Forschungsartikel

Simulationsbasierte Evaluation eines KI-integrierten visuellen Lehrdesigns zur Förderung der psychischen Gesundheit in Musikkursen an Hochschulen

10 Aufrufe

⸱

DOI:

10.3791/71847

⸱

6. Oktober 2026

1Music Department, Anqing Normal University

In diesem Artikel

Zusammenfassung

Diese Studie schlägt einen auf Graphen basierenden Rahmen für emotionale Curriculum-Intelligenz vor, der KI-gestützten visuellen Unterricht im Hochschulmusikunterricht ermöglicht. Mithilfe eines simulationsbasierten Datensatzes modelliert der Rahmen den Erwerb von Wissen, emotionale Dynamiken und das Engagement. Die Ergebnisse zeigen eine verbesserte Lerneffizienz und eine Verringerung von Stress im Vergleich zu herkömmlichen Modellen, was das Potenzial für adaptive, psychische Gesundheit berücksichtigende Bildungssysteme aufzeigt.

Zusammenfassung

Das visuelle Unterrichtsdesign in der Hochschulmusikpädagogik erhält zunehmend Beachtung, da es das Lernereinsatzverhalten fördern und das psychische Wohlbefinden unterstützen kann. Herkömmliche Unterrichtsansätze weisen jedoch oft einen Mangel an Anpassungsfähigkeit auf, um auf sich verändernde kognitive und emotionale Zustände der Lernenden zu reagieren, was ihre Wirksamkeit bei der Unterstützung sowohl des akademischen Lernerfolgs als auch des psychologischen Gleichgewichts einschränkt. Das Hauptziel dieser simulationsbasierten Studie ist die Entwicklung und Bewertung eines auf künstlicher Intelligenz basierenden Frameworks, das visuelle Unterrichtsstrategien mit einer graphbasierten Emotionsmodellierung kombiniert, um die Lernergebnisse in musikpädagogischen Hochschulkursen zu optimieren. Es wird ein neuartiges graphbasiertes Framework für emotionale Curriculum-Intelligenz (GECIF) vorgestellt, das das Lernumfeld als vernetzten Graphen aus Wissens-, Aktivitäts- und Emotionsknoten darstellt. Das Framework integriert graphbasiertes Repräsentationslernen, dynamische Zustandsmodellierung und adaptive Lernmechanismen, um die zeitliche Entwicklung von Wissenserwerb, Lernengagement, emotionaler Stabilität und Stress zu simulieren. Ein synthetischer Datensatz, bestehend aus Interaktionsprotokollen, emotionalen Indikatoren und Variablen zur Lernleistung, wurde mithilfe einer kontrollierten, auf MATLAB basierenden Simulationspipeline generiert, um Reproduzierbarkeit zu gewährleisten. GECIF wurde unter identischen experimentellen Bedingungen über normalisierte Simulationsschritte hinweg mit einem herkömmlichen, nicht-adaptiven Basismodell verglichen. Die Leistung wurde anhand normalisierter Simulationsmetriken bewertet, einschließlich Wissenszuwachs, emotionale Stabilität, Stressreduktion, Engagement-Niveau und Robustheit. Das vorgeschlagene Framework schnitt durchgängig besser ab und zeigte einen höheren simulierten Wissenserwerb, eine verbesserte emotionale Regulation, stärkeres Engagement, geringeren simulierten Stress sowie erhöhte Robustheit. Die statistische Analyse basierend auf Mittelwerten, Standardabweichungen und 95 %-Konfidenzintervallen bestätigte kontinuierliche Verbesserungen über alle Evaluierungsmetriken hinweg. Diese Ergebnisse verdeutlichen das Potenzial von KI-gestützten, emotionsbewussten visuellen Unterrichtsstrategien für einen adaptiven Musikunterricht und stellen gleichzeitig ein skalierbares und reproduzierbares rechnergestütztes Framework bereit, das zukünftige Forschung im Bereich intelligenter Bildungssysteme unterstützen kann.

Einleitung

Die Integration von künstlicher Intelligenz (KI) in Bildungssysteme hat traditionelle Unterrichtsformen nachhaltig verändert und ermöglicht nun anpassungsfähigere, personalisiertere und datengestützte Lernerfahrungen1,2,3. In den letzten Jahren hat sich das visuelle Unterrichtsdesign als wirksame pädagogische Methode etabliert, insbesondere in Disziplinen wie der Musikpädagogik, in denen abstrakte Konzepte, emotionale Ausdrucksformen und perzeptive Einsichten eine zentrale Rolle spielen4,5,6,7. Visuelle Darstellungen – beispielsweise grafische Benutzeroberflächen, interaktive Simulationen und multimediale Elemente – fördern ein tieferes kognitives Verarbeiten und steigern das Lernereinsatzvermögen8,9,10,11. Trotz dieser Fortschritte bleiben bestehende visuelle Unterrichtsmethoden jedoch oft statisch und sind nicht in der Lage, dynamisch auf sich verändernde kognitive und emotionale Zustände der Lernenden zu reagieren12,13,14. Die Musikpädagogik, insbesondere auf Hochschulebene, bringt aufgrund ihrer inhärent multidimensionalen Natur besondere Herausforderungen mit sich15,16,17. Lernergebnisse hängen nicht nur vom kognitiven Verständnis musiktheoretischer Inhalte und Darbietungstechniken ab, sondern werden auch von emotionalen Faktoren wie Motivation, Stress, Engagement und psychischem Wohlbefinden beeinflusst18. Frühere Studien haben die enge Verbindung zwischen emotionalen Zuständen und der Lernleistung hervorgehoben und gezeigt, dass Studierende mit hohem Stressniveau oder geringer Lernbeteiligung oft eine verminderte akademische Leistung aufweisen19,20,21. Obwohl mehrere KI-basierte Bildungssysteme zur Verbesserung der Personalisierung des Lernens vorgeschlagen wurden, konzentrieren sich die meisten bisher primär auf kognitive Leistungsmetriken und vernachlässigen dabei die entscheidende Rolle emotionaler Dynamiken im Lernprozess22.

Neuere Entwicklungen in intelligenten Lernsystemen haben graphbasierte Darstellungen und Deep-Learning-Verfahren eingeführt, um komplexe Beziehungen zwischen Bildungskomponenten zu modellieren23,24,25. Graphbasierte Lernframeworks, darunter Graphneuronale Netze (GNNs), haben starke Fähigkeiten bei der Erfassung strukturierter Abhängigkeiten zwischen Wissenselementen, Lerninteraktionen und kontextuellen Faktoren gezeigt26. Außerdem hat die emotionserkennende Datenverarbeitung an Bedeutung gewonnen, da sie psychologische Signale in adaptive Lernumgebungen integrieren kann27. Dennoch bleibt die Integration dieser Ansätze in einem einheitlichen Rahmen für den Musikunterricht begrenzt28,29,30. Bestehende Arbeiten behandeln emotionale Variablen oft lediglich als zusätzliche Merkmale und nicht als zentrale Komponenten, und sie bieten selten Mechanismen für eine kontinuierliche Anpassung auf Grundlage des Zusammenspiels von Kognition und Emotion31.

Darüber hinaus stützt sich die Anwendung von KI in der psychischen Gesundheit berücksichtigenden Bildung hauptsächlich auf empirische oder sensorbasierte Daten, die von echten Teilnehmern gesammelt wurden32. Solche Ansätze erfordern jedoch umfangreiche ethische Genehmigungen, standardisierte Messinstrumente und kontrollierte Versuchsbedingungen, was in der frühen Forschungsphase nicht immer machbar ist33. Daher haben sich simulationsbasierte Methoden als Alternative herausgebildet, um komplexe bildungswissenschaftliche Dynamiken auf kontrollierte und reproduzierbare Weise zu untersuchen34. Durch die Erzeugung synthetischer Datensätze, die Interaktionsprotokolle, emotionale Indikatoren und Leistungsmetriken im Lernprozess nachahmen, können Forscher das Verhalten vorgeschlagener Modelle unter verschiedenen Szenarien bewerten und dabei die vollständige Kontrolle über Systemparameter und Annahmen bewahren35.

Trotz dieser Fortschritte bestehen mehrere Forschungslücken36. Erstens fehlen einheitliche Rahmenwerke, die Wissenserwerb, emotionale Entwicklung und Lernengagement gleichzeitig innerhalb einer strukturierten Darstellung modellieren37. Zweitens nutzen aktuelle visuelle Lehrsysteme die graphenbasierte Intelligenz nicht effektiv, um die Wechselbeziehungen zwischen musikalischen Konzepten, Lernaktivitäten und psychologischen Zuständen abzubilden38. Drittens wurde der Entwicklung skalierbarer und reproduzierbarer Simulationspipelines, die eine systematische Bewertung KI-gestützter Bildungsmodelle ermöglichen, bisher nur begrenzte Aufmerksamkeit geschenkt39,40,41. Schließlich liefern bestehende Ansätze oft keinen ganzheitlichen Blick auf das Lernen, der kognitive und emotionale Dimensionen auf dynamisch adaptive Weise integriert42.

