生物大数据监测：未来教育质量测评新趋势①

卢锦运 龚春燕 禹东川 钟冬梅 薄小丽 吴传燕 毛远航

摘要基于生物大数据的教育学研究，可以为全面深入地认识学生学习机制、掌握学习规律、促进能力发展，以及探索更有效的教学和评价方法提供实证基础。通过建立实验室或让学生使用穿戴式设备直接获取其脑电、心电、皮肤电等数据，并建立数据挖掘分析方法，建立评估模型，研究行为数据评估与生物数据的相关性，促进了教育质量监测评估的新发展。

关键词神经教育学；脑科学；教育质量监测评价；生物大数据；功能性磁共振成像（fMRI）；脑磁图（MEG）；皮肤电

中图分类号G63

文献标识码B

文章编号1002-2384（2018）05-0014-03

在经济全球化、知识经济和颠覆性信息技术的冲击下，世界对未来人才和教育的需求均在发生深刻变化，未来教育及学习范式的变革时代已经到来。在学习科学与脑科学研究的引领下，“神经教育学”作为研究新领域，是教育学研究方法的革命性变革。多项研究表明，生理信号能够更加诚实地反映个体在情绪状态下自主神经系统的工作模式，因而随着科学技术的进步，基于生物数据的识别研究应运而生。

借助科学技术手段，我们可以获得在特定场景下学生“生理-生化-行为”的生物大数据，为全面深入地认识学生学习机制、掌握学习规律、促进能力发展，以及探索更有效的教学和评价方法提供实证基础。

一、国内外研究现状：基于生物大数据的教育学研究正在起步

目前，基于生物大数据的教育学研究处于起步阶段，一些研究成果为教育研究与发展提供了有益的指导。其中，比较有影响的是来自美国华盛顿大学研究儿童早期语言发展的Kuhl教授团队，他们采用高密度脑电（EEG）、功能性磁共振成像（fMRI）和脑磁图（MEG）等脑影像工具，研究不同教材、教育方法、学习方法等因素与脑影像的相互影响关系。其中一个影响比较广泛的结论是：婴儿学习与其和人之间的情感交流以及互动关系很大，运用电视节目学习母语和外语的效果很有限。[1]

国际上众多科学家对皮肤电（SC）、脑电（EEG）、肌电（EMG）、心电（ECG）、呼吸（RSP）和血容量搏动（BVP）等生理信号在情感识别方面的作用有重要理论贡献。[2]人们可以通过采集人体的各种生理信号，如脑电、皮肤电、肌电、心电、呼吸和血容量搏动等，来推测个体当前所处的情绪状态。例如：麻省理工学院的Picard教授等人从肌电、呼吸、皮肤电和血容量搏动这四种生理信号中提取40种特征来进行4种情绪状态的识别研究，识别率达到70%以上。[3]Gruebler等通过肌电信号获取受试者的面部肌肉信号，能分辨笑与皱眉。[4] Katsis通过采集面部肌电信号、心电信号、呼吸以及皮肤电活动，辨识赛车手是否处于高度紧张、低度紧张、失望以及欢快的精神状态。[5]德克萨斯大学的研究团队则研究了成人和儿童在集中注意力时的专注程度与皮肤电的关系，证实被试在专注程度较高时将激发更大幅值的皮肤电反应。

2017年10月，重庆市教育评估院应邀参加爱尔兰科克大学（UCC）举办的“大数据挖掘与模型建构的研讨会”，并做了“基于重庆基础教育质量监测大数据分析的儿童能力模型研究”专题报告，会间与欧盟大数据分析中心负责人、爱尔兰科克大学数理学院院长飞马（Finbarr OSullivan）教授和黄健教授（Jian Haung）进行了深度访谈。据介绍，他们开展了多年的幼儿脑电分析，形成了图形大数据，建立了幼儿不同阶段的数据模型，揭示了不同幼儿学习的生物反应，这些研究成果不仅揭示了儿童语言学习过程的神经机制，而且为儿童语言教育的评估提供了基于实证的科学手段。

国内基于生物大数据的研究成果也较为丰富。例如：西南大学刘光远教授团队研究通过不同的计算机算法，如神经网络和一些现代优化算法，提高通过各种生理参数来进行情感识别的准确度。[6]北京师范大学刘嘉教授、东南大学禹东川教授等，整合了脑科学、发展心理学、教育学、生物医学工程和信息技术等多学科先进技术，开展从基因、神经递质、脑功能结构，到生理、行为等多个层次的青少年综合素质测评研究，研制出包括个体化形成性测评系统、课堂教学实时监测与评估系统、神经信息反馈系统等一系列儿童发展评测仪器，并将其应用于教育实践。[7]

二、重庆实践：将生理数据引入学生发展和教育评价研究

当前，生物大数据在教育领域的研究和实践成果，大多集中在通过脑影像设备获取脑认知状态的相关研究。目前，脑电波在监测个体注意力和学习状态方面已经有了较为成熟的研究成果，但是采集脑电波的设备在实际教育教学过程中佩戴不方便，大范围地推广和长时间佩戴有难度。

皮肤电等生理数据在学生發展和教育评价领域的研究实践尚少，由于皮肤电等生理信号可借助腕带式设备在教学环境中长期大量地采集数据，因此在学生学习、活动、运动及能力发展研究方面具有较大的研究潜力和应用价值。皮肤电与体内的汗腺有关，而汗腺由交感神经控制，因此皮肤电是生理性觉醒的信号，因而可以被用来监测情感和交感神经反应，并进而具备监测学生在上课过程中的认知与情绪状态的可能性。

