腦電圖技術的教育研究圖景與趨勢

鄭旭東　馬云飛

摘要：腦電波能反映個體在知覺認知、情緒情感、行為技能上的變化，因而用于對其進行監(jiān)測和記錄的腦電圖技術在教育研究中極具價值。分析1154篇國際研究文獻的共被引聚類時間線圖譜后發(fā)現(xiàn)，除用以實現(xiàn)腦機接口外，腦電圖技術主要被用于識別學生在學習活動中的情感和情緒，輔助學生自主調節(jié)大腦活動，監(jiān)測動作技能的習得過程及狀態(tài)，預測和干預學生的學習狀況，評估學習專注程度和學習深度，監(jiān)控注意力以促進聯(lián)想學習。國家（地區(qū)）分布圖譜顯示，美中兩國對該研究領域的貢獻相對較大，其余國家（地區(qū)）的文獻分布較為分散。突現(xiàn)詞分析結果表明，基于腦電圖技術的教育研究呈現(xiàn)出三大趨勢：一是運用該技術對學生的認知風格、學習投入和教師的教學質量等進行評估和預測，二是對教育實驗中自發(fā)性腦電波和事件相關電位等腦電波信號的采集精度進行優(yōu)化，三是將腦電圖與人工智能、虛擬現(xiàn)實、眼動追蹤等技術結合開展教育科學研究。面向未來，學界還需繼續(xù)探究如何將相關研究發(fā)現(xiàn)轉化為教學應用，消減倫理障礙對腦電圖技術應用于教育領域的掣肘，進而完善教育神經(jīng)科學研究體系。

關鍵詞：腦電圖技術;腦電波;腦機接口;教育研究;知識圖譜;可視化分析

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2020）04-0036-12? doi10.3969/j.issn.1009-5195.2020.04.005

*基金項目：教育部人文社會科學研究青年基金項目“具身認知視角下的混合現(xiàn)實學習環(huán)境構建及應用研究”（20YJC880131）。

作者簡介：鄭旭東，博士，講師，江蘇師范大學智慧教育學院（江蘇徐州 221116）;馬云飛，碩士研究生，江蘇師范大學智慧教育學院（江蘇徐州 221116）。

自美國實施“腦的十年”（1990-2000年）全國性腦科學計劃以來（Jones et al.，1999），一些國際性組織和國家紛紛響應并實施了一系列的腦科學計劃，這使得關于腦神經(jīng)及其認知功能的研究得到了巨大發(fā)展，也讓許多與此相關的新興研究方法和技術日益受到關注，能監(jiān)測和記錄大腦生物電波的腦電圖（Electroencephalogram，EEG）技術便是其中的典型代表。研究發(fā)現(xiàn)，人類在思考過程中的不同腦部活動會引發(fā)不同的腦電波，根據(jù)其波長由大到小可分為δ波（Delta Waves）、θ波（Theta Waves）、α波（Alpha Waves）和β波（Beta Waves）（Spector et al.，2014）。值得關注的是，通過對不同腦電波的測量可以了解人在學習過程中的腦部活動，如θ波和α波振蕩預示著有效的長期記憶編碼（Khader et al.，2010）。因此，對腦電波的監(jiān)測和分析能解釋個體在知覺認知、情緒情感、行為技能上的變化，這使得EEG技術成為開展教育研究的重要手段。本研究基于近20年來Web of Science（WoS）和Scopus兩大數(shù)據(jù)庫中的相關文獻，運用CiteSpace對EEG技術在教育研究中應用的現(xiàn)狀與趨勢進行可視化分析，以期為我國當前倡導的教育實證研究提供范式和方法層面上的借鑒與參考。

一、研究方法

1.研究工具

基于科學知識圖譜的可視化分析能夠呈現(xiàn)某研究領域的知識結構、發(fā)展動態(tài)、趨勢規(guī)律和主題分布。CiteSpace是當前國際上認可度較高的科學知識圖譜分析軟件，其能夠將某一知識領域的演進歷程集中在引文網(wǎng)絡圖譜中展現(xiàn)，并把圖譜中作為知識基礎的引文節(jié)點文獻和共引聚類所表征的研究前沿自動標識出來（陳悅等，2015），因而該軟件常被用于分析和呈現(xiàn)特定研究領域發(fā)展的新趨勢和新動態(tài)。本研究利用CiteSpace的文獻共被引、突現(xiàn)詞探測等功能，對應用EEG技術開展教育研究的文獻進行可視化分析，以揭示該主題的國際研究現(xiàn)狀與發(fā)展趨勢。

2.數(shù)據(jù)采集

從文獻的專業(yè)性來看，依據(jù)布拉德福定律（Bradfords Law），核心區(qū)的文獻更為權威，其參考價值更高。為此，本研究選擇美國科學信息研究所（Institute for Scientific Information）的WoS核心數(shù)據(jù)庫和荷蘭愛思唯爾（Elsevier）公司的Scopus數(shù)據(jù)庫作為文獻來源：前者是國際上權威的科學技術文獻索引工具，能夠提供科技領域最重要的研究成果;后者是世界最大的摘要和引文數(shù)據(jù)庫，涵蓋了最廣泛的科技和醫(yī)學文獻。需要特別指出的是，相較于其他數(shù)據(jù)庫，WoS和Scopus的文獻數(shù)據(jù)結構最為完整，能較好支持本研究的相關可視化分析。此外，由于CiteSpace是以WoS數(shù)據(jù)為基礎，因而從Scopus收集到的文獻數(shù)據(jù)需轉換為WoS的數(shù)據(jù)格式。

本研究以“腦電圖”（EEG或Electroencephalogram）與“教育”（Education）、“教學”（Teaching）、“學習”（Learning）為主要主題詞①，將時間跨度設置為2000-2019年，于2019年11月8日在WoS和Scopus數(shù)據(jù)庫中進行數(shù)據(jù)檢索后共獲得1535篇文獻（其中WoS為872篇， Scopus為663篇）。為避免文獻重復，將文獻題錄數(shù)據(jù)導入CiteSpace后，利用數(shù)據(jù)去重功能進行處理，并通過人工確認方式刪除無效數(shù)據(jù)后，共得到有效文獻數(shù)據(jù)1154條。研究文獻數(shù)量隨年份變化的趨勢如圖1所示，可以看出，應用EEG技術開展教育研究的文獻自2010年以來呈現(xiàn)連年增加的趨勢，近幾年更是呈現(xiàn)出增速加快的趨勢，這表明相關研究日益受到學界的關注。

二、EEG技術在教育研究中的應用現(xiàn)狀

1.研究主題

文獻共被引分析是CiteSpace最重要的功能，其形成的可視化網(wǎng)絡聚類結構可以幫助研究者通過圖譜中的關鍵節(jié)點、聚類及色彩來分析某個研究主題的演變（陳悅等，2015）。為探究EEG技術被用于教育研究的現(xiàn)狀，本研究利用CiteSpace進行文獻共被引分析。具體方法是設置切片時長（Years per Slice）為4年，網(wǎng)絡精簡算法選擇Pathfinder，閾值為前50個高頻詞，聚類標簽生成算法選擇LLR，所生成的聚類圖譜包含節(jié)點200個、連線566條。其Q值為0.7923（大于0.3），表明生成的圖譜網(wǎng)絡結構顯著;S值為0.5188（大于0.5），表明其聚類結果合理。隨后利用CiteSpace的自動選擇過濾功能，在隱藏較小聚類和無意義聚類后，最終獲得如圖2所示的6個主要研究主題聚類：情緒識別（Emotion Recognition）、大腦的自我調節(jié)（Self-Regulating Brain）、動作技能習得（Motor Skill Acquisition）、深度學習（Deep Learning）、聯(lián)想學習（Associative Learning）和腦機接口（Brain-Computer Interface）。這6個聚類基本可以展現(xiàn)過去20年EEG技術在教育研究中的應用狀況。