Um diese Herausforderungen zu bewältigen, schlägt diese Studie einen graphenbasierten Rahmen für emotionale Curriculum-Intelligenz (GECIF) zur KI-gestützten visuellen Unterrichtsgestaltung im Hochschulmusikunterricht vor. Tabelle 1 enthält wesentliche Definitionen für Graphenkomponenten, Knotenzustände und Modellparameter. Diese Tabelle stellt sicher, dass die Methodik klar und reproduzierbar ist. Der vorgeschlagene Rahmen modelliert das Bildungsumfeld als vernetzten Graphen, der aus Wissensknoten, Aktivitätsknoten und Emotionsknoten besteht, und ermöglicht so eine umfassende Darstellung der Lernprozesse. Ein simulationsbasiertes Datenset wird mithilfe einer kontrollierten rechnergestützten Pipeline erzeugt, die Interaktionsprotokolle, emotionale Indikatoren und Leistungsmetriken umfasst, um Reproduzierbarkeit und Skalierbarkeit sicherzustellen. Der Rahmen integriert adaptive Lernmechanismen, Modellierung emotionaler Zustände und graphenbasierte Optimierung, um die zeitliche Entwicklung von Lernergebnissen und psychologischen Zuständen zu simulieren. Ein Vergleich mit einem herkömmlichen Lernmodell erfolgt anhand mehrerer Leistungsmetriken, darunter Wissenszuwachs, emotionale Stabilität, Stressreduktion, Lernengagement und Robustheit.

Das Hauptziel dieser Studie ist die Entwicklung und Bewertung eines simulationsbasierten, KI-gestützten visuellen Lehrkonzepts, das graphenbasierte Modellierung und emotionale Intelligenz integriert, um die Lerneffizienz zu steigern und eine psychische Gesundheit berücksichtigende Bildung in musikwissenschaftlichen Hochschulkursen zu unterstützen.

Protokoll

Diese Studie ist eine rechnergestützte, simulationsbasierte Untersuchung, an der keine menschlichen Teilnehmer, klinischen Daten oder personenbezogenen Informationen beteiligt sind. Alle in dieser Forschung verwendeten Daten wurden synthetisch durch kontrollierte Simulationsverfahren erzeugt. Daher war eine ethische Genehmigung durch eine institutionelle Prüfkommission sowie eine informierte Einwilligung nicht erforderlich. Die Studie entspricht den gängigen Richtlinien für rechnergestützte Forschung und gewährleistet vollständige Nachvollziehbarkeit und Transparenz der Methodik.

Theoretischer Rahmen und Begründung

Der vorgeschlagene graphenbasierte Rahmen für emotionale Curriculum-Intelligenz (GECIF) basiert auf der Integration von künstlicher Intelligenz, graphenbasiertem Lernen, Emotionsrechnung und visueller Pädagogik und zielt darauf ab, das Lernen als dynamischen und mehrdimensionalen Prozess zu modellieren, der gleichzeitig kognitive Entwicklung, emotionale Entwicklung und behaviorale Beteiligung erfasst. Traditionelle Unterrichtsansätze gehen häufig von einem linearen Wissenserwerb aus und spiegeln nicht angemessen die komplexen Wechselwirkungen zwischen kognitiver Leistung und psychologischen Zuständen wider. Diese Einschränkung ist besonders in der Hochschulmusikbildung von Bedeutung, wo emotionale Ausdrucksfähigkeit, Motivation und Kreativität untrennbar mit technischem und theoretischem Lernen verbunden sind. In diesem Kontext versteht der Rahmen den Bildungsprozess als vernetztes System, in dem Wissenselemente, Lernaktivitäten und emotionale Zustände sich kontinuierlich gegenseitig beeinflussen. Die graphenbasierte Modellierung ermöglicht eine strukturierte und skalierbare Darstellung dieser Beziehungen, wodurch sowohl direkte als auch indirekte Abhängigkeiten effektiv erfasst werden können. Emotionale Dynamiken werden als intrinsische Bestandteile und nicht als zusätzliche Variablen integriert, wodurch die Entwicklung und Ausbreitung psychologischer Zustände während des Lernprozesses simuliert werden kann. Die Einbindung visueller Unterrichtskonzepte verbessert die Interpretierbarkeit weiter, indem abstrakte rechnerische Interaktionen in anschauliche grafische Darstellungen umgewandelt werden.

Methodik und Studiendesign der Simulation

Diese Studie verwendet einen auf computergestützter Simulation basierenden Ansatz, an dem keine menschlichen Teilnehmer beteiligt sind, und alle Daten werden synthetisch durch eine kontrollierte und reproduzierbare Pipeline erzeugt. Die berichteten Ergebnisse stellen daher modellbasierte Bewertungen dar und nicht empirische Beobachtungen, die von realen Lernenden stammen. Verbesserungen in Bezug auf Lernleistung, Lernbeteiligung, emotionale Stabilität und Stressreduktion werden als simulierte oder mögliche Effekte des vorgeschlagenen Frameworks interpretiert. Die Simulationsumgebung approximiert realistische Lernbedingungen, indem sie zeitliche Abhängigkeiten, Variabilität in Interaktionsmustern und sich verändernde emotionale Zustände einbezieht. Es wird eine vergleichende experimentelle Konfiguration implementiert, bei der das vorgeschlagene GECIF-Framework gegenüber einem herkömmlichen Basismodell evaluiert wird, das ein nicht-adaptives Lernsystem repräsentiert, bei dem sich Wissen allein auf Grundlage der Interaktionsintensität entwickelt, ohne graphbasierte Repräsentation, emotionales Modellieren oder Curriculum-Optimierung. Beide Modelle werden unter identischen Simulationsbedingungen ausgeführt, um einen konsistenten und unvoreingenommenen Vergleich zu gewährleisten.

Erstellung und Struktur des Datensatzes

Ein umfangreicher Datensatz wurde erstellt, um Lernprozesse im Hochschulmusikunterricht zu simulieren, indem Interaktionsprotokolle, emotionale Indikatoren und Leistungsmetriken in einem einheitlichen zeitlichen Rahmen integriert wurden. Der Datensatz wurde aus dem öffentlich verfügbaren Datensatz zur Schülerleistung (UCI Machine Learning Repository) abgeleitet und erweitert, der akademische Leistungsdaten zusammen mit demografischen und verhaltensbezogenen Attributen bereitstellt. Dieser Datensatz diente als grundlegende Referenz zur Modellierung realistischer Lernmuster. Interaktionsprotokolle stellen eine simulierte Beteiligung an Lernaktivitäten wie Übungseinheiten, Hörübungen und visuelle Lernaufgaben dar. Emotionale Indikatoren erfassen psychologische Zustände wie Stress, Engagement und Motivation, während die Lernleistung den Wissenserwerb und die Entwicklung über die Zeit widerspiegelt. Um den Datensatz anzureichern und zeitliche Abhängigkeiten einzubeziehen, kam eine auf MATLAB basierende Simulationspipeline zum Einsatz, die mit einer festen Initialisierung des Zufallszahlengenerators durchgeführt wurde, um Reproduzierbarkeit zu gewährleisten. Zeitliche Kontinuität wurde durch autoregressive Prozesse hergestellt, wodurch sich Interaktionsverhalten und emotionale Zustände schrittweise über die Zeit entwickeln konnten. Der finale Datensatz umfasst tausend simulierte Lernende, die über fünfhundert Zeitschritte beobachtet wurden, mit mehreren Interaktionsmerkmalen, die unterschiedliche Lernverhaltensweisen repräsentieren. Alle Variablen wurden im Bereich [0,1] normalisiert, um Konsistenz und Vergleichbarkeit sicherzustellen. Der Datensatz wird in Trainings-, Validierungs- und Testteilmengen mit einer Aufteilung von 70 %–15 %–15 % unterteilt, um eine unverzerrte Modellbewertung zu gewährleisten.

