郑旭东等：脑电图技术的教育研究图景与趋势——基于2000-2019年国际文献的知识图谱分析

---

作者简介：郑旭东，博士，讲师，江苏师范大学智慧教育学院（江苏徐州　221116）；马云飞，硕士研究生，江苏师范大学智慧教育学院（江苏徐州　221116）。

基金项目：教育部人文社会科学研究青年基金项目“具身认知视角下的混合现实学习环境构建及应用研究”（20YJC880131）。

引用：郑旭东,马云飞(2020).脑电图技术的教育研究图景与趋势——基于2000-2019年国际文献的知识图谱分析[J].现代远程教育研究,32(4):36-47.

---

摘要：脑电波能反映个体在知觉认知、情绪情感、行为技能上的变化，因而用于对其进行监测和记录的脑电图技术在教育研究中极具价值。分析1154篇国际研究文献的共被引聚类时间线图谱后发现，除用以实现脑机接口外，脑电图技术主要被用于识别学生在学习活动中的情感和情绪，辅助学生自主调节大脑活动，监测动作技能的习得过程及状态，预测和干预学生的学习状况，评估学习专注程度和学习深度，监控注意力以促进联想学习。国家（地区）分布图谱显示，美中两国对该研究领域的贡献相对较大，其余国家（地区）的文献分布较为分散。突现词分析结果表明，基于脑电图技术的教育研究呈现出三大趋势：一是运用该技术对学生的认知风格、学习投入和教师的教学质量等进行评估和预测，二是对教育实验中自发性脑电波和事件相关电位等脑电波信号的采集精度进行优化，三是将脑电图与人工智能、虚拟现实、眼动追踪等技术结合开展教育科学研究。面向未来，学界还需继续探究如何将相关研究发现转化为教学应用，消减伦理障碍对脑电图技术应用于教育领域的掣肘，进而完善教育神经科学研究体系。

关键词：脑电图技术；脑电波；脑机接口；教育研究；知识图谱；可视化分析

---

自美国实施“脑的十年”（1990-2000年）全国性脑科学计划以来（Jones et al.，1999），一些国际性组织和国家纷纷响应并实施了一系列的脑科学计划，这使得关于脑神经及其认知功能的研究得到了巨大发展，也让许多与此相关的新兴研究方法和技术日益受到关注，能监测和记录大脑生物电波的脑电图（Electroencephalogram，EEG）技术便是其中的典型代表。研究发现，人类在思考过程中的不同脑部活动会引发不同的脑电波，根据其波长由大到小可分为δ波（Delta Waves）、θ波（Theta Waves）、α波（Alpha Waves）和β波（Beta Waves）（Spector et al.，2014）。值得关注的是，通过对不同脑电波的测量可以了解人在学习过程中的脑部活动，如θ波和α波振荡预示着有效的长期记忆编码（Khader et al.，2010）。因此，对脑电波的监测和分析能解释个体在知觉认知、情绪情感、行为技能上的变化，这使得EEG技术成为开展教育研究的重要手段。本研究基于近20年来Web of Science（WoS）和Scopus两大数据库中的相关文献，运用CiteSpace对EEG技术在教育研究中应用的现状与趋势进行可视化分析，以期为我国当前倡导的教育实证研究提供范式和方法层面上的借鉴与参考。

一、研究方法

1.研究工具

基于科学知识图谱的可视化分析能够呈现某研究领域的知识结构、发展动态、趋势规律和主题分布。CiteSpace是当前国际上认可度较高的科学知识图谱分析软件，其能够将某一知识领域的演进历程集中在引文网络图谱中展现，并把图谱中作为知识基础的引文节点文献和共引聚类所表征的研究前沿自动标识出来（陈悦等，2015），因而该软件常被用于分析和呈现特定研究领域发展的新趋势和新动态。本研究利用CiteSpace的文献共被引、突现词探测等功能，对应用EEG技术开展教育研究的文献进行可视化分析，以揭示该主题的国际研究现状与发展趋势。

2.数据采集

从文献的专业性来看，依据布拉德福定律（Bradford’s Law），核心区的文献更为权威，其参考价值更高。为此，本研究选择美国科学信息研究所（Institute for Scientific Information）的WoS核心数据库和荷兰爱思唯尔（Elsevier）公司的Scopus数据库作为文献来源：前者是国际上权威的科学技术文献索引工具，能够提供科技领域最重要的研究成果；后者是世界最大的摘要和引文数据库，涵盖了最广泛的科技和医学文献。需要特别指出的是，相较于其他数据库，WoS和Scopus的文献数据结构最为完整，能较好支持本研究的相关可视化分析。此外，由于CiteSpace是以WoS数据为基础，因而从Scopus收集到的文献数据需转换为WoS的数据格式。

本研究以“脑电图”（EEG或Electroencephalogram）与“教育”（Education）、“教学”（Teaching）、“学习”（Learning）为主要主题词①，将时间跨度设置为2000-2019年，于2019年11月8日在WoS和Scopus数据库中进行数据检索后共获得1535篇文献（其中WoS为872篇， Scopus为663篇）。为避免文献重复，将文献题录数据导入CiteSpace后，利用数据去重功能进行处理，并通过人工确认方式删除无效数据后，共得到有效文献数据1154条。研究文献数量随年份变化的趋势如图1所示，可以看出，应用EEG技术开展教育研究的文献自2010年以来呈现连年增加的趋势，近几年更是呈现出增速加快的趋势，这表明相关研究日益受到学界的关注。

图1　2000-2019年文献数量变化趋势

二、EEG技术在教育研究中的应用现状

1.研究主题

文献共被引分析是CiteSpace最重要的功能，其形成的可视化网络聚类结构可以帮助研究者通过图谱中的关键节点、聚类及色彩来分析某个研究主题的演变（陈悦等，2015）。为探究EEG技术被用于教育研究的现状，本研究利用CiteSpace进行文献共被引分析。具体方法是设置切片时长（Years per Slice）为4年，网络精简算法选择Pathfinder，阈值为前50个高频词，聚类标签生成算法选择LLR，所生成的聚类图谱包含节点200个、连线566条。其Q值为0.7923（大于0.3），表明生成的图谱网络结构显著；S值为0.5188（大于0.5），表明其聚类结果合理。随后利用CiteSpace的自动选择过滤功能，在隐藏较小聚类和无意义聚类后，最终获得如图2所示的6个主要研究主题聚类：情绪识别（Emotion Recognition）、大脑的自我调节（Self-Regulating Brain）、动作技能习得（Motor Skill Acquisition）、深度学习（Deep Learning）、联想学习（Associative Learning）和脑机接口（Brain-Computer Interface）。这6个聚类基本可以展现过去20年EEG技术在教育研究中的应用状况。

