مقالة بحثية

تقييم قائم على المحاكاة لتصميم تعليم بصري متكامل مع الذكاء الاصطناعي لتعزيز الصحة النفسية في مساقات الموسيقى الجامعية

10 مشاهدة

⸱

DOI:

10.3791/71847

⸱

أكتوبر 6, 2026

1Music Department, Anqing Normal University

في هذه المقالة

ملخص

تقترح هذه الدراسة إطار عمل ذكاءً للمنهج العاطفي القائم على الرسوم البيانية للتدريس المرئي المدعوم بالذكاء الاصطناعي في تعليم الموسيقى بالجامعات. وباستخدام مجموعة بيانات قائمة على المحاكاة، يقوم إطار العمل بنمذجة اكتساب المعرفة، والديناميكيات العاطفية، والتفاعل. وتشير النتائج إلى تحسن في كفاءة التعلم وانخفاض في مستويات التوتر مقارنة بالنماذج التقليدية، مما يثبت إمكانية تطوير أنظمة تعليمية تكيفية تراعي الصحة النفسية.

الملخص

لقد جذب تصميم التدريس المرئي في التعليم الموسيقي الجامعي اهتماماً متزايداً نظراً لقدرته على تعزيز تفاعل الطلاب وتعزيز الصحة النفسية. ومع ذلك، غالباً ما تفتقر النهج التعليمية التقليدية إلى القابلية للتكيف اللازمة للاستجابة للحالات المعرفية والعاطفية المتطورة للمتعلمين، مما يحد من فعاليتها في دعم كل من التحصيل الأكاديمي والتوازن النفسي. الهدف الرئيسي من هذه الدراسة القائمة على المحاكاة هو تطوير وتقييم إطار عمل مدعوم بالذكاء الاصطناعي يدمج استراتيجيات التدريس المرئي مع النمذجة العاطفية القائمة على الرسوم البيانية لتحسين نتائج التعلم في المساقات الموسيقية الجامعية. تم اقتراح إطار عمل ذكاء المناهج العاطفية القائم على الرسوم البيانية (GECIF)، والذي يمثل بيئة التعلم كرسم بياني مترابط من عقد المعرفة والنشاط والعاطفة. يتضمن إطار العمل تعلم التمثيل القائم على الرسوم البيانية، ونمذجة الحالة الديناميكية، وآليات التعلم التكيفي لمحاكاة تطور اكتساب المعرفة والتفاعل والاستقرار العاطفي والتوتر بمرور الوقت. تم إنشاء مجموعة بيانات اصطناعية تضم سجلات التفاعل والمؤشرات العاطفية ومتغيرات أداء التعلم من خلال مسار محاكاة محكوم قائم على MATLAB لضمان إمكانية التكرار. تم تقييم GECIF مقابل نموذج أساسي تقليدي غير تكيفي في ظل ظروف تجريبية متطابقة عبر خطوات محاكاة معيارية. تم تقييم الأداء باستخدام مقاييس محاكاة معيارية، بما في ذلك اكتساب المعرفة، والاستقرار العاطفي، وتقليل التوتر، ومستوى التفاعل، والمتانة. تفوق إطار العمل المقترح باستمرار على النموذج الأساسي، حيث أظهر اكتساباً معرفياً محاكياً أعلى، وتنظيماً عاطفياً محسناً، وتفاعلاً أكبر، وتوتراً محاكياً أقل، ومتانة معززة. وأكد التحليل الإحصائي القائم على القيم المتوسطة والانحرافات المعيارية وفترات الثقة 95% وجود تحسينات ثابتة عبر جميع مقاييس التقييم. توضح هذه النتائج إمكانات استراتيجيات التدريس المرئي المعتمدة على الذكاء الاصطناعي والواعية بالعواطف في التعليم الموسيقي التكيفي، مع توفير إطار عمل حوسبي قابل للتوسع والتكرار لدعم الأبحاث المستقبلية في الأنظمة التعليمية الذكية.

المقدمة

لقد أدى دمج الذكاء الاصطناعي (AI) في الأنظمة التعليمية إلى تحويل نماذج التدريس التقليدية بشكل كبير، مما أتاح تجارب تعلم أكثر تكيفاً وتخصيصاً وقائمة على البيانات1,2,3. وفي السنوات الأخيرة، ظهر تصميم التدريس البصري كنهج تربوي فعال، خاصة في تخصصات مثل التربية الموسيقية، حيث تلعب المفاهيم المجردة والتعبير العاطفي والفهم الإدراكي دوراً مركزياً4,5,6,7. وتعمل التمثيلات البصرية، بما في ذلك الواجهات الرسومية والمحاكاة التفاعلية وعناصر الوسائط المتعددة، على تسهيل المعالجة المعرفية الأعمق وتعزيز تفاعل المتعلمين8,9,10,11. ومع ذلك، وعلى الرغم من هذه التطورات، لا تزال طرق التدريس البصري الحالية في الغالب ثابتة وتفتقر إلى القدرة على الاستجابة ديناميكياً للحالات المعرفية والعاطفية المتطورة للمتعلمين12,13,14. وتفرض التربية الموسيقية، خاصة على المستوى الجامعي، تحديات فريدة بسبب طبيعتها متعددة الأبعاد بطبيعتها15,16,17. ولا تتأثر نتائج التعلم بالفهم المعرفي للنظرية الموسيقية وتقنيات الأداء فحسب، بل تتأثر أيضاً بعوامل عاطفية مثل الدافع والتوتر والتفاعل والرفاه النفسي18. وقد سلطت الدراسات السابقة الضوء على العلاقة القوية بين الحالات العاطفية وفعالية التعلم، مما يشير إلى أن الطلاب الذين يعانون من مستويات عالية من التوتر أو انخفاض في التفاعل يميلون إلى إظهار تراجع في الأداء الأكاديمي19,20,21. وبينما تم اقتراح العديد من الأنظمة التعليمية القائمة على الذكاء الاصطناعي لتعزيز تخصيص التعلم، فإن معظمها يركز بشكل أساسي على مقاييس الأداء المعرفي ويغفل الدور الحاسم للديناميكيات العاطفية في تشكيل عملية التعلم22.

أدت التطورات الأخيرة في أنظمة التعلم الذكية إلى تقديم تمثيلات قائمة على الرسوم البيانية وتقنيات التعلم العميق لنمذجة العلاقات المعقدة بين المكونات التعليمية23,24,25. وقد أظهرت أطر التعلم القائمة على الرسوم البيانية، بما في ذلك الشبكات العصبية الرسومية (GNNs)، قدرات قوية في رصد التبعيات الهيكلية بين عناصر المعرفة، وتفاعلات المتعلمين، والعوامل السياقية26. بالإضافة إلى ذلك، حظيت الحوسبة المدركة للعواطف بالاهتمام لقدرتها على دمج الإشارات النفسية في بيئات التعلم التكيفية27. ومع ذلك، لا يزال دمج هذه النهج ضمن إطار عمل موحد لتعليم الموسيقى محدوداً28,29,30. وغالباً ما تتعامل الأعمال الحالية مع المتغيرات العاطفية كميزات مساعدة بدلاً من كونها مكونات أساسية، ونادراً ما توفر آليات للتكيف المستمر بناءً على التفاعل بين الإدراك والعاطفة31.

علاوة على ذلك، اعتمد تطبيق الذكاء الاصطناعي في التعليم المراعي للصحة النفسية بشكل أساسي على البيانات التجريبية أو البيانات القائمة على المستشعرات التي تم جمعها من مشاركين حقيقيين32. ومع ذلك، تتطلب هذه النهج موافقات أخلاقية واسعة، وأدوات قياس معيارية، وظروفاً تجريبية محكومة، وهو ما قد لا يكون متاحاً دائماً في المراحل المبكرة من البحث33. ونتيجة لذلك، ظهرت المنهجيات القائمة على المحاكاة كبديل لاستكشاف الديناميكيات التعليمية المعقدة بطريقة محكومة وقابلة للتكرار34. ومن خلال إنشاء مجموعات بيانات اصطناعية تحاكي سجلات التفاعل، والمؤشرات العاطفية، ومقاييس أداء التعلم، يمكن للباحثين تقييم سلوك النماذج المقترحة في ظل سيناريوهات مختلفة مع الحفاظ على التحكم الكامل في معلمات النظام والافتراضات35.

على الرغم من هذه التطورات، لا تزال هناك عدة فجوات بحثية36. أولاً، هناك نقص في الأطر الموحدة التي تضع نموذجاً متزامناً لاكتساب المعرفة، والتطور العاطفي، والانخراط في التعلم ضمن تمثيل هيكلي37. ثانياً، لا تستفيد أنظمة التدريس المرئية الحالية بشكل فعال من الذكاء القائم على الرسوم البيانية لالتقاط الترابطات بين المفاهيم الموسيقية، وأنشطة التعلم، والحالات النفسية38. ثالثاً، تم إيلاء اهتمام محدود لتطوير مسارات محاكاة قابلة للتطوير والتكرار تسمح بالتقييم المنهجي للنماذج التعليمية القائمة على الذكاء الاصطناعي39,40,41. وأخيراً، غالباً ما تخفق النهج الحالية في تقديم رؤية شاملة للتعلم تدمج الأبعاد المعرفية والعاطفية معاً بطريقة تكيفية ديناميكية42.

