基于脑电图闭环调节的数字学习负荷动态调节与神经适应性支架研究

《Scientific Reports》：Closed-loop EEG feedback pacing alters task load during digital learning

　　

摘要

数字学习系统很少能够根据学习者的即时认知状态进行调整，这可能会导致学习负荷过低或过高的风险。本研究探讨了基于脑电图（EEG）的闭环调节机制是否能够改变数字学习任务中的负荷动态。共有51名参与者被随机分配到适应性组、奖励组或对照组。在适应性组中，根据前额叶θ波和顶叶α波的信号，动态调整反馈时间（3至8秒）；奖励组和对照组则使用固定的5秒反馈时间，其中奖励组参与者有望获得与表现相关的奖励。所有组的准确率都随着学习过程的进行而提高，但组间或组内各阶段之间没有显著差异。相比之下，脑电图指标显示了组间的差异：在适应性组中，任务负荷随时间逐渐降低，前额叶θ波和顶叶α波的活动表现出显著的组内差异。此外，适应性组的反馈时间在后期有所缩短，而奖励组参与者表现出更高的满意度。内在动机并未调节组间的差异，但感知到的能力对最终成果有影响；兴趣、努力程度和能力则预测了参与者的参与度。这些发现表明，尽管在当前任务条件下无法立即提升准确率，基于脑电图的反馈调节机制仍能够调节神经生理负荷动态。研究结果支持将“神经适应性支架”（neuroadaptive scaffolding）作为数字学习中的状态调节机制。