Forschung zur Integration von narrativer Simulation und visueller KI in das Lehrmanagement, um psychische Gesundheitskapazitäten an Universitäten aufzubauen

Zusammenfassung

Diese Studie integriert narrative Simulation und visuelle KI in Lehrmanagementsysteme, um die psychische Gesundheit, emotionale Widerstandsfähigkeit und das Engagement der Studierenden zu verbessern.

Zusammenfassung

Universitätsstudenten stehen zunehmend vor psychischen Herausforderungen, darunter Angstzustände, Depressionen und Stress, doch den meisten Hochschuleinrichtungen fehlen proaktive Systeme zur emotionalen Überwachung und Unterstützung. Diese Studie zielte darauf ab, ein hybrides Lehrmanagementsystem zu entwerfen, umzusetzen und zu evaluieren, das narrative Simulation mit visueller künstlicher Intelligenz (KI) integriert, um psychische Gesundheitskompetenz und emotionale Widerstandsfähigkeit bei Studierenden zu fördern. Das System beinhaltet ein narratives Entscheidungsmodul, das Stressszenarien simuliert, sowie ein KI-gestütztes Emotionserkennungstool (basierend auf Gesichtsausdrückerkennung), das in Klassenzimmerumgebungen integriert ist. Ein Mixed-Methods-Design wurde mit 332 Bachelor-Studierenden und 15 Fakultätsmitgliedern mehrerer Universitäten angewandt. Vor und nach der Intervention wurden Umfragen, Nutzungsprotokolle und Echtzeit-emotionale Daten aus visueller KI erhoben. Quantitative Daten wurden mittels deskriptiver Statistik, gepaarten t-Tests, ANOVA und multipler linearer Regression analysiert. Die Ergebnisse zeigten statistisch signifikante Verbesserungen der psychischen Gesundheitswerte der Schüler (S. < 0,01), des emotionalen Bewusstseins und des Entscheidungsbewusstseins der Schüler. Dieser integrierte Ansatz zeigt sowohl Benutzerfreundlichkeit als auch Skalierbarkeit, bietet Lehrenden frühe emotionale Einblicke und den Studierenden eine reflektierende Lernumgebung. Die Methode eignet sich am besten für Institutionen mit KI-fähigen Klassenräumen und ausgebildeter ethischer Aufsicht.

Einleitung

Psychische Gesundheit ist zu einem dringenden Anliegen in der Hochschulbildung geworden, mit steigenden Werten von Angst, Depression und Burnout unter Universitätsstudenten weltweit¹. Diese psychologischen Belastungen, die oft mit akademischer Überlastung, sozialem Druck und finanzieller Unsicherheit verbunden sind, wirken sich negativ auf die schulischen Leistungen, die Bindung und das langfristige Wohlbefinden^aus. Obwohl viele Institutionen Beratungsdienste und Kriseninterventionen eingeführt haben, sind solche Ansätze tendenziell reaktiv und in^{ihrer Reichweite} begrenzt. Es gibt eine wachsende Nachfrage nach proaktiven, skalierbaren und eingebetteten Strategien, die die psychologische Resilienz der Schüler in alltäglichen Lernumgebungen unterstützen.

Jüngste Fortschritte in der Bildungstechnologie bieten neue Möglichkeiten, emotionale Unterstützung direkt in Lehrsysteme zu integrieren. Zwei vielversprechende Ansätze sind narrative Simulation und visuelle künstliche Intelligenz (KI). Narrative Simulation bezeichnet interaktive, geschichtengetriebene Module, die die Schüler in emotional komplexe Situationen versetzen und zur Reflexion, Empathie und Entscheidungsfindung anregen. Diese Simulationen basieren auf der erfahrungsbasierten Lerntheorie und ermöglichen es den Lernenden, Reaktionen auf Herausforderungen wie Prüfungsangst, Zeitmanagement oder Konflikte mit Gleichaltrigen in einer sicheren, geführten Umgebung^zu üben ^4,5. Die Experiential Learning Theory legt außerdem nahe, dass Reflexion und aktives Experimentieren entscheidend sind, um Erfahrung in dauerhaftes Lernen zu verwandeln, was narrative Simulation zu einem praktikablen Mittel macht, um emotionale Intelligenz und adaptives Bewältigen zu fördern.