لمواجهة هذه التحديات، تقترح هذه الدراسة إطار عمل ذكاء المناهج العاطفية القائم على الرسوم البيانية (GECIF) لتصميم التدريس المرئي المدعوم بالذكاء الاصطناعي في التعليم الموسيقي الجامعي. يقدم الجدول 1 تعريفات أساسية لمكونات الرسم البياني، وحالات العقد، ومعلمات النموذج. يضمن هذا الجدول أن تكون المنهجية واضحة وقابلة للتكرار. يمثل إطار العمل المقترح البيئة التعليمية كرسم بياني مترابط يتكون من عقد معرفية، وعقد أنشطة، وعقد عاطفية، مما يتيح تمثيلاً شاملاً لديناميكيات التعلم. يتم إنشاء مجموعة بيانات قائمة على المحاكاة باستخدام مسار حوسبة مضبوط يتضمن سجلات التفاعل، والمؤشرات العاطفية، ومقاييس الأداء، مما يضمن القابلية للتكرار والتوسع. يدمج إطار العمل آليات التعلم التكيفي، ونمذجة الحالة العاطفية، والتحسين القائم على الرسوم البيانية لمحاكاة تطور مخرجات التعلم والحالات النفسية بمرور الوقت. ويتم إجراء تقييم مقارن مقابل نموذج تعلم تقليدي باستخدام مقاييس أداء متعددة، بما في ذلك اكتساب المعرفة، والاستقرار العاطفي، وتقليل التوتر، والمشاركة، والمتانة.

الهدف الرئيسي من هذه الدراسة هو تطوير وتقييم إطار تدريس بصري قائم على المحاكاة ومدعوم بالذكاء الاصطناعي، يدمج بين النمذجة القائمة على الرسوم البيانية والذكاء العاطفي لتعزيز كفاءة التعلم ودعم التعليم الواعي بالصحة النفسية في مساقات الموسيقى الجامعية.

البروتوكول

تعد هذه الدراسة بحثاً قائماً على الحوسبة والمحاكاة، وهي لا تتضمن مشاركين بشريين أو بيانات سريرية أو معلومات شخصية. وقد تم توليد جميع البيانات المستخدمة في هذا البحث اصطناعياً من خلال عمليات محاكاة مضبوطة. وبناءً على ذلك، لم تكن هناك حاجة للحصول على موافقة أخلاقية من مجلس مراجعة مؤسسي أو موافقة مستنيرة. تلتزم الدراسة بالإرشادات القياسية للبحوث الحوسبية وتضمن القابلية الكاملة لتكرار المنهجية وشفافيتها.

الإطار النظري والأساس المنطقي

يرتكز إطار ذكاء المناهج العاطفية القائم على الرسوم البيانية المقترح (GECIF) على دمج الذكاء الاصطناعي، والتعلم القائم على الرسوم البيانية، والحوسبة العاطفية، والبيداغوجيا البصرية، بهدف نمذجة التعلم كعملية ديناميكية ومتعددة الأبعاد ترصد في آن واحد التطور المعرفي، والتطور العاطفي، والمشاركة السلوكية. وغالباً ما تفترض المناهج التعليمية التقليدية تقدماً خطياً في اكتساب المعرفة، ولا تعكس بشكل كافٍ التفاعلات المعقدة بين الأداء المعرفي والحالات النفسية. ويُعد هذا القصور حرجاً بشكل خاص في تعليم الموسيقى الجامعي، حيث لا يمكن فصل التعبير العاطفي والدافعية والإبداع عن التعلم التقني والنظري. وفي هذا السياق، يتصور الإطار العملية التعليمية كنظام مترابط تؤثر فيه عناصر المعرفة وأنشطة التعلم والحالات العاطفية على بعضها البعض بشكل مستمر. تتيح النمذجة القائمة على الرسوم البيانية تمثيلاً هيكلياً وقابلاً للتوسع لهذه العلاقات، مما يسمح برصد التبعيات المباشرة وغير المباشرة بفعالية. كما تم دمج الديناميكيات العاطفية كمكونات جوهرية بدلاً من كونها متغيرات مساعدة، مما يسمح بمحاكاة كيفية تطور الحالات النفسية وانتشارها أثناء عملية التعلم. ويعزز دمج تصميم التدريس البصري من القابلية للتفسير عن طريق تحويل التفاعلات الحسابية المجردة إلى تمثيلات رسومية بديهية.

المنهجية وتصميم دراسة المحاكاة

تعتمد هذه الدراسة تصميماً قائماً على المحاكاة الحاسوبية، حيث لا يشارك فيها أي متطوعين بشريين، ويتم توليد جميع البيانات اصطناعياً من خلال مسار عمل منضبط وقابل للتكرار. وبناءً على ذلك، فإن النتائج الواردة تمثل تقييمات قائمة على النماذج وليست ملاحظات تجريبية مستمدة من متعلمين حقيقيين. ويتم تفسير التحسينات في أداء التعلم، والمشاركة، والاستقرار العاطفي، وتقليل التوتر على أنها تأثيرات محاكاتية أو محتملة للإطار المقترح. وتعمل بيئة المحاكاة على تقريب ظروف التعلم الواقعية من خلال دمج التبعيات الزمنية، والتباين في أنماط التفاعل، والحالات العاطفية المتطورة. كما تم تنفيذ تكوين تجريبي مقارن يتم فيه تقييم إطار GECIF المقترح مقابل نموذج أساسي تقليدي يمثل نظام تعلم غير تكيفي، حيث تتطور المعرفة فيه بناءً على كثافة التفاعل فقط دون تمثيل قائم على الرسوم البيانية، أو نمذجة عاطفية، أو تحسين للمنهج الدراسي. وقد تم تشغيل كلا النموذجين تحت ظروف محاكاة متطابقة لضمان إجراء مقارنة متسقة وغير متحيزة.

إنشاء وبنية مجموعة البيانات

تم إنشاء مجموعة بيانات واسعة النطاق لمحاكاة ديناميكيات التعلم في التعليم الموسيقي الجامعي من خلال دمج سجلات التفاعل، والمؤشرات العاطفية، ومقاييس أداء التعلم ضمن إطار زمني موحد. اشتُقت مجموعة البيانات هذه ووُسعت من مجموعة بيانات أداء الطلاب المتاحة للعموم (UCI Machine Learning Repository)، والتي توفر بيانات الأداء الأكاديمي إلى جانب السمات الديموغرافية والسلوكية. وقد عملت هذه المجموعة كمرجع أساسي لنمذجة أنماط تعلم واقعية. تمثل سجلات التفاعل مشاركة محاكاة في أنشطة التعلم مثل جلسات التدريب، وتمارين الاستماع، ومهام التعلم البصري. وترصد المؤشرات العاطفية الحالات النفسية، بما في ذلك التوتر والمشاركة والدافعية، بينما يعكس أداء التعلم اكتساب المعرفة والتقدم بمرور الوقت. ولإثراء مجموعة البيانات ودمج التبعيات الزمنية، تم استخدام مسار محاكاة قائم على برنامج MATLAB مع تهيئة ثابتة للبذور العشوائية لضمان القابلية للتكرار. كما أُدخل الاستمرار الزمني من خلال عمليات الانحدار الذاتي، مما سمح لسلوك التفاعل والحالات العاطفية بالتطور تدريجيًا بمرور الوقت. وتتضمن مجموعة البيانات النهائية ألف متعلم محاكى تمت مراقبتهم على مدار خمسمائة خطوة زمنية، مع ميزات تفاعل متعددة تمثل سلوكيات تعلم متنوعة. تم تطبيع جميع المتغيرات ضمن النطاق [0,1] لضمان الاتساق والقابلية للمقارنة. كما قُسمت مجموعة البيانات إلى مجموعات فرعية للتدريب والتحقق والاختبار بنسبة تقسيم 70%–15%–15% لضمان تقييم غير متحيز للنموذج.

بناء الرسوم البيانية وتمثيلها

يتم تمثيل بيئة التعلم على شكل رسم بياني موزون مُعرَّف كما يلي:

G = (V,E,W)  (1)

حيث تشير إلى مجموعة العقد، وتمثل مجموعة الحواف، و هي مصفوفة التجاور الموزونة التي تصف قوة العلاقات بين العقد. يتم تفكيك مجموعة العقد على النحو التالي:

V = Vk∪Va∪Ve  (2)

حيث تشير Vk و Va و Ve إلى عقد المعرفة، وعقد النشاط، والعقد العاطفية، على التوالي. ويتم حساب أوزان الحواف كما يلي:

Wij = α Sc(i,j) + βSe(i,j)  (3)

حيث تمثل Sc(i,j) التشابه المعرفي بين العقد، وتمثل Se(i,j) الارتباط العاطفي، بينما α و β هما معاملا وزن يتحكمان في تأثيرهما النسبي. تحدد المعادلة (3) كيف تحدد العلاقات الهيكلية والعاطفية معاً مدى اتصال الرسم البياني.

تمثيل حالة العقدة وتعلم الرسوم البيانية

ترتبط كل عقدة بمتجه حالة ديناميكي مُعرَّف على النحو التالي:

xi(t) = [ki(t),ei(t),ai(t)]  (4)

أين كi(t)، ei(ت)، و ai(ت) تحديد مستوى المعرفة، والحالة العاطفية، ومستوى التفاعل في ذلك الوقت ت، على التوالي. يتم تحديث تمثيلات العقد باستخدام التجميع القائم على المخطط:

figure-protocol-1   (5)

حيث تمثل figure-protocol-2 تضمين العقدة i في الطبقة l، و σ هي دالة تنشيط غير خطية، بينما يشير N(i) إلى مجموعة العقد المجاورة. تصف المعادلة (5) كيفية دمج كل عقدة للمعلومات الواردة من جيرانها. علاوة على ذلك، تم تقديم آلية انتباه:

figure-protocol-3     (6)

حيث  αij هو معامل الانتباه و ∅(·) هي دالة التشابه. وتتيح المعادلة (6) وزناً تكيفياً لمساهمات العقد المجاورة.

نمذجة الديناميكيات العاطفية

يتم نمذجة التطور الزمني للحالات العاطفية على النحو التالي:

figure-protocol-4     (7)

حيث تمثل  γ معامل الاستبقاء العاطفي. وتجسد المعادلة (7) كلاً من استمرارية التأثير العاطفي وانتشاره. ويتم قياس الاستقرار العاطفي على النحو التالي:

figure-protocol-5    (8)

حيث يشير E+(t)  و E-(t)  إلى المكونات العاطفية الإيجابية والسلبية، و figure-protocol-6  هو ثابت صغير يمنع القسمة على صفر. ويُعرَّف تراكم الإجهاد على أنه:

figure-protocol-7     (9)

حيث تمثل  λ(τ) شدة الإجهاد اللحظي. وتعمل المعادلة (9) على نمذجة الإجهاد التراكمي بمرور الوقت.

