生成式AI是创意学习的“兴奋剂”还是“压力源”？

导语

这项研究让128名学习者分别用AI和传统工具完成头脑风暴与TRIZ设计任务，同时“读脑”“读脸”——用近红外脑成像监测前额叶激活，用表情识别分析情绪变化。结果发现：AI显著提升了创意表现，但也让学习者在头脑风暴时表现出更多恐惧和厌恶情绪。右侧前额叶的激活与负面情绪同步增强，而双侧激活才伴随快乐。

想了解你的创意课堂里，AI究竟是赋能还是增压？这篇最新研究给出了令人深思的答案。

方法的基本信息

这篇文章使用的研究方法主要是实验研究，但采用了多模态量化研究范式，此处将分别介绍整体的研究方法和功能性近红外光谱（fNIRS）这一方法。

核心思想

采用多模态量化研究范式——同步采集面部表情（外显情绪）、fNIRS（前额叶脑血氧）和专家创意评分——揭示生成式AI辅助创造性思维学习的认知‑情绪双刃剑效应。其中fNIRS技术用于监测创意过程中前额叶皮层（特别是DLPFC）的实时激活模式，以关联情绪侧化与认知控制。

独特价值

整体方法层面：

① 在创意教育中同时整合“行为（表情）‑神经（fNIRS）‑结果（专家评分）”三维数据；

② 对比两种经典创意方法（发散型头脑风暴 vs. 结构型TRIZ），揭示AI在不同认知阶段的不同影响；

③ 使用机器学习（CatBoost等）验证多模态数据对创意表现的分类能力（最高准确率91.40%）。

fNIRS技术层面：

① 高生态效度：允许学习者在自然坐姿、自由说话、正常操作电脑时采集，贴近真实课堂/设计场景；

② 时间分辨率适中（13.333 Hz），可捕捉创意任务中阶段性认知负荷变化；

③ 空间聚焦DLPFC：该脑区既参与工作记忆、认知灵活性（与创意控制相关），也参与情绪加工（左正/右负侧化），恰好切中“AI如何同时影响思考与情绪”的核心问题；

④ 与面部表情时序同步，可区分“即时情绪反应”与“后续认知加工负担”。

关键产出

① 头脑风暴阶段，AI组仅右侧DLPFC的HbO2浓度显著高于传统组（$t(126)=14.86,p<.001,Cohe{n}^{\prime }sd=2.63$），与负面情绪（恐惧、厌恶）增加同步；

② TRIZ阶段，AI组双侧DLPFC的HbO2浓度均显著高于传统组（左侧 $t=3.86,d=0.68$；右侧 $t=14.86,d=2.63$），与快乐情绪增加同步；

③ 验证了情绪侧化理论（左DLPFC与积极情绪、右DLPFC与消极情绪相关）。

方法的操作过程

上图是本研究的研究过程，不再赘述，此处重点介绍fNIRS的操作过程。

应用原则

• 无创、低约束：fNIRS探头通过头帽固定，学习者可正常言语、打字、查看屏幕，不影响任务执行。

• 任务相关脑区聚焦：根据既往研究，创意过程中的认知控制与情绪加工主要涉及前额叶，特别是DLPFC。因此探头布局重点覆盖Fpz周围的左右DLPFC。

• 同步多模态采集：fNIRS与摄像头时间戳对齐，便于后续分析“情绪面部动作”与“脑区激活”的时序关系。

• 信号预处理标准化：采用修正的Beer-Lambert定律计算HbO2浓度，经去漂移（一阶多项式回归）、TDDR去运动伪迹、带通滤波（0.01–0.2 Hz）去除生理噪声。

操作步骤

①探头定位：
根据国际10-20系统，将探头矩阵中心置于Fpz位置。共22个通道（8个光源×8个探测器），使用FASTRAK三维定位仪记录每个通道的MNI坐标，确认覆盖左右DLPFC（BA9区）。

②信号采集：
LIGHTNIRS系统（岛津公司），三个波长（780, 805, 830 nm），采样频率13.333 Hz。在整个创意训练阶段（约30分钟）持续记录，包括：头脑风暴（15分钟）+休息（2分钟）+TRIZ设计（15分钟）

③数据预处理（MATLAB + NIRS_KIT）：

光强转HbO2浓度：修正的Beer-Lambert定律

去漂移：一阶多项式回归

运动伪迹校正：TDDR（时域导数分布修复）

带通滤波：0.01–0.2 Hz（去除心跳、呼吸等高频噪声）

基线校正：以情绪校准阶段的60秒静息态为基线

④特征提取
计算每个通道在任务期相对静息期的HbO2浓度变化（ΔHbO2）。重点分析CH5（左DLPFC） 和CH3（右DLPFC） 两个通道。

⑤统计分析

独立样本t检验比较AI组与传统组在左右DLPFC的ΔHbO2差异

计算Cohen‘s d作为效应量

将ΔHbO2作为特征之一，与面部表情数据融合，输入机器学习分类器（CatBoost等）预测创意表现等级

方法的应用启示

适用情境

虽然本研究聚焦于创造性思维学习，但其核心方法范式——同步采集外显情绪（面部表情）与中枢神经活动（fNIRS）——可广泛应用于人机协同学习场景和真实课堂中的同伴协作学习场景。

个人思考

研究发现了“敬畏（awe）”和“惊恐厌恶（appall）”这两种复合情绪在AI组的显著升高。但复合情绪的面部编码（如awe = AU1+2+4+5+20+25+26）本质上是多个基本动作单元的叠加。问题在于：同样的面部动作组合，在不同个体或不同文化背景下，是否一定指向同一种内在体验？ 研究者需要谨慎避免过度推论。

研究将DLPFC的激活直接与情绪加工关联，并引用了经典的“左侧积极/右侧消极”情绪侧化理论。但fNIRS的空间分辨率有限（约2–3 cm），且DLPFC本身也参与工作记忆、认知控制、决策等非情绪功能。在没有独立情绪诱发校验（如同时采集皮肤电或心率）的情况下，将HbO2变化直接解释为“情绪反应”需要更谨慎的三角验证。

值得探讨的新问题

东方文化背景下，“敬畏”和“惊恐厌恶”的面部表达模式是否与西方样本一致？fNIRS的情绪侧化效应是否具有跨文化稳定性？

如果未来课堂真的用摄像头+fNIRS实时监测学生的情绪和脑活动，这是“精准教学”还是“神经监视”？谁来拥有这些数据？学生能否拒绝？

能否将面部表情+fNIRS与眼动追踪（注视模式反映认知策略）、皮肤电（反映生理唤醒）结合，构建一个更完整的“认知‑情感‑行为”三维模型？

论文的基本信息

Song, X., Zhang, Y., Lu, Z., Xu, L., & Shen, H. (2026). Generative AI: A double-edged sword for creative thinking learning—Evidence from facial expressions and fNIRS. Computers & Education, 105578.

下载链接