Home
Student Console
Register as Member/Login
Research Informed Consent Form
UeduGPTs
Aida 優學伴
Uedu Note
Uedu Jupyter
Forum
Course Reviews
支援與訊息
我的學習畫像
Learning Profiling
Uedu Mind
Uedu Fit
Garmin 儀錶板
Activity Records
Wellness Toolkit
PALM
Uedu Brain Dev
Learning Portfolio
Mountain Map
My Certificates
Teacher Console
Course Setup
EMI Toolkit
Assessment Toolkit
Interaction Toolkit
Forum Toolkit
AI Knowledge Base
教師社群
Features
Teaching Practice Research
Academic Exchange
Teaching Workshops
開發者 API
活動主辦
Course Search
FAQ
使用教學
更新紀錄
Student Research Team Recruitment
AI Teaching Assistant Setup Guide
Teacher Research Community
Teaching Research Support
Uedu Labs
隱私權政策
Data Security
Research Ethics
支持 Uedu
Uptime Data

UeduGPTs

--

Jupyters

14

AI 回覆桌面通知

AI 助教回覆完成時顯示桌面通知

聊天訊息通知

同學在討論區發送訊息時通知

Sound notification

Play an alert sound whenever there is a new notification

生理感測

從穿戴裝置到課堂:評估基於 HRV 的生理監測應用於學習分析

From Wearables to Classrooms: Assessing HRV-Based Physiological Monitoring for Learning Analytics

C.-K. Chang, K.-H. Li, C.-L. Cheng, and T.-C. Lin IEEE SDS 2026

教學問題

心率變異性(HRV)是學習分析中具潛力的生理指標,能反映認知負荷、壓力與情緒投入。 然而,多數教育場域的 HRV 研究仰賴醫療級 ECG 設備,不適合自然課堂情境。 消費級穿戴裝置(如 Garmin 智慧手錶)是否能在真實課堂中提供有效的 HRV 測量? 此外,個體間的自律神經基線差異極大,群體層級的分析是否會掩蓋個人層級的有意義模式?

研究方法

本研究在大學 Python 程式設計課程中,使用 Garmin vívoactive 5 智慧手錶搭配自製 iOS 伴隨 App(UeduPAD), 透過 Garmin Health SDK 即時串流五位大學生在兩次 3 小時課堂中的逐拍間距(BBI)數據。 以 5 分鐘滑動視窗計算標準 HRV 指標(RMSSD、pNN50、lnHF、LF/HF), 並與 Garmin 專有壓力指數進行個人層級的一致性驗證。 課堂事件(靜心基線、講課、程式實作、休息)由教師手動記錄時間戳,與生理數據時間對齊分析。

主要發現

  • 穿戴裝置驗證:HRV 指標與 Garmin 壓力指數在個人層級呈現中度至良好的一致性(RMSSD 的 ICC 中位數 = 0.68,pNN50 的 ICC 中位數 = 0.74)
  • 個體差異顯著:不同課堂事件的 HRV 反應在個體間高度異質,群體層級無一致模式(Friedman 檢定皆不顯著),凸顯個人中心分析的必要性
  • 自律神經平衡與學習:在程式實作期間維持較低交感神經激活(LF/HF 反應性)的學生,展現較大的成績進步(Spearman ρ = −1.0, n = 4)

對教學的啟示

消費級穿戴裝置可作為課堂中個人層級生理監測的實用工具, 但研究者與教師必須採用個人中心的分析取向,避免群體層級的聚合造成誤導。 程式實作期間能維持自律神經平衡的學生傾向有更好的學習成果, 這暗示未來可透過即時 HRV 監測,在學生壓力過高時適時介入, 實現從生理感測到教學行動的閉環回饋。

在 Uedu 上的實踐:Uedu Mind

本研究的數據收集與分析建構於 Uedu 平台的 Uedu Mind(PALM 生理感知語言模型)子系統。 Uedu Mind 透過 Garmin Health Companion SDK 即時收集 BBI、壓力指數、呼吸率等生理數據, 並與課堂事件日誌時間對齊,為學習分析提供多模態的生理數據基礎。

前往使用

引用資訊

C.-K. Chang, K.-H. Li, C.-L. Cheng, and T.-C. Lin, "From Wearables to Classrooms: Assessing HRV-Based Physiological Monitoring for Learning Analytics," in 2026 IEEE Swiss Conference on Data Science and AI (SDS), May 2026.