Graphkonstruktion und -darstellung

Die Lernumgebung wird als gewichteter Graph modelliert, der wie folgt definiert ist:

G = (V,E,W)  (1)

wobei die Menge der Knoten bezeichnet, die Menge der Kanten darstellt und die gewichtete Adjazenzmatrix ist, die die Stärke der Beziehungen zwischen den Knoten beschreibt. Die Knotenmenge wird zerlegt in:

V = Vk∪Va∪Ve  (2)

wobei Vk, Va und Ve jeweils für Wissensknoten, Aktivitätsknoten und emotionale Knoten stehen. Die Kantengewichte werden wie folgt berechnet:

Wij = α Sc(i,j) + βSe(i,j)  (3)

wobei Sc(i,j) die kognitive Ähnlichkeit zwischen Knoten darstellt, Se(i,j) die emotionale Korrelation darstellt und α und β Gewichtungskoeffizienten sind, die deren relativen Einfluss steuern. Gleichung (3) definiert, wie strukturelle und emotionale Beziehungen gemeinsam die Konnektivität des Graphen bestimmen.

Darstellung des Knotenzustands und Graphenlernen

Jeder Knoten ist mit einem dynamischen Zustandsvektor verbunden, der wie folgt definiert ist:

xi(t) = [ki(t),ei(t),ai(t)]  (4)

wobei ki(t), ei(t) und ai(t) den Wissensstand, den emotionalen Zustand und den Grad der Beteiligung zur Zeit t bezeichnen. Die Knotendarstellungen werden mithilfe einer graphbasierten Aggregation aktualisiert:

figure-protocol-1   (5)

wobei figure-protocol-2 die Einbettung des Knotens i in der Schicht l, σ eine nichtlineare Aktivierungsfunktion und N(i) die Menge der benachbarten Knoten bezeichnet. Gleichung (5) beschreibt, wie jeder Knoten Informationen von seinen Nachbarknoten integriert. Ein Aufmerksamkeitsmechanismus wird zusätzlich eingeführt:

figure-protocol-3     (6)

wobei  αij der Aufmerksamkeitskoeffizient und ∅(·) eine Ähnlichkeitsfunktion ist. Gleichung (6) ermöglicht eine adaptive Gewichtung der Beiträge benachbarter Knoten.

Modellierung emotionaler Dynamiken

Die zeitliche Entwicklung emotionaler Zustände wird wie folgt modelliert:

figure-protocol-4     (7)

wobei γ der emotionale Retentionskoeffizient ist. Gleichung (7) erfasst sowohl die Persistenz als auch die Ausbreitung emotionaler Einflüsse. Die emotionale Stabilität wird quantifiziert als:

figure-protocol-5    (8)

wobei E+(t) und E-(t) die positiven und negativen emotionalen Komponenten bezeichnen und figure-protocol-6 eine kleine Konstante ist, die eine Division durch null verhindert. Die Stressakkumulation ist definiert als:

figure-protocol-7     (9)

wobei λ(τ) die momentane Spannungsintensität darstellt. Gleichung (9) modelliert die kumulative Spannung über die Zeit.

Lernen der Optimierung und adaptiven Curriculumentwurf

Der Lernprozess wird durch eine mehrzielige Optimierungsfunktion gesteuert:

J = λ1K + λ2K - λ3S  (10)

wobei K den Wissenszuwachs, E die emotionale Stabilität und S das Stressniveau bezeichnet, während λ1, λ2, λ3 Gewichtungskoeffizienten sind. Gleichung (10) gewichtet kognitive und emotionale Ziele gegeneinander ab. Adaptive Neugestaltung des Lehrplans ist definiert als:

Wij(t + 1) = Wij(t) + ηΔij(t)  (11)

wobei η  die Lernrate ist und  Δij(t) Aktualisierungsanpassungen darstellt, die durch Lernprozesse verursacht werden. Gleichung (11) ermöglicht es der Graphstruktur, sich im Laufe der Zeit zu verändern.

Zeitliche Skala und Simulationsdauer

Alle Simulationen werden mit normalisierten Zeitschritten und nicht mit Echtzeit-Einheiten durchgeführt. Kurze Intervalle entsprechen skalierten Simulationsschritten, die die Systementwicklung darstellen, während erweiterte Simulationen über fünfhundert Schritte zur Bewertung des Langzeitverhaltens, der Konvergenz und der Robustheit verwendet werden.

Evaluationsmetriken und statistische Analyse

Das Framework wird mithilfe normalisierter Metriken bewertet, einschließlich Wissenszuwachs, emotionale Stabilität, Stresslevel, Engagementlevel und Robustheit. Die statistische Analyse erfolgt mit statistischen Funktionen von MATLAB, wobei Mittelwerte, Standardabweichungen und 95 % Konfidenzintervalle für jede Metrik berechnet werden. Die Annahme der Normalverteilung wird überprüft, bevor gepaarte t-Tests angewendet werden. Der Vergleich zwischen dem vorgeschlagenen Framework und dem Baseline-Modell wird anhand von n = 1000 simulierten Lernenden durchgeführt, wobei statistische Signifikanz als p < 0,05 definiert ist.

Reproduzierbarkeit und Implementierungsdetails

Alle Simulationen, Datenverarbeitungspipelines und Evaluierungsverfahren sind vollständig reproduzierbar. Der Prozess zur Datensatzerzeugung, die Parameter für die Graphenkonstruktion, die Modellkonfigurationen und die Optimierungseinstellungen sind explizit definiert. Die Initialisierung der Zufallsseeds ist festgelegt, um konsistente Ergebnisse bei wiederholten Durchläufen zu gewährleisten. Alle Hyperparameter, Skripte und Datensatzbeschreibungen sind in den ergänzenden Materialien enthalten, sodass die vollständige Reproduktion der Studie mit MATLAB oder vergleichbaren computergestützten Werkzeugen möglich ist.

Alle Simulationen, Datenverarbeitungspipelines und Auswertungsskripte sind im Zusatzdatei 1 enthalten. Der Datensatz umfasst rohe Interaktionsprotokolle, emotionale Indikatoren und Leistungsmetriken zum Lernen. Die Parameter für die Graphenkonstruktion und Optimierungseinstellungen sind vollständig dokumentiert. Das System kann mit gängigen Machine-Learning-Frameworks reproduziert werden. Die Initialisierung des Zufallszahlengenerators ist festgelegt, um Konsistenz zu gewährleisten. Alle Hyperparameter werden explizit angegeben. Das Protokoll stellt vollständige Transparenz und Reproduzierbarkeit sicher.

Ergebnisse

Die Leistung des vorgeschlagenen graphbasierten emotionalen Curriculum-Intelligenz-Frameworks (GECIF) wurde anhand eines simulationsbasierten Datensatzes mit n = 1000 Lernenden über T = 500 normalisierte Zeitschritte hinweg bewertet. Abbildung 1 veranschaulicht die konzeptionelle Architektur des GECIF für KI-gestützten visuellen Musikunterricht und die Förderung der psychischen Gesundheit. Alle Metriken werden auf normalisierten Skalen im Bereich [0,1] angegeben. Die statistische Auswertung umfasst Mittelwerte, Standardabweichungen (SD) und 95 %-Konfidenzintervalle (KI), wobei die Signifikanz mittels gepaarter t-Tests (p < 0,05) ermittelt wurde. Alle Vergleiche wurden über die gesamte simulierte Population hinweg berechnet. Abbildung 2 zeigt die Trainingsdynamik und das Wissensaneignungsverhalten des vorgeschlagenen Frameworks im Vergleich zum Baseline-Modell. Das GECIF-Framework erreicht einen Wissenszuwachs von 0,88 ± 0,04 (95 % KI: 0,84–0,92), während das Baseline-Modell einen Wert von 0,65 ± 0,06 (95 % KI: 0,59–0,71) erreicht, mit einem statistisch signifikanten Unterschied (p < 0,001). Die Lernkurve zeigt eine steilere Wachstumsrate und eine stabile Konvergenz ohne oszillatorisches Verhalten.

Abbildung 3 zeigt die zeitliche Entwicklung der emotionalen Stabilität. Der vorgeschlagene Ansatz erreicht einen Index der emotionalen Stabilität von 0,92 ± 0,03 im Vergleich zu 0,70 ± 0,05 im Basismodell (p < 0,01). Die Variabilität ist reduziert, wobei über die Zeit niedrigere Werte der Standardabweichung beobachtet werden. Abbildung 4 zeigt die Stressdynamik über die Zeit. Das vorgeschlagene Modell weist ein niedrigeres Stressniveau von 0,15 ± 0,05 auf, verglichen mit 0,45 ± 0,07 beim Basismodell (p < 0,001). Die Akkumulationsrate bleibt während der gesamten Simulationsdauer konstant niedriger. Abbildung 5 zeigt die Verteilung der Lernleistung über die Lernenden hinweg. Der vorgeschlagene Ansatz zeigt eine Verteilung, die bei höheren Werten zentriert ist und eine geringere Streuung im Vergleich zum Basismodell aufweist, was auf eine geringere Varianz der Ergebnisse hinweist. Abbildung 6 veranschaulicht die Entwicklung der Knoteneinbettungen innerhalb des Graphen. Die Merkmalsrepräsentationen zeigen kontinuierliche Übergänge über die Iterationen hinweg, ohne beobachtbare sprunghafte Veränderungen, was auf stabile Aktualisierungen hindeutet. Abbildung 7 zeigt die Stärke der Interaktionen zwischen Wissens-, Aktivitäts- und emotionalen Knoten. Die Heatmap zeigt statistisch signifikante Korrelationen (p < 0,05) zwischen den Knotenkategorien mit unterschiedlichen Interaktionsstärken.

