DOI: https://doi.org/10.3389/fnhum.2026.1737723
PMID: https://pubmed.ncbi.nlm.nih.gov/41939223
تاريخ النشر: 2026-03-19
المؤلف: María Consuelo Sáiz-Manzanares وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
استكشفت الدراسة التجريبية جدوى استخدام تقنية تخطيط الدماغ الكهربائي (EEG) للتحقيق في المعالجة المعرفية وما وراء المعرفية في بيئات التعلم الطبيعية. كانت الدراسة تهدف إلى معالجة بيانات EEG الخام، وتقييم اختلافات الحمل المعرفي بين ثلاث مجموعات من المشاركين – طلاب الجامعات المتقدمين (المجموعة 1)، المعلمين الجدد في الجامعات (المجموعة 2)، والمعلمين ذوي الخبرة في الجامعات (المجموعة 3) – وتحليل القوة القصوى عبر نطاقات موجات الدماغ (دلتا، ثيتا، ألفا، بيتا، وغاما). على الرغم من عدم ملاحظة اختلافات كبيرة في إدراك الحمل المعرفي أو القوة القصوى بين المجموعات، تم ملاحظة اختلافات في ترددات تنشيط موجات دلتا، خاصة بين المجموعتين 1 و2.
تشير النتائج إلى أن أجهزة EEG يمكن أن توفر رؤى قيمة حول المعالجة المعرفية أثناء تنفيذ المهام، مما يسمح بالمراقبة التجريبية للحالات المعرفية بالنسبة للحمل المعرفي الملاحظ. ومع ذلك، تسلط الدراسة الضوء على الحاجة إلى مراعاة عوامل مؤثرة مختلفة، مثل الخصائص الديموغرافية للمشاركين وخصائص الأجهزة، عند تفسير بيانات EEG. يُوصى بإجراء أبحاث مستقبلية تتضمن متغيرات إضافية وتقنيات تحليل متقدمة، بما في ذلك الأساليب الإحصائية وتعلم الآلة، لتعزيز فهم الديناميات المعرفية كما تنعكس في تسجيلات EEG.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم للتعليم في تعزيز مهارات التفكير الإبداعي لدى المتعلمين، والتي تعتبر ضرورية لمواجهة التحديات المستقبلية. تسلط الضوء على تعقيد معالجة المعلومات أثناء التعلم، والتي تشمل العمليات المعرفية وما وراء المعرفية مثل الانتباه والذاكرة العاملة، والتي تتأثر بالعوامل الداخلية والخارجية، بما في ذلك المكونات العاطفية. لقد مكنت التطورات التكنولوجية الحديثة، وخاصة في تخطيط الدماغ الكهربائي (EEG)، من تسجيل هذه العمليات والاستجابات العاطفية المرتبطة بها، مما يوفر رؤى تجريبية حول الحمل المعرفي واستراتيجيات المعالجة المخصصة للمتعلمين الأفراد.
تطورت تقنية EEG لتقديم طرق أقل تدخلاً لمراقبة نشاط الدماغ، مما يسمح بتحليل التذبذبات العصبية عبر نطاقات تردد مختلفة (دلتا، ثيتا، ألفا، بيتا، وغاما). يمكن أن توفر هذه المقاييس معلومات حول الحالات المعرفية والانخراط في المهام، مع إيلاء اهتمام خاص للقوة التنبؤية لنطاقات ثيتا وألفا فيما يتعلق بالحمل المعرفي والمعالجة العاطفية. تؤكد المقدمة على إمكانية استخدام EEG لتعزيز أساليب التعلم الشخصية وتطبيقات التغذية الراجعة العصبية، مع الاعتراف أيضًا بالتحديات في تحليل البيانات وتفسيرها. بشكل عام، تشير النتائج إلى أن EEG يمكن أن تسهم بشكل كبير في فهم استراتيجيات المتعلمين المعرفية واستجاباتهم العاطفية في السياقات التعليمية، على الرغم من أنه يجب أيضًا مراعاة الفروق الفردية.
الطرق
تحدد قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح اختيار المشاركين، بما في ذلك معايير الإدراج والاستبعاد، ويصف تقنيات جمع البيانات المستخدمة، مثل الاستبيانات، والمقابلات، أو القياسات المختبرية. كما يحدد القسم الأساليب الإحصائية المطبقة لتحليل البيانات، بما في ذلك أي برامج تم استخدامها ومستويات الأهمية المحددة لاختبار الفرضيات.