Visuelle KI nutzt maschinelle Lernmodelle, um die emotionalen Zustände der Schüler in Echtzeit abzuleiten, z. B. anhand von Gesichtsausdrücken, Blick oder Haltung⁶. Wenn solche Systeme ethisch und mit informierter Zustimmung eingesetzt werden, können sie als Frühwarninstrumente dienen, die Stress oder Entspannung vor einer Eskalation^{erkennen 7}. Integriert in Lehrmanagement-Plattformen kann visuelle KI den Lehrenden zeitnahes Feedback geben und personalisierte akademische oder emotionale Reaktionen unterstützen. Diese Integration steht im Einklang mit der kognitiv-behavioralen Theorie, die betont, dass die Steigerung des Bewusstseins für maladaptive Kognitionen und deren Umstrukturierung emotionale Ergebnisse verbessern kann.

Dieser Ansatz steht auch im Einklang mit zeitgenössischen Ansichten von Lehrmanagement als Orchestrierung der Studierendenerfahrung über digitale und persönliche Umgebungen. Durch die Integration psychischer Gesundheitsunterstützung in diese Infrastruktur wird das Resilienztraining Teil des akademischen Prozesses und nicht mehr eine optionale^Zusatz-8. Es stimmt zudem mit dem Transaktionalen Modell von Stress und Bewältigung überein, das Emotionsregulation als dynamisches Zusammenspiel zwischen Bewertung und Bewältigungsstrategien darstellt; hier trägt visuelle KI zur primären Bewertung bei (Erkennung von Hinweisen), während narrative Simulation die sekundäre Bewertung (Bewältigungsmöglichkeiten erforschen) in einem psychologisch sicheren Raum unterstützt.

Trotz wachsendem Interesse haben nur wenige empirische Studien den kombinierten Einsatz von visueller KI und narrativer Simulation zur Unterstützung der psychischen Gesundheit im Hochschulbereich untersucht. Darüber hinaus sind zentrale Konzepte wie psychische Gesundheitskompetenz, "das Wissen und die Überzeugungen, die bei der Erkennung, Behandlung oder Prävention psychischer Störungen ^helfen"9 und emotionale Resilienz, also die Fähigkeit, sich an psychischen Stress^anzupassen, oft unteroperationalisiert. Diese Studie schließt diese Lücken, indem sie ein integriertes Lehrmanagementsystem entwirft und testet, das narrative Simulation mit visuellen KI-Komponenten kombiniert, um die frühe Erkennung von Belastungen zu fördern und die Selbstregulation der Studierenden zu fördern.

Ziel und wesentlicher Beitrag

Diese Studie untersucht, wie narrative Simulation und visuelle KI sinnvoll in Lehrmanagementsysteme integriert werden können, um psychische Gesundheitsprobleme von Universitätsstudierenden anzugehen. Anstatt psychische Gesundheit als externen Dienst zu behandeln, ist das Ziel, emotionales Engagement und frühe psychologische Unterstützung in routinemäßiges Lernen einzubetten. Die Kombination interaktiver Entscheidungsszenarien mit Echtzeit-emotionaler Überwachung bietet den Studierenden Möglichkeiten zur reflektierenden Übung und ermöglicht es den Lehrkräften, sensibel auf Anzeichen von Stress zu reagieren.

Das System basiert konzeptionell auf erfahrungsbasiertem Lernen und hebt Praxis, Feedback und emotionale Beteiligung als Treiber von Verhaltensänderungen hervor. Narrative Simulationen stellen vertraute akademische Belastungen dar (z. B. Zeitdruck, Spannungen unter Gleichaltrigen), die emotional relevante Entscheidungen erfordern. Parallel dazu überwacht ein visuell-KI-Tool, das für die Inferenz von Gesichtsausdrücken kalibriert ist, momentane Veränderungen während der Unterrichtsstunden. Der Ansatz greift außerdem auf die Theorie der emotionalen Intelligenz zurück, die Selbstbewusstsein, Empathie und Regulation als Kernkompetenzen der Resilienz identifiziert.