图2　文献共被引聚类时间线图谱

（1）情绪识别

从聚类分析结果可以看出，“情绪识别”主题排名第一，其聚类大小为25，Q值为0.727，说明该聚类结果具有较高的可信度。在学习过程中，学生的情绪和情感状态会对学习效果产生显著影响。在传统教学活动中，教师根据教学经验和学生的表情、语言、动作来识别学生的情绪和情感变化，进而动态地对教学活动进行调整。然而，这种干预主要依靠教师个体的经验和主观判断，并非识别学业情绪变化的科学途径。此外，在线教育作为一种重要的教育形式，因其具有师生分离的特性而普遍存在教师无法感知学生情绪状态变化、难以及时给予反馈与干预等问题，极易造成学生学业情绪和情感的降低，这会对学习效果造成不良影响。为帮助教师科学、精准地评估学生的学业情绪和情感变化，基于不同行为模式（如表情、姿势、动作、声音）的情绪识别研究在过去10年中有所增加（Jenke et al.，2014）。但由于基于以上行为模式的情绪识别均是对人类情感和情绪的间接反映，加之学生可人为控制自身的表情、动作等行为，因而其测量结果的精准度不高。

与上述测量方式相比，EEG技术能够直接检测出大脑在不同情绪状态下的动态反应，可以为情绪识别提供更加客观、全面的信息（Zhang et al.，2016）。基于EEG技术的情绪识别研究主要通过采集与分析学生的脑电波信号，进而对学生的情感和情绪进行识别与评估。由于这一过程不受学生的主观意识控制，所以其结果相对精确可靠。例如，毕路拯等提出了一种基于贝叶斯网络的EEG多情绪状态识别模型，研究表明利用EEG技术检测多情绪状态是一种科学有效的途径（Bi et al.，2011）。桑德·科埃斯特拉（Sander Koelstra）等利用EEG技术采集被试的生理信号，提出了可分析人类情绪状态的多模态数据集——基于生理信号的情绪分析数据库（Database for Emotion Analysis Using Physiological Signals，DEAP）（Koelstra et al.，2011），经改进后的DEAP 2.0已被广泛运用于教育领域。对于存在精神障碍或情绪紊乱问题的学生而言，基于EEG技术的情绪识别在改善其学习效果方面尤为有用。例如拉贾·穆罕默德（Raja Mehmood）等借助计算机辅助教学系统（Computer Aided Education System，CAES）对特殊学生在学习活动中的脑电信号进行收集，并使用情绪模型识别他们的学业情绪后再反馈给CAES，这极大地改善了教师对特殊学生学习的管理（Mehmood et al.，2017）。

综上所述，已有的诸多研究表明，基于EEG技术的情绪识别能够对学生在学习活动中的情感和情绪进行精准、可靠地识别。但同时相关研究也指出，EEG技术只是为教师提供了一种能够科学、精准、便利地识别学生情感和情绪的途径，而如何有针对性地依据教育规律和相关理论对教学活动进行实时干预，才是提升教学效果的关键。

（2）大脑的自我调节

从聚类分析结果可以看出，“大脑的自我调节”主题排名第二，其聚类大小为23， Q值为0.792，说明该聚类结果具有较好的可信度。神经反馈（Neurofeedback）是一种有效的自我调节方法，可为个体提供大脑特定活动及相关行为的反馈（Thibault et al.，2016）。而对大脑的自我调节能力可简单理解为个体控制和调节各类活动行为、认知和情绪的能力。学生大脑自我调节能力的不足可能会导致其在学习过程中产生焦虑、紧张、恐慌、不安等负面情绪，最终造成不良学习行为和学业成绩变差等问题（Heatherton et al.，2011）。虽然社会认知理论认为学习反馈会影响学生的自我调节行为（Zimmerman，1989），但许多脑神经相关研究也表明，对神经反馈和大脑自我调节能力的训练，可以从脑神经机制层面帮助个体进行更为科学和精准的自我调节。罗伯特·蒂伯特（Robert Thibault）等对比不同类型的神经反馈成像后发现，与脑磁图（Magnetoencephalography，MEG）、功能性磁共振成像（functional Magnetic Resonance Imaging，fMRI）、功能性近红外光谱（functional Near-Infrared Spectroscopy，fNIRS）等神经反馈成像技术相比，基于EEG技术的神经反馈成像方式更加经济便捷，因而被众多领域广泛采用（Thibault et al.，2016）。

在教育研究领域，研究者们基于脑电波等生物信号设计反馈机制，让学生可以通过实时的反馈信息了解学习活动过程中自身的生理状态变化，这一神经反馈机制被称为脑电生物反馈（Seaward，2008）。通过脑电生物反馈技术，学生可以精准地获知与评估自身的学习状态，并尝试调节自己的大脑活动（Kober et al.，2013）。以注意力调节为例，课堂教学要求学生集中和保持注意力，以获得更好的教学效果。但由于注意力具有很强的内隐性，学生通常难以依靠自身的感知来调节学习专注状态，存在注意力障碍的学生则更难对注意力进行自主调节。而EEG技术可以根据脑电波特征来监测注意力，特别是与注意力密切相关的β波（Egner et al.，2004）。当前，教育研究者们多通过基于EEG技术的注意力监测系统获取学生的注意力状态，进而将其反馈给学生，以便他们可以动态、自主地调节学习状态。杨晓哲等在利用EEG技术研究虚拟现实环境是否有助于学生的创造性表现时，使用了两种基于脑电波状态的反馈形式（Yang et al.，2019a）：一是“提醒反馈”，即当脑电波表明学生注意力没有集中时给出提醒；二是“鼓励反馈”，即当脑电波显示学生注意力非常集中时给出鼓励。结果表明，接受提醒反馈的受试者比接受鼓励反馈和没有任何反馈的受试者的创意产品质量更高。孙之元等基于EEG反馈注意力监测系统开展的研究发现，当学生注意力下降时进行提醒反馈能显著提高学习注意力（Sun et al.，2017）。陈志铭等开发了具有脑电波监测功能的网络阅读注释系统（Web-Based Reading Annotation System），此系统具有基于注意力的自我调节学习机制（Attention-Based Self-Regulated Learning Mechanism），能有效改善学生的自我调节能力，进而提高其持续注意力和英语阅读理解能力（Chen et al.，2014）。综上可见，就大脑的自我调节活动对学习效果的影响，已有研究的结论并不一致，但研究者们基本都认为，学生对大脑活动和学习行为的自我调节除受到反馈形式的影响外，还与学习材料、学习内容和学习支架等密切相关，其机理仍有待开展更为深入的研究加以揭示。

