脑机接口研究之演化及教育应用趋势的知识图谱分析——基于1985-2018年SCI及SSCI期刊论文研究
| 全文共15378字，建议阅读时30分钟 |
本文由《远程教育杂志》授权发布
作者：姜雷、张海、张岚、吴闯、孙启存、李海斌
摘要
作为一项涉及到神经科学、心理认知科学、生物医学、计算机科学、通信技术等多门学科的交叉技术，脑机接口技术建立了人脑和计算机或技术装置直接交流的通信通道，这一技术的逐步成熟并显现出在未来教育领域巨大的应用潜力。脑机接口历史演化和研究现状表明：脑机接口在教育领域中的应用主要集中在学习者情感识别、注意力水平测量、教学质量测量等三方面；脑机接口的研究可以为学习设计、智慧学习环境创设提供实时、准确的学生状态信息，进而为学习者深度分析、个性化学习、自适应学习提供助力。脑机接口技术在未来具有广阔的应用和发展前景。
关键词：脑机接口；BCI；脑科学；教育神经科学；知识图谱；大数据；智慧学习环境；学习通用设计
随着脑科学研究的发展，教育研究者开始尝试将脑科学的研究成果应用到教育领域，并从神经科学的角度来研究学习科学，解决教育中面临的一些问题。这种实践探索，使得融合教育学与认知神经科学两个领域所形成的交叉学科一教育神经科学不断发展壮大。2007年，经济合作与发展组织（OECD）的《理解脑：新的学习科学诞生》一书的问世，标志着一门新兴的学科——教育神经科学诞生。教育神经科学尝试通过整合认知神经科学、心理学和教育科学等领域，来探索有关学习认知的脑机制，并依据研究成果设计出更加有效的教与学，以指导与改善教育政策的制定[1]。
虽然作为一门新兴学科，还存在着脑科学成果向教育领域转化的诸多问题，但这为教育研究者从认知神经心理学、认知心理生理学、认知生理心理学、认知神经生物学、计算神经科学等多个领域，为大脑活动的微观视角来研究大脑认知机制，提供了理论和实践的基础。在行为主义、认知主义所采用的、多年以来盛行的隐喻性、间接性的学习研究方法之外，脑科学研究开辟了一条全新的、更为科学严谨的研究道路。换言之，运用医学的研究方法，来直接研究人脑内部的学习机理。这使得脑科学在获得更多的、更直接的学习研究结论方面，显示出巨大的优势与发展前景。
我国脑科学与教育科学结合的推动者韦钰教授认为，“教育神经科学的出现，使我们可以根据人脑的发展规律来研究人的心智发展，进而研究教育的规律。教育神经科学可以为教育政策的制定、教学和其他教育实践提供实证的科学基础”[2]，是教育研究的新范式。作为脑科学研究成果之一的脑机接口（Brain Computer Interface，BCI）技术的逐渐成熟，为教育大数据、人工智能教育应用提供数据来源，对智慧/智能学习环境、智慧/智能课堂的构建，以及学习者的学习行为分析和自适应学习均产生了重要影响。
目前，国内文献中研究脑机接口的文章很多，在CNKI中以“脑机接口”为检索词，在主题字段中检索，检索结果为1124篇，但在教育领域应用的文章几乎没有，显示了脑机接口技术在教育领域的应用研究仍需要开拓。相较而言，国外的相关研究起步较早，已经积累了一些研究文献。为此，本文对1985-2018年SCI及SSCI期刊论文进行知识图谱分析，试图科学地揭示脑机接口及其教育应用研究的演化趋势，以期为今后的相关研究提供一些参考。
一、脑机接口研究的核心概念及研究范畴
脑机接口（以下简称BCI），是近年来在认知神经科学脑功能成像技术基础上发展起来的一项应用技术。它通过对脑信号的采集和预处理，将其转换为计算机识别的信号，通过信息的特征提取、特征分类等算法，进而转化为控制外部设备的指令，实现在一定程度上解读人简单思维的目的[3]。这种直接通过大脑的思维活动来表达想法或操纵设备，而不需要任何言语或动作的技术，能够为严重神经或肌肉障碍患者，建立人脑和计算机或其他装置直接交流的途径。
这一领域的最早研究可以追溯到1976年，但直到1999年6月，在美国纽约举行的第一次BCI学术研讨会上，Wolpaw J对于脑机接口才作出了首次正式的界定：脑机接口是一种不依赖于脑的正常输出通路（外围神经和肌肉），在人脑和计算机或其他电子设备之间建立直接交流和控制通道的适时通讯系统[4]。标志着这一全新研究领域的正式形成。
