Abstract When we pay attention to someone, do we focus only on the sound they make, the word they use, or do we form a mental space shared with the speaker we want to pay attention to? Some would argue that the human language is no other than a simple signal, but others claim that human beings understand each other not only by relying on the words that have been said but also formed a shared ground in the specific conversation. This debate was raised early, but the conclusion remains vague. Our study aimed to investigate how attention modulates the neural coupling between the speaker and the listener in a cocktail party paradigm. The temporal response function (TRF) method was employed to reveal how the listener was coupled to the speaker at the neural level. The results showed that the neural coupling between the listener and the attended speaker peaked 5 seconds before speech onset at the delta band over the left frontal region, and was correlated with speech comprehension performance. In contrast, the attentional processing of speech acoustics and semantics occurred primarily at a later stage after speech onset and was not significantly correlated with comprehension performance. These findings suggest that our human brain might have adopted a predictive mechanism to achieve speaker-listener neural coupling for successful speech comprehension. Three key points Listener’s EEG signals coupled to the speaker’s 5 s before the speech onset, which revealed a “beyond the stimulus” attentional modulation. Speaker-listener attentional coupling is correlated to the listener’s comprehension performance, but the speech-listener’s coupling didn’t. The implementation of temporal response function methods and the neural language methods yielded novel perspectives to the analysis of the inter-brain studies.

Abstract Recent research has extensively reported the phenomenon of inter-brain neural coupling between speakers and listeners during speech communication. Yet, the specific speech processes underlying this neural coupling remain elusive. To bridge this gap, this study estimated the correlation between the temporal dynamics of speaker–listener neural coupling with speech features, utilizing two inter-brain datasets accounting for different noise levels and listener’s language experiences (native vs. non-native). We first derived time-varying speaker–listener neural coupling, extracted acoustic feature (envelope) and semantic features (entropy and surprisal) from speech, and then explored their correlational relationship. Our findings reveal that in clear conditions, speaker–listener neural coupling correlates with semantic features. However, as noise increases, this correlation is only significant for native listeners. For non-native listeners, neural coupling correlates predominantly with acoustic feature rather than semantic features. These results revealed how speaker–listener neural coupling is associated with the acoustic and semantic features under various scenarios, enriching our understanding of the inter-brain neural mechanisms during natural speech communication. We therefore advocate for more attention on the dynamic nature of speaker–listener neural coupling and its modeling with multilevel speech features.

Abstract Classroom is the primary site for learning. One important feature of classroom learning is its organization into different disciplines. While disciplinary differences could substantially influence students’ learning processes, little is known about the neural mechanism underlying successful disciplinary learning. In the present study, wearable EEG devices were used to record a group of high school students during their classes of a soft (Chinese) and a hard (Math) discipline throughout one semester. The students with higher learning outcomes in Chinese were found to have better inter-brain neural couplings with their excellent peers, whereas the students with higher Math outcomes were found to have better couplings with the class average. Moreover, the inter-brain couplings showed distinct dominant frequencies for the two disciplines. Our results illustrate disciplinary differences in successful learning from an inter-brain perspective and suggest the neural activities of excellent peers and class average as exemplars for soft and hard disciplines. Teaser Successful classroom learning is associated with distinct inter-brain coupling patterns for soft and hard disciplines

Abstract Learning-related attention is one of the most important factors influencing learning. While technologies have enabled the automatic detection of students’ attention levels, previous studies mainly focused on colleges or high schools, lacking further validations in primary school students. More importantly, the detected attention might fail to be learning-related if students did not attend learning tasks (e.g., the attention level of a student who reads comics secretly during classroom learning). This phenomenon poses challenges to the practical application of automatic attention detection, especially in the primary school stage, which is crucial for students to set up learning attitudes/strategies. Inspired by the emerging inter-person perspective in neuroscience, we proposed an inter-brain attention coupling method to detect learning-related attention as an extension to the existing single-person-based method. To test this method, wearable electroencephalogram (EEG) devices were used to monitor students’ attention levels in a class of primary school students during classroom learning. We found that one’s inter-brain attention coupling, defined as the degree to which an individual student’s attention dynamics match the attention dynamics averaged across classmates, was positively correlated with academic performance: higher performances are associated with higher coupling to the class-average attention dynamics. Moreover, the attention detection framework based on the inter-person perspective outperforms as an indicator of academic performance compared with the widely-used attention level within an individual. The results provide practical insights by extending the applications of detected attention levels from an inter-person perspective and demonstrating its feasibility in monitoring learning-related attention among primary school students.