بالإضافة إلى ذلك، تتضمن المنهجية وصفًا للتصميم التجريبي، سواء كان ملاحظًا، مقطعيًا، أو طوليًا، وأي ضوابط تم تنفيذها لتقليل التحيز. يركز القسم على إمكانية تكرار الطرق، مما يوفر تفاصيل كافية للباحثين الآخرين لتكرار الدراسة. بشكل عام، تم هيكلة الطرق بشكل صارم لضمان صحة وموثوقية النتائج.
النتائج
تشير النتائج إلى أن التقييم الموضوعي للحمل المعرفي من خلال قياسات قائمة على EEG يقدم فرصًا كبيرة لتعزيز التعلم الشخصي في التعليم العالي. يمكن أن تلتقط هذه القياسات باستمرار وبدون إزعاج الحالات المعرفية والعاطفية للمتعلمين، وهو أمر ضروري لتصميم بيئات تعلم تكيفية مخصصة للاحتياجات الفردية. تشير النتائج إلى أن أجهزة EEG يمكن أن تحسن استراتيجيات الطلاب المعرفية وما وراء المعرفية، مما يؤدي إلى تحسين النتائج التعليمية ومعالجة تنوع المتعلمين.
علاوة على ذلك، يتم تسليط الضوء على التطبيق المحتمل لأنظمة واجهة الدماغ-الكمبيوتر (BCI) القائمة على EEG، خاصة في تنفيذ أساليب التغذية الراجعة العصبية. يمكن أن تسهل هذه الأنظمة التعديلات الفورية على صعوبة المهام، والتوقيت، والدعم التعليمي بناءً على الحمل المعرفي الذي يعاني منه المتعلمون. ومع ذلك، فإن الدمج الناجح لهذه التقنيات في التعليم العالي يتطلب اهتمامًا دقيقًا بمعالجة الإشارات، وتفسير البيانات، والتوافق البيداغوجي، والاعتبارات الأخلاقية. بالإضافة إلى ذلك، سيكون التحليل المستمر لتوزيعات موجات غاما واختبارات كاي-تربيع (χ²) بين المجموعات المختلفة – الطلاب في السنة النهائية، المحاضرين المبتدئين، والمحاضرين المتقدمين – أمرًا حاسمًا لتعزيز دقة الجهاز وموثوقيته وقابليته للاستخدام في بيئات التعلم الطبيعية.
المناقشة
في هذا القسم، تركز المناقشة على تفسير أنماط موجات الدماغ المختلفة وآثارها على المعالجة المعرفية، خاصة فيما يتعلق بالمحفزات البصرية. ترتبط موجات دلتا (δ)، التي تتميز بتردد يتراوح بين 0.5-4 هرتز، بالنوم العميق وانخفاض الوعي، بينما ترتبط موجات ثيتا (θ) في نطاق 4-8 هرتز بعمليات الذاكرة والنعاس. تشير موجات ألفا (α)، التي تتراوح بين 8-13 هرتز، إلى الاسترخاء وتصفية الانتباه، مع حدوث كبت أثناء الانخراط البصري. ترتبط موجات بيتا (β) (13-30 هرتز) باليقظة واتخاذ القرار، وتشارك موجات غاما (γ) (30-100 هرتز) في التكامل الحسي والإدراك الواعي. تؤكد الورقة على أهمية تقنيات معالجة إشارات EEG، مثل تحليل المكونات الرئيسية (PCA) وتحليل المكونات المستقلة (ICA)، لتعزيز دقة البيانات وقابلية تفسيرها.
تسلط الدراسة الضوء أيضًا على تحديات معالجة إشارات EEG، بما في ذلك الحاجة إلى المعالجة المسبقة لإزالة الضوضاء والعيوب، وهو أمر حاسم للحصول على مقاييس موثوقة. تناقش تطبيق تقنيات تعلم الآلة لتحليل بيانات EEG، مشيرة إلى أن كل من الأساليب المراقبة وغير المراقبة يمكن أن تكشف عن الحمل المعرفي والاستجابات العاطفية أثناء المهام. تهدف الأبحاث إلى استكشاف الحمل المعرفي عبر مجموعات المشاركين المختلفة (الطلاب والمحاضرين) باستخدام مقاييس EEG والتقييمات الذاتية عبر مقياس NASA-TLX، في النهاية سعيًا لإبلاغ الممارسات التعليمية وتعزيز فهم العمليات المعرفية والعاطفية في بيئات التعلم.