顾名思义，脑机接口技术首要的研究领域就是脑信号的获取。脑信号可分为脑电信号、脑磁信号及脑血流信号等。在早期阶段，由于脑电信号易于获取，国外研究较多关注脑电信号。后来，随着脑磁信号及脑血流信号等其他信号获取技术的进步，BCI研究渐趋多样化，图1所示的是目前脑机接口主流系统的构成情况。
从其信号获取方式上看，脑机接口技术可以采用植入式和非植入式两种方式。植入式脑机接口是将探针放至颅腔内，实现对脑电信号的采集，具有较高的精度和较小的噪声，但是容易引发免疫反应，这种采集方式主要针对峰电位和局部场电位；非植入式脑机接口指不侵入大脑直接获取信号的方式。非植入式获取技术直接采集头皮的脑信号，在时间分辨率、易用性上表现出色，但信号的分辨率并不高[5]。脑电图（EEG）、脑磁图（MEG）和功能核磁共振成像（fMRI）就属于非植入式的获取技术。
从信号来源方面看，脑机接口技术较多应用脑电信号（EGG-based brain computer interface）。脑电生理信号的来源主要分为两类：一类是大脑思维过程中的自发脑电；第二类是脑诱发电位或事件相关电位，是由外界刺激或事件操作所引发的大脑皮层的神经电活动。由于脑电信号来源的不同，产生了如P300、事件相关电位（ERP）、运动起始视觉诱发电位（mVEP）、稳态视觉诱发电位（SSVEP）、皮层慢电位（SCP）等不同的脑机接口系统。除了脑电信号外，脑机接口系统还采用脑磁图、功能核磁共振成像、近红外光谱等作为信号来源。
可见，脑机接口技术以解释人的认知机制为目的，它和教育学、教育技术学理论具有高度契合性。教育学、教育技术学可以借鉴脑机接口技术的分析方法，用认知神经学的理论来丰富和发展教育应用研究，以实现对于学生学习过程的分析；并根据结果反馈调整教学策略，提高教学效果。尤其是在今天信息化、人工智能技术对教育影响越来越大的背景下，脑机接口技术能够为教育大数据提供大量的数据来源，可以结合人工智能技术实现学习者画像，对学习者的学习状况进行精准分析，为自适应学习和个性化学习提供有效的帮助。
随着脑机接口技术的进步，其设备的便携式、可穿戴化、无线化，为其在未来课堂教育、未来学校等新一代智慧/智能学习场景下的各种应用提供条件，呈现出巨大的潜在应用前景。由此可见，我们通过对脑机接口进行知识图谱分析，对其未来的研究趋势和前景进行预判与展望，这对教育学和教育技术学研究者而言，具有积极而重要的意义。
二、基于知识图谱对核心关键科学文献的分析及研究
知识图谱分析是利用可视化、数据挖掘等技术与文献计量学的方法相结合，建立知识表达系统，通过可视化图谱直观显示知识脉络、研究热点、前沿领域等信息，为研究者提供帮助。本文采用知识图谱分析方法进行研究。
（一）数据来源
SCI期刊和SSCI期刊是得到研究领域公认的最权威的学术论文来源，考虑到脑机接口研究的前沿性，为保证相关研究的权威性，本文选取Web Of Science核心合集中《科学引文索引（扩展板）》（Science Citation Index Expanded，SCIE）、《社会科学引文索引》（Social Science Citation Index，SSCI）作为样本来源，通过编制检索式（“brain computer interface”or“brain machine interface”or“direct brain interface”or“direct neural interface”or“mind machine interface”or“neural control interface”）在主题字段中检索。文献类型选择“article”和“review”，精炼后得到与脑机接口相关的论文3893篇，并对其进行分析。
（二）研究方法
我们考虑到根源文献对于一个研究领域源起及演化的意义，以及热点文献对于把握此领域的研究现状的重要性，研究主要采用了如下两个文献计量分析方法：
1.参考文献出版年图谱（RPYS）
在一个学科领域相关文献的所有参考文献中，只有很小比例是在该学科领域之前发表的，且在这小部分参考文献中，通常存在几篇文献的被引频次远高于同年或前后几年内发表的其他参考文献。那么，这几篇文献很可能是对该领域的产生具有重要作用的根源文献。同时，满足上述条件的参考文献出现的位置，一定是在图谱上的某个峰值，因此，通过对RPYS的峰值分析，就有可能找到该领域的历史根源文献[6-7]。