（1）情緒識別

從聚類分析結果可以看出，“情緒識別”主題排名第一，其聚類大小為25，Q值為0.727，說明該聚類結果具有較高的可信度。在學習過程中，學生的情緒和情感狀態(tài)會對學習效果產(chǎn)生顯著影響。在傳統(tǒng)教學活動中，教師根據(jù)教學經(jīng)驗和學生的表情、語言、動作來識別學生的情緒和情感變化，進而動態(tài)地對教學活動進行調整。然而，這種干預主要依靠教師個體的經(jīng)驗和主觀判斷，并非識別學業(yè)情緒變化的科學途徑。此外，在線教育作為一種重要的教育形式，因其具有師生分離的特性而普遍存在教師無法感知學生情緒狀態(tài)變化、難以及時給予反饋與干預等問題，極易造成學生學業(yè)情緒和情感的降低，這會對學習效果造成不良影響。為幫助教師科學、精準地評估學生的學業(yè)情緒和情感變化，基于不同行為模式（如表情、姿勢、動作、聲音）的情緒識別研究在過去10年中有所增加（Jenke et al.，2014）。但由于基于以上行為模式的情緒識別均是對人類情感和情緒的間接反映，加之學生可人為控制自身的表情、動作等行為，因而其測量結果的精準度不高。

與上述測量方式相比，EEG技術能夠直接檢測出大腦在不同情緒狀態(tài)下的動態(tài)反應，可以為情緒識別提供更加客觀、全面的信息（Zhang et al.，2016）?；贓EG技術的情緒識別研究主要通過采集與分析學生的腦電波信號，進而對學生的情感和情緒進行識別與評估。由于這一過程不受學生的主觀意識控制，所以其結果相對精確可靠。例如，畢路拯等提出了一種基于貝葉斯網(wǎng)絡的EEG多情緒狀態(tài)識別模型，研究表明利用EEG技術檢測多情緒狀態(tài)是一種科學有效的途徑（Bi et al.，2011）。桑德·科埃斯特拉（Sander Koelstra）等利用EEG技術采集被試的生理信號，提出了可分析人類情緒狀態(tài)的多模態(tài)數(shù)據(jù)集——基于生理信號的情緒分析數(shù)據(jù)庫（Database for Emotion Analysis Using Physiological Signals，DEAP）（Koelstra et al.，2011），經(jīng)改進后的DEAP 2.0已被廣泛運用于教育領域。對于存在精神障礙或情緒紊亂問題的學生而言，基于EEG技術的情緒識別在改善其學習效果方面尤為有用。例如拉賈·穆罕默德（Raja Mehmood）等借助計算機輔助教學系統(tǒng)（Computer Aided Education System，CAES）對特殊學生在學習活動中的腦電信號進行收集，并使用情緒模型識別他們的學業(yè)情緒后再反饋給CAES，這極大地改善了教師對特殊學生學習的管理（Mehmood et al.，2017）。

綜上所述，已有的諸多研究表明，基于EEG技術的情緒識別能夠對學生在學習活動中的情感和情緒進行精準、可靠地識別。但同時相關研究也指出，EEG技術只是為教師提供了一種能夠科學、精準、便利地識別學生情感和情緒的途徑，而如何有針對性地依據(jù)教育規(guī)律和相關理論對教學活動進行實時干預，才是提升教學效果的關鍵。

（2）大腦的自我調節(jié)

從聚類分析結果可以看出，“大腦的自我調節(jié)”主題排名第二，其聚類大小為23， Q值為0.792，說明該聚類結果具有較好的可信度。神經(jīng)反饋（Neurofeedback）是一種有效的自我調節(jié)方法，可為個體提供大腦特定活動及相關行為的反饋（Thibault et al.，2016）。而對大腦的自我調節(jié)能力可簡單理解為個體控制和調節(jié)各類活動行為、認知和情緒的能力。學生大腦自我調節(jié)能力的不足可能會導致其在學習過程中產(chǎn)生焦慮、緊張、恐慌、不安等負面情緒，最終造成不良學習行為和學業(yè)成績變差等問題（Heatherton et al.，2011）。雖然社會認知理論認為學習反饋會影響學生的自我調節(jié)行為（Zimmerman，1989），但許多腦神經(jīng)相關研究也表明，對神經(jīng)反饋和大腦自我調節(jié)能力的訓練，可以從腦神經(jīng)機制層面幫助個體進行更為科學和精準的自我調節(jié)。羅伯特·蒂伯特（Robert Thibault）等對比不同類型的神經(jīng)反饋成像后發(fā)現(xiàn)，與腦磁圖（Magnetoencephalography，MEG）、功能性磁共振成像（functional Magnetic Resonance Imaging，fMRI）、功能性近紅外光譜（functional Near-Infrared Spectroscopy，fNIRS）等神經(jīng)反饋成像技術相比，基于EEG技術的神經(jīng)反饋成像方式更加經(jīng)濟便捷，因而被眾多領域廣泛采用（Thibault et al.，2016）。

在教育研究領域，研究者們基于腦電波等生物信號設計反饋機制，讓學生可以通過實時的反饋信息了解學習活動過程中自身的生理狀態(tài)變化，這一神經(jīng)反饋機制被稱為腦電生物反饋（Seaward，2008）。通過腦電生物反饋技術，學生可以精準地獲知與評估自身的學習狀態(tài)，并嘗試調節(jié)自己的大腦活動（Kober et al.，2013）。以注意力調節(jié)為例，課堂教學要求學生集中和保持注意力，以獲得更好的教學效果。但由于注意力具有很強的內(nèi)隱性，學生通常難以依靠自身的感知來調節(jié)學習專注狀態(tài)，存在注意力障礙的學生則更難對注意力進行自主調節(jié)。而EEG技術可以根據(jù)腦電波特征來監(jiān)測注意力，特別是與注意力密切相關的β波（Egner et al.，2004）。當前，教育研究者們多通過基于EEG技術的注意力監(jiān)測系統(tǒng)獲取學生的注意力狀態(tài)，進而將其反饋給學生，以便他們可以動態(tài)、自主地調節(jié)學習狀態(tài)。楊曉哲等在利用EEG技術研究虛擬現(xiàn)實環(huán)境是否有助于學生的創(chuàng)造性表現(xiàn)時，使用了兩種基于腦電波狀態(tài)的反饋形式（Yang et al.，2019a）：一是“提醒反饋”，即當腦電波表明學生注意力沒有集中時給出提醒;二是“鼓勵反饋”，即當腦電波顯示學生注意力非常集中時給出鼓勵。結果表明，接受提醒反饋的受試者比接受鼓勵反饋和沒有任何反饋的受試者的創(chuàng)意產(chǎn)品質量更高。孫之元等基于EEG反饋注意力監(jiān)測系統(tǒng)開展的研究發(fā)現(xiàn)，當學生注意力下降時進行提醒反饋能顯著提高學習注意力（Sun et al.，2017）。陳志銘等開發(fā)了具有腦電波監(jiān)測功能的網(wǎng)絡閱讀注釋系統(tǒng)（Web-Based Reading Annotation System），此系統(tǒng)具有基于注意力的自我調節(jié)學習機制（Attention-Based Self-Regulated Learning Mechanism），能有效改善學生的自我調節(jié)能力，進而提高其持續(xù)注意力和英語閱讀理解能力（Chen et al.，2014）。綜上可見，就大腦的自我調節(jié)活動對學習效果的影響，已有研究的結論并不一致，但研究者們基本都認為，學生對大腦活動和學習行為的自我調節(jié)除受到反饋形式的影響外，還與學習材料、學習內(nèi)容和學習支架等密切相關，其機理仍有待開展更為深入的研究加以揭示。

