鄭旭東　馬云飛

摘要：腦電波能反映個(gè)體在知覺認(rèn)知、情緒情感、行為技能上的變化，因而用于對(duì)其進(jìn)行監(jiān)測(cè)和記錄的腦電圖技術(shù)在教育研究中極具價(jià)值。分析1154篇國(guó)際研究文獻(xiàn)的共被引聚類時(shí)間線圖譜后發(fā)現(xiàn)，除用以實(shí)現(xiàn)腦機(jī)接口外，腦電圖技術(shù)主要被用于識(shí)別學(xué)生在學(xué)習(xí)活動(dòng)中的情感和情緒，輔助學(xué)生自主調(diào)節(jié)大腦活動(dòng)，監(jiān)測(cè)動(dòng)作技能的習(xí)得過程及狀態(tài)，預(yù)測(cè)和干預(yù)學(xué)生的學(xué)習(xí)狀況，評(píng)估學(xué)習(xí)專注程度和學(xué)習(xí)深度，監(jiān)控注意力以促進(jìn)聯(lián)想學(xué)習(xí)。國(guó)家（地區(qū)）分布圖譜顯示，美中兩國(guó)對(duì)該研究領(lǐng)域的貢獻(xiàn)相對(duì)較大，其余國(guó)家（地區(qū)）的文獻(xiàn)分布較為分散。突現(xiàn)詞分析結(jié)果表明，基于腦電圖技術(shù)的教育研究呈現(xiàn)出三大趨勢(shì)：一是運(yùn)用該技術(shù)對(duì)學(xué)生的認(rèn)知風(fēng)格、學(xué)習(xí)投入和教師的教學(xué)質(zhì)量等進(jìn)行評(píng)估和預(yù)測(cè)，二是對(duì)教育實(shí)驗(yàn)中自發(fā)性腦電波和事件相關(guān)電位等腦電波信號(hào)的采集精度進(jìn)行優(yōu)化，三是將腦電圖與人工智能、虛擬現(xiàn)實(shí)、眼動(dòng)追蹤等技術(shù)結(jié)合開展教育科學(xué)研究。面向未來，學(xué)界還需繼續(xù)探究如何將相關(guān)研究發(fā)現(xiàn)轉(zhuǎn)化為教學(xué)應(yīng)用，消減倫理障礙對(duì)腦電圖技術(shù)應(yīng)用于教育領(lǐng)域的掣肘，進(jìn)而完善教育神經(jīng)科學(xué)研究體系。

關(guān)鍵詞：腦電圖技術(shù);腦電波;腦機(jī)接口;教育研究;知識(shí)圖譜;可視化分析

中圖分類號(hào)：G434? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：1009-5195（2020）04-0036-12? doi10.3969/j.issn.1009-5195.2020.04.005

*基金項(xiàng)目：教育部人文社會(huì)科學(xué)研究青年基金項(xiàng)目“具身認(rèn)知視角下的混合現(xiàn)實(shí)學(xué)習(xí)環(huán)境構(gòu)建及應(yīng)用研究”（20YJC880131）。

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

自美國(guó)實(shí)施“腦的十年”（1990-2000年）全國(guó)性腦科學(xué)計(jì)劃以來（Jones et al.，1999），一些國(guó)際性組織和國(guó)家紛紛響應(yīng)并實(shí)施了一系列的腦科學(xué)計(jì)劃，這使得關(guān)于腦神經(jīng)及其認(rèn)知功能的研究得到了巨大發(fā)展，也讓許多與此相關(guān)的新興研究方法和技術(shù)日益受到關(guān)注，能監(jiān)測(cè)和記錄大腦生物電波的腦電圖（Electroencephalogram，EEG）技術(shù)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(dòng)會(huì)引發(fā)不同的腦電波，根據(jù)其波長(zhǎng)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(guān)注的是，通過對(duì)不同腦電波的測(cè)量可以了解人在學(xué)習(xí)過程中的腦部活動(dòng)，如θ波和α波振蕩預(yù)示著有效的長(zhǎng)期記憶編碼（Khader et al.，2010）。因此，對(duì)腦電波的監(jiān)測(cè)和分析能解釋個(gè)體在知覺認(rèn)知、情緒情感、行為技能上的變化，這使得EEG技術(shù)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(guān)文獻(xiàn)，運(yùn)用CiteSpace對(duì)EEG技術(shù)在教育研究中應(yīng)用的現(xiàn)狀與趨勢(shì)進(jìn)行可視化分析，以期為我國(guó)當(dāng)前倡導(dǎo)的教育實(shí)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(xué)知識(shí)圖譜的可視化分析能夠呈現(xiàn)某研究領(lǐng)域的知識(shí)結(jié)構(gòu)、發(fā)展動(dòng)態(tài)、趨勢(shì)規(guī)律和主題分布。CiteSpace是當(dāng)前國(guó)際上認(rèn)可度較高的科學(xué)知識(shí)圖譜分析軟件，其能夠?qū)⒛骋恢R(shí)領(lǐng)域的演進(jìn)歷程集中在引文網(wǎng)絡(luò)圖譜中展現(xiàn)，并把圖譜中作為知識(shí)基礎(chǔ)的引文節(jié)點(diǎn)文獻(xiàn)和共引聚類所表征的研究前沿自動(dòng)標(biāo)識(shí)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(lǐng)域發(fā)展的新趨勢(shì)和新動(dòng)態(tài)。本研究利用CiteSpace的文獻(xiàn)共被引、突現(xiàn)詞探測(cè)等功能，對(duì)應(yīng)用EEG技術(shù)開展教育研究的文獻(xiàn)進(jìn)行可視化分析，以揭示該主題的國(guó)際研究現(xiàn)狀與發(fā)展趨勢(shì)。

2.數(shù)據(jù)采集

從文獻(xiàn)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(xiàn)更為權(quán)威，其參考價(jià)值更高。為此，本研究選擇美國(guó)科學(xué)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(xiàn)來源：前者是國(guó)際上權(quán)威的科學(xué)技術(shù)文獻(xiàn)索引工具，能夠提供科技領(lǐng)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(xué)文獻(xiàn)。需要特別指出的是，相較于其他數(shù)據(jù)庫，WoS和Scopus的文獻(xiàn)數(shù)據(jù)結(jié)構(gòu)最為完整，能較好支持本研究的相關(guān)可視化分析。此外，由于CiteSpace是以WoS數(shù)據(jù)為基礎(chǔ)，因而從Scopus收集到的文獻(xiàn)數(shù)據(jù)需轉(zhuǎn)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(xué)”（Teaching）、“學(xué)習(xí)”（Learning）為主要主題詞①，將時(shí)間跨度設(shè)置為2000-2019年，于2019年11月8日在WoS和Scopus數(shù)據(jù)庫中進(jìn)行數(shù)據(jù)檢索后共獲得1535篇文獻(xiàn)（其中WoS為872篇， Scopus為663篇）。為避免文獻(xiàn)重復(fù)，將文獻(xiàn)題錄數(shù)據(jù)導(dǎo)入CiteSpace后，利用數(shù)據(jù)去重功能進(jìn)行處理，并通過人工確認(rèn)方式刪除無效數(shù)據(jù)后，共得到有效文獻(xiàn)數(shù)據(jù)1154條。研究文獻(xiàn)數(shù)量隨年份變化的趨勢(shì)如圖1所示，可以看出，應(yīng)用EEG技術(shù)開展教育研究的文獻(xiàn)自2010年以來呈現(xiàn)連年增加的趨勢(shì)，近幾年更是呈現(xiàn)出增速加快的趨勢(shì)，這表明相關(guān)研究日益受到學(xué)界的關(guān)注。