2.知识图谱可视化分析软件（CiteSpace）
利用知识图谱可视化分析软件CiteSpace，可较好分析BCI研究的现状和研究热点。CiteSpace是一款应用于计量和分析科学文献数据的信息可视化软件，基于共引分析理论和寻径网络算法，对特定领域文献（集合）进行计算，通过文献聚类、突变，来分析学科热点和前沿[8]。
三、脑机接口技术的研究文献及演化分析
我们对脑机接口技术文献的演化分析，主要集中于对发文量和发表当年引用上，并通过分析高被引文献，确定其研究源起和基本研究框架。
（一）发文量和发表当年引用分析
从发文数量和发表当年引用情况来看，脑机接口的发展可以分为三个阶段：
第一个阶段是1985-1998年，属于前BCI研究（Pre-BCI Studies）时期。BCI的概念于1976年提出，但是最初并未受到研究者的关注，直至1985年才有少量研究且引用次数非常少。但从1997年开始，引文数量有大幅的增长，表明学者已经开始关注这个领域研究的发展。
第二个阶段是1999-2011年。1999年第一届BCI国际学术研讨会召开，对脑机接口的概念作了界定，总结了脑机接口的相关研究，对研究目标、发展方向、应用技术做了总结、思考与展望，从而为BCI的系统研究拉开了序幕。在此阶段，BCI的发文量持续增加，引文数量也较先前有了爆发式的增长，在2008年达到峰值10775次，显示研究者已经重视这个领域，并积极进行了探索。
第三阶段从2012至今，发文数量仍旧保持增长，但是引用次数有下落的趋势。究其原因，一方面是受发表周期所限；另一方面，也显示脑机接口技术的理论日趋成熟。随着研究设备单价的大幅下降，大量研究者开始进入实践和应用研究领域，研究热点出现了转折（如表1、图2、图3所示）。
（二）领域研究的源起及基本框架构建
根据CRExplor.exe软件分析结果，脑机接口领域RPYS显示：1920年以前的参考文献总被引频次均为0，直到1929年才出现一个明显的高峰。
由于脑机接口是20世纪70年代未提出的概念，因此，本文对1920-1991年间参考文献出版年图谱进行分析，详见图4。
图谱中的X轴表示参考文献出版年，y轴呈现了两组数据值，位于上方曲线表示每一年参考文献的被引总频次，位于下方曲线表示该出版年的参考文献的总被引频次相对于该出版年前一年、前两年、该出版年、后一年、后两年的总被引频次的中位数的偏差。该图可用于探究脑机接口的历史根源及演化过程。依据W Marx等在2014年的研究成果[9]，在对RYYS峰值点分析时，往往只需要对被引频次最高的单篇文献进行分析。观察图4，我们得到峰值点被引频次最高的文献，详见表2。
通过对原始文献的查证，我们发现：构成脑机接口研究的十个峰值点，以及对应脑机接口研究的十个重要支撑点。这十个支撑点覆盖了脑机接口研究的核心概念和基本框架，可以说是未来研究的重要基石。
第一个峰值点指向1929年，德国精神科医师Berger Hans发表在期刊European Archives of Psychiatry&Clinical Neuroscience上的一篇文章[10]，该文报道了在人类的头盖骨上测量到了电波，系首次公开记载人类脑电波的存在。
第二个峰值点是Fisher R A于1936年提出的Fisher判别法[11]—文，该方法的主要思想是通过将多维数据投影到某一方向上，使投影后的类与类之间尽可能分开，然后再选择合适的判别准则，即一种利用降维分类的方法。该判别方法被广泛应用于复杂信息处理，如人脸识别、脑电信号数据分析等方面。
第三个峰值点是美国脑电图学会主席和创始人Jasper H H博士在1949年发表的论文[12]，文章探索了大脑运动皮层工作机制，发现人体的运动（行为）会引起大脑电信号特定频段（脑）的变化。
第四个峰值点指向Jasper H H博士的另一篇论文[13]，文章报告了国际脑电图学会在1958年制定的各国统一的10-20个国际脑电记录系统。
