Current Biology：真实课堂小组动态互动中脑同步活动跟踪

本研究通过便携式脑电图（EEG）同时记录了12名高中学生在常规课堂活动中的大脑活动，并通过一种新颖分析技术--完全相互依赖（total interdependence ，TI）--来评估群体神经一致性，结果表明学生大脑活动同步程度可以预测学生课堂参与度和社会动态，脑同步可能是由共同注意驱动的动态社交互动神经标记。同时这项研究验证了在自然环境中研究群体互动神经机制的一种有效方法。文章发表在Current Biology杂志。

【研究问题】

虽然目前对脑如何支持动态群体互动知之甚少，不过各种研究已经开始通过比较多人在各种（半自然）任务中的大脑反应来解决这个问题。这些实验揭示了刺激特性、个体差异和情境因素如何限制个体神经活动的相似性和差异性。但是，大多数研究都受到各种限制：缺乏参与者直接面对面的互动，通常仅限于二元组没有跨时间的社会动态，而且很少研究自然环境下的社会行为。教室提供了实用的、重要的生态自然的环境，同时还提供了一个由教师引导一系列活动的半受控环境使得能够在整个学期中系统地测量参加了一系列课堂活动（在11个50分钟课堂中重复进行授课、观看教学视频并参加小组讨论）的学生大脑活动和行为。研究假设认为一组学生的同步神经活动可以预测（并支撑）课堂参与和社会动态。那么当学生感到与材料或彼此联系互动时，大脑在形式和量化意义上“同步”吗？为了研究这些问题，打破实验室壁垒使用低成本便携式脑电图（EEG）系统结合一种新颖分析技术研究现实世界中小组互动过程中参与者的神经标记进而来探索个体间大脑活动的同步性：完全相互依赖（TI）（图1A-1C）。

图1实验设计、程序和基本原理

      A实验时间表。秋季学期以神经科学速成课程开始，随后3个月内进行11次数据收集。在春季学期中，学生设计并执行自己的原创研究项目。

      B实验过程。在11次EEG记录中一致进行视频、授课和小组讨论等任务。其他任务有选择出现。计算各教学方式下的平均TI值（红色标记）。

      C佩戴EMOTIV EPOC头戴式脑电帽的12名学生课堂配置图。便携设备让学生可以同时作为参与者与实验者。

      D将学生原始EEG信号分解为频率段（1–20 Hz，0.25 Hz分辨率），并计算每对学生各频率脑相干总和进而得出脑同步（TI）。TI量化了整个频谱的大脑相干性，从而可以对感兴趣的大脑信号进行数据驱动识别。E在多个社会性水平上利用TI分析脑同步性：组同步（对组中所有学生对TI值取平均值）（ii）；个体-小组同步（给定学生与其所有同伴TI平均值）（iii）；以及学生与学生同步（成对学生TI值）（iv）。

【研究方法】

      被试  12名健康无神经系统疾病史17-18岁高中生。剔除两名女孩数据，头发体积和头部形状导致数据质量较差。

      总程序：

      在正式实验之前对学生进行基础知识培训以便学生熟悉EEG设备来降低设备设置时间。随后记录他们在11次半常规课堂中的EEG，课程内容为常规生物学课程。每堂课开始前后进行三种不同的基线记录：面对墙壁（2分钟；第2-4和8次课程由于时间限制而跳过）、面对小组（第4、6、8和10次课程，2分钟）或面对面（第5、7、9和11次课程课前2分钟）。每节课都根据学生位置来确定配对（图3C），实验者随机分配学生座位。在安装EEG脑电帽时学生填写课前问卷。

      教学方式：

      如图1所示，课堂活动包括四种主要教学方式：老师给学生朗读讲稿三分钟；接下来，学生观看一段与课程主题相关的两分钟教学视频；老师接着授课三分钟；最后，学生就课堂主题进行五分钟小组讨论。朗读因达不到学习目标而在五节课后终止。所有11个课程都包含视频、授课和讨论，对每个学生每天学习情况和教学方式进行数据分析。

      问卷调查：

      EEG记录之前收集学生社会特质信息，包括群体亲和力（见图2E）和移情指数（图2F）。此外，学生填写课前和课后问卷（共9次），询问学生关注度（图2F）以及对不同部分的喜爱程度（每日评分；图2A）。所有课程结束后，再次询问他们对四种教学方式的总体享受程度（学期后评分；图2A），对老师的喜欢程度（教师喜欢程度；图2E），以及对同伴的亲密程度（亲密程度评级；图3C-D）。

