《Neuropsychologia》：Cognitive and Emotional Responses During Mathematical Problem Solving in Engineering Students: An ERP Study on Problem Size and Feedback
编辑推荐：
工程本科生数学问题解决中负面反馈对事件相关电位（ERP）的影响研究，通过行为（反应时与准确率）和神经（ERP）指标，探讨问题大小效应（PSE）及负面反馈的交互作用。摘要后分隔符：
Saeedeh Pazoki|Mahati Kopparla|Fanhao Kong|Connie Barroso|Steven Woltering
美国德克萨斯州大学农工学院教育心理学系，College Station，德克萨斯州
引言
随着技术驱动产业的持续扩张，对科学、技术、工程和数学（STEM）领域的高素质劳动力的需求日益增加[1]。尽管需求不断增长，但本科STEM项目的辍学率仍然很高[2][3]。值得注意的是，即使是在经过严格学术筛选后被录取的学生中，留存率也较低[4]。可能导致这种流失的一个重要因素是学生对STEM学科（尤其是工程学）学术难度和严格性的反应[5]。虽然许多进入工程学专业的学生在高中时期成绩优异[6][7][8]，但有些学生难以适应大学水平的期望和日益增加的学术要求。尤其是大一的学生，他们更容易遇到失败或表现不佳的情况，包括获得比平时更低的成绩[9]。这种学术反馈，通常以较差或不及格的成绩形式呈现，甚至是来自教师的反馈，是参加严格工程学项目的学生常见的负面经历[10][11][12]。这种反馈在学生评估自己的学术地位和在项目中的归属感方面起着核心作用[13]，并且会显著影响他们的情绪反应，而这些情绪反应对未来的成绩、动机和流失率至关重要[14]。然而，目前尚不清楚工程学专业学生的数学表现受到关于他们表现的具有情绪激活作用的反馈的影响程度究竟有多大。
在这项研究中，我们在一组工程学专业本科生中通过实验来验证这一问题。我们利用“问题规模效应”（PSE）来考察负面反馈与中立反馈对学生算术表现的不同影响。PSE指的是在处理较大数字时，算术运算的速度会变慢且准确性会降低的倾向[15]。PSE通常通过反应时间和准确性的行为测量来评估，迄今为止还没有研究探讨过在情绪条件下工程学专业学生的PSE的神经相关性。事件相关电位（ERP）成分来自脑电图（EEG）记录，可以作为任务执行过程中与认知资源分配相关的脑活动的神经指标，补充行为测量方法，并增强我们对在线认知和情绪处理的了解。因此，在我们的研究中，我们同时使用行为和神经测量方法来评估PSE，并测试负面反馈（如果有的话）对我们样本中工程学专业学生的影响程度。我们希望通过这项研究提供有关工程学专业学生在数学问题解决过程中发生的认知和情绪处理的更多知识。
数学是一个既要求精确度又需要持续脑力努力的领域，因此它特别容易受到认知负荷和情绪状态的影响。“问题规模效应”是一个被广泛使用的范式，用于研究由任务需求和问题难度驱动的算术表现的细微变化。这种效应指的是涉及较大运算数的算术问题与更长的反应时间和更低的准确性相关[15]。PSE已在包括加法[16][17][18]、减法[18][19]、乘法[20][21][22][23]和除法[24]等多种运算以及生产和验证等任务类型中得到一致记录。
对PSE的一种解释强调了数字大小和出现频率及练习的作用。根据Ashcraft的网络检索模型[25]，较小的数字在生命早期就会出现，并且个体更频繁地练习它们，这加强了它们在记忆中的表征。例如，3 × 3这样的问题比9 × 7练习得更多，因此在速度和准确性方面具有明显优势。这些暴露和熟悉度的差异影响了算术事实在记忆中的可访问性，从而导致PSE。基于这一观点，PSE也被认为反映了算术处理过程中使用的认知策略的差异。简单的问题往往通过直接从长期记忆中检索来解决，而更复杂的问题通常需要基于规则的计算，每种情况都与不同的时间进程和准确性模式相关[22][26]。
虽然像反应时间和准确性这样的行为测量方法可以为算术表现和PSE提供有价值的见解，但它们对支持算术问题解决的潜在认知机制的信息有限。神经测量方法，特别是事件相关电位（ERPs），可以让我们了解与算术处理相关的时间动态和脑力努力。
