分类:Neural Representations of Physics Concepts

来自Big Physics
Jinshanw讨论 | 贡献2022年10月15日 (六) 17:55的版本


Mason, R. A., & Just, M. A. (2016). Neural Representations of Physics Concepts. Psychological Science, 27(6), 904–913. https://doi.org/10.1177/0956797616641941

Abstract

We used functional MRI (fMRI) to assess neural representations of physics concepts (momentum, energy, etc.) in juniors, seniors, and graduate students majoring in physics or engineering. Our goal was to identify the underlying neural dimensions of these representations. Using factor analysis to reduce the number of dimensions of activation, we obtained four physics-related factors that were mapped to sets of voxels. The four factors were interpretable as causal motion visualization, periodicity, algebraic form, and energy flow. The individual concepts were identifiable from their fMRI signatures with a mean rank accuracy of .75 using a machine-learning (multivoxel) classifier. Furthermore, there was commonality in participants’ neural representation of physics; a classifier trained on data from all but one participant identified the concepts in the left-out participant (mean accuracy = .71 across all nine participant samples). The findings indicate that abstract scientific concepts acquired in an educational setting evoke activation patterns that are identifiable and common, indicating that science education builds abstract knowledge using inherent, repurposed brain systems.

总结和评论

这篇文章[1]对学生的物理概念做了脑成像,然后对图像做了聚类,发现:物理概念可以聚成几个大类,并且这些大类好像还有一些共性的说法(例如关于运动类的概念等)。

待进一步补充。

概念地图

待进一步补充。

这个工作的一般意义以及后续工作

概念之间有联系,并且通过联系形成概念的组织——尤其是上下层的层次性结构和同层内的左右逻辑联系结构。知识的层次的概念在“以高层知识生成器为目标的理解型学习”中是非常关键的概念。当然,我们也猜测,真正会教和学、创造知识的人,实际上,往往是高层知识掌握得好,因此更能迁移、更能深入。这一切的基础,就是概念联系。因此,能否通过探测大脑活动来探测被试的认知结构,从而构建出来这个被试对于这些概念联系的掌握程度(以及把这个掌握程度和提出和解决问题等行为表现相结合)就成了“理解型学习”研究中非常重要的问题。

但是,目前的脑成像实验水瓶还很难直接用来研究被试认知结构中的概念关系,除非这些改变之间的关系特别明确(例如,圆形和长方形的关系,相比于,长方形和正方形的关系。这一点,请吴俊杰在毕彦超等人的工作的基础上补充)。

这篇文章做了一个对于抽象概念的脑成像,然后按照这些像来做聚类,发现了,确实,概念之间可以认为存在着集聚现象而且聚出来类可以看做是某个更大的概念。因此,尽管不能用于概念网络的直接检验,也算可以一定程度上测量概念之间的关系。

更一般地来说,我们实际上可以从学科出发,构建一个概念网络,然后,通过概念的矢量化表示或者其他方法,得到概念间的一个距离。接着,我们可以把上面得到的图像用来定义概念之间的基于图像的距离,如果我们发现,这里的两个距离具有很强的相关性,那么,也有可能可以当做一个诊断工具:例如,本来按照学科应该和某个概念C之间距离很近的一个概念A,在成像上距离很远,可以推测,可能这个被试其实没有把概念A学习好。

因此,除了用来当做探索概念之间的层次关系的一个工具,这个研究中所用的方法,可能还可以用来发展为概念掌握程度检测工具。

除此之外,这个研究的一个更直接的拓展是同时考虑一组日常语言中的概念关系和物理专业学生甚至研究者的概念关系(吴俊杰补充那篇类似研究的文献),并作对比。这样才能更好地突出物理概念的表示,而不是日常语言中的表示。甚至,可以进一步对比用符号来表示之后的概念(例如,动量P,时间t)和用词汇表示的概念(例如,动量、时间)的区别。当我们考虑了这个从日常到专业到更专业的概念脑成像特征之后,就会遇到先做这些组间的差再聚类还是先聚类再做差的问题。这也是一个很有意思的问题。

参考文献

  1. Mason, R. A., & Just, M. A. (2016). Neural Representations of Physics Concepts. Psychological Science, 27(6), 904–913. https://doi.org/10.1177/0956797616641941

本分类目前不含有任何页面或媒体文件。