本研究提出了一种基于图结构的情感课程智能框架，用于高校音乐教育中由人工智能驱动的视觉教学。该框架利用基于仿真的数据集，对知识获取、情感动态及参与度进行建模。结果表明，与传统模型相比，该框架可提高学习效率并降低压力水平，展现出在适应性、关注心理健康的教育系统中的应用潜力。
本文内容
摘要
摘要
在高校音乐教育中，视觉化教学设计因其在提升学生参与度和促进心理健康方面的潜力而受到越来越多的关注。然而，传统的教学方法往往缺乏适应学习者不断变化的认知与情绪状态所需的灵活性，从而限制了其在支持学业成就与心理平衡两方面的作用。本研究的主要目的是开发并评估一种基于人工智能的框架，该框架将视觉教学策略与基于图的情绪建模相结合，以优化高校音乐课程中的学习效果。本文提出了一种新颖的基于图的情绪课程智能框架（GECIF），该框架将学习环境表示为知识、活动与情绪节点相互关联的图结构。该框架融合了基于图的表征学习、动态状态建模和自适应学习机制，用以模拟知识获取、参与度、情绪稳定性及压力随时间的演化过程。通过基于 MATLAB 的受控仿真流程生成了一个包含交互日志、情绪指标和学习表现变量的合成数据集，以确保研究的可重复性。在相同的实验条件下，GECIF 在标准化仿真步骤中与传统的非自适应基线模型进行了对比评估。评估采用标准化的仿真指标，包括知识增长、情绪稳定性、压力减轻、参与度水平和鲁棒性。结果表明，所提出的框架在所有指标上均持续优于基线模型，展现出更高的模拟知识获取水平、更优的情绪调节能力、更强的参与度、更低的模拟压力水平以及更佳的鲁棒性。基于均值、标准差和 95% 置信区间的统计分析进一步证实了各项评估指标上的稳定提升。这些发现表明，由人工智能驱动、具备情绪感知能力的视觉化教学策略在自适应音乐教育中具有广阔应用前景，同时为未来智能教育系统的研究提供了一个可扩展且可重复的计算框架。
引言
将人工智能（AI）融入教育系统已显著改变了传统的教学范式，使学习体验变得更加适应性、个性化和数据驱动1,2,3。近年来，视觉化教学设计作为一种有效的教学方法逐渐兴起，尤其在音乐教育等学科中表现突出，因为在这些领域中，抽象概念、情感表达和感知理解起着核心作用4,5,6,7。图形界面、交互式模拟和多媒体元素等视觉呈现方式有助于促进更深层次的认知加工，并增强学习者的参与度8,9,10,11。然而，尽管取得了这些进展，现有的视觉教学方法通常仍停留在静态层面，缺乏根据学习者不断变化的认知和情绪状态进行动态响应的能力12,13,14。高等教育阶段的音乐教育因其内在的多维特性而面临独特挑战15,16,17。学习成果不仅受到音乐理论和演奏技巧等认知理解的影响，还受到动机、压力、参与度和心理幸福感等情感因素的显著影响18。先前的研究已强调情绪状态与学习效果之间的密切关系，表明处于高压力或低参与状态的学生往往表现出较低的学业表现19,20,21。尽管已有多种基于人工智能的教育系统被提出以提升学习的个性化水平，但大多数系统主要关注认知层面的绩效指标，忽视了情绪动态在塑造学习过程中的关键作用22。
智能学习系统的最新进展已将基于图的表示方法和深度学习技术引入教育领域，用于建模教育组件之间的复杂关系23,24,25。基于图的学习框架（包括图神经网络，GNNs）在捕捉知识元素、学习者交互以及情境因素之间的结构化依赖关系方面表现出强大的能力26。此外，情感感知计算因其能够将心理信号融入自适应学习环境而受到关注27。然而，将这些方法整合到一个统一的音乐教育框架中仍十分有限28,29,30。现有研究通常将情感变量视为辅助特征而非核心组成部分，并且很少提供基于认知与情感相互作用的持续适应机制31。
此外，人工智能在关注心理健康的教育中的应用主要依赖于从真实参与者收集的经验性或基于传感器的数据32。然而，此类方法需要广泛的伦理审批、标准化的测量工具以及受控的实验条件，而这些在早期研究阶段并不总是可行的33。因此，基于仿真的方法应运而生，成为以受控且可重复的方式探索复杂教育动态的一种替代途径34。通过生成模拟交互日志、情绪指标和学习表现度量的合成数据集，研究人员能够在各种场景下评估所提出模型的行为，同时完全控制系统的参数与假设条件35。
尽管取得了这些进展，但仍存在若干研究空白36。首先，目前缺乏统一的框架，能够在一个结构化表征中同时建模知识获取、情感演化和学习参与过程37。其次，现有的可视化教学系统未能有效利用基于图结构的智能方法，来捕捉音乐概念、学习活动与心理状态之间的相互依赖关系38。第三，对于可扩展且可重复的模拟流程的开发，关注仍然有限，而此类流程对于系统性评估人工智能驱动的教育模型至关重要39,40,41。最后，现有方法通常难以以动态自适应的方式，整合认知与情感维度，从而提供对学习过程的整体性视角42。
为应对这些挑战，本研究提出了一种基于图的智能情感课程框架（GECIF），用于高校音乐教育中由人工智能驱动的视觉化教学设计。表1给出了图结构组件、节点状态和模型参数的基本定义，以确保方法的清晰性和可重复性。该框架将教育环境建模为一个由知识节点、活动节点和情感节点相互连接构成的图结构，从而全面表征学习过程中的动态变化。通过一个受控的计算流程生成基于仿真的数据集，该流程包括交互日志、情感指标和绩效度量，以保证研究的可重复性和可扩展性。该框架融合了自适应学习机制、情感状态建模以及基于图的优化方法，用以模拟学习成果和心理状态随时间的演化过程。通过知识获取、情感稳定性、压力减轻、参与度和鲁棒性等多种绩效指标，将该框架与传统学习模型进行对比评估。
本研究的主要目标是开发并评估一种基于模拟的、由人工智能驱动的视觉教学框架，该框架融合了基于图的建模与情感智能，旨在提高大学音乐课程中的学习效率，并支持关注心理健康的教育模式。