تحسين التعلم وتصميم المناهج التكيفية

تخضع عملية التعلم لدالة تحسين متعددة الأهداف:

J = λ1K + λ2K - λ3S  (10)

أين K يشير إلى اكتساب المعرفة، هـ يشير إلى الاستقرار العاطفي، و S تشير إلى مستوى الإجهاد، بينما λ1, λ2, λ3 هي معاملات ترجيح. توازن المعادلة (10) بين الأهداف المعرفية والعاطفية. ويُعرَّف إعادة توصيل المنهج التكيفي على أنه:

Wij(t + 1) = Wij(t) + ηΔij(t)  (11)

حيث η  هو معدل التعلم و Δij(t) يمثل تعديلات التحديث المدفوعة بديناميكيات التعلم. تتيح المعادلة (11) تطور بنية الرسم البياني بمرور الوقت.

المقياس الزمني ومدة المحاكاة

تُجرى جميع عمليات المحاكاة باستخدام خطوات زمنية مُطبعة بدلاً من وحدات الزمن الحقيقي. حيث تقابل الفترات القصيرة خطوات محاكاة مُقاسة تمثل تطور النظام، بينما تُستخدم عمليات المحاكاة الممتدة التي تتجاوز خمس مئة خطوة لتقييم السلوك طويل الأمد، والتقارب، والمتانة.

مقاييس التقييم والتحليل الإحصائي

يتم تقييم الإطار باستخدام مقاييس معيرة، تشمل اكتساب المعرفة، والاستقرار العاطفي، ومستوى التوتر، ومستوى التفاعل، والمتانة. ويُجرى التحليل الإحصائي باستخدام الدوال الإحصائية في برنامج MATLAB، مع حساب القيم المتوسطة، والانحرافات المعيارية، وفترات الثقة 95% لكل مقياس. كما يتم التحقق من افتراضات التوزيع الطبيعي قبل تطبيق اختبارات t المقترنة. وأُجري التقييم المقارن بين الإطار المقترح والنموذج المرجعي على n = 1000 من المتعلمين المحاكات، مع تحديد الدلالة الإحصائية عند p < 0.05.

تفاصيل إعادة الإنتاج والتنفيذ

تعد جميع عمليات المحاكاة، ومسارات معالجة البيانات، وإجراءات التقييم قابلة للتكرار بشكل كامل. وقد تم تحديد عملية توليد مجموعة البيانات، ومعايير بناء الرسم البياني، وتكوينات النموذج، وإعدادات التحسين بشكل صريح. كما تم تثبيت تهيئة البذور العشوائية لضمان اتساق المخرجات عبر عمليات التشغيل المتكررة. تتوفر جميع المعلمات الفائقة والبرامج النصية وأوصاف مجموعة البيانات في المواد التكميلية، مما يتيح التكرار الكامل للدراسة باستخدام MATLAB أو الأدوات الحسابية المكافئة.

جميع عمليات المحاكاة، ومسارات معالجة البيانات، ونصوص التقييم البرمجية متوفرة في الملف التكميلي 1. وتتضمن مجموعة البيانات سجلات التفاعل الخام، والمؤشرات العاطفية، ومقاييس أداء التعلم. كما تم توثيق معاملات بناء الرسوم البيانية وإعدادات التحسين بشكل كامل. ويمكن إعادة إنتاج النظام باستخدام أطر تعلم الآلة القياسية. وقد تم تثبيت تهيئة البذرة العشوائية لضمان الاتساق. كما تم ذكر جميع المعاملات الفائقة صراحةً. ويضمن هذا البروتوكول الشفافية الكاملة وقابلية إعادة الإنتاج.

النتائج

تم تقييم أداء إطار ذكاء المناهج العاطفية القائم على الرسم البياني المقترح (GECIF) باستخدام مجموعة بيانات قائمة على المحاكاة تتكون من n = 1000 متعلم على مدى T = 500 خطوة زمنية معيّرة. يوضح الشكل 1 البنية المفاهيمية لـ GECIF المخصص للتعليم الموسيقي البصري المدعوم بالذكاء الاصطناعي وتعزيز الصحة النفسية. تم تسجيل جميع المقاييس على مقاييس معيّرة ضمن النطاق [0,1]. ويتضمن التقييم الإحصائي القيم المتوسطة، والانحرافات المعيارية (SD)، وفترات الثقة 95% (CI)، مع تقييم الدلالة الإحصائية باستخدام اختبارات t المزدوجة (p < 0.05). وقد حُسبت جميع المقارنات عبر مجتمع المحاكاة الكامل. يوضح الشكل 2 ديناميكيات التدريب وسلوك اكتساب المعرفة للإطار المقترح مقارنة بالنموذج المرجعي. حقق إطار GECIF اكتساباً معرفياً قدره 0.88 ± 0.04 (95% CI: 0.84–0.92)، بينما حقق النموذج المرجعي 0.65 ± 0.06 (95% CI: 0.59–0.71)، مع وجود فرق دال إحصائياً (p < 0.001). ويظهر منحنى التعلم معدل نمو أكثر حدة وتقارباً مستقراً دون سلوك تذبذبي.

يوضح الشكل 3 التطور الزمني للاستقرار العاطفي. يحقق الإطار المقترح مؤشر استقرار عاطفي يبلغ 0.92 ± 0.03، مقارنة بـ 0.70 ± 0.05 في النموذج المرجعي (p < 0.01). كما انخفض التباين، حيث لوحظت قيم انحراف معياري أقل بمرور الوقت. ويظهر الشكل 4 ديناميكيات التوتر بمرور الوقت؛ حيث يحافظ النموذج المقترح على مستوى توتر أقل يبلغ 0.15 ± 0.05، مقارنة بـ 0.45 ± 0.07 للنموذج المرجعي (p < 0.001). ويظل معدل التراكم أقل باستمرار طوال مدة المحاكاة. ويقدم الشكل 5 توزيع أداء التعلم عبر المتعلمين، حيث يظهر الإطار المقترح توزيعاً يتمركز حول قيم أعلى مع تشتت أقل مقارنة بالنموذج المرجعي، مما يشير إلى انخفاض التباين في النتائج. ويوضح الشكل 6 تطور تضمينات العقد (node embeddings) داخل الرسم البياني، حيث تظهر تمثيلات السمات انتقالات مستمرة عبر التكرارات، دون ملاحظة أي تغيرات مفاجئة، مما يشير إلى تحديثات مستقرة. ويظهر الشكل 7 قوة التفاعل بين عقد المعرفة والنشاط والعواطف، حيث تكشف الخريطة الحرارية عن ارتباطات ذات دلالة إحصائية (p < 0.05) عبر فئات العقد، وبمقادير تفاعل متفاوتة.

الشكل 8 يُظهر العلاقة بين اكتساب المعرفة المُطبع والاستقرار العاطفي طوال عملية التعلم المحاكية. ويُظهر إطار عمل GECIF المقترح ارتباطاً إيجابياً قوياً بين المتغيرين (r = 0.82)، مقارنة بارتباط إيجابي متوسط لوحظ في النموذج المرجعي التقليدي (r = 0.65). وكان كلا الارتباطين دالين إحصائياً (p < (0.05)، مما يشير إلى أن التحسينات في اكتساب المعرفة يصاحبها تعزيز في الاستقرار العاطفي، وهو ما يعكس التكامل المتوازن بين التطور المعرفي والتنظيم العاطفي الذي حققه الإطار المقترح. الشكل 9 يوضح المساهمة المشتركة للمكونات المعرفية والعاطفية بمرور الوقت. تزداد قيم المعرفة تدريجيًا، بينما ينخفض التباين العاطفي، مع ملاحظة اتجاهات ثابتة عبر جميع خطوات المحاكاة. الشكل 10 تقارن هذه الدراسة توزيعات اكتساب المعرفة التي حققها إطار عمل GECIF المقترح والخط المرجعي التقليدي باستخدام مخططات الصندوق والشوارب. وقد حقق إطار العمل المقترح متوسط اكتساب معرفة أعلى بشكل ملحوظ (9.87 ± 3.46) من النموذج التقليدي (6.90 ± 2.88)، باستخدام اختبار العينات المستقلة تـ-اختبار يؤكد وجود فرق ذو دلالة إحصائية (p < 0.0001؛ معامل كوهين (Cohen's) يرجى تقديم النص المراد ترجمته. = 1.43). وعلى الرغم من أن إطار عمل GECIF أظهر تباينًا أكبر، كما يتضح من انحرافه المعياري الأكبر ومدى ربيعيته، إلا أن التوزيع بأكمله انزاح نحو قيم أعلى في اكتساب المعرفة، مما يشير إلى أن زيادة التشتت تصاحب تحسنًا في الأداء العام بدلاً من انخفاض الاستقرار. وتثبت هذه النتائج أن إطار العمل المقترح يحافظ على أداء تعليمي قوي مع استيعابه الفعال لاستجابات المتعلمين المحاكات المتنوعة. الشكل 11 يعرض ديناميكيات التفاعل عبر الزمن. ويحقق الإطار المقترح مستوى تفاعل يبلغ 0.90 ± 0.04، مقارنة بـ 0.68 ± 0.06 للنموذج المرجعي (p < 0.01)، مع تقليل التباين. الشكل 12 يظهر سلوك التفاعل بشكل دوري. وتكون سعة التقلبات أقل في الإطار المقترح، مما يشير إلى انخفاض التباين مقارنةً بالخط المرجعي.