二、EEG技術(shù)在教育研究中的應(yīng)用現(xiàn)狀

1.研究主題

文獻(xiàn)共被引分析是CiteSpace最重要的功能，其形成的可視化網(wǎng)絡(luò)聚類結(jié)構(gòu)可以幫助研究者通過圖譜中的關(guān)鍵節(jié)點(diǎn)、聚類及色彩來分析某個(gè)研究主題的演變（陳悅等，2015）。為探究EEG技術(shù)被用于教育研究的現(xiàn)狀，本研究利用CiteSpace進(jìn)行文獻(xiàn)共被引分析。具體方法是設(shè)置切片時(shí)長(zhǎng)（Years per Slice）為4年，網(wǎng)絡(luò)精簡(jiǎn)算法選擇Pathfinder，閾值為前50個(gè)高頻詞，聚類標(biāo)簽生成算法選擇LLR，所生成的聚類圖譜包含節(jié)點(diǎn)200個(gè)、連線566條。其Q值為0.7923（大于0.3），表明生成的圖譜網(wǎng)絡(luò)結(jié)構(gòu)顯著;S值為0.5188（大于0.5），表明其聚類結(jié)果合理。隨后利用CiteSpace的自動(dòng)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(gè)主要研究主題聚類：情緒識(shí)別（Emotion Recognition）、大腦的自我調(diào)節(jié)（Self-Regulating Brain）、動(dòng)作技能習(xí)得（Motor Skill Acquisition）、深度學(xué)習(xí)（Deep Learning）、聯(lián)想學(xué)習(xí)（Associative Learning）和腦機(jī)接口（Brain-Computer Interface）。這6個(gè)聚類基本可以展現(xiàn)過去20年EEG技術(shù)在教育研究中的應(yīng)用狀況。

（1）情緒識(shí)別

從聚類分析結(jié)果可以看出，“情緒識(shí)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(jié)果具有較高的可信度。在學(xué)習(xí)過程中，學(xué)生的情緒和情感狀態(tài)會(huì)對(duì)學(xué)習(xí)效果產(chǎn)生顯著影響。在傳統(tǒng)教學(xué)活動(dòng)中，教師根據(jù)教學(xué)經(jīng)驗(yàn)和學(xué)生的表情、語言、動(dòng)作來識(shí)別學(xué)生的情緒和情感變化，進(jìn)而動(dòng)態(tài)地對(duì)教學(xué)活動(dòng)進(jìn)行調(diào)整。然而，這種干預(yù)主要依靠教師個(gè)體的經(jīng)驗(yàn)和主觀判斷，并非識(shí)別學(xué)業(yè)情緒變化的科學(xué)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(xué)生情緒狀態(tài)變化、難以及時(shí)給予反饋與干預(yù)等問題，極易造成學(xué)生學(xué)業(yè)情緒和情感的降低，這會(huì)對(duì)學(xué)習(xí)效果造成不良影響。為幫助教師科學(xué)、精準(zhǔn)地評(píng)估學(xué)生的學(xué)業(yè)情緒和情感變化，基于不同行為模式（如表情、姿勢(shì)、動(dòng)作、聲音）的情緒識(shí)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(shí)別均是對(duì)人類情感和情緒的間接反映，加之學(xué)生可人為控制自身的表情、動(dòng)作等行為，因而其測(cè)量結(jié)果的精準(zhǔn)度不高。

與上述測(cè)量方式相比，EEG技術(shù)能夠直接檢測(cè)出大腦在不同情緒狀態(tài)下的動(dòng)態(tài)反應(yīng)，可以為情緒識(shí)別提供更加客觀、全面的信息（Zhang et al.，2016）?；贓EG技術(shù)的情緒識(shí)別研究主要通過采集與分析學(xué)生的腦電波信號(hào)，進(jìn)而對(duì)學(xué)生的情感和情緒進(jìn)行識(shí)別與評(píng)估。由于這一過程不受學(xué)生的主觀意識(shí)控制，所以其結(jié)果相對(duì)精確可靠。例如，畢路拯等提出了一種基于貝葉斯網(wǎng)絡(luò)的EEG多情緒狀態(tài)識(shí)別模型，研究表明利用EEG技術(shù)檢測(cè)多情緒狀態(tài)是一種科學(xué)有效的途徑（Bi et al.，2011）。桑德·科埃斯特拉（Sander Koelstra）等利用EEG技術(shù)采集被試的生理信號(hào)，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(hào)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(jìn)后的DEAP 2.0已被廣泛運(yùn)用于教育領(lǐng)域。對(duì)于存在精神障礙或情緒紊亂問題的學(xué)生而言，基于EEG技術(shù)的情緒識(shí)別在改善其學(xué)習(xí)效果方面尤為有用。例如拉賈·穆罕默德（Raja Mehmood）等借助計(jì)算機(jī)輔助教學(xué)系統(tǒng)（Computer Aided Education System，CAES）對(duì)特殊學(xué)生在學(xué)習(xí)活動(dòng)中的腦電信號(hào)進(jìn)行收集，并使用情緒模型識(shí)別他們的學(xué)業(yè)情緒后再反饋給CAES，這極大地改善了教師對(duì)特殊學(xué)生學(xué)習(xí)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(shù)的情緒識(shí)別能夠?qū)W(xué)生在學(xué)習(xí)活動(dòng)中的情感和情緒進(jìn)行精準(zhǔn)、可靠地識(shí)別。但同時(shí)相關(guān)研究也指出，EEG技術(shù)只是為教師提供了一種能夠科學(xué)、精準(zhǔn)、便利地識(shí)別學(xué)生情感和情緒的途徑，而如何有針對(duì)性地依據(jù)教育規(guī)律和相關(guān)理論對(duì)教學(xué)活動(dòng)進(jìn)行實(shí)時(shí)干預(yù)，才是提升教學(xué)效果的關(guān)鍵。

（2）大腦的自我調(diào)節(jié)

從聚類分析結(jié)果可以看出，“大腦的自我調(diào)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(jié)果具有較好的可信度。神經(jīng)反饋（Neurofeedback）是一種有效的自我調(diào)節(jié)方法，可為個(gè)體提供大腦特定活動(dòng)及相關(guān)行為的反饋（Thibault et al.，2016）。而對(duì)大腦的自我調(diào)節(jié)能力可簡(jiǎn)單理解為個(gè)體控制和調(diào)節(jié)各類活動(dòng)行為、認(rèn)知和情緒的能力。學(xué)生大腦自我調(diào)節(jié)能力的不足可能會(huì)導(dǎo)致其在學(xué)習(xí)過程中產(chǎn)生焦慮、緊張、恐慌、不安等負(fù)面情緒，最終造成不良學(xué)習(xí)行為和學(xué)業(yè)成績(jī)變差等問題（Heatherton et al.，2011）。雖然社會(huì)認(rèn)知理論認(rèn)為學(xué)習(xí)反饋會(huì)影響學(xué)生的自我調(diào)節(jié)行為（Zimmerman，1989），但許多腦神經(jīng)相關(guān)研究也表明，對(duì)神經(jīng)反饋和大腦自我調(diào)節(jié)能力的訓(xùn)練，可以從腦神經(jīng)機(jī)制層面幫助個(gè)體進(jìn)行更為科學(xué)和精準(zhǔn)的自我調(diào)節(jié)。羅伯特·蒂伯特（Robert Thibault）等對(duì)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(shù)相比，基于EEG技術(shù)的神經(jīng)反饋成像方式更加經(jīng)濟(jì)便捷，因而被眾多領(lǐng)域廣泛采用（Thibault et al.，2016）。