方案
本研究是一项基于计算和仿真的调查，不涉及人类受试者、临床数据或个人信息。研究中使用的所有数据均通过受控的模拟过程合成生成。因此，无需机构审查委员会的伦理批准，也无需知情同意。本研究遵循计算研究的标准指南，并确保方法的完全可重复性和透明性。
理论框架与原理
本文提出的基于图的教育情感课程智能框架（GECIF）建立在人工智能、基于图的学习、情感计算与视觉教学法相融合的基础之上，旨在将学习建模为一个动态且多维度的过程，同时捕捉认知发展、情感演变与行为参与。传统的教学方法通常假设知识获取呈线性 progression，未能充分反映认知表现与心理状态之间的复杂交互关系。这一局限性在高校音乐教育中尤为突出，因为情感表达、动机与创造力与技术和理论学习密不可分。在此背景下，该框架将教育过程概念化为一个相互关联的系统，其中知识要素、学习活动与情感状态持续相互影响。基于图的建模方法能够对这些关系进行结构化且可扩展的表示，有效捕捉直接与间接的依赖关系。情感动态被作为内在组成部分而非辅助变量纳入模型，从而能够模拟心理状态在学习过程中如何演变与传播。视觉化教学设计的引入进一步增强了模型的可解释性，通过将抽象的计算交互转化为直观的图形表示，提升理解效果。
方法学与模拟研究设计
本研究采用基于计算模拟的设计方法，不涉及人类受试者，所有数据均通过一个受控且可重复的流程合成生成。因此，所报告的结果代表基于模型的评估，而非来自真实学习者的实证观察。学习表现、参与度、情绪稳定性及压力减轻方面的改善，被解释为所提出框架的模拟效应或潜在效应。模拟环境通过引入时间依赖性、交互模式的变异性以及动态变化的情绪状态，以逼近真实的学习条件。研究实施了一种对比性实验配置，将所提出的GECIF框架与一种传统基线模型进行比较，该基线模型代表一种非自适应学习系统，其知识演化仅基于交互强度，而不包含图结构表征、情绪建模或课程优化。两个模型均在相同的模拟条件下运行，以确保比较的一致性和无偏性。
数据集生成与结构
通过整合交互日志、情绪指标和学习表现度量，并将其纳入统一的时间框架，构建了一个大规模数据集，用于模拟高校音乐教育中的学习动态。该数据集源自并扩展自公开的学生表现数据集（UCI 机器学习知识库），该数据集提供了学术表现数据以及人口统计学和行为属性。此数据集为建模真实的学习模式提供了基础参考。交互日志代表了对练习环节、聆听训练和视觉学习任务等学习活动的模拟参与情况。情绪指标捕捉心理状态，包括压力、投入度和动机，而学习表现则反映随时间推移的知识获取与进步情况。为了丰富数据集并引入时间依赖性，采用基于 MATLAB 的模拟流程，并通过固定随机种子初始化以确保可重复性。通过自回归过程引入时间连续性，使交互行为和情绪状态能够随时间逐步演化。最终数据集包含一千名模拟学习者在五百个时间步长内的观测数据，具有多个代表多样化学习行为的交互特征。所有变量均在 [0,1] 范围内进行归一化处理，以确保一致性和可比性。数据集按照 70%–15%–15% 的比例划分为训练集、验证集和测试集，以确保模型评估的无偏性。
图的构建与表示
学习环境被建模为一个加权图，定义如下：
G = (V,E,W) （1）
其中，表示节点集合，代表边的集合，为描述节点间关系强度的加权邻接矩阵。节点集被分解为：
V = Vk∪Va∪Ve (2)
在……的地方 Vk, Va，以及 Ve 分别对应知识节点、活动节点和情感节点。边权重的计算方法如下：
Wij = α Sc(i,j) + βSe(i,j) (3)
其中 Sc(i,j) 表示节点之间的认知相似性， Se(i,j) 代表情绪相关性，以及 α 和 β 是控制两者相对影响的权重系数。公式（3）定义了结构关系和情感关系如何共同决定图的连通性。
节点状态表示与图学习
每个节点都关联一个定义为的动态状态向量：
xi(t) = [ki(t),ei(t),ai(t)] (4)
其中 ki(t)、ei(t) 和 ai(t) 分别表示在时刻 t 的知识水平、情绪状态和参与度。节点表示通过基于图的聚合方式进行更新：
(5)
其中 
是节点的嵌入 i 在层 l, σ 是一种非线性激活函数，且 N(i) 表示该节点的邻接节点集合。公式（5）描述了每个节点如何整合其邻接节点的信息。进一步引入了注意力机制：
(6)
其中 αij 为注意力系数，∅(·) 为相似性函数。公式 (6) 能够实现对邻近节点贡献的自适应加权。
情感动态建模
情绪状态的时间演化被建模为：
(7)
其中 γ 是情绪保留系数。公式（7）同时刻画了情绪影响的持续性与传播性。情绪稳定性通过下式量化：
(8)
其中 E+(t) 和 E-(t) 表示积极和消极情绪成分，以及 
是一个防止除零的小常数。应力累积定义为：
(9)
其中 λ(τ) 表示瞬时应力强度。公式（9）用于模拟随时间累积的应力。
学习优化与自适应课程设计
学习过程由一个多目标优化函数控制：
J = λ1K + λ2K - λ3S (10)
其中，K 表示知识增益，E 表示情绪稳定性，S 表示压力水平，而 λ1, λ2, λ3 为权重系数。公式 (10) 平衡了认知与情绪目标。自适应课程重构定义如下：
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
其中 η 是学习率，且 Δijt 表示由学习动态驱动的更新调整。公式（11）允许图结构随时间演化。
时间尺度与模拟持续时间
所有模拟均使用归一化时间步长而非实际时间单位进行。短时间间隔对应于表示系统演化的缩放模拟步长，而超过五百步的长时间模拟则用于评估系统的长期行为、收敛性及鲁棒性。