يوضح الشكل 13 كثافة السمات المكانية عبر الرسم البياني. ويظهر توزيع السمات تباينًا مستمرًا مع وجود قمم وقيعان محددة، مما يشير إلى أنماط تنشيط غير متجانسة. ويعرض الشكل 14 التدفق الاتجاهي لنقل المعرفة؛ حيث يظهر حقل المتجهات أنماط انتشار منظمة، مع وجود مناطق تقارب تتوافق مع تراكم أعلى للقيم. ويوضح الشكل 15 تطور طبولوجيا الرسم البياني بمرور الوقت، حيث تحدث التحديثات الهيكلية تدريجيًا، مع انتقالات سلسة في قيم السمات عبر التكرارات. ويقدم الشكل 16 تحليل الاعتماد المتبادل للسمات، حيث تشير الخريطة الحرارية للارتباط إلى علاقات متوسطة إلى قوية بين السمات، دون ملاحظة أي تكرار مهيمن. ويوضح الشكل 17 مساهمة السمات متعددة الأبعاد، حيث تختلف مستويات المساهمة عبر العقد، مما يشير إلى أنماط تأثير غير متجانسة. ويظهر الشكل 18 التطور المشترك للمعرفة والحالات العاطفية؛ إذ تزداد قيم المعرفة بثبات بينما ينخفض التباين العاطفي بمرور الوقت، مع وجود اتجاهات متسقة طوال فترة المحاكاة الكاملة. ويتم تقديم ملخص كمي لهذه النتائج في الجدول 2، حيث يتم عرض جميع المقاييس، بما في ذلك اكتساب المعرفة، والاستقرار العاطفي، ومستوى التوتر، والمشاركة، والمتانة، مع التدابير الإحصائية. وتظهر النتائج فروقًا متسقة بين الإطار المقترح والنموذج المرجعي عبر جميع المقاييس التي تم تقييمها. ويؤكد التحليل الإحصائي أن هذه الفروق ذات دلالة إحصائية عبر المجتمع الذي تمت محاكاته. وبشكل عام، تثبت نتائج المحاكاة باستمرار أن إطار GECIF المقترح يتفوق على النموذج المرجعي التقليدي عبر جميع مقاييس الأداء المعيارية التي تم تقييمها. وتدعم هذه النتائج هدف الدراسة وفرضيتها بأن دمج الذكاء العاطفي القائم على الرسم البياني مع التدريس المرئي المدعوم بالذكاء الاصطناعي يمكن أن يعزز أداء التعلم المحاكى، والاستقرار العاطفي، والمشاركة، وإدارة التوتر ضمن بيئة حاسوبية قابلة للتكرار.

توافر البيانات:

جميع البيانات والإجراءات الحسابية المستخدمة في هذه الدراسة قابلة للتكرار بالكامل ومتاحة بشكل مفتوح. يتوفر الكود الكامل لإنشاء مجموعة البيانات، بالإضافة إلى تمثيلات البيانات المهيكلة، في الملف التكميلي 1.