（3）动作技能习得

“动作技能习得”主题在聚类分析结果中排名第三，其聚类大小为22，Q值为0.959，说明该聚类结果具有极高的可信度。正如丹尼尔·沃尔珀特（Daniel Wolpert）等所言，包括言语、手语、手势和写作在内的所有交流，都是通过或基于动作系统发生的（Wolpert et al.，2001）。无论是在以往的工业时代还是当前的信息时代，动作技能都是教育研究的重要领域，具有极为重要的教育价值和社会意义。研究表明，当学习者进行动作技能学习时，若能够采用有效的方式来实现自我监控，就可以更为高效地整合和运用复杂技术（Berka et al.，2004）。然而，动作技能的习得具有一定内隐性，这也使得诸如自我报告和观察评估等传统测量与评估方式难以可靠、客观、精准地反映学生的实际学习状态和进展。因此，利用EEG技术对动作技能的习得过程及状态进行监测，便成为教育研究者所采用的重要研究方法。例如，在萨维奥·王（Savio Wong）等开展的研究中，学生在参与计算机可视化运动任务（Computerized Visual-Motor Task）时，通过佩戴有独立干电极传感器的无线EEG系统（Wireless EEG System with Single Dry Sensor）收集其脑电波信号（Wong et al.，2014）。结果表明，某些脑电波信号的强度随着动作任务熟悉度的增加而降低，该研究展现出不受约束的无线EEG系统在现实学习任务中监测大脑活动的可能性。也有研究表明，可利用脑电波信号对学习者的精神状态进行量化，以实现对动作技能习得结果的评估（Lim et al.，2012），进而向他们反馈学习状态以便其进行自我调整，从而获得更好的教学效果。此外，EEG技术也常被用于探究与动作技能习得相关的影响因素。如杰里米·里切尔（Jeremy Rietschel）为探究动作技能和注意力储备（Attentional Reserve）间的关系，对听觉刺激（Auditory Stimuli）诱发的脑电波信号进行采集与分析，发现注意力储备随着运动技能的习得而增加，这为心理生理学的研究与发展提供了新证据（Rietschel et al.，2014）。

动作技能习得对于体育教学和课堂教学均十分重要， EEG技术被广泛用于这两类教育情境中的动作技能习得研究。由于学生长时间佩戴EEG设备可能影响其正常学习，因而对EEG设备的不断优化也受到教育研究者的关注。如杨晓哲等基于NeuroSky脑电设备与 HTC Vive虚拟现实设备开发了虚拟现实与脑电联动系统，让用户可以不受局限地在沉浸式场景中开展学习活动，并可实现对学习行为的全过程追踪，以及对脑波数据更精准地监测与收集（Yang et al.，2019b），从而为动作技能习得研究提供便利。相较于EEG技术在动作技能习得研究中的应用而言，将EEG技术应用于智力技能习得的研究还相对较少（Xu & Zhong et al.，2018），仍有待进行更为深入的研究。

（4）深度学习

“深度学习”主题在聚类分析结果中排名第四，其聚类大小为21，Q值为0.836，说明该聚类结果具有较高可信度。通过分析相关文献发现，本聚类中所指的深度学习主要涉及机器学习和学习科学两个领域，故下文将从这两个不同的视角阐述EEG技术在深度学习研究中的应用。

深度学习是机器学习的重要分支，依靠多层神经网络结构模拟人脑的结构和功能。深度学习技术可用于分析学生的学习行为，即通过对学生学习过程中产生的大数据进行挖掘，以实现对学生后续学习状况的精准预测与干预（刘勇等，2017）。在构建深度学习模型和进行学生画像时，主要采用三种方法对不同类型的学生数据进行挖掘：一是基于在线学习数据的方法，二是基于生理和神经传感器数据的方法，三是基于计算机视觉数据的方法（曹晓明等，2019）。由于生理信息具有不可隐藏性，因而学生的面部表情、脉搏、血压、脑电波等可以作为学习者建模的有效属性（Kavitha et al.，2018），而EEG技术则是获得脑电波数据的重要手段。例如，卡维塔（Kavitha）等基于脑电波、脉搏率、血压、皮肤温度等生理数据构成的数据集，利用卷积神经网络（Convolutional Neural Network，CNN）和递归神经网络（Recurrent Neural Networks，RNN）建立学生学习行为预测模型，以实现对学生认知能力的预测（Kavitha et al.，2018 ）。吉岛治二（Yoshimasa Tawatsuji）等基于学生的心理状态、生理数据（fNIRS、EEG、呼吸强度、皮肤电导率和脉搏容积等）和教师的言语行为构建了一个深度学习模型，可实现通过教师的言语行为和学生的生理信息来预测学生的心理状态，其具有较高的准确性且能实时支持教学（Tawatsuji et al.，2018）。

学习科学视域下的深度学习是相对于浅层学习而言的。在美国威廉和弗洛拉·休利特基金会（The William and Flora Hewlett Foundation）的深度学习研究项目中，深度学习被认为是胜任21世纪工作和公民生活必须具备的能力，这一能力使得学生可以灵活掌握和理解学科知识，并能应用这些知识去解决课堂和未来工作中的问题，其主要包括掌握核心学科知识、批判性思维和复杂问题解决、团队协作、有效沟通、学会学习、学习毅力等6种基本能力（Beattie et al.，1997）。研究者通常借助EEG技术来了解学生身心状态的变化、实时评估学习专注程度和学习深度，以及验证深度学习法、策略支架、学习内容及教师教学技能等因素对深度学习的影响。例如，卡祖玛·塔哈纳（Kazuma Takehana）等研究了学习者的生理信息与其心理状态间的关系，发现教师的言语行为、学习者的心理状态和生理信息间具有相互作用（Takehana et al.，2016）。托马斯·德拉亨蒂（Thomas Delahunty）等利用EEG技术收集学生在问题解决过程中的认知加工数据，为分析学生在应用推理过程中对问题的认知表征提供了丰富的证据（Delahunty et al.，2018）。值得关注的是，注意力缺陷和多动症是影响儿童开展深度学习的主要生理障碍，为此，亚当·克拉克（Adam Clarke）等采用EEG技术对同时存在注意力缺陷和阅读障碍的儿童的脑电波进行分析（Clarke et al.，2002）。此外，也有研究者针对深度学习的发生规律展开研究，如通过EEG技术构建与深度学习发生机制相耦合的多模态指标体系（刘哲雨等，2018）。通过对该聚类中相关研究的分析可以发现，利用EEG技术开展与学生深度学习相关的研究仍相对较少，如何利用EEG技术帮助学生提升深度学习能力，仍值得教育研究者不断探索。