评估指标与统计分析
采用归一化指标对框架进行评估，包括知识增益、情绪稳定性、压力水平、参与度以及鲁棒性。使用 MATLAB 统计函数进行统计分析，计算每个指标的平均值、标准差和 95% 置信区间。在应用配对 t 检验前，先验证数据的正态性假设。在 n = 1000 名模拟学习者中，对所提出的框架与基线模型进行比较评估，统计显著性定义为 p < 0.05。
可重复性与实施细节
所有模拟、数据处理流程和评估过程均可完全重复。数据集生成过程、图构建参数、模型配置和优化设置均已明确定义。随机种子初始化已固定，以确保在多次运行中输出结果一致。所有超参数、脚本和数据集描述均在补充材料中提供，可使用 MATLAB 或等效计算工具完整复现本研究。
所有模拟、数据处理流程和评估脚本均提供在补充文件1中。数据集包含原始交互日志、情绪指标和学习绩效指标。图构建参数和优化设置均有完整记录。该系统可使用标准的机器学习框架进行复现。随机种子初始化已固定，以确保结果一致性。所有超参数均被明确报告。本方案确保了完全的透明性和可重复性。
结果
基于图的情绪化课程智能框架（GECIF）的性能通过一个基于模拟的数据集进行评估，该数据集包含 n = 1000 名学习者，在 T = 500 个归一化时间步长内进行。图1 展示了GECIF在人工智能驱动的视觉音乐教育与心理健康促进中的概念架构。所有指标均以[0,1]范围内的归一化尺度报告。统计评估包括均值、标准差（SD）和95%置信区间（CI），显著性通过配对t检验（p < 0.05）进行评估。所有比较均在完整的模拟人群中进行计算。图2 展示了所提出框架与基线模型在训练动态和知识获取行为上的对比。GECIF框架的知识增益达到0.88 ± 0.04（95% CI: 0.84–0.92），而基线模型为0.65 ± 0.06（95% CI: 0.59–0.71），差异具有统计学显著性（p < 0.001）。学习曲线显示出更陡的增长速率，并且收敛稳定，无振荡行为。
图3展示了情绪稳定性随时间的演变情况。所提出的框架达到的情绪稳定性指数为0.92 ± 0.03，而基线模型为0.70 ± 0.05（p < 0.01）。变异性降低，随着时间推移，观察到的标准差值更低。图4展示了随时间变化的压力动态。所提出的模型保持了0.15 ± 0.05的较低压力水平，而基线模型为0.45 ± 0.07（p < 0.001）。在整个模拟过程中，压力累积速率持续保持在较低水平。图5展示了学习者之间学习表现的分布情况。与基线模型相比，所提出的框架表现出以更高数值为中心且分布更集中，表明结果的方差更低。图6展示了图中节点嵌入的演化过程。特征表示在迭代过程中表现出连续的变化，未观察到突变，表明更新过程稳定。图7展示了知识节点、活动节点与情绪节点之间的相互作用强度。热图揭示了不同节点类别之间具有统计学意义的相关性（p < 0.05），且相互作用强度大小各异。
图8 展示了在模拟学习过程中，标准化知识增益与情绪稳定性之间的关系。所提出的GECIF框架在两个变量之间表现出较强的正相关性（r = 0.82），相比之下，传统基线模型仅表现出中等程度的正相关性（r = 0.65）。两种相关性均具有统计学显著性（p < 0.05），表明知识获取的提升伴随着情绪稳定性的增强，从而反映出所提出框架在认知发展与情绪调节之间实现了平衡整合。 图9展示了知识与情绪成分随时间的综合贡献。知识值逐步上升，而情绪波动性则逐渐下降，在所有模拟步骤中均观察到一致的趋势。图10 使用箱须图比较了所提出的GECIF框架与传统基线模型在知识增益分布上的差异。所提出的框架实现了显著更高的平均知识增益（9.87 ± 3.46），高于传统模型（6.90 ± 2.88），独立样本t检验确认了二者之间存在统计学显著差异（p < 0.0001；Cohen's d = 1.43）。尽管GECIF框架表现出更大的变异性，表现为更大的标准差和四分位距，但其整个分布向更高知识增益值方向偏移，表明增加的离散度伴随的是整体性能的提升，而非稳定性的降低。这些结果表明，所提出的框架在有效适应多样化模拟学习者反应的同时，仍能保持稳健的学习表现。 图11展示了随时间变化的参与度动态。所提出框架的参与度为0.90 ± 0.04，高于基线模型的0.68 ± 0.06（p < 0.01），且变异性更低。图12以周期性形式展示了参与行为。所提出框架的波动幅度更低，表明其相较于基线模型具有更低的变异性。
图13展示了图中各位置特征强度的空间分布。特征分布呈现出连续变化的趋势，并具有可识别的峰值与谷值，表明存在异质性的激活模式。图14呈现了知识传递的方向性流动。矢量场显示出有序的传播模式，其中收敛区域对应于数值的更高累积。图15展示了图结构随时间的演化过程。结构更新是逐步发生的，特征值在迭代过程中呈现平滑过渡。图16展示了特征间依赖关系的分析结果。相关性热图显示特征之间存在中等到强的相关关系，未观察到明显的冗余主导现象。图17说明了多维特征的贡献情况。不同节点上的贡献水平存在差异，表明其影响模式具有异质性。图18展示了知识状态与情绪状态的联合演化过程。知识值随时间稳步上升，而情绪波动性逐渐下降，在整个模拟周期内趋势保持一致。表2提供了这些结果的定量汇总，其中报告了包括知识增益、情绪稳定性、压力水平、参与度和鲁棒性在内的所有指标及其统计量度。结果显示，所提出的框架在所有评估指标上均与基线模型存在一致差异。统计分析证实，这些差异在模拟人群中具有显著性。总体而言，模拟结果一致表明，所提出的GECIF框架在所有评估的归一化性能指标上均优于传统基线模型。这些发现支持了本研究的目标与假设，即在可重复的计算环境中，将基于图的情绪智能与人工智能驱动的视觉教学相结合，能够提升模拟学习表现、情绪稳定性、参与度以及压力管理能力。