Die Forschung umfasste 332 Bachelor-Studierende und 15 Fakultätsmitglieder in drei Fachbereichen. Mit einem Mixed-Methods-Design bewerteten wir, ob Angst, Depression und Stress abnahmen und ob sich das emotionale Bewusstsein und das Entscheidungsbewusstsein der Schüler verbesserten. Statistische Modellierung und qualitative Analysen informieren gemeinsam, wie emotionsbewusste Technologien das Wohlbefinden der Studierenden unterstützen können – nicht als Ersatz für professionelle Versorgung, sondern als präventive, skalierbare Komponente des alltäglichen akademischen Lebens.

Systemübersicht

Diese Studie ist in fünf Hauptabschnitte gegliedert. Die Einleitung präsentiert den Hintergrund und die Motivation, um psychische Herausforderungen im Hochschulbereich anzugehen. Der zweite Abschnitt überblickt bestehende Literatur zur narrativen Simulation, visueller KI und deren Anwendungen im Bildungskontext. Der dritte Abschnitt skizziert das Forschungsdesign, einschließlich des Mixed-Methods-Ansatzes, Teilnehmerrekrutierung und analytischer Techniken. Der vierte Abschnitt präsentiert die wichtigsten Erkenntnisse, sowohl quantitativ als auch qualitativ, mit Fokus auf Veränderungen in der emotionalen Resilienz und des Bewusstseins für psychische Gesundheit der Schüler. Abschließend behandelt das Fazit die weiterreichenden Auswirkungen der Ergebnisse und schlägt zukünftige Wege für die Integration emotionsbewusster Technologien in die Lehrpraxis vor.

Verwandte Arbeiten

Universitäten haben verschiedene Ansätze zur Unterstützung der psychischen Gesundheit ausprobiert, darunter peer-geführte Öffentlichkeitsarbeit, digitale Kampagnen und Unterrichtsinterventionen¹¹. Campusweite Botschaften in Kombination mit studentischer Peer-Unterstützung können das Engagement und das Bewusstsein für den Service verbessern, obwohl die Anpassung an verschiedene Bevölkerungsgruppen weiterhin eine Herausforderung bleibt¹². Auf Populationsebene stützt sich die Forschung oft auf Selbstbegutachtungsumfragen, die auf den diagnostischen Kriterien¹³ basieren, die kausale Schlussfolgerungen einschränken und Echtzeitindikatoren für Stamm^14,15 übersehen.

Ein wachsendes Arbeitsfeld untersucht emotionale Intelligenz (EI) als Prädiktor für das Wohlbefinden der Schüler; Eigenschaften wie Selbstbewusstsein, Klarheit und emotionale Reparatur sind mit besseren Ergebnissen verbunden, wobei Zugehörigkeit häufig als Vermittler¹⁶ bezeichnet wird. Dennoch basieren viele Ergebnisse auf einmaligen Umfragen und fehlen dynamisches Feedback für nachhaltige Unterstützung. Die Integration von EI-basierten Prinzipien in die narrative Simulation bietet einen Weg, Empathie, Reflexion und Selbstregulation zu vertiefen.

Parallel dazu integrieren Bildungsforscher KI zunehmend in Lernumgebungen¹⁷. Visuelle KI-Werkzeuge, die Gesichtsausdrücke oder stressbedingte Mikroausdrücke erkennen, wurden in Prüfungen und Nachhilfe eingesetzt, mit vielversprechenden Ergebnissen für adaptives Feedback¹⁸. Narrative Simulationen sind in der Pflege- und medizinischen Ausbildung gut etabliert, um emotional aufgeladene Entscheidungen zu praktizieren¹⁹, sind jedoch oft domänenspezifisch und werden selten in allgemeine Lehrmanagementsysteme integriert²⁰. Ein kleiner Werk schlägt Rahmenwerke für die Zusammenarbeit zwischen Studierenden und KI sowie KI-gesteuertes Instructional Design^21,22 vor, wobei Ethik, Implementierungslücken und die Notwendigkeit skalierbarer Modelle betont werden, die pädagogischen und psychologischen Wert über das Neue hinaus bieten.

Diese Studie bringt das Feld voran, indem sie narrative Simulation mit Echtzeit-affektivem Computing integriert, um eine proaktive, eingebettete Reaktion auf psychische Herausforderungen in universitären Lernumgebungen zu schaffen.

