Beyond Local Power: Functional Connectivity Analysis for Subject-Independent Learning Style Recognition
Di cosa parla
Registrano segnali cerebrali con l’elettroencefalografia mentre persone svolgono compiti di ragionamento per capire se è possibile riconoscere il loro stile di apprendimento senza lunghi monitoraggi comportamentali. Confrontano l’analisi di come diverse aree del cervello si coordinano (connettività funzionale) con caratteristiche locali del segnale, valutando le dimensioni Attivo–Riflessivo e Verbale–Visivo del modello Felder‑Silverman, e cercano di affrontare la scarsa generalizzazione tra soggetti.
Cosa permette di osservare
Consente di esplorare se le misure di coordinazione tra aree cerebrali siano più efficaci dei segnali locali per individuare stili di apprendimento in persone diverse, e quali tecniche adattive potrebbero colmare la variabilità biologica che limita i modelli "uno per tutti".
Dalla fonte
Identifying individual learning styles optimizes pedagogical efficacy. While traditional questionnaires are structured, behavioral tracking methods require prolonged interaction log accumulation. To overcome these temporal constraints, this paper proposes an objective Electroencephalography (EEG) approach evaluating Phase Locking Value (PLV) connectivity against localized features across the Active-Reflective (AR) and Verbal-Visual (VV) Felder-Silverman dimensions. EEG signals were recorded from 28 participants during Raven's Advanced Progressive Matrices tasks. Support Vector Machine classification used Leave-One-Subject-Out Cross-Validation (LOSO-CV) alongside a 70:30 intra-subject split. The VV dimension achieved 70.00% subject-level accuracy driven by distinct fronto-occipital polarization. Conversely, the AR dimension yielded lower cross-subject generalizability (55.56%) due to ove…