数据可用性：
本研究中使用的所有数据和计算过程均可完全重复且公开可获取。数据集生成的完整代码以及结构化数据表示详见补充文件1。
图1： 基于图的AI驱动视觉音乐教育与心理健康促进情感课程智能框架（GECIF）的概念架构。 该图展示了完整的系统结构，包括知识-情感图谱构建、图神经网络分析、情感路径优化、自适应课程重构、视觉学习界面以及多目标优化。图示说明了认知与情感组分如何被整合到一个统一的自适应学习系统中。请点击此处查看此图的放大版本。
图 2：基于自适应图的学习框架与传统基线模型在知识获取演化上的比较。 该图展示了归一化知识增益随归一化模拟步长的变化过程，表明所提出的 GECIF 框架具有更快的收敛速度和更高的模拟学习效率。所提模型与基线模型之间的统计比较采用配对 t 检验，在 n = 1000 名模拟学习者中进行。当显示误差线时，其表示归一化知识增益均值的 95% 置信区间（95% CI）。统计学显著性水平设定为 p < 0.05。 请点击此处查看该图的放大版本。
图 3：通过智能课程适应实现情绪稳定性的时序改善。 该图展示了归一化情绪稳定性指数在归一化模拟步骤中的演变过程，表明与传统基线模型相比，所提出的 GECIF 框架实现了更平稳的稳定化过程以及更少的情绪波动。统计比较采用配对 t 检验在 n = 1000 名模拟学习者中进行。当显示误差线时，其表示归一化情绪稳定性指数均值的 95% 置信区间（95% CI）。统计学显著性水平设定为 p ＜ 0.05。请点击此处查看该图的放大版本。
图 4：通过感知情绪的学习路径降低压力水平。 该图展示了归一化压力水平随归一化模拟步长的时间演化过程，表明所提出的 GECIF 框架相比传统基线模型能够维持更低且更稳定的模拟压力水平，说明在整个学习过程中情绪调节能力得到改善。统计比较采用配对 t 检验，基于 n = 1000 名模拟学习者的数据进行。若显示误差条，则代表平均归一化压力水平的 95% 置信区间（95% CI）。统计学显著性水平设定为 p < 0.05。 请点击此处查看该图的放大版本。
图5：模拟学习者中学习成果的分布情况。 该图展示了所提出的GECIF框架与传统基线模型在标准化知识增益上的分布。所提出的框架表现出向更高标准化知识增益偏移且变异性降低的分布特征，而基线模型则集中在较低性能水平。对两种分布之间的统计比较采用配对t-检验，在n = 1000名模拟学习者中进行，统计显著性定义为p < 0.05。由于该图显示的是频率分布而非汇总统计量，因此未展示误差线。请点击此处查看该图的放大版本。
图6：基于图的知识表示在学习迭代过程中的演化。 该图展示了在归一化模拟步长下图节点嵌入的时序演化过程。峰值代表更强的特征激活，而谷值则表示较弱的特征表示，反映出知识图在模拟过程中持续的适应与优化。此可视化图示呈现了所学习特征表示的演化过程，未包含误差线。研究中报告的统计比较基于 n = 1000 名模拟学习者进行的配对 t-检验，统计显著性定义为 p < 0.05。 请点击此处查看该图的高清版本。
图7：学习图中知识节点与情绪节点之间关系的强度。 该图展示了基于图的学习框架中认知节点与情绪节点之间归一化后的相互作用强度。数值越高，表示认知与情绪之间的依赖关系越强；数值越低，则表示关系较弱，从而揭示了学习图在整个模拟过程中复杂的互联结构及其自适应演化特征。本可视化图呈现的是图的连接模式，未包含误差线。本研究其他部分报告的统计比较采用配对t检验，基于n = 1000名模拟学习者的数据进行，统计显著性定义为p < 0.05。请点击此处查看该图的放大版本。
图8：自适应课程环境中学习进展与情绪健康之间的关系。 该图展示了在整个模拟学习过程中，标准化知识增长与情绪稳定性之间的正向关系。随着知识获取的增加，情绪稳定性也随之提高，表明在所提出的GECIF框架中，认知发展与情绪调节实现了有效整合。统计比较采用配对t检验，基于n = 1000名模拟学习者的数据进行。若显示误差线，则代表平均标准化表现值的95%置信区间（95% CI）。统计学显著性水平设定为p < 0.05。 请点击此处查看该图的放大版本。
图9：在归一化模拟步长中，知识获取与情绪动态对整体学习表现的贡献。 该图展示了归一化知识增益与情绪动态在时间维度上对整体模拟学习表现的贡献。在整个模拟过程中，知识获取呈现出主导性且持续上升的趋势，而情绪动态的影响则逐渐趋于稳定，体现了所提出的GECIF框架中认知与情绪过程的有效整合。统计比较采用配对t-检验，基于n = 1000名模拟学习者的数据进行。当显示误差线时，其表示平均归一化表现值的95%置信区间（95% CI）。统计学显著性水平定义为p < 0.05。请点击此处查看该图的放大版本。
图10： 自适应模型与传统模型在学习表现上的变异性与稳健性。 该图展示了所提出的GECIF框架与传统基线模型在标准化知识增益分布上的箱线图比较。所提出的框架表现出更高的中位数知识增益，且整体分布向更高性能值偏移，同时具有更宽的四分位距和更大的总体离散度，反映出模拟学习者之间更大的变异性。尽管变异性增加，但知识增益的分布始终更高，表明所提出的框架在不同学习者条件下仍保持稳健的学习表现。统计比较采用独立样本t-检验，每种模型均基于n = 1000名模拟学习者进行。箱体表示四分位距（IQR），箱内水平线表示中位数，须线延伸至1.5 × IQR。所提出的框架在平均知识增益上显著高于传统模型（p < 0.0001；Cohen's d = 1.43）。未显示误差条，因为箱线图使用四分位数和须线来总结数据分布，而非置信区间。请点击此处查看该图的放大版本。