figure-results-1
الشكل 1: البنية المفاهيمية لإطار ذكاء المناهج العاطفية القائم على الرسوم البيانية (GECIF) للتعليم الموسيقي البصري المدعوم بالذكاء الاصطناعي وتعزيز الصحة النفسية. يوضح هذا الشكل هيكل النظام الكامل، بما في ذلك بناء مخطط المعرفة والعاطفة، وتحليل الشبكة العصبية الرسومية، وتحسين المسارات العاطفية، وإعادة صياغة المناهج التكيفية، وواجهة التعلم البصري، والتحسين متعدد الأهداف. كما يوضح كيفية دمج المكونات المعرفية والعاطفية في نظام تعلم تكيفي موحد. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-2
الشكل 2: تطور اكتساب المعرفة بموجب التعلم التكيفي القائم على الرسوم البيانية مقارنة بنموذج الأساس التقليدي. يوضح الشكل تقدم اكتساب المعرفة المُطبع عبر خطوات المحاكاة المُطبعة، مما يظهر تقارباً أسرع وكفاءة تعلم محاكاة أعلى لإطار عمل GECIF المقترح. أُجريت المقارنات الإحصائية بين النماذج المقترحة ونماذج الأساس باستخدام اختبار t المقترن عبر n = 1000 متعلم محاكى. وفي الحالات التي تظهر فيها أشرطة الخطأ، فإنها تمثل فترات الثقة 95% (95% CI) لمتوسط اكتساب المعرفة المُطبع. واعتُبرت الاختلافات ذات دلالة إحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-3
الشكل 3: التحسن الزمني للاستقرار العاطفي من خلال التكيف الذكي للمناهج الدراسية. يوضح الشكل تطور مؤشر الاستقرار العاطفي المعياري على مدى خطوات محاكاة معيارية، مما يظهر استقراراً أكثر سلاسة وانخفاضاً في التقلبات العاطفية لإطار عمل GECIF المقترح مقارنة بنموذج الأساس التقليدي. تم إجراء المقارنات الإحصائية باستخدام اختبار t المقترن عبر n = 1000 متعلم محاكى. وحيثما تظهر أشرطة الخطأ، فإنها تمثل فترات ثقة 95% (95% CI) لمتوسط مؤشر الاستقرار العاطفي المعياري. واعتُبرت الفروق ذات دلالة إحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-4
الشكل 4: خفض مستويات التوتر من خلال مسارات التعلم المدركة للعواطف. يوضح الشكل التطور الزمني لمستويات التوتر المعيارية عبر خطوات المحاكاة المعيارية، مما يظهر أن إطار عمل GECIF المقترح يحافظ على مستويات توتر محاكاة أقل وأكثر استقراراً من النموذج المرجعي التقليدي، وهو ما يشير إلى تحسن في التنظيم العاطفي طوال عملية التعلم. أُجريت المقارنات الإحصائية باستخدام اختبار t المقترن عبر n = 1000 متعلم محاكى. وتمثل أشرطة الخطأ الموضحة فترات الثقة 95% (95% CI) لمتوسط مستوى التوتر المعياري. اعتُبرت الفروق ذات دلالة إحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-5
الشكل 5: توزيع مخرجات التعلم عبر المتعلمين المحاكات. يوضح الشكل توزيع اكتساب المعرفة الموحد لإطار عمل GECIF المقترح والنموذج المرجعي التقليدي. يظهر إطار العمل المقترح توزيعاً مزاحاً نحو اكتساب معرفة موحد أعلى مع تباين أقل، بينما يتركز النموذج المرجعي عند مستويات أداء أدنى. تم إجراء المقارنات الإحصائية بين التوزيعين باستخدام اختبار t المقترن عبر n = 1000 من المتعلمين المحاكات، مع تحديد الدلالة الإحصائية عند p < 0.05. لم يتم عرض أشرطة الخطأ لأن الشكل يعرض توزيعات تكرارية بدلاً من الإحصاءات الملخصة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-6
الشكل 6: تطور تمثيلات المعرفة القائمة على الرسوم البيانية عبر تكرارات التعلم. يوضح الشكل التطور الزمني لتضمينات عقد الرسم البياني عبر خطوات محاكاة معيرة. تمثل القمم تنشيطات أقوى للميزات، بينما تشير الوديان إلى تمثيلات أضعف للميزات، مما يوضح التكيف والتحسين المستمرين للرسم البياني المعرفي أثناء عملية المحاكاة. يعرض هذا التصور تطور تمثيلات الميزات المتعلمة ولا يتضمن أشرطة الخطأ. أُجريت المقارنات الإحصائية الواردة في الدراسة باستخدام اختبار t المزدوج عبر n = 1000 متعلم محاكى، مع تحديد الدلالة الإحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-7
الشكل 7: قوة العلاقات بين عقد المعرفة والعقد العاطفية في مخطط التعلم. يوضح الشكل شدة التفاعل المعيرة بين العقد المعرفية والعاطفية ضمن إطار التعلم القائم على المخططات. تشير القيم الأعلى إلى وجود تبعيات معرفية-عاطفية أقوى، بينما تمثل القيم الأدنى علاقات أضعف، مما يوضح البنية المترابطة والمعقدة والتطور التكيفي لمخطط التعلم طوال فترة المحاكاة. يقدم هذا التصوير أنماط اتصال المخطط ولا يتضمن أشرطة الخطأ. أُجريت المقارنات الإحصائية المذكورة في أماكن أخرى من الدراسة باستخدام اختبار t المقترن عبر n = 1000 متعلم محاكى، مع تحديد الدلالة الإحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-8
الشكل 8: العلاقة بين التقدم في التعلم والرفاه العاطفي في بيئات المناهج التكيفية. يوضح الشكل العلاقة الإيجابية بين اكتساب المعرفة المعياري والاستقرار العاطفي طوال عملية التعلم المحاكات. ومع زيادة اكتساب المعرفة، يتحسن الاستقرار العاطفي أيضاً، مما يشير إلى التكامل الفعال بين التطور المعرفي والتنظيم العاطفي ضمن إطار عمل GECIF المقترح. أُجريت المقارنات الإحصائية باستخدام اختبار t المقترن عبر n = 1000 متعلم محاكى. وفيما يخص أشرطة الخطأ الموضحة، فهي تمثل فترات الثقة 95% (95% CI) لقيم أداء المتوسط المعياري. واعتبرت الاختلافات ذات دلالة إحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-9
الشكل 9مساهمة اكتساب المعرفة والديناميكيات العاطفية في أداء التعلم العام عبر خطوات المحاكاة المعيارية. يوضح الشكل المساهمات الزمنية لمكاسب المعرفة المعيارية والديناميكيات العاطفية في الأداء التعلمي العام المحاكى. ويظهر اكتساب المعرفة زيادة مهيمنة ومستمرة طوال عملية المحاكاة، بينما يستقر تأثير الديناميكيات العاطفية تدريجياً، مما يبرهن على التكامل الفعال بين العمليات المعرفية والعاطفية ضمن إطار عمل GECIF المقترح. وقد أُجريت المقارنات الإحصائية باستخدام اختبار... تـ-اختبار عبر عدد n = 1000 من المتعلمين المحاكات. حيثما تظهر أشرطة الخطأ، فهي تمثل فواصل ثقة 95% (95% CI) لمتوسط قيم الأداء الموحدة. اعتُبرت الفروق ذات دلالة إحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-10
الشكل 10: تغير ومتانة أداء التعلم عبر النماذج التكيفية والتقليدية. يوضح الشكل مخططات الصندوق والشعيرات (box-and-whisker plots) التي تقارن توزيعات اكتساب المعرفة المُطبع لـإطار عمل GECIF المقترح والنموذج المرجعي التقليدي. يظهر إطار العمل المقترح وسيطاً أعلى لاكتساب المعرفة وتوزيعاً عاماً مزاحاً نحو قيم أداء أكبر، بينما يُظهر أيضاً نطاقاً ربيعياً أوسع وتشتتاً كلياً أكبر، مما يعكس تفاوتاً أكبر بين المتعلمين الذين تمت محاكاتهم. وعلى الرغم من هذا التفاوت المتزايد، فإن التوزيع الأعلى باستمرار لاكتساب المعرفة يثبت أن إطار العمل المقترح يحافظ على أداء تعلم متين عبر ظروف المتعلمين المتنوعة. أُجريت المقارنات الإحصائية باستخدام اختبار t للعينات المستقلة عبر n = 1000 من المتعلمين الذين تمت محاكاتهم لكل نموذج. تمثل الصناديق النطاق الربيعي (IQR)، ويشير الخط الأفقي داخل كل صندوق إلى الوسيط، وتمتد الشعيرات إلى 1.5 × IQR. حقق إطار العمل المقترح متوسط اكتساب معرفة أعلى بشكل ملحوظ من النموذج التقليدي (p < 0.0001; Cohen's d = 1.43). لم يتم عرض أشرطة خطأ لأن مخطط الصندوق والشعيرات يلخص توزيعات البيانات باستخدام الربيعات والشعيرات بدلاً من فترات الثقة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-11
الشكل 11: التغيرات الديناميكية في تفاعل الطلاب أثناء عملية التعلم. يوضح الشكل التطور الزمني لمؤشر تفاعل الطالب المعياري عبر خطوات محاكاة معيارية، مما يثبت أن إطار GECIF المقترح يحقق تفاعلاً أعلى وأكثر تكيفاً من النموذج المرجعي التقليدي طوال عملية التعلم المحاكات. أُجريت المقارنات الإحصائية بين النموذج المقترح والنموذج المرجعي باستخدام اختبار t المقترن عبر n = 1000 متعلم محاكى. وفي الحالات التي تظهر فيها أشرطة الخطأ، فهي تمثل فواصل ثقة 95% (95% CI) لمتوسط مؤشر تفاعل الطالب المعياري. اعتُبرت الفروق ذات دلالة إحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-12
الشكل 12: الأنماط الدورية لمشاركة الطلاب في بيئات التعلم التكيفية. يوضح الشكل التطور الزمني لمؤشر مشاركة الطالب المعياري عبر خطوات المحاكاة المعيارية، مما يظهر تقلبات دورية ومستقرة في المشاركة تشير إلى أن إطار عمل GECIF المقترح يحافظ على إيقاع متوازن وتكيفي لتفاعل المتعلم طوال عملية التعلم المحاكاتية. وقد أجريت المقارنات الإحصائية باستخدام اختبار تزاوج ت-تم الاختبار عبر ن = 1000 متعلم محاكى. وتمثل أشرطة الخطأ، حيثما وُجدت، فترات الثقة 95% (95% CI) لمتوسط مؤشر تفاعل الطلاب المعياري. واعتُبرت الاختلافات ذات دلالة إحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-13
الشكل 13: التباين المكاني لكثافة الميزات عبر بنية مخطط التعلم. يوضح الشكل التوزيع المكاني الموحد لتنشيط الميزات عبر إطار التعلم القائم على المخططات. تشير المناطق ذات الكثافة العالية إلى تنشيطات ميزات أقوى، بينما تمثل المناطق ذات الكثافة المنخفضة تنشيطات أضعف، مما يكشف عن التنظيم غير الخطي والمنظم لتمثيلات المعرفة وعلاقاتها التكيفية داخل مخطط التعلم أثناء المحاكاة. يقدم هذا التصور أنماط الميزات المكانية ولا يتضمن أشرطة الخطأ. أجريت المقارنات الإحصائية المذكورة في مواضع أخرى من الدراسة باستخدام اختبار t المزدوج عبر n = 1000 متعلم محاكى، مع تحديد الدلالة الإحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-14
الشكل 14: التدفق الموجه لنقل المعرفة ضمن مخطط المنهج الدراسي. يوضح الشكل الانتشار المعياري للمعرفة عبر العقد المترابطة ضمن إطار المنهج الدراسي القائم على المخططات. وتمثل المسارات الموجهة التدفق المنظم للمعلومات عبر مخطط التعلم، مما يسلط الضوء على النشر الفعال للمعرفة والتبادل التكيفي للمعلومات بين مكونات المنهج الدراسي أثناء المحاكاة. يصور هذا التمثيل المرئي أنماط انتشار المعرفة ولا يتضمن أشرطة الخطأ. وقد أجريت المقارنات الإحصائية المذكورة في مواضع أخرى من الدراسة باستخدام اختبار t المزدوج عبر n = 1000 متعلم محاكى، مع تحديد الدلالة الإحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-15
الشكل 15: التطور الهيكلي لرسم التعلم البياني بمرور الوقت من خلال التحويل التكيفي للميزات. يوضح الشكل التطور التدريجي لطوبولوجيا الرسم البياني خلال خطوات المحاكاة المعيارية، حيث يعمل التحويل التكيفي للميزات باستمرار على تحسين العلاقات بين عقد المعرفة. تعكس التغيرات الهيكلية الديناميكية قدرة الإطار على إعادة تنظيم وتحسين مسارات التعلم، مما يؤدي إلى تمثيلات بيانية أكثر تماسكاً وتكيفاً طوال عملية التعلم المحاكات. يصور هذا التمثيل المرئي تطور طوبولوجيا الرسم البياني ولا يتضمن أشرطة الخطأ. أجريت المقارنات الإحصائية المذكورة في مواضع أخرى من الدراسة باستخدام اختبار t المزدوج على n = 1000 متعلم محاكى، مع تحديد الدلالة الإحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-16
الشكل 16: أنماط الاعتماد المتبادل بين ميزات التعلم المستخرجة في الإطار التكيفي. يوضح الشكل أنماط الاعتماد المتبادل المُطبعة بين ميزات التعلم المستخرجة ضمن إطار GECIF المقترح. وتشير العلاقات القوية إلى ارتباطات أعلى وتفاعلات أكثر فعالية بين أبعاد الميزات، بينما تمثل العلاقات الضعيفة اعتماديات أقل، مما يبرهن على التنظيم المعقد متعدد الأبعاد للتمثيلات المعرفية والعاطفية التي تعلمها الإطار التكيفي القائم على الرسوم البيانية. يقدم هذا التصور أنماط تفاعل الميزات ولا يتضمن أشرطة الخطأ. وقد أُجريت المقارنات الإحصائية المذكورة في مواضع أخرى من الدراسة باستخدام اختبار t المقترن عبر n = 1000 من المتعلمين المحاكات، مع تحديد الدلالة الإحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-17
الشكل 17: مساهمة الميزات متعددة الأبعاد في أداء اكتساب المعرفة. يوضح الشكل المساهمات المعيارية لأبعاد الميزات المتعددة في اكتساب المعرفة عبر إطار التعلم القائم على الرسوم البيانية. وتبرز الاختلافات في أهمية الميزات بين عقد الرسم البياني الطبيعة غير المتجانسة لعوامل التعلم المعرفية والعاطفية، مما يوضح كيفية تفاعل الميزات المختلفة ومساهمتها في اكتساب المعرفة التكيفي ضمن إطار GECIF المقترح. يقدم هذا التصور أنماط مساهمة الميزات متعددة الأبعاد ولا يتضمن أشرطة الخطأ. تم إجراء المقارنات الإحصائية المذكورة في أماكن أخرى من الدراسة باستخدام اختبار t المقترن عبر n = 1000 من المتعلمين المحاكيين، مع تحديد الدلالة الإحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-18
الشكل 18: التطور المتزامن للحالات المعرفية والعاطفية أثناء التعلم التكيفي. يوضح الشكل التطور الزمني لمكاسب المعرفة المُطبعة والاستقرار العاطفي عبر خطوات محاكاة مُطبعة، مما يظهر تحسناً معرفياً مستمراً مصحوباً بانخفاض تدريجي في التقلبات العاطفية. يشير التقدم المنسق لهذين البعدين من التعلم إلى أن إطار عمل GECIF المقترح يحافظ بفعالية على تكامل متوازن بين التطور المعرفي والتنظيم العاطفي طوال عملية التعلم المحاكاة. أُجريت المقارنات الإحصائية باستخدام اختبار t المقترن عبر n = 1000 من المتعلمين الذين تمت محاكاتهم. في الحالات التي تظهر فيها أشرطة الخطأ، فإنها تمثل فواصل ثقة 95% (95% CI) لمتوسط قيم الأداء المُطبعة. اعتبرت الفروق ذات دلالة إحصائية عند p < 0.05. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

رمزالوصفالفئة
جرسم بياني يمثل نظام التعلم بأكملهمكون الرسم البياني
Vمجموعة كافة العقدمكوّن الرسم البياني
هـمجموعة الحواف (العلاقات)مكوّن الرسم البياني
ومصفوفة أوزان تمثل قوة العلاقةمكون الرسم البياني
V_kعقد المعرفة (المفاهيم الموسيقية)نوع العقدة
V_aعقد النشاط (إجراءات التعلم)نوع العقدة
V_eعقد المشاعر (الحالات النفسية)نوع العقدة
W_ijالوزن بين العقدتين i و jمعلمة الحافة
S_c(i,j)التشابه المعرفي بين العقدمعلمة الحافة
S_e(i,j)الارتباط العاطفي بين العقدمعلمة الحافة
ألفاالوزن للتشابه المعرفيمعلمة النموذج
بيتاالوزن للارتباط العاطفيمعلمة النموذج
x_i(t)متجه الحالة للعقدة i عند الزمن tحالة العقدة
k_i(t)مستوى معرفة العقدة iحالة العقدة
e_i(t)الحالة العاطفية للعقدة iحالة العقدة
a_i(t)تفاعل النشاط للعقدة iحالة العقدة
مرحباًتمثيل تضمين العقدمعلمة الشبكة العصبية الرسومية (GNN)
جاماعامل الاضمحلال العاطفيمعلمة النموذج
إيتامعدل التعلم/التكيفمَعلَمَة النموذج
جدالة التحسين متعددة الأهدافتحسين

الجدول 1: ملخص للمتغيرات والمعاملات والرموز المستخدمة في إطار ذكاء المناهج العاطفية القائم على الرسوم البيانية (GECIF). يوفر هذا الجدول تعريفات لمكونات الرسم البياني وحالات العقد ومعاملات النموذج، مما يدعم إمكانية إعادة إنتاج المنهجية المقترحة ووضوحها.