      EEG数据采集：

      在11节生物课程（图1）中记录12名学生同时发生的脑电活动，学生在EEG记录中尽量减少明显运动。14导emotiv EPOC无线EEG脑电帽与OpenFrameworks软件包配合使用，将12名学生的脑电数据同时记录到一台计算机上，emotiv EPOC硬件规格见图S1A，脑电帽见图S1B，录音软件图形用户界面截图见S1E。 电极F7-F8记录水平眼电，AF4-F8记录垂直眼电。

图 S1  A emotiv-EPOC脑电帽硬件规格。

B emotiv-EPOC脑电帽侧视图。

C电极位置俯视图，分析中包含的位置用绿色标记。

D两名佩戴EEG脑电帽的示例学生侧视图。同步分析中包括绿色电极，用做h-EOG和v-EOG的电极分别用橙色和灰色标记。

E为本研究开发的录音软件的截图。

F 眼、头运动伪影回归分析：F1上下眼动时v-EOG与双极EEG电极的相关性；F2左右眼动时h-EOG与双极EEG电极的相关性；F3 回归前后的方差比；F4 使用模型的不同部分进行回归前后的方差比。

  EEG数据质量判断：图S1C为电极位置俯视示意图，其中包括用于分析的电极（绿色）。尽管电极位置已经被映射到标准10/20布局上，实际电极位置在学生之间不一致，脑电帽在每个学生头上的位置略有不同（图S1D）。对于每对被试，分析单位是为每个电极对（在图S1C中标记为绿色）计算的TI，然后被试之间的所有可用电极对取平均值（图S3E）。图S3A-B显示了代表性脑电帽14个电极的原始EEG。使用回归方法去除EEG数据中眼动、头动（详细算法及可行性见附S1F）。

通过多个对照实验，即双音调ERP实验、手指移动实验、其他学校重复实验，和“完整性检查”，即对比睁眼（EO）-闭眼（EC；各2分钟）EEG，来验证：数据确实可靠和可解释（图S1F），并确定完全相互依赖是一种可以跨天、跨群体和学校复制（图S2F）的有效捕获共同注意力同步神经活动的方法（详细算法及可行性见S2A-S2F）。

S1F 使用回归算法从EEG数据中剔除眼动、头动影响。

自然实验条件下，从脑电测量值计算脑同步性时存在一个主要问题：是否由脑电测量中的同步非脑信号驱动。当前实验背景下，学生参与各种形式的课堂互动时有一些受周围环境或刺激所引起的非脑源眼睛或头部运动。例如，跨脑同步性可以由学生同时追踪重要移动刺激的同步眼动驱动。类似的非大脑相关同步性可能是由环境或刺激物驱动相似肌肉产生压力或张力引起，进而在EEG记录中产生相似伪影。为了估计眼、头运动对脑同步性的影响，从脑电记录中回归出四个解释变量来表示这些伪影，并重新计算TI（完全相互依赖）。

使用emotiv EEG脑电帽内置的两轴陀螺仪对头部运动进行评估，并与EEG电极同步采样。陀螺仪提供两个变量，?x还有?y，分别表示围绕?轴和?轴的固定分辨率（1°/?）的角速度。?轴是穿过被试耳朵上方脑电帽底座的“水平轴”（图S1B）。?轴是沿垂直于脑电帽臂和X轴的方位角方向的“垂直轴”。为了消除脑电数据中头动，这两个变量被用作回归函数。emotiv脑电帽中的陀螺仪具有1°/?的固定分辨率导致数据阶梯式分布而非平滑分布。为了避免在回归后阶梯分布污染EEG数据，对陀螺仪变量进行30Hz低通滤波，进而将阶梯式分布转换成适合于脑电数据回归计算的平滑连续变量。