图11：学习过程中学生参与度的动态变化。 该图展示了归一化的学生参与度指数随归一化模拟步长的时间演化过程，表明在整个模拟学习过程中，所提出的GECIF框架相比传统基线模型具有更高且更具适应性的参与度。所提出模型与基线模型之间的统计比较采用配对t-检验，基于n = 1000名模拟学习者的数据进行。若显示误差线，则代表归一化学生参与度指数均值的95%置信区间（95% CI）。当p < 0.05时，差异被认为具有统计学显著性。请点击此处查看该图的放大版本。
图12： 自适应学习环境中学生参与度的周期性模式。 该图展示了归一化的学生参与度指数随归一化模拟步长的时间演化过程，显示出周期性但稳定的参与度波动，表明所提出的GECIF框架在整个模拟学习过程中维持了平衡且自适应的学习者互动节奏。统计比较采用配对t检验，基于n = 1000名模拟学习者的数据进行。当显示误差线时，其表示归一化学生参与度指数均值的95%置信区间（95% CI）。统计学显著性水平定义为p < 0.05。请点击此处查看此图的放大版本。
图13： 学习图结构中特征强度的空间分布变化。 该图展示了基于图的学习框架中特征激活的归一化空间分布。强度较高的区域表示特征激活较强，而强度较低的区域则表示激活较弱，从而揭示了知识表征在学习图中具有结构化的非线性组织方式及其在模拟过程中自适应的关系。本可视化呈现了特征的空间分布模式，未包含误差线。本研究其他部分报告的统计比较采用配对t检验对 n = 1000 名模拟学习者进行，统计学显著性定义为 p < 0.05。 请点击此处查看该图的放大版本。
图14： 课程图谱中知识传递的方向性流动。 该图展示了基于图结构的课程框架中，知识在相互连接的节点间传播的归一化情况。方向性路径表示信息在学习图谱中的有序流动，突显了模拟过程中课程组件之间高效的知识传播与自适应的信息交换。此可视化图示呈现了知识传播的模式，未包含误差线。本研究其他部分报告的统计比较采用配对t检验，基于 n = 1000 名模拟学习者的数据进行，统计学显著性定义为 p < 0.05。 请点击此处查看该图的放大版本。
图15： 通过自适应特征变换实现学习图的结构随时间演化。 该图展示了在标准化模拟步骤中，随着自适应特征变换持续优化知识节点之间的关系，图拓扑结构的逐步演化过程。动态的结构变化反映了该框架重新组织和优化学习路径的能力，从而在模拟学习过程中生成日益连贯且自适应的图表示。此可视化图示展示了图拓扑结构的演化，未包含误差条。本研究其他部分报告的统计比较基于 n = 1000 名模拟学习者进行的配对 t-检验，统计显著性定义为 p < 0.05。 请点击此处查看该图的放大版本。
图16： 自适应框架中提取的学习特征之间的相互依赖模式。 该图展示了在所提出的GECIF框架内，提取的学习特征之间归一化的相互依赖模式。较强的关系表示特征维度之间具有更高的相关性和更有效的交互作用，而较弱的关系则代表较低的依赖性，体现了自适应图基框架所学习到的认知与情绪表征的复杂多维组织结构。此可视化图示呈现了特征交互模式，未包含误差条。本研究其他部分报告的统计比较采用配对t-检验，基于n = 1000名模拟学习者进行，统计显著性定义为p < 0.05。 请点击此处查看该图的放大版本。
图17： 多维特征对知识获取性能的贡献。 该图展示了在基于图的学习框架中，多个特征维度对知识获取的归一化贡献。图中节点间特征重要性的差异突显了认知与情感学习因素的异质性，揭示了不同特征如何相互作用并共同促进所提出的GECIF框架内的自适应知识获取。该可视化呈现了多维特征贡献模式，未包含误差条。本研究其他部分报告的统计比较采用配对t检验，基于n = 1000名模拟学习者进行，统计显著性定义为p < 0.05。请点击此处查看该图的放大版本。
图18： 自适应学习过程中认知与情绪状态的同步演化。 该图展示了在归一化模拟步长内，知识增益与情绪稳定性的归一化值随时间的变化过程，表明认知能力持续提升的同时，情绪波动逐渐减小。这两个学习维度的协调进展说明，所提出的GECIF框架在模拟学习过程中有效维持了认知发展与情绪调节之间的平衡整合。统计比较采用配对t检验，基于n = 1000名模拟学习者的数据进行。若显示误差条，则代表均值归一化性能值的95%置信区间（95% CI）。当p < 0.05时，差异被认为具有统计学显著性。请点击此处查看该图的放大版本。
| 符号 | 描述 | 类别 |
| G | 表示整个学习系统的图 | 图组件 |
| V | 所有节点的集合 | 图组件 |
| E | 边的集合（关系） | 图组件 |
| W | 表示关系强度的权重矩阵 | 图组件 |
| V_k | 知识节点（音乐概念） | 节点类型 |
| V_a | 活动节点（学习行为） | 节点类型 |
| V_e | 情绪节点（心理状态） | 节点类型 |
| W_ij | 节点 i 与 j 之间的权重 | 边参数 |
| S_c(i,j) | 节点间的认知相似性 | 边参数 |
| S_e(i,j) | 节点间的情绪相关性 | 边参数 |
| alpha | 认知相似性的权重 | 模型参数 |
| beta | 情绪相关性的权重 | 模型参数 |
| x_i(t) | 节点 i 在时间 t 的状态向量 | 节点状态 |
| k_i(t) | 节点 i 的知识水平 | 节点状态 |
