.png){kind=icon}
.png){kind=icon}
返回
Cognitive load in e-learning: how different environments shape learning efficiency
.png){kind=icon}
PRE
AI
DOI：10.1080/01587919.2026.2697165.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了物理化在线学习环境如何影响认知负荷（CL）和学习表现。通过使用多模态生理信号—脑电图（EEG）、皮肤电反应（GSR）和光电容积脉搏波描记法（PPG）—结合环境监测和自我报告的工作负荷，我们评估了四种自然场景下的CL：学习室、图书馆、咖啡馆和公园。48名参与者观看教学视频时，实时记录了生理和环境数据。CL得分通过大型语言模型（LLM）框架使用结构化多模态生理输入进行估计。结果表明，物理环境显著影响CL：公园施加的认知需求远高于结构化室内环境，而咖啡馆显示出非显著上升趋势。在环境预测因子中，通过基于计算机视觉的目标检测量化的视觉复杂度成为最强相关因素（r=0.77），其次是社会密度（r=0.61）和环境噪音（r=0.60）。LLM预测的CL与NASA-TLX自我报告在全条件下强相关（r=0.68–0.95），证实了收敛效度。本研究引入了一个可扩展、生态有效的LLM框架用于多模态CL估计，对设计适应性、认知支持的数字学习环境具有直接意义。
Keyword:
Cognitive load
e-learning environments
physiological measurement
large language models
multimodal sensing