（3）動作技能習得

“動作技能習得”主題在聚類分析結果中排名第三，其聚類大小為22，Q值為0.959，說明該聚類結果具有極高的可信度。正如丹尼爾·沃爾珀特（Daniel Wolpert）等所言，包括言語、手語、手勢和寫作在內(nèi)的所有交流，都是通過或基于動作系統(tǒng)發(fā)生的（Wolpert et al.，2001）。無論是在以往的工業(yè)時代還是當前的信息時代，動作技能都是教育研究的重要領域，具有極為重要的教育價值和社會意義。研究表明，當學習者進行動作技能學習時，若能夠采用有效的方式來實現(xiàn)自我監(jiān)控，就可以更為高效地整合和運用復雜技術（Berka et al.，2004）。然而，動作技能的習得具有一定內(nèi)隱性，這也使得諸如自我報告和觀察評估等傳統(tǒng)測量與評估方式難以可靠、客觀、精準地反映學生的實際學習狀態(tài)和進展。因此，利用EEG技術對動作技能的習得過程及狀態(tài)進行監(jiān)測，便成為教育研究者所采用的重要研究方法。例如，在薩維奧·王（Savio Wong）等開展的研究中，學生在參與計算機可視化運動任務（Computerized Visual-Motor Task）時，通過佩戴有獨立干電極傳感器的無線EEG系統(tǒng)（Wireless EEG System with Single Dry Sensor）收集其腦電波信號（Wong et al.，2014）。結果表明，某些腦電波信號的強度隨著動作任務熟悉度的增加而降低，該研究展現(xiàn)出不受約束的無線EEG系統(tǒng)在現(xiàn)實學習任務中監(jiān)測大腦活動的可能性。也有研究表明，可利用腦電波信號對學習者的精神狀態(tài)進行量化，以實現(xiàn)對動作技能習得結果的評估（Lim et al.，2012），進而向他們反饋學習狀態(tài)以便其進行自我調整，從而獲得更好的教學效果。此外，EEG技術也常被用于探究與動作技能習得相關的影響因素。如杰里米·里切爾（Jeremy Rietschel）為探究動作技能和注意力儲備（Attentional Reserve）間的關系，對聽覺刺激（Auditory Stimuli）誘發(fā)的腦電波信號進行采集與分析，發(fā)現(xiàn)注意力儲備隨著運動技能的習得而增加，這為心理生理學的研究與發(fā)展提供了新證據(jù)（Rietschel et al.，2014）。

動作技能習得對于體育教學和課堂教學均十分重要， EEG技術被廣泛用于這兩類教育情境中的動作技能習得研究。由于學生長時間佩戴EEG設備可能影響其正常學習，因而對EEG設備的不斷優(yōu)化也受到教育研究者的關注。如楊曉哲等基于NeuroSky腦電設備與 HTC Vive虛擬現(xiàn)實設備開發(fā)了虛擬現(xiàn)實與腦電聯(lián)動系統(tǒng)，讓用戶可以不受局限地在沉浸式場景中開展學習活動，并可實現(xiàn)對學習行為的全過程追蹤，以及對腦波數(shù)據(jù)更精準地監(jiān)測與收集（Yang et al.，2019b），從而為動作技能習得研究提供便利。相較于EEG技術在動作技能習得研究中的應用而言，將EEG技術應用于智力技能習得的研究還相對較少（Xu & Zhong et al.，2018），仍有待進行更為深入的研究。

（4）深度學習

“深度學習”主題在聚類分析結果中排名第四，其聚類大小為21，Q值為0.836，說明該聚類結果具有較高可信度。通過分析相關文獻發(fā)現(xiàn)，本聚類中所指的深度學習主要涉及機器學習和學習科學兩個領域，故下文將從這兩個不同的視角闡述EEG技術在深度學習研究中的應用。

深度學習是機器學習的重要分支，依靠多層神經(jīng)網(wǎng)絡結構模擬人腦的結構和功能。深度學習技術可用于分析學生的學習行為，即通過對學生學習過程中產(chǎn)生的大數(shù)據(jù)進行挖掘，以實現(xiàn)對學生后續(xù)學習狀況的精準預測與干預（劉勇等，2017）。在構建深度學習模型和進行學生畫像時，主要采用三種方法對不同類型的學生數(shù)據(jù)進行挖掘：一是基于在線學習數(shù)據(jù)的方法，二是基于生理和神經(jīng)傳感器數(shù)據(jù)的方法，三是基于計算機視覺數(shù)據(jù)的方法（曹曉明等，2019）。由于生理信息具有不可隱藏性，因而學生的面部表情、脈搏、血壓、腦電波等可以作為學習者建模的有效屬性（Kavitha et al.，2018），而EEG技術則是獲得腦電波數(shù)據(jù)的重要手段。例如，卡維塔（Kavitha）等基于腦電波、脈搏率、血壓、皮膚溫度等生理數(shù)據(jù)構成的數(shù)據(jù)集，利用卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）和遞歸神經(jīng)網(wǎng)絡（Recurrent Neural Networks，RNN）建立學生學習行為預測模型，以實現(xiàn)對學生認知能力的預測（Kavitha et al.，2018 ）。吉島治二（Yoshimasa Tawatsuji）等基于學生的心理狀態(tài)、生理數(shù)據(jù)（fNIRS、EEG、呼吸強度、皮膚電導率和脈搏容積等）和教師的言語行為構建了一個深度學習模型，可實現(xiàn)通過教師的言語行為和學生的生理信息來預測學生的心理狀態(tài)，其具有較高的準確性且能實時支持教學（Tawatsuji et al.，2018）。