Forschungslücke und praktische Umsetzungsaspekte

Obwohl digitale Werkzeuge für die psychische Gesundheit von Studierenden zunehmen, stützen sich viele Studien auf Selbstberichterstattung und kurzfristige Interventionen außerhalb des Klassenzimmers, was langfristige Auswirkungen und Terminion begrenzt. Nur wenige Bemühungen verbinden Konstrukte wie EI oder mentale Gesundheitskompetenz mit Echtzeitfeedback oder beobachtbarem Klassenverhalten. Visuelle KI und narrative Simulation wurden getrennt untersucht, aber selten in einem einzigen System kombiniert, das emotionale Zustände während der akademischen Aktivitäten sowohl verfolgt als auch darauf reagiert. Diese Studie adressiert diese Lücke, indem sie simulationsbasierte emotionale Reflexion mit KI-gesteuerter Anerkennung innerhalb der Lernumgebung kombiniert.

Praktische Implementierungsüberlegungen

Eine effektive Implementierung hängt von Infrastruktur (stabiles Internet, integrierte Kameras), ethischer Aufsicht und Algorithmus-Kalibrierung ab, um Teilnehmer zu schützen und Verzerrungen zu verringern, insbesondere bei Gesichtsanalysen. Auch die Schulung der Fakultät ist notwendig, um KI-generierte Hinweise verantwortungsvoll zu interpretieren und in pädagogische Entscheidungen zu integrieren. Daher passt der Ansatz am besten zu Universitäten mit etablierten digitalen Infrastrukturen und institutionellen Ethikkomitees, wo er als proaktives, skalierbares Rahmenwerk für die Stärkung der psychischen Gesundheit von Studierenden fungieren kann.

Protokoll

Vor der Datenerhebung wurde die ethische Genehmigung vom Institutional Review Board der Nanjing University of Posts and Telecommunications (Genehmigungscode: NJUPT-IRB-2024-0312) eingeholt. Alle Teilnehmer gaben eine schriftliche informierte Einwilligung ab, nachdem sie über den Umfang der Studien, die freiwillige Natur der Teilnahme, den Einsatz visueller KI zur Emotionsverfolgung und die Vertraulichkeitsverfahren der Daten informiert wurden. Die Teilnahme konnte jederzeit ohne Strafe eingestellt werden. Die verwendete Software und Ausrüstung sind in der Materialtabelle aufgeführt.

1. Lernvorbereitung

1. Definition des Betriebszeitplans und des End-to-End-Flusses
   Es wurden zwei Bewertungspunkte festgelegt: T1 (vor der Intervention) unmittelbar nach der ersten Prüfung und T2 (nach der Intervention), nach kurzem Feedback von Dozenten, die von KI-Emotionssignalen geleitet wurden. Nach der Prüfungsphase wurde eine narrative Simulation geplant, und einige Tage später eine zweite, um Veränderungen im Umgang mit dem Bewältigen zu bewerten. Die End-to-End-Pipeline, die die Eingabe der Klassenzimmerkamera, eine Emotionserkennungs-API, Feedback von Lehrkräften, Umfrageerhebung, Datenintegration und Analyse umfasst, ist in Abbildung 1A dargestellt.
2. Rekrutierung und Dokumentation der Teilnehmer
   Insgesamt wurden 347 Teilnehmer durch freiwillige Einschreibungen aus bestehenden Kursen rekrutiert, darunter 332 Bachelor-Studierende (Alter 18–22; 140 männlich, 192 weiblich) und 15 Dozenten (Alter 27–45; 10 weiblich, 5 männlich). Die Verteilungen des akademischen Jahres und der Abteilung wurden erfasst. Die demografischen Angaben von Studierenden und Dozenten sind in Tabelle 1 bzw . Tabelle 2 dargestellt.
3. Vorbereitung von Klassenräumen und Materialien
   Jeder Raum war mit einem Computer (Intel i5 oder höher, ≥ 8 GB RAM), einer HD-Webcam (≥ 720p) und stabiler Internetverbindung (≥ 10 Mbit/s) ausgestattet. Die Webcam wurde auf Augenhöhe unter gleichmäßiger Frontbeleuchtung positioniert, um eine klare Gesichtssicht bei ≥ 640 × 480 px zu gewährleisten. Eine Benachrichtigung zeigte an, dass die Emotionsverfolgung aktiv war. Framing und Beleuchtung wurden vor jeder Sitzung überprüft, und die Softwarekonfiguration wurde gestartet, sobald die Erkennungsstabilität bestätigt war.

