偏好与成绩被当作两个独立结果测量
论文把两个常被混为一谈的主张分开：一是人们对信息呈现方式有不同偏好，二是让教学匹配这些偏好能提高学业成绩。研究用行为数据检验第二个主张，用神经生理数据检验第一个主张，把投入度指标和学习结果当作两个独立的因变量，而不是假定其中一个必然意味着另一个。
这一区分之所以重要，是因为行为分析针对的是“匹配假说”——即让教学与偏好方式对齐可以优化成绩。EEG 分析问的是一个更窄的问题：无论测验分数是否变化，偏好匹配是否会在脑活动中留下可检测的痕迹。
真实课堂、两台 EEG 设备与八名受监测学习者
印第安纳大学印第安纳波利斯分校的 37 名信息学研究生分四场参与，各组人数分别为 8、10、14 和 5。所有人都填写了 VARK 问卷（8.01 版）以确定主导方式——视觉、听觉、读写或动觉——并完成了一项 10 题、0–100 分的自然语言处理（NLP）知识前测。
只有八名参与者佩戴了 EEG 设备，每场两人：一人佩戴 OpenBCI Cyton+Daisy（16 个湿式有源电极，125 Hz），另一人佩戴 Emotiv EpocX（14 个盐水浸泡的毡垫传感器，128 Hz）。下文所有神经结果都基于这一子样本，作者将其描述为该流程的概念验证，而非人群估计。
第 1 场是 30 分钟的传统 NLP 讲授，作为对照。第 2–4 场采用自适应模式：当聚合的 EEG 投入度指标低于预设阈值时，实时改变教学呈现方式。教学结束后立即进行后测。
θ 和 α 功率承载匹配与不匹配的信号
经过滤波（0.5–50 Hz 带通、60 Hz 陷波）、通过目视检查和独立成分分析去除伪迹，并切分为 1 秒不重叠的时段后，团队用快速傅里叶变换提取 delta、theta、alpha、beta 和 gamma 频段的频谱功率密度。分类前用主成分分析对特征向量降维。
分类任务是二分类：区分所呈现方式与参与者主导 VARK 偏好匹配的时段和不匹配的时段。研究选择二元逻辑回归，是因为它可解释且适合小数据集；采用留一参与者交叉验证，每一折把一个人的全部时段作为测试集，因此报告的准确率反映的是对未见用户的迁移能力，而不是对同一个人的拟合。训练折中对少数类过采样以平衡类别，并用 1,000 次自助重采样生成 95% 置信区间。
判别信息集中在 theta（4–8 Hz）和 alpha（8–13 Hz）功率上，论文将这两个频段与注意和认知加工联系起来。正是这种定位让结果不止是一个黑箱分数：分类器的信号落在研究视为投入度标志的频段内。
27 个百分点的设备差距限制消费级 EEG
OpenBCI 的平均准确率为 83.21%（95% CI 82.42–84.04），对照的是 50% 的随机基线，匹配时段召回率为 81.86%，不匹配时段为 84.22%。Emotiv EpocX 为 56.27%（95% CI 55.10–57.52），仅略高于随机水平；论文没有报告该设备的匹配或不匹配召回率。
作者把差距归因于信噪比，指出 OpenBCI 使用湿电极凝胶界面，而 Emotiv 使用盐水浸泡的毡垫传感器，后者在检测 alpha 节律关键的顶叶区域可能出现更高的阻抗波动。在不受控的课堂中，动觉活动时的身体移动会加剧这一问题。这是作者的解释，而不是单独操纵的对照比较，因此设备差异与电极类型和导联布局混杂在一起。
对任何计划在课堂部署的人来说，实际门槛很明确：同一套分析流程在研究级硬件上能支持稳健分类，而在此处测试的消费级头戴设备上只得到接近随机的表现。
匹配教学未产生可测量的学习收益
后测分数差异很大：37.84% 的参与者提高，21.62% 保持不变，40.54% 下降。Wilcoxon 符号秩检验未发现整体前后测差异具有统计显著性（W = 189.5，p = 0.536）。
探索性 Mann–Whitney U 检验提示可能存在方式特异性效应——视觉学习者在视觉主导场次（U = 141.0，p = 0.023）、动觉学习者在动觉主导场次（U = 210.0，p = 0.031）——但这些 p 值未经校正，且子组很小。论文将其标记为趋势级信号，而非确证性证据。
样本还严重偏向一种偏好：动觉学习者占 72.97%（n = 27），其次是视觉 16.22%、听觉 8.11%、读写 2.70%。因此方式特异性的子组比较建立在非常不均衡的组规模上。
投入度与信息编码可以分离
论文的核心解释是一种分离：主观偏好塑造了神经投入状态，却没有优化信息编码。按这一解读，学习风格标签作为教学分类法可能很弱，但作为情感计算特征却有用。作者提出，自适应系统可以用匹配偏好的内容来调节 theta 和 alpha 活动、在困难认知工作前维持注意，而不是直接提高测验分数。
这一提议是从分类器结果推出的推论，并非研究检验过的内容。实验表明匹配与不匹配时段在 EEG 上可区分；它没有表明通过偏好操纵投入度会产生下游学习收益，而行为层面的零结果与在这一时间尺度上不存在此类收益相一致。
八名受监测学习者使这成为流程概念验证
八人的神经生理子样本限制了统计功效，场次间设计还引入了可能的时段和场次顺序混杂。研究没有收集连续的自报投入度，因此 EEG 指标无法与瞬时主观体验交叉验证。这些约束使分类准确率只能作为流程可行的证据，而不是它在不同学习者间表现如何的稳定估计。
因此，指导读者的比较应来自论文内部：研究级湿电极 EEG 以 83.21% 区分了偏好匹配与不匹配的教学，消费级盐水传感器 EEG 以 56.27% 未能做到，而两者都没有转化为显著的前后测学习收益。证据支持的优先事项是：在把偏好匹配当作教学杠杆之前，先验证设备保真度和投入度与结果之间的联系。
本文引用的文献
Preference vs. Performance: EEG-Based Classification of Learner Engagement in Multimodal Instruction
EEG 的 theta 和 alpha 功率以 83.21% 的平均准确率（OpenBCI）区分偏好匹配与不匹配的教学，Emotiv EpocX 为 56.27%，而方式匹配未产生显著的前后测学习收益。