مقياسمعامل التكافؤ الجيني المقترح (المتوسط) (GECIF)الانحراف المعياري المقترحفاصل الثقة 95% المقترحتقليدي (متوسط)الانحراف المعياري التقليديفاصل الثقة التقليدي 95%التحسن (%)القيمة الاحتمالية (p-value)
اكتساب المعرفة0.880.040.84–0.920.650.060.59–0.71350.001
الاستقرار العاطفي0.920.030.89–0.950.70.050.65–0.75310.002
تقليل التوتر0.850.050.80–0.900.550.070.48–0.62540.0005
مستوى التفاعل0.90.040.86–0.940.680.060.62–0.74320.0015
المتانة0.870.030.84–0.900.660.050.61–0.71320.002
كفاءة التعلم0.910.040.87–0.950.690.060.63–0.75320.001
سرعة التقارب0.890.030.86–0.920.670.050.62–0.72330.001
دقة التنبؤ0.930.020.91–0.950.720.050.67–0.77290.0008
تقليل التباين العاطفي0.860.040.82–0.900.60.060.54–0.66430.0012
درجة القابلية للتكيف0.90.030.87–0.930.680.050.63–0.73320.001

جدول 2: مقاييس الأداء المقارنة بين إطار عمل GECIF المقترح ونموذج التعلم التقليدي. يلخص الجدول التحسينات في اكتساب المعرفة، والاستقرار العاطفي، وتقليل التوتر، والمشاركة، والمتانة، وكفاءة التعلم العامة، مما يثبت تفوق النهج المقترح.

الملف التكميلي 1: الكود المصدري لتوليد مجموعة البيانات وتمثيلات البيانات المهيكلة. ملخص لعملية توليد مجموعة البيانات القائمة على برنامج MATLAB، ومسار المعالجة، وإجراءات التقييم المستخدمة في إطار ذكاء المنهج العاطفي القائم على الرسوم البيانية (GECIF). يوفر هذا الملف نظرة عامة على مراحل المحاكاة، بما في ذلك توليد سجلات التفاعل، ونمذجة المؤشرات العاطفية، وحساب أداء التعلم، وبناء الرسوم البيانية، وهندسة الميزات، والتحليل الإحصائي، وفحوصات التحقق، وإجراءات تصدير البيانات، وذلك لدعم قابلية إعادة الإنتاج والشفافية ووضوح المنهجية المقترحة.يرجى النقر هنا لتحميل هذا الملف.

المناقشة

اقترحت الدراسة الحالية إطار عمل لذكاء المناهج العاطفية القائم على الرسوم البيانية (GECIF)، والذي يدمج تعلم التمثيل القائم على الرسوم البيانية، ونمذجة الحالة العاطفية، والتحسين التكيفي للمناهج، والتدريس المرئي المدعوم بالذكاء الاصطناعي في إطار حوسبة موحد لتعليم الموسيقى في الكليات. وبخلاف النماذج التعليمية التقليدية المدعومة بالذكاء الاصطناعي التي تركز أساساً على تحسين الأداء الأكاديمي، يقوم الإطار المقترح بنمذجة التفاعلات بين اكتساب المعرفة، والتنظيم العاطفي، ومشاركة المتعلم، وتطور المناهج التكيفي في آن واحد. وقد أظهرت نتائج المحاكاة باستمرار أداءً متفوقاً للإطار المقترح مقارنة بالخط الأساسي التقليدي عبر مقاييس تقييم متعددة، بما في ذلك التحصيل المعرفي، والاستقرار العاطفي، ومشاركة المتعلم، وتقليل التوتر. وتشير هذه النتائج إلى أن دمج هياكل الرسوم البيانية 관계ية مع التعلم المدرك للعواطف يوفر تمثيلاً حوسبياً أكثر شمولاً للعمليات التعليمية مقارنة بالنهج التي تعتمد حصرياً على التكيف المعرفي.

تتوافق التحسينات الملحوظة في أداء التعلم المحاكى مع التطورات الحديثة في التعليم التكيفي القائم على الذكاء الاصطناعي. فقد تم الاعتراف بتقنيات الذكاء الاصطناعي بشكل متزايد كأدوات فعالة لتطوير بيئات تعلم مخصصة وتكيفية قادرة على الاستجابة لخصائص المتعلم والاحتياجات التعليمية18,19,20. وبوجه خاص، أثبت تصميم المناهج التكيفية المدعوم بالذكاء الاصطناعي قدرته على تحسين المرونة التعليمية، واتخاذ القرارات المتمحورة حول المتعلم، والفعالية التعليمية19,20. علاوة على ذلك، أظهرت أنظمة التقييم المساعدة بالذكاء الاصطناعي وأنظمة التغذية الراجعة الذكية إمكانات كبيرة لتعزيز تحصيل الطلاب من خلال التقييم المستمر والدعم التعليمي التكيفي21,22,23. وبالمقارنة مع هذه الدراسات السابقة، يعمل إطار عمل GECIF المقترح على توسيع المنهجيات الحالية من خلال دمج المعرفة المعرفية، والديناميكيات العاطفية، وسلوكيات التعلم التكيفية ضمن بنية حوسبة واحدة قائمة على الرسوم البيانية. وبناءً على ذلك، يوفر إطار العمل الحالي تمثيلاً موحداً للعمليات التعليمية بدلاً من التعامل مع الأداء المعرفي وتكيف المتعلم كمكونات منفصلة.

كما أن دمج النمذجة العاطفية ضمن الإطار المقترح مدعوم باستقصاءات سابقة في مجالي التربية الموسيقية والتعلم الوجداني. فقد أظهر Li1 أن التصور العاطفي المقترن بالتعلم العميق يحسن من تدريس الجماليات الموسيقية من خلال تعزيز التفاعل بين المتعلمين والمحتوى التعليمي. وبالمثل، أفاد Zhao3 أن دمج الخرائط المعرفية مع العلاج الموسيقي السمعي البصري يقلل بفعالية من القلق لدى طلاب الجامعات، مؤكداً على العلاقة الوثيقة بين التنظيم العاطفي ومخرجات التعلم. علاوة على ذلك، أثبت Iyendo et al.4 أن التدخلات الفنية والموسيقية السمعية البصرية تحسن الرفاه النفسي بشكل ملحوظ من خلال تقليل الأعراض المرتبطة بالضغط العاطفي. ومن ثم، فإن التحسينات في الاستقرار العاطفي الملحوظة في هذه المحاكاة تتفق مع الأدلة السابقة التي تشير إلى أن الوعي العاطفي يشكل مكوناً أساسياً للتربية الموسيقية الناجحة. وبخلاف الدراسات السابقة التي بحثت في التدخلات العاطفية بشكل أساسي كاستراتيجيات تعليمية مستقلة، يقوم الإطار المقترح بدمج الديناميكيات العاطفية مباشرة في تحسين المناهج القائمة على الرسوم البيانية، مما يسمح للحالات العاطفية بالتأثير المستمر على القرارات التعليمية التكيفية طوال عملية التعلم.

يتسق الانخفاض المحاكى في مستوى توتر المتعلمين بشكل مماثل مع الأدبيات الحديثة المتعلقة بالصحة النفسية للطلاب في التعليم العالي. فقد تم تحديد التوتر الأكاديمي كمتنبئ رئيسي لانخفاض الرفاه النفسي وتراجع الأداء التعليمي بين طلاب الجامعات28,29,30. كما أظهرت المراجعات المنهجية أن تدخلات إدارة التوتر المنظمة تحسن بشكل كبير كلاً من الأداء الأكاديمي والصحة النفسية27. وفي الآونة الأخيرة، أثبتت التدخلات الرقمية المدعومة بالذكاء الاصطناعي فعاليتها في تعزيز إدارة التوتر والتنظيم الذاتي التكيفي لدى طلاب الجامعات29. ويختلف الإطار الحالي عن هذه المناهج القائمة على التدخل لأن تقليل التوتر ينشأ من خلال التحسين التكيفي للتفاعلات المعرفية والعاطفية، بدلاً من الاعتماد على آليات علاجية منفصلة. وبناءً على ذلك، فإن مستويات التوتر المنخفضة الملاحظة في الإطار المقترح تشير إلى أن تصميم المناهج الدراسية التكيفية عاطفياً قد يساهم في حد ذاته في تقليل الحمل المعرفي الزائد مع دعم تحسين أداء التعلم في الوقت ذاته.

