三) 研究發現與討論

實驗測量了常態化課堂的學生注意力，發現課堂上學生注意力值普遍偏低。為進一步探究學生課堂注意力低的原因，本文分析了不同課堂教學活動的學生注意力。

表四 學生課堂學習注意持續、轉移和同步統計

圖3 八節樣本課中不同教學活動的注意力統計

1.常態課堂學生注意力偏低歸因分析

常態課堂中學生注意力普遍偏低，且學生個體注意力值差異較大。在當前注意力測量平均值的基礎上，本研究將常態課堂教學的學生注意力分高、中、低三級，中高等級注意力的學生人數較多。課堂錄像分析結果表明，高注意力組和中等注意力組的課堂表現相對較好。本研究嘗試從技術應用的角度對傳統課堂中學生注意力偏低(智慧教學班的注意力水平在61以上，傳統課堂在46-51之間)現象進行歸因后發現，樣本課例的教師信息技術應用手段較為單一，仍以教學內容的數字化呈現為主，基于技術的交互活動較少。這種教學方式和身為數字原住民(Prensky, 2001)學生的學習習慣和神經發育趨勢(Giedd，2012)不匹配，沒有給予學生及時的滿足和獎勵(Teo，2013)，不能有效調動學生參與課堂學習的積極性。因此，本研究建議加強數字技術在課堂教學中的應用，充分調動學生的互動積極性，幫助學生較快達到具身認知(鄧敏杰等，2019)。

2.注意持續和注意轉移特征歸因分析

持續注意是保障學習效果的重要指標，學習者持續關注的時間能預測其后續記憶的效果(deBettencourt et al.，2017)，但人的注意往往隨喚醒、努力和資源分配而波動。學習者課堂學習時，個體間和班級間的注意力持續水平沒有較大差異，但普遍較低。注意轉移是注意焦點在外界刺激影響下再次分配的過程，學生課堂學習的注意轉移水平較高，個體間差異較大，最低值60，最高值100。注意轉移在個體間呈顯著差異，原因可能是注意轉移可發生在視覺、聽覺等感知層面，也可發生在不同感知之間(錢謙等，2017)，而且學生對不同知覺教學材料和方式有顯著的個體偏好。因此，本研究建議加強對學生注意持續和注意轉移的神經反饋訓練。

3.不同教學活動類型與課堂注意力關聯分析

部分教學活動中學生注意力差異較大，本文嘗試從學生學習過程的個體和群體關系加以解釋。課堂教學存在學生個體行為和小組集體行為，個人朗讀、觀看視頻屬個體學習行為，學生個體學習行為的注意力差異較大。個人朗讀的注意力值較高，此時學生被賦予了更大的學習自主性，可以自定步調學習；而學生觀看視頻的注意力偏低，可能是觀看視頻本質上是被動學習，學生對學習掌控度不夠。教師個別提問、學生個別回答的注意力也較高，因為其他學生會把注意力放到回答問題的學生身上，其注意力相對穩定。當教師采用小組活動教學，學生個體學習就變成集體學習，所表達的話語和行為受小組成員的監督，從而形成緊張的氛圍。小組成員要對自己的學習行為負責，在這種無形的壓力下，小組成員的學習行為比較專注，注意力值最高。

五、 結論與反思

對學生內隱狀態的測量一直是傳統教育測量方法無法攻克的難題，腦機接口技術為測量學生內隱狀態提供了新的途徑。本文基于腦機接口的智能化課堂教學應用實驗得出以下結論：1)基于腦機接口技術能有效識別學生學習風格。以不同學習者完成視、聽、讀寫和操作學習材料時采集的注意力數據為基礎，通過SVM機器學習算法識別學習風格，平均識別率為75.8%，單次最高正確率為83.3%。2)觀察分析基于腦電信號測量的學生課堂注意力數據能發現課堂教學策略存在的問題。學生完成課堂學習任務需要投入足夠的注意，但常態課中學生注意力水平、注意持續水平普遍較低，這從側面反映了課堂教學方法單一，沒有為學生提供適當的教學刺激使其注意保持在較高值。3)分析學生參與教學活動的注意力水平有助于教師改善教學策略。學生在不同教學活動中的注意力水平差異能反映教師教學策略實施水平。學生看視頻、完成課堂練習的注意水平較低，教師要提高對此類教學活動的應用水平。同時，學生在小組活動中的注意力值較高，在教學中可以適當增加此類活動。實驗存在的不足是，實驗只比較了不同教學活動的學生注意力，沒有考慮真實課堂教學活動實施順序帶來的影響，也沒有考慮不同活動之間的相互影響。

本研究首次提出在真實課堂環境下開展基于腦機接口的教育實驗研究，深入課堂分析腦信號與課堂教學的相關性。當前，學界對神經科學的教育應用還存在爭議，支持者認為基于腦測量能夠發現學生個體的大腦差異，增強我們對學習的理解(Gabrieli，2016；Howard-Jones et al.，2016)，反對者認為需要通過行為測量而不是腦圖像測量兒童認知能力，而且難以在神經科學基礎上設計或評估新的教學方法(Bowers，2016)。本研究積極探索基于腦信號分析注意力特征值實現學習者學習風格分類，嘗試通過腦信號分析數據評價課堂教學效果，發現教學策略存在的不足，在真實課堂教學環境的探索中具有開創性。

未來，腦機接口技術的課堂應用將出現爆發式增長。腦機接口技術課堂應用的研究點可能會集中在以下方面：1)數據隱私帶來的倫理問題，主要是測量學生課堂認知狀態是否侵犯了學生隱私，學生認知數據的應用范圍如何界定等；2)學生認知與行為等多維多模態數據的融合應用：基于腦機接口的智能學習環境獲得的認知數據有一定應用價值，但要發揮更大的價值需要與其他行為數據結合，共同形成“基于腦的學習”；3)基于腦機接口的課堂教學效果評價方法創新：腦信號分析降低了教學評價的門檻，我們不僅應實現課堂教學效果的整體評價，更應該深入探究各類教學活動的內在規律，深度探究學生內部心理活動，如學生在個體提問和集體提問時的注意力差異；4)基于腦機接口的分層教學和個性化教學：教師可應用腦機接口數據改善教學方法，根據學生認知狀態提供教學反饋，并不斷改善反饋策略。