眼动通常使用眼电（EOG）进行评估，眼上下方电极监测垂直眼动（v-EOG），左右外眶处电极监测水平眼动（h-EOG）。由于本实验没有EOG，因此寻找了两个电极替代EOG。emotiv电极空间布局（图S1C-D）明显表明最接近h-EOG的是电极F7-F8差值，其位于水平眼动平行线上且是离眼肌肉最近的电极，因此预计它们的水平眼动敏感度最高垂直眼动敏感度较低。v-EOG最合适的替代电极是AF4-F8和AF3-F7，由于两组在计算上一致，因此只选择AF4-F8（图S1F-1）用于后续分析。虽然替代电极的空间位置与实际v-EOG明显不同，但由于电场随着距离平方的倒数而减小此替代仍能捕捉垂直眼运。也因此，垂直眼动产生的电场在电极AF4和F8中具有相同的极性（都位于眼肌上方）F8值却比AF4更强，所以其差异可以捕获垂直眼动产生的电场。由于电极F8和AF4也有水平偏移，它们也会捕捉水平眼动。单一EEG电极替代v-EOG和h-EOG并不可取，因为单一电极携带着来自整个大脑的混合电场，而将它们还原出来将消除大量的大脑活动，而双极替代则靠近眼睛且对来自眼部的强局部电场梯度更加敏感。

为了测试F7-F8和AF4-F8替代EOG是否可行，对一名被试进行了两次替代实验，同时记录EEG（使用emotiv脑电帽）和EOG（使用单独电极）。在第一个替代实验中，被试被要求上下移动眼睛一分钟。在第二个替代实验中，被试被要求左右移动眼睛一分钟。真正v-EOG放置在右眼上下方，真正h-EOG放置在眼眶外侧。EOG和EEG信号进行1-10Hz带通滤波，该频率范围通常包含眼动伪影的主包络（由于emotiv有效频率范围仅到43Hz，因此无法获得高γ伪影）。首先，上下眼动过程中计算v-EOG与F7-F8和AF4-F8之间的Pearson相关系数（替代实验1）。如图S1F1所示， AF4-F8与真正v-EOG具有更高相关，适合捕捉垂直眼动。类似地，计算左右眼动时实际h-EOG和两个替代电极的相关性，如图S1A2所示，两者具有最高的相关性，这证实了它捕捉水平眼动的能力。v-EOG与AF4-F8相关显著高于h-EOG与F7-F8相关。这可能由于 AF4-F8对产生强电场的眨眼也很敏感，增加了与实际v-EOG信号的相关性。h-EOG和F7-F8对眨眼的敏感度要低得多。这些结果说明F7-F8和AF4-F8可替代h-EOG和v-EOG用于从脑电数据中回归出与眼动相关的残余伪影。回归分析中 F7-F8将被称为?h, AF4-F8将被称为?v。两个陀螺仪输出变量也用作多元线性模型中EEG电极回归参数。

在下面多元线性方法中，使用主成分建立模型，使用主成分分析（PCA）是因为EEG电极之间、两个替代眼动间以及陀螺仪输出变量之间共线度很高。应用PCA去除它们的共线性。相关测量正交分解为不相关分量的相似建模方法的有效性已经在脑电和脑磁数据分析中得到了证明。线性回归公式如下：

      ?pca=?+?∙?+?pca

      Ypca是脑电数据主成分。矩阵每一行对应一个主成分，每列对应一个样本。

      ?pca =?∙?

      ?是主成分系数矩阵,它将EEG电极映射到主成分。每一行对应一个主成分，每一列对应一个EEG电极。

?包含两组回归变量。?pca包含两个陀螺仪变量的主要成分Gx还有?y。?pca包含EOG替代电极主成分Ph还有?v。?包含每个脑电电极线性模型常数。?包含每个回归变量和每个建模电极的斜率系数。每一行对应一个电极，每一列对应一个回归变量。

      ?pca包含无法由给定回归变量建模的剩余EEG数据。这个残差在主成分空间，每一行对应一个主成分，每一列对应一个样本。这些残差数据可以简单地与主成分系数矩阵的逆相乘，然后再投影到脑电电极空间。

      ?= ?-1∙?pca ?是去除回归变量调制后的脑电数据最终残差，在此基础上重新计算脑同步性（TI），并与回归前最初计算矩阵进行比较。

在将上述模型应用之前对EEG数据进行0.5Hz高通滤波并去除线性噪音,陀螺仪数据经过30Hz低通滤波（用于将其阶梯式波动转换为连续波动）并去除线性噪音。在进行PCA和多元建模之前，剔除所有噪音段（与原始TI计算所用的数据完全相同）。多元模型由使用协方差加权（“cwls”）最小二乘法的MATLAB “MVRecurse”程序计算。尽管最初采用了极大似然法，但如Royston多元正态性检验所示，模型残差的多元分布不是正态分布，因此最终采用了最小二乘法。