Abbildung 8 zeigt die Beziehung zwischen normiertem Wissenszuwachs und emotionaler Stabilität während des simulierten Lernprozesses auf. Der vorgeschlagene GECIF-Ansatz weist eine starke positive Korrelation zwischen den beiden Variablen auf (r = 0,82), verglichen mit einer moderaten positiven Korrelation beim herkömmlichen Baseline-Modell (r = 0,65). Beide Korrelationen waren statistisch signifikant (p < 0,05), was darauf hindeutet, dass Verbesserungen im Wissenserwerb mit einer gesteigerten emotionalen Stabilität einhergehen und somit die ausgewogene Integration kognitiver Entwicklung und emotionaler Regulation widerspiegeln, die durch den vorgeschlagenen Rahmen erreicht wird. Abbildung 9 zeigt den kombinierten Beitrag von Wissens- und emotionalen Komponenten über die Zeit. Die Werte des Wissens steigen kontinuierlich an, während die emotionale Variabilität abnimmt, wobei über alle Simulationsschritte hinweg konsistente Trends beobachtet werden. Abbildung 10 vergleicht die Verteilungen des erzielten Wissenszuwachses des vorgeschlagenen GECIF-Frameworks und der herkömmlichen Baseline mithilfe von Box-Whisker-Diagrammen. Das vorgeschlagene Framework erzielte einen signifikant höheren mittleren Wissenszuwachs (9,87 ± 3,46) als das konventionelle Modell (6,90) ± 2,88), mit unabhängigen Stichproben t-Test, der eine statistisch signifikante Differenz bestätigt (p < 0,0001; Cohens d = 1,43). Obwohl das GECIF-Framework eine größere Variabilität aufwies, was durch die höhere Standardabweichung und den größeren Interquartilsabstand zum Ausdruck kommt, war die gesamte Verteilung in Richtung höherer Werte beim Wissenszuwachs verschoben. Dies deutet darauf hin, dass die stärkere Streuung mit einer insgesamt verbesserten Leistung einhergeht und nicht mit einer verminderten Stabilität. Diese Ergebnisse zeigen, dass der vorgeschlagene Ansatz eine robuste Lernleistung beibehält, während er gleichzeitig effektiv auf unterschiedliche simulierte Lernreaktionen eingehen kann. Abbildung 11 zeigt die Dynamik der Bindung über die Zeit. Der vorgeschlagene Rahmen erreicht einen Bindungsgrad von 0,90 ± 0,04 im Vergleich zu 0,68 ± 0,06 für das Basismodell (p < 0,01), mit verringerter Variabilität. Abbildung 12 zeigt ein zyklisches Engagement-Verhalten. Die Amplitude der Schwankungen ist im vorgeschlagenen Framework geringer, was auf eine verminderte Variabilität im Vergleich zur Basislinie hinweist.

Abbildung 13 veranschaulicht die Intensität räumlicher Merkmale entlang des Graphen. Die Merkmalsverteilung zeigt kontinuierliche Variationen mit erkennbaren Maxima und Minima, was auf heterogene Aktivierungsmuster hinweist. Abbildung 14 zeigt den gerichteten Fluss des Wissenstransfers. Das Vektorfeld zeigt organisierte Ausbreitungsmuster, wobei Konvergenzbereiche einer stärkeren Akkumulation von Werten entsprechen. Abbildung 15 zeigt die zeitliche Entwicklung der Graph-Topologie. Die strukturellen Aktualisierungen erfolgen schrittweise, mit sanften Übergängen der Merkmalswerte über die Iterationen hinweg. Abbildung 16 präsentiert die Analyse der Merkmalsinterdependenz. Die Korrelations-Heatmap zeigt moderate bis starke Beziehungen zwischen den Merkmalen, wobei keine dominante Redundanz festgestellt wird. Abbildung 17 veranschaulicht den Beitrag mehrdimensionaler Merkmale. Die Beitragsstärken variieren zwischen den Knoten, was auf heterogene Einflussmuster hindeutet. Abbildung 18 zeigt die gemeinsame Entwicklung von Wissen und emotionalen Zuständen. Die Wissenswerte steigen kontinuierlich an, während die emotionale Variabilität im Zeitverlauf abnimmt, wobei über den gesamten Simulationszeitraum konsistente Trends beobachtet werden. Eine quantitative Zusammenfassung dieser Ergebnisse wird in Tabelle 2 bereitgestellt, in der alle Metriken – einschließlich Wissenszuwachs, emotionale Stabilität, Stressniveau, Engagement und Robustheit – mit statistischen Maßzahlen angegeben sind. Die Ergebnisse zeigen konsistente Unterschiede zwischen dem vorgeschlagenen Framework und dem Baseline-Modell in allen bewerteten Metriken. Die statistische Analyse bestätigt, dass diese Unterschiede in der simulierten Population signifikant sind. Insgesamt zeigen die Simulationsergebnisse eindeutig, dass das vorgeschlagene GECIF-Framework in allen bewerteten normalisierten Leistungsmetriken das herkömmliche Baseline-Modell übertrifft. Diese Befunde stützen das Studienziel und die Hypothese, dass die Integration graphbasierter emotionaler Intelligenz mit KI-gestütztem visuellem Unterricht die simulierte Lernleistung, emotionale Stabilität, das Engagement und das Stressmanagement in einer reproduzierbaren rechnergestützten Umgebung verbessern kann.

VERFÜGBARKEIT VON DATEN:

Alle in dieser Studie verwendeten Daten und Berechnungsverfahren sind vollständig reproduzierbar und öffentlich zugänglich. Der komplette Code zur Datensatzgenerierung sowie strukturierte Datenrepräsentationen sind in Zusatzdatei 1 enthalten.

