本研究由韩国汉阳大学（Hanyang University）电子工程系、人工智能系及教育学院的Suhye Kim、Jung-Hwan Kim、Wooseok Hyung、Suhkyung Shin等学者，联合韩国科学技术研究院（KIST）的Dong Hwan Kim共同完成，通讯作者为Chang-Hwan Im教授。研究成果发表于2024年的IEEE Transactions on Learning Technologies期刊（卷17，第619-628页），标题为《Characteristic Behaviors of Elementary Students in a Low Attention State During Online Learning Identified Using Electroencephalography》。研究得到三星SDS公司的资助，并通过了汉阳大学伦理委员会审查（HYU-2019-11-007-2）。

学术背景

随着在线教育平台的普及，教师难以通过传统课堂的面对面观察评估学生注意力状态，尤其在仅能通过低分辨率摄像头捕捉学生上半身影像的在线环境中。现有基于人工智能（AI）的注意力识别系统多依赖面部特征（如鼻尖与下巴距离）或姿态分析，但缺乏对小学生低注意力状态下特异性行为的系统性研究。此外，脑电图（Electroencephalography, EEG）虽被证实可客观反映注意力水平，但此前未与行为特征结合用于在线学习场景。本研究旨在通过EEG标记注意力水平，识别小学生在线学习中的低注意力行为模式，为开发实时注意力监测系统提供依据。

研究流程与方法

1. EEG注意力指数（EIA）的开发

实验设计：
- 对象：34名四年级小学生（男女各半），无精神疾病或神经障碍史。
- 任务：计算机化d2注意力测试（D2 Test of Attention），要求受试者在800毫秒内区分目标刺激（带两点的字母“d”）与非目标刺激（如“p”或单点“d”），共1320次 trials。
- EEG采集：使用DSI-24无线EEG系统（19通道，采样率300 Hz），经带通滤波（1-55 Hz）、陷波滤波（去除60 Hz工频噪声）和独立成分分析（ICA）去除眼动伪影。
- 注意力指标：
- 行为指标（CONC）：通过滑动窗口（96 trials，50%重叠）计算命中率与误报率的差值（公式1）。
- EEG特征提取：分析theta（4-8 Hz）、alpha（8-12 Hz）、低beta（12-20 Hz）和高beta（20-30 Hz）频段振幅，发现FP2电极的低beta振幅与CONC相关性最高（r=-0.175），遂定为EIA。

2. 在线学习中的行为特征识别

实验设计：
- 对象：24名完成EEG实验的小学生（13女，11男），观看40分钟在线讲座（火山与热浪主题），同步录制上半身视频与EEG。
- 行为标注：将身体划分为9个区域（如嘴、头、手臂等），手动标记动作起止时间。
- 注意力分级：以EIA的z分数划分高（≥1）、中（-1至1）、低（≤-1）注意力状态，提取动作前后10秒的EIA均值作为参考。
- 注意力评分（AS）：综合行为频率（公式2）、高低注意力差异（公式3）及个体标准化差异（公式4），计算AS值（公式5），筛选高AS行为。

主要结果

1. 低注意力特异性行为：

   • 嘴部：
     
     • 张嘴（AS最高）：与打哈欠相关，低注意力状态下出现频率显著高于高注意力状态（低：167次 vs 高：62次）。
       
     • 闭嘴动作（如噘嘴、咬唇）：可能与压力或分心相关（AS次高）。
       
   • 头部：
     
     • 俯仰运动（pitch）：无意识低头，AS显著高于偏转（yaw）或侧倾（roll）。
       
   • 躯干：
     
     • 后仰：低注意力下更常见（AS第三高），与放松状态相关。
       
     • 重复晃动：部分学生表现出规律性身体摇摆。
       

2. EEG验证：FP2低beta振幅的EIA能有效区分注意力水平，与行为数据一致性高（Kendall’s τ=0.535, p=0.057）。

结论与价值

1. 科学价值：首次通过EEG客观标记注意力水平，揭示了小学生在线学习中的低注意力行为谱，弥补了传统AI系统依赖主观经验判断的局限。
   
2. 应用价值：为开发基于摄像头的实时注意力监测系统提供行为数据库，可辅助教师动态调整教学策略。例如，识别到“张嘴”或“后仰”行为时触发互动提醒。
   
3. 教育意义：强调在线教育需结合生理与行为数据，推动个性化学习技术发展。
   

研究亮点

• 方法创新：融合EEG与行为分析，建立EIA作为客观注意力标尺。
  
• 发现特异性：识别出“闭嘴动作”等此前未被关注的注意力相关行为。
  
• 场景针对性：聚焦小学生群体，其注意力维持能力较弱，研究结果更具实践意义。
  

其他价值

研究提及伦理问题（如数据隐私），呼吁未来研究平衡技术创新与隐私保护。此外，EIA基于FP2单通道设计，便于集成至商用EEG头带，提升了可推广性。