从个体到群体:生理信号如何“看见”课堂里的每一份真实投入?

科研原理发布时间 2026-05-15

核心内容:本文围绕“从个体到群体:生理信号如何“看见”课堂里的每一份真实投入?”展开,属于中科心研科研动态中的科研原理类内容,以公开文献与实验方法为依据整理,供人因工程与心理学领域科研参考。文中观点以引用的公开发表研究为准,相关设备与方法仅用于科研测量与教学,不用于诊断、治疗或筛查。

从个体到群体:生理信号如何“看见”课堂里的每一份真实投入?

课堂里谁在"真学"?

——生理信号与超扫描揭示学习投入的隐藏真相

当老师以为学生在认真听课时,他们真的在学吗?传统课堂评估依赖教师观察、出勤率或期末成绩——但这些指标要么主观、要么滞后。近年来,心率变异性(HRV)、皮肤电反应(EDA)等可穿戴生理信号,以及多人同步的超扫描技术,正在为课堂投入度的客观量化打开新窗口。

一、课堂投入度:为什么"看见"比"以为"重要

学习投入度(learning engagement)是教育研究中预测学业成就、学习满意度和心理健康的核心变量。它涵盖三个维度:行为投入(是否参与课堂活动)、情感投入(是否对学习内容产生兴趣和积极情绪)、认知投入(是否在进行深度思考和意义建构)。然而,这三个维度的传统评估方法都有明显局限:

  • 教师观察
    一位教师面对数十名学生,难以精准捕捉每个人的状态变化,且容易受"安静=认真"的认知偏差影响
  • 自我报告
    学生填写的投入度问卷存在社会赞许性偏差和回忆偏差,无法做到实时动态评估
  • 学业成绩
    作为结果变量过于滞后,无法帮助教师在教学过程中及时调整

这些痛点催生了一个关键问题:能否用客观的生理信号实时"看见"学生的真实学习状态?

心率变异性(Heart Rate Variability, HRV)是其中最受关注的指标之一。HRV反映的是连续心跳间隔的微小变化,由自主神经系统调控——交感神经兴奋时HRV降低,副交感神经主导时HRV升高。在教育场景中,研究表明HRV可以有效捕捉学习者面对学业挑战时的压力反应和认知资源分配状态。2024年发表在Educational Psychology Review(IF ≈ 7.6)上的一项系统综述,汇总了48篇研究、2706名被试的数据,确认HRV在教育评估中具有中等偏上的效度。

皮肤电反应(Electrodermal Activity, EDA)则是另一个关键信号。EDA反映的是汗腺活动的微小变化,与情绪唤醒度高度相关。当学生对某个知识点感到困惑、焦虑或兴奋时,皮肤电信号会产生可检测的波动。与HRV侧重"压力-认知"维度不同,EDA更擅长捕捉"情绪-唤醒"维度的学习状态变化。

然而,单个指标的解读能力始终有限。近年来,研究范式正在从"单指标监测"走向两个重要方向:一是多模态融合——将HRV、EDA、皮温、体动等多源生理信号联合分析,提升学习状态识别的准确性;二是超扫描(hyperscanning)——同时采集多人的生理信号,通过分析人际间的生理同步性,揭示课堂互动质量与师生关系的深层动态。

接下来,我们将分享四篇文献,看看这些方法在真实教育场景中是如何落地的。

二、文献分享:从单指标到多人同步

📄 皮肤电信号能预测学生的课堂表现吗?

Yu, H., Xu, M., Xiao, X., Xu, F., & Ming, D. (2024). Cognitive Neurodynamics.

这篇则聚焦EDA在真实课堂中的预测力。研究者在20名大学生身上佩戴腕带式皮肤电传感器,在8次真实课堂中同步采集EDA信号,并在课后收集学生自我评估和教师评分。

核心发现:皮肤电反应频率与学习效率呈中度正相关(r = 0.543),即EDA信号更活跃的学生,课堂表现也更好。当EDA信号与自我报告联合预测时,准确率达73.53%。

意义:EDA不只是"情绪温度计"——它还能预测学习效果,有望成为课堂学习质量的实时监测指标。

📄 多模态融合比单指标更"懂"学生

Romine, W. L., Schroeder, N. L., et al. (2020). Sensors, 20(21), 6005.

那么,同时用多个指标,效果会不会更好?研究者同步采集学习者的EDA、心率和皮温信号,结合随机森林算法,对不同认知负荷水平进行分类。

核心发现:多模态融合的分类AUC高达0.93-0.99,远超单一指标的表现。其中EDA对低-中认知负荷的区分贡献最大,心率在中-高负荷区间更敏感,皮温则提供了稳定的基线参考。

意义:不同生理信号各有"敏感区",多模态融合可以实现互补,为可穿戴设备的系统化设计提供了重要指导。

📄 师生之间的"无声对话"——生理同步揭示互动质量

Qi, H., Zhang, Y., Dong, K., & Zhao, G. (2024). Current Psychology, 43, 23469–23483.