figure-results-1
Abbildung 1: Konzeptionelle Architektur des graphbasierten emotionalen Curriculum-Intelligenz-Frameworks (GECIF) für KI-gestützten visuellen Musikunterricht und die Förderung der psychischen Gesundheit. Diese Abbildung zeigt die vollständige Systemstruktur, einschließlich der Konstruktion des Wissens-Emotions-Graphen, der Analyse durch graphbasierte neuronale Netze, der Optimierung emotionaler Pfade, des adaptiven Neuaufbaus des Curriculums, der visuellen Lernschnittstelle und der mehrzielorientierten Optimierung. Sie veranschaulicht, wie kognitive und emotionale Komponenten in ein einheitliches adaptives Lernsystem integriert werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-2
Abbildung 2: Entwicklung des Wissenserwerbs bei adaptivem, graphbasiertem Lernen im Vergleich zum konventionellen Basismodell. Die Abbildung zeigt den Verlauf des normalisierten Wissenszuwachses über normalisierte Simulationsschritte und verdeutlicht eine schnellere Konvergenz und höhere simulierte Lerneffizienz des vorgeschlagenen GECIF-Frameworks. Statistische Vergleiche zwischen dem vorgeschlagenen und dem Basismodell wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt. Wo Fehlerbalken dargestellt sind, zeigen diese die 95%-Konfidenzintervalle (95% CI) des mittleren normalisierten Wissenszuwachses. Statistisch signifikante Unterschiede wurden bei p < 0,05 angenommen. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-3
Abbildung 3: Zeitliche Verbesserung der emotionalen Stabilität durch intelligente Curriculum-Anpassung. Die Abbildung zeigt die Entwicklung des normalisierten Index der emotionalen Stabilität über normalisierte Simulationsschritte hinweg und verdeutlicht eine gleichmäßigere Stabilisierung sowie geringere emotionale Schwankungen im vorgeschlagenen GECIF-Framework im Vergleich zum herkömmlichen Basismodell. Statistische Vergleiche wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt. Wo Fehlerbalken dargestellt sind, zeigen diese die 95%-Konfidenzintervalle (95% CI) des mittleren normalisierten Index der emotionalen Stabilität an. Unterschiede wurden als statistisch signifikant angesehen bei p < 0,05. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-4
Abbildung 4: Verringerung von Stressniveaus durch emotionserkennende Lernpfade. Die Abbildung zeigt die zeitliche Entwicklung normalisierter Stressniveaus über normalisierte Simulationsschritte und verdeutlicht, dass der vorgeschlagene GECIF-Ansatz niedrigere und stabilere simulierte Stresswerte aufweist als das herkömmliche Basismodell, was auf eine verbesserte emotionale Regulation während des Lernprozesses hinweist. Statistische Vergleiche wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt. Wo Fehlerbalken dargestellt sind, zeigen diese die 95%-Konfidenzintervalle (95 % CI) des mittleren normalisierten Stressniveaus an. Unterschiede wurden als statistisch signifikant angesehen bei p < 0,05. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-5
Abbildung 5: Verteilung der Lernergebnisse über simulierte Lernende hinweg. Die Abbildung veranschaulicht die Verteilung des normalisierten Wissenszuwachses für den vorgeschlagenen GECIF-Ansatz und das herkömmliche Basismodell. Der vorgeschlagene Ansatz zeigt eine Verteilung, die zu höheren Werten des normalisierten Wissenszuwachses verschoben ist und eine geringere Variabilität aufweist, während das Basismodell bei niedrigeren Leistungsniveaus konzentriert ist. Statistische Vergleiche zwischen den beiden Verteilungen wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt, wobei statistische Signifikanz als p < 0,05 definiert wurde. Keine Fehlerbalken sind dargestellt, da die Abbildung Häufigkeitsverteilungen und keine Zusammenfassungsstatistiken zeigt. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-6
Abbildung 6: Entwicklung graphbasierter Wissensrepräsentationen über Lerniterationen hinweg. Die Abbildung veranschaulicht die zeitliche Entwicklung von Graph-Knoten-Embeddings über normalisierte Simulationsschritte. Gipfel repräsentieren stärkere Aktivierungen von Merkmalen, während Täler schwächere Merkmalsrepräsentationen anzeigen, was die kontinuierliche Anpassung und Verfeinerung des Wissensgraphen während des Simulationsprozesses demonstriert. Diese Visualisierung zeigt die Entwicklung gelernter Merkmalsrepräsentationen und enthält keine Fehlerbalken. Die im Studienbericht angegebenen statistischen Vergleiche wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt, wobei statistische Signifikanz als p < 0,05 definiert wurde. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-7
Abbildung 7: Stärke der Beziehungen zwischen Wissens- und emotionalen Knoten im Lerngraphen. Die Abbildung veranschaulicht die normalisierten Interaktionsstärken zwischen kognitiven und emotionalen Knoten innerhalb des graphbasierten Lernmodells. Höhere Werte zeigen stärkere kognitiv-emotionale Abhängigkeiten an, während niedrigere Werte schwächere Beziehungen darstellen und somit die komplexe Vernetztheit sowie die adaptive Entwicklung des Lerngraphen im Verlauf der Simulation verdeutlichen. Diese Darstellung zeigt Muster der Graphenverbindungen und enthält keine Fehlerbalken. Statistische Vergleiche, die an anderer Stelle in der Studie berichtet werden, wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt, wobei statistische Signifikanz als p < 0,05 definiert wurde. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-8
Abbildung 8: Beziehung zwischen Lernfortschritt und emotionalem Wohlbefinden in adaptiven Lehrplanumgebungen. Die Abbildung veranschaulicht die positive Beziehung zwischen normiertem Wissenszuwachs und emotionaler Stabilität während des simulierten Lernprozesses. Mit zunehmendem Wissenserwerb verbessert sich auch die emotionale Stabilität, was auf eine effektive Integration kognitiver Entwicklung und emotionaler Regulation im vorgeschlagenen GECIF-Rahmenkonzept hinweist. Statistische Vergleiche wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt. Wo Fehlerbalken dargestellt sind, zeigen diese die 95%igen Konfidenzintervalle (95% CI) der mittleren normierten Leistungswerte. Unterschiede wurden als statistisch signifikant bei p < 0,05 betrachtet. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-9
Abbildung 9: Beitrag des Wissenserwerbs und der emotionalen Dynamik zur Gesamtlernleistung über normalisierte Simulationsschritte hinweg. Die Abbildung veranschaulicht die zeitlichen Beiträge des normalisierten Wissenszuwachses und der emotionalen Dynamik zur insgesamt simulierten Lernleistung. Der Wissenserwerb zeigt während der gesamten Simulation einen dominanten und anhaltenden Anstieg, während der Einfluss der emotionalen Dynamik sich allmählich stabilisiert und somit die effektive Integration kognitiver und emotionaler Prozesse im vorgeschlagenen GECIF-Modell aufzeigt. Statistische Vergleiche wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt. Wo Fehlerbalken dargestellt sind, zeigen diese die 95%-Konfidenzintervalle (95 % CI) der mittleren normalisierten Leistungswerte an. Unterschiede wurden als statistisch signifikant angesehen bei p < 0,05. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-10
Abbildung 10: Veränderlichkeit und Robustheit der Lernleistung bei adaptiven und herkömmlichen Modellen. Die Abbildung zeigt Box-und-Whisker-Diagramme, die die Verteilungen des normalisierten Wissenszuwachses für den vorgeschlagenen GECIF-Ansatz und das herkömmliche Basismodell vergleichen. Der vorgeschlagene Ansatz weist einen höheren medianen Wissenszuwachs und eine insgesamt verschobene Verteilung hin zu größeren Leistungswerten auf, zeigt jedoch auch einen breiteren Interquartilsabstand und eine stärkere Gesamtstreuung, was auf eine größere Variabilität zwischen den simulierten Lernenden hinweist. Trotz dieser erhöhten Variabilität zeigt die durchgängig höhere Verteilung des Wissenszuwachses, dass der vorgeschlagene Ansatz eine robuste Lernleistung unter unterschiedlichen Lernbedingungen beibehält. Die statistischen Vergleiche wurden mittels eines unabhängigen t-Tests über n = 1000 simulierte Lernende pro Modell durchgeführt. Die Boxen repräsentieren den Interquartilsabstand (IQR), die horizontale Linie innerhalb jeder Box kennzeichnet den Median, und die Whisker erstrecken sich bis 1,5 × IQR. Der vorgeschlagene Ansatz erreichte einen signifikant höheren mittleren Wissenszuwachs im Vergleich zum herkömmlichen Modell (p < 0,0001; Cohens d = 1,43). Keine Fehlerbalken sind dargestellt, da das Box-und-Whisker-Diagramm die Datenverteilung anhand von Quartilen und Whiskern statt anhand von Konfidenzintervallen zusammenfasst. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-11
Abbildung 11: Dynamische Veränderungen des Lernenden-Engagements während des Lernprozesses. Die Abbildung zeigt die zeitliche Entwicklung des normalisierten Student Engagement Index über normalisierte Simulationsschritte hinweg und verdeutlicht, dass der vorgeschlagene GECIF-Ansatz im Vergleich zum herkömmlichen Baseline-Modell während des gesamten simulierten Lernprozesses ein höheres und anpassungsfähigeres Engagement erreicht. Statistische Vergleiche zwischen dem vorgeschlagenen und dem Baseline-Modell wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt. Wo Fehlerbalken dargestellt sind, zeigen diese die 95%-Konfidenzintervalle (95% CI) des mittleren normalisierten Student Engagement Index an. Unterschiede wurden als statistisch signifikant bei p < 0,05 betrachtet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-12
Abbildung 12: Zyklische Muster der Lernendenbeteiligung in adaptiven Lernumgebungen. Die Abbildung veranschaulicht die zeitliche Entwicklung des normalisierten Index der Studierendenbeteiligung über normalisierte Simulationsschritte hinweg und zeigt periodische, jedoch stabile Schwankungen der Beteiligung, was darauf hindeutet, dass der vorgeschlagene GECIF-Ansatz während des gesamten simulierten Lernprozesses einen ausgewogenen und adaptiven Rhythmus der Lernendeninteraktion aufrechterhält. Statistische Vergleiche wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt. Wo Fehlerbalken dargestellt sind, zeigen diese die 95 %igen Konfidenzintervalle (95 % CI) des mittleren normalisierten Index der Studierendenbeteiligung. Unterschiede wurden als statistisch signifikant bei p < 0,05 betrachtet. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-13
Abbildung 13: Räumliche Variation der Merkmalsintensität über die Lerngraphstruktur hinweg. Die Abbildung veranschaulicht die normalisierte räumliche Verteilung der Merkmalsaktivierung innerhalb des graphenbasierten Lernframeworks. Bereiche mit höherer Intensität weisen stärkere Merkmalsaktivierungen auf, während Bereiche mit geringerer Intensität schwächere Aktivierungen darstellen und somit die strukturierte, nichtlineare Organisation der Wissensrepräsentationen sowie deren adaptive Beziehungen innerhalb des Lerngraphen während der Simulation offenbaren. Diese Visualisierung zeigt räumliche Merkmalsmuster und enthält keine Fehlerbalken. Statistische Vergleiche, die an anderer Stelle in der Studie angegeben sind, wurden mithilfe eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt, wobei statistische Signifikanz als p < 0,05 definiert wurde. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-14
Abbildung 14: Richtungsabhängiger Fluss des Wissenstransfers innerhalb des Curriculum-Graphen. Die Abbildung veranschaulicht die normalisierte Weitergabe von Wissen über miteinander verbundene Knoten innerhalb des graphenbasierten Curriculum-Rahmenwerks. Die gerichteten Pfade repräsentieren den strukturierten Informationsfluss durch den Lerngraphen und verdeutlichen eine effiziente Wissensverbreitung sowie einen adaptiven Austausch von Informationen zwischen den Curriculum-Komponenten während der Simulation. Diese Darstellung zeigt Muster der Wissenweitergabe und enthält keine Fehlerbalken. Statistische Vergleiche, die an anderer Stelle in der Studie berichtet werden, wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt, wobei statistische Signifikanz als p < 0,05 definiert wurde. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-15
Abbildung 15: Strukturelle Entwicklung des Lerngraphen im Zeitverlauf durch adaptive Merkmalsumwandlung. Die Abbildung veranschaulicht die schrittweise Entwicklung der Graph-Topologie während normalisierter Simulationszyklen, während die adaptive Merkmalsumwandlung die Beziehungen zwischen Wissensknoten kontinuierlich verfeinert. Die dynamischen strukturellen Veränderungen spiegeln die Fähigkeit des Frameworks wider, Lernpfade neu zu organisieren und zu optimieren, was im Verlauf des simulierten Lernprozesses zu immer kohärenteren und anpassungsfähigeren Graph-Darstellungen führt. Diese Visualisierung zeigt die Entwicklung der Graph-Topologie und enthält keine Fehlerbalken. Statistische Vergleiche, die an anderer Stelle in der Studie angegeben sind, wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt, wobei statistische Signifikanz als p < 0,05 definiert wurde. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-16
Abbildung 16: Interdependenzmuster zwischen den extrahierten Lernmerkmalen im adaptiven Rahmenwerk. Die Abbildung veranschaulicht die normalisierten Interdependenzmuster zwischen den extrahierten Lernmerkmalen innerhalb des vorgeschlagenen GECIF-Rahmenwerks. Stärkere Beziehungen weisen auf höhere Korrelationen und effektivere Wechselwirkungen zwischen den Merkmalsdimensionen hin, während schwächere Beziehungen geringere Abhängigkeiten darstellen und die komplexe, mehrdimensionale Organisation kognitiver und emotionaler Repräsentationen zeigen, die vom adaptiven, graphbasierten Rahmenwerk erlernt wurden. Diese Visualisierung zeigt Muster der Merkmalinteraktionen und enthält keine Fehlerbalken. Statistische Vergleiche, die an anderer Stelle in der Studie berichtet wurden, wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt, wobei statistische Signifikanz als p < 0,05 definiert wurde. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-17
Abbildung 17: Beitrag mehrdimensionaler Merkmale zur Leistung bei der Wissensaneignung. Die Abbildung veranschaulicht die normalisierten Beiträge mehrerer Merkmalsdimensionen zur Wissensaneignung im Rahmen des graphbasierten Lernansatzes. Unterschiede in der Wichtigkeit der Merkmale zwischen den Knoten des Graphen verdeutlichen die heterogene Natur kognitiver und emotionaler Lernfaktoren und zeigen, wie verschiedene Merkmale miteinander interagieren und zur adaptiven Wissensaneignung im vorgeschlagenen GECIF-Modell beitragen. Diese Darstellung zeigt Muster der mehrdimensionalen Merkmalsbeiträge und enthält keine Fehlerbalken. Statistische Vergleiche, die an anderer Stelle in der Studie berichtet werden, wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt, wobei statistische Signifikanz als p < 0,05 definiert wurde. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-18
Abbildung 18: Gleichzeitige Entwicklung kognitiver und emotionaler Zustände während des adaptiven Lernens. Die Abbildung zeigt die zeitliche Entwicklung des normalisierten Wissenszuwachses und der emotionalen Stabilität über normalisierte Simulationsschritte hinweg und verdeutlicht eine stetige kognitive Verbesserung, die von einer fortschreitenden Verringerung emotionaler Schwankungen begleitet wird. Der koordinierte Fortschritt dieser beiden Lernaspekte zeigt, dass der vorgeschlagene GECIF- Rahmen eine ausgewogene Integration kognitiver Entwicklung und emotionaler Regulation während des gesamten simulierten Lernprozesses effektiv aufrechterhält. Statistische Vergleiche wurden mittels eines gepaarten t-Tests über n = 1000 simulierte Lernende durchgeführt. Wo Fehlerbalken dargestellt sind, repräsentieren diese 95 % Konfidenzintervalle (95 % CI) der mittleren normalisierten Leistungswerte. Unterschiede wurden als statistisch signifikant bei p < 0,05 betrachtet. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

