脑电图技术的教育研究图景与趋势——基于2000-2019年国际文献的知识图谱分析
发布时间：2021-04-15 07:31
脑电波能反映个体在知觉认知、情绪情感、行为技能上的变化,因而用于对其进行监测和记录的脑电图技术在教育研究中极具价值。分析1154篇国际研究文献的共被引聚类时间线图谱后发现,除用以实现脑机接口外,脑电图技术主要被用于识别学生在学习活动中的情感和情绪,辅助学生自主调节大脑活动,监测动作技能的习得过程及状态,预测和干预学生的学习状况,评估学习专注程度和学习深度,监控注意力以促进联想学习。国家（地区）分布图谱显示,美中两国对该研究领域的贡献相对较大,其余国家（地区）的文献分布较为分散。突现词分析结果表明,基于脑电图技术的教育研究呈现出三大趋势:一是运用该技术对学生的认知风格、学习投入和教师的教学质量等进行评估和预测,二是对教育实验中自发性脑电波和事件相关电位等脑电波信号的采集精度进行优化,三是将脑电图与人工智能、虚拟现实、眼动追踪等技术结合开展教育科学研究。面向未来,学界还需继续探究如何将相关研究发现转化为教学应用,消减伦理障碍对脑电图技术应用于教育领域的掣肘,进而完善教育神经科学研究体系。
【文章来源】：现代远程教育研究. 2020,32(04)北大核心CSSCI
【文章页数】：12 页
【部分图文】：
2000-2019年文献数量变化趋势
文献共被引分析是CiteSpace最重要的功能，其形成的可视化网络聚类结构可以帮助研究者通过图谱中的关键节点、聚类及色彩来分析某个研究主题的演变（陈悦等，2015）。为探究EEG技术被用于教育研究的现状，本研究利用CiteSpace进行文献共被引分析。具体方法是设置切片时长（Years per Slice）为4年，网络精简算法选择Pathfinder，阈值为前50个高频词，聚类标签生成算法选择LLR，所生成的聚类图谱包含节点200个、连线566条。其Q值为0.7923（大于0.3），表明生成的图谱网络结构显著；S值为0.5188（大于0.5），表明其聚类结果合理。随后利用CiteSpace的自动选择过滤功能，在隐藏较小聚类和无意义聚类后，最终获得如图2所示的6个主要研究主题聚类：情绪识别（Emotion Recognition）、大脑的自我调节（Self-Regulating Brain）、动作技能习得（Motor Skill Acquisition）、深度学习（Deep Learning）、联想学习（Associative Learning）和脑机接口（Brain-Computer Interface）。这6个聚类基本可以展现过去20年EEG技术在教育研究中的应用状况。(1）情绪识别
为进一步分析应用EEG技术的教育研究图景，本研究采用合作网络分析从国家（地区）和研究机构两个维度对样本文献进行分析。在CiteSpace中设置切片时长（Years per Slice）为1年，节点类型（Node Types）选择国家（Country），获得如图3所示的国家（地区）分布图谱。从图3中可以看出，美国、中国、德国、英国、加拿大和日本所开展的基于EEG技术的教育研究相对较多。对样本文献的研究机构进行统计后，发表论文数量不低于5篇的10个研究机构（大学）如表1所示。可以看出，论文数量最多的是瑞士苏黎世大学（14篇），其次为荷兰拉德堡德大学（9篇）和美国加州大学圣地亚哥分校（9篇）。在这10个研究机构（大学）中，美国和中国各占3所，这与上文对文献来源国家（地区）的统计结果相符。值得关注的是，表1中我国的研究机构（大学）均位于上海市，分别是上海科技大学、华东师范大学和华东理工大学。进一步对这10所研究机构（大学）的相关文献进行分析后发现，其研究主要集中在三个方面：一是EEG和脑机接口的技术创新及其在教育研究中的应用，涉及纽约大学和上海科技大学；二是EEG技术在教育教学实践中的情景化应用，涉及华东师范大学的教育学部和心理与认知科学学院；三是从脑科学、认知神经科学、人类行为学等视角，应用EEG技术探究人的思维、认知、学习与大脑间关系，如荷兰拉德堡德大学的唐德斯大脑、认知及行为研究所（Donders Institute for Brain,Cognition and Behaviour）。
【参考文献】：
期刊论文
[1]人工智能视域下的学习参与度识别方法研究——基于一项多模态数据融合的深度学习实验分析[J]. 曹晓明,张永和,潘萌,朱姗,闫海亮. 远程教育杂志. 2019(01)