事件相关电位的P3成分是一个晚出现的正慢波，通常在刺激后300-800毫秒的时间窗口内在中顶叶区域被检测到，它被广泛用作算术处理[18][19]和PSE[16][19][27]的标志。尽管P3是算术处理的公认标志，但专门研究其受问题规模调节的研究相对较少，特别是在除法任务中，而且研究结果并不一致。研究PSE的报告表明，根据认知需求、算术运算和用于解决所呈现数学问题的认知策略的不同，P3幅度的调节模式也有所不同[19][24]。例如，在减法任务中，由于参与者更可能依赖费力的、基于计算的策略，因此报告了更大的P3幅度；而加法问题通常通过直接检索来解决，因此没有显示出由于运算规模导致的P3调节[19]。这种P3幅度增加的模式表明，在非检索策略中，由于复杂的计算，注意力和注意力分配以及认知参与度有所增加。另一方面，其他研究发现P3并不总是与任务难度线性相关。在乘法验证任务中，较小的问题引发了更大的P3幅度和更早的峰值潜伏期[20][21]，这反映了在验证较简单问题时更高的认知效率或信心。这种模式表明P3不仅反映了努力程度，还反映了认知系统在分类和响应解决方案时的流畅性和效率。相比之下，需要多步骤计算或策略使用的更复杂问题通常会导致较小的P3幅度，这可能是由于更大的不确定性和决策延迟[26]。
神经成像研究表明，不同的认知策略会激活不同的神经回路和处理机制。因此，简单且经过充分练习的问题会激活与记忆检索相关的区域，如左侧角回和前楔叶；而更复杂的问题则会激活涉及视觉空间和言语工作记忆的区域，如顶内沟和上缘回[28]。这些发现共同表明，P3反映了算术处理的质量和果断性，而不仅仅是原始的认知努力。
虽然P3幅度受到问题特征和任务需求的影响，但它似乎也对情境因素（如练习）敏感。Pauli等人[23]发现，增加练习可以减弱PSE，并减少在Cz和Fz电极处观察到的300毫秒处的正慢波的阳性强度。相比之下，Ku等人[16]报告说，在任务进行过程中，正慢波的幅度会增加，这意味着随着时间的推移，累积的任务负荷可能会增加算术处理所需的神经努力。
除了晚期的ERP成分外，早期正成分（如P1和P2）也在心理算术研究中进行了研究，尽管它们在问题规模效应中的作用尚未完全确立[27]。早期正成分被认为反映了早期的视觉-注意力过程和数字符号的初始编码。具体来说，它们与对数字模式的关注和数字信息的感知处理有关[32][33]。虽然一些研究发现P1或P2幅度没有受到问题规模的显著调节[18][24][26][34]，但其他研究表明P2可能对算术难度敏感。例如，对于更难的问题，报告了P2幅度的增加[35][36]。鉴于早期正成分在不同研究中的观察结果不一致，早期正成分与问题规模之间的关系仍然是一个未解决的问题。因此，在本研究中，我们包括了这些早期成分的探索性分析，以进一步考察它们对算术问题难度的潜在敏感性。
参与者
通过向所有工程学专业大一新生发送招募邮件，共招募了40名工程学专业新生（平均年龄=18.5岁，标准差=0.64；64%为女性）参与本研究。没有使用排除标准，以确保样本能够代表工程学专业目标人群。数据处理后，有4名参与者因数据完整性问题被剔除（详细信息见数据处理部分）。最终样本由36名参与者组成（平均年龄=
反馈的感知帮助性
为了探讨参与者是否认为任务中提供的反馈有帮助，我们进行了两样本t检验来比较两组之间的差异。分析显示两组在感知帮助性方面没有显著差异（t(34) = –0.63, p = .536）。
挫败感
对于挫败感评分，独立样本t检验显示在第二组中没有显著的组间差异（t(34) = 0.50, p = .619）。混合效应模型显示，组别对挫败感有显著的主效应（β
讨论
本研究考察了工程学专业学生样本中PSE的行为和神经相关性，以及负面反馈对算术问题解决的影响。在参与者中，我们发现了PSE的明确证据：随着除法问题变得更加困难，准确性下降，反应时间增加。此外，对于更难的问题，还出现了P3幅度增加的趋势。然而，在P1或P2神经成分中未发现PSE的证据。
CRediT作者贡献声明
Saeedeh Pazoki：撰写 – 审稿与编辑，撰写 – 原稿撰写，可视化，正式分析，数据管理。Fanhao Kong：撰写 – 审稿与编辑，可视化，验证，数据管理。Mahati Kopparla：方法论，调查，数据管理，概念化。Steven Woltering：撰写 – 审稿与编辑，验证，监督，资源管理，项目管理，方法论，概念化。Connie Barroso：撰写 – 审稿与编辑，验证
数据可用性声明
本研究中分析的数据包含在一个更大的、正在进行的研究项目中，该项目计划发表多篇研究论文。目前该数据集尚未公开，但最终将在该项目最终手稿发表后发布。
关于写作过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了ChatGPT 5.0来提高手稿的可读性和语言表达。使用该工具后，作者根据需要对内容进行了审阅和编辑，并对发表文章的内容负全责。