在11次不同实验期间将模型应用于每个记录数据。对总共90个脑电数据进行了多元模型估计，并对眼睛和头部运动进行了回归，留下了一个残差数据集。为了评估回归对原始数据的影响，估计了90个数据和每个电极回归前后的方差比。图S1F3显示了每个电极的平均方差比值。灰色阴影表示所有使用数据的标准误。方差降低幅度最大的三个电极是EOG替代电极F8、F7和AF4。F8是两个回归函数的组成部分，其方差减少率最高。AF3方差降低没有AF4的方差降低那么多，可能是因为垂直代理变量?v不仅捕捉到垂直眼动，还捕捉到头部左侧对称位置不存在的大脑右侧局部活动（与眼动预期相反）。横向右侧电极F4、FC6、T8和P8的方差减少高于其对称左侧电极（F3、FC5、T7和P7），不过左侧电极也有10.3%-16.5%的显著方差减少。方差减少呈现出从前到后和从外侧到内侧的下降，枕叶和顶叶电极方差减少最低。

回归对数据的影响的最终评估方法是检查回归变量代表的方差减少多大程度上能归因于眼睛和头部运动，这通过省略表示头部运动的陀螺仪回归变量模型系数来实现。在此基础上，计算该模型残差和方差缩减率。这个比率代表了原始脑电数据中存在多少眼动伪影。然后重复同样的程序，但省略眼动回归系数，保持头部运动回归系数，这表明原始脑电数据中存在多少头部运动伪影。如图S1F4所示，大部分方差减少归因于眼动回归（蓝线）。陀螺仪回归系数（红色）的方差降低仍然很低，低于5%，并且在电极中均匀分布。这表明，实验过程中头部运动是有限，EEG数据没有受到诸如颈部肌肉和电极运动伪影等伴随伪影的污染。在同一图上，再次显示完整模型的方差比（黑线），以便进行比较，如预期的那样，该方差比等于1减去两个简化模型的方差比之和。

总之，本节表明：数据中的眼动伪影可以用额叶电极替代EOG来捕捉；从EEG数据中回归出眼、头部运动伪影后，所有电极残差显著降低，枕、顶叶区域的残差方差最小；方差的减少大部分是由于眼动回归系数。（这表明学生在实验过程中遵守了指导，避免了头部大幅度运动）。

在将上述方法应用于每个数据，在计算个体-小组同步性（TI）时使用EEG残差，而不是最初的非回归数据，结果如图S2E所示。

S2A emotiv系统数据质量评估。

      作为emotiv系统数据质量的初步“完整性检查”，对比睁眼（EO）和闭眼（EC；各2分钟）EEG。图S2A右示例学生的闭眼和睁眼枕叶电极记录的2秒原始EEG。从样本原始EEG中可以清楚地看到，EC静息伴随着强α活动而EO静息期间明显减弱。图S2A左显示了第一个记录日所有学生的平均功率谱，EO-EC α功率差异明显。

S2B 双音调ERP。

       学生被动地听以1000ms SOA交替（音调持续400毫秒；外部扬声器）播放100个250Hz音调和100个1000Hz音调。在刺激前-200ms到后800ms对EEG数据分段。图S2B 显示F4上出现音调典型ERP反应：清晰的N1-P2，250Hz音调（P2峰值）两峰值略早于1000Hz（P2峰值）音调），结果与成熟设备报告一致。

S2C 验证TI作为共享刺激脑同步测量指标。

       为了验证TI（完全相互依赖）有效性，我们首先计算了每个参与声调实验的学生（整合250hz和1000hz刺激）的个体-小组总体相互依赖性。如图4所示，如果总相互依赖反映了对外部刺激的同步（注意调节作用），那么TI值应该与单一来源听觉输入的朗读或授课教学方式相当。如图S2C所示，个体-小组TI值在数值上确实与授课和朗读教学方式的值相似（只有记录一次的5名学生的音调实验数据，而授课和朗读数据是多个课时的平均）。