2. Visuelle KI-Konfiguration

1. Bereitstellung des Emotionserkennungsdienstes
   Ein Cloud-Konto wurde erstellt und die Emotionserkennungs-API aktiviert. Der API-Schlüssel und die Endpunkt-URL wurden generiert, wobei die Zugangsdaten in verschlüsselter Form unter rollenbasierter Zugriffskontrolle gespeichert wurden. Für die Reproduzierbarkeit wurde die Microsoft Azure Face API (Emotion, v3.2, Region Ostasien) verwendet. Der Client authentifizierte sich per HTTPS mit einem Trägertoken und lieferte pro Face JSON-Objekte zurück, die {faceId, faceRectangle, emotions: {anger, fear, sadness, disekel, happy, surprise, neutral}, timestamp} mit etwa 25-30 fps enthielten.
2. Anschluss der Kamera und Kalibrierung der Detektion
   Der Webcam-Stream im Klassenzimmer war mit dem API-Client (Python oder REST) verknüpft. Die Abtastrate wurde auf 25–30 fps mit einer Bildauflösung von 640 × 480 px eingestellt. Ein Teststrom wurde gestartet, und die Konnektivität wurde durch eine HTTP-200-OK-Antwort mit gültigem zeitgestempeltem JSON bestätigt. Kamerawinkel und Beleuchtung wurden so lange angepasst, bis Gesichter innerhalb einer Sekunde nach Bildeintritt erkannt wurden. Die endgültige Kameraposition und die Lichtparameter wurden dokumentiert. Die Kalibrierung wurde durch einen Bestätigungsbildschirm mit Begrenzungsboxen, dem 200-OK-Indikator und JSON-Feldern nachgewiesen, wie in Abbildung 1B dargestellt.
3. Definition von Klassifikationsschwellen und Protokollierungsregeln
   Jede JSON-Ausgabe enthielt ISO-8601-Zeitstempel, Emotionsbezeichnungen und Konfidenzwerte. Ein Negativ-Affekt-Komposit pro Frame wurde als Mittelwert der {Wut, Angst, Traurigkeit, Ekel} Vertrauenswerte definiert. Eine Spannungsflagge wurde ausgelöst, wenn das Kompositbild mindestens 5 Sekunden lang ≥ 0,75 blieb (Rollfenster). Ein 10-minütiger Pilotlauf wurde durchgeführt, um die Schwellenwerte zu optimieren, mit dem Ziel einer False-Positiv-Rate von ≤5 % pro Sitzung. Das Logging wurde so konfiguriert, dass Sitzungszusammenfassungen aggregiert wurden, anstatt identifizierbare Frames zu speichern.
4. Implementierung von Datenschutz- und Datenminimierungskontrollen
   Pseudonyme Kennungen (S001-S332 für Studierende und F001-F015 für Lehrkräfte) wurden zugewiesen, wobei die ID-Schlüsseldatei auf einem verschlüsselten Server unter rollenbasierter Zugriffskontrolle verwaltet wurde. Das lokale Video-Caching wurde deaktiviert. Wenn temporäres Caching zur Qualitätssicherung erforderlich war, wurden zwischengespeicherte Frames innerhalb von 24 Stunden nach der Verifizierung gelöscht. Die Genauigkeit der Erkennung pro Sitzung, die durchschnittliche Latenz und die Fehlerraten wurden für die spätere Präsentation im Abschnitt Results erfasst.
5. Überprüfung der KI-Bereitschaft (prozeduraler Kontrollpunkt)
   Stabile Gesichtserkennung bei 25–30 fps, Empfang von HTTP-200-OK-Antworten, gültige JSON-Felder, dokumentierte Schwellenwerte und sichere Speicherung von Zugangsdaten wurden bestätigt. Der gesamte Pipeline wurde berichtet, dass er Bereitschaftsprüfungen bestanden habe, die mit der Kalibrierungsdarstellung in Abbildung 1B übereinstimmen.