（5）联想学习

“联想学习”主题在聚类分析结果中排名第五，其聚类大小为20，Q值为0.893，该聚类结果具有较高可信度。联想学习是指由两种及两种以上刺激所引起的脑内两个以上中枢兴奋之间，因引发联结而发生的学习过程。由此可知，联想学习中最重要的是刺激物的选择，如通过正念冥想、音乐刺激等方法能增强某一频段波的频谱能量，从而改善学生在学习过程中的表现。学生对刺激的反馈一般采用自我报告的形式，但这种反馈形式缺乏有效性（Meade et al.，1992），因此，EEG技术可作为学习环境中的一种刺激反馈形式来测量联想学习。例如，沃尔夫冈·米尔特纳（Wolfgang Miltner）等利用EEG技术发现γ波（20~70 Hz）对联想学习具有一定影响（Miltner et al.，1999）。翟雪松等认为，基于EEG技术的生物反馈刺激是评估学生学习行为的有效过程性测量方式（Zhai et al.，2018）。此外，联想学习与学生的注意力和专注度也有密切关系。注意力被认为是人类认知和知觉的核心功能（Ordikhani-Seyedlar et al.，2016），保持良好的注意力是大脑发生感知、记忆、思维等认识活动的基本条件，但学生却很难感知到自身在学习过程中的注意力变化。当学生通过联想方式来认识客观事物，但却不能及时感知和调节注意力时，联想学习可能会变为“胡思乱想”。而EEG技术对注意力的监测和反馈功能可在联想学习中发挥重要作用，帮助学生在学习过程中获知自身注意力的变化，从而及时调整学习状态。事实上，研究者们一直致力于在注意力测量方面对EEG技术进行优化。例如，雷扎·阿比里（Reza Abiri）等基于EEG技术开发了可以对持续注意力的脑电波模式进行解码的脑机接口系统，其在联想学习中的视觉注意力评价方面具有较好的应用前景（Abiri et al.，2019）。还有研究基于对EEG数据的分析发现，学生的视觉注意力和联想学习相关，且视觉显著性、学习意图和学习经验会影响联想学习中的注意力分配（Feldmann-Wüstefeld et al.，2015）。综上所述，联想学习是培养学生学习迁移和批判创新能力的重要学习方式，但学生的注意力等自身因素对联想学习效果具有显著影响且存在很强的隐蔽性。而EEG技术在测量学生注意力方面具有优势，可为研究联想学习提供可靠的测量与反馈支持。

（6）脑机接口

“脑机接口”主题在聚类分析结果中排名第六，其聚类大小为6，Q值为0.915，该聚类结果具有非常高的可信度。以EEG技术为基础的脑机接口研究是当前教育人工智能领域的一个新兴研究方向。1999年6月，在美国纽约举行的第一届脑机接口国际会议上，乔纳森·沃尔帕（Jonathan Wolpaw）等将脑机接口定义为：一种不依赖于大脑的常规信息输出通路（即外围神经和肌肉组织），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（Wolpaw et al.，2000）。通过脑机接口，能够实现人脑对机器人、虚拟环境或拼写工具等外部设备的直接控制（Guger et al.，2001）。

基于EEG的脑机接口技术可采集更加精准的多模态数据，其与学习行为数据的结合，可对学生的学习状况进行更为准确地建模和分析，从而为个性化学习和适应性学习提供更好的支持。例如，为促进特殊儿童的教育康复，安娜·莱科娃（Anna Lekova）等开发了基于EEG技术的便携式脑机接口，用以采集特殊儿童参与游戏化活动的脑电波信号，进而分析他们的注意力和情绪状态（Lekova et al.，2018）。此外，基于P300诱发电位的脑机接口系统还能帮助残疾学生快速而准确地拼写字符（Guger et al.，2009）。随着人工智能技术和脑神经科学的日益进步，脑机接口技术已进入快速发展阶段，但其在教育领域的应用仍处于探索阶段。随着脑机接口的便携化发展和EEG技术应用门槛的降低，其势必对今后的教育实证研究和教育教学实践产生更积极的影响。

2.研究国家（地区）及机构

为进一步分析应用EEG技术的教育研究图景，本研究采用合作网络分析从国家（地区）和研究机构两个维度对样本文献进行分析。在CiteSpace中设置切片时长（Years Per Slice）为1年，节点类型（Node Types）选择国家（Country），获得如图3所示的国家（地区）分布图谱。从图3中可以看出，美国、中国、德国、英国、加拿大和日本所开展的基于EEG技术的教育研究相对较多。

图3    样本文献的国家（地区）分布图谱

对样本文献的研究机构进行统计后，发表论文数量不低于5篇的10个研究机构（大学）如表 1所示。可以看出，论文数量最多的是瑞士苏黎世大学（14篇），其次为荷兰拉德堡德大学（9篇）和美国加州大学圣地亚哥分校（9篇）。在这10个研究机构（大学）中，美国和中国各占3所，这与上文对文献来源国家（地区）的统计结果相符。值得关注的是，表1中我国的研究机构（大学）均位于上海市，分别是上海科技大学、华东师范大学和华东理工大学。进一步对这10所研究机构（大学）的相关文献进行分析后发现，其研究主要集中在三个方面：一是EEG和脑机接口的技术创新及其在教育研究中的应用，涉及纽约大学和上海科技大学；二是EEG技术在教育教学实践中的情景化应用，涉及华东师范大学的教育学部和心理与认知科学学院；三是从脑科学、认知神经科学、人类行为学等视角，应用EEG技术探究人的思维、认知、学习与大脑间关系，如荷兰拉德堡德大学的唐德斯大脑、认知及行为研究所（Donders Institute for Brain，Cognition and Behaviour）。

表1　 论文数量排名前十位的研究机构

三、基于EEG技术的教育研究发展趋势

通过对突现关键词的分析可了解某一时期内正在兴起的研究主题。为把握基于EEG技术的教育研究发展趋势，本研究进一步对1154篇样本文献的关键词突变特征进行分析。在CiteSpace中设置切片时长（Years Per Slice）为4年，节点类型（Node Types）为关键词（Keyword），主题词类型（Term Type）为突现词（Burst Terms），网络精简算法为Pathfinder，运行后得到突变时间由远及近排列的21个突现关键词，如表2所示。通过对这21个突现关键词的进一步分析，可将基于EEG技术的教育研究发展趋势归纳为以下几个方面。

表2     突现关键词

1.应用EEG技术改善教学活动

在利用EEG技术采集到脑电波数据之后，可以依靠MindXP等脑电信号分析软件对数据进行分析，从而扩展其教育功能。通过对“Medical Education”“Teaching”“Cognition” “Response” “Working Memory” “Communication” “Prediction” “Deep Learning” “Emotion Recognition”等突现关键词对应文献进行阅读和分析发现，EEG技术由于在监测和训练注意力、情绪识别、预测认知状态、测量学习投入度、评估教学绩效等方面具有较大潜能和优势，因而其在相关研究中日益受到重视。

