传统的纸笔测验通常用来评估学生对新概念的掌握程度。在一项基于学生大脑活动模式的新研究中，研究人员开发了一种机器学习算法，可以用来衡量学生对这一概念的理解程度。

        研究结果发表在《Nature Communications》杂志上。

        这是第一个研究在学校学到的知识如何在大脑中表现的研究。为了测试STEM中的概念知识，达特茅斯学院的研究人员测试了新手和中级学习者在测试机械工程和物理概念时的知识和大脑活动，然后开发了一种评估他们概念理解的新方法。

        “学习STEM课程是令人兴奋的，但也可能相当具有挑战性。然而，通过学习过程，学生对许多复杂的概念有了丰富的理解。据推测，这些获得的知识一定反映在大脑活动的新模式中。然而，我们目前还没有对大脑如何支持这种复杂抽象的知识有一个详细的了解，所以这就是我们开始研究的。”

        28名达特茅斯学院的学生参与了这项研究，他们被分成两组:工程学学生和新手。工科学生至少上过一门机械工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构建的，并评估参与者对牛顿第三定律的理解——对于每一个动作，都有一个相等和相反的反应。牛顿第三定律通常是用来描述对象的交互运动,但它也适用于静态的对象,或不移动的:所有的力量在一个静态结构需要平衡,基本原则理解结构是否会崩溃在自身重量或是否能支持更多的重量。

        在研究开始时，研究人员向参与者简要介绍了机械工程中不同类型的力。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的图像(桥梁、灯柱、建筑物等等)，并要求他们思考给定结构中的力是如何平衡的，以保持结构的平衡。然后，参与者会被提示一张相同结构的后续图像，其中箭头代表的力量被覆盖在结构上。参与者被要求识别牛顿力是否在这个图中被正确标记。工程专业的学生(中级学习者)答对了75%的图表，并超过了新手，后者答对了53.6%。

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

        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对一组参与者的数据进行平均，然后将他们的结果与另一组的结果进行比较(比如专家与新手)。在这项研究中，达特茅斯大学的研究人员想要设计一种数据驱动的方法，这种方法可以仅根据大脑活动生成一个个体的“神经评分”，而无需指定参与者属于哪一组。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，它“产生了能够显著预测个体性能差异的神经评分”，用于测试特定STEM概念的知识。为了验证神经评分法，研究人员将每个学生的神经评分与他们在三项测试中的表现进行了比较。结果表明，学生的神经系统得分越高，概念知识测验得分越高。

        克雷默解释说:“在这项研究中，我们发现，当工科学生看到真实世界结构的图像时，他们会自动应用他们的工程学知识，并会看到结构之间的差异，比如它是悬臂、桁架还是垂直荷载。”“基于大脑活动模式的相似性，我们的机器学习算法能够区分这些机械类别之间的差异，并生成反映这一基础知识的神经评分。”这里的想法是，一个工程师和一个新手在看一个结构的照片时，会看到一些不同的东西，我们正在研究这种差异，”他补充说。

        研究发现，虽然工程专业的学生和新手在应用工程概念知识时使用的视觉皮层相似，但他们使用大脑的其他部分处理相同的视觉图像时却非常不同。与先前的研究一致,结果表明工程学生的概念性知识与活动模式在一些大脑区域,包括背frontoparietal网络,有助于使空间认知,和地区涉及的下腹occipitotemporal皮层视觉物体识别和分类识别。

        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教学方法的有效性。研究团队目前正在测试实践实验室和虚拟实验室之间的比较，以确定这两种方法是否会随着时间的推移导致更好的学习和知识的保留。

        来源：Medindia

         ‍此文系悬壶济世网原创整理，没‍有授权，请勿转载！