S2D验证TI作为共同注意测量指标。

       从手指移动对照实验中收集三对被试EEG数据。在基线条件下，两名被试面对面坐着没有强制眼神交流。在共同动作环节，随机挑选一名被试为领导者，跟随者跟踪模仿其手指动作，然后进行角色转换。基线和共同动作共持续2分钟。第二个对照实验比较了同一任务中的合作和竞争。在一个区块设计任务中同时记录两个被试EEG。被试必须重新排列色块以匹配图案。两个被试要么相互竞争，要么相互协作。在竞争条件下，各被试独立工作，努力在其他被试之前完成任务。在合作的情况下，两个被试一起工作以便最短时间内完成任务。 这些发现证实了完全相互依赖是捕捉脑同步性差异的有效方法，与需要协调视觉注意的验室任务的脑同步增加的发现一致。

S2E 验证TI作为共同注意同步神经活动的测量指标。

      为了确保同步性未被头动或残余眼动所影响，在对残余运动伪影进行回归分析后，重新分析第5天的数据，原因有两个：完整的4个教学方式和大多数TI值可用。如图S2G所示，教学方式之间或教学方式内部的原始数据和重新分析的数据之间没有一致性差异。此外个体-小组同步在视频和讨论方式的差异和其在朗读-授课方式上的差异几乎相同。因此，大脑同步性并不是由被试之间的眼睛或头部同步运动显著驱动的，且回归数据时表现为可靠的TI减少。

S2F 在第二所学校复制个体-小组TI。

      为了评估在不同时间和背景下的研究发现的稳定性，除了11次重复实验外，在不同高中重复研究。图2SF显示另外一所高中学生视频或授课的个体-小组TI值（只包括这两种教学方式，第一组学生中这两种风格的数据最干净）。与授课相比，视频方式下个体-小组TI显著升高与第一组学生的结果相同。

图S2 对照实验

A右，示例学生的闭眼和睁眼枕叶电极记录的2秒原始EEG；A左，所有10名学生的两个枕部电极在睁眼和闭眼时的平均功率谱。

B从代表性电极（F4）记录的250Hz（蓝色）和1000Hz（红色）音调事件相关电位。

C音调、教学方式的总相互依赖性。

D来自两个共同注意控制实验的数据显示共同注意作用条件产生的成对TI值始终较高（1-3取自对照实验1；4-5参与对照实验2，见正文）。

E在回归出头部运动和残留的眼动伪影（见正文）后，重新计算个体-小组TI值。个体-小组同步性没有显著变化。

F另外一所高中学生数据显示，视频教学中学生与学生之间的互动程度始终高于课堂授课，与正文结果模式相同。

 EEG数据分析：图S3总结了预处理和分析过程。

脑电预处理：

       首先，提取每种教学方式对应的脑电片段。然后对信号进行0.5Hz-35Hz带通滤波，并将信号分为1秒时间段进行伪影剔除和EEG分析。通过+/-100μV的剔除阈值来自动剔除具有大运动伪影的数据段（图S3A）。然后，通过可视化检查每份数据并手动剔除带有眨眼和肌肉伪影数据片段（图S3B）。任何被试某种教学方式下如果超过50%数据段被排除，那么将该方式下此被试被剔除。每种教学方式（剔除被试前）的平均解释率见表S1，由于自然环境中无法将被试眼动和身体运动减至最小，因此产生的伪影比例远远大于传统实验室或基于虚拟现实的实验中的伪影比例。在去除眼动和其他运动伪影后，超过平均电极振幅四个标准差的电极被排除。

表S1不同教学方式下数据接受百分比，跨被试和记录日（单个被试数据）。

计算脑同步性：

       完全相互依赖（TI）为了计算每种教学方式下脑同步（图S3C），采用完全相互依赖（TI）的方法计算给定教学方式下多个学生间的脑同步。使用Welch方法计算的谱相干性来表征总相互依赖。

 对于一对同时获得的时间序列：（?1, ?1), (?2, ?2)，（?3, ?3), … , (?n, ?n)，

       C（?）是两个信号?和?在?=?/2?下的相干性。对于两个高斯过程，用这个公式测量它们之间的相互信息总量。TI捕获了?和?时间序列之间的总线性关系。数值上，对于给定的采样频率?s，公式（1）可变为：