在教育研究領(lǐng)域，研究者們基于腦電波等生物信號(hào)設(shè)計(jì)反饋機(jī)制，讓學(xué)生可以通過實(shí)時(shí)的反饋信息了解學(xué)習(xí)活動(dòng)過程中自身的生理狀態(tài)變化，這一神經(jīng)反饋機(jī)制被稱為腦電生物反饋（Seaward，2008）。通過腦電生物反饋技術(shù)，學(xué)生可以精準(zhǔn)地獲知與評(píng)估自身的學(xué)習(xí)狀態(tài)，并嘗試調(diào)節(jié)自己的大腦活動(dòng)（Kober et al.，2013）。以注意力調(diào)節(jié)為例，課堂教學(xué)要求學(xué)生集中和保持注意力，以獲得更好的教學(xué)效果。但由于注意力具有很強(qiáng)的內(nèi)隱性，學(xué)生通常難以依靠自身的感知來調(diào)節(jié)學(xué)習(xí)專注狀態(tài)，存在注意力障礙的學(xué)生則更難對(duì)注意力進(jìn)行自主調(diào)節(jié)。而EEG技術(shù)可以根據(jù)腦電波特征來監(jiān)測(cè)注意力，特別是與注意力密切相關(guān)的β波（Egner et al.，2004）。當(dāng)前，教育研究者們多通過基于EEG技術(shù)的注意力監(jiān)測(cè)系統(tǒng)獲取學(xué)生的注意力狀態(tài)，進(jìn)而將其反饋給學(xué)生，以便他們可以動(dòng)態(tài)、自主地調(diào)節(jié)學(xué)習(xí)狀態(tài)。楊曉哲等在利用EEG技術(shù)研究虛擬現(xiàn)實(shí)環(huán)境是否有助于學(xué)生的創(chuàng)造性表現(xiàn)時(shí)，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(dāng)腦電波表明學(xué)生注意力沒有集中時(shí)給出提醒;二是“鼓勵(lì)反饋”，即當(dāng)腦電波顯示學(xué)生注意力非常集中時(shí)給出鼓勵(lì)。結(jié)果表明，接受提醒反饋的受試者比接受鼓勵(lì)反饋和沒有任何反饋的受試者的創(chuàng)意產(chǎn)品質(zhì)量更高。孫之元等基于EEG反饋?zhàn)⒁饬ΡO(jiān)測(cè)系統(tǒng)開展的研究發(fā)現(xiàn)，當(dāng)學(xué)生注意力下降時(shí)進(jìn)行提醒反饋能顯著提高學(xué)習(xí)注意力（Sun et al.，2017）。陳志銘等開發(fā)了具有腦電波監(jiān)測(cè)功能的網(wǎng)絡(luò)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(diào)節(jié)學(xué)習(xí)機(jī)制（Attention-Based Self-Regulated Learning Mechanism），能有效改善學(xué)生的自我調(diào)節(jié)能力，進(jìn)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(diào)節(jié)活動(dòng)對(duì)學(xué)習(xí)效果的影響，已有研究的結(jié)論并不一致，但研究者們基本都認(rèn)為，學(xué)生對(duì)大腦活動(dòng)和學(xué)習(xí)行為的自我調(diào)節(jié)除受到反饋形式的影響外，還與學(xué)習(xí)材料、學(xué)習(xí)內(nèi)容和學(xué)習(xí)支架等密切相關(guān)，其機(jī)理仍有待開展更為深入的研究加以揭示。

（3）動(dòng)作技能習(xí)得

“動(dòng)作技能習(xí)得”主題在聚類分析結(jié)果中排名第三，其聚類大小為22，Q值為0.959，說明該聚類結(jié)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(shì)和寫作在內(nèi)的所有交流，都是通過或基于動(dòng)作系統(tǒng)發(fā)生的（Wolpert et al.，2001）。無論是在以往的工業(yè)時(shí)代還是當(dāng)前的信息時(shí)代，動(dòng)作技能都是教育研究的重要領(lǐng)域，具有極為重要的教育價(jià)值和社會(huì)意義。研究表明，當(dāng)學(xué)習(xí)者進(jìn)行動(dòng)作技能學(xué)習(xí)時(shí)，若能夠采用有效的方式來實(shí)現(xiàn)自我監(jiān)控，就可以更為高效地整合和運(yùn)用復(fù)雜技術(shù)（Berka et al.，2004）。然而，動(dòng)作技能的習(xí)得具有一定內(nèi)隱性，這也使得諸如自我報(bào)告和觀察評(píng)估等傳統(tǒng)測(cè)量與評(píng)估方式難以可靠、客觀、精準(zhǔn)地反映學(xué)生的實(shí)際學(xué)習(xí)狀態(tài)和進(jìn)展。因此，利用EEG技術(shù)對(duì)動(dòng)作技能的習(xí)得過程及狀態(tài)進(jìn)行監(jiān)測(cè)，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(xué)生在參與計(jì)算機(jī)可視化運(yùn)動(dòng)任務(wù)（Computerized Visual-Motor Task）時(shí)，通過佩戴有獨(dú)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(hào)（Wong et al.，2014）。結(jié)果表明，某些腦電波信號(hào)的強(qiáng)度隨著動(dòng)作任務(wù)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(shí)學(xué)習(xí)任務(wù)中監(jiān)測(cè)大腦活動(dòng)的可能性。也有研究表明，可利用腦電波信號(hào)對(duì)學(xué)習(xí)者的精神狀態(tài)進(jìn)行量化，以實(shí)現(xiàn)對(duì)動(dòng)作技能習(xí)得結(jié)果的評(píng)估（Lim et al.，2012），進(jìn)而向他們反饋學(xué)習(xí)狀態(tài)以便其進(jìn)行自我調(diào)整，從而獲得更好的教學(xué)效果。此外，EEG技術(shù)也常被用于探究與動(dòng)作技能習(xí)得相關(guān)的影響因素。如杰里米·里切爾（Jeremy Rietschel）為探究動(dòng)作技能和注意力儲(chǔ)備（Attentional Reserve）間的關(guān)系，對(duì)聽覺刺激（Auditory Stimuli）誘發(fā)的腦電波信號(hào)進(jìn)行采集與分析，發(fā)現(xiàn)注意力儲(chǔ)備隨著運(yùn)動(dòng)技能的習(xí)得而增加，這為心理生理學(xué)的研究與發(fā)展提供了新證據(jù)（Rietschel et al.，2014）。