إن تعزيز مشاركة المتعلم الذي لوحظ في الدراسة الحالية مدعوم كذلك بأبحاث سابقة بحثت في التعليم البصري المدعوم بالذكاء الاصطناعي وتقنيات التدريس المخصصة. حيث أثبت Bian et al.12 أن المحتوى البصري المُنشأ بواسطة الذكاء الاصطناعي يعزز بشكل كبير من التفاعل داخل الفصل الدراسي، والكفاءة الذاتية للمتعلم، والأداء المعرفي في البيئات التعليمية. وبالمثل، أفاد Johnson et al.34 أن بيئات التعلم البصري الرقمية تعزز مشاركة الطلاب وتدفع نحو مشاركة أكبر في ظل الظروف التعليمية الضاغطة. وفي مجال التربية الموسيقية على وجه التحديد، ثبت أن تقنيات التدريس المدعومة بالذكاء الاصطناعي تسهل مسارات التعلم المخصصة وتعزز الابتكار التعليمي41. ويأتي إطار عمل GECIF المقترح مكملاً لهذه النتائج من خلال الدمج بين التدريس البصري التكيفي والنمذجة العاطفية القائمة على الرسوم البيانية، مما يسمح بتطور مشاركة المتعلم والتنظيم العاطفي والنمو المعرفي بشكل متزامن طوال عملية التعلم.

تؤكد أبحاث الصحة النفسية الأوسع نطاقاً العلاقة الملحوظة في الدراسة الحالية بين التنظيم العاطفي وأداء التعلم. فقد تم تحديد التنظيم العاطفي كعامل محدد أساسي للرفاه النفسي والأداء التعليمي السليم32. وبالمثل، تؤكد نماذج رفاه الطلاب أن المرونة العاطفية والاستقرار النفسي يرتبطان ارتباطاً وثيقاً بالنتائج الأكاديمية الناجحة15,16,17. وقد أفادت الدراسات التي أجريت على طلاب الجامعات باستمرار بأن تعزيز الصحة النفسية يرفع من مستويات المرونة والمشاركة والتحصيل التعليمي على المدى الطويل14,15,16,17. وقد أظهرت المحاكاة الحالية سلوكاً حوسبياً مماثلاً، حيث اقترن التحسن في الاستقرار العاطفي بزيادة في اكتساب المعرفة وتعزيز مشاركة المتعلم. ورغم أن البحث الحالي يعتمد كلياً على المحاكاة وبالتالي لا يمكنه إثبات علاقات سببية لدى متعلمين حقيقيين، إلا أن النتائج الحوسبية تعزز الإجماع المتزايد على ضرورة دمج التنظيم العاطفي مباشرة في الأنظمة التعليمية الذكية بدلاً من اعتباره نتيجة تعليمية مستقلة.

يوفر الإطار المقترح عدة مزايا مفاهيمية مقارنة بالنهج الحسابية الحالية. تعتمد الأنظمة التعليمية المعاصرة القائمة على الذكاء الاصطناعي بشكل متزايد على التقييم التكيفي، والتغذية الراجعة الشخصية، ودعم القرار الذكي لتحسين فعالية التعلم21,22,23. وبالمثل، تؤكد نماذج المناهج التكيفية المدفوعة بالذكاء الاصطناعي على تفريد التعلم والتخطيط التعليمي الديناميكي18,19,20. ومع ذلك، فإن هذه النهج تقيم أداء المتعلم بشكل عام من خلال المؤشرات المعرفية في المقام الأول، بينما تمثل المعلومات العاطفية بشكل منفصل أو تغفلها تمامًا. وفي المقابل، يقوم إطار GECIF المقترح بنمذجة اكتساب المعرفة، والديناميكيات العاطفية، وتفاعل المتعلم، وتطور المناهج التكيفية في آن واحد ضمن تمثيل بياني موحد. وتتيح استراتيجية النمذجة المتكاملة هذه تفاعلاً مستمراً بين المتغيرات المعرفية والسلوكية والعاطفية، مما يوفر وصفاً حسابياً أكثر شمولاً للعمليات التعليمية مقارنة بالأنظمة التعليمية التقليدية المدفوعة بالذكاء الاصطناعي.

يُعد هذا الإطار ذا صلة وثيقة بالتعليم الموسيقي لأن التعلم الموسيقي يجمع بطبيعته بين اكتساب المهارات التقنية، والتعبير العاطفي، والإبداع، ومشاركة المتعلم. وقد أظهرت الدراسات السابقة أن دمج الموسيقى والفنون البصرية والأنشطة التعليمية الإبداعية يساهم في التطور النفسي، والرفاه العاطفي، والدافعية التعليمية36,37. علاوة على ذلك، غالباً ما يواجه طلاب الموسيقى عبئاً أكاديمياً كبيراً وضغوطاً نفسية، مما يبرز أهمية آليات الدعم التعليمي التكيفية25,26. ويعمل الإطار المقترح على توسيع هذه المنظورات التعليمية من خلال توفير آلية حوسبية قادرة على تمثيل التقدم في التعلم التقني، والتكيف العاطفي، والتحسين التعليمي التكيفي في آن واحد ضمن نموذج واحد قائم على الرسوم البيانية (graph-based model). وبناءً على ذلك، يوفر هذا الإطار أساساً حوسبياً قابلاً للتفسير لأنظمة التعليم الموسيقي الذكية المستقبلية التي تسعى إلى تحسين كل من الأداء التعليمي ورفاهية المتعلم.

ومع ذلك، يجب الإقرار بوجود عدة قيود. أولاً، تم تقييم الإطار حصرياً باستخدام بيانات اصطناعية تم إنشاؤها ضمن محاكاة حاسوبية محكومة؛ ولذلك، فإن التحسينات المذكورة تعكس الأداء الخوارزمي بدلاً من الأدلة التجريبية التي يتم الحصول عليها من مجموعات طلاب حقيقية. ثانياً، تم تمثيل المتغيرات العاطفية باستخدام تجريدات رياضية تبسط تعقيد العمليات العاطفية البشرية الأصيلة. ثالثاً، قد لا تمثل هياكل الرسوم البيانية ومعاملات التحسين المحددة مسبقاً تنوع البيئات التعليمية التي يتم مواجهتها في الممارسة العملية بشكل كامل. وأخيراً، يؤدي التحسين القائم على الرسوم البيانية إلى تعقيد حاسوبي إضافي قد يتطلب مزيداً من التحسين قبل النشر على نطاق واسع في الأنظمة التعليمية الذكية.

لذلك، يجب أن تعمل التحقيقات المستقبلية على التحقق من صحة الإطار المقترح باستخدام مجموعات بيانات تعليمية أصلية وبيئات صفية حقيقية. وقد يؤدي دمج المعلومات التعليمية متعددة الوسائط، بما في ذلك سجلات التفاعل السلوكي، والقياسات الفسيولوجية، والملاحظات السمعية والبصرية، وآثار التعلم الرقمية، إلى تحسين واقعية تقدير الحالة العاطفية والتحسين التكيفي للمناهج الدراسية بشكل كبير. كما أن إجراء تقييمات مقارنة مع أنظمة التعلم التكيفي الحديثة القائمة على الذكاء الاصطناعي 18,19,20,21,22 من شأنه أن يوضح بشكل أكبر المزايا النسبية للنمذجة العاطفية القائمة على الرسوم البيانية. كما أن توسيع نطاق الإطار ليتجاوز التعليم الموسيقي ليشمل تخصصات تعليمية إضافية من شأنه أن يعزز الأدلة على قابليته للتعميم وتطبيقه العملي. يثبت هذا التحقيق القائم على المحاكاة أن دمج التعلم العلاقي القائم على الرسوم البيانية مع النمذجة العاطفية يمثل اتجاهاً واعداً لأنظمة التعليم الذكية من الجيل القادم. وتتسق هذه النتائج مع التطورات الأخيرة في التعليم التكيفي المدعوم بالذكاء الاصطناعي، وتدريس الموسيقى الواعي بالعواطف، والتعلم الشخصي، وأبحاث الصحة النفسية للطلاب25,26,27,28,29,30. وعلى الرغم من أن التحقق من الصحة باستخدام متعلمين حقيقيين لا يزال ضرورياً، فإن إطار GECIF المقترح يوفر أساساً حاسوبياً مهيكلاً لأنظمة تعليمية مستقبلية قائمة على الذكاء الاصطناعي قادرة على تحسين الأداء المعرفي، والرفاهية العاطفية، وتفاعل المتعلم، وتصميم المناهج التكيفية في آن واحد.

الإفصاحات

ليس لدى المؤلف أي تضارب في المصالح.

شكر وتقدير

يود المؤلف أن يعرب عن خالص امتنانه لقسم الموسيقى بجامعة آنتشينغ العادية لتوفير البيئة الأكاديمية والدعم المؤسسي اللازمين لإجراء هذا البحث. كما يمتد الشكر والتقدير إلى الزملاء والطلاب الذين قدموا رؤى وملاحظات قيمة أثناء تطوير وتقييم الإطار المقترح. كما يقر المؤلف بدعم جامعة آنتشينغ العادية في تسهيل الوصول إلى الموارد والبنية التحتية البحثية.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
وحدة ذاكرة RAM DDR4 بسعة 32 GBKingston TechnologyNA
مجموعة أدوات CUDA لتسريع GPU (v11.8)NVIDIAversion 1.18
محرك تكييف المناهج الدراسيةCustom ImplementationCAE003
مجموعة بيانات: المؤشرات العاطفيةGenerated DatasetDEI006
مجموعة بيانات: مقاييس أداء التعلمGenerated DatasetDLPM007
مجموعة بيانات: سجلات تفاعل الطلابGenerated DatasetDIL005
وحدة محاكاة الحالة العاطفيةCustom ImplementationESM002
محطة عمل GPU (NVIDIA RTX 3080)NVIDIANA
وحدة تنفيذ الشبكة العصبية الرسوميةCustom ImplementationNA
معالج Intel Core i7 (بسرعة 3.6 GHz)Intel CorporationNA
بيئة Jupyter Notebook (v6.5)Project Jupyterversion 6.5
برنامج MATLAB (R2023a)MathWorksR2023a
مكتبة Matplotlib للتصور البياني (v3.7)Matplotlibversion 3.7
مكتبة NetworkX لمعالجة الرسوم البيانية (v3.1)NetworkX Developersversion 3.1
مكتبة NumPy للحوسبة العددية (v1.24)NumPy Developersversion 1.24
وحدة التحسين (محلل متعدد الأهداف)Custom ImplementationMOS008
مكتبة Pandas لمعالجة البيانات (v2.0)Pandas Development Teamversion 2.0
بيئة برمجة Python (v3.10)Python Software Foundationversion 3.10
إطار عمل PyTorch للتعلم العميق (v2.0)Meta AIversion 2.0
سكربت تهيئة البذرة العشوائيةCustom ImplementationRSI009
مكتبة Scikit-learn لتعلم الآلة (v1.3)Scikit-learnversion 1.3
مكتبة Seaborn للتصور الإحصائي (v0.12)Seabornversion 0.12
مكتبة TensorFlow (v2.12)Googleversion 2.12
مجموعة أدوات واجهة التعلم المرئيCustom ImplementationVLI004
نظام التشغيل Windows 11MicrosoftW11