注意力监测与训练。注意力是学习通道的“阀门”，一旦注意力开始涣散或无法集中，“阀门”也就关闭了，一切有用的知识信息也就无法被学生顺畅获取。EEG采用脑电信号作为数据源，基于复杂算法可将脑电信号转化为专注值或冥想值，从而帮助教师判断学生的注意力状态变化。基于EEG技术的注意力研究主要分为注意力训练和注意力监测两类。注意力训练常被应用于医学教育（Medical Education），如帮助存在注意力缺陷和多动障碍的儿童增强和维持注意力（Nazari et al.，2010；Steiner et al.，2011）。而注意力监测通常被用于课堂教学研究，学生的注意力数据经过监测系统实时处理并反馈给学生，以帮助他们主动调整自身注意力状态，从而实现更好的教学效果。可见，通过对特殊儿童和正常学生的注意力监测和训练来提升其学习专注度，将是未来EEG技术在教育实践和研究中最基本的应用。

学生学业情绪识别。学生的情绪特征对其学习过程和学业成绩有重要影响。由于脑电波可以直接反映出人的注意力状态，但并不能直接反映出人的羞愧、气愤、轻松、希望等情绪状态，因而通过脑电波对学生的学业情绪进行识别存在较大的技术难度。因此，若要精准识别学生的学业情绪，就需要基于人工智能技术和机器学习算法对原始脑电波数据进行特征提取。如巴尔金德·考尔（Barjinder Kaur）等让被试在观看每段2分钟的不同情绪视频时，实时记录其脑电信号，并使用支持向量机（Support Vector Machine，SVM）算法进行特征提取。研究虽然证明了从脑电信号中识别情绪具有可行性，但其平均准确率也只达到60%（Kaur et al.，2018）。可见，除了需要不断优化脑电波信号采集的精度并降低噪声之外，还需要通过引入先进的机器学习算法来扩展情绪识别的种类并提升其准确性，这也将是未来教育研究的必然趋势之一。

学生认知风格及水平评估。学生的认知风格和认知水平因人而异，其与人脑的α波密切相关（Riding et al.，1997）。认知风格可分为场依存型或场独立型、冲动型或沉思型等不同类型，不同认知风格的学习者在处理信息时使用的大脑区域和处理方式也存在差异。在以往的教育研究与实践中，通常采用问卷调查的方式了解和评估学生的认知风格。而基于EEG数据判断学生的认知风格和认知水平是一种更为可靠的途径。例如，克里斯蒂娜·法玛基（Cristina Farmaki）等利用EEG双稳态感知处理（EEG-Based Bistable Perception Processing）方法实现了对场依存和场独立两类被试的区分和评估（Farmaki et al.，2019）。钟熙权（Joo-Hee Kwon）等利用EEG技术对不同工作量下的认知负荷评估进行了初步研究（Kwon et al.，2018）。可以看出，基于EEG技术的学生认知风格及水平评估在实现个性化教学和适应性学习方面具有重要的应用和研究价值，值得教育研究者关注。

学生学习投入度测量。伊拉里亚·特伦吉（Ilaria Terrenghi）等指出高辍学率与学生的学习投入度普遍较低有关，如何精确地测量学生的学习投入度，可能是促进他们学习和降低辍学率的有效途径（Terrenghi et al.，2019）。在传统教育研究中，对学生学习投入度的测量常采用问卷调查、有声思维（Thinking Aloud）等方法，对行为投入（Behavioral Engagement）、认知投入（Cognitive Engagement）和情感投入（Emotional Engagement）等维度进行分类测量，但测量结果具有一定的主观性（Fredricks et al.，2004）。而EEG技术在学生学习投入测量中的应用，可使得测量结果更为客观和精准，因而其也开始被越来越多的教育研究者所关注和使用。

教师教学质量评估。当前对教师的教学质量评估多基于学生成绩和学生评教数据。事实上，教学活动中的师生是相互影响的，学生的状态变化能够客观体现教师的教学水平。如何通过EEG技术采集并分析师生在教与学过程中的脑电波数据，进而改善教学活动中的师生互动，并对教师的教学质量进行评估，此类研究近年来受到教育研究者的关注。例如，有研究发现教师的言语行为、学习者的生理和心理状态是存在相互作用的（Takehana et al.，2016）。然而，由于教育伦理、隐私安全和技术局限等问题，EEG技术在教学质量评估中的常态化应用还需较长时间，但其仍将是教师发展领域的研究焦点。

2.优化EEG数据采集以提高实验可靠性

受制于技术局限和教育伦理，当前EEG技术尚未被常态化应用于真实课堂，而更多被研究者应用于教育实验。通过对突现关键词“Controlled Study”“EEG Signal”“Learning Algorithm”“Event Related Potential”“Brain Wave”“Brain Activity”“Activation”“Prefrontal Cortex”“Neuroimaging”相关文献的分析后发现，从多角度对脑电波信号的采集进行优化以提高数据的精确度，能够更好地为对照研究（Controlled Study）等形式的教育实验提供支持。

脑电波信号的来源主要有两类：一是大脑在思维活动过程中产生的自发性脑电波；二是外界刺激（如音乐）或事件操作所引发的大脑皮层神经电活动，即诱发电位或事件相关电位。在对照实验中，研究者多通过分析学生学习过程中这两种脑电波的差异，来评估教学干预对学习效果的影响。值得注意的是，改进脑电波信号的采集、处理和分析方法，以及借助神经影像学（Neuroimaging）的理论和方法，将是未来提升基于EEG数据的教育实验可靠性的有效途径。如克里斯托夫·古格（Christoph Guger）等为帮助重度残疾人交流，利用基于P300诱发电位优化的脑机接口，向100多名残疾人同时提供字符拼写服务（Guger et al.，2009）。然而，当前教育实验中所使用的EEG数据采集方法仍十分复杂，如何更加简便、高效、实时且准确地对脑电波数据进行采集与处理，将是未来的研究热点。

3.EEG与新技术的融合赋能教育研究

技术融合创新是推动教育变革的重要力量。基于对突现关键词和相关文献的分析发现，EEG与人工智能和虚拟现实技术的融合应用最为常见，且被越来越多的教育研究者所关注。

与人工智能技术的融合。随着人工智能技术的发展及其在教育领域的应用，个性化教学和适应性学习将成为常态。近年来，EEG技术也被用于智能化教学平台的构建，以实现对教学过程中多模态数据的采集。进而，可以通过机器学习和大数据分析技术，对学生的外在学习行为和内在认知活动进行综合建模分析，从而为学生的个性化学习和自我调节提供及时反馈，或是通过自适应推荐系统为其精准推送学习资源，以满足学生的个性化学习需求。例如，徐涛等利用基于EEG的学习情绪识别技术对现有的智能辅导系统进行改进（Xu & zhou et al.，2018b）。值得注意的是，在基于EEG数据的便捷化分析、学习模式与理论构建、情景化应用等方面仍有待突破。