[2]学习科学视角下深度学习的多模态研究[J]. 刘哲雨,郝晓鑫,王红,吴立宝. 现代教育技术. 2018(03)
[3]深度学习技术教育应用:现状和前景[J]. 刘勇,李青,于翠波. 开放教育研究. 2017(05)
[4]CiteSpace知识图谱的方法论功能[J]. 陈悦,陈超美,刘则渊,胡志刚,王贤文. 科学学研究. 2015(02)
本文编号：3138904
【文章来源】：现代远程教育研究. 2020,32(04)北大核心CSSCI
【文章页数】：12 页
【部分图文】：
2000-2019年文献数量变化趋势
文献共被引分析是CiteSpace最重要的功能，其形成的可视化网络聚类结构可以帮助研究者通过图谱中的关键节点、聚类及色彩来分析某个研究主题的演变（陈悦等，2015）。为探究EEG技术被用于教育研究的现状，本研究利用CiteSpace进行文献共被引分析。具体方法是设置切片时长（Years per Slice）为4年，网络精简算法选择Pathfinder，阈值为前50个高频词，聚类标签生成算法选择LLR，所生成的聚类图谱包含节点200个、连线566条。其Q值为0.7923（大于0.3），表明生成的图谱网络结构显著；S值为0.5188（大于0.5），表明其聚类结果合理。随后利用CiteSpace的自动选择过滤功能，在隐藏较小聚类和无意义聚类后，最终获得如图2所示的6个主要研究主题聚类：情绪识别（Emotion Recognition）、大脑的自我调节（Self-Regulating Brain）、动作技能习得（Motor Skill Acquisition）、深度学习（Deep Learning）、联想学习（Associative Learning）和脑机接口（Brain-Computer Interface）。这6个聚类基本可以展现过去20年EEG技术在教育研究中的应用状况。(1）情绪识别
为进一步分析应用EEG技术的教育研究图景，本研究采用合作网络分析从国家（地区）和研究机构两个维度对样本文献进行分析。在CiteSpace中设置切片时长（Years per Slice）为1年，节点类型（Node Types）选择国家（Country），获得如图3所示的国家（地区）分布图谱。从图3中可以看出，美国、中国、德国、英国、加拿大和日本所开展的基于EEG技术的教育研究相对较多。对样本文献的研究机构进行统计后，发表论文数量不低于5篇的10个研究机构（大学）如表1所示。可以看出，论文数量最多的是瑞士苏黎世大学（14篇），其次为荷兰拉德堡德大学（9篇）和美国加州大学圣地亚哥分校（9篇）。在这10个研究机构（大学）中，美国和中国各占3所，这与上文对文献来源国家（地区）的统计结果相符。值得关注的是，表1中我国的研究机构（大学）均位于上海市，分别是上海科技大学、华东师范大学和华东理工大学。进一步对这10所研究机构（大学）的相关文献进行分析后发现，其研究主要集中在三个方面：一是EEG和脑机接口的技术创新及其在教育研究中的应用，涉及纽约大学和上海科技大学；二是EEG技术在教育教学实践中的情景化应用，涉及华东师范大学的教育学部和心理与认知科学学院；三是从脑科学、认知神经科学、人类行为学等视角，应用EEG技术探究人的思维、认知、学习与大脑间关系，如荷兰拉德堡德大学的唐德斯大脑、认知及行为研究所（Donders Institute for Brain,Cognition and Behaviour）。
【参考文献】：
期刊论文
[1]人工智能视域下的学习参与度识别方法研究——基于一项多模态数据融合的深度学习实验分析[J]. 曹晓明,张永和,潘萌,朱姗,闫海亮. 远程教育杂志. 2019(01)
[2]学习科学视角下深度学习的多模态研究[J]. 刘哲雨,郝晓鑫,王红,吴立宝. 现代教育技术. 2018(03)
[3]深度学习技术教育应用:现状和前景[J]. 刘勇,李青,于翠波. 开放教育研究. 2017(05)
[4]CiteSpace知识图谱的方法论功能[J]. 陈悦,陈超美,刘则渊,胡志刚,王贤文. 科学学研究. 2015(02)
本文编号：3138904
本文链接：https://www.wllwen.com/yixuelunwen/swyx/3138904.html