المراجع

  1. Li Y. Music aesthetic teaching and emotional visualization under emotional teaching theory and Deep learning. Front Psychol. 2022;13.
  2. Yang J. Retraction notice to: 'research on music education: Integrating synaesthesia theory and colour psychology', HTS Teologiese Studies/Theological Studies 79(4), A8848. HTS Teol Stud. 2024;80(1).
  3. Zhao Y. Cognitive mapping-based audiovisual and singing music therapy as a cross-intervention for college students' anxiety. Appl Math Nonlinear Sci. 2024;9(1).
  4. Iyendo TO, Uwajeh PC, Oseke BN, Dong L, Adejumo A, Umar I, et al. Effect of audio-visual-based art and music therapy in reducing Adolescents Post Traumatic Stress disorder. J Adolesc Health. 2024;74(2):283–291.
  5. Sones AC, Fogelson DL, Glick ID, Shader RI. Untreated mental illness has created a national tragedy: A pandemic of homelessness. J Clin Psychopharmacol. 2022;42(2):115–117.
  6. Omelchenko M, Migalina V, Kaleda V. The effect of untreated illness in youth depression: A cross-sectional study. Consort Psychiatr. 2022;3(4):8.
  7. Vargas-Huicochea I, Álvarez-del-Río A, Rodríguez-Machain AC, Aguirre-Benítez EL, Kelsall N. Seeking psychiatric attention among university students with mental health problems: The influence of disease perception. Int J Ment Health Addict. 2022;20(1):505–521.
  8. Shim YR, Eaker R, Park J. Mental health education, awareness and stigma regarding mental illness among college students. J Ment Health Clin Psychol. 2022;6(2):6–15.
  9. Bantjes J, Kessler MJ, Hunt X, Stein DJ, Kessler RC. Treatment rates and barriers to mental health service utilisation among university students in South Africa. Int J Ment Health Syst. 2023;17(1):38.
  10. McLafferty M, Brown N, Brady J, McLaughlin J, McHugh R, Ward C, et al. Variations in psychological disorders, suicidality, and help-seeking behaviour among college students from different academic disciplines. PLoS One. 2022;17(12):e0279618.
  11. Liu Z. Music teaching curriculum integrates physical exercise to regulate Students' mental health. Rev Psicol Deporte. 2024;33(1):426–435.
  12. Bian C, Wang X, Huang Y, Zhou S, Lu W. Effects of AI-generated images in visual art education on students' classroom engagement, self-efficacy and cognitive load. Humanit Soc Sci Commun. 2025;12(1):1–14.
  13. Yu H, Zou Z. The music education and teaching innovation using blockchain technology supported by artificial intelligence. Int J Grid Util Comput. 2023;14(2-3):278–296.
  14. Mulvogue J, Ryan C, Hunt S, Cross M, Cleary M. Promoting positive outcomes in higher education: Supporting undergraduate student mental health and well-being. Issues Ment Health Nurs. 2023;44(7):673–677.
  15. Sholichatun Y, Aziz R, Baharuddin B, Mulyadi M, Muhid A. Building resilience to promote mental health in university students. Health Educ Health Promot. 2025;13(2):257–263.
  16. Martínez-García A, Valverde-Montesino S, García-García M. Promoting mental health in higher education: towards a model of well-being factors in emerging adulthood. Int J Qual Stud Health Well-Being. 2024;19(1):2408831.
  17. Ahluwalia M, Shillington KJ, Irwin JD. The relationship between resilience and mental health of undergraduate students: A scoping review. J Am Coll Health. 2025;73(3):1266–1279.
  18. Aggarwal D. Integration of innovative technological developments and AI with education for an adaptive learning pedagogy. China Pet Process Petrochem Technol. 2023;23(2):709–714.
  19. Ullah RS, Hashim F, Bandeali MM, Akbar A. Artificial Intelligence in Curriculum Design a Roadmap for Adaptive and Personalized Learning in Higher Education. Crit Rev Soc Sci Stud. 2025;3(3):304–322.
  20. Strielkowski W, Grebennikova V, Lisovskiy A, Rakhimova G, Vasileva T. AI‐driven adaptive learning for sustainable educational transformation. Sustain Dev. 2025;33(2):1921–1947.
  21. Hooda M, Rana C, Dahiya O, Rizwan A, Hossain MS. Artificial intelligence for assessment and feedback to enhance student success in higher education. Math Probl Eng. 2022;2022(1):5215722.
  22. Caspari-Sadeghi S. Artificial intelligence in technology-enhanced assessment: A survey of machine learning. J Educ Technol Syst. 2023;51(3):372–386.
  23. Topping KJ, Gehringer E, Khosravi H, Gudipati S, Jadhav K, Susarla S. Enhancing peer assessment with artificial intelligence. Int J Educ Technol High Educ. 2025;22(1):3.
  24. Hammoudi Halat D, Soltani A, Dalli R, Alsarraj L, Malki A. Understanding and fostering mental health and well-being among university faculty: A narrative review. J Clin Med. 2023;12(13):4425.
  25. Jääskeläinen T, López-Íñiguez G, Phillips M. Music students' experienced workload in higher education: A systematic review and recommendations for good practice. Music Sci. 2023;27(3):541–567.
  26. Ghatpande AC, Anand SK. Mental health and stress management among college students: a critical analysis. Int J Sci Res Eng Manag. 2025;9(1):1–9.
  27. Amanvermez Y, Rahmadiana M, Karyotaki E, de Wit L, Ebert DD, Kessler RC, et al. Stress management interventions for college students: A systematic review and meta-analysis. Clin Psychol Sci Pract. 2023;30(4):423.
  28. Córdova Olivera P, Gasser Gordillo P, Naranjo Mejía H, La Fuente Taborga I, Grajeda Chacón A, Sanjinés Unzueta A. Academic stress as a predictor of mental health in university students. Cogent Educ. 2023;10(2):2232686.
  29. Alhasani M, Orji R. Promoting stress management among students in higher education: Evaluating the effectiveness of a persuasive time management mobile app. Int J Hum-Comput Interact. 2025;41(1):219–241.
  30. Campbell F, Blank L, Cantrell A, Baxter S, Blackmore C, Dixon J, et al. Factors that influence mental health of university and college students in the UK: a systematic review. BMC Public Health. 2022;22(1):1778.
  31. Nepal S, Liu W, Pillai A, Wang W, Vojdanovski V, Huckins JF, et al. Capturing the college experience: a four-year mobile sensing study of mental health, resilience and behavior of college students during the pandemic. Proc ACM Interact Mob Wearable Ubiquitous Technol. 2024;8(1):1–37.
  32. Menefee DS, Ledoux T, Johnston CA. The importance of emotional regulation in mental health. Am J Lifestyle Med. 2022;16(1):28–31.
  33. Sattar G, Rustemova S, Nebessayeva Z. Socially Interactive Approaches and Digital Technologies in Art Education: Developing Creative Thinking in Students During Art Classes. Open Educ Stud. 2025;7(1):20250096.
  34. Johnson R, Cantrell K, Cutcliffe K, Batorowicz B, McLean T. Expanding creative communities in the visual arts: Using Padlet to support student engagement and belonging in stressful contexts. Art Educ. 2023;76(4):33–39.
  35. Cowand A, Amarsaikhan U, Ricks RF, Cash ED, Sephton SE. Self-compassion is associated with improved well-being and healthier cortisol profiles in undergraduate students. Mindfulness. 2024;15(7):1831–1845.
  36. Brovchak LS, Starovoit LV, Likhitska LM, Todosiienko NL, Shvets IB. Integrating music, drama and visual arts in extracurricular programs: enhancing psychological development in early school-aged children. Sapienza Int J Interdiscip Stud. 2024;5(3):e24052.
  37. Salomon-Gimmon M, Orkibi H, Elefant C. The contribution of a music and arts rehabilitation program to the creative identity, well-being, and community integration of people with mental health conditions. J Humanist Psychol. 2026;66(2):518–551.
  38. Shkembi F, Sauku VH, Ibrahimi S, Ibrahimi E. The psychological impact of online education on student well-being and motivation. Int Soc Sci Educ J. 2024;2(2):1–8.
  39. Pointon-Haas J, Waqar L, Upsher R, Foster J, Byrom N, Oates J. A systematic review of peer support interventions for student mental health and well-being in higher education. BJPsych Open. 2024;10(1):e12.
  40. Reist C, Petiwala I, Latimer J, Raffaelli SB, Chiang M, Eisenberg D, et al. Collaborative mental health care: A narrative review. Medicine. 2022;101(52):e32554.
  41. Peng C. Integrating computational intelligence in music teaching: A decision-making approach for personalised education. Int J Inf Commun Technol. 2025;26(27):38–51.
  42. Chi M, Wang N, Wu Q, Cheng M, Zhu C, Wang X, et al. Implementation of the flipped classroom combined with problem-based learning in a medical nursing course: A quasi-experimental design. Healthcare. 2022;10(12):2572.

إعادة الطباعة والأذونات

استكشف المزيد من المقالات

تعليم الذكاء الاصطناعيالنمذجة العاطفيةالتعلم التكيفيالاستقرار العاطفيمشاركة الطلابتقليل التوترالتعلم القائم على الرسوم البيانية
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.