      Δ?=fs/2(N-1)是频率分辨率，?是0和Nyquist频率?/2间隔内所需频率点数目。

通过计算两个被试（图1D和S3E）6个电极一对一Welch相干度平方来估计TI（完全相互依赖），这两个被试没有噪音（也见上文），电极包括两个枕叶电极（O1，O2）、两个额叶电极（F3，F4）和两个顶叶电极（P7，P8）（不包括可能被拒绝的任何电极）。通过用Hanning窗逐渐缩小不重叠1s周期（用0延长到4s），并以0.25Hz分辨率进行傅里叶变换，计算1-20Hz之间幅度平方相干。对存在至少60个无伪影共同时间段的配对被试进行分析。在每天每种教学方式中，通过对两两被试进行上述预处理后存在的重叠时段来选择共同时段。例如，对于某个授课记录，学生1剩余1-10和12-18时段，学生2剩余2-13和16-18时段，然后选择学生1和2的共同时段为2-10、12、13、16-18，然后计算TI，如图S3D。通过平均所有成对电极TI计算一对被试TI（图S3E），个体-小组TI通过平均该个体和小组其他人之间所有可能成对组合的TI值得到（图S3F），然后对这些值在多层线性模型进行统计分析（图S3G；）。通过将8-12 Hz之内的相干值相加来计算α相干性。通过平均学生i所在组所有成对TI值（即?，?，?≠?，其中i和j是每天每种教学方式中可用学生索引；图S3E），得出学生i的个体-小组TI。使用相同方法计算个体-小组α相干性（图S3E-G）。使用最小-最大转换跨条件和记录对TI和α相干值进行标准化。组α相干性能解释33％组TI。

图S3 预处理和分析

      A 0.5-35Hz带通滤波后，连续脑电数据被分成若干1秒数据段进行伪迹剔除。首先根据+/-100μV阈值自动剔除运动和眼动伪迹，然后通过视觉化检查.

B 手动剔除。

     C.在11记录日里采用四种教学方式（朗读除外，见正文）向12名学生（分析中仅包括10名学生）展示课堂内容。

     D 对每一天和每种教学方式下计算每位学生-其他所有学生TI。分析中只包括两个学生都存在数据的时段（共同时期）。

     E计算每对电极TI，然后平均。

     F对于组TI，平均所有可能TI，每天每种教学方式只有一个值；对于个体-小组TI，平均个体可用TI值，个体每天每种教学方式只有一个值。

     G多层线性模型（10名学生，为期11天，4种教学方式）统计分析TI。

表S2：因变量的事后Tukey-Kramer检验（高亮标记有统计学意义的差异，p<0.05）。

每日学生评分

【统计分析】

为了检验学生评分（日常评分和学期后评分）和大脑同步性（个体-小组同步性和小组同步性）在两种教学方式之间是否存在显着差异，采用重复测量双向方差分析，其中教学方式和录制日期是主要因素。对学期后学生评分，仅考虑教学方式。方差分析后进行事后Tukey-Kramer检验以评估成对比较的各自贡献（例如，授课与视频比较；表S2）。使用日期-个体嵌套多层线性模型（尽可能对所有随机效应进行建模）计算个体-小组TI和日常问卷得分的相关性。为了分别评估刺激性质（教学方式）和各个因素（如下分析计划）的独立贡献，首先通过将数据重新组织为两个主要“条件”的二元因素：教学方式（刺激属性），包括讨论-视频组合和朗读-授课组合（学生对这两风格评分没有差异；图2）。随后对个体-小组TI进行一系列重复测量分析：教学方式vs学期后评分，教学方式vs自我报告的关注度，教学方式vs小组亲和力，教学方式vs移情能力。最后，为了评估班级位置对TI的影响，比较了以下三个类别的成对TI值和成对亲密度等级：课前眼神交流（相邻+面对面），课前没有眼神交流（相邻+没有面对面）和不相邻。

分析计划：

【结果和讨论】

本研究关注TI（完全相互依赖）与课堂参与度、社会动态之间的关系。课堂参与度被量化为对不同教学方式评分（图1B）和学生日常自我报告。根据社交相关人格特质（群体亲和力、移情能力）以及课堂互动中社交亲密程度（学生与老师之间）量化课堂社会动态。

脑同步与课堂参与

首先研究了大脑同步性（TI）与随时间变化的有关四种不同教学方式学生评分之间的关系。每次记录后学生对每个部分进行评分且在学期结束后提供每种教学方式的总体评分（图1A和1B；）。教学方式对两种学生评分（以教学方式和时间为主因素的重复测量双向方差分析；日常评分：p <10-5；学期后评分：p <10-8）和脑同步（组同步： p <0.0005；个体与小组同步：p <0.005；）都有显着的主要影响。总体而言，与听老师大声朗读或授课相比，学生更喜欢观看视频和进行小组讨论（图2A，左图），这种效果在学期后评分中更为明显（图2A，右图）。小组同步（图2B，左）以及个体-小组同步（图2B，右；表S2）的模式非常相似。个体-小组同步性与学生评分之间显示出很强的正相关：学期后学生评分越高，则时间平均个体-小组同步性越强（p <0.0001；图2C；图2A，右显示相同数据按条件和个体平均分布）。日常评分与小组同步性不相关。