| e_i(t) | 节点 i 的情绪状态 | 节点状态 |
| a_i(t) | 节点 i 的活动参与度 | 节点状态 |
| h_i | 节点嵌入表示 | GNN 参数 |
| gamma | 情绪衰减因子 | 模型参数 |
| eta | 学习/适应速率 | 模型参数 |
| J | 多目标优化函数 | 优化 |
表1： 基于图的情绪化课程智能框架（GECIF）中使用的变量、参数和符号的汇总。 本表提供了图结构组件、节点状态和模型参数的定义，以支持所提出方法的可重复性和清晰性。
| 指标 | 提出的方法 GECIF（均值） | 提出的方法 标准差 | 提出的方法 95% 置信区间 | 传统方法（均值） | 传统方法 标准差 | 传统方法 95% 置信区间 | 提升幅度 (%) | p 值 |
| 知识增益 | 0.88 | 0.04 | 0.84–0.92 | 0.65 | 0.06 | 0.59–0.71 | 35 | 0.001 |
| 情绪稳定性 | 0.92 | 0.03 | 0.89–0.95 | 0.7 | 0.05 | 0.65–0.75 | 31 | 0.002 |
| 压力降低 | 0.85 | 0.05 | 0.80–0.90 | 0.55 | 0.07 | 0.48–0.62 | 54 | 0.0005 |
| 参与度水平 | 0.9 | 0.04 | 0.86–0.94 | 0.68 | 0.06 | 0.62–0.74 | 32 | 0.0015 |
| 鲁棒性 | 0.87 | 0.03 | 0.84–0.90 | 0.66 | 0.05 | 0.61–0.71 | 32 | 0.002 |
| 学习效率 | 0.91 | 0.04 | 0.87–0.95 | 0.69 | 0.06 | 0.63–0.75 | 32 | 0.001 |
| 收敛速度 | 0.89 | 0.03 | 0.86–0.92 | 0.67 | 0.05 | 0.62–0.72 | 33 | 0.001 |
| 预测准确性 | 0.93 | 0.02 | 0.91–0.95 | 0.72 | 0.05 | 0.67–0.77 | 29 | 0.0008 |
| 情绪方差降低 | 0.86 | 0.04 | 0.82–0.90 | 0.6 | 0.06 | 0.54–0.66 | 43 | 0.0012 |
| 适应性评分 | 0.9 | 0.03 | 0.87–0.93 | 0.68 | 0.05 | 0.63–0.73 | 32 | 0.001 |
表2： 所提出的GECIF框架与传统学习模型之间的性能比较指标。 该表格总结了在知识获取、情绪稳定性、压力减轻、参与度、鲁棒性以及整体学习效率方面的提升，表明了所提出方法的优越性。
补充文件1：数据集生成与结构化数据表示的代码。 本文件概述了基于MATLAB的数据集生成、处理流程及评估方法，这些方法用于基于图的情绪化课程智能框架（GECIF）。文件内容涵盖模拟的各个阶段，包括交互日志生成、情绪指标建模、学习绩效计算、图结构构建、特征工程、统计分析、验证检查以及数据导出流程，旨在支持所提出方法的可重复性、透明性和清晰性。请点击此处下载该文件。
讨论
本研究提出了一种基于图的教育情感课程智能框架（GECIF），该框架将基于图的表示学习、情感状态建模、自适应课程优化以及人工智能驱动的可视化教学整合到一个统一的计算框架中，用于高校音乐教育。与传统的人工智能辅助教育模型主要优化学业表现不同，所提出的框架能够同时建模知识获取、情绪调节、学习者参与度以及自适应课程演进之间的相互作用。仿真结果在多个评估指标上均一致表明，该框架在知识增长、情绪稳定性、学习者参与度和压力减轻方面均优于传统基线模型。这些发现表明，将关系图结构与情感感知学习相结合，相较于仅依赖认知适应的方法，能够为教育过程提供更全面的计算表征。
模拟学习表现中观察到的改进与人工智能驱动的自适应教育领域的最新进展相一致。人工智能技术 increasingly 被认为是构建个性化和自适应学习环境的有效工具，能够响应学习者的特征和教育需求18,19,20。特别是，由人工智能支持的自适应课程设计已被证明可提升教学灵活性、以学习者为中心的决策能力以及教育有效性19,20。此外，人工智能辅助评估与智能反馈系统已展现出通过持续评估和自适应教学支持显著提升学生学业成就的潜力21,22,23。与这些先前研究相比，所提出的 GECIF 框架通过在一个基于图的计算架构中整合认知知识、情绪动态和自适应学习行为，拓展了现有方法。因此，当前框架为教育过程提供了统一的表征，而非将认知表现与学习者适应视为独立的组成部分。
在音乐教育与情感学习领域的先前研究也为本框架中情感建模的整合提供了支持。Li1 表明，情感可视化与深度学习相结合，能够通过增强学习者与教学内容之间的互动，提升音乐审美教学效果。类似地，Zhao3 报道，将认知映射与视听音乐治疗相结合，能有效降低大学生的焦虑水平，强调了情感调节与学习成果之间的密切关系。Iyendo 等人4 进一步证明，视听艺术与音乐干预能够显著改善心理福祉，减轻与情感压力相关的症状。因此，本模拟中观察到的情感稳定性提升，与先前证据一致，表明情感意识是成功音乐教育的一个关键组成部分。与以往主要将情感干预作为独立教育策略进行研究不同，本框架将情感动态直接嵌入基于图的课程优化中，使情感状态能够在整个学习过程中持续影响自适应的教学决策。
