STEM 教育的神经教育学方法：整合实时认知分析与认知负荷理论以优化大学教学与学习

基于摘要分析。本文探讨高校 STEM 教育如何结合实时认知状态分析与认知负荷理论（Cognitive Load Theory，CLT），支持动态认知负荷监测和教学调整。其贡献是通过系统性叙述综述与跨案例综合，整合相关实证研究并讨论适应性、包容性教学，而非提出新的 EEG 解码算法或开展新的临床验证。 方法方面，综述检索 Scopus、Web of Science、ERIC 和 PsycINFO，纳入发表于 2018—2025 年、面向高等教育 STEM 情境的同行评审实证研究。纳入条件包括使用 EEG、fNIRS、眼动追踪或人工智能驱动的分析工具，或采用 CLT 指导的教学设计。因此，不能将全部纳入研究视为 EEG 研究，也不能将这些教育监测应用直接等同于 BCI。作者使用标准化数据提取框架，并围绕认知负荷测量、适应性教学策略、学习结果、教师体验及伦理问题开展主题分析。 作者报告，综合证据提示实时认知反馈可能帮助教师动态调整教学节奏、支架支持和学习活动，从而改善教学有效性。摘要列出 d = 0.68–0.72，但结果段在“P”处截断；效应量对应指标、样本与对照条件、显著性信息，以及是否来自正式定量合并均尚未验证，不能据此推断 EEG 或某一种工具的独立效果。 对 EEG 研究的具体阅读价值在于梳理“认知状态测量—反馈—教学调整—学习结果”的证据链，核对生理信号指标与认知负荷、教学收益之间如何建立联系。纳入研究数量、筛选流程、质量评价、测量有效性和研究间异质性尚未验证。作者将整合框架表述为具有潜力，并指出未来需加强纵向研究、伦理规范和大学场景的实施策略；摘要不足以确认该框架已有可复现的实时 EEG 实现或稳定的教学收益。