動(dòng)作技能習(xí)得對(duì)于體育教學(xué)和課堂教學(xué)均十分重要， EEG技術(shù)被廣泛用于這兩類教育情境中的動(dòng)作技能習(xí)得研究。由于學(xué)生長(zhǎng)時(shí)間佩戴EEG設(shè)備可能影響其正常學(xué)習(xí)，因而對(duì)EEG設(shè)備的不斷優(yōu)化也受到教育研究者的關(guān)注。如楊曉哲等基于NeuroSky腦電設(shè)備與 HTC Vive虛擬現(xiàn)實(shí)設(shè)備開發(fā)了虛擬現(xiàn)實(shí)與腦電聯(lián)動(dòng)系統(tǒng)，讓用戶可以不受局限地在沉浸式場(chǎng)景中開展學(xué)習(xí)活動(dòng)，并可實(shí)現(xiàn)對(duì)學(xué)習(xí)行為的全過程追蹤，以及對(duì)腦波數(shù)據(jù)更精準(zhǔn)地監(jiān)測(cè)與收集（Yang et al.，2019b），從而為動(dòng)作技能習(xí)得研究提供便利。相較于EEG技術(shù)在動(dòng)作技能習(xí)得研究中的應(yīng)用而言，將EEG技術(shù)應(yīng)用于智力技能習(xí)得的研究還相對(duì)較少（Xu & Zhong et al.，2018），仍有待進(jìn)行更為深入的研究。

（4）深度學(xué)習(xí)

“深度學(xué)習(xí)”主題在聚類分析結(jié)果中排名第四，其聚類大小為21，Q值為0.836，說明該聚類結(jié)果具有較高可信度。通過分析相關(guān)文獻(xiàn)發(fā)現(xiàn)，本聚類中所指的深度學(xué)習(xí)主要涉及機(jī)器學(xué)習(xí)和學(xué)習(xí)科學(xué)兩個(gè)領(lǐng)域，故下文將從這兩個(gè)不同的視角闡述EEG技術(shù)在深度學(xué)習(xí)研究中的應(yīng)用。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的重要分支，依靠多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模擬人腦的結(jié)構(gòu)和功能。深度學(xué)習(xí)技術(shù)可用于分析學(xué)生的學(xué)習(xí)行為，即通過對(duì)學(xué)生學(xué)習(xí)過程中產(chǎn)生的大數(shù)據(jù)進(jìn)行挖掘，以實(shí)現(xiàn)對(duì)學(xué)生后續(xù)學(xué)習(xí)狀況的精準(zhǔn)預(yù)測(cè)與干預(yù)（劉勇等，2017）。在構(gòu)建深度學(xué)習(xí)模型和進(jìn)行學(xué)生畫像時(shí)，主要采用三種方法對(duì)不同類型的學(xué)生數(shù)據(jù)進(jìn)行挖掘：一是基于在線學(xué)習(xí)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(jì)算機(jī)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(xué)生的面部表情、脈搏、血壓、腦電波等可以作為學(xué)習(xí)者建模的有效屬性（Kavitha et al.，2018），而EEG技術(shù)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(gòu)成的數(shù)據(jù)集，利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）建立學(xué)生學(xué)習(xí)行為預(yù)測(cè)模型，以實(shí)現(xiàn)對(duì)學(xué)生認(rèn)知能力的預(yù)測(cè)（Kavitha et al.，2018 ）。吉島治二（Yoshimasa Tawatsuji）等基于學(xué)生的心理狀態(tài)、生理數(shù)據(jù)（fNIRS、EEG、呼吸強(qiáng)度、皮膚電導(dǎo)率和脈搏容積等）和教師的言語行為構(gòu)建了一個(gè)深度學(xué)習(xí)模型，可實(shí)現(xiàn)通過教師的言語行為和學(xué)生的生理信息來預(yù)測(cè)學(xué)生的心理狀態(tài)，其具有較高的準(zhǔn)確性且能實(shí)時(shí)支持教學(xué)（Tawatsuji et al.，2018）。

學(xué)習(xí)科學(xué)視域下的深度學(xué)習(xí)是相對(duì)于淺層學(xué)習(xí)而言的。在美國(guó)威廉和弗洛拉·休利特基金會(huì)（The William and Flora Hewlett Foundation）的深度學(xué)習(xí)研究項(xiàng)目中，深度學(xué)習(xí)被認(rèn)為是勝任21世紀(jì)工作和公民生活必須具備的能力，這一能力使得學(xué)生可以靈活掌握和理解學(xué)科知識(shí)，并能應(yīng)用這些知識(shí)去解決課堂和未來工作中的問題，其主要包括掌握核心學(xué)科知識(shí)、批判性思維和復(fù)雜問題解決、團(tuán)隊(duì)協(xié)作、有效溝通、學(xué)會(huì)學(xué)習(xí)、學(xué)習(xí)毅力等6種基本能力（Beattie et al.，1997）。研究者通常借助EEG技術(shù)來了解學(xué)生身心狀態(tài)的變化、實(shí)時(shí)評(píng)估學(xué)習(xí)專注程度和學(xué)習(xí)深度，以及驗(yàn)證深度學(xué)習(xí)法、策略支架、學(xué)習(xí)內(nèi)容及教師教學(xué)技能等因素對(duì)深度學(xué)習(xí)的影響。例如，卡祖瑪·塔哈納（Kazuma Takehana）等研究了學(xué)習(xí)者的生理信息與其心理狀態(tài)間的關(guān)系，發(fā)現(xiàn)教師的言語行為、學(xué)習(xí)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(shù)收集學(xué)生在問題解決過程中的認(rèn)知加工數(shù)據(jù)，為分析學(xué)生在應(yīng)用推理過程中對(duì)問題的認(rèn)知表征提供了豐富的證據(jù)（Delahunty et al.，2018）。值得關(guān)注的是，注意力缺陷和多動(dòng)癥是影響兒童開展深度學(xué)習(xí)的主要生理障礙，為此，亞當(dāng)·克拉克（Adam Clarke）等采用EEG技術(shù)對(duì)同時(shí)存在注意力缺陷和閱讀障礙的兒童的腦電波進(jìn)行分析（Clarke et al.，2002）。此外，也有研究者針對(duì)深度學(xué)習(xí)的發(fā)生規(guī)律展開研究，如通過EEG技術(shù)構(gòu)建與深度學(xué)習(xí)發(fā)生機(jī)制相耦合的多模態(tài)指標(biāo)體系（劉哲雨等，2018）。通過對(duì)該聚類中相關(guān)研究的分析可以發(fā)現(xiàn)，利用EEG技術(shù)開展與學(xué)生深度學(xué)習(xí)相關(guān)的研究仍相對(duì)較少，如何利用EEG技術(shù)幫助學(xué)生提升深度學(xué)習(xí)能力，仍值得教育研究者不斷探索。

（5）聯(lián)想學(xué)習(xí)

