DOI: https://doi.org/10.3389/fnhum.2025.1712662
PMID: https://pubmed.ncbi.nlm.nih.gov/41601602
تاريخ النشر: 2026-01-12
المؤلف: Shuyi Zhang وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تستكشف هذه الدراسة دمج بيئات التعليم المعززة بالواقع (AR) مع المراقبة الفسيولوجية متعددة الوسائط لتعزيز التعلم للأطفال الذين يعانون من اضطرابات النمو العصبي. تم تحليل بيانات من 115 طفلًا، مصنفين إلى مجموعات تعاني من اضطراب طيف التوحد (ASD)، واضطراب نقص الانتباه مع فرط النشاط (ADHD)، وصعوبات التعلم المحددة (SLD)، باستخدام تقنيات EEG وECG وتتبع العين. حقق نهج الدمج متعدد الوسائط دقة تصنيف مثيرة للإعجاب بلغت 89.3% في تحديد أنماط محددة للاضطراب، مع وجود مؤشرات حيوية مهمة تشمل التغيرات في قوة ثيتا الجبهي ($p < 0.001$)، ومؤشرات تباين معدل ضربات القلب (نسبة LF/HF)، وأنماط مدة التثبيت. من الجدير بالذكر أن بيئات AR قللت من الحمل المعرفي بنسبة 27% مقارنة بالإعدادات التقليدية مع الحفاظ على مستويات الانخراط. تؤكد النتائج فعالية دمج تقنية AR مع المراقبة الفسيولوجية لإنشاء تجارب تعلم شخصية. أظهرت الدراسة أن التغذية الراجعة الفسيولوجية في الوقت الحقيقي أدت إلى تحسين أداء الانتباه بنسبة 31.2% وزيادة بنسبة 24.8% في درجات التفاعل الاجتماعي على مدار 12 شهرًا. إن تقليل الحمل المعرفي، إلى جانب زيادة الانخراط، يعالج التحديات الحرجة في التعليم الخاص. علاوة على ذلك، تسلط أنماط الاستجابة المختلفة بين مجموعات الاضطراب الضوء على ضرورة استراتيجيات التدخل الشخصية بناءً على المؤشرات الحيوية الموضوعية. تشير الجدوى التقنية والقبول الإيجابي من أصحاب المصلحة إلى إمكانيات قوية للترجمة لأنظمة AR-الفسيولوجية، مما يقترح حلولاً قابلة للتوسع وفعالة من حيث التكلفة لمعالجة الاحتياجات المتنوعة للأطفال الذين يعانون من اضطرابات النمو العصبي في البيئات التعليمية.
مقدمة
يقدم دمج تقنية الواقع المعزز (AR) في التعليم الخاص حلاً واعدًا لتلبية احتياجات التعلم المتنوعة للأطفال الذين يعانون من اضطرابات النمو العصبي، مثل اضطراب طيف التوحد (ASD)، واضطراب نقص الانتباه مع فرط النشاط (ADHD)، وصعوبات التعلم المحددة (SLD). مع انتشار ASD الذي يؤثر على حوالي 1 من كل 68 طفلًا (Baio، 2018)، غالبًا ما تفشل الطرق التعليمية التقليدية في معالجة الملفات المعرفية الفريدة لهؤلاء الأفراد. تعزز تقنية AR التعلم من خلال تراكب المعلومات الرقمية على السياقات الواقعية، مما يخفف من الحمل المعرفي المرتبط بالمفاهيم المجردة مع الحفاظ على الصلة (Mesa-Gresa et al.، 2018؛ Escobedo et al.، 2014). يتماشى هذا النهج مع نظرية الحمل المعرفي، مما قد يؤدي إلى تجارب تعلم أكثر كفاءة (Buchner et al.، 2022؛ Suzuki et al.، 2024).
