二十八名达特茅斯学生参加了这项研究，分为两组：工科学生和新手。工程专业的学生至少参加过一门机械工程课程和一门高级物理课程，而新手则没有参加任何大学水平的工程或物理课程。该研究由三个测试组成，重点是如何构建结构并评估参与者对牛顿第三定律的理解-对于每个动作都存在相同且相反的反应。牛顿第三定律通常用于描述运动中物体的相互作用，但它也适用于静止或不动的物体：静态结构中的所有力都需要处于平衡状态，

在研究开始时，向参与者简要介绍了机械工程中不同类型的力。在fMRI扫描仪中，他们被呈现了真实世界结构(桥梁，灯柱，建筑物等)的图像，并被要求思考给定结构中的力如何平衡以保持结构平衡。然后，提示参与者具有相同结构的后续图像，其中表示力的箭头覆盖在结构上。要求参与者确定在该图中是否正确标记了牛顿力。工程专业学生(中级学习者)正确回答了75%的图表并且表现优于新手，他们正确回答了53.6%。

在fMRI会议之前，还要求参与者完成两项标准化的多项选择测试，以测量其他机械工程和物理知识。对于这两项测试，工科学生的得分显着高于初学者，分别为50.2%和16.9%，79.3%和35.9%。

在认知神经科学中，关于信息如何存储在大脑中的研究通常依赖于对组内参与者的数据进行平均，然后将其结果与来自另一组(例如专家与新手)的结果进行比较。在这项研究中，达特茅斯研究人员希望设计一种数据驱动的方法，该方法可以仅基于大脑活动产生个体“神经评分”，而无需指定参与者属于哪一组。该团队创建了一种称为信息网络分析的新方法，这种机器学习算法“产生了显着预测个体性能差异的神经分数”，测试了特定STEM概念的知识。为了验证神经评分方法，研究人员比较了每个学生他/她在三项测试中表现的神经评分。结果表明，神经分数越高，学生在概念知识测试中得分越高。

“在研究中，我们发现当工程专业学生观察现实世界结构的图像时，学生会自动应用他们的工程知识，并会看到结构之间的差异，例如它是悬臂，桁架还是垂直荷载，”Kraemer解释道。“基于大脑活动模式的相似性，我们的机器学习算法方法能够区分这些机械类别之间的差异，并生成反映这种潜在知识的神经分数。这里的想法是工程师和新手会看到不同的东西他们看一张结构的照片，我们正在接受这种差异，“他补充道。

研究发现，虽然工程专业学生和初学者在应用关于工程学的概念知识时都使用视觉皮层，但他们使用大脑的其他部分来处理相同的视觉图像。与先前的研究一致，结果表明，工科学生的概念知识与几个大脑区域的活动模式相关，包括有助于实现空间认知的背侧额顶网络，以及与视觉对象识别有关的腹侧枕颞皮层区域。和类别识别。

信息网络分析也可以有更广泛的应用，因为它可以用来评估不同教学方法的有效性。该研究团队目前正在测试动手实验室与虚拟实验室之间的比较，以确定这两种方法是否能够随着时间的推移更好地学习和保留知识。