从“千人一面”到“千脑千面”：一场关于注意力的教学实验

在南京某重点小学的课后服务课堂上，40名学生戴着轻量化脑电设备，正通过南京脑一代智能科技有限公司研发的脑力训练软件完成一组“视觉追踪”任务。屏幕上的光标会随着学生的注意力波动而改变颜色，当专注度阈值跌破设定值时，系统会动态调整干扰项密度。这是该公司2024年秋季启动的“AI+认知训练”教学实践项目中的一个片段——我们试图回答一个具体问题：当人工智能算法介入传统注意力训练时，学习效率能否产生可量化的差异？

底层逻辑：不是“游戏化”，而是“闭环自适应”

很多人误以为脑力训练就是披着电子外衣的“舒尔特方格”或“找不同”，但南京脑一代的技术路径完全不同。其核心在于一套基于多模态生理信号（EEG+眼动）与行为数据融合的智能系统研发框架。系统每200毫秒采集一次神经反馈信号，通过卷积神经网络提取注意力特征，再结合任务完成正确率、反应时变异系数等指标，构建出每个学生的“认知负荷曲线”。

实际上，这套系统最关键的创新在于“难度梯度引擎”——它并非线性提升任务难度，而是根据实时状态进行非线性跳变。例如，当学生连续3次在低难度任务中保持高专注超过90秒，算法会直接跳过中级关卡，推送更复杂的工作记忆任务；反之，若发现疲劳指数上升，则自动插入30秒的呼吸放松模块。这种动态调节逻辑，完全依赖我们自研的大数据分析平台对过去12万次训练会话的深度挖掘。

实操落地：一份来自五年级课堂的四周数据报告

在具体教学应用中，我们采用了“15分钟前测+20分钟自适应训练+5分钟后测”的固定结构。以五年级某班为例，前两周为基线期（使用传统纸质 Stroop 任务），后两周切换至脑一代系统。需要强调的是，训练内容并非孤立进行，而是与语文阅读、数学应用题解题场景强关联——例如在训练“选择性注意”时，系统会调用真实课文段落作为干扰源。

四周后的对比数据如下：

• 注意力稳定性指数（通过持续性注意反应任务测算）：实验组均值从0.61提升至0.79，对照组（仅使用纸质练习）仅从0.60升至0.65。
• 课堂作业错误率：实验组粗心类错误下降41.3%，特别是在数学计算题中，漏看数字符号的情况显著减少。
• 教师主观评分（5点量表）：实验组学生“课堂眼神跟随度”平均提高1.2分。

值得关注的是，在第三周时，有两名学生出现了明显的训练平台期——任务完成度停滞。此时，系统自动切换至“元认知提示模式”，通过可视化气泡图向学生展示自己注意力的“漂移轨迹”与“稳定锚点”。这种基于AI 应用的自我监控反馈，比单纯的外部奖励更能激发内在动机。一周后，这两名学生的指标重新进入上升通道。



为什么说硬件只是载体，算法才是灵魂？

有人会问：市面上的脑电头环品牌繁多，你们的差异在哪？答案在于智能设备开发中我们更注重“信号质量与算法鲁棒性的平衡”。我们放弃了高成本医疗级湿电极，采用干电极方案，但通过南京脑一代智能科技有限公司独有的运动伪迹消除算法（基于自适应滤波与张量分解），将信噪比保持在可接受范围内。更重要的是，所有训练数据均通过联邦学习框架处理，确保学生隐私不出校园。

从产品负责人视角看，这次教学实践最大的收获不是漂亮的数据曲线，而是验证了一个假设：真正有效的教育AI，必须做到“不打扰”且“可解释”。老师不需要看懂每一个神经指标，但系统给出的“今日训练建议”必须能转化为具体的教学动作——比如“建议减少连续3道文字题的布置，改为穿插图形题”。这种将人工智能算法转化为课堂语言的能力，才是未来教育智能化的分水岭。

目前，该套系统已在长三角地区6所中小学部署。我们正在收集更多纵向数据，以期构建从小学到初中的认知发展常模。这条路还很长，但至少我们证明了：当脑力训练软件不再孤立的“练脑”，而是嵌入真实学习场景时，它带来的改变是具体而扎实的。