这篇文章将视角从"个体"拉到了师生群体。来自中国科学院心理研究所的研究团队,采用创新性的"阅读-跟随"范式(师生共读诗歌),在真实课堂中同时采集教师和学生的手腕GSR信号(设备为中科心研多模态手环(PTES100)),并在课后评估师生互动质量。

核心发现:师生间的皮肤电生理耦合显著正向预测师生凝聚力(r = 0.424, p = 0.004)。此外,师生熟悉度越高,教师对学生生理状态的"可预测性"也越强——即教师能在1-4秒内"带动"学生的生理反应。

意义:师生关系的质量不再只能靠问卷来衡量——可穿戴设备同步采集师生GSR信号,为教育互动质量的客观评估提供了新路径。

📄 学生之间"心有灵犀"——生理同步反映协作学习质量

Liu, Y., Wang, T., Wang, K., & Zhang, Y. (2021). Frontiers in Psychology, 12, 651299.

最后一篇将镜头从"师生"扩展到学生团队。清华大学的研究者让15名本科生配对协作学习,使用可穿戴EDA传感器采集双人同步数据,以此区分高/低协作质量的配对。

核心发现:基于EDA同步性特征,模型能有效区分高/低协作质量组(AUC = 0.767)。高协作组表现出更强、更持续的生理同步,低协作组的同步信号则断裂或较弱。

意义:团队协作不只是"谁说了什么"——它还体现在无意识的生理共振中。可穿戴超扫描为协作学习质量评估开辟了新方向。

从"单指标能不能用"到"多指标融合好不好"再到"多人同步能发现什么"——这四篇文献勾勒出课堂学习研究从个体监测走向社会交互分析的清晰技术路线。

三、从实验室到课堂:产品解决方案

上述研究的共同启示是:课堂学习状态的客观量化已经从理论走向了实证验证,而下一步的挑战在于——如何让这些技术在真实课堂中落地。

这需要解决三个问题:

  • 可穿戴设备的舒适度和可靠性(学生能无感佩戴)

  • 多设备同步采集的技术门槛(同时采集多人数据)、

  • 数据分析的效率(研究者不需要自己从零写算法)。

中科心研的多模态手环与计算套件和多模态数据同步采集与分析系统正是围绕这三个需求设计的。

📟 多模态手环与计算套件(PTES100)

从个体到群体:生理信号如何“看见”课堂里的每一份真实投入?

在课堂场景中,学生佩戴手环即可同步采集:

  • PPG脉搏波
    (≥100Hz采样)→ 实时计算心率、HRV(时域/频域指标),反映认知压力与注意力水平
  • GSR皮肤电
    (同步采集EDA信号)→ 捕捉情绪唤醒变化和学习投入波动
  • 皮温
    → 提供稳定的生理基线参考
  • 三轴加速度
    → 记录体动数据,辅助判断行为投入

手环支持群体同步采集,多名学生可同时佩戴、同步上传数据至云端平台。轻量化设计确保了课堂场景下的佩戴舒适度。

🔗 多模态数据同步采集与分析系统

当研究需要更丰富的数据维度或多人超扫描分析时,同步采集系统提供了完整的平台支持:

  • 支持10+数据模态的同步接入(脑电EEG、近红外fNIRS、眼动、心电ECG、面部表情、语音等)
  • 支持30+设备的同步采集,适合师生双人或多组学生的超扫描研究
从个体到群体:生理信号如何“看见”课堂里的每一份真实投入?
  • 内置一致性分析模块,可自动计算多人间的生理信号同步性指标
  • 一键生成特征报告,降低数据分析门槛
从个体到群体:生理信号如何“看见”课堂里的每一份真实投入?

🎯 教育场景的应用路径

从个体到群体:生理信号如何“看见”课堂里的每一份真实投入?

场景一:课堂学习状态监测
全班学生佩戴手环 → 同步采集HRV+EDA+体动 → 教师端实时查看投入度分布 → 识别"走神"和"过载"的学生

场景二:师生互动质量评估
教师和学生同时佩戴手环或接入多模态设备 → 同步采集双人GSR/HRV → 分析生理耦合和可预测性 → 客观评估互动效果

场景三:协作学习质量研究
小组成员同时佩戴手环 → 同步采集多人EDA → 自动计算组内生理同步性 → 识别高/低协作质量的团队

场景四:教学设计优化验证
在不同教学方案下采集学生多模态数据 → 对比HRV、EDA变化模式 → 用客观数据指导教学方法改进

参考文献

  1. Kim, H. J., Park, Y., & Lee, J. (2024). The Validity of Heart Rate Variability (HRV) in Educational Research and a Synthesis of Recommendations. Educational Psychology Review. https://doi.org/10.1007/s10648-024-09878-x
  2. Yu, H., Xu, M., Xiao, X., Xu, F., & Ming, D. (2024). Detection of dynamic changes of electrodermal activity to predict the classroom performance of college students. Cognitive Neurodynamics.
  3. Romine, W. L., Schroeder, N. L., et al. (2020). Using Machine Learning to Train a Wearable Device for Measuring Students' Cognitive Load Based on EDA, Body Temperature, and Heart Rate. Sensors, 20(21), 6005.
  4. Qi, H., Zhang, Y., Dong, K., & Zhao, G. (2024). How Dyadic Emotional Transmission Shapes Teacher-Student Relationship: Effects of Emotional Convergence on Cohesion in Teacher-Student Interaction. Current Psychology, 43, 23469–23483.
  5. Liu, Y., Wang, T., Wang, K., & Zhang, Y. (2021). Collaborative Learning Quality Classification Through Physiological Synchrony Recorded by Wearable Biosensors. Frontiers in Psychology, 12, 651299.
从个体到群体:生理信号如何“看见”课堂里的每一份真实投入?

相关阅读