“聯(lián)想學(xué)習(xí)”主題在聚類分析結(jié)果中排名第五，其聚類大小為20，Q值為0.893，該聚類結(jié)果具有較高可信度。聯(lián)想學(xué)習(xí)是指由兩種及兩種以上刺激所引起的腦內(nèi)兩個(gè)以上中樞興奮之間，因引發(fā)聯(lián)結(jié)而發(fā)生的學(xué)習(xí)過程。由此可知，聯(lián)想學(xué)習(xí)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(qiáng)某一頻段波的頻譜能量，從而改善學(xué)生在學(xué)習(xí)過程中的表現(xiàn)。學(xué)生對(duì)刺激的反饋一般采用自我報(bào)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(shù)可作為學(xué)習(xí)環(huán)境中的一種刺激反饋形式來測(cè)量聯(lián)想學(xué)習(xí)。例如，沃爾夫?qū)っ谞柼丶{（Wolfgang Miltner）等利用EEG技術(shù)發(fā)現(xiàn)γ波（20～70 Hz）對(duì)聯(lián)想學(xué)習(xí)具有一定影響（Miltner et al.，1999）。翟雪松等認(rèn)為，基于EEG技術(shù)的生物反饋刺激是評(píng)估學(xué)生學(xué)習(xí)行為的有效過程性測(cè)量方式（Zhai et al.，2018）。此外，聯(lián)想學(xué)習(xí)與學(xué)生的注意力和專注度也有密切關(guān)系。注意力被認(rèn)為是人類認(rèn)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(rèn)識(shí)活動(dòng)的基本條件，但學(xué)生卻很難感知到自身在學(xué)習(xí)過程中的注意力變化。當(dāng)學(xué)生通過聯(lián)想方式來認(rèn)識(shí)客觀事物，但卻不能及時(shí)感知和調(diào)節(jié)注意力時(shí)，聯(lián)想學(xué)習(xí)可能會(huì)變?yōu)椤昂紒y想”。而EEG技術(shù)對(duì)注意力的監(jiān)測(cè)和反饋功能可在聯(lián)想學(xué)習(xí)中發(fā)揮重要作用，幫助學(xué)生在學(xué)習(xí)過程中獲知自身注意力的變化，從而及時(shí)調(diào)整學(xué)習(xí)狀態(tài)。事實(shí)上，研究者們一直致力于在注意力測(cè)量方面對(duì)EEG技術(shù)進(jìn)行優(yōu)化。例如，雷扎·阿比里（Reza Abiri）等基于EEG技術(shù)開發(fā)了可以對(duì)持續(xù)注意力的腦電波模式進(jìn)行解碼的腦機(jī)接口系統(tǒng)，其在聯(lián)想學(xué)習(xí)中的視覺注意力評(píng)價(jià)方面具有較好的應(yīng)用前景（Abiri et al.，2019）。還有研究基于對(duì)EEG數(shù)據(jù)的分析發(fā)現(xiàn)，學(xué)生的視覺注意力和聯(lián)想學(xué)習(xí)相關(guān)，且視覺顯著性、學(xué)習(xí)意圖和學(xué)習(xí)經(jīng)驗(yàn)會(huì)影響聯(lián)想學(xué)習(xí)中的注意力分配（Feldmann-Wüstefeld et al.，2015）。綜上所述，聯(lián)想學(xué)習(xí)是培養(yǎng)學(xué)生學(xué)習(xí)遷移和批判創(chuàng)新能力的重要學(xué)習(xí)方式，但學(xué)生的注意力等自身因素對(duì)聯(lián)想學(xué)習(xí)效果具有顯著影響且存在很強(qiáng)的隱蔽性。而EEG技術(shù)在測(cè)量學(xué)生注意力方面具有優(yōu)勢(shì)，可為研究聯(lián)想學(xué)習(xí)提供可靠的測(cè)量與反饋支持。

（6）腦機(jī)接口

“腦機(jī)接口”主題在聚類分析結(jié)果中排名第六，其聚類大小為6，Q值為0.915，該聚類結(jié)果具有非常高的可信度。以EEG技術(shù)為基礎(chǔ)的腦機(jī)接口研究是當(dāng)前教育人工智能領(lǐng)域的一個(gè)新興研究方向。1999年6月，在美國(guó)紐約舉行的第一屆腦機(jī)接口國(guó)際會(huì)議上，喬納森·沃爾帕（Jonathan Wolpaw）等將腦機(jī)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(jì)算機(jī)或其他電子設(shè)備之間建立直接交流和控制通道的適時(shí)通訊系統(tǒng)（Wolpaw et al.，2000）。通過腦機(jī)接口，能夠?qū)崿F(xiàn)人腦對(duì)機(jī)器人、虛擬環(huán)境或拼寫工具等外部設(shè)備的直接控制（Guger et al.，2001）。

基于EEG的腦機(jī)接口技術(shù)可采集更加精準(zhǔn)的多模態(tài)數(shù)據(jù)，其與學(xué)習(xí)行為數(shù)據(jù)的結(jié)合，可對(duì)學(xué)生的學(xué)習(xí)狀況進(jìn)行更為準(zhǔn)確地建模和分析，從而為個(gè)性化學(xué)習(xí)和適應(yīng)性學(xué)習(xí)提供更好的支持。例如，為促進(jìn)特殊兒童的教育康復(fù)，安娜·萊科娃（Anna Lekova）等開發(fā)了基于EEG技術(shù)的便攜式腦機(jī)接口，用以采集特殊兒童參與游戲化活動(dòng)的腦電波信號(hào)，進(jìn)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(jī)接口系統(tǒng)還能幫助殘疾學(xué)生快速而準(zhǔn)確地拼寫字符（Guger et al.，2009）。隨著人工智能技術(shù)和腦神經(jīng)科學(xué)的日益進(jìn)步，腦機(jī)接口技術(shù)已進(jìn)入快速發(fā)展階段，但其在教育領(lǐng)域的應(yīng)用仍處于探索階段。隨著腦機(jī)接口的便攜化發(fā)展和EEG技術(shù)應(yīng)用門檻的降低，其勢(shì)必對(duì)今后的教育實(shí)證研究和教育教學(xué)實(shí)踐產(chǎn)生更積極的影響。

2.研究國(guó)家（地區(qū)）及機(jī)構(gòu)

為進(jìn)一步分析應(yīng)用EEG技術(shù)的教育研究圖景，本研究采用合作網(wǎng)絡(luò)分析從國(guó)家（地區(qū)）和研究機(jī)構(gòu)兩個(gè)維度對(duì)樣本文獻(xiàn)進(jìn)行分析。在CiteSpace中設(shè)置切片時(shí)長(zhǎng)（Years per Slice）為1年，節(jié)點(diǎn)類型（Node Types）選擇國(guó)家（Country），獲得如圖3所示的國(guó)家（地區(qū)）分布圖譜。從圖3中可以看出，美國(guó)、中國(guó)、德國(guó)、英國(guó)、加拿大和日本所開展的基于EEG技術(shù)的教育研究相對(duì)較多。

對(duì)樣本文獻(xiàn)的研究機(jī)構(gòu)進(jìn)行統(tǒng)計(jì)后，發(fā)表論文數(shù)量不低于5篇的10個(gè)研究機(jī)構(gòu)（大學(xué)）如表 1所示?？梢钥闯?，論文數(shù)量最多的是瑞士蘇黎世大學(xué)（14篇），其次為荷蘭拉德堡德大學(xué)（9篇）和美國(guó)加州大學(xué)圣地亞哥分校（9篇）。在這10個(gè)研究機(jī)構(gòu)（大學(xué)）中，美國(guó)和中國(guó)各占3所，這與上文對(duì)文獻(xiàn)來源國(guó)家（地區(qū)）的統(tǒng)計(jì)結(jié)果相符。值得關(guān)注的是，表1中我國(guó)的研究機(jī)構(gòu)（大學(xué)）均位于上海市，分別是上海科技大學(xué)、華東師范大學(xué)和華東理工大學(xué)。進(jìn)一步對(duì)這10所研究機(jī)構(gòu)（大學(xué)）的相關(guān)文獻(xiàn)進(jìn)行分析后發(fā)現(xiàn)，其研究主要集中在三個(gè)方面：一是EEG和腦機(jī)接口的技術(shù)創(chuàng)新及其在教育研究中的應(yīng)用，涉及紐約大學(xué)和上海科技大學(xué);二是EEG技術(shù)在教育教學(xué)實(shí)踐中的情景化應(yīng)用，涉及華東師范大學(xué)的教育學(xué)部和心理與認(rèn)知科學(xué)學(xué)院;三是從腦科學(xué)、認(rèn)知神經(jīng)科學(xué)、人類行為學(xué)等視角，應(yīng)用EEG技術(shù)探究人的思維、認(rèn)知、學(xué)習(xí)與大腦間關(guān)系，如荷蘭拉德堡德大學(xué)的唐德斯大腦、認(rèn)知及行為研究所（Donders Institute for Brain，Cognition and Behaviour）。