SymbolBeschreibungKategorie
GGraph, der das gesamte Lernsystem darstelltGraph-Komponente
VMenge aller KnotenGraph-Komponente
EMenge der Kanten (Beziehungen)Graph-Komponente
WGewichtungsmatrix zur Darstellung der BeziehungsstärkeGraph-Komponente
V_kWissensknoten (musikalische Konzepte)Knotentyp
V_aAktivitätsknoten (Lernaktionen)Knotentyp
V_eEmotionsknoten (psychologische Zustände)Knotentyp
W_ijGewicht zwischen Knoten i und jKantenparameter
S_c(i,j)kognitive Ähnlichkeit zwischen KnotenKantenparameter
S_e(i,j)emotionale Korrelation zwischen KnotenKantenparameter
alphaGewichtung für kognitive ÄhnlichkeitModellparameter
betaGewichtung für emotionale KorrelationModellparameter
x_i(t)Zustandsvektor des Knotens i zum Zeitpunkt tKnotenzustand
k_i(t)Wissensstand des Knotens iKnotenzustand
e_i(t)emotionaler Zustand des Knotens iKnotenzustand
a_i(t)Aktivitätsengagement des Knotens iKnotenzustand
h_iEinbettungsdarstellung des KnotensGNN-Parameter
gammaEmotionsverfallfaktorModellparameter
etaLern- bzw. AnpassungsrateModellparameter
JMultiziel-OptimierungsfunktionOptimierung

Tabelle 1: Zusammenfassung der Variablen, Parameter und Notationen, die im graphenbasierten emotionalen Curriculum-Intelligenz-Framework (GECIF) verwendet werden. Diese Tabelle liefert Definitionen für Graph-Komponenten, Knotenzustände und Modellparameter und unterstützt dadurch die Reproduzierbarkeit und Klarheit der vorgeschlagenen Methodik.

MetrikVorgeschlagener GECIF (Mittelwert)Vorgeschlagene SDVorgeschlagenes 95 % KIKonventionell (Mittelwert)Konventionelle SDKonventionelles 95 % KIVerbesserung (%)p-Wert
Wissenszuwachs0.880.040.84–0.920.650.060.59–0.71350.001
Emotionale Stabilität0.920.030.89–0.950.70.050.65–0.75310.002
Stressreduktion0.850.050.80–0.900.550.070.48–0.62540.0005
Engagement-Level0.90.040.86–0.940.680.060.62–0.74320.0015
Robustheit0.870.030.84–0.900.660.050.61–0.71320.002
Lerneffizienz0.910.040.87–0.950.690.060.63–0.75320.001
Konvergenzgeschwindigkeit0.890.030.86–0.920.670.050.62–0.72330.001
Vorhersagegenauigkeit0.930.020.91–0.950.720.050.67–0.77290.0008
Reduktion der emotionalen Varianz0.860.040.82–0.900.60.060.54–0.66430.0012
Anpassungsfähigkeitsscore0.90.030.87–0.930.680.050.63–0.73320.001

Tabelle 2: Vergleichende Leistungskennzahlen zwischen dem vorgeschlagenen GECIF-Ansatz und dem herkömmlichen Lernmodell. Die Tabelle fasst Verbesserungen bei Wissenszuwachs, emotionaler Stabilität, Stressreduktion, Lernbeteiligung, Robustheit und gesamter Lerneffizienz zusammen und zeigt die Überlegenheit des vorgeschlagenen Ansatzes auf.

