Nature子刊发布教育神经科学重磅进展：基于脑电的学习监测离实际应用有多近？

在在线教育迅速普及的背景下，如何理解真实学习过程中的认知变化，逐渐成为学习科学与教育神经科学的重要议题。现有EEG研究虽然揭示了注意、认知负荷与学习表现之间的关联，但多数实验依旧停留在短时、单任务或高度控制的实验环境中。这使得我们对长时间、多任务、多阶段学习过程中的脑活动模式缺乏系统理解。与此同时，大规模在线课程(MOOCs)为研究真实学习过程提供了可能，但尚未有研究在如此长的时间尺度上结合EEG监测来呈现学习阶段的神经变化。

因此，西安电子科技大学陈雪利教授团队联合重庆市脑与智能科学中心构建了一个持续11周的在线课程学习环境，涵盖视频学习、虚拟实验与章节测验等典型学习任务，尝试捕捉学习者在基础知识、核心知识到知识应用三个阶段中脑电活动的动态变化。研究旨在探明不同学习阶段是否具有稳定且可识别的EEG特征，并探索脑活动在任务类型与学习进程中的差异，以期为个性化教育和神经监测提供实证基础。

研究已于期刊npj science of learning发表。

本研究最终纳入6名数据质量达标的被试的并进入统计分析。整个实验持续11周，每周记录一次EEG，并同步采集三类学习任务的数据：在线视频讲座、虚拟实验操作与章节测验。这种设计模拟了较为真实的MOOC学习环境，使连续学习过程中的脑活动得以系统记录。

EEG数据方面，研究以10秒为单位，对各学习任务与不同学习阶段的数据进行功率谱密度(PSD)、全局与局部功能连接(PLI)、信息传输(熵指标)等分析。在此基础上，研究还构建了机器学习模型，将EEG特征用于自动识别学习阶段，以检验阶段间神经特征的稳定性和可区分性。

实验过程与主要分析方法

研究结果

脑活动的整体变化趋势(时域)

在时域层面，不同学习阶段的脑活动呈现出显著且一致的变化模式。对于视频讲座任务，随学习从基础阶段进入核心与应用阶段，前额叶、顶叶、颞叶与枕叶的活动逐渐增强，说明学习者在听课过程中需要调动更多与信息整合和注意维持相关的脑区。相比之下，虚拟实验和测验任务随着学习进程推进，脑活动反而出现逐步减少的趋势。

三个任务各阶段的平均振幅地形图及统计分析图

这种模式反映了任务熟练度的提升，使得执行这些任务所需的认知负荷下降，从而显现更高的加工效率。在三类任务中，时域脑活动的阶段间差异均通过统计检验达到显著水平。

频域特征的阶段性变化(相对PSD)

在频域层面，α、低β与高β是与学习阶段变化最为相关的频段。

全脑在任务和阶段的α、低β和高β带相对PSD平均

对于视频讲座与章节测验，基础阶段的α功率相对较低，反映了早期学习阶段更高的认知投入。而在虚拟实验中，随阶段推进α功率逐渐下降，表明学习者在需要主动探索与操作的任务中持续投入更多注意资源。高β频段在虚拟实验和测验任务中随阶段显著增加，暗示更高层次的任务整合与认知控制需求。研究还发现左右半球在阶段反应上存在差异：右半球对阶段变化更敏感，而左半球更能反映任务类型差异。

左右半球在不同学习阶段和任务中不同频段内脑电相对功率的比较

功能连接与信息传递的变化(PLI与熵分析)

脑网络的分析显示，强功能连接主要集中在前额叶区域，提示该区域在多任务、多阶段学习中发挥核心调节作用。随着学习进程的推进，不同任务中全局效率呈下降趋势，而局部效率的变化则更为显著，说明学习者在熟练掌握任务后，大脑逐渐从高代价的全局协调转向更具效率的局部网络加工模式。在信息传递方面，视频学习中由枕叶、顶叶到前额叶的传递显著增强；虚拟实验则呈现前额叶内部的信息流增强；章节测验的变化较弱但同样集中在前额叶区域。这些结果说明三类任务在脑区间的信息处理策略上存在差异。

基于PLI的FC和基于熵的大脑信息传输矩阵的头皮网络

脑电特征对学习阶段的分类(机器学习结果)

基于EEG相对功率构建的84维特征向量，在三类模型中均表现出较高的学习阶段分类准确率：支持向量机(SVM)达到82.6%，神经网络(NN)为81.8%，K-近邻算法(KNN)为80.4%。

表1 常见机器学习模型及网络分类结果

进一步的特征重要性分析显示，枕叶α、前额叶γ、高β与θ是区分学习阶段最具贡献的EEG特征。结构化的特征贡献与前述时频分析结果一致，增强了分类模型的可解释性。

研究结论

本研究通过持续11周的EEG记录，呈现了学习者在基础知识、核心知识到知识应用三个阶段中稳定且差异化的神经特征。研究揭示了不同学习任务在学习进程中的脑活动模式，显示学习阶段影响脑电频段、网络效率与信息传递结构。三类任务呈现出清晰的神经加工差异，反映真实学习情境中认知策略与脑区协作方式的动态变化。此外，基于EEG的学习阶段分类模型取得较高准确率，说明学习阶段在神经层面具有可识别性。

整体而言，以上发现为构建基于神经信号的学习过程监测和个性化教育干预提供了实证基础，同时也表明脑电技术在生态化学习情境中的可行性。

Citation: Xie, H., Jia, C., Luo, Y. et al. EEG analysis of brain dynamics in a simulated multi-task and multi-stage learning environment. npj Sci. Learn. 10, 84 (2025).

https: //doi.org/10.1038/s41539-025-00376-5

通讯作者：陈雪利，蒋明哲，西安电子科技大学

          高新波，重庆脑与智能科学中心