學習科學視域下的深度學習是相對于淺層學習而言的。在美國威廉和弗洛拉·休利特基金會（The William and Flora Hewlett Foundation）的深度學習研究項目中，深度學習被認為是勝任21世紀工作和公民生活必須具備的能力，這一能力使得學生可以靈活掌握和理解學科知識，并能應用這些知識去解決課堂和未來工作中的問題，其主要包括掌握核心學科知識、批判性思維和復雜問題解決、團隊協(xié)作、有效溝通、學會學習、學習毅力等6種基本能力（Beattie et al.，1997）。研究者通常借助EEG技術來了解學生身心狀態(tài)的變化、實時評估學習專注程度和學習深度，以及驗證深度學習法、策略支架、學習內(nèi)容及教師教學技能等因素對深度學習的影響。例如，卡祖瑪·塔哈納（Kazuma Takehana）等研究了學習者的生理信息與其心理狀態(tài)間的關系，發(fā)現(xiàn)教師的言語行為、學習者的心理狀態(tài)和生理信息間具有相互作用（Takehana et al.，2016）。托馬斯·德拉亨蒂（Thomas Delahunty）等利用EEG技術收集學生在問題解決過程中的認知加工數(shù)據(jù)，為分析學生在應用推理過程中對問題的認知表征提供了豐富的證據(jù)（Delahunty et al.，2018）。值得關注的是，注意力缺陷和多動癥是影響兒童開展深度學習的主要生理障礙，為此，亞當·克拉克（Adam Clarke）等采用EEG技術對同時存在注意力缺陷和閱讀障礙的兒童的腦電波進行分析（Clarke et al.，2002）。此外，也有研究者針對深度學習的發(fā)生規(guī)律展開研究，如通過EEG技術構建與深度學習發(fā)生機制相耦合的多模態(tài)指標體系（劉哲雨等，2018）。通過對該聚類中相關研究的分析可以發(fā)現(xiàn)，利用EEG技術開展與學生深度學習相關的研究仍相對較少，如何利用EEG技術幫助學生提升深度學習能力，仍值得教育研究者不斷探索。

（5）聯(lián)想學習

“聯(lián)想學習”主題在聚類分析結果中排名第五，其聚類大小為20，Q值為0.893，該聚類結果具有較高可信度。聯(lián)想學習是指由兩種及兩種以上刺激所引起的腦內(nèi)兩個以上中樞興奮之間，因引發(fā)聯(lián)結而發(fā)生的學習過程。由此可知，聯(lián)想學習中最重要的是刺激物的選擇，如通過正念冥想、音樂刺激等方法能增強某一頻段波的頻譜能量，從而改善學生在學習過程中的表現(xiàn)。學生對刺激的反饋一般采用自我報告的形式，但這種反饋形式缺乏有效性（Meade et al.，1992），因此，EEG技術可作為學習環(huán)境中的一種刺激反饋形式來測量聯(lián)想學習。例如，沃爾夫岡·米爾特納（Wolfgang Miltner）等利用EEG技術發(fā)現(xiàn)γ波（20～70 Hz）對聯(lián)想學習具有一定影響（Miltner et al.，1999）。翟雪松等認為，基于EEG技術的生物反饋刺激是評估學生學習行為的有效過程性測量方式（Zhai et al.，2018）。此外，聯(lián)想學習與學生的注意力和專注度也有密切關系。注意力被認為是人類認知和知覺的核心功能（Ordikhani-Seyedlar et al.，2016），保持良好的注意力是大腦發(fā)生感知、記憶、思維等認識活動的基本條件，但學生卻很難感知到自身在學習過程中的注意力變化。當學生通過聯(lián)想方式來認識客觀事物，但卻不能及時感知和調節(jié)注意力時，聯(lián)想學習可能會變?yōu)椤昂紒y想”。而EEG技術對注意力的監(jiān)測和反饋功能可在聯(lián)想學習中發(fā)揮重要作用，幫助學生在學習過程中獲知自身注意力的變化，從而及時調整學習狀態(tài)。事實上，研究者們一直致力于在注意力測量方面對EEG技術進行優(yōu)化。例如，雷扎·阿比里（Reza Abiri）等基于EEG技術開發(fā)了可以對持續(xù)注意力的腦電波模式進行解碼的腦機接口系統(tǒng)，其在聯(lián)想學習中的視覺注意力評價方面具有較好的應用前景（Abiri et al.，2019）。還有研究基于對EEG數(shù)據(jù)的分析發(fā)現(xiàn)，學生的視覺注意力和聯(lián)想學習相關，且視覺顯著性、學習意圖和學習經(jīng)驗會影響聯(lián)想學習中的注意力分配（Feldmann-Wüstefeld et al.，2015）。綜上所述，聯(lián)想學習是培養(yǎng)學生學習遷移和批判創(chuàng)新能力的重要學習方式，但學生的注意力等自身因素對聯(lián)想學習效果具有顯著影響且存在很強的隱蔽性。而EEG技術在測量學生注意力方面具有優(yōu)勢，可為研究聯(lián)想學習提供可靠的測量與反饋支持。

（6）腦機接口

“腦機接口”主題在聚類分析結果中排名第六，其聚類大小為6，Q值為0.915，該聚類結果具有非常高的可信度。以EEG技術為基礎的腦機接口研究是當前教育人工智能領域的一個新興研究方向。1999年6月，在美國紐約舉行的第一屆腦機接口國際會議上，喬納森·沃爾帕（Jonathan Wolpaw）等將腦機接口定義為：一種不依賴于大腦的常規(guī)信息輸出通路（即外圍神經(jīng)和肌肉組織），在人腦和計算機或其他電子設備之間建立直接交流和控制通道的適時通訊系統(tǒng)（Wolpaw et al.，2000）。通過腦機接口，能夠實現(xiàn)人腦對機器人、虛擬環(huán)境或拼寫工具等外部設備的直接控制（Guger et al.，2001）。

基于EEG的腦機接口技術可采集更加精準的多模態(tài)數(shù)據(jù)，其與學習行為數(shù)據(jù)的結合，可對學生的學習狀況進行更為準確地建模和分析，從而為個性化學習和適應性學習提供更好的支持。例如，為促進特殊兒童的教育康復，安娜·萊科娃（Anna Lekova）等開發(fā)了基于EEG技術的便攜式腦機接口，用以采集特殊兒童參與游戲化活動的腦電波信號，進而分析他們的注意力和情緒狀態(tài)（Lekova et al.，2018）。此外，基于P300誘發(fā)電位的腦機接口系統(tǒng)還能幫助殘疾學生快速而準確地拼寫字符（Guger et al.，2009）。隨著人工智能技術和腦神經(jīng)科學的日益進步，腦機接口技術已進入快速發(fā)展階段，但其在教育領域的應用仍處于探索階段。隨著腦機接口的便攜化發(fā)展和EEG技術應用門檻的降低，其勢必對今后的教育實證研究和教育教學實踐產(chǎn)生更積極的影響。

2.研究國家（地區(qū)）及機構

為進一步分析應用EEG技術的教育研究圖景，本研究采用合作網(wǎng)絡分析從國家（地區(qū)）和研究機構兩個維度對樣本文獻進行分析。在CiteSpace中設置切片時長（Years per Slice）為1年，節(jié)點類型（Node Types）選擇國家（Country），獲得如圖3所示的國家（地區(qū)）分布圖譜。從圖3中可以看出，美國、中國、德國、英國、加拿大和日本所開展的基于EEG技術的教育研究相對較多。