第五个峰值点指向的是Sutton S等在1965年发表在期刊Science的论文[14]，该研究提出事件相关电位（ERP）及其研究方法。事件相关电位是指当人对某客体进行认知加工（如：注意、记忆、思维等）时，通过平均叠加从头颅表面记录到的大脑电位，进而反映认知过程中大脑的神经电生理改变，并首次发现了认知电位P300，对认知领域的电生理研究具有开创性的意义。随着学者对P300广泛和深入的研究，发现其可以作为评判大脑功能的客观指标，并在许多领域得到了应用，基于P300事件相关脑电电位的脑机接口系统，是应用最广泛的BCI类型之一。
第六个峰值点指向的是Vidal J J等于1973年发表的“脑机通讯”一文[15]，文章详细介绍了诱发电位、 α波与μ节律，这些是在脑机接口系统中经常应用到的脑电信号，这些信号为脑机接口系统的研究奠定了基础。
第七个峰值点指向的是Hjorth B于1975年发表的论文[16]，文章首次将生物电活动的表面拉普拉斯应用于脑电记录。他根据从头部10-20导联位置所采得的电位，采用五个单极表面EEG电极势，来估计头皮EEG的表面拉普拉斯，发现从表面拉普拉斯分布中分离靠近头皮的神经活动，比从表面势中分离更加容易。许多研究小组在表面拉普拉斯用于脑电研究方面，作了很多研究，其已成为脑电高分辨率成像的重要手段。
第八个峰值点指向的是Pfurtscheller G等发表于1977年的论文[17]。文章揭示大脑在想象动作时，会使同侧脑运动皮层区域的μ节律、β节律得到增强，而对侧μ节律、β节律会相应减弱，这一现象被称之为事件相关同步和事件相关去同步。该文证实了事件相关同步/去同步现象，主要集中在脑电信号中的μ节律和β节律段，并且提出了针对事件相关同步/去同步的量化理论。
第九个峰值点指向的是Georgopoulos A P等发表于1982年的论文[18]。文章发现神经元动作电位的发放，对不同的方向有明显的偏好性，如果将每个神经元对方向的偏好程度作为一个向量，那么，所有神经元对方向偏好向量的矢量和与实际的运动方向相同。也就是说，利用集群神经元对方向的共同作用，可以得到最终的运动方向。基于此文章，该作者提出了神经信号解析的代表性算法——群体矢量法。
第十个峰值点指向的是Farwell L A发表于1988年的论文[19]，该文开发了最早的P300-BCI系统，即利用P300实现了英文字母选择系统，通过将字母排列成一个6x6的矩阵虚拟键盘，并轮流闪烁实现P300的视觉诱发。
基于RPYS分析发现的这十篇对脑机接口领域起源与发展具有重要支撑作用的经典文献，我们可以得到以下结论：
第一，脑机接口领域起源，最早可以追溯到1929年神经科学领域人类脑电信号的发现。脑电信号的研究为脑机接口的研究奠定了基础，并通过进一步研究，揭示出脑机接口经常使用的脑电信号为α波、μ节律、β节律及认知电位P300等。
第二，脑电信号的处理与转换算法，是脑机接口技术的核心。研究脑电信号如何进行有效记录、预处理、特征提取与分类等方法，为脑机接口领域的起源，起到了推波助澜的作用。
随着计算机技术、自动控制技术、通信技术、电子技术、人体解剖学、心理学等学科的发展，一个新兴的研究领域——脑机接口已经诞生，并且在近些年得到持续发展。
四、脑机接口技术的研究现状和热点分析
我们对脑机接口技术的研究现状和研究热点分析，主要体现在机构共现、作者共现、引文分析和关键词分析。由此，判断其当前研究群体、当前研究热点和未来研究趋势。
（一）机构共现、作者共现分析
在已发表文章的国家知识图谱分析中，我们可以发现，美国处于发文量领先地位，共发文1300篇。中国虽然起步较晚（2002年），但近年来该主题在外文核心数据库的发文量持续上涨，居于次席。表3是各国发文数量统计情况。
在机构图谱中，按照发文量排名，前十位依次是图宾根大学（180）、格拉茨大学（159）、纽约州立大学（91）、加州大学圣迭戈分校（72）、华盛顿大学（64）、维尔茨堡大学（64）、匹兹堡大学（64）、柏林工业大学（57）、斯坦福大学（57）、杜克大学（53）。显然，上述机构是该领域最为核心的研究机构，其中排名前三位的是最先关注该领域并取得丰硕成果的研究机构。
从发文量机构图谱中我们可以看出，纽约州立大学、图宾根大学、格拉茨大学及华盛顿大学、斯坦福大学、纽约州立大学这两个聚类的联系非常紧密，有合作关系。中国的主要研究机构有中科院、上海交通大学、电子科技大学、浙江大学、清华大学、华南理工大学等，具体如图5所示。