3. Vermessungsverwaltung

1. Konfiguration von Instrumenten und Ankern
   Eine 5-Punkte-Likert-Skala wurde verwendet, um Depressionen, Angstzustände und Stress zu messen, wobei Elemente aus DASS-21 angepasst wurden, um mit dem akademischen Kontext in Einklang zu kommen. Item-Codes und Anker folgten dem in Tabelle 3 dargestellten Instrumentenlayout.
2. Verwaltung von T1 (Vor-Test)
   Die Umfrage wurde unmittelbar nach der Erstprüfung und vor jeglichem KI-basierten Feedback durchgeführt. Ein sicheres Online-Formular wurde bereitgestellt, bei dem alle Felder als verpflichtend gesetzt und doppelte Einreichungen verhindert wurden. Der Datensatz wurde im CSV-Format exportiert, mit Feldern für Teilnehmer-ID, Zeitpunkt (T1) und Item-Scores.
3. Geben von kurzem Feedback an den Dozenten
   Innerhalb von 24 Stunden nach T1 wurde den durch KI identifizierten Studierenden nicht-klinische Anleitung gegeben. Das Feedback umfasste kurze Entspannungsübungen (3–5 Minuten), Anpassungen des Lernplans oder Vorschläge zum Zeitmanagement. Im Forschungsdatensatz wurden keine klinischen Notizen verzeichnet. Studierende mit schwerem Stress wurden gemäß den institutionellen Richtlinien an Campusberatungsdienste überwiesen.
4. Verabreichung von T2 (nach dem Test)
   Die gleiche Umfrage wurde nach der zweiten Prüfungssitzung und dem anschließenden Feedback erneut durchgeführt. Die Daten wurden im CSV-Format mit Zeitpunkt (T2) exportiert und mit T1-Antworten mittels Teilnehmer-IDs abgeglichen.
5. Sperrung von Vermessungsdaten (prozeduraler Kontrollpunkt)
   Antwortquoten und fehlende Datenmuster wurden überprüft, und die Umfragedatenbank wurde vor der Datenzusammenlegung gesperrt. Beschreibende Statistiken wurden für die Aufnahme in den Ergebnisbereich geplant.

4. Erzählersimulationsübungen

1. Ausführung von Simulation 1
   Ein akademisches Stressszenario wurde dargestellt, das Situationen wie das Erhalten einer niedrigen Note oder das Empfinden unfairer Rückmeldungen darstellt. Jeder Schüler wurde angewiesen, eine von drei Reaktionsoptionen zu wählen: Frustration internalisieren, den Dozenten öffentlich beschuldigen oder reflektieren und um Klarstellung bitten. Für die Auswahl der Antwort wurde eine Dauer von 3–5 Minuten vorgesehen, gefolgt von einer schriftlichen Begründung von 150–200 Wörtern. Die Simulationsschnittstelle, die die Timing-Prompt und die Antwortoptionen anzeigt, ist in Abbildung 1C dargestellt.
2. Durchführung kurzer Interviews
   Unmittelbar nach Simulation 1 wurden kurze Interviews von 5 bis 7 Minuten durchgeführt, um die Bewertungen der Teilnehmer, Bewältigungsabsichten und wahrgenommenen emotionalen Auslöser zu erkunden. Interviewnotizen wurden aufgezeichnet und mit den Teilnehmer-IDs verknüpft.
3. Ausführung von Simulation 2
   Einige Tage später wurde eine zweite Simulation durchgeführt, die dem gleichen Verfahren wie Simulation 1 folgte, jedoch mit einem parallelen Szenario. Diese Sitzung hatte zum Ziel, Veränderungen im emotionalen Bewusstsein und im Bewältigungsverhalten zu beobachten. Die Wahl, Begründung und Interviewnotizen wurden wie in Simulation 1 festgehalten.
4. Bestätigung von Simulationsaufzeichnungen (prozeduraler Kontrollpunkt)
   Jeder Teilnehmer wurde verifiziert, dass er eine aufgenommene Wahl, eine Begründung mit mindestens 150 Wörtern und eine entsprechende Interviewnotiz hatte. Eine Vorlage für Codierungszusammenfassungen wurde für die anschließende thematische Analyse erstellt.