与虚拟现实技术的融合。虚拟现实技术具有沉浸性、想象性和交互性等特点，其与EEG技术的结合能够使个体处于沉浸式环境中，避免外界因素对其脑电波的干扰，从而提升教育实验的准确性。例如，可基于虚拟现实和EEG技术研究创造力、创造行为和脑电波间的关系，从而为面向创造力培养的教学设计和学习环境创建提供指导（Yang et al.，2018）；在虚拟现实环境下对语言处理过程中的脑电生理活动进行探究（Tromp et al.，2018）。此外，“EEG+虚拟现实”也常被用于肢体残疾者和面瘫患者的康复训练与教育（Calabrò et al.，2017；Qidwai et al.，2019）。可见，EEG技术与虚拟现实技术的结合在具身认知和沉浸式教学设计研究中具有一定优势，将是未来开展特殊教育的重要手段。

与眼动追踪技术的融合。需要特别指出的是，眼动追踪（Eye Tracking）虽未出现在21个突现关键词中，但将其与EEG技术结合以获取多模态生理数据已成为教育研究的新趋势。眼动的本质是人选择有吸引力的信息，主动或被动地分配注意力并进行认知加工。眼动追踪技术可测量眼睛注视点的位置和眼球相对头部的运动轨迹，从而实现对眼球运动的追踪。EEG和眼动追踪都是基于生物反馈的重要研究技术，二者结合可实现对学生多模态生理数据的采集，其相互佐证可提升生物反馈数据的准确性，从而让教师能够更加准确地对学生的学习状态进行评估，并更好地帮助学生对自身状态进行调整。如翟雪松等使用眼动追踪和EEG技术采集学生的生理信息，以探究基于生物反馈的刺激是否可以促进学生的认知（Zhai et al.，2018）。

四、结论与展望

教育研究的关键目标既包括发展学生的认知能力（National Research Council，2005），也包括促进教与学活动的科学实施并提升其效果。而脑神经的功能是学生学习、教师教学和教学绩效的根本（Spector et al.，2014）。因此，反映脑神经电波的EEG技术日益成为教育研究的重要方法和手段。运用科学知识图谱对国际上基于EEG技术的教育研究文献进行分析，有利于我国教育研究者了解相关研究的热点话题和发展趋势，促进国内教育研究实证方法的多元化发展，推动教育科学与神经科学、计算科学的交融。通过对近20年来 WoS和Scopus两大数据库中的相关文献进行分析和解读，可得出如下两方面的结论。

一方面，基于EEG技术的教育研究涉及情绪识别等六大主题，这些主题可与布鲁姆教育目标分类系统中的情感、认知、动作技能三大领域相对应。首先，情绪识别属于布鲁姆教育目标分类中的情感领域。值得注意的是，在美国教育通讯与技术学会出版的《教育传播与技术研究（第四版）》中，也对EEG技术在学习情绪情感研究中的应用进行了分析。其次，大脑的自我调节、联想学习和深度学习属于布鲁姆教育目标分类中的认知领域。这三个研究主题既符合大脑功能在根本上影响人类学习的科学事实，也反映出EEG技术在测量大脑认知活动上的功能优势。再次，基于EEG技术的动作技能习得与布鲁姆教育目标分类中的最后一个领域对应，其之所以受到较多的关注，是因为与特殊儿童和残障学生的教育需求相契合。此外，脑机接口和机器学习层面的深度学习成为研究热点，这说明研究者十分关注智能算法等技术层面的突破，其也是EEG技术能够更加高效、精准、智能地被用于教育研究的重要推动力。

另一方面，通过对基于EEG技术的教育研究发展趋势的分析可以看出，未来相关研究还有待在以下几个方面取得突破。一是确立与完善教育神经科学（Educational Neuroscience）研究体系。虽然EEG技术已被越来越多的教育研究所应用，但不容忽视的是，这些研究都相对零散，缺乏系统化、持续性的研究。为此，来自教育学和神经科学等领域的研究者应注重合作并构筑相关理论框架，通过学科交叉完善和改进研究方法，进一步完善教育神经科学研究体系。二是探究如何将“研究发现”转化为“教学应用”。尽管不少研究已通过EEG技术验证了某些教学策略的有效性，EEG技术也被证实能够有效辅助特殊儿童的学习，但这些研究成果多是在实验室环境或控制实验条件下取得的。如何进一步将研究发现与成果推广应用到现实教学情景中，还需要教育研究者和一线教师开展更多的实践探索。三是要加强教育伦理研究。当前，EEG正逐步发展为一项能支持真实教学活动的教育技术，但同时也对教育伦理形成巨大挑战。未来要将EEG技术广泛应用于教学实践，则亟需加强相关教育伦理研究，提升使用者的伦理素养，消除存在的伦理障碍。

尽管神经科学领域在过去30年中已取得巨大进展，但其成果及方法在教育研究中的应用才刚起步。虽然有人用“神经神话”（Neuromyths）来形容神经科学对学习与教育的影响被过分夸大，但不可否认的是，研究学习过程中的脑神经活动及其对认知、情感和学习效果的影响，对于推进教育科学在理论和实践层面的发展具有重要意义。如美国国家教师教育认证协会（National Council for Accreditation of Teacher Education，NCATE）就提出要把神经科学的研究成果整合到教师培训课程中（NCATE，2010）。总之，EEG作为神经科学领域的重要研究成果与技术手段，日益受到教育科学领域的关注，尽管其在实践教学中的应用仍有诸多问题有待解决，但这并不妨碍将其用于教育研究，期望本文能为相关研究提供借鉴与参考。

注释：

① 具体的文献检索条件为：TS＝（“EEG” OR “Electroencephalogra*” OR “EEG Brainwave Equipment” OR “EEG Equipment” OR “EEG Sensor” OR “Brain Wave” OR “EEG Biofeedback” OR “Portable EEG Technology” OR “Brain-Computer Interface*” OR “BCI” OR “Brain-Wave*” OR “Brain Wave*” OR “Mind Wave*” OR “Headset*” OR “Brain Tumour*” OR “EEG Sensor*” OR “Brainwave Sensor*” OR “Brainwave Data” OR “Brain Wave Data”）AND TS＝（“Education*” OR “Educational Eechnolog*” OR “Teach*” OR “Learn*” OR “Learning Environment*” OR “Teaching Strateg*” OR “Learning Strateg*”）。

参考文献：

[1]曹晓明,张永和,潘萌等(2019).人工智能视域下的学习参与度识别方法研究——基于一项多模态数据融合的深度学习实验分析[J].远程教育杂志,37(1):32-44.