在作者图谱中（见图6），作者结点大小反映发文数量，代表着作者的知识产出能力。在此领域中，Birbaumer N、Pfurtscheller G、Kubier A、Blankertz B、Neuper C、Muller K R、Muller-Putz G R、Wolpaw J R、Schalk G、Guan C T等十位作者，是该领域知识产出最多的作者，可以视为该领域的核心作者。
通过作者共现图谱的分析，我们可以看出：Birbaumer N、Kubler A、Wolpaw J R和PfurtschellerG、Wo1paw J R、Muller-Putz G R、Neuper C形成了两个交流比较频繁的聚类，是此领域研究的重要的合作团体。除了这两个主要的研究团体外，Cincotti F、Hinterberger T、Hwang H J、和Guan CunTai，也形成四个聚类较明显的团体。中国学者的研究也体现了明显的聚类特征。其中，李远清（Li Yuanqing，华南理工大学）、龙锦益（Long Jinyi，华南理工大学）、顾正晖（Gu Zhenghui，华南理工大学）、高上凯（Gao Shangkai，清华大学）、高小格（Gao Xiaorong，清华大学）以及王行愚（Wang Xingyu，华东理工大学）、金晶（Jin Jing，华东理工大学）、张宇（Zhang Yu，华东理工大学）等形成了两个研究团体。
（二）引文分析
在引文图谱中（见图7），用节点的大小对文献的被引频次进行标注。结点之间的连线代表其共被引关系。共被引的强度越大，连线越粗。
基于引文图谱的分析，我们考虑文献的中介中心性、爆发性和被引频次，通过citespace分析，确定了表4所示10篇脑机接口领域的关键节点文献。并通过对被引文献研究主题的初步分类，把关键节点文献分为BCI系统设计和数据算法两大类。
序号1是此领域最重要的综述性文献，他提出了“在理论上，脑的感觉、运动及认知意识在自发脑电中应该是可辨别的”。文章介绍了BCI脑电信号的来源，这些信号包括皮层慢电位、P300电位、头皮记录的μ或β节律，以及植入电极记录的皮质神经元活动；文章还提出了BCI从各种不同的电生理信号中确定用户的意图，这涉及到BCI的技术实现问题，并认为神经生物学、心理学、工程学、数学和计算机科学的发展和数据算法，会推动BCI的发展[20]。这篇文献是BCI研究引用次数最高的文献，实现了对之前研究的总结，对未来发展做出了规划，将BCI的研究推向了快速发展时期。
序号2、3、4、5、7、8、9的内容涉及有关BCI系统设计方面，BCI系统主要可以分为植入型和非植入型。序号2、4、7三篇文章主要研究植入型BCI在瘫痪患者的机器人手臂及假肢控制方面应用[21-23]，序号3、5、8、10等论文主要研究非植入型BCI在直接与物理环境进行交互控制方面的应用[24-27]。
BCI技术的核心是把用户输入的脑信号，转换成输出控制信号或命令的转换算法。序号6、9属于BCI数据技术方面，序号6提供了一种共同空间模式算法，以提高脑电图信噪比[28]；序号9使用逐步线性判别分析（SWLDA）来构建分类器，能够提高P300拼写器响应的在线分类性能[29]。
（三）关键词分析
通过关键词图谱的聚类分析（见图8），我们可以将BCI的研究分为：BCI信号来源及系统设计、BCI的应用领域等，从中发现BCI主要研究趋势，具有如下四个特点：
首先，目前BCI可用的人脑信号主要有脑电图（EEG）、脑磁图（MEG）和功能性核磁共振图像（fM-RI）。根据关键词出现的频次可以看出，目前的研究大多集中于EEG的脑电信号获取。在基于EEG的脑机接口的相关文献中，运动想象（Motor Imagery）是出现频次较高的词，与运动想象相关的感觉运动皮层μ节律和β节律是研究的一个热点。μ节律会因动作、动作准备或运动想象而发生变化，β节律中的一些频率是μ节律的谐波，同样也与运动或运动想象存在联系[30-33]。
其次，P300电位研究是另一个热点。P300是一种与大脑认知加工过程有关的内源性诱发电位，与相关事件出现的概率联系紧密，当受到小概率事件的刺激后，大脑会在300mc左右出现一个正电位[34]。P300测量便利，并且不需要训练，可以直接使用，这使得它成为BCI最早使用的测量方法。如，Illinois大学的Farwell L A和Donchin E等设计了基于P300的虚拟打字机[35]，Rebsamen B实现了智能轮椅的导航[36]。
