超越局部能量：面向跨被试学习风格识别的功能连接分析

识别个体学习风格可优化教学效能。传统问卷具有结构化特征，而行为追踪方法需要长期累积交互日志。为克服这些时间限制，本文提出一种客观的脑电（EEG）方法，在 Felder-Silverman 的活跃-反思（AR）与言语-视觉（VV）维度上，评估相位锁定值（PLV）连接相对于局部特征的性能。在 28 名受试者执行 Raven 高级推理矩阵任务期间记录其 EEG 信号。支持向量机分类采用留一被试交叉验证（LOSO-CV）以及 70:30 的被试内划分。VV 维度在独特的额-枕极化驱动下达到了 70.00% 的被试级准确率。相反，AR 维度由于执行网络的重叠以及“系统性神经反转”现象，导致较低的跨被试泛化能力（55.56%），其中稳定的个体连接特征与全局边界呈完全对立状态（投票差高达 20-0）。最终，这些结果表明，僵化的“一刀切”分类器受限于生物多样性，强调了未来需要自适应特征变换技术以弥合跨被试泛化鸿沟。