신경 정렬은 컴퓨터 과학 과정에 대한 소개를 받는 학생들의 학습 결과를 예측한다.

학습은 우리의 인식을 형성하는 데 중심적인 역할을 한다. 우리가 새로운 지식을 얻으면서, 우리의 생각은 변한다: 물리학자 리처드 파인만이 관찰한 것처럼, "과학은 배우고 나서 세상은 매우 달라 보인다". 최근, 다변량 "뇌 판독" 분석 기법은 지식이 신경 활동에서 어떻게 표현되는지에 대한 우리의 이해를 크게 발전시켰다. 이러한 방법은 표현 유사성 분석과 함께 학습된 지식의 신경 표현의 미세한 구조를 설명하고 신경 패턴을 여러 도메인에 걸쳐 있는 특정 지식과 연결할 수 있게 했다. 대부분의 경우, 이 작업 본체는 새로 획득한 개념보다는 잘 확립된 개념 표현을 검토했다.

최근 이미지 작업은 학습 중 및 학습 후 신경 회로의 변화를 연구한 대규모 작업을 확장하면서 이 문제를 해결하기 시작했다. 신경 데이터를 기반으로 획득한 개념 지식을 평가하는 데 있어 현재 기술 상태는 Cetron 외에 의해 예시된다. 그 연구에서, 공대생과 초보자에게는 실제 구조물을 찍은 사진이 제시되었고, 그들에게 작용하는 힘을 고려하도록 요청되었다. 그런 다음 신경 분류기는 이미지 데이터를 기반으로 각 항목에 대한 전문가 정의 범주 레이블(캔틸레버/트루즈/수직 부하)을 예측하도록 훈련되었다. 이러한 것들은 저자들이 뉴턴의 힘의 물리 개념을 이해하는 데 있어 개인의 차이를 탐지할 수 있게 해 주었다. 앞선 연구에서 Mason과 Just은 학습 중 피질 전체에 걸쳐 활성화의 진행을 보고했으며, 참가자들이 네 가지 간단한 기계 시스템에 대한 설명을 통해 진행됨에 따라 활성화되는 다양한 피질 네트워크의 그룹 레벨 "스냅숏"을 제공했다.

설계에 의해, 이러한 연구는 세심하게 통제된 실험 조건에서 수행되었다. 그들은 연구자들이 맞춤형으로 구축된 도메인별 분류기를 사용할 수 있도록 하는 좁은 맥락에서 작은 일련의 자극과 범주를 사용했다. 그러나, 실제 교육과의 격차를 해소하기 위해 우리는 실제 과정(여러 주제를 다루는)의 신경 데이터에 적용할 수 있고 이러한 주제 중 어떤 것이 성공적으로 학습되었는지(그리고 아직 학습되지 않은지를) 정확히 찾아낼 수 있는 범용 방법을 개발해야 한다. 초기 연구에 혜택을 준 통제된 설정과 달리, 일반적인 대학 과정에서는 학생들이 강사 및 동료와 의사소통하고, 수업 내부와 외부의 다양한 정적 및 동적 학습 자원을 적극적으로 사용하고, 여러 새로운 개념을 동시에 수용하고, 장기간에 걸쳐 강의 자료를 통합해야 한다.몇 주 정도. 그리고 종종 새로운 기술을 습득한다. 따라서, 우리는 학생들이 수업 시간 이외의 시간에 강의 영상을 보는 컴퓨터 과학 강좌의 "깜박" 소개인 실제 환경에서 학습을 목표로 했다. 본 코스에서 다루는 광범위한 주제를 통해 전체적인 성과 측정 수준을 넘어 학습 내용을 고해상도(즉, 개별 학생의 특정 주제)로 검토할 수 있었다.

우리의 접근 방식의 핵심은 어떻게 새로운 정보가 학생들에게 전달되고 학습하는 동안 메모리에 통합되는가에 있다. 개인 간의 통신은 스피커와 청취자의 두뇌가 공동 반응 패턴을 보이고,  더 광범위한 스피커-리슨자 신경 결합이 더 나은 통신을 가능하게 하는 신경 결합과 연결되었다. 마찬가지로, 사람들이 같은 비디오를 볼 때, 공유된 활동 패턴이 뇌에서 나타납니다. 최근의 이미지 연구에 따르면 이 공유된 경험에 대한 기억은 특히 기본 모드 네트워크(DMN) 영역에서 개인 간에 유사한 방식으로 인코딩된다. 게다가, 짧은 교육 비디오 동안 어린이와 성인의 신경 활동 시간 코스를 비교한 연구는 아이들이 수학 비디오 동안 어른과 같은 두뇌 반응을 보이는 정도가 수학 시험 점수 23점과 상관관계가 있다는 것을 발견했다. 특히, 특정 개념은 개인에 걸쳐 유사한 신경 활동 패턴을 환기하는 것으로 나타났으며, 신경 표현을 위한 공유 구조를 제안한다. 이 작업체계는 공유 신경 반응이 생각을 똑같이 반영한다는 것을 암시한다. 학습의 맥락에서 학생들의 목표는 전문가처럼 생각할 수 있는 신경학적 토대를 마련하는 것으로 볼 수 있다.

여기서는 학계의 과학, 기술, 공학 및 수학(STEM) 학습에 중점을 두었다. 우리의 목표는 학습자와 전문가 간에 공유된 신경 활동 패턴을 사용하여 프린스턴 대학의 인기 있는 과정의 학습 결과를 정량화하고 예측하는 것이었다. 우리는 학습이 신경 정렬에서 미러링된다는 가설, 즉 개별 학습자의 신경 표현이 전문가에서 관찰된 정규 표현과 일치하는 정도를 테스트했다. 우리의 연구 결과는 한 학기 동안 비디오 강의 중 정렬이 기말고사 성적을 성공적으로 예측했음을 보여준다. 비판적으로, 우리는 또한 세밀한, 자만심을 얻었다.