القيود
تقدم الدراسة عدة قيود يجب أخذها في الاعتبار عند تفسير نتائجها. أولاً، فإن الاعتماد على العينة المريحة وحجم العينة الصغيرة (n = 22) يحد من القوة الإحصائية وقابلية تعميم النتائج. تعقيد جمع بيانات EEG، الذي شمل جلسات تسجيل فردية استمرت من 30 إلى 60 دقيقة ويتطلب خبرة متخصصة لمعالجة البيانات، يزيد من تعقيد التحليل. ثانيًا، كما تم الإشارة إليه في الأبحاث السابقة (Ignatiadis et al., 2022; Scrivener and Reader, 2022)، فإن نسب وظائف معرفية محددة إلى أقطاب فردية ضمن نظام 10-20 تبسط تفسير إشارات EEG بسبب عوامل مثل التباين التشريحي ودقة وضع الأقطاب. استخدمت هذه الدراسة نهجًا تحليليًا وصفيًا مدعومًا بتحليلات قائمة على التردد، تهدف إلى توليد فرضيات بدلاً من استنتاجات تأكيدية، وفقًا للتوصيات من Opitz et al. (2021).
بالإضافة إلى ذلك، يركز البحث على مهمة تجريبية محددة – تصور صور للأفاتار تمثل حالات عاطفية مختلفة – مما يحد من قابلية تطبيق النتائج على مهام أو مجموعات سكانية أخرى. على الرغم من هذه القيود، فإن الدراسات التجريبية الاستكشافية مثل هذه تعتبر قيمة حيث توفر رؤى أولية يمكن أن تُفيد في تطوير تصاميم بحثية أكثر قوة، وتنقيح الفرضيات، وتوجيه التحقيقات المستقبلية في هذا المجال.
DOI: https://doi.org/10.3389/fnhum.2026.1737723
PMID: https://pubmed.ncbi.nlm.nih.gov/41939223
Publication Date: 2026-03-19
Author(s): María Consuelo Sáiz-Manzanares et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The pilot study explored the feasibility of using electroencephalogram (EEG) technology to investigate cognitive and metacognitive processing in natural learning environments. The study aimed to process raw EEG data, assess cognitive load differences among three participant groups—senior university students (Group 1), novice university teachers (Group 2), and experienced university teachers (Group 3)—and analyze peak power across brain wave bands (Delta, Theta, Alpha, Beta, and Gamma). Although no significant differences in cognitive load perception or peak power were observed among the groups, variations in Delta wave activation frequencies were noted, particularly between Groups 1 and 2.
The findings suggest that EEG devices can provide valuable insights into cognitive processing during task execution, allowing for empirical monitoring of cognitive states relative to experienced cognitive load. However, the study highlights the need to consider various influencing factors, such as participant demographics and device characteristics, when interpreting EEG data. Future research is recommended to incorporate additional variables and advanced analytical techniques, including statistical and machine learning methods, to enhance the understanding of cognitive dynamics as reflected in EEG recordings.
Introduction
The introduction of the research paper emphasizes the critical role of education in fostering learners’ creative thinking skills, which are essential for tackling future challenges. It highlights the complexity of information processing during learning, involving cognitive and metacognitive processes such as attention and working memory, which are influenced by both internal and external factors, including emotional components. Recent technological advancements, particularly in electroencephalography (EEG), have enabled the recording of these processes and associated emotional responses, providing empirical insights into cognitive load and processing strategies tailored to individual learners.