Zusatzdatei 1: Code zur Datensatzgenerierung und strukturierten Datenrepräsentationen. Zusammenfassung der auf MATLAB basierenden Generierung des Datensatzes, der Verarbeitungspipeline und der Evaluierungsverfahren, die im Rahmen des graphbasierten emotionalen Lehrplan-Intelligenz-Modells (GECIF) verwendet wurden. Diese Datei bietet einen Überblick über die Simulationsphasen, einschließlich der Erzeugung von Interaktionsprotokollen, der Modellierung emotionaler Indikatoren, der Berechnung der Lernleistung, der Grapherstellung, der Merkmalsextraktion, der statistischen Analyse, der Validierungsprüfungen und der Datenexportverfahren und unterstützt so die Reproduzierbarkeit, Transparenz und Klarheit der vorgeschlagenen Methodik.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Die vorliegende Studie schlägt einen auf Graphen basierenden emotionalen Curriculum-Intelligenz-Rahmen (GECIF) vor, der die graphenbasierte Repräsentationslernung, die Modellierung emotionaler Zustände, die adaptive Optimierung des Curriculums und das von KI gestützte visuelle Lehren in einen einheitlichen Berechnungsrahmen für den Hochschulmusikunterricht integriert. Im Gegensatz zu herkömmlichen, KI-gestützten Bildungsmodellen, die hauptsächlich die akademische Leistung optimieren, modelliert der vorgeschlagene Rahmen gleichzeitig die Wechselwirkungen zwischen Wissensaneignung, emotionaler Regulation, Lernendenbindung und adaptiver Curriculumentwicklung. Die Simulationsergebnisse zeigten durchgängig eine überlegene Leistung des vorgeschlagenen Rahmens im Vergleich zur herkömmlichen Basislinie über mehrere Bewertungsmetriken hinweg, darunter Wissenszuwachs, emotionale Stabilität, Lernendenengagement und Stressreduktion. Diese Ergebnisse legen nahe, dass die Integration relationaler Graphstrukturen mit emotionsbewusstem Lernen eine umfassendere rechnerische Darstellung von Bildungsprozessen ermöglicht als Ansätze, die ausschließlich auf kognitiver Anpassung beruhen.

Die beobachteten Verbesserungen der simulierten Lernleistung stimmen mit jüngsten Entwicklungen im Bereich der KI-gestützten adaptiven Bildung überein. KI-Technologien werden zunehmend als wirksame Werkzeuge zur Entwicklung personalisierter und adaptiver Lernumgebungen anerkannt, die auf Lernereigenschaften und bildungsbezogene Anforderungen reagieren können18,19,20. Insbesondere hat sich gezeigt, dass eine durch künstliche Intelligenz unterstützte adaptive Curriculumentwicklung die Unterrichtsflexibilität, die lernzentrierte Entscheidungsfindung und die Bildungseffektivität verbessert19,20. Darüber hinaus haben KI-unterstützte Bewertungssysteme und intelligente Feedbacksysteme ein erhebliches Potenzial zur Steigerung der Schülerleistungen durch kontinuierliche Evaluierung und adaptive Unterrichtsunterstützung gezeigt21,22,23. Im Vergleich zu diesen früheren Studien erweitert das vorgeschlagene GECIF-Modell bestehende Methoden, indem es kognitives Wissen, emotionale Dynamiken und adaptive Lernverhalten in einer einzigen graphbasierten rechnerischen Architektur integriert. Folglich bietet das vorgestellte Modell eine einheitliche Darstellung von Bildungsprozessen, anstatt kognitive Leistung und Lernanpassung als getrennte Komponenten zu betrachten.

Die Einbindung der emotionalen Modellierung in den vorgeschlagenen Rahmen wird auch durch frühere Untersuchungen im Bereich der Musikpädagogik und des affektiven Lernens gestützt. Li1 zeigte, dass die emotionale Visualisierung in Kombination mit Deep Learning den musikästhetischen Unterricht verbessert, indem sie die Interaktion zwischen Lernenden und Lerninhalten verstärkt. Ebenso berichtete Zhao3, dass die Integration kognitiver Abbildung mit audiovisueller Musiktherapie die Angstzustände bei Universitätsstudierenden wirksam reduziert und damit die enge Beziehung zwischen emotionaler Regulation und Lernergebnissen unterstreicht. Iyendo et al.4 zeigten zudem, dass Interventionen mittels audiovisueller Kunst und Musik die psychische Gesundheit signifikant verbessern, indem sie symptomatische Beschwerden im Zusammenhang mit emotionalem Stress verringern. Die im vorliegenden Simulationsexperiment beobachteten Verbesserungen der emotionalen Stabilität stimmen somit mit früheren Befunden überein, die darauf hinweisen, dass emotionale Wahrnehmungsfähigkeit eine wesentliche Komponente eines erfolgreichen Musikunterrichts darstellt. Im Gegensatz zu früheren Studien, die emotionale Interventionen hauptsächlich als unabhängige pädagogische Strategien untersucht haben, integriert der vorgeschlagene Rahmen emotionale Dynamiken direkt in die graphbasierte Optimierung des Lehrplans, wodurch emotionale Zustände kontinuierlich anpassungsfähige Unterrichtsentscheidungen während des gesamten Lernprozesses beeinflussen können.

Die simulierte Verringerung der Lernendenbelastung stimmt ebenso mit neueren Literaturangaben zur psychischen Gesundheit von Studierenden in der Hochschulbildung überein. Akademischer Stress wurde als wesentlicher Prädiktor für vermindertes psychologisches Wohlbefinden und eingeschränkte Bildungsleistung bei Studierenden identifiziert28,29,30. Systematische Übersichtsarbeiten haben zudem gezeigt, dass strukturierte Stressbewältigungsinterventionen die akademische Leistungsfähigkeit und die psychische Gesundheit signifikant verbessern27. Neuere Studien belegen außerdem, dass digitale, KI-gestützte Interventionen wirksam sind, um das Stressmanagement und eine adaptive Selbstregulation bei Studierenden zu fördern29. Der vorliegende Ansatz unterscheidet sich von diesen interventionsbasierten Methoden, da die Stressreduktion durch eine adaptive Optimierung kognitiver und emotionaler Interaktionen entsteht, anstatt durch separate therapeutische Mechanismen. Folglich legen die niedrigeren Stressniveaus im vorgeschlagenen Rahmenkonzept nahe, dass ein emotional adaptives Curriculum-Design selbst zur Verringerung kognitiver Überlastung beitragen kann, während gleichzeitig eine verbesserte Lernleistung unterstützt wird.

Die in der vorliegenden Studie beobachtete gesteigerte Lernbeteiligung wird ebenso durch frühere Untersuchungen gestützt, die sich mit KI-gestützter visueller Bildung und personalisierten Unterrichtstechnologien beschäftigen. Bian et al.12 zeigten, dass visuelle Inhalte, die von KI generiert werden, die Unterrichtsbeteiligung, die Selbstwirksamkeit der Lernenden sowie die kognitive Leistung in Bildungsumgebungen signifikant verbessern. Ebenso berichteten Johnson et al.34, dass digitale visuelle Lernumgebungen die Schülerbeteiligung stärken und eine stärkere Partizipation unter belastenden Bildungsbedingungen fördern. Insbesondere im Musikunterricht haben sich KI-gestützte Unterrichtstechnologien als hilfreich erwiesen, um personalisierte Lernpfade zu ermöglichen und die pädagogische Innovation zu verbessern41. Der vorgeschlagene GECIF-Ansatz ergänzt diese Erkenntnisse, indem er adaptiven visuellen Unterricht mit einer graphbasierten emotionalen Modellierung verbindet, wodurch Lernbeteiligung, emotionale Regulation und kognitive Entwicklung während des gesamten Lernprozesses gleichzeitig voranschreiten können.

Die Beziehung zwischen emotionaler Regulation und Lernleistung, die in der vorliegenden Studie beobachtet wurde, wird auch durch umfassendere Forschungsergebnisse zur psychischen Gesundheit gestützt. Emotionale Regulation wurde als grundlegender Bestimmungsfaktor für das psychologische Wohlbefinden und eine gesunde schulische Funktionsfähigkeit identifiziert32. Ebenso betonen Modelle des Schülerwohlergehens, dass emotionale Widerstandsfähigkeit und psychologische Stabilität eng mit erfolgreichen akademischen Ergebnissen verbunden sind15,16,17. Studien an Universitätsstudierenden berichten durchgängig, dass die Förderung der psychischen Gesundheit Resilienz, Lernengagement und langfristige Bildungserfolge verbessert14,15,16,17. Die vorliegende Simulation zeigte ein ähnliches rechnergestütztes Verhalten, bei dem Verbesserungen der emotionalen Stabilität mit einer höheren Wissensaneignung und stärkerem Lernereinsatz einhergingen. Obwohl die vorliegende Untersuchung vollständig simulationsbasiert ist und daher keine kausalen Zusammenhänge bei realen Lernenden nachweisen kann, untermauern die computergestützten Ergebnisse die wachsende Übereinstimmung, dass emotionale Regulation direkt in intelligente Bildungssysteme integriert werden sollte, anstatt als unabhängiges Bildungsergebnis betrachtet zu werden.