تشير الأبحاث إلى أن تطبيقات AR يمكن أن تحسن بشكل كبير الانتباه، والمهارات الاجتماعية، والتواصل لدى الأطفال الذين يعانون من ASD من خلال ممارسة منظمة في بيئات محكومة (Chen et al.، 2015؛ Lorenzo et al.، 2019). علاوة على ذلك، يسمح دمج المراقبة الفسيولوجية داخل بيئات AR بالتقييم في الوقت الحقيقي للحالات المعرفية والعاطفية، مما يوفر مقاييس موضوعية للانخراط والحمل المعرفي (Chiossi et al.، 2024؛ Long and Kuhl، 2018). تقدم تقنيات مثل تخطيط الدماغ الكهربائي (EEG) وتخطيط القلب الكهربائي (ECG) رؤى حول النشاط العصبي واستجابات الضغط، بينما تكشف بيانات تتبع العين عن أنماط الانتباه البصري، مما يعزز فهمنا لاستراتيجيات معالجة المعلومات (Berger and Davelaar، 2018؛ Chicchi Giglioli et al.، 2019؛ Pierce et al.، 2022).
الطرق
تحدد قسم الطرق الأساليب التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من التقنيات الكمية والنوعية لجمع البيانات، مما يضمن تحليلًا شاملاً للموضوع. تضمنت المنهجيات المحددة تجارب محكومة، ونمذجة إحصائية، وجمع البيانات من خلال الاستطلاعات أو الملاحظات، اعتمادًا على تركيز البحث.
بالإضافة إلى ذلك، يوضح القسم الأطر الرياضية المطبقة لتفسير النتائج، بما في ذلك المعادلات والخوارزميات ذات الصلة. كما يتم تسليط الضوء على استخدام أدوات البرمجيات لتحليل البيانات، مما يبرز أهمية الأساليب الحاسوبية في التحقق من النتائج. بشكل عام، تدعم الدقة المنهجية التي تم تأسيسها في هذا القسم موثوقية وصلاحية نتائج البحث.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على النتائج المهمة من الدراسات السابقة التي تُعلم التحقيق الحالي في دمج بيئات الواقع المعزز (AR) مع المراقبة الفسيولوجية متعددة الوسائط للأطفال الذين يعانون من اضطرابات النمو العصبي. تحدد ثلاث رؤى رئيسية: يمكن أن تقلل بيئات AR من الحمل المعرفي، على الرغم من أن القياس الفسيولوجي محدود؛ تظهر الوسائط الفسيولوجية الفردية مثل EEG وECG وتتبع العين وعدًا في تصنيف اضطرابات النمو العصبي، ومع ذلك لا يزال دمجها متعدد الوسائط غير مستكشف؛ ويمكن أن تعزز أنظمة التعلم التكيفية النتائج التعليمية، لكن فعاليتها بالتزامن مع التغذية الراجعة الفسيولوجية في الوقت الحقيقي في سياقات AR تتطلب تحققًا تجريبيًا. يؤكد المؤلفون على فجوة بحثية حرجة: نقص الدراسات التي تجمع بين تقنية AR مع المراقبة الفسيولوجية متعددة الوسائط لإنشاء أنظمة تعلم تكيفية مصممة للأطفال الذين يعانون من اضطرابات النمو العصبي.
لمعالجة هذه الفجوة، يقترح المؤلفون أربع فرضيات: (H1) ستقلل بيئات التعلم AR بشكل كبير من الحمل المعرفي مقارنة بالطرق التقليدية، كما يتضح من مقاييس فسيولوجية محددة؛ (H2) سيعزز الدمج متعدد الوسائط دقة التصنيف لاضطرابات النمو العصبي بما يتجاوز الأساليب ذات الوسائط الفردية؛ (H3) ستظهر توقيعات فسيولوجية مميزة لكل اضطراب؛ و(H4) ستؤدي التدخلات AR التكيفية المستندة إلى الفسيولوجيا إلى تحسينات تعليمية أكبر من المحتوى الثابت. تهدف الدراسة إلى تطوير إطار تصنيف متعدد الوسائط، وقياس تأثيرات AR على الحمل المعرفي والانخراط، وتنفيذ نظام تدخل تكيفي قائم على التعلم التعزيزي، مما يساهم في إنشاء بيئات تعلم شخصية تستجيب بشكل فعال للاحتياجات المتنوعة للأطفال الذين يعانون من اضطرابات النمو العصبي.