第三，BCI的人脑信号还包括了脑磁信号和功能核磁共振成像。脑磁信号能直接反映脑内场源的活动状态，能够提供比脑电图更高的时空分辨率的信号。研究发现基于脑磁信号的BCI系统，能够提高BCI通信速度[37-38]。随着核磁共振技术的发展，学者们也开始关注在核磁扫描环境下，EEG-fMRI信号融合的问题[39]。
第四，脑信号数据的转换是脑机接口的主要任务之一，它需要将用户输人的脑信号转换为能够输出的控制信号或命令，从而实现人机通信。BCI的数据技术分为以下三种：（1）信号预处理技术，目的是提高信噪比，尽量去除与特征脑电无关的其他特征信号，包括独立分量分析（ICA）、Kalman滤波（Filter）、空间滤波、线性分类器（Linear Classifier）等；（2）特征提取主要是提取脑信号中的有用信息，包括了FFT算法、遗传算法（GA）、自回归模型（Autoregressive Modeling）、自适应自回归模型（Adaptive Autoregressive Model）、典型相关分析（Canonical Correlation Analysis）、共同空间模式（Common Spatial Pattems，CSP）算法；（3）分类的方法主要有贝叶斯学习（Bayesian Learning）、支持向量机（Support Vector Machine）、逻辑回归（Logistic Regression）等。
目前，脑机接口主要的研究和应用范围，仍然主要集中在医学领域[40-42]，主要表现在对脑的测量和脑对机器人的控制这两大方面。
五、脑机接口技术在教育领域的研究现状
首先，脑科学的研究为教育学中学习机制的揭示，提供了一种更全面、更严谨的新范式。脑科学关于学习机制做出了很多有价值的论断[43-47]，这些研究都为脑机接口技术在教育领域的应用，提供了理论支撑。
其次，脑机接口技术在医学领域的应用，形成了一套从脑信号获取到数据转换、脑机接口系统设计的完整解决方案，这些都为其在教育领域的应用提供了操作可能性。
第三，近年来，人工智能2.0和大数据技术等在教育中得到了广泛应用，在深度学习、情感计算、数据挖掘与学习分析等学习机制研究方面，都取得了进展[48-49]，“人工智能+教育”、“大数据+教育”助力了学习方式和教学方式的改变，这些为脑机接口技术在教育领域的应用，提供了较好的应用环境以及数据分析方面的技术支持。
基于上述发展条件，我们认为，脑机接口技术在教育领域应用已显现出巨大潜在价值。就目前而言，国外脑机接口在教育学领域应用的相关研究已经开展，主要集中在以下三个方面：
（一）学习者情感识别
在教学过程中学生的情感（焦虑、抑郁等），对于学习效果产生了直接影响。在传统的教学过程中，教师对于学生情感大多采用直接观察的方式，缺乏科学有效的判断依据。而利用BCI技术，通过脑电信号能够获得更为直观、准确的判定。
例如，Susan W White针对患者自闭症的大学生面临的组织能力差、执行能力差、缺乏时间管理技能、缺乏情绪调节能力、焦虑、抑郁等问题，比较了社会心理干预和VR-BCI两种解决方案，通过对阅读和专注冥想水平的测量，确认了BCI对社交能力，重点是情感识别方面具有效果[50]；Raja Majid Mehmood针对特殊学生建立了基于BCI的Computer Aided Education System（CAES）系统，通过使用可穿戴技术（EGG耳机）实现脑信号的情感识别，为教师教学提供决策支持，帮助教师改进学生的学习过程[51]。Tambe N R使用EEG传感器测量脑电波的波动，实现检查测试者情绪波动，提高学习体验的目的[52]。
另外，数学焦虑对数学成绩存在显著的负面影响，Verkijika S F通过BCI数学教育游戏的数据分析，证实了BCI对数学焦虑的积极作用[53]，证实了数学焦虑可以被训练和减少。
（二）学习者注意力水平的测量
注意力和学习结果有关联，特别是有注意力缺陷的学生，经常会存在学习障碍。提高学生注意力或在注意力水平高的时候学习，有助于学习效果的提升。