三、基于EEG技術(shù)的教育研究發(fā)展趨勢(shì)

通過對(duì)突現(xiàn)關(guān)鍵詞的分析可了解某一時(shí)期內(nèi)正在興起的研究主題。為把握基于EEG技術(shù)的教育研究發(fā)展趨勢(shì)，本研究進(jìn)一步對(duì)1154篇樣本文獻(xiàn)的關(guān)鍵詞突變特征進(jìn)行分析。在CiteSpace中設(shè)置切片時(shí)長(zhǎng)（Years per Slice）為4年，節(jié)點(diǎn)類型（Node Types）為關(guān)鍵詞（Keyword），主題詞類型（Term Type）為突現(xiàn)詞（Burst Terms），網(wǎng)絡(luò)精簡(jiǎn)算法為Pathfinder，運(yùn)行后得到突變時(shí)間由遠(yuǎn)及近排列的21個(gè)突現(xiàn)關(guān)鍵詞，如表2所示。通過對(duì)這21個(gè)突現(xiàn)關(guān)鍵詞的進(jìn)一步分析，可將基于EEG技術(shù)的教育研究發(fā)展趨勢(shì)歸納為以下幾個(gè)方面。

1.應(yīng)用EEG技術(shù)改善教學(xué)活動(dòng)

在利用EEG技術(shù)采集到腦電波數(shù)據(jù)之后，可以依靠MindXP等腦電信號(hào)分析軟件對(duì)數(shù)據(jù)進(jìn)行分析，從而擴(kuò)展其教育功能。通過對(duì)“Medical Education”“Teaching”“Cognition” “Response” “Working Memory” “Communication” “Prediction” “Deep Learning” “Emotion Recognition”等突現(xiàn)關(guān)鍵詞對(duì)應(yīng)文獻(xiàn)進(jìn)行閱讀和分析發(fā)現(xiàn)，EEG技術(shù)由于在監(jiān)測(cè)和訓(xùn)練注意力、情緒識(shí)別、預(yù)測(cè)認(rèn)知狀態(tài)、測(cè)量學(xué)習(xí)投入度、評(píng)估教學(xué)績(jī)效等方面具有較大潛能和優(yōu)勢(shì)，因而其在相關(guān)研究中日益受到重視。

注意力監(jiān)測(cè)與訓(xùn)練。注意力是學(xué)習(xí)通道的“閥門”，一旦注意力開始渙散或無法集中，“閥門”也就關(guān)閉了，一切有用的知識(shí)信息也就無法被學(xué)生順暢獲取。EEG采用腦電信號(hào)作為數(shù)據(jù)源，基于復(fù)雜算法可將腦電信號(hào)轉(zhuǎn)化為專注值或冥想值，從而幫助教師判斷學(xué)生的注意力狀態(tài)變化。基于EEG技術(shù)的注意力研究主要分為注意力訓(xùn)練和注意力監(jiān)測(cè)兩類。注意力訓(xùn)練常被應(yīng)用于醫(yī)學(xué)教育（Medical Education），如幫助存在注意力缺陷和多動(dòng)障礙的兒童增強(qiáng)和維持注意力（Nazari et al.，2010;Steiner et al.，2011）。而注意力監(jiān)測(cè)通常被用于課堂教學(xué)研究，學(xué)生的注意力數(shù)據(jù)經(jīng)過監(jiān)測(cè)系統(tǒng)實(shí)時(shí)處理并反饋給學(xué)生，以幫助他們主動(dòng)調(diào)整自身注意力狀態(tài)，從而實(shí)現(xiàn)更好的教學(xué)效果?？梢?，通過對(duì)特殊兒童和正常學(xué)生的注意力監(jiān)測(cè)和訓(xùn)練來提升其學(xué)習(xí)專注度，將是未來EEG技術(shù)在教育實(shí)踐和研究中最基本的應(yīng)用。

學(xué)生學(xué)業(yè)情緒識(shí)別。學(xué)生的情緒特征對(duì)其學(xué)習(xí)過程和學(xué)業(yè)成績(jī)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(duì)學(xué)生的學(xué)業(yè)情緒進(jìn)行識(shí)別存在較大的技術(shù)難度。因此，若要精準(zhǔn)識(shí)別學(xué)生的學(xué)業(yè)情緒，就需要基于人工智能技術(shù)和機(jī)器學(xué)習(xí)算法對(duì)原始腦電波數(shù)據(jù)進(jìn)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(shí)，實(shí)時(shí)記錄其腦電信號(hào)，并使用支持向量機(jī)（Support Vector Machine，SVM）算法進(jìn)行特征提取。研究雖然證明了從腦電信號(hào)中識(shí)別情緒具有可行性，但其平均準(zhǔn)確率也只達(dá)到60%（Kaur et al.，2018）?？梢姡诵枰粩鄡?yōu)化腦電波信號(hào)采集的精度并降低噪聲之外，還需要通過引入先進(jìn)的機(jī)器學(xué)習(xí)算法來擴(kuò)展情緒識(shí)別的種類并提升其準(zhǔn)確性，這也將是未來教育研究的必然趨勢(shì)之一。

學(xué)生認(rèn)知風(fēng)格及水平評(píng)估。學(xué)生的認(rèn)知風(fēng)格和認(rèn)知水平因人而異，其與人腦的α波密切相關(guān)（Riding et al.，1997）。認(rèn)知風(fēng)格可分為場(chǎng)依存型或場(chǎng)獨(dú)立型、沖動(dòng)型或沉思型等不同類型，不同認(rèn)知風(fēng)格的學(xué)習(xí)者在處理信息時(shí)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(shí)踐中，通常采用問卷調(diào)查的方式了解和評(píng)估學(xué)生的認(rèn)知風(fēng)格。而基于EEG數(shù)據(jù)判斷學(xué)生的認(rèn)知風(fēng)格和認(rèn)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(shí)現(xiàn)了對(duì)場(chǎng)依存和場(chǎng)獨(dú)立兩類被試的區(qū)分和評(píng)估（Farmaki et al.，2019）。鐘熙權(quán)（Joo-Hee Kwon）等利用EEG技術(shù)對(duì)不同工作量下的認(rèn)知負(fù)荷評(píng)估進(jìn)行了初步研究（Kwon et al.，2018）?？梢钥闯?，基于EEG技術(shù)的學(xué)生認(rèn)知風(fēng)格及水平評(píng)估在實(shí)現(xiàn)個(gè)性化教學(xué)和適應(yīng)性學(xué)習(xí)方面具有重要的應(yīng)用和研究?jī)r(jià)值，值得教育研究者關(guān)注。