5. Exportieren von KI-Logs und Zusammenführen von Datensätzen

1. Export von Emotionszusammenfassungen auf Sitzungsebene
   Sitzungsebene Emotionszusammenfassungen wurden im CSV-Format exportiert, einschließlich Teilnehmer-ID, Sitzungs-ID, ISO 8601-Zeitstempel, Emotionsbezeichnung, Konfidenzwert und dem Stress-Flag-Indikator. Rohvideoframes wurden nicht gespeichert.
2. Zusammenführung von KI-Logs mit Umfragedateien
   KI-Logdateien wurden mit T1- und T2-Umfragedatensätzen zusammengeführt, wobei Teilnehmer-ID und Sitzungsdatum als Schlüsselvariablen verwendet wurden. Abgeleitete Variablen wie ΔAnxiety = Anxiety_T2 − Anxiety_T1 wurden berechnet, um Veränderungen im Zeitverlauf zu bewerten. Eine Überprüfung von 5 % der zusammengeführten Datensätze wurde durchgeführt, um die Übereinstimmung der Identifikatoren und chronologische Konsistenz zu überprüfen.
3. Bestätigung der Merge-Integrität (prozeduraler Kontrollpunkt)
   Eins-zu-eins-ID-Abgleich und korrekte zeitliche Reihenfolge, wobei T1 für jeden Teilnehmer vor T2 stand, wurden bestätigt. Alle festgestellten Unstimmigkeiten wurden vor der Durchführung statistischer Analysen behoben.

6. Quantitative Analyse (SPSS-Workflow)

1. Datenimport und Definition von Variablen
   Datendateien wurden in SPSS 27.0 geöffnet und CSV-Datensätze importiert. Variablenlabels und -typen wurden definiert, und Regeln für fehlende Werte wurden festgelegt. Masterdateien wurden in .sav Format für spätere Analysen gespeichert.
2. Bewertung der Zuverlässigkeit und deskriptiver Statistik
   Cronbachs α wurde für jedes Konstrukt berechnet, um die interne Konsistenz zu bewerten. Deskriptive Statistiken, einschließlich Mittelwert (M) und Standardabweichung (SD), wurden für alle Variablen erstellt. Die resultierenden Ergebnisse wurden für die Aufnahme in den Ergebnisbereich beibehalten.
3. Ausführung von gepaarten Stichproben t-Tests
   Es wurden gepaarte Stichproben durchgeführt, um T1- und T2-Werte für Angst, Depression und Stress zu vergleichen. Die Ergebnisse umfassten t, Freiheitsgrade (df), p-Wert, Cohens d und 95%-Konfidenzintervall (KI), die alle im Ergebnisabschnitt präsentiert wurden.
4. Durchführung von wiederholten Maßnahmen (ANOVA)
   Zeit (T1, T2) wurde als Faktor innerhalb des Subjekts in einer wiederholten ANOVA angegeben. Mauchlys Test der Sphärizität wurde bewertet, und die Greenhouse-Geisser-Korrektur wurde angewandt, wenn Annahmen verletzt wurden. Die Analyse ergab die Werte von F, df, p, η² und 95 % KI für die Aufnahme in die Ergebnisse.
5. Anpassung mehrerer linearer Regressionsmodelle
   Mehrere lineare Regressionsmodelle wurden mit T2-Ergebnissen ausgestattet, die auf T1-Werten, KI-Stress-Flag-Rate und narrativer Wahl (Dummy-codiert) regressiert wurden. Die Modellergebnisse wurden durch die Berichterstattung von β, Standardfehler (SE), t-Wert, p-Wert und R² zusammengefasst.
6. Aufrechterhaltung von Einheits- und Notationsstandards
   Alle numerischen Werte folgten den SI-Einheitenkonventionen, mit einem Abstand zwischen Zahl und Einheit (z. B. 10 Min, 25 fps, 640 × 480 px). Gleichungen wurden gegebenenfalls mit dem Gleichungswerkzeug von Word eingefügt, und die statistische Notation wurde in allen Abschnitten einheitlich gehalten.

