Это исследование является одним из первых, в котором рассматривается, как знания, полученные в школе, представлены в мозгу. Чтобы проверить знания концепций в STEM, исследователи из Дартмута изучили, как знания и активность мозга новичков и учеников среднего уровня сравниваются при тестировании концепций машиностроения и физики, а затем разработали новый метод оценки их концептуального понимания.
"Изучение тем STEM – это увлекательно, но это также может быть довольно сложно. Тем не менее, в процессе обучения студенты развивают глубокое понимание многих сложных концепций. Предположительно, полученные знания должны найти отражение в новых моделях мозговой деятельности. Однако в настоящее время у нас нет подробного понимания того, как мозг поддерживает такого рода сложные и абстрактные знания, поэтому мы решили изучить это », – сказал старший автор Дэвид Кремер, доцент кафедры образования в Дартмутском колледже.
В исследовании приняли участие двадцать восемь студентов Дартмута, разделенных на две равные группы: студенты инженерных специальностей и новички. Студенты инженерного факультета прошли по крайней мере один курс машиностроения и углубленный курс физики, тогда как новички не проходили никаких уроков инженерии или физики на уровне колледжа. Исследование состояло из трех тестов, в которых основное внимание уделялось тому, как строятся структуры, и оценивалось понимание участниками третьего закона Ньютона – для каждого действия существует равная и противоположная реакция. Третий закон Ньютона часто используется для описания взаимодействий движущихся объектов, но он также применяется к объектам, которые статичны или неподвижны: все силы в статической конструкции должны находиться в равновесии, что является основополагающим принципом для понимания того, является ли структура рухнет под собственным весом или сможет ли выдержать больший вес.
В начале исследования участникам был предоставлен краткий обзор различных типов сил в машиностроении. В сканере fMRI им были представлены изображения реальных структур (мостов, фонарных столбов, зданий и т. Д.) И их попросили подумать о том, как силы в данной структуре уравновешиваются, чтобы поддерживать структуру в равновесии.
Затем участникам было предложено последующее изображение той же самой конструкции, где стрелки, представляющие силы, были наложены на структуру. Участников попросили определить, правильно ли обозначены силы Ньютона на этой диаграмме.
Студенты инженерных специальностей (учащиеся среднего уровня) правильно ответили на 75 процентов диаграмм и превзошли новичков, которые ответили на 53.6 процентов правильно.
Перед сеансом фМРТ участников также попросили пройти два стандартизированных теста с множественным выбором, которые измеряли другие знания в области машиностроения и физики. По обоим тестам студенты-инженеры набрали значительно более высокие баллы, чем новички с 50.2 процента против 16.9 процентов и 79.3 процента против 35.9 процентов.
В когнитивной нейробиологии исследования того, как информация хранится в мозге, часто основываются на усреднении данных по участникам в группе, а затем сравнении их результатов с результатами из другой группы (например, экспертов и новичков). Для этого исследования исследователи из Дартмута хотели разработать метод, основанный на данных, который мог бы генерировать индивидуальную «нейронную оценку», основанную только на активности мозга, без необходимости указывать, к какой группе принадлежит участник. Команда создала новый метод, называемый информационным сетевым анализом, алгоритм машинного обучения, который «производил нейронные оценки, значительно предсказывающие индивидуальные различия в производительности», проверяя знания конкретных концепций STEM. Чтобы проверить метод нейронной оценки, исследователи сравнили нейронную оценку каждого ученика с его / ее успеваемостью по трем тестам.
Результаты показали, что чем выше нейронный балл, тем выше балл учащийся на тестах на знание концепций.
«В ходе исследования мы обнаружили, что, когда студенты-инженеры смотрели на изображения реальных конструкций, студенты автоматически применяли свои инженерные знания и видели различия между конструкциями, например, была ли это консоль, ферма или вертикальная нагрузка», объяснил Кремер. "Основываясь на сходстве моделей активности мозга, наш метод алгоритма машинного обучения смог различить различия между этими механическими категориями и сгенерировать нейронную оценку, отражающую эти базовые знания. Идея здесь в том, что инженер и новичок увидят что-то другое, когда они посмотрят на фотографию конструкции, и мы улавливаем эту разницу », – добавил он.
Исследование показало, что, хотя и студенты-инженеры, и новички одинаково используют зрительную кору при применении концептуальных знаний в области инженерии, они по-разному используют остальную часть мозга для обработки одного и того же визуального образа. В соответствии с предыдущими исследованиями, результаты продемонстрировали, что концептуальные знания студентов-инженеров были связаны с паттернами активности в нескольких областях мозга, включая дорсальную лобно-теменную сеть, которая помогает обеспечивать пространственное познание, и области вентральной затылочно-височной коры, которые участвуют в распознавании визуальных объектов. и идентификация категории.
Информационный сетевой анализ также может иметь более широкое применение, поскольку его можно использовать для оценки эффективности различных подходов к обучению. Исследовательская группа в настоящее время тестирует сравнение между практическими лабораториями и виртуальными лабораториями, чтобы определить, приводит ли любой из подходов к лучшему обучению и сохранению знаний с течением времени.