利用 fNIRS 評估虛擬實境中的工作負荷以實現適應性訓練
arXiv - Human-Computer InteractionCara A. Spencer, Christopher D. Wickens, Jalynn B. Nicoly, James Crum, Benjamin A. Clegg, Joanna E. Lewis, Francisco R. Ortega, Lucas Plabst, Rebecca L. Pharmer, Leanne Hirshfield
本研究驗證了使用 fNIRS 技術來即時測量認知負荷，以優化虛擬實境訓練中的任務難度調整。
AI 幫你先抓重點
AI 重點 1
神經科學指標可作為適應性學習系統的即時回饋機制
滑鼠懸停看 AI 判斷理由
傳統的適應性學習多依賴行為數據（如答題速度），但透過 fNIRS 監測生理指標，系統能更精準地捕捉學習者的認知狀態，實現真正的「神經工程」導向教學。
AI 重點 2
區分內在負荷與外在負荷對於優化 VR 教學設計至關重要
滑鼠懸停看 AI 判斷理由
研究顯示大腦對這兩者的反應截然不同。設計者應專注於優化內在負荷以促進學習，同時極力減少不必要的腦部活動（外在負荷），以避免干擾學習者的認知資源。
核心研究發現
- 1
fNIRS 測得的腦部活動與認知負荷理論中的「內在負荷」高度相關，特別是在與工作記憶與注意力相關的皮質區域。
- 2
fNIRS 的數據結果與 NASA 任務負荷量表（NASA TLS）的主觀評分呈現高度一致性，證實了其有效性。
- 3
研究發現與「外在負荷」相關的腦部活動極低，僅在右側角回有微弱反應，顯示其與任務掌握程度無關。
對教育工作者的啟發
教育科技設計者在開發 VR 訓練系統時，應考慮整合生理感測技術（如 fNIRS）來建立「閉環式」適應性學習環境。具體建議包括：1. 開發能自動偵測學習者認知過載的演算法，當腦部活動顯示負荷過高時，系統應自動降低任務難度；2. 在設計 VR 介面時，應減少與學習目標無關的視覺或聽覺干擾（外在負荷），因為研究顯示這些干擾對學習掌握並無正面幫助，反而可能造成不必要的認知資源浪費。
原始文獻資訊
- 英文標題：
- Leveraging fNIRS to Evaluate Workload for Adaptive Training in Virtual Reality
- 作者：
- Cara A. Spencer, Christopher D. Wickens, Jalynn B. Nicoly, James Crum, Benjamin A. Clegg, Joanna E. Lewis, Francisco R. Ortega, Lucas Plabst, Rebecca L. Pharmer, Leanne Hirshfield
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。