Katona J开发基于EEG的测量平均注意力水平的脑机接口系统，通过学生问卷调查和学生考试成绩分析，评估了该项目的有效性[54]。P300作为容易测量的事件相关电位，在脑机接口中应用广泛。Malgorzata Plechawska-Wojcik研究基于P300的脑机接口，用于检查学生对特定目标的注意力，并研究了脑电信号提取特征、过滤和分割的数据转换技术[55]。
（三） 认知知识领域的教学质量测量
基于BCI的教学质量的测量，能够为教师了解学生认知状态和学习机制提供帮助。例如，Kai K A将执行心算任务和与事件相关的血流动力学反应联系在一起，提出了基于近红外光谱NIRS的脑机接口，对32个血红蛋白反应通道进行了测试，可用于评价课堂中的数字认知[58]。
六、脑机接口教育应用的展望与思考
脑机接口虽然在医学领域取得了一定的进展，但在向教育领域的成果转化过程中，面临着诸多的问题，仍然处于探索起步阶段。目前，其研究内容也集中在医学领域常见的情绪感知、注意力测量、认知机制等几方面，并没有完全表现出“教育”这一研究内容的特质。但我们认为，脑机接口技术的持续研究及发展，正为教育（包括教育技术）研究提供了一个崭新的视角，呈现出巨大的应用潜力。
（一）在教学中学习设计领域的应用
目前的主流学习理论，主要包括行为主义、认知主义、建构主义和脑科学相关的学习理论。
行为主义的学习理论强调外在刺激对学习的影响，认为学习行为的发生过程是刺激和反应的直接联结，强调刺激对于学习效果的影响。在教学中，把教师的“教”作为刺激物，学习者的学习是刺激后的效果，是反应的强化。强调教师在教学和学习过程中的中心地位，注重教师对于知识的讲解、传授，学习者处于被动的地位，忽略了学习者的主动性。
认知主义的学习理论认为，学习并非是刺激和反应的直接联结，而是需要学习者的主动性作为中介，强调学习者的心理结构，强调学习者内部认知机制的作用，强调原有经验对于学习的信息加工的影响，由此也产生了带有反馈的练习、学习者分析、学习情境创设等教学形式。比如，“史密斯一雷根模式”吸取了加涅在“学习者特征分析”环节中注意对学习者内部心理过程进行认知分析的优点，强调教学组织策略，是基于认知主义学习理论的教学设计的代表。
建构主义的学习理论认为，学习是学习者在原有经验的基础上，通过与环境的相互作用建立起与原有知识的整体或部分的联系，从而实现知识意义建构。建构主义的学习理论强调了学生在学习过程中的主体地位，而教师是学生主动意义建构的帮助者、促进者。基于建构主义的学习理论，产生了支架式教学、抛锚式教学等鼓励学生自主探索的教学形式。何克抗教授提出的“主体一主导”的以学为中心的模式，成为教学设计的代表。
脑科学一直在探索大脑的学习机制。脑科学在大脑发育规律、大脑结构分工、大脑记忆规律、情绪和动机的工作规律等方面，都做了大量的研究，获得了丰硕研究成果[61-66]。例如，小泉英明根据髓鞘化规律，对学习和教育从神经网络的角度作出了定义[67]。通过考察内侧前额皮层的激活，Dunber提出了一种与建构主义不同的新观点。他以物理系学生为被试，认为他们在学习过程中建立了新的正确的科学概念，但是并没有重构他们的知识。而是在接受了新知识，激活正确的概念之后，不断抑制原有的前概念的过程[68]。这和建构主义的知识建构的观点存在差异，为学习机制研究提供了新的理论基础。
学习通用设计（Universal Design for Learning，UDL）更是在脑科学学习理论指导下，提出的一种教学设计的框架。它根据学生的学习风格、身心发展特点和知识背景，提供多样化的信息呈现方式、多样化的行为和表达方式和多样化的参与方式[69]。其核心就是根据学生的情况制定、修改课程目标并实现教学效果的评价。其理论基础就是脑科学的认知机制，它认为大脑分为三个区域，即认知网络、策略网络和情感网络，相对应地解释了“学习什么”，“如何学习”和“学习动机”[70]这三个问题。学习通用设计也引起了学者的关注，David H. Rose介绍了哈佛大学的T-56课程设计、评价的具体过程。
