edtechassessmentlearning sciencecognitive loadwearable technology

基於穿戴式裝置的生理訊號即時監測：不同任務下認知負荷之評估研究

arXiv - Computers and SocietyLing He, Yanxin Chen, Wenqi Wang, Shuting He, Xiaoqiang Hu

本研究利用穿戴式設備結合 EEG 與 HRV 數據，開發出高精準度的認知負荷即時監測模型。

AI 幫你先抓重點

AI 重點 1

多模態生理數據融合的有效性

滑鼠懸停看 AI 判斷理由
單一生理指標可能存在雜訊或誤判，結合 EEG 與 HRV 能提供更全面的認知狀態圖譜，這對於開發精準的學習科學監測工具具有高度參考價值。
AI 重點 2

模型在不同任務間的遷移能力

滑鼠懸停看 AI 判斷理由
這證明了生理特徵與認知負荷之間存在穩定的關聯，而非僅侷限於特定實驗任務，這為未來在真實教學場景中進行自動化評估奠定了技術基礎。

核心研究發現

  1. 1

    透過結合 FP1 通道的腦電圖（EEG）與心率變異度（HRV）數據，研究實現了每秒一次的高時序解析度認知負荷評估。

  2. 2

    利用隨機森林分類模型進行 N-BACK 任務實驗，成功將不同認知負荷程度的生理訊號分類準確率提升至 97%。

  3. 3

    該分類模型展現了優異的跨任務遷移能力，能成功應用於國家電腦等級檢定（一級）等不同學習情境中。

對教育工作者的啟發

教育工作者可利用此類技術實現「適應性教學」。透過即時監測學生的認知負荷，教師能判斷學生是否處於過載或學習不足的狀態，進而動態調整教學資源的分配或難度。對於課程設計者而言，這提供了一種客觀的量化工具，用以評估教材或數位學習平台的設計是否符合學生的認知負荷需求，從而優化學習體驗。

原始文獻資訊

英文標題：
Wearable Device-Based Real-Time Monitoring of Physiological Signals: Evaluating Cognitive Load Across Different Tasks
作者：
Ling He, Yanxin Chen, Wenqi Wang, Shuting He, Xiaoqiang Hu
來源：
arXiv - Computers and Society
AI 摘要模型：
/models/gemma-4-26B-A4B-it
閱讀原文

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。