为了推进神经教育学在教育中的实践应用，重庆市教育评估院将基于脑电、皮肤电的采集和认知计算技术引入试点学校进行实验，以脑电、皮肤电、心率、皮表温度等为主要生理指标，通过在学校建立实验室收集脑电数据，以腕带式设备的形式采集皮肤电、心率、皮表温度数据，结合大数据的方法进行分析，建立起一种新的生态模式。我们一方面通过可穿戴设备对学生皮肤电数据进行实时、长期的数据采集与信号分析；另一方面通过实验室定期采集学生脑电、心电、皮肤电等若干方面数据。我们尝试将这些数据运用到教育教学当中，促使师生之间和学生之间的互动模式、信息表征及可视化情景得以展现，由此判断个体在学习过程中的课堂参与程度及状态，掌握学生的专注程度、认知状态和情绪情感变化，从而为教师教学提供实时反馈，对其正在进行的教学过程进行研判，为教师创造与学生心理需求同步的教学情境提供实证数据，为评价教师教学和学生学习提供更有效的工具，以达到提高教学效率和学习效能的目的。[8]

首先，我们在北京师范大学刘嘉教授、东南大学禹东川教授的支持下，整合了来自哥伦比亚大学、爱尔兰科克大学、芬兰教育研究中心等高校或研究机构的境内外相关人员，建立了核心团队。接着，选择试点学校，并在每所试点学校建立实验室，每所实验室有200平方米的场所，学生按要求在自然状态下进行活动。然后，制定数据收集的标准化流程（包括生物传感器的佩戴和生物样本采集的过程等）和主试指导语，在此基础上对主试进行培训和考核，确保数据收集的品质和一致性。最后，组织学生佩戴相应的生物信号传感器（如脑电、肌电、皮肤电、心电、运动等），或者采集其生物样本（如唾液），按照标准化流程获得生物数据，并进一步分析获得学生的反应力、注意力、记忆力和创造力等多个指标。

三、初步效果：基于生物数据判断教育质量监测的真实有效

为了更好地说明研究效果，我们基于所采集的全市数亿全量数据，采用皮尔逊（Pearson）相关系数、项目反应理论（IRT）进行变量的相关性分析。

重庆市教育评估院利用专业工具测量出某区域某学校五年级学生的生理信号分析数据，包括短时记忆、工作记忆、认知灵活性、注意力和言语流畅性，并与学生的英语、数学学业成绩进行相关性分析，数据显示：该校五年级学生英语学习成绩与其工作记忆、言语流畅性的相关性相对较高，相关系数分别为0.229、0.244（P<0.01）；数学学习成绩与学生言语流畅性的相关性相对较高，相关系数为0.26（P<0.01）（见表1）。由此我们可以得出如下结论：学生的言语流畅性、工作记忆会显著影响学生的英语和数学学业发展，言语流畅性得分越高，学生英语学业表现越好，相对而言，其他生理信号分析数据与学生学业发展的关系不明显。

我们同时将被试的性别和年龄与生理信号分析数据进行了独立样本T检验，从结果可以看出，生理信号分析数据各个指标均不存在显著的性别差异（见表2）和年龄差异（见表3）。

另外，我们采用项目反应理论（IRT）对学生发展的各个指数进行量尺分数计算，对数据进行标准化处理后，采用双变量相关分析进一步探寻生理信号分析指标与学生发展的规律。从结果表明：学生的短时记忆、工作记忆、言语流畅性与数学成绩显著正相关，学生的工作记忆和认知灵活性与英语成绩、抗挫折能力、问题解决能力、人际交往能力、同伴关系均显著正相关，学生的注意力和言语流畅性均与学生英语成绩显著正相关（见表4）。

尽管我们的研究还处于起步阶段，但是对于基础教育质量监测可能是新的发展方向。如何制定数据采集与分析的标准化流程（包括测试场景的标准化、生物数据采集的标准化、生物数据分析方法的标准化等）、如何确保生物数据分析结果的高信效度，以及如何在数据分析中进行因素控制等问题，将是生物数据分析能否应用于教育质量评估的重大研究课题。虽然生物数据采集有一定的困难，大范围测试尚有较大难度，但已可以为提升教育质量监测的科学性与有效性提供更多思考和努力方向。

参考文献：

[1] Kuhl P K，Tsao F M，Liu H M. Foreign-language experience in infancy：Effects of short-term exposure and social interaction on phonetic learning.[J]. Proceedings of the National Academy of Sciences of the United States of America，2003，100（15）.

[2] Kukolja D，Horvat M. Comparative analysis of emotion estimation methods based on physiological measurements for real time applications[J].International Journal of Human-Computer Studies，2014，72（10-11）.

[3] Picard R W，Vyzas E，Healey J. Toward machine emotional intelligence： analysis of affective physiological state[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2001，23（10）.

[4] Gruebler A，Suzuki K. Measurement of distal EMG signals using a wearable device for reading facial expressions[C]// Engineering in Medicine & Biology Society. Conf Proc IEEE Eng Med Biol Soc，2010.

[5] Katsis C D，Katertsidis N，Ganiatsas G，et al. Toward Emotion Recognition in Car-Racing Drivers：A Biosignal Processing Approach[J]. IEEE Transactions on Systems，Man，and Cybernetics - Part A：Systems and Humans，2008，38（3）.

[6] 熊勰，劉光远，温万惠.基于智能算法的生理信号情感识别[J].计算机科学，2011，（3）.

[7][8] 禹东川.基于脑电的课堂注意力监测：构建“可视化”教学生态[J].中小学管理，2016，（7）.

注释：

① 本文系国家自然科学基金项目“基于脑网络拓扑估计的中国儿童社会情绪能力评测研究”（项目编号：61273224）和“基于近红外脑功能成像技术的孤独症谱系障碍儿童社会功能评估”（项目编号：61673113）的研究成果之一。本文通讯作者为龚春燕。