脑电图技术的教育研究图景与趋势* ——基于2

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。

上一篇：基于美国高等教育认证体系下的中医药教学情况
下一篇：没有了