對樣本文獻的研究機構進行統(tǒng)計后，發(fā)表論文數(shù)量不低于5篇的10個研究機構（大學）如表 1所示?？梢钥闯?，論文數(shù)量最多的是瑞士蘇黎世大學（14篇），其次為荷蘭拉德堡德大學（9篇）和美國加州大學圣地亞哥分校（9篇）。在這10個研究機構（大學）中，美國和中國各占3所，這與上文對文獻來源國家（地區(qū)）的統(tǒng)計結果相符。值得關注的是，表1中我國的研究機構（大學）均位于上海市，分別是上?？萍即髮W、華東師范大學和華東理工大學。進一步對這10所研究機構（大學）的相關文獻進行分析后發(fā)現(xiàn)，其研究主要集中在三個方面：一是EEG和腦機接口的技術創(chuàng)新及其在教育研究中的應用，涉及紐約大學和上海科技大學;二是EEG技術在教育教學實踐中的情景化應用，涉及華東師范大學的教育學部和心理與認知科學學院;三是從腦科學、認知神經(jīng)科學、人類行為學等視角，應用EEG技術探究人的思維、認知、學習與大腦間關系，如荷蘭拉德堡德大學的唐德斯大腦、認知及行為研究所（Donders Institute for Brain，Cognition and Behaviour）。

三、基于EEG技術的教育研究發(fā)展趨勢

通過對突現(xiàn)關鍵詞的分析可了解某一時期內(nèi)正在興起的研究主題。為把握基于EEG技術的教育研究發(fā)展趨勢，本研究進一步對1154篇樣本文獻的關鍵詞突變特征進行分析。在CiteSpace中設置切片時長（Years per Slice）為4年，節(jié)點類型（Node Types）為關鍵詞（Keyword），主題詞類型（Term Type）為突現(xiàn)詞（Burst Terms），網(wǎng)絡精簡算法為Pathfinder，運行后得到突變時間由遠及近排列的21個突現(xiàn)關鍵詞，如表2所示。通過對這21個突現(xiàn)關鍵詞的進一步分析，可將基于EEG技術的教育研究發(fā)展趨勢歸納為以下幾個方面。

1.應用EEG技術改善教學活動

在利用EEG技術采集到腦電波數(shù)據(jù)之后，可以依靠MindXP等腦電信號分析軟件對數(shù)據(jù)進行分析，從而擴展其教育功能。通過對“Medical Education”“Teaching”“Cognition” “Response” “Working Memory” “Communication” “Prediction” “Deep Learning” “Emotion Recognition”等突現(xiàn)關鍵詞對應文獻進行閱讀和分析發(fā)現(xiàn)，EEG技術由于在監(jiān)測和訓練注意力、情緒識別、預測認知狀態(tài)、測量學習投入度、評估教學績效等方面具有較大潛能和優(yōu)勢，因而其在相關研究中日益受到重視。

注意力監(jiān)測與訓練。注意力是學習通道的“閥門”，一旦注意力開始渙散或無法集中，“閥門”也就關閉了，一切有用的知識信息也就無法被學生順暢獲取。EEG采用腦電信號作為數(shù)據(jù)源，基于復雜算法可將腦電信號轉化為專注值或冥想值，從而幫助教師判斷學生的注意力狀態(tài)變化?；贓EG技術的注意力研究主要分為注意力訓練和注意力監(jiān)測兩類。注意力訓練常被應用于醫(yī)學教育（Medical Education），如幫助存在注意力缺陷和多動障礙的兒童增強和維持注意力（Nazari et al.，2010;Steiner et al.，2011）。而注意力監(jiān)測通常被用于課堂教學研究，學生的注意力數(shù)據(jù)經(jīng)過監(jiān)測系統(tǒng)實時處理并反饋給學生，以幫助他們主動調整自身注意力狀態(tài)，從而實現(xiàn)更好的教學效果?？梢?，通過對特殊兒童和正常學生的注意力監(jiān)測和訓練來提升其學習專注度，將是未來EEG技術在教育實踐和研究中最基本的應用。

學生學業(yè)情緒識別。學生的情緒特征對其學習過程和學業(yè)成績有重要影響。由于腦電波可以直接反映出人的注意力狀態(tài)，但并不能直接反映出人的羞愧、氣憤、輕松、希望等情緒狀態(tài)，因而通過腦電波對學生的學業(yè)情緒進行識別存在較大的技術難度。因此，若要精準識別學生的學業(yè)情緒，就需要基于人工智能技術和機器學習算法對原始腦電波數(shù)據(jù)進行特征提取。如巴爾金德·考爾（Barjinder Kaur）等讓被試在觀看每段2分鐘的不同情緒視頻時，實時記錄其腦電信號，并使用支持向量機（Support Vector Machine，SVM）算法進行特征提取。研究雖然證明了從腦電信號中識別情緒具有可行性，但其平均準確率也只達到60%（Kaur et al.，2018）?？梢?，除了需要不斷優(yōu)化腦電波信號采集的精度并降低噪聲之外，還需要通過引入先進的機器學習算法來擴展情緒識別的種類并提升其準確性，這也將是未來教育研究的必然趨勢之一。

學生認知風格及水平評估。學生的認知風格和認知水平因人而異，其與人腦的α波密切相關（Riding et al.，1997）。認知風格可分為場依存型或場獨立型、沖動型或沉思型等不同類型，不同認知風格的學習者在處理信息時使用的大腦區(qū)域和處理方式也存在差異。在以往的教育研究與實踐中，通常采用問卷調查的方式了解和評估學生的認知風格。而基于EEG數(shù)據(jù)判斷學生的認知風格和認知水平是一種更為可靠的途徑。例如，克里斯蒂娜·法瑪基（Cristina Farmaki）等利用EEG雙穩(wěn)態(tài)感知處理（EEG-Based Bistable Perception Processing）方法實現(xiàn)了對場依存和場獨立兩類被試的區(qū)分和評估（Farmaki et al.，2019）。鐘熙權（Joo-Hee Kwon）等利用EEG技術對不同工作量下的認知負荷評估進行了初步研究（Kwon et al.，2018）?？梢钥闯?，基于EEG技術的學生認知風格及水平評估在實現(xiàn)個性化教學和適應性學習方面具有重要的應用和研究價值，值得教育研究者關注。

學生學習投入度測量。伊拉里亞·特倫吉（Ilaria Terrenghi）等指出高輟學率與學生的學習投入度普遍較低有關，如何精確地測量學生的學習投入度，可能是促進他們學習和降低輟學率的有效途徑（Terrenghi et al.，2019）。在傳統(tǒng)教育研究中，對學生學習投入度的測量常采用問卷調查、有聲思維（Thinking Aloud）等方法，對行為投入（Behavioral Engagement）、認知投入（Cognitive Engagement）和情感投入（Emotional Engagement）等維度進行分類測量，但測量結果具有一定的主觀性（Fredricks et al.，2004）。而EEG技術在學生學習投入測量中的應用，可使得測量結果更為客觀和精準，因而其也開始被越來越多的教育研究者所關注和使用。

教師教學質量評估。當前對教師的教學質量評估多基于學生成績和學生評教數(shù)據(jù)。事實上，教學活動中的師生是相互影響的，學生的狀態(tài)變化能夠客觀體現(xiàn)教師的教學水平。如何通過EEG技術采集并分析師生在教與學過程中的腦電波數(shù)據(jù)，進而改善教學活動中的師生互動，并對教師的教學質量進行評估，此類研究近年來受到教育研究者的關注。例如，有研究發(fā)現(xiàn)教師的言語行為、學習者的生理和心理狀態(tài)是存在相互作用的（Takehana et al.，2016）。然而，由于教育倫理、隱私安全和技術局限等問題，EEG技術在教學質量評估中的常態(tài)化應用還需較長時間，但其仍將是教師發(fā)展領域的研究焦點。