القيود
تسلط قيود هذه الدراسة الضوء على تهديدات كبيرة للصلاحية في المقارنات الاستعادية، بما في ذلك الاختلافات في توزيعات شدة السكان، وطرق التقييم غير المتجانسة، والتحيز في النشر، والتباينات في الرعاية القياسية عبر الزمن والجغرافيا. إن غياب مجموعة تحكم عشوائية هو أمر حاسم بشكل خاص، حيث يحد من النسبة السببية للزيادات التنموية الملحوظة إلى تدخل الواقع المعزز (AR) بدلاً من عوامل أخرى مثل النضج أو تأثيرات الممارسة. بينما تشير الدراسة إلى تحسينات تتجاوز بيانات التاريخ الطبيعي الحالية، فإن الاعتماد على المقارنات الاستعادية عبر الدراسات يثير مخاوف بشأن التحيز في الاختيار وعدم التناسق المنهجي.
تشمل القيود الإضافية تجنيد المشاركين من مؤسسة واحدة، مما قد يحد من التنوع الديموغرافي ويقدم تداخلات محددة بالموقع. إن التجانس الثقافي للعينة، التي تتكون في الغالب من شرق آسيا والمتحدثين باللغة الماندرين، يحد من إمكانية تعميم النتائج على مجموعات ثقافية أو لغوية أخرى. علاوة على ذلك، قد لا تعكس استخدام أجهزة AR وأجهزة الاستشعار الفسيولوجية المتطابقة التباين في العالم الحقيقي، ولا تزال الاستقرار الزمني لنماذج التصنيف غير مؤكدة مع تطور التكنولوجيا ومعايير التشخيص. يجب أن تشمل الأبحاث المستقبلية مجموعات بيانات دولية متعددة المواقع، ومنصات AR متنوعة، وتقييمات طولية لتعزيز قوة وملاءمة النتائج. يتم تطوير اتحاد من المواقع الدولية لتسهيل هذا التحقق الخارجي، مع توقع أن تقديرات الدقة الحالية قد تكون متفائلة في البيئات المستقلة في العالم الحقيقي.
DOI: https://doi.org/10.3389/fnhum.2025.1712662
PMID: https://pubmed.ncbi.nlm.nih.gov/41601602
Publication Date: 2026-01-12
Author(s): Shuyi Zhang et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This study explores the integration of augmented reality (AR) teaching environments with multimodal physiological monitoring to enhance learning for children with neurodevelopmental disorders. Data from 115 children, categorized into groups with Autism Spectrum Disorder (ASD), Attention Deficit Hyperactivity Disorder (ADHD), and Specific Learning Disabilities (SLD), were analyzed using EEG, ECG, and eye-tracking techniques. The multimodal fusion approach achieved an impressive 89.3% classification accuracy in identifying disorder-specific patterns, with significant biomarkers including variations in frontal theta power ($p < 0.001$), heart rate variability indices (LF/HF ratio), and fixation duration patterns. Notably, AR environments reduced cognitive load by 27% compared to traditional settings while sustaining engagement levels. The findings underscore the effectiveness of combining AR technology with physiological monitoring to create personalized learning experiences. The study demonstrated that real-time physiological feedback led to a 31.2% improvement in attention performance and a 24.8% increase in social interaction scores over a 12-month period. The reduction in cognitive load, coupled with enhanced engagement, addresses critical challenges in special education. Furthermore, the differential response patterns among disorder groups highlight the necessity for personalized intervention strategies based on objective biomarkers. The technical feasibility and positive acceptance from stakeholders indicate strong translational potential for AR-physiological systems, suggesting scalable and cost-effective solutions for addressing the diverse needs of children with neurodevelopmental disorders in educational settings.
Introduction
The integration of augmented reality (AR) technology in special education offers a promising solution to meet the diverse learning needs of children with neurodevelopmental disorders, such as autism spectrum disorder (ASD), attention deficit hyperactivity disorder (ADHD), and specific learning disabilities (SLD). With the prevalence of ASD affecting approximately 1 in 68 children (Baio, 2018), traditional educational methods often fall short in addressing the unique cognitive profiles of these individuals. AR technology enhances learning by overlaying digital information onto real-world contexts, thereby alleviating the cognitive load associated with abstract concepts while maintaining relevance (Mesa-Gresa et al., 2018; Escobedo et al., 2014). This approach aligns with cognitive load theory, potentially leading to more efficient learning experiences (Buchner et al., 2022; Suzuki et al., 2024).