[2]陈悦,陈超美,刘则渊等(2015).CiteSpace知识图谱的方法论功能[J].科学学研究,33(2):242-253.

[3]刘勇,李青,于翠波(2017).深度学习技术教育应用:现状和前景[J].开放教育研究,23(5):113-120.

[4]刘哲雨,郝晓鑫,王红等(2018).学习科学视角下深度学习的多模态研究[J].现代教育技术,28(3):12-18.

[5]Abiri, R., Borhani, S., & Jiang, Y. et al. (2019). Decoding Attentional State to Faces and Scenes Using EEG Brainwaves[J]. Complexity, (2):1-10.

[6]Beattie, V., Collins, B., & McInnes, B. (1997). Deep and Surface Learning: A Simple or Simplistic Dichotomy? [J]. Accounting Education, 6(1):1-12.

[7]Berka, C., Levendowski, D. J., & Cvetinovic, M. M. et al. (2004). Real-Time Analysis of EEG Indexes of Alertness, Cognition, and Memory Acquired with a Wireless EEG Headset[J]. International Journal of Human-Computer Interaction, 17(2):151-170.

[8]Bi, L., & Fan, X. (2011). Emotion Recognition from EEG Based on Bayesian Networks[J]. Energy Procedia, (11):278-285.

[9]Calabrò, R. S., Naro, A., & Russo, M. et al. (2017). The Role of Virtual Reality in Improving Motor Performance as Revealed by EEG: A Randomized Clinical Trial[J]. Journal of Neuroengineering and Rehabilitation, 14(1):1-16.

[10]Chen, C., & Huang, S. (2014). Web-Based Reading Annotation System with an Attention-Based Self-Regulated Learning Mechanism for Promoting Reading Performance[J]. British Journal of Educational Technology, 45(5):959-980.

[11]Clarke, A. R., Barry, R. J., & McCarthy, R. et al. (2002). EEG Analysis of Children with Attention-Deficit/Hyperactivity Disorder and Comorbid Reading Disabilities[J]. Journal of Learning Disabilities, 35(3):276-285.

[12]Delahunty, T., Seery, N., & Lynch, R. (2018). Exploring the Use of Electroencephalography to Gather Objective Evidence of Cognitive Processing During Problem Solving[J]. Journal of Science Education and Technology, 27(3):114-130.

[13]Egner, T., & Gruzelier, J. H. (2004). EEG Biofeedback of Low Beta Band Components: Frequency-Specific Effects on Variables of Attention and Event-Related Brain Potentials[J]. Clinical Neurophysiology, 115(1):131-139.

[14]Farmaki, C., Sakkalis, V., & Loesche, F. et al. (2019). Assessing Field Dependence-Independence Cognitive Abilities Through EEG-Based Bistable Perception Processing[J]. Frontiers in Human Neuroscience, 13(10):1-18.

[15]Feldmann-Wüstefeld, T., Uengoer, M., & Schubö, A. (2015). You See What You Have Learned: Evidence for an Interrelation of Associative Learning and Visual Selective Attention[J]. Psychophysiology, 52(11):1483-1497.

[16]Fredricks, J. A., Blumenfeld, P. C., & Paris, A. H. (2004). School Engagement: Potential of the Concept, State of the Evidence[J]. Review of Educational Research, 74(1):59-109.

[17]Guger, C., Daban, S., & Sellers, E. et al. (2009). How Many People Are Able to Control a P300-Based Brain-Computer Interface (BCI)?[J]. Neuroscience Letters, 462(1):94-98.

[18]Guger, C., Schlogl, A., & Neuper, C. et al. (2001). Rapid Prototyping of an EEG-Based Brain-Computer Interface (BCI)[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 9(1):49-58.

[19]Heatherton, T. F., & Wagner, D. D. (2011). Cognitive Neuroscience of Self-Regulation Failure[J]. Trends in Cognitive Sciences, 15(3):132-139.

[20]Jenke, R., Peer, A., & Buss, M. (2014). Feature Extraction and Selection for Emotion Recognition from EEG[J]. IEEE Transactions on Affective Computing, 5(3):327-339.

[21]Jones, E. G., & Mendell, L. M. (1999). Assessing the Decade of the Brain[J]. Science, 284(5):739.

[22]Kaur, B., Singh, D., & Roy, P. P. (2018). EEG Based Emotion Classification Mechanism in BCI[J]. Procedia Computer Science, 132:752-758.

[23]Kavitha, S., Mohanavalli, S., & Bharathi, B. (2018). Predicting Learning Behaviour of Online Course Learners’ Using Hybrid Deep Learning Model[C]// Proceedings of the 6th International Conference on MOOCs, Innovation and Technology in Education. Hyderabad. India: IEEE: 98-102.

[24]Khader, P., Jost, K., & Ranganath, C. et al. (2010). Theta and Alpha Oscillations During Working Memory Maintenance Predict Successful Long-Term Memory Encoding[J]. Neuroscience Letters, 468(3):339-343.

[25]Kober, S. E., Witte, M., & Ninaus, M. et al. (2013). Learning to Modulate One’s Own Brain Activity: The Effect of Spontaneous Mental Strategies[J]. Frontiers in Human Neuroscience, 7(10):1-11.

[26]Koelstra, S., Muhl, C., & Soleymani, M. et al. (2011). DEAP: A Database for Emotion Analysis Using Physiological Signals[J]. IEEE Transactions on Affective Computing, 3(1):18-31.

[27]Kwon, J. H., Kim, E., & Im, C. H. et al. (2018). Classification of Different Cognitive Load Using Electroencephalogram(EEG): Preliminary Study[C]// Proceedings of 2018 Joint 10th International Conference on Soft Computing and Intelligent Systems (SCIS) and 19th International Symposium on Advanced Intelligent Systems (ISIS). Toyama, Japan:205-208.

[28]Lekova, A., Dimitrova, M., & Kostova, S. et al. (2018). BCI for Assessing the Emotional and Cognitive Skills of Children with Special Educational Needs[C]// Proceedings of the 5th International Congress on Information Science and Technology. Marrakesh, Morocco: IEEE:400-403.

[29]Lim, C. G., Lee, T. S., & Guan, C. et al. (2012). A Brain-Computer Interface Based Attention Training Program for Treating Attention Deficit Hyperactivity Disorder[J]. PloS ONE, 7(10):1-8.

[30]Meade, P., & McMeniman, M. (1992). Stimulated Recall: An Effective Methodology for Examining Successful Teaching in Science[J]. The Australian Educational Researcher, 19(3):1-18.

