Ihre Hirn-Aktivität kann verwendet werden, um zu Messen, wie gut Sie sich verstehen, ein Konzept

Wie lernen die Schüler ein neues Konzept, Messung, wie gut Sie begreifen es oft hing von traditionellen Papier-und-Bleistift-tests. Dartmouth-Forscher entwickelten ein machine-learning-Algorithmus, die verwendet werden können, um zu Messen, wie gut ein Schüler versteht ein Konzept, basierend auf seinem oder Ihrem Gehirn Tätigkeit Muster. Die Ergebnisse sind veröffentlicht in „Nature Communications“.

Die Studie ist eine der ersten zu schauen, wie sich das wissen in der Schule gelernt hat, ist vertreten im Gehirn. Um zu testen, Kenntnis der Konzepte, die in STAMMZELLEN, Dartmouth-Forscher untersucht, wie sich der Anfänger und fortgeschrittene den Lernenden das wissen und die Aktivität des Gehirns verglichen werden, wenn die Prüfung Maschinenbau und Physik Konzepte, und dann eine neue Methode entwickelt um zu beurteilen, Ihr konzeptionelles Verständnis.

„Lernen über STAMMZELLEN Themen ist spannend, aber es kann auch eine ziemliche Herausforderung. Doch, durch den Kurs lernen die Studierenden entwickeln ein reichhaltiges Verständnis von vielen komplexen Konzepte. Vermutlich, dieses erworbene wissen muss sich in neue Muster der Hirnaktivität. Allerdings sind wir derzeit nicht haben, ist ein detailliertes Verständnis, wie das Gehirn unterstützt diese Art von komplexen und abstrakten Wissens, so dass das, was wir uns vorgenommen haben, zu studieren“, sagte senior Autor David Krämer, assistant professor of education an der Dartmouth College.

Zwanzig-acht Dartmouth-Studenten nahmen an der Studie Teil, aufgeteilt in zwei gleich große Gruppen: engineering-Studenten und Novizen. Studenten der Ingenieurwissenschaften übernommen hatte, mindestens einer mechanischen engineering-Kurs und eine erweiterte Physik-Kurs, in der Erwägung, dass Neulinge nicht getroffen hätte jeder college-level-engineering oder Physik-Klassen. Die Studie Bestand aus drei tests, die sich auf, wie Strukturen aufgebaut sind und bewertet die Teilnehmer‘ Verständnis von Newton ‚ s drittes Gesetz—für jede Aktion gibt es eine gleiche und entgegengesetzte Reaktion. Newton ‚ s drittes Gesetz wird oft verwendet, um zu beschreiben, die Wechselwirkungen von Objekten in Bewegung, aber es gilt auch für Objekte, die statisch sind, oder nonmoving: alle die Kräfte, die in einer statischen Struktur müssen im Gleichgewicht sein, ein Prinzip grundlegend für das Verständnis, ob eine Struktur wird unter seinem eigenen Gewicht zusammenbrechen, oder ob Sie es unterstützen können, mehr Gewicht.

Zu Beginn der Studie wurden die Teilnehmer mit einem kurzen überblick über die verschiedenen Arten von Kräften im Maschinenbau. In einem fMRT-scanner, vorgestellt mit Bildern von realen Strukturen (Brücken, Laternen, Gebäude, und vieles mehr) und wurden gebeten, darüber nachzudenken, wie die Kräfte, die in einer gegebenen Struktur ausgeglichen zu halten, die Struktur im Gleichgewicht. Dann wurden die Teilnehmer aufgefordert, sich mit einem späteren Bild der gleichen Struktur, wo die Pfeile repräsentieren die Kräfte waren überlagert die Struktur. Die Teilnehmer wurden gebeten, zu identifizieren, wenn der Newton ‚ schen Truppen waren richtig gekennzeichnet in diesem Diagramm. Studenten der Ingenieurwissenschaften (für fortgeschrittene Lerner) beantwortet von 75 Prozent der Diagramme korrekt und besser als der Anfänger, die beantwortet 53.6 Prozent richtig.

Vor der fMRT-Sitzung wurden die Teilnehmer auch gebeten, an zwei standardisierte, multiple-choice-tests gemessen, die anderen Maschinenbau-und Physik-Kenntnisse. Für beide tests, den engineering-Studenten hatten signifikant höhere Werte als die Novizinnen mit 50.2 Prozent gegenüber 16,9 Prozent, und von 79,3 Prozent im Vergleich zu 35,9 Prozent.

In der kognitiven Neurowissenschaft, Studien darüber, wie Informationen im Gehirn gespeichert verlassen sich oft auf die Mittelung von Daten über die Teilnehmer innerhalb einer Gruppe, und dann den Vergleich Ihrer Ergebnisse mit denen aus einer anderen Gruppe (z.B. Experten vs. Novizen). Für diese Studie, die Dartmouth-Forscher wollten die Entwicklung einer data-driven-Methode, die generieren konnte eine individuelle „neuronale score“ basiert auf der Gehirn-Aktivität allein, ohne anzugeben, zu welcher Gruppe die Teilnehmer ein Teil war. Das team erstellt eine neue Methode namens einer Informations-Netzwerk-Analyse, ein machine-learning-Algorithmus, die „produziert neuronale erzielt, die deutlich vorhergesagten individuellen Unterschiede in der“ performance “ – Tests Kenntnisse der spezifischen STAMM Konzepte. Zur Validierung des neuronalen score-Methode verglichen die Forscher jeden Schüler die neuronale Partitur mit seiner/Ihrer Leistung auf die drei tests. Die Ergebnisse zeigten, dass je höher die neuronale score, desto höher werden die Schüler gezählt, die auf dem Konzept der knowledge-tests.

„In der Studie, fanden wir, dass, wenn Studenten der Ingenieurwissenschaften sah Bilder von real-Welt-Strukturen, die Studenten würden automatisch Ihre engineering-wissen und sehen würde, die Unterschiede zwischen den Strukturen, wie z.B. ob es sich um einen kragarm, Fachwerkbinder oder senkrechte Belastung“, erklärt Kraemer. „Basierend auf den ähnlichkeiten im Gehirn Tätigkeit Muster, unsere machine-learning-Algorithmus-Methode war in der Lage zu unterscheiden, die Unterschiede zwischen diesen mechanischen Kategorien und generieren eines neuronalen Partitur, dass sich das zugrunde liegende wissen. Die Idee hier ist, dass ein Ingenieur und Anfänger sehen etwas anders aus, wenn Sie schauen auf ein Foto von einer Struktur, und wir sind Kommissionierung bis auf, dass der Unterschied“, fügte er hinzu.

Die Studie fand, dass, während beide Studenten der Ingenieurwissenschaften und Laien, die Nutzung des visuellen Kortex ähnlich wie bei der Anwendung von Konzept Kenntnisse über die Technik, die Sie verwenden, den rest das Gehirn sehr unterschiedlich zu verarbeiten, die gleichen visuellen Bild. Konsistent mit früherer Forschung, die Ergebnisse haben gezeigt, dass die Studenten der Ingenieurwissenschaften‘ konzeptuelle wissen wurde im Zusammenhang mit mustern von Aktivität in mehreren Regionen des Gehirns, einschließlich der dorsale frontoparietale Netzwerk, das hilft, damit die räumliche Wahrnehmung und die Regionen des ventralen occipitotemporal cortex, die sind beteiligt an der visuellen Objekterkennung und-Kategorie Identifikation.