EEG technology has evolved to offer less invasive methods for monitoring brain activity, allowing for the analysis of neural oscillations across various frequency bands (Delta, Theta, Alpha, Beta, and Gamma). These metrics can inform on cognitive states and task engagement, with specific attention given to the predictive power of Theta and Alpha bands regarding cognitive load and emotional processing. The introduction underscores the potential of EEG to enhance personalized learning approaches and neurofeedback applications, while also acknowledging the challenges in data analysis and interpretation. Overall, the findings suggest that EEG can significantly contribute to understanding learners’ cognitive strategies and emotional responses in educational contexts, although individual differences must also be considered.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, including inclusion and exclusion criteria, and describes the data collection techniques utilized, such as surveys, interviews, or laboratory measurements. The section also specifies the statistical methods applied for data analysis, including any software used and the significance levels set for hypothesis testing.
Additionally, the methodology includes a description of the experimental design, whether it is observational, cross-sectional, or longitudinal, and any controls implemented to mitigate bias. The section emphasizes the reproducibility of the methods, providing sufficient detail for other researchers to replicate the study. Overall, the methods are rigorously structured to ensure the validity and reliability of the findings.
Results
The results indicate that the objective assessment of cognitive load through EEG-based measurements presents significant opportunities for enhancing personalized learning in higher education. These measurements can continuously and unobtrusively capture learners’ cognitive and affective states, which is essential for designing adaptive learning environments tailored to individual needs. The findings suggest that EEG devices can optimize students’ cognitive and metacognitive strategies, thereby improving educational outcomes and addressing learner diversity.
Furthermore, the potential application of EEG-based brain-computer interface (BCI) systems is highlighted, particularly in implementing neurofeedback approaches. These systems could facilitate real-time adjustments to task difficulty, pacing, and instructional support based on the cognitive load experienced by learners. However, the successful integration of these technologies into higher education necessitates careful attention to signal processing, data interpretation, pedagogical alignment, and ethical considerations. Additionally, ongoing analysis of Gamma wave distributions and Chi-square tests (χ²) among different groups—final-year students, junior lecturers, and senior lecturers—will be crucial for enhancing device accuracy, reliability, and usability in natural learning environments.
Discussion
In this section, the discussion focuses on the interpretation of various brain wave patterns and their implications for cognitive processing, particularly in relation to visual stimuli. Delta waves (δ), characterized by a frequency of 0.5-4 Hz, are associated with deep sleep and low consciousness, while theta waves (θ) in the 4-8 Hz range are linked to memory processes and drowsiness. Alpha waves (α), ranging from 8-13 Hz, indicate relaxation and attentional filtering, with suppression occurring during visual engagement. Beta waves (β) (13-30 Hz) correlate with alertness and decision-making, and gamma waves (γ) (30-100 Hz) are involved in sensory integration and conscious perception. The paper emphasizes the importance of EEG signal processing techniques, such as Principal Component Analysis (PCA) and Independent Component Analysis (ICA), to enhance data accuracy and interpretability.
The study also highlights the challenges of EEG signal processing, including the need for preprocessing to eliminate noise and artifacts, which is crucial for obtaining reliable metrics. It discusses the application of machine learning techniques for analyzing EEG data, suggesting that both supervised and unsupervised methods can uncover cognitive workload and emotional responses during tasks. The research aims to explore cognitive workload across different participant groups (students and lecturers) using EEG metrics and subjective assessments via the NASA-TLX scale, ultimately seeking to inform educational practices and enhance understanding of cognitive and affective processes in learning environments.
Limitations
The study presents several limitations that must be considered when interpreting its findings. Firstly, the reliance on convenience sampling and a small sample size (n = 22) restricts the statistical power and generalizability of the results. The complexity of EEG data collection, which involved individual recording sessions lasting 30 to 60 minutes and required specialized expertise for data processing, further complicates the analysis. Secondly, as noted in prior research (Ignatiadis et al., 2022; Scrivener and Reader, 2022), attributing specific cognitive functions to individual electrodes within the 10-20 system oversimplifies the interpretation of EEG signals due to factors such as anatomical variability and electrode placement accuracy. This study employed a descriptive analytical approach supported by frequency-based analyses, aiming to generate hypotheses rather than confirmatory conclusions, in line with recommendations from Opitz et al. (2021).
Additionally, the focus on a specific experimental task—visualizing images of avatars representing different emotional states—limits the applicability of the findings to other tasks or populations. Despite these constraints, exploratory pilot studies like this one are valuable as they provide initial insights that can inform the development of more robust research designs, refine hypotheses, and guide future investigations in the field.