模拟降低学习者压力的效果与近期关于高等教育中学生心理健康的文献同样一致。学术压力已被确认为导致大学生心理幸福感下降和学业表现降低的主要预测因素。28,29,30系统性综述进一步表明，结构化的压力管理干预措施能显著改善学业功能和心理健康状况27最近，由人工智能支持的数字化干预措施在促进大学生压力管理和适应性自我调节方面已显示出有效性。29当前框架不同于这些基于干预的方法，因为压力减轻是通过认知与情绪互动的适应性优化实现的，而非通过独立的治疗机制。因此，在所提出的框架中观察到的较低压力水平表明，情绪适应性课程设计本身可能有助于减轻认知负荷，同时促进学习表现的提升。
本研究中观察到的学习者参与度提升，与先前关于人工智能支持的视觉教育及个性化教学技术的研究结果一致。Bian 等人12指出，在教育环境中，人工智能生成的视觉内容能显著增强课堂参与度、学习者的自我效能感以及认知表现。同样，Johnson 等人34报告称，数字视觉学习环境能够加强学生的参与程度，并在具有压力的教育条件下促进更高的参与积极性。在音乐教育领域，人工智能支持的教学技术已被证明有助于实现个性化的学习路径，并推动教育创新41。本文提出的 GECIF 框架通过将自适应视觉教学与基于图结构的情感建模相结合，进一步补充了上述发现，从而在学习过程中同步促进学习者参与、情绪调节与认知发展。
本研究观察到的情绪调节与学习表现之间的关系，也得到了更广泛的心理健康研究的支持。情绪调节已被确认为心理幸福感和健康教育功能的基本决定因素32。同样，学生幸福感模型强调，情绪韧性与心理稳定性与成功的学业成果密切相关15,16,17。针对大学生的研究持续表明，促进心理健康有助于增强韧性、参与度以及长期的教育成就14,15,16,17。本模拟实验显示出类似的计算行为，即情绪稳定性的提升伴随着更高的知识获取水平和更强的学习者参与度。尽管当前研究完全基于模拟，因此无法在真实学习者中确立因果关系，但计算结果进一步强化了日益形成的共识：情绪调节应被直接整合到智能教育系统中，而非被视为独立的教育结果。
与现有的计算方法相比，所提出的框架具有若干概念上的优势。当前基于人工智能的教育系统 increasingly 采用自适应评估、个性化反馈和智能决策支持，以提高学习效果21,22,23。类似地，由人工智能驱动的自适应课程模型强调学习者的个性化和动态教学规划18,19,20。然而，这些方法通常主要通过认知指标来评估学习者表现，而将情感信息单独表示或完全忽略。相比之下，所提出的 GECIF 框架在一个统一的图表示中同时建模知识获取、情感动态、学习者参与度以及自适应课程的演化。这种集成建模策略使得认知、行为和情感变量之间能够持续交互，从而相较于传统的由人工智能驱动的教育系统，提供了对教育过程更全面的计算描述。
该框架与音乐教育尤为相关，因为音乐学习本质上融合了技术技能的掌握、情感表达、创造力以及学习者的参与。以往研究表明，将音乐、视觉艺术和创造性教育活动相结合，有助于心理发展、情绪健康以及提升教育动机36，37。此外，音乐学习者常常面临较重的学业负担和心理压力，凸显了建立适应性教育支持机制的重要性25，26。本研究所提出的框架通过提供一种计算机制，扩展了上述教育视角，该机制能够在单一的基于图的模型中同时表征技术学习进程、情感适应过程以及适应性教学优化。因此，该框架为未来旨在优化教育成效与学习者福祉的智能音乐教育系统，提供了可解释的计算基础。
然而，应承认存在若干局限性。首先，该框架仅通过在受控计算模拟中生成的合成数据进行评估；因此，所报告的改进反映的是算法性能，而非来自真实学生群体的实证证据。其次，情绪变量采用数学抽象表示，简化了真实人类情绪过程的复杂性。第三，预定义的图结构和优化参数可能无法充分代表实际中遇到的多样化教育环境。最后，基于图的优化引入了额外的计算复杂性，在智能教育系统中大规模部署前可能需要进一步优化。
因此，未来的研究所应使用真实的教育数据集和实际课堂环境来验证所提出的框架。整合多模态教育信息，包括行为交互日志、生理测量数据、音视频观察结果以及数字化学习痕迹，有望显著提升情感状态估计和自适应课程优化的现实性。与近期基于人工智能的自适应学习系统进行对比评估18,19,20,21,22，将进一步阐明基于图结构的情感建模的相对优势。将该框架从音乐教育拓展至其他教育学科，也将增强其普适性和实际应用价值的证据。本研究基于仿真的探索表明，将基于图的关联学习与情感建模相结合，是下一代智能教育系统的一个有前景的发展方向。研究结果与近年来人工智能支持的自适应教育、情感感知型音乐教学、个性化学习以及学生心理健康研究的进展相一致25,26,27,28,29,30。尽管仍需通过真实学习者进行验证，但所提出的GECIF框架为未来能够同时优化认知表现、情感健康、学习者参与度以及自适应课程设计的人工智能驱动教育系统提供了结构化的计算基础。
致谢
作者谨向安庆师范大学音乐系致以诚挚的感谢，感谢其为开展本研究提供了必要的学术环境和机构支持。特别感谢在所提出框架的开发与评估过程中，提供宝贵见解和反馈意见的同事与学生。作者同时感谢安庆师范大学在获取资源和研究基础设施方面所提供的支持。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 32 GB DDR4 内存模块 | Kingston Technology | NA | |
| 用于 GPU 加速的 CUDA 工具包（v11.8） | NVIDIA | version 1.18 | |
| 课程自适应引擎 | Custom Implementation | CAE003 | |
| 数据集：情绪指标 | 生成的数据集 | DEI006 | |
| 数据集：学习表现指标 | 生成的数据集 | DLPM007 | |