Im Vergleich zu bestehenden rechnergestützten Ansätzen bietet der vorgeschlagene Rahmen mehrere konzeptionelle Vorteile. Aktuelle KI-basierte Bildungssysteme setzen zunehmend auf adaptive Bewertung, personalisiertes Feedback und intelligente Entscheidungsunterstützung, um die Lernwirksamkeit zu verbessern21,22,23. Ebenso betonen KI-gestützte adaptive Lehrplanmodelle die Personalisierung für Lernende und eine dynamische Unterrichtsplanung18,19,20. Diese Ansätze bewerten die Leistung der Lernenden jedoch meist primär anhand kognitiver Indikatoren, während emotionale Informationen separat dargestellt oder ganz weggelassen werden. Im Gegensatz dazu modelliert der vorgeschlagene GECIF-Rahmen innerhalb einer einheitlichen Graphdarstellung gleichzeitig den Wissenserwerb, emotionale Dynamiken, das Engagement der Lernenden und die Entwicklung eines adaptiven Lehrplans. Diese integrierte Modellierungsstrategie ermöglicht eine kontinuierliche Wechselwirkung zwischen kognitiven, verhaltensbezogenen und emotionalen Variablen und liefert somit eine umfassendere rechnergestützte Beschreibung von Bildungsprozessen als herkömmliche, KI-gestützte Bildungssysteme.

Der Rahmen ist besonders für den Musikunterricht relevant, da musikalisches Lernen von Natur aus den Erwerb technischer Fähigkeiten, emotionale Ausdrucksformen, Kreativität und das Engagement der Lernenden verbindet. Frühere Untersuchungen haben gezeigt, dass die Integration von Musik, bildender Kunst und kreativen Bildungsaktivitäten zur psychologischen Entwicklung, zum emotionalen Wohlbefinden und zur Bildungsmotivation beiträgt36,37. Darüber hinaus erleben Musikstudierende häufig eine erhebliche akademische Arbeitsbelastung und psychischen Stress, was die Bedeutung adaptiver bildunglicher Unterstützungsmechanismen unterstreicht25,26. Der vorgeschlagene Rahmen erweitert diese bildungswissenschaftlichen Perspektiven, indem er einen rechnergestützten Mechanismus bereitstellt, der in der Lage ist, technische Lernfortschritte, emotionale Anpassung und adaptive Unterrichtsoptimierung gleichzeitig in einem einzigen, auf Graphen basierenden Modell abzubilden. Folglich bietet der Rahmen eine interpretierbare rechnergestützte Grundlage für zukünftige intelligente Musikbildungssysteme, die sowohl die Bildungsleistung als auch das Wohlbefinden der Lernenden optimieren möchten.

Trotzdem sollten mehrere Einschränkungen anerkannt werden. Erstens wurde das Framework ausschließlich anhand synthetischer Daten bewertet, die innerhalb einer kontrollierten Computersimulation generiert wurden; daher spiegeln die berichteten Verbesserungen die algorithmische Leistung wider und nicht empirische Belege aus realen Schülerschaften. Zweitens wurden emotionale Variablen mithilfe mathematischer Abstraktionen dargestellt, die die Komplexität authentischer menschlicher Emotionsprozesse vereinfachen. Drittens könnten vordefinierte Graphstrukturen und Optimierungsparameter die Vielfalt praktisch vorkommender Bildungsumgebungen nicht vollständig abbilden. Schließlich führt die graphbasierte Optimierung eine zusätzliche rechnerische Komplexität ein, die möglicherweise weitere Optimierungen erfordert, bevor eine großflächige Implementierung in intelligente Bildungssysteme erfolgen kann.

Zukünftige Untersuchungen sollten daher den vorgeschlagenen Rahmen mithilfe authentischer Bildungsdatensätze und realer Klassenzimmerumgebungen validieren. Die Einbeziehung multimodaler Bildungsinformationen, einschließlich Verhaltensinteraktions-Logs, physiologischer Messungen, audiovisueller Beobachtungen und digitaler Lernspuren, könnte die Realitätsnähe der Schätzung emotionaler Zustände und die Optimierung adaptiver Lehrpläne erheblich verbessern. Vergleichende Bewertungen gegenüber aktuellen, KI-gestützten adaptiven Lernsystemen 18,19,20,21,22 würden die relativen Vorteile der graphenbasierten emotionalen Modellierung weiter verdeutlichen. Eine Erweiterung des Rahmens über den Musikunterricht hinaus auf weitere Bildungsdisziplinen würde ebenfalls die Evidenz für seine Generalisierbarkeit und praktische Anwendbarkeit stärken. Die vorliegende simulationsbasierte Untersuchung zeigt, dass die Integration graphenbasierter relationaler Lernverfahren mit emotionaler Modellierung eine aussichtsreiche Richtung für intelligente Bildungssysteme der nächsten Generation darstellt. Die Ergebnisse stimmen mit jüngsten Fortschritten in der KI-unterstützten adaptiven Bildung, der emotionsbewussten Musikpädagogik, dem personalisierten Lernen und der Forschung zur psychischen Gesundheit von Lernenden überein25,26,27,28,29,30. Obwohl eine Validierung anhand realer Lernender weiterhin erforderlich ist, bietet der vorgeschlagene GECIF-Rahmen eine strukturierte rechnergestützte Grundlage für zukünftige, KI-gestützte Bildungssysteme, die in der Lage sind, kognitive Leistung, emotionales Wohlbefinden, Lernendenengagement und adaptive Lehrplangestaltung gleichzeitig zu optimieren.

Offenlegungen

Der Autor hat kein Interessenkonflikt.

Danksagungen

Der Autor möchte der Musikabteilung der Anqing Normal University aufrichtig dafür danken, dass sie das akademische Umfeld und die institutionelle Unterstützung bereitgestellt hat, die für die Durchführung dieser Forschung erforderlich waren. Besonderer Dank gilt den Kollegen und Studierenden, die während der Entwicklung und Bewertung des vorgeschlagenen Rahmens wertvolle Einblicke und Rückmeldungen beigetragen haben. Der Autor dankt auch der Anqing Normal University für die Unterstützung beim Zugang zu Ressourcen und Forschungsinfrastruktur.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
32 GB DDR4 RAM-ModulKingston TechnologyNA
CUDA-Toolkit für GPU-Beschleunigung (v11.8)NVIDIAversion 1.18
Lehrplan-AnpassungsmodulIndividuelle ImplementierungCAE003
Datensatz: Emotionale IndikatorenGenerierter DatensatzDEI006
Datensatz: Leistungsmetriken im LernenGenerierter DatensatzDLPM007
Datensatz: Protokolle der SchülerinteraktionenGenerierter DatensatzDIL005
Modul zur Simulation emotionaler ZuständeIndividuelle ImplementierungESM002
GPU-Arbeitsstation (NVIDIA RTX 3080)NVIDIANA
Implementierungsmodul für Graphneuronale NetzeIndividuelle ImplementierungNA
Intel Core i7-Prozessor (3,6 GHz)Intel CorporationNA
Jupyter-Notebook-Umgebung (v6.5)Project Jupyterversion 6.5
MATLAB-Software (R2023a)MathWorksR2023a
Visualisierungsbibliothek Matplotlib (v3.7)Matplotlibversion 3.7
Graphverarbeitungsbibliothek NetworkX (v3.1)NetworkX-Entwicklerversion 3.1
Numerische Rechenbibliothek NumPy (v1.24)NumPy-Entwicklerversion 1.24
Optimierungsmodul (Mehrzweck-Optimierer)Individuelle ImplementierungMOS008
Datenverarbeitungsbibliothek Pandas (v2.0)Entwicklungsteam von Pandasversion 2.0
Python-Programmierumgebung (v3.10)Python Software Foundationversion 3.10
Tiefenlern-Framework PyTorch (v2.0)Meta AIversion 2.0
Skript zur Initialisierung des ZufallsseedsIndividuelle ImplementierungRSI009
Machine-Learning-Bibliothek Scikit-learn (v1.3)Scikit-learnversion 1.3
Statistische Visualisierungsbibliothek Seaborn (v0.12)Seabornversion 0.12
TensorFlow-Bibliothek (v2.12)Googleversion 2.12
Toolkit für visuelle LernschnittstellenIndividuelle ImplementierungVLI004
Windows 11 BetriebssystemMicrosoftW11

Referenzen

  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.

Nachdrucke und Genehmigungen

Weitere Artikel entdecken

KI-gestützte Bildungemotionale Modellierungadaptives Lernenemotionale Stabilitätstudentisches EngagementStressreduktiongraphbasiertes Lernen
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.