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

教師教學(xué)質(zhì)量評(píng)估。當(dāng)前對(duì)教師的教學(xué)質(zhì)量評(píng)估多基于學(xué)生成績(jī)和學(xué)生評(píng)教數(shù)據(jù)。事實(shí)上，教學(xué)活動(dòng)中的師生是相互影響的，學(xué)生的狀態(tài)變化能夠客觀體現(xiàn)教師的教學(xué)水平。如何通過EEG技術(shù)采集并分析師生在教與學(xué)過程中的腦電波數(shù)據(jù)，進(jìn)而改善教學(xué)活動(dòng)中的師生互動(dòng)，并對(duì)教師的教學(xué)質(zhì)量進(jìn)行評(píng)估，此類研究近年來受到教育研究者的關(guān)注。例如，有研究發(fā)現(xiàn)教師的言語行為、學(xué)習(xí)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(shù)局限等問題，EEG技術(shù)在教學(xué)質(zhì)量評(píng)估中的常態(tài)化應(yīng)用還需較長(zhǎng)時(shí)間，但其仍將是教師發(fā)展領(lǐng)域的研究焦點(diǎn)。

2.優(yōu)化EEG數(shù)據(jù)采集以提高實(shí)驗(yàn)可靠性

受制于技術(shù)局限和教育倫理，當(dāng)前EEG技術(shù)尚未被常態(tài)化應(yīng)用于真實(shí)課堂，而更多被研究者應(yīng)用于教育實(shí)驗(yàn)。通過對(duì)突現(xiàn)關(guān)鍵詞“Controlled Study”“EEG Signal”“Learning Algorithm”“Event Related Potential”“Brain Wave”“Brain Activity”“Activation”“Prefrontal Cortex”“Neuroimaging”相關(guān)文獻(xiàn)的分析后發(fā)現(xiàn)，從多角度對(duì)腦電波信號(hào)的采集進(jìn)行優(yōu)化以提高數(shù)據(jù)的精確度，能夠更好地為對(duì)照研究（Controlled Study）等形式的教育實(shí)驗(yàn)提供支持。

腦電波信號(hào)的來源主要有兩類：一是大腦在思維活動(dòng)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(dòng)，即誘發(fā)電位或事件相關(guān)電位。在對(duì)照實(shí)驗(yàn)中，研究者多通過分析學(xué)生學(xué)習(xí)過程中這兩種腦電波的差異，來評(píng)估教學(xué)干預(yù)對(duì)學(xué)習(xí)效果的影響。值得注意的是，改進(jìn)腦電波信號(hào)的采集、處理和分析方法，以及借助神經(jīng)影像學(xué)（Neuroimaging）的理論和方法，將是未來提升基于EEG數(shù)據(jù)的教育實(shí)驗(yàn)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(jī)接口，向100多名殘疾人同時(shí)提供字符拼寫服務(wù)（Guger et al.，2009）。然而，當(dāng)前教育實(shí)驗(yàn)中所使用的EEG數(shù)據(jù)采集方法仍十分復(fù)雜，如何更加簡(jiǎn)便、高效、實(shí)時(shí)且準(zhǔn)確地對(duì)腦電波數(shù)據(jù)進(jìn)行采集與處理，將是未來的研究熱點(diǎn)。

3.EEG與新技術(shù)的融合賦能教育研究

技術(shù)融合創(chuàng)新是推動(dòng)教育變革的重要力量?；趯?duì)突現(xiàn)關(guān)鍵詞和相關(guān)文獻(xiàn)的分析發(fā)現(xiàn)，EEG與人工智能和虛擬現(xiàn)實(shí)技術(shù)的融合應(yīng)用最為常見，且被越來越多的教育研究者所關(guān)注。

與人工智能技術(shù)的融合。隨著人工智能技術(shù)的發(fā)展及其在教育領(lǐng)域的應(yīng)用，個(gè)性化教學(xué)和適應(yīng)性學(xué)習(xí)將成為常態(tài)。近年來，EEG技術(shù)也被用于智能化教學(xué)平臺(tái)的構(gòu)建，以實(shí)現(xiàn)對(duì)教學(xué)過程中多模態(tài)數(shù)據(jù)的采集。進(jìn)而，可以通過機(jī)器學(xué)習(xí)和大數(shù)據(jù)分析技術(shù)，對(duì)學(xué)生的外在學(xué)習(xí)行為和內(nèi)在認(rèn)知活動(dòng)進(jìn)行綜合建模分析，從而為學(xué)生的個(gè)性化學(xué)習(xí)和自我調(diào)節(jié)提供及時(shí)反饋，或是通過自適應(yīng)推薦系統(tǒng)為其精準(zhǔn)推送學(xué)習(xí)資源，以滿足學(xué)生的個(gè)性化學(xué)習(xí)需求。例如，徐濤等利用基于EEG的學(xué)習(xí)情緒識(shí)別技術(shù)對(duì)現(xiàn)有的智能輔導(dǎo)系統(tǒng)進(jìn)行改進(jìn)（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(xué)習(xí)模式與理論構(gòu)建、情景化應(yīng)用等方面仍有待突破。

與虛擬現(xiàn)實(shí)技術(shù)的融合。虛擬現(xiàn)實(shí)技術(shù)具有沉浸性、想象性和交互性等特點(diǎn)，其與EEG技術(shù)的結(jié)合能夠使個(gè)體處于沉浸式環(huán)境中，避免外界因素對(duì)其腦電波的干擾，從而提升教育實(shí)驗(yàn)的準(zhǔn)確性。例如，可基于虛擬現(xiàn)實(shí)和EEG技術(shù)研究創(chuàng)造力、創(chuàng)造行為和腦電波間的關(guān)系，從而為面向創(chuàng)造力培養(yǎng)的教學(xué)設(shè)計(jì)和學(xué)習(xí)環(huán)境創(chuàng)建提供指導(dǎo)（Yang et al.，2018）;在虛擬現(xiàn)實(shí)環(huán)境下對(duì)語言處理過程中的腦電生理活動(dòng)進(jìn)行探究（Tromp et al.，2018）。此外，“EEG+虛擬現(xiàn)實(shí)”也常被用于肢體殘疾者和面癱患者的康復(fù)訓(xùn)練與教育（Calabrò et al.，2017;Qidwai et al.，2019）?？梢?，EEG技術(shù)與虛擬現(xiàn)實(shí)技術(shù)的結(jié)合在具身認(rèn)知和沉浸式教學(xué)設(shè)計(jì)研究中具有一定優(yōu)勢(shì)，將是未來開展特殊教育的重要手段。

與眼動(dòng)追蹤技術(shù)的融合。需要特別指出的是，眼動(dòng)追蹤（Eye Tracking）雖未出現(xiàn)在21個(gè)突現(xiàn)關(guān)鍵詞中，但將其與EEG技術(shù)結(jié)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(shì)。眼動(dòng)的本質(zhì)是人選擇有吸引力的信息，主動(dòng)或被動(dòng)地分配注意力并進(jìn)行認(rèn)知加工。眼動(dòng)追蹤技術(shù)可測(cè)量眼睛注視點(diǎn)的位置和眼球相對(duì)頭部的運(yùn)動(dòng)軌跡，從而實(shí)現(xiàn)對(duì)眼球運(yùn)動(dòng)的追蹤。EEG和眼動(dòng)追蹤都是基于生物反饋的重要研究技術(shù)，二者結(jié)合可實(shí)現(xiàn)對(duì)學(xué)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(zhǔn)確性，從而讓教師能夠更加準(zhǔn)確地對(duì)學(xué)生的學(xué)習(xí)狀態(tài)進(jìn)行評(píng)估，并更好地幫助學(xué)生對(duì)自身狀態(tài)進(jìn)行調(diào)整。如翟雪松等使用眼動(dòng)追蹤和EEG技術(shù)采集學(xué)生的生理信息，以探究基于生物反饋的刺激是否可以促進(jìn)學(xué)生的認(rèn)知（Zhai et al.，2018）。

