你的大脑活动可以用来衡量你对一个概念的理解程度

当学生学习一个新概念时，衡量他们掌握该概念的程度通常依赖于传统的纸笔测试。达特茅斯学院的研究人员开发了一种机器学习算法，可以用来衡量学生根据大脑活动模式对一个概念的理解程度。研究结果发表在自然通讯．

这项研究是第一个研究在学校学到的知识是如何体现在孩子身上的大脑．为了测试STEM概念的知识，达特茅斯学院的研究人员在测试时比较了初学者和中级学习者的知识和大脑活动机械工程和物理概念，然后发展了一种新的方法来评估他们对概念的理解。

“学习STEM主题令人兴奋，但也可能相当具有挑战性。然而，通过学习，学生对许多复杂的概念有了丰富的理解。据推测，这种获得的知识一定反映在大脑活动的新模式中。然而，我们目前还没有详细了解大脑是如何支持这种复杂而抽象的知识的，所以这就是我们开始研究的内容，”达特茅斯学院教育学助理教授、资深作者大卫·克雷默(David Kraemer)说。

28名达特茅斯学院的学生参与了这项研究，他们被分为两组:工程专业的学生和新手。工程系的学生至少修过一门机械工程课程和一门高级物理课程，而初学者没有上过任何大学水平的工程或物理课程。这项研究由三个测试组成，测试的重点是结构是如何建造的，并评估参与者对牛顿第三定律的理解程度——每个作用力都会有一个大小相等、方向相反的反作用力。牛顿第三定律通常用于描述运动物体之间的相互作用，但它也适用于静态或不移动的物体:静态结构中的所有力都需要处于平衡状态，这是理解结构是否会在自身重量下倒塌或是否能承受更大重量的基本原理。

在研究开始时，参与者被提供了机械工程中不同类型的力的简要概述。在功能磁共振成像扫描仪中，研究人员向他们展示了真实世界结构(桥梁、灯柱、建筑物等)的图像，并要求他们思考给定结构中的力如何平衡以保持结构平衡。然后，参与者被提示同一结构的后续图像，其中代表力量的箭头被覆盖在结构上。参与者被要求识别牛顿力是否被正确地标记在这个图中。工科学生(中级学习者)正确回答了75%的图表，表现优于新手，后者正确回答了53.6%。

在进行功能磁共振成像之前，参与者还被要求完成两项标准化的多项选择测试，以衡量其他机械工程和物理知识。在这两项测试中，工科学生的分数分别为50.2%和16.9%，79.3%和35.9%，明显高于新手。

在认知神经科学中，关于信息如何存储在大脑中的研究通常依赖于一组参与者的平均数据，然后将他们的结果与另一组的结果进行比较(例如专家与新手)。在这项研究中，达特茅斯学院的研究人员想要设计一种数据驱动的方法，可以根据大脑活动产生个人“神经评分”大脑的活动单独，无需指定参与者属于哪个组。该团队创造了一种名为信息网络分析的新方法，这是一种机器学习算法，“产生的神经评分显著预测个体差异测试特定STEM概念的知识。为了验证神经评分方法，研究人员将每个学生的神经评分与他/她在三次测试中的表现进行了比较。结果表明，神经系统得分越高的学生在概念知识测试中的得分越高。

克雷默解释说:“在研究中，我们发现，当工程专业的学生看到现实世界结构的图像时，他们会自动应用他们的工程知识，并能看到结构之间的差异，比如它是悬臂、桁架还是垂直载荷。”“基于在大脑活动模式,我们的机器学习算法方法能够区分这些机械类别之间的差异，并生成反映这一潜在知识的神经评分。我们的想法是，当工程师和新手看到一个结构的照片时，他们会看到一些不同的东西，而我们正在寻找这种差异。”他补充道。

研究发现，虽然工科学生和初学者在应用工程概念知识时使用的视觉皮层相似，但他们在处理相同的视觉图像时使用的大脑其余部分却非常不同。与之前的研究一致，结果表明，工程专业学生的概念知识与几个大脑区域的活动模式有关，包括帮助实现空间认知的背侧额顶网络，以及涉及视觉物体识别和类别识别的腹侧枕颞皮层区域。

信息网络分析也可以有更广泛的应用，因为它可以用来评估不同的教学方法的有效性。研究团队目前正在测试动手实验室和虚拟实验室之间的比较，以确定两种方法中是否有一种能随着时间的推移更好地学习和保留知识。