当学生学习一个新概念时，衡量他们对它的掌握程度通常取决于传统的纸笔测试。达特茅斯大学的研究人员开发了一种机器学习算法，该算法可用于衡量学生对基于学生大脑活动模式的概念的理解程度。研究结果发表在《自然通讯》上。

该研究是第一个研究如何在大脑中代表在学校学习的知识的研究。为了测试STEM中的概念知识，达特茅斯大学的研究人员研究了在测试机械工程和物理概念时如何比较新手和中级学习者的知识以及大脑活动，然后开发了一种评估他们的概念理解的新方法。

“学习STEM主题是令人兴奋的，但也可能是非常具有挑战性的。然而，通过学习，学生对许多复杂的概念有了深刻的理解。想必，这种习得的知识必须反映在脑活动的新模式中。但是，我们目前对大脑如何支持这种复杂和抽象的知识还没有足够的了解，因此我们将着手研究。”达特茅斯学院教育学助理教授戴维·克莱默说。

28名达特茅斯大学的学生参加了研究，分为两组，即工程专业的学生和新手。工科学生至少修过一门机械工程课程和一门高级物理课程，而新手则没有上过任何大学水平的工程或物理课程。这项研究由三个测试组成，这些测试侧重于如何构建结构以及评估参与者对牛顿第三定律的理解-对于每个动作，都有相等且相反的反应。牛顿第三定律通常用于描述运动中物体的相互作用，但它也适用于静态或不运动的物体：静态结构中的所有力必须处于平衡状态，

在研究开始时，向参与者简要介绍了机械工程中不同类型的力。在fMRI扫描仪中，他们获得了真实结构的图像(桥梁，路灯柱，建筑物等)，并被要求考虑给定结构中的力如何平衡以保持结构平衡。然后，向参与者提示具有相同结构的后续图像，其中代表力的箭头覆盖在该结构上。要求参与者确定该图中牛顿力是否正确标记。工科学生(中级学习者)正确回答了75%的图表，并且胜过新手，后者正确回答了53.6%。

在功能磁共振成像会议之前，还要求参与者完成两项标准化的多项选择测试，以测试其他机械工程和物理知识。在这两个测试中，工科学生的得分都比新手高得多，分别为50.2%和16.9%，以及79.3%和35.9%。

在认知神经科学中，有关如何在大脑中存储信息的研究通常依赖于对一组参与者中的数据进行平均，然后将其结果与另一组参与者(例如专家与新手)的结果进行比较。在这项研究中，达特茅斯大学的研究人员希望设计一种数据驱动的方法，该方法可以仅根据大脑活动来生成单独的“神经评分”，而不必指定参与者属于哪个组。该团队创建了一种称为信息网络分析的新方法，这是一种机器学习算法，可以“产生明显地预测个人表现差异的神经评分”，以测试特定STEM概念的知识。为了验证神经评分方法，研究人员比较了每个学生的在三个测试中的表现得分。结果表明，神经得分越高，学生在概念知识测试中的得分就越高。

“在这项研究中，我们发现，当工程专业的学生查看真实世界结构的图像时，学生将自动应用他们的工程知识，并且会看到结构之间的差异，例如是悬臂，桁架还是垂直载荷，”克雷默解释说。“基于大脑活动模式的相似性，我们的机器学习算法方法能够区分这些机械类别之间的差异，并生成反映该基础知识的神经评分。此处的想法是，工程师和新手在遇到这种情况时会看到不同的东西他们看着一张结构的照片，而我们正在发现这种差异。”