| 数据集：学生交互日志 | 生成的数据集 | DIL005 | |
| 情绪状态模拟模块 | Custom Implementation | ESM002 | |
| GPU 工作站（NVIDIA RTX 3080） | NVIDIA | NA | |
| 图神经网络实现模块 | Custom Implementation | NA | |
| Intel Core i7 处理器（3.6 GHz） | Intel Corporation | NA | |
| Jupyter Notebook 环境（v6.5） | Project Jupyter | version 6.5 | |
| MATLAB 软件（R2023a） | MathWorks | R2023a | |
| Matplotlib 可视化库（v3.7） | Matplotlib | version 3.7 | |
| NetworkX 图形处理库（v3.1） | NetworkX Developers | version 3.1 | |
| NumPy 数值计算库（v1.24） | NumPy Developers | version 1.24 | |
| 优化模块（多目标求解器） | Custom Implementation | MOS008 | |
| Pandas 数据处理库（v2.0） | Pandas Development Team | version 2.0 | |
| Python 编程环境（v3.10） | Python Software Foundation | version 3.10 | |
| PyTorch 深度学习框架（v2.0） | Meta AI | version 2.0 | |
| 随机种子初始化脚本 | Custom Implementation | RSI009 | |
| Scikit-learn 机器学习库（v1.3） | Scikit-learn | version 1.3 | |
| Seaborn 统计可视化库（v0.12） | Seaborn | version 0.12 | |
| TensorFlow 库（v2.12） | version 2.12 | ||
| 视觉学习界面工具包 | Custom Implementation | VLI004 | |
| Windows 11 操作系统 | Microsoft | W11 |
参考文献
- Li Y. Music aesthetic teaching and emotional visualization under emotional teaching theory and Deep learning. Front Psychol. 2022;13.
- 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).
- 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).
- 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.
- 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.
- Omelchenko M, Migalina V, Kaleda V. The effect of untreated illness in youth depression: A cross-sectional study. Consort Psychiatr. 2022;3(4):8.
- 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.
- 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.
- 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.
- 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.
- Liu Z. Music teaching curriculum integrates physical exercise to regulate Students' mental health. Rev Psicol Deporte. 2024;33(1):426–435.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Caspari-Sadeghi S. Artificial intelligence in technology-enhanced assessment: A survey of machine learning. J Educ Technol Syst. 2023;51(3):372–386.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Menefee DS, Ledoux T, Johnston CA. The importance of emotional regulation in mental health. Am J Lifestyle Med. 2022;16(1):28–31.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.