Abstract Electroencephalography (EEG) microstates are canonical voltage topographies that reflect the temporal dynamics of resting-state brain networks on a millisecond time scale. Changes in microstate parameters have been described in patients with psychiatric disorders, indicating their potential as clinical biomarkers with broadband EEG signals (e.g., 1–30 Hz). Considering the distinct information provided by specific frequency bands, we hypothesized that microstates in decomposed frequency band could provide a more detailed depiction of the underlying psychological mechanism. In this study, with a large open access resting-state dataset (n = 203), we examined the properties of frequency-specific microstates and their relationship with emotional disorders. We conducted clustering on EEG topographies in decomposed frequency band (delta, theta, alpha and beta), and determined the number of clusters with a meta-criterion. Microstate parameters, including global explained variance (GEV), duration, coverage, occurrence and transition probability, were calculated for eyes-open and eyes-closed states, respectively. Their predictive power for the scores of depression and anxiety symptoms were identified by correlation and regression analysis. Distinct microstate patterns were observed across different frequency bands. Microstate parameters in the alpha band held the best predictive power for emotional symptoms. Microstates B (GEV, coverage) and parieto-central maximum microstate C’ (coverage, occurrence, transitions from B to C’) in the alpha band exhibited significant correlations with depression and anxiety, respectively. Microstate parameters of the alpha band achieved predictive R-square of 0.100 for anxiety scores, which is much higher than those of broadband (R-square = -0.026, p < .01). These results suggested the value of frequency-specific microstates in predicting emotional symptoms.

Abstract Student-teacher interactions are fundamental to educational success. Leveraging advancements in hyperscanning technology, this study employs longitudinal EEG data to examine the causal effects of student-teacher inter-brain coupling on academic achievements. The findings indicate that enhanced coupling in the high-beta frequency band can positively predict improved academic performance in both Chinese and math subjects. Our analysis also suggests that student-teacher coupling has a unique and significant predictive advantage for Chinese achievement compared to inter-brain coupling among students. This study underscores the causal impact of student-teacher inter-brain coupling on learning based on robust evidence from real classroom settings, confirming its ecological validity.

While human speech comprehension is thought to be an active process that involves top-down predictions, it remains unclear how predictive information is used to prepare for the processing of upcoming speech information. We aimed to identify the neural signatures of preparatory processing of upcoming speech. Participants selectively attended to one of two competing naturalistic, narrative speech streams, and a temporal response function method was applied to derive event-related-like neural responses from electroencephalographic data. Regression analysis revealed that neural signatures with latencies as early as -450 ms prior to speech onset were significantly correlated with speech comprehension performance. The preparatory process involved a distributed network. These preparatory signatures were attention dependent; activity prior to the attended speech was negatively correlated with comprehension performance, whereas the opposite was found for unattended speech. Our findings suggest that attention plays an important role in the preparation to process upcoming speech.

The assessment of personality is crucial not only for scientific inquiries but also for real-world applications such as personnel selection. However, most existing ways to quantify personality traits rely on self-reported scales, which are susceptible to biases such as self-presentational concerns. In this study, we propose and evaluate a novel implicit measure of personality that uses machine learning (ML) algorithms to predict an individual’s levels in the Big Five personality traits from 5 minutes of electroencephalography (EEG) recordings. Results from a large test sample of 196 volunteers indicated that the personality scores derived from the proposed measure converged significantly with a commonly used questionnaire, predicted behavioral indices and psychological adjustment in a manner similar to self-reported scores, and were relatively stable across time. These evaluations suggest that the proposed measure can serve as a viable alternative to conventional personality questionnaires in practice.

The phase of neural oscillatory activity aligns to the predicted onset of upcoming stimulation. Whether such phase alignments represent phase resets of underlying neural oscillations or just rhythmically evoked activity, and whether they can be observed in a rhythm-free visual context, however, remains unclear. Here, we recorded the magnetoencephalogram while participants were engaged in a temporal prediction task judging the visual or tactile reappearance of a uniformly moving stimulus. The prediction conditions were contrasted with a control condition to dissociate phase adjustments of neural oscillations from stimulus-driven activity. We observed stronger delta band inter-trial phase consistency (ITPC) in a network of sensory, parietal and frontal brain areas, but no power increase reflecting stimulus-driven or prediction-related processes. Delta ITPC further correlated with prediction performance in the cerebellum and visual cortex. Our results provide evidence that phase alignments of low-frequency neural oscillations underlie temporal predictions in a non-rhythmic visual and crossmodal context.