Research indicates that AR applications can significantly improve attention, social skills, and communication in children with ASD through structured practice in controlled settings (Chen et al., 2015; Lorenzo et al., 2019). Furthermore, the incorporation of physiological monitoring within AR environments allows for real-time assessment of cognitive and emotional states, providing objective metrics for engagement and cognitive load (Chiossi et al., 2024; Long and Kuhl, 2018). Techniques such as electroencephalography (EEG) and electrocardiography (ECG) offer insights into neural activity and stress responses, while eye-tracking data reveals visual attention patterns, enhancing our understanding of information processing strategies (Berger and Davelaar, 2018; Chicchi Giglioli et al., 2019; Pierce et al., 2022).
Methods
The Methods section outlines the experimental and analytical approaches employed in the study. The researchers utilized a combination of quantitative and qualitative techniques to gather data, ensuring a comprehensive analysis of the subject matter. Specific methodologies included controlled experiments, statistical modeling, and data collection through surveys or observations, depending on the research focus.
In addition, the section details the mathematical frameworks applied to interpret the results, including relevant equations and algorithms. The use of software tools for data analysis is also highlighted, emphasizing the importance of computational methods in validating the findings. Overall, the methodological rigor established in this section underpins the reliability and validity of the research outcomes.
Discussion
The discussion section of the research paper highlights significant findings from previous studies that inform the current investigation into the integration of augmented reality (AR) environments with multimodal physiological monitoring for children with neurodevelopmental disorders. It identifies three key insights: AR environments can reduce cognitive load, though physiological quantification is limited; individual physiological modalities like EEG, ECG, and eye-tracking show promise for classifying neurodevelopmental disorders, yet their multimodal integration remains unexplored; and adaptive learning systems can enhance educational outcomes, but their effectiveness in conjunction with real-time physiological feedback in AR contexts requires empirical validation. The authors emphasize a critical research gap: the lack of studies combining AR technology with multimodal physiological monitoring to create adaptive learning systems tailored for children with neurodevelopmental disorders.
To address this gap, the authors propose four hypotheses: (H1) AR learning environments will significantly reduce cognitive load compared to traditional methods, as evidenced by specific physiological metrics; (H2) multimodal integration will enhance classification accuracy of neurodevelopmental disorders beyond single-modality approaches; (H3) distinct physiological signatures will be identifiable for each disorder; and (H4) physiologically-informed adaptive AR interventions will yield greater educational improvements than static content. The study aims to develop a multimodal classification framework, quantify the effects of AR on cognitive load and engagement, and implement a reinforcement learning-based adaptive intervention system, thereby contributing to personalized learning environments that effectively respond to the diverse needs of children with neurodevelopmental disorders.
Limitations
The limitations of this study highlight significant validity threats in retrospective comparisons, including differences in population severity distributions, heterogeneous assessment methods, publication bias, and variations in standard care across time and geography. The absence of a randomized control group is particularly critical, as it restricts causal attribution of observed developmental gains to the augmented reality (AR) intervention rather than other factors such as maturation or practice effects. While the study reports improvements that surpass existing natural history data, the reliance on retrospective cross-study comparisons raises concerns about selection bias and methodological inconsistencies.
Additional limitations include the recruitment of participants from a single institution, which may limit demographic diversity and introduce site-specific confounds. The cultural homogeneity of the sample, predominantly East Asian and Mandarin-speaking, restricts the generalizability of findings to other cultural or linguistic groups. Furthermore, the use of identical AR hardware and physiological sensors may not reflect real-world variability, and the temporal stability of classification models remains uncertain as technology and diagnostic criteria evolve. Future research should involve multi-site international datasets, diverse AR platforms, and longitudinal assessments to enhance the robustness and applicability of findings. A consortium of international sites is being developed to facilitate this external validation, with the expectation that current accuracy estimates may be optimistic in independent real-world settings.