7. Workflow der thematischen Analyse

1. Zusammenstellung des qualitativen Korpus
   Interviewnotizen wurden transkribiert und narrative Begründungen in einem einzigen Korpus zusammengefasst, das nach Teilnehmer-ID und Zeitpunkt (Sim1 oder Sim2) gekennzeichnet war. Dieser Korpus diente als Datensatz für die qualitative Analyse.
2. Entwicklung des Codebuchs und Ausbildung von Programmierern
   Ein Codebuch wurde entwickelt, das sich auf emotionales Engagement, Entscheidungsqualität und Indikatoren für emotionale Intelligenz konzentriert, darunter Selbstbewusstsein, Empathie und emotionale Regulation. Zwei Codierer wurden auf 10 % des Korpus geschult, um eine konsistente Interpretation der Codes und analytischen Kriterien sicherzustellen.
3. Etablierung der Interrater-Zuverlässigkeit und Abschluss der Codierung
   Die Interrater-Zuverlässigkeit wurde mit einem Cohen-Ziel-κ von mindestens 0,75 bewertet. Etwaige Unstimmigkeiten wurden besprochen und behoben, bevor das Codebook endgültig festgelegt wurde. Der verbleibende Korpus wurde dann vollständig codiert. Die Themenfrequenzen wurden zusammengefasst, und eine repräsentative thematische Karte wurde für die Präsentation im Ergebnisbereich erstellt. Ein repräsentatives Zitat wurde ausgewählt, um jedes Kernthema zu illustrieren.

8. Qualitätskontrolle, Fehlerbehebung und Archivierung

1. Lösung technischer Fragen
   Wenn die Gesichtserkennungsraten niedrig waren, wurde die Frontbeleuchtung verbessert und der Kamerawinkel angepasst. Die Bildraten wurden auf 25-30 fps verifiziert. In Fällen, in denen übermäßige Belastungsflaggen beobachtet wurden, wurde die Erkennungsschwelle auf 0,80 erhöht oder das Erkennungsfenster auf mindestens 8 s verlängert, um die Ergebnisse zu stabilisieren.
2. Sicherung der Datenkonsistenz
   Teilnehmer-IDs und Zeitpunkte wurden vor der Datenanalyse validiert. Codierer wurden nach jeweils 50 Transkripten neu kalibriert, um Coding Drift zu verhindern. Eine Checkliste zur Qualitätskontrolle auf Sitzungsebene wurde sowohl vom Sitzungsleiter als auch vom Datenbeauftragten unterzeichnet, um die prozedurale Integrität zu dokumentieren.
3. Archivierung von Datensätzen und Dokumentation
   Alle analytischen Dateien wurden deidentifiziert, indem direkte Identifikatoren durch Teilnehmer-IDs ersetzt wurden. Einwilligungsformulare wurden getrennt von den Forschungsdaten gespeichert. Endgültige Datensätze, SPSS-Syntaxdateien, Codebücher und Qualitätskontrollprotokolle wurden auf einem sicheren Server unter eingeschränktem Zugriff archiviert.

Ergebnisse

Deskriptive Analyse

Vorvergleiche zeigten nach der Einführung einen konsistenten Rückgang der negativen Auswirkungen. Die Nach-Test-Mittelwerte sanken auf 2,87 für Angst, 2,74 für Depression und 2,69 für Stress, von 3,25, 3,11 bzw. 3,08 (Abbildung 2). Beschreibende Ergebnisse werden in Tabelle 4 zusammengefasst, und die Instrumentenstruktur auf Itemebene ist in Tabelle 3 dargestel...

Diskussion

Die Studie zeigt, dass bei der Kombination von narrativer Simulation mit visueller KI das emotionale Bewusstsein zu einem gemeinsamen Prozess und nicht zu einer einseitigen Intervention wird. Die Schüler reagierten nicht nur auf ein digitales Werkzeug; Sie führten eine strukturierte emotionale Reflexion durch, die kognitive Bewertung mit verkörperter Erfahrung verband. Im gesamten Datensatz zeigten sowohl quantitative als auch qualitative Ergebnisse ein konsistentes Muster von reduzierte...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Hardware	Gesichtserkennungskamera	Logitech (oder ähnlich)	C920 HD-Webcam
Instrument	Sammlung von Interviewtranskripten	Manuelle Eingabe	Audioaufnahmen/Text
Fragebogen	Modifizierter DASS-21-Maßstab	Adaptiert von den Autoren	5-Punkte-Likert-Format
Software	Microsoft Azure Emotion API	Microsoft	Emotion API v3 (Cloud)
Software	SPSS-Statistiken	IBM	Version 26
Software	Narratives Simulationssystem	Selbstentwickelt	Webbasiert (HTML5)
Systemplattform	Universitäts-Lehrmanagementsystem	Interne Plattform	Integration mit KI-Modul