图2教学方式和个体差异对脑同步性的独立贡献

A四种教学方式的每日平均（左）和学期后（右）学生评分：朗读，视频，授课和讨论会。误差线代表标准误。

B四种教学方式的每日平均组TI（左）和个体-小组TI（右）。误差线代表标准误。

C学期后评分虽然对个体-小组同步性具有主要影响，但并未独立预测教学方式对个体-小组TI的影响。D–F学生关注度（D），小组亲和力（E）和移情能力（F）预测了不同教学方式下个体-小组TI。趋势线按教学方式显示（蓝色：讨论和视频；黄色：朗读和授课）。所有值都按0–1范围（最大-最小）标准化，一个点代表一个学生在四种教学方式下所有记录日期平均TI。

脑同步纯粹是由刺激驱动的吗？

为了探索刺激属性（即，教学方式）“独立”解释了多少脑同步，个体差异对同步有何贡献，进行了一系列多元回归分析以评估TI与许多个体变量（评分，关注度，群体亲和力和移情能力倾向）之间的关系，其中包括教学方式作为刺激属性的一个因素。学期后评分虽然对个体-小组同步性具有主要影响（p <0.0001），但并未独立预测教学方式对个体-小组TI的影响（学期后评分：p = 0.1327和教学方式：p = 0.1581；图2C）；相反，学生关注度预测了个体-小组同步且与教学方式无关：某天更专注的学生同步性更高（关注度： p = 0.0331和教学方式： p = 0.0004；图2D）。随后又研究了脑同步与人格特质特别是与群体亲和力和共情倾向之间的关系。小组亲和力和移情能力都可以独立于教学方式来预测个体-小组同步（小组亲和力：p = 0.0163和教学方式：p = 0.0060；移情能力：p = 0.0185和教学方式：p = 0.0062）。以上结果表明，个体因素（专注和人格特质）在刺激之外促进了脑同步。

脑同步和课堂社会动态

研究结果表明，脑同步是由刺激属性（教学方式）和个体差异（学生专注度，教学方式偏好，老师喜欢程度和人格特质）共同驱动的。但是，这不能直接说明其他人的存在是否会影响上课期间的同步性。例如，即使在没有其他人的情况下，共情倾向也会影响大脑相似性。

为了直接解决课堂社会动态问题，收集了学生与老师和其他学生的社会亲密度等级，并设置了直接或不直接社交互动的条件。为了研究教师对个体-小组同步性的影响，比较了教师最少参与（视频）和最大参与（听课）两种教学方式。图2D说明，尽管与整体个体-小组同步性不相同，但视频条件下同步性始终比听课好（p = 0.007；表S1）。这种差异与学生对老师的评价相关：学生对老师的评价越好，学生在视频（老师没有扮演角色）和听课（老师扮演不可或缺的角色）之间的同步性差异就越小（图2E；p = 0.018）。

然后，个体-个体同步性是否随教室中位置（实验者随机分配学生座位）和学生互动（图1B和3C，学生在课前2分钟与指定的同伴进行面对面眼神接触）而变化，即比较以下三种个体-个体同步与自我报告亲密程度之间的关系（图3D）：相邻+面对面，相邻+没有面对面，以及不相邻。与其他两种情况相比，相邻面对面学生表现出最高的配对同步性（图3E； p = 0.0047）。此外，脑同步性与学生相互亲密度等级相关，但仅适用于相邻的+面对面个体：彼此报告较高亲密程度的学生在社交活动中表现出较强脑同步性，前提是课前有眼神交流（p = 0.0082；图3F，实心绿点和实线；该条件对TI -紧密度相关性的影响很小p = 0.0654）。总之，课前面对面交流不仅增加了上课期间的脑同步性，而且似乎可以作为人际关系特征的“激活器”：真实的共同注意而不是被动的共处预测个体-个体脑同步。