2.優(yōu)化EEG數(shù)據(jù)采集以提高實驗可靠性

受制于技術局限和教育倫理，當前EEG技術尚未被常態(tài)化應用于真實課堂，而更多被研究者應用于教育實驗。通過對突現(xiàn)關鍵詞“Controlled Study”“EEG Signal”“Learning Algorithm”“Event Related Potential”“Brain Wave”“Brain Activity”“Activation”“Prefrontal Cortex”“Neuroimaging”相關文獻的分析后發(fā)現(xiàn)，從多角度對腦電波信號的采集進行優(yōu)化以提高數(shù)據(jù)的精確度，能夠更好地為對照研究（Controlled Study）等形式的教育實驗提供支持。

腦電波信號的來源主要有兩類：一是大腦在思維活動過程中產(chǎn)生的自發(fā)性腦電波;二是外界刺激（如音樂）或事件操作所引發(fā)的大腦皮層神經(jīng)電活動，即誘發(fā)電位或事件相關電位。在對照實驗中，研究者多通過分析學生學習過程中這兩種腦電波的差異，來評估教學干預對學習效果的影響。值得注意的是，改進腦電波信號的采集、處理和分析方法，以及借助神經(jīng)影像學（Neuroimaging）的理論和方法，將是未來提升基于EEG數(shù)據(jù)的教育實驗可靠性的有效途徑。如克里斯托夫·古格（Christoph Guger）等為幫助重度殘疾人交流，利用基于P300誘發(fā)電位優(yōu)化的腦機接口，向100多名殘疾人同時提供字符拼寫服務（Guger et al.，2009）。然而，當前教育實驗中所使用的EEG數(shù)據(jù)采集方法仍十分復雜，如何更加簡便、高效、實時且準確地對腦電波數(shù)據(jù)進行采集與處理，將是未來的研究熱點。

3.EEG與新技術的融合賦能教育研究

技術融合創(chuàng)新是推動教育變革的重要力量?；趯ν滑F(xiàn)關鍵詞和相關文獻的分析發(fā)現(xiàn)，EEG與人工智能和虛擬現(xiàn)實技術的融合應用最為常見，且被越來越多的教育研究者所關注。

與人工智能技術的融合。隨著人工智能技術的發(fā)展及其在教育領域的應用，個性化教學和適應性學習將成為常態(tài)。近年來，EEG技術也被用于智能化教學平臺的構建，以實現(xiàn)對教學過程中多模態(tài)數(shù)據(jù)的采集。進而，可以通過機器學習和大數(shù)據(jù)分析技術，對學生的外在學習行為和內(nèi)在認知活動進行綜合建模分析，從而為學生的個性化學習和自我調節(jié)提供及時反饋，或是通過自適應推薦系統(tǒng)為其精準推送學習資源，以滿足學生的個性化學習需求。例如，徐濤等利用基于EEG的學習情緒識別技術對現(xiàn)有的智能輔導系統(tǒng)進行改進（Xu & zhou et al.，2018b）。值得注意的是，在基于EEG數(shù)據(jù)的便捷化分析、學習模式與理論構建、情景化應用等方面仍有待突破。

與虛擬現(xiàn)實技術的融合。虛擬現(xiàn)實技術具有沉浸性、想象性和交互性等特點，其與EEG技術的結合能夠使個體處于沉浸式環(huán)境中，避免外界因素對其腦電波的干擾，從而提升教育實驗的準確性。例如，可基于虛擬現(xiàn)實和EEG技術研究創(chuàng)造力、創(chuàng)造行為和腦電波間的關系，從而為面向創(chuàng)造力培養(yǎng)的教學設計和學習環(huán)境創(chuàng)建提供指導（Yang et al.，2018）;在虛擬現(xiàn)實環(huán)境下對語言處理過程中的腦電生理活動進行探究（Tromp et al.，2018）。此外，“EEG+虛擬現(xiàn)實”也常被用于肢體殘疾者和面癱患者的康復訓練與教育（Calabrò et al.，2017;Qidwai et al.，2019）?？梢姡珽EG技術與虛擬現(xiàn)實技術的結合在具身認知和沉浸式教學設計研究中具有一定優(yōu)勢，將是未來開展特殊教育的重要手段。

與眼動追蹤技術的融合。需要特別指出的是，眼動追蹤（Eye Tracking）雖未出現(xiàn)在21個突現(xiàn)關鍵詞中，但將其與EEG技術結合以獲取多模態(tài)生理數(shù)據(jù)已成為教育研究的新趨勢。眼動的本質是人選擇有吸引力的信息，主動或被動地分配注意力并進行認知加工。眼動追蹤技術可測量眼睛注視點的位置和眼球相對頭部的運動軌跡，從而實現(xiàn)對眼球運動的追蹤。EEG和眼動追蹤都是基于生物反饋的重要研究技術，二者結合可實現(xiàn)對學生多模態(tài)生理數(shù)據(jù)的采集，其相互佐證可提升生物反饋數(shù)據(jù)的準確性，從而讓教師能夠更加準確地對學生的學習狀態(tài)進行評估，并更好地幫助學生對自身狀態(tài)進行調整。如翟雪松等使用眼動追蹤和EEG技術采集學生的生理信息，以探究基于生物反饋的刺激是否可以促進學生的認知（Zhai et al.，2018）。

四、結論與展望

教育研究的關鍵目標既包括發(fā)展學生的認知能力（National Research Council，2005），也包括促進教與學活動的科學實施并提升其效果。而腦神經(jīng)的功能是學生學習、教師教學和教學績效的根本（Spector et al.，2014）。因此，反映腦神經(jīng)電波的EEG技術日益成為教育研究的重要方法和手段。運用科學知識圖譜對國際上基于EEG技術的教育研究文獻進行分析，有利于我國教育研究者了解相關研究的熱點話題和發(fā)展趨勢，促進國內(nèi)教育研究實證方法的多元化發(fā)展，推動教育科學與神經(jīng)科學、計算科學的交融。通過對近20年來 WoS和Scopus兩大數(shù)據(jù)庫中的相關文獻進行分析和解讀，可得出如下兩方面的結論。

一方面，基于EEG技術的教育研究涉及情緒識別等六大主題，這些主題可與布魯姆教育目標分類系統(tǒng)中的情感、認知、動作技能三大領域相對應。首先，情緒識別屬于布魯姆教育目標分類中的情感領域。值得注意的是，在美國教育通訊與技術學會出版的《教育傳播與技術研究（第四版）》中，也對EEG技術在學習情緒情感研究中的應用進行了分析。其次，大腦的自我調節(jié)、聯(lián)想學習和深度學習屬于布魯姆教育目標分類中的認知領域。這三個研究主題既符合大腦功能在根本上影響人類學習的科學事實，也反映出EEG技術在測量大腦認知活動上的功能優(yōu)勢。再次，基于EEG技術的動作技能習得與布魯姆教育目標分類中的最后一個領域對應，其之所以受到較多的關注，是因為與特殊兒童和殘障學生的教育需求相契合。此外，腦機接口和機器學習層面的深度學習成為研究熱點，這說明研究者十分關注智能算法等技術層面的突破，其也是EEG技術能夠更加高效、精準、智能地被用于教育研究的重要推動力。