四、結(jié)論與展望

教育研究的關(guān)鍵目標(biāo)既包括發(fā)展學(xué)生的認(rèn)知能力（National Research Council，2005），也包括促進(jìn)教與學(xué)活動(dòng)的科學(xué)實(shí)施并提升其效果。而腦神經(jīng)的功能是學(xué)生學(xué)習(xí)、教師教學(xué)和教學(xué)績(jī)效的根本（Spector et al.，2014）。因此，反映腦神經(jīng)電波的EEG技術(shù)日益成為教育研究的重要方法和手段。運(yùn)用科學(xué)知識(shí)圖譜對(duì)國(guó)際上基于EEG技術(shù)的教育研究文獻(xiàn)進(jìn)行分析，有利于我國(guó)教育研究者了解相關(guān)研究的熱點(diǎn)話題和發(fā)展趨勢(shì)，促進(jìn)國(guó)內(nèi)教育研究實(shí)證方法的多元化發(fā)展，推動(dòng)教育科學(xué)與神經(jīng)科學(xué)、計(jì)算科學(xué)的交融。通過對(duì)近20年來 WoS和Scopus兩大數(shù)據(jù)庫中的相關(guān)文獻(xiàn)進(jìn)行分析和解讀，可得出如下兩方面的結(jié)論。

一方面，基于EEG技術(shù)的教育研究涉及情緒識(shí)別等六大主題，這些主題可與布魯姆教育目標(biāo)分類系統(tǒng)中的情感、認(rèn)知、動(dòng)作技能三大領(lǐng)域相對(duì)應(yīng)。首先，情緒識(shí)別屬于布魯姆教育目標(biāo)分類中的情感領(lǐng)域。值得注意的是，在美國(guó)教育通訊與技術(shù)學(xué)會(huì)出版的《教育傳播與技術(shù)研究（第四版）》中，也對(duì)EEG技術(shù)在學(xué)習(xí)情緒情感研究中的應(yīng)用進(jìn)行了分析。其次，大腦的自我調(diào)節(jié)、聯(lián)想學(xué)習(xí)和深度學(xué)習(xí)屬于布魯姆教育目標(biāo)分類中的認(rèn)知領(lǐng)域。這三個(gè)研究主題既符合大腦功能在根本上影響人類學(xué)習(xí)的科學(xué)事實(shí)，也反映出EEG技術(shù)在測(cè)量大腦認(rèn)知活動(dòng)上的功能優(yōu)勢(shì)。再次，基于EEG技術(shù)的動(dòng)作技能習(xí)得與布魯姆教育目標(biāo)分類中的最后一個(gè)領(lǐng)域?qū)?yīng)，其之所以受到較多的關(guān)注，是因?yàn)榕c特殊兒童和殘障學(xué)生的教育需求相契合。此外，腦機(jī)接口和機(jī)器學(xué)習(xí)層面的深度學(xué)習(xí)成為研究熱點(diǎn)，這說明研究者十分關(guān)注智能算法等技術(shù)層面的突破，其也是EEG技術(shù)能夠更加高效、精準(zhǔn)、智能地被用于教育研究的重要推動(dòng)力。

另一方面，通過對(duì)基于EEG技術(shù)的教育研究發(fā)展趨勢(shì)的分析可以看出，未來相關(guān)研究還有待在以下幾個(gè)方面取得突破。一是確立與完善教育神經(jīng)科學(xué)（Educational Neuroscience）研究體系。雖然EEG技術(shù)已被越來越多的教育研究所應(yīng)用，但不容忽視的是，這些研究都相對(duì)零散，缺乏系統(tǒng)化、持續(xù)性的研究。為此，來自教育學(xué)和神經(jīng)科學(xué)等領(lǐng)域的研究者應(yīng)注重合作并構(gòu)筑相關(guān)理論框架，通過學(xué)科交叉完善和改進(jìn)研究方法，進(jìn)一步完善教育神經(jīng)科學(xué)研究體系。二是探究如何將“研究發(fā)現(xiàn)”轉(zhuǎn)化為“教學(xué)應(yīng)用”。盡管不少研究已通過EEG技術(shù)驗(yàn)證了某些教學(xué)策略的有效性，EEG技術(shù)也被證實(shí)能夠有效輔助特殊兒童的學(xué)習(xí)，但這些研究成果多是在實(shí)驗(yàn)室環(huán)境或控制實(shí)驗(yàn)條件下取得的。如何進(jìn)一步將研究發(fā)現(xiàn)與成果推廣應(yīng)用到現(xiàn)實(shí)教學(xué)情景中，還需要教育研究者和一線教師開展更多的實(shí)踐探索。三是要加強(qiáng)教育倫理研究。當(dāng)前，EEG正逐步發(fā)展為一項(xiàng)能支持真實(shí)教學(xué)活動(dòng)的教育技術(shù)，但同時(shí)也對(duì)教育倫理形成巨大挑戰(zhàn)。未來要將EEG技術(shù)廣泛應(yīng)用于教學(xué)實(shí)踐，則亟需加強(qiáng)相關(guān)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(xué)領(lǐng)域在過去30年中已取得巨大進(jìn)展，但其成果及方法在教育研究中的應(yīng)用才剛起步。雖然有人用“神經(jīng)神話”（Neuromyths）來形容神經(jīng)科學(xué)對(duì)學(xué)習(xí)與教育的影響被過分夸大，但不可否認(rèn)的是，研究學(xué)習(xí)過程中的腦神經(jīng)活動(dòng)及其對(duì)認(rèn)知、情感和學(xué)習(xí)效果的影響，對(duì)于推進(jìn)教育科學(xué)在理論和實(shí)踐層面的發(fā)展具有重要意義。如美國(guó)國(guó)家教師教育認(rèn)證協(xié)會(huì)（National Council for Accreditation of Teacher Education，NCATE）就提出要把神經(jīng)科學(xué)的研究成果整合到教師培訓(xùn)課程中（NCATE，2010）?？傊?，EEG作為神經(jīng)科學(xué)領(lǐng)域的重要研究成果與技術(shù)手段，日益受到教育科學(xué)領(lǐng)域的關(guān)注，盡管其在實(shí)踐教學(xué)中的應(yīng)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(guān)研究提供借鑒與參考。

注釋：

① 具體的文獻(xiàn)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(xiàn)：

[1]曹曉明，張永和，潘萌等（2019）.人工智能視域下的學(xué)習(xí)參與度識(shí)別方法研究——基于一項(xiàng)多模態(tài)數(shù)據(jù)融合的深度學(xué)習(xí)實(shí)驗(yàn)分析[J].遠(yuǎn)程教育雜志，37（1）：32-44.

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

[3]劉勇，李青，于翠波（2017）.深度學(xué)習(xí)技術(shù)教育應(yīng)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(xué)習(xí)科學(xué)視角下深度學(xué)習(xí)的多模態(tài)研究[J].現(xiàn)代教育技術(shù)，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(zé)任編輯 譚明杰