pixabay.com

撰文 | 郭瑞东

责编 | 计永胜

●             　●             　●

人工神经网络在学习新概念时，我们能看到其神经元之间的连接发生了改变。那么，人的大脑在学习时会发生怎样的变化呢？会不会有一个神经元来编码新学到的概念？

为解答上述问题，美国普林斯顿大学一研究团队用磁共振的方法检测了24位本科生在学习计算机科学课程总论部分时的大脑影像，发现学生大脑特定区域的神经活动与其考试成绩具有相关性。该结果于2021年3月26日发表在《自然·通讯》杂志 [1]。

上世纪60年代，神经生物学家杰罗姆·莱特文提出了 “祖母细胞” 的假说。该假说指出，人脑中存在某个神经细胞，当特定的概念，如你的祖母头像出现时，这个细胞就会激活。不过，很多神经科学家用实验否定这一假说。主流观点认为，不同的神经元的组合模式（神经表征），而不是单个的神经元，在大脑中负责判别感知。

需要说明的是，之前的研究是在实验室场景下进行的，考察的任务相对简单，比如识别一种动物，而普林斯顿的研究是在真实教学环境下，考察了本科生在计算机科学入门课上究竟学到了多少知识，其中涉及的概念是嵌套的，抽象的。值得一提的是，研究结果推翻了 “祖母细胞” 这个假说。

具体来说，该研究测量了24名本科生（其中11名女性），以及5名计算机 “专家”（学过此课程的研究生）在观看部分课程讲座后的大脑活动，最后总共收集到18名学生和4名 “专家” 的测试数据。该课程总时长21小时，学生在前十周的课程中主要是分期观看课程视频，并回答随堂测试问题。研究人员会对其大脑进行功能核磁共振扫描。本科生会在最后一周观看复习视频，并进行核磁扫描，然后参加考试。计算机 “专家” 只观看复习视频，并接受脑部核磁共振扫描。

那么，学生的脑部神经活动能否用来预测学习成绩呢？

研究者对全班所有学生的大脑活动进行了平均后发现，特定部位的神经活动，尤其是负责记忆的海马区的神经表征，和学生成绩之间的相关系数达到了0.75，关联性次高的是负责视觉的脑区角回，相关系数为0.62。

 图1. 大脑特定部位神经活动和学生成绩的关联分析。（图源：参考文献[1]）

当单独提取一名学生的成绩，并将某一个学生和 “专家” 的特定脑区（前扣带回Anterior cingulate）活动进行关联分析时，研究人员发现，相关系数分别为0.5和0.43，相比专家，学术与学生脑区间的活动关联性更大。

图2. 学生成绩和脑区神经活动的关联。（图源：参考文献[1]）

上述结果说明，某个学生的神经（fMRI激活的脑区顺序）表征和同学的均值越相似，考试成绩越高。且预测的准确性，高于相比与 “专家” 的神经表征对比。这可能是因为 “专家” 和学生虽然都掌握了某个概念，但他们在大脑中用不同的方式存储记忆。另一种可能的解释，是对18名学生的大脑活动求平均值，其平均值相比和少数“专家”的大脑活动匹配，更好地去除个体特异性，从而找出代表真正记忆了相关概念的大脑运行模式。

该研究的另一发现是，相比随堂测试，在最后一周的复习课上，当谈到特定知识点时，学生的神经活动和 “专家” 脑部活动的相关性比较高，尤其在复习和考试阶段，学生的脑区活动和 “专家” 的很相似，也就是说经过学习后学生脑部神经活动趋同于 “专家” 的脑部活动。

 图3. 学生脑区活动和“专家”脑区活动的关联。（图源：参考文献[1]）

该研究结果意味着一个人的考试成绩和其神经影像特征高度相关。值得注意的是，在复习和期末考阶段，负责的脑区从负责短期记忆的海马区，变为了认知相关的前扣带回。该研究进一步证明了默认模式网络（default mode network，无意识下的神经活动，是为未来事件做准备的神经系统）在学习过程中发挥着重要作用。

此前的研究显示，观看教育类短视频时，大脑的脑电图在时间上的同步程度（即不同主题之间）的相关性越高，学习成绩越高 [2,3]。该研究表明，普通人的脑活动平均比 “专家” 能更好地预测成绩。这一发现指出：之前相关研究中，对 “专家” 大脑活动的过分关注，未来研究学习对大脑的影响时，可更多关注普通人，通过求人群平均，理解大脑如何因学习而改变。

当然，该研究有具有一定的局限性，比如该研究没有考虑到学生的文化差异带来的影响，此外其实验的内容是理工科的大学入门课程，并没有涉及人文领域，或更为抽象的概念。未来结合自然语音处理，以及更加便捷的大脑影像及脑电数据，将能够对更精细化的概念如何在一个相对较长的时间被学习进行研究。这样的研究，会让我们理解学习如何改变大脑，从而可做为提供个性化的教学方案的依据。

 参考资料：

[1] Meir Meshulam, Liat Hasenfratz, Hanna Hillman,et al,. Neural alignment predicts learning outcomes in students taking an introduction to computer science course. Nat Commun 12, 1922 (2021). https://doi.org/10.1038/s41467-021-22202-3

[2] Cohen, S. S. et al. Neural engagement with online educational videos predicts learning performance for individual students. Neurobiol. Learn. Mem. 155, 60–64 (2018).

[3] Zhu, Y., Pan, Y. & Hu, Y. Learning desire is predicted by similar neural processing of naturalistic educational materials. eNeuro