另一方面，通過對基于EEG技術的教育研究發(fā)展趨勢的分析可以看出，未來相關研究還有待在以下幾個方面取得突破。一是確立與完善教育神經(jīng)科學（Educational Neuroscience）研究體系。雖然EEG技術已被越來越多的教育研究所應用，但不容忽視的是，這些研究都相對零散，缺乏系統(tǒng)化、持續(xù)性的研究。為此，來自教育學和神經(jīng)科學等領域的研究者應注重合作并構筑相關理論框架，通過學科交叉完善和改進研究方法，進一步完善教育神經(jīng)科學研究體系。二是探究如何將“研究發(fā)現(xiàn)”轉化為“教學應用”。盡管不少研究已通過EEG技術驗證了某些教學策略的有效性，EEG技術也被證實能夠有效輔助特殊兒童的學習，但這些研究成果多是在實驗室環(huán)境或控制實驗條件下取得的。如何進一步將研究發(fā)現(xiàn)與成果推廣應用到現(xiàn)實教學情景中，還需要教育研究者和一線教師開展更多的實踐探索。三是要加強教育倫理研究。當前，EEG正逐步發(fā)展為一項能支持真實教學活動的教育技術，但同時也對教育倫理形成巨大挑戰(zhàn)。未來要將EEG技術廣泛應用于教學實踐，則亟需加強相關教育倫理研究，提升使用者的倫理素養(yǎng)，消除存在的倫理障礙。

盡管神經(jīng)科學領域在過去30年中已取得巨大進展，但其成果及方法在教育研究中的應用才剛起步。雖然有人用“神經(jīng)神話”（Neuromyths）來形容神經(jīng)科學對學習與教育的影響被過分夸大，但不可否認的是，研究學習過程中的腦神經(jīng)活動及其對認知、情感和學習效果的影響，對于推進教育科學在理論和實踐層面的發(fā)展具有重要意義。如美國國家教師教育認證協(xié)會（National Council for Accreditation of Teacher Education，NCATE）就提出要把神經(jīng)科學的研究成果整合到教師培訓課程中（NCATE，2010）?？傊珽EG作為神經(jīng)科學領域的重要研究成果與技術手段，日益受到教育科學領域的關注，盡管其在實踐教學中的應用仍有諸多問題有待解決，但這并不妨礙將其用于教育研究，期望本文能為相關研究提供借鑒與參考。

注釋：

① 具體的文獻檢索條件為：TS=（“EEG” OR “Electroencephalogra*” OR “EEG Brainwave Equipment” OR “EEG Equipment” OR “EEG Sensor” OR “Brain Wave” OR “EEG Biofeedback” OR “Portable EEG Technology” OR “Brain-Computer Interface*” OR “BCI” OR “Brain-Wave*” OR “Brain Wave*” OR “Mind Wave*” OR “Headset*” OR “Brain Tumour*” OR “EEG Sensor*” OR “Brainwave Sensor*” OR “Brainwave Data” OR “Brain Wave Data”）AND TS=（“Education*” OR “Educational Eechnolog*” OR “Teach*” OR “Learn*” OR “Learning Environment*” OR “Teaching Strateg*” OR “Learning Strateg*”）。

參考文獻：

[1]曹曉明，張永和，潘萌等（2019）.人工智能視域下的學習參與度識別方法研究——基于一項多模態(tài)數(shù)據(jù)融合的深度學習實驗分析[J].遠程教育雜志，37（1）：32-44.

[2]陳悅，陳超美，劉則淵等（2015）.CiteSpace知識圖譜的方法論功能[J].科學學研究，33（2）：242-253.

[3]劉勇，李青，于翠波（2017）.深度學習技術教育應用：現(xiàn)狀和前景[J].開放教育研究，23（5）：113-120.

[4]劉哲雨，郝曉鑫，王紅等（2018）.學習科學視角下深度學習的多模態(tài)研究[J].現(xiàn)代教育技術，28（3）：12-18.

[5]Abiri， R.， Borhani， S.， & Jiang， Y. et al. （2019）. Decoding Attentional State to Faces and Scenes Using EEG Brainwaves[J]. Complexity， （2）：1-10.

[6]Beattie， V.， Collins， B.， & McInnes， B. （1997）. Deep and Surface Learning： A Simple or Simplistic Dichotomy？ [J]. Accounting Education， 6（1）：1-12.

[7]Berka， C.， Levendowski， D. J.， & Cvetinovic， M. M. et al. （2004）. Real-Time Analysis of EEG Indexes of Alertness， Cognition， and Memory Acquired with a Wireless EEG Headset[J]. International Journal of Human-Computer Interaction， 17（2）：151-170.

[8]Bi， L.， & Fan， X. （2011）. Emotion Recognition from EEG Based on Bayesian Networks[J]. Energy Procedia， （11）：278-285.

[9]Calabrò， R. S.， Naro， A.， & Russo， M. et al. （2017）. The Role of Virtual Reality in Improving Motor Performance as Revealed by EEG： A Randomized Clinical Trial[J]. Journal of Neuroengineering and Rehabilitation， 14（1）：1-16.

[10]Chen， C.， & Huang， S. （2014）. Web-Based Reading Annotation System with an Attention-Based Self-Regulated Learning Mechanism for Promoting Reading Performance[J]. British Journal of Educational Technology， 45（5）：959-980.

[11]Clarke， A. R.， Barry， R. J.， & McCarthy， R. et al. （2002）. EEG Analysis of Children with Attention-Deficit/Hyperactivity Disorder and Comorbid Reading Disabilities[J]. Journal of Learning Disabilities， 35（3）：276-285.

[25]Kober， S. E.， Witte， M.， & Ninaus， M. et al. （2013）. Learning to Modulate Ones Own Brain Activity： The Effect of Spontaneous Mental Strategies[J]. Frontiers in Human Neuroscience， 7（10）：1-11.

[26]Koelstra， S.， Muhl， C.， & Soleymani， M. et al. （2011）. DEAP： A Database for Emotion Analysis Using Physiological Signals[J]. IEEE Transactions on Affective Computing， 3（1）：18-31.

[27]Kwon， J. H.， Kim， E.， & Im， C. H. et al. （2018）. Classification of Different Cognitive Load Using Electroencephalogram（EEG）： Preliminary Study[C]// Proceedings of 2018 Joint 10th International Conference on Soft Computing and Intelligent Systems （SCIS） and 19th International Symposium on Advanced Intelligent Systems （ISIS）. Toyama， Japan：205-208.

[28]Lekova， A.， Dimitrova， M.， & Kostova， S. et al. （2018）. BCI for Assessing the Emotional and Cognitive Skills of Children with Special Educational Needs[C]// Proceedings of the 5th International Congress on Information Science and Technology. Marrakesh， Morocco： IEEE：400-403.

[29]Lim， C. G.， Lee， T. S.， & Guan， C. et al. （2012）. A Brain-Computer Interface Based Attention Training Program for Treating Attention Deficit Hyperactivity Disorder[J]. PloS ONE， 7（10）：1-8.