图3 大脑同步性预测教室内社会动态

A、B每名学生视频vs授课条件下个体-小组TI差异（A）（误差线代表跨记录日标准误）与教师好感度评分负相关（B）（每个点代表一个学生；TI值是所有记录日平均值；学期结束后学生给出教师好感度评分）。C课前，学生面对面进行2分钟的眼神交流。D一名学生（绿色圆圈）基线的示意图，彼此相邻坐着并在上课前进行眼神交流（相邻+面对面，adjacent + face-to-face），彼此相邻没有眼神交流（相邻+没有面对面，adjacent +no face-to-face），以及未相邻（不相邻，non-adjacent）。课前面对面有眼神交流的同伴表现出最高的同步性（误差线反映了学生配对标准误）。F配对TI与相邻+面对面对（实心深绿色）的亲密关系相关，但与相邻-不面对面对（实心浅绿色）或不相邻对（未填充）的亲密关系不相关。每个点代表一对学生所有教学方式下平均值。所有值都标准化为0–1范围（最大-最小）。

共同注意可能是脑同步的来源

脑同步本身并不是一种机制而是对支撑某些心理过程的神经计算的可测量反映。为了更好地理解观察到的同步效应，需要将诸如注意力、移情能力和亲密程度等心理建构分解为与神经度量相联系的基本心理过程。正如上面已经简要讨论过的那样，发现个体-个体同步性与上课期间相互亲密程度相关，但仅针对在上课之前进行过眼神交流的学生，这一发现与研究表明眼神交流为共同关注设定了基础。共同注意（共同的意向性）构成了发展在内的一系列社会心理学社会认知框架，并为需要视觉注意协调的实验任务中脑同步增加提供了可能的解释。

研究推测刺激属性（教学方式）、个体差异（关注度，参与程度和人格特质）以及社会动态（社会亲密性和社会互动）均在神经水平上调节了注意力，反过来注意影响个体对各种感觉输入--老师、视频或彼此--的神经参与。这与行为证据直接相关，后者表明人们在从事需要共同注意的任务（瞳孔扩张、手势、行走）时会在身体上（通常是下意识）互相靠近。从更广泛的意义上说，作为共同注意力的函数个体-小组同步直接取决于一系列电生理结果，这些结果表明当注意参与时锁定于听觉和视听输入节律的脑节律会增大。

为了提供更多有关共同关注的证据，研究了个体-小组同步性与α功率的关系，α是良好的注意力指数表征。正如预期，学生α活动减少，同时个体-小组α相干性也随之增加（p = 0.0044）。

这项研究表明，随着“注意力”通过“调节”神经震荡适应环境变化来调节神经同步，脑同步性会增强。较少参与刺激的人与其他人相比，脑对大脑的同步性较低（图4），面对面互动的人彼此同步增加。

与实验室脑电实验相比，在自然环境下同时记录一组青少年脑电图数据无法达到实验室研究的严格水平，但会尽可能采用结构化设计，同时尽量减少学生在正常情况下的互动和课堂内容的参与。其次，11天相同实验条件下脑电记录，基本上是对同一组学生重复进行11次相同实验（图1A）。最后，通过一系列实验来验证可解释的记录，并且TI可靠地表征了实验室和教室环境中个体间神经信号同步性（图S2）。

图4 共同注意作为脑同步的一种可能解释

      脑同步的一种可能共同注意示意图。神经对外部刺激（视频，老师或彼此的刺激）是由刺激特性（箭头从“刺激”向下）和注意力（箭头指向刺激）共同驱动的。在“注意力不足”的情况下，神经振动无法与外部刺激（视频，老师或彼此刺激）同步（i）。在“共同注意”条件下，α震荡会减弱并与外部刺激（视频，老师或彼此吸引）同步（ii）。更专注状态、具有更多社交参与型人格特质或者直接互动的学生可以调节神经震荡与刺激（老师，视频或彼此）同步的程度（iii）。

结论

在一学期11个不同教学日中重复记录12名学生同时进行课堂活动和社交互动时的大脑活动发现学生间脑同步始终预测着课堂参与度和社会动态。这表明，脑同步性是可以预测教室动态互动的敏感标记，并且这种关系可能是由小组内共同关注引起的。本研究提供了一个有前途的可以研究自然生态环境下群体相互作用神经活动的方法。

原文：Brain-to-Brain Synchrony Tracks Real-World Dynamic Group Interactions in the Classroom