但目前学习通用设计，更多的是提供一种课程设计的框架，缺乏精准的学习者学习状态监测。脑机接口技术通过脑信号的测量，能够为学习通用设计提供实时、准确的状态信息，为教师课程设计调整、教学策略改变提供数据支撑。具体而言，首先，脑机接口可以监测学习障碍的学生（如，注意力障碍患者、自闭症患者）的学习状态，为他们提供适合的信息呈现方式、参与方式，这也是“通用”概念的范畴之一；其二，针对认知网络，脑机接口技术能够提供注意力测量（包括注意的选择、分配和广度等）的结果，有助于教师提供适合的信息呈现方式；其三，针对策略网络，脑机接口技术能够监测学生个体认知过程的神经机制，为教学设计的改进提供帮助。另外，针对情感网络，脑机接口能够通过学习者情感（焦虑、抑郁等）的测量，促进教师改变学习者参与方式，提高学生的学习动机和参与水平。
（二）对智慧/智能学习环境的分析与支持
人工智能2.0、大数据技术等的发展，为学习者的深度分析、个性化学习、自适应学习带来了新的契机，学习环境逐渐呈现出从数字学习环境向智慧/智能学习环境的转变趋势。当前在数字学习环境中技术的应用，大多局限于对计算机内环境的分析，缺乏对真实情景中学习信息的记录和分析，导致对于学习者个性化学习的分析和自适应学习的支持不足[71]。而在智能化学习环境中，可利用人工智能技术和大数据技术，采集海量样本，通过对学习者建模、模型训练（确定最优参数）、模型评估（找到准确的模型误差）、模型优化等方式，最终实现精准的学习者分析，为教育数据挖掘、学习者研究、学习方式研究、自适应学习提供支持。比如，黄荣怀认为，智慧学习环境就是能够感知学习情景、识别学习者特征、提供合适的学习资源与便利的互动工具、自动记录学习过程和评测结果，以促进学习者有效学习的学习场所或活动空间[72]。另外一些学者则提出，人工智能技术的应用，可以实现为学习者进行数字立体“画像”[73]。
我们认为，脑机接口技术对于“智慧/智能学习环境”的支持，主要表现以下两个方面：
第一，为教育大数据提供一种数据来源。教育大数据是智慧/智能学习环境构成的重要部分。在数字化学习环境中，学习者的建模分析数据来源单一，数据样本量小，并不能为学习者提供精准的个性化学习和教学指导。目前，一般通过采集海量教育数据，利用大数据技术的分析建模、训练能够提供精准的学习者分析和学习指导。而利用脑机接口与脉搏测量技术、眼动测量技术等人体生理指标测量技术结合，提供注意力测量数据、疲劳测试数据、情绪数据、血流动力学相关数据、认知数据等和学习者学习密切相关的数据信息，可以极大丰富教育大数据的种类和数据渠道。
第二，对
脑机接口同大数据、人工智能技术结合能够丰富
具体而言，脑机接口能够实时提供学习过程中的基于脑信号测量的注意力、情绪等数据，实时记录学习者的状态，为追踪学习过程，提供针对性教学和评价，以及学习者建模分析提供数据来源；通过脑机接口的数据，我们可以分析学习者对于学习过程和教学过程的注意力的变化（如，注意的选择、分配和广度），情绪的波动，认知状态的改变，从而为学习者选择适宜的教学策略和教学资源；另外，在建立联接社群时，可以考虑不同学习者的认知过程、情绪、注意力等方面的异同，使得加入的社群符合学习者的学习特点。
不可否认，脑机接口技术在教育领域的应用仍然处于起步探索阶段，其应用仍然是医学领域较为成熟的应用迁移。但是随着脑机接口技术的不断发展和在教育领域的不断探索，它必然会对智能时代的课堂革命和智慧学习环境代表的未来学校革新提供最为直接的理论和技术支持，并产生巨大的影响。
基金项目：本文系东北师范大学哲学社会科学校内青年基金项目”基于服务型图书馆的读者行为分析”（编号：I3QN032）阶段性成果。
作者简介：姜雷，东北师范大学图书馆副研究馆员，东北师范大学传媒科学学院在读博士研究生，研究方向：知识可视化、教师专业发展；张海，东北师范大学传媒科学学院教授、博士生导师，研究方向：教师教育技术；张岚，长春中医药大学附属医院，本科，研究方向：心病康复；吴闯，东北师范大学图书馆馆员，硕士研究生，研究方向：文献计量学；孙启存，东北师范大学图书馆馆员，硕士研究生，研究方向：信息自动化；李海斌，东北师范大学图书馆馆员，博士研究生，研究方向：文献计量学。
转载自：《远程教育杂志》2018年第4期(第36卷 总第247期)
排版、插图来自公众号：MOOC（微信号：openonline）
喜欢我们就多一次点赞多一次分享吧~
有缘的人终会相聚，慕客君想了想，要是不分享出来，怕我们会擦肩而过~
相关内容
微信扫码咨询专知VIP会员