[30]Meade， P.， & McMeniman， M. （1992）. Stimulated Recall： An Effective Methodology for Examining Successful Teaching in Science[J]. The Australian Educational Researcher， 19（3）：1-18.

[31]Mehmood， R.， & Lee， H. （2017）. Towards Building a Computer Aided Education System for Special Students Using Wearable Sensor Technologies[J]. Sensors， 17（2）：317.

[32]Miltner， W. H.， Braun， C.， & Arnold， M. et al. （1999）. Coherence of Gamma-Band EEG Activity as a Basis for Associative Learning[J]. Nature， 397（6718）：434-436.

[33]National Council for Accreditation of Teacher Education （NCATE）（2010）. The Road Less Traveled： How the Developmental Sciences Can Prepare Educators to Improve Student Achievement： Policy Recommendations[EB/OL]. [2019-12-30]. https：//files.eric.ed.gov/fulltext/ED550407.pdf.

[34]National Research Council （2005）. How Students Learn： History， Mathematics， and Science in the Classroom[M]. Washington， D.C.： National Academies Press：10-20.

[35]Nazari， M. A.， & Berquin， P. （2010）. Effect of Electrical Activity Feedback on Cognition[C]// Proceedings of the 17th Iranian Conference of Biomedical Engineering. Isfaham， Iran： IEEE：1-3.

[36]Ordikhani-Seyedlar， M.， Lebedev， M. A.， & Sorensen， H. B. et al. （2016）. Neurofeedback Therapy for Enhancing Visual Attention： State-of-the-Art and Challenges[J]. Frontiers in Neuroscience， 10（5）：1-15.

[37]Qidwai， U.， Ajimsha， M. S.， & Shakir， M. （2019）. The Role of EEG and EMG Combined Virtual Reality Gaming System in Facial Palsy Rehabilitation： A Case Report[J]. Journal of Bodywork and Movement Therapies， 23（2）： 425-431.

[38]Riding， R. J.， Glass， A.， & Butler， S. R. et al. （1997）. Cognitive Style and Individual Differences in EEG Alpha During Information Processing[J]. Educational Psychology， 17（1）：219-234.

[39]Rietschel， J. C.， McDonald， C. G.， & Goodman， R. N. et al. （2014）. Psychophysiological Support of Increasing Attentional Reserve During the Development of a Motor Skill[J]. Biological Psychology， 103（10）：349-356.

[40]Seaward， B. （2008）. Clinical Biofeedback[M]. Burlington： Jones & Bartlett Publishers： 419-427.

[41]Spector， J. M.， Merrill， M. D.， & Elen， J. et al. （2014）. Handbook of Research on Educational Communications and Technology[M]. New York： Springer： 62-63.

[42]Steiner， N. J.， Sheldrick， R. C.， & Gotthelf， D. et al. （2011）. Computer-Based Attention Training in the Schools for Children with Attention Deficit/Hyperactivity Disorder： A Preliminary Trial[J]. Clinical Pediatrics， 50（7）：615-622.

[43]Sun， J. C. Y.， & Yeh， K. P. C. （2017）. The Effects of Attention Monitoring with EEG Biofeedback on University Students Attention and Self-Efficacy： The Case of Anti-Phishing Instructional Materials[J]. Computers & Education， 106：73-82.

[44]Takehana， K.， & Matsui， T. （2016）. Association Rules on Relationships Between Learners Physiological Information and Mental States During Learning Process[C]// International Conference on Human Interface and the Management of Information. Las Vegas， USA： Springer：209-219.

[45]Tawatsuji， Y.， Uno， T.， & Fang， S. et al. （2018）. Real-Time Estimation of Learners Mental States from Learners Physiological Information Using Deep Learning[C]// Proceedings of the 26th International Conference on Computers in Education. Manila， Philippines： ICCE：107-109.

[46]Terrenghi， I.， Diana， B.， & Zurloni， V. et al. （2019）. Episode of Situated Learning to Enhance Student Engagement and Promote Deep Learning： Preliminary Results in a High School Classroom[J]. Frontiers in Psychology， 10（6）：1-13.

[47]Thibault， R. T.， Lifshitz， M.， & Raz， A. （2016）. The Self-Regulating Brain and Neurofeedback： Experimental Science and Clinical Promise[J]. Cortex， 74（11）：247-261.

[48]Tromp， J.， Peeters， D.， & Meyer， A. S. et al. （2018）. The Combined Use of Virtual Reality and EEG to Study Language Processing in Naturalistic Environments[J]. Behavior Research Methods， 50（2）：862-869.

[49]Wolpaw， J. R.， Birbaumer， N.， & Heetderks， W. J. et al. （2000）. Brain-Computer Interface Technology： A Review of the First International Meeting[J]. IEEE Transactions on Rehabilitation Engineering， 8（2）：164-173.

[50]Wolpert， D. M.， Ghahramani， Z.， & Flanagan， J. R. （2001）. Perspectives and Problems in Motor Learning[J]. Trends in Cognitive Sciences， 5（11）：487-494.

[51]Wong， S. W.， Chan， R. H.， & Mak， J. N. （2014）. Spectral Modulation of Frontal EEG During Motor Skill Acquisition： A Mobile EEG Study[J]. International Journal of Psychophysiology， 91（1）：16-21.

[52]Xu， J.， & Zhong， B. （2018）. Review on Portable EEG Technology in Educational Research[J]. Computers in Human Behavior， 81（4）：340-349.

[53]Xu， T.， Zhou， Y.， & Wang， Z. et al. （2018）. Learning Emotions EEG-Based Recognition and Brain Activity： A Survey Study on BCI for Intelligent Tutoring System[J]. Procedia Computer Science， 130（5）：376-382.

[54]Yang， X.， Lin， L.， & Cheng， P. et al. （2019a）. Which EEG Feedback Works Better for Creativity Performance in Immersive Virtual Reality： The Reminder or Encouraging Feedback？[J]. Computers in Human Behavior， 99（10）：345-351.

[55]Yang， X.， Cheng， P.， & Lin， L. et al. （2019b）. Can an Integrated System of Electroencephalography and Virtual Reality Further the Understanding of Relationships Between Attention， Meditation， Flow State， and Creativity？[J]. Journal of Educational Computing Research， 57（4）：846-876.

[56]Yang， X.， Lin， L.， & Cheng， P. et al. （2018）. Examining Creativity Through a Virtual Reality Support System[J]. Educational Technology Research and Development， 66（5）：1231-1254.

[57]Zhang， J.， Chen， M.， & Zhao， S. et al. （2016）. ReliefF-Based EEG Sensor Selection Methods for Emotion Recognition[J]. Sensors， 16（10）：1-15.

[58]Zhai， X.， Fang， Q.， & Dong， Y. et al. （2018）. The Effects of Biofeedback-Based Stimulated Recall on Self-Regulated Online Learning： A Gender and Cognitive Taxonomy Perspective[J]. Journal of Computer Assisted Learning， 34（6）：775-786.

[59]Zimmerman， B. J. （1989）. A Social Cognitive View of Self-Regulated Academic Learning[J]. Journal of Educational Psychology， 81（3）：329-339.

收稿日期 2020-03-24責任編輯 譚明杰