[31]Mehmood, R., & Lee, H. (2017). Towards Building a Computer Aided Education System for Special Students Using Wearable Sensor Technologies[J]. Sensors, 17(2):317.

[32]Miltner, W. H., Braun, C., & Arnold, M. et al. (1999). Coherence of Gamma-Band EEG Activity as a Basis for Associative Learning[J]. Nature, 397(6718):434-436.

[33]National Council for Accreditation of Teacher Education (NCATE)(2010). The Road Less Traveled: How the Developmental Sciences Can Prepare Educators to Improve Student Achievement: Policy Recommendations[EB/OL]. [2019-12-30]. https://files.eric.ed.gov/fulltext/ED550407.pdf.

[34]National Research Council (2005). How Students Learn: History, Mathematics, and Science in the Classroom[M]. Washington, D.C.: National Academies Press:10-20.

[35]Nazari, M. A., & Berquin, P. (2010). Effect of Electrical Activity Feedback on Cognition[C]// Proceedings of the 17th Iranian Conference of Biomedical Engineering. Isfaham, Iran: IEEE:1-3.

[36]Ordikhani-Seyedlar, M., Lebedev, M. A., & Sorensen, H. B. et al. (2016). Neurofeedback Therapy for Enhancing Visual Attention: State-of-the-Art and Challenges[J]. Frontiers in Neuroscience, 10(5):1-15.

[37]Qidwai, U., Ajimsha, M. S., & Shakir, M. (2019). The Role of EEG and EMG Combined Virtual Reality Gaming System in Facial Palsy Rehabilitation: A Case Report[J]. Journal of Bodywork and Movement Therapies, 23(2): 425-431.

[38]Riding, R. J., Glass, A., & Butler, S. R. et al. (1997). Cognitive Style and Individual Differences in EEG Alpha During Information Processing[J]. Educational Psychology, 17(1):219-234.

[39]Rietschel, J. C., McDonald, C. G., & Goodman, R. N. et al. (2014). Psychophysiological Support of Increasing Attentional Reserve During the Development of a Motor Skill[J]. Biological Psychology, 103(10):349-356.

[40]Seaward, B. (2008). Clinical Biofeedback[M]. Burlington: Jones & Bartlett Publishers: 419-427.

[41]Spector, J. M., Merrill, M. D., & Elen, J. et al. (2014). Handbook of Research on Educational Communications and Technology[M]. New York: Springer: 62-63.

[42]Steiner, N. J., Sheldrick, R. C., & Gotthelf, D. et al. (2011). Computer-Based Attention Training in the Schools for Children with Attention Deficit/Hyperactivity Disorder: A Preliminary Trial[J]. Clinical Pediatrics, 50(7):615-622.

[43]Sun, J. C. Y., & Yeh, K. P. C. (2017). The Effects of Attention Monitoring with EEG Biofeedback on University Students’ Attention and Self-Efficacy: The Case of Anti-Phishing Instructional Materials[J]. Computers & Education, 106:73-82.

[44]Takehana, K., & Matsui, T. (2016). Association Rules on Relationships Between Learner’s Physiological Information and Mental States During Learning Process[C]// International Conference on Human Interface and the Management of Information. Las Vegas, USA: Springer:209-219.

[45]Tawatsuji, Y., Uno, T., & Fang, S. et al. (2018). Real-Time Estimation of Learners’ Mental States from Learners’ Physiological Information Using Deep Learning[C]// Proceedings of the 26th International Conference on Computers in Education. Manila, Philippines: ICCE:107-109.

[46]Terrenghi, I., Diana, B., & Zurloni, V. et al. (2019). Episode of Situated Learning to Enhance Student Engagement and Promote Deep Learning: Preliminary Results in a High School Classroom[J]. Frontiers in Psychology, 10(6):1-13.

[47]Thibault, R. T., Lifshitz, M., & Raz, A. (2016). The Self-Regulating Brain and Neurofeedback: Experimental Science and Clinical Promise[J]. Cortex, 74(11):247-261.

[48]Tromp, J., Peeters, D., & Meyer, A. S. et al. (2018). The Combined Use of Virtual Reality and EEG to Study Language Processing in Naturalistic Environments[J]. Behavior Research Methods, 50(2):862-869.

[49]Wolpaw, J. R., Birbaumer, N., & Heetderks, W. J. et al. (2000). Brain-Computer Interface Technology: A Review of the First International Meeting[J]. IEEE Transactions on Rehabilitation Engineering, 8(2):164-173.

[50]Wolpert, D. M., Ghahramani, Z., & Flanagan, J. R. (2001). Perspectives and Problems in Motor Learning[J]. Trends in Cognitive Sciences, 5(11):487-494.

[51]Wong, S. W., Chan, R. H., & Mak, J. N. (2014). Spectral Modulation of Frontal EEG During Motor Skill Acquisition: A Mobile EEG Study[J]. International Journal of Psychophysiology, 91(1):16-21.

[52]Xu, J., & Zhong, B. (2018). Review on Portable EEG Technology in Educational Research[J]. Computers in Human Behavior, 81(4):340-349.

[53]Xu, T., Zhou, Y., & Wang, Z. et al. (2018). Learning Emotions EEG-Based Recognition and Brain Activity: A Survey Study on BCI for Intelligent Tutoring System[J]. Procedia Computer Science, 130(5):376-382.

[54]Yang, X., Lin, L., & Cheng, P. et al. (2019a). Which EEG Feedback Works Better for Creativity Performance in Immersive Virtual Reality: The Reminder or Encouraging Feedback?[J]. Computers in Human Behavior, 99(10):345-351.

[55]Yang, X., Cheng, P., & Lin, L. et al. (2019b). Can an Integrated System of Electroencephalography and Virtual Reality Further the Understanding of Relationships Between Attention, Meditation, Flow State, and Creativity?[J]. Journal of Educational Computing Research, 57(4):846-876.

[56]Yang, X., Lin, L., & Cheng, P. et al. (2018). Examining Creativity Through a Virtual Reality Support System[J]. Educational Technology Research and Development, 66(5):1231-1254.

[57]Zhang, J., Chen, M., & Zhao, S. et al. (2016). ReliefF-Based EEG Sensor Selection Methods for Emotion Recognition[J]. Sensors, 16(10):1-15.

[58]Zhai, X., Fang, Q., & Dong, Y. et al. (2018). The Effects of Biofeedback-Based Stimulated Recall on Self-Regulated Online Learning: A Gender and Cognitive Taxonomy Perspective[J]. Journal of Computer Assisted Learning, 34(6):775-786.

[59]Zimmerman, B. J. (1989). A Social Cognitive View of Self-Regulated Academic Learning[J]. Journal of Educational Psychology, 81(3):329-339.

收稿日期　2020-03-24　责任编辑　谭明杰

封面图片来自互联网