Investigación sobre la integración de la simulación narrativa y la IA visual en la gestión docente para desarrollar la capacidad de salud mental en las universidades

Resumen

Este estudio integra la simulación narrativa y la IA visual en sistemas de gestión docente para mejorar la salud mental, la resiliencia emocional y el compromiso de los estudiantes universitarios.

Resumen

Los estudiantes universitarios se enfrentan cada vez más a desafíos de salud mental, como ansiedad, depresión y estrés, pero la mayoría de los entornos de educación superior carecen de sistemas proactivos de monitoreo y apoyo emocional. Este estudio tenía como objetivo diseñar, implementar y evaluar un sistema híbrido de gestión de la enseñanza que integre la simulación narrativa con inteligencia artificial visual (IA) para promover la alfabetización en salud mental y la resiliencia emocional entre los estudiantes. El sistema incluye un módulo de toma de decisiones narrativas que simula escenarios de estrés y una herramienta de reconocimiento emocional impulsada por IA (basada en detección de expresiones faciales) integrada en entornos de aula. Se empleó un diseño de métodos mixtos con 332 estudiantes de grado y 15 profesores de varias universidades. Se recopilaron encuestas previas y posteriores a la intervención, registros de uso y datos emocionales en tiempo real de la IA visual. Los datos cuantitativos se analizaron utilizando estadística descriptiva, pruebas t emparejadas, ANOVA y regresión lineal múltiple. Los resultados indicaron mejoras estadísticamente significativas en las puntuaciones de salud mental de los estudiantes (p < 0,01), la conciencia emocional y la confianza en la toma de decisiones. Este enfoque integrado demuestra tanto usabilidad como escalabilidad, ofreciendo a los instructores una visión emocional temprana y a los estudiantes un entorno de aprendizaje reflexivo. El método es más adecuado para instituciones equipadas con aulas con capacidades de IA y supervisión ética entrenada.

Introducción

La salud mental se ha convertido en una preocupación urgente en la educación superior, con niveles crecientes de ansiedad, depresión y agotamiento reportados entre estudiantes universitarios^{de todo el mundo.} Estas cargas psicológicas, a menudo vinculadas a la sobrecarga académica, presiones sociales e incertidumbre financiera, afectan negativamente al rendimiento académico, la retención y el bienestar a largo^{plazo 2}. Aunque muchas instituciones han implementado servicios de asesoramiento e intervenciones en crisis, estos enfoques tienden a ser reactivos y limitados^{en su alcance 3}. Existe una demanda creciente de estrategias proactivas, escalables e integradas que apoyen la resiliencia psicológica de los estudiantes en entornos de aprendizaje cotidianos.

Los avances recientes en tecnología educativa ofrecen nuevas oportunidades para integrar el apoyo emocional directamente en los sistemas de enseñanza. Dos enfoques prometedores son la simulación narrativa y la inteligencia artificial visual (IA). La simulación narrativa se refiere a módulos interactivos basados en la historia que sitúan a los estudiantes en situaciones emocionalmente complejas, fomentando la reflexión, la empatía y la toma de decisiones. Fundamentadas en la teoría del aprendizaje experiencial, estas simulaciones permiten a los alumnos ensayar respuestas a desafíos como la ansiedad en los exámenes, la gestión del tiempo o el conflicto entre compañeros en un entorno seguro y^{guiado 4,5}. La Teoría del Aprendizaje Experiencial sugiere además que la reflexión y la experimentación activa son cruciales para transformar la experiencia en un aprendizaje duradero, haciendo de la simulación narrativa un medio viable para fomentar la inteligencia emocional y el afrontamiento adaptativo.

La IA Visual utiliza modelos de aprendizaje automático para inferir los estados emocionales de los estudiantes en tiempo real, por ejemplo, a partir de expresiones faciales, mirada o^{postura 6}. Cuando se implementan de forma ética y con consentimiento informado, estos sistemas pueden funcionar como herramientas de alerta temprana, identificando el estrés o el desenganche antes de la^{escalada 7}. Integrada en plataformas de gestión docente, la IA visual puede proporcionar retroalimentación oportuna a los profesores, apoyando respuestas académicas o emocionales personalizadas. Esta integración está alineada con la Teoría Cognitivo-Conductual, que enfatiza que aumentar la conciencia de las cogniciones desadaptativas y reestructurarlas puede mejorar los resultados emocionales.

Este enfoque también resuena con las visiones contemporáneas de la gestión docente como la orquestación de la experiencia estudiantil tanto en entornos digitales como presenciales. Al integrar el apoyo en salud mental en esta infraestructura, la formación en resiliencia pasa a formar parte del proceso académico en lugar de ser un complemento opcional⁸. Además, se alinea con el Modelo Transaccional del Estrés y la Afrontación, que enmarca la regulación emocional como una interacción dinámica entre estrategias de evaluación y afrontamiento; aquí, la IA visual contribuye a la evaluación primaria (detección de señales), mientras que la simulación narrativa estructura la evaluación secundaria (explorar alternativas de afrontamiento) en un espacio psicológicamente seguro.

A pesar del creciente interés, pocos estudios empíricos han evaluado el uso combinado de IA visual y simulación narrativa para el apoyo a la salud mental en la educación superior. Además, constructos clave como la alfabetización en salud mental, "el conocimiento y las creencias que ayudan en el reconocimiento, gestión o prevención de trastornos mentales^" y la resiliencia emocional, la capacidad de adaptarse al estrés^{psicológico,} a menudo están poco operacionalizados. Este estudio aborda estas carencias diseñando y probando un sistema integrado de enseñanza-gestión que combina simulación narrativa con componentes de IA visual para promover la identificación temprana del malestar y fomentar la autorregulación del alumnado.

Objetivo y contribución clave

Este estudio explora cómo la simulación narrativa y la IA visual pueden integrarse de manera significativa en los sistemas de gestión docente para abordar las preocupaciones de salud mental entre los estudiantes universitarios. En lugar de tratar la salud mental como un servicio externo, el objetivo es integrar el compromiso emocional y el apoyo psicológico temprano en el aprendizaje rutinario. Combinar escenarios interactivos de toma de decisiones con la monitorización emocional en tiempo real ofrece a los estudiantes oportunidades para practicar la reflexión, al tiempo que permite a los profesores responder con sensibilidad ante signos de angustia.

El sistema se basa conceptualmente en el aprendizaje experiencial, destacando la práctica, la retroalimentación y la implicación emocional como motores del cambio de conducta. Las simulaciones narrativas presentan factores académicos de estrés familiares (por ejemplo, presión de tiempo, tensión entre iguales) que requieren decisiones emocionalmente relevantes. Paralelamente, una herramienta de IA visual calibrada para la inferencia de expresión facial monitoriza los cambios momento a momento durante las sesiones de enseñanza. El enfoque también se basa en la teoría de la Inteligencia Emocional, que identifica la autoconciencia, la empatía y la regulación como competencias fundamentales de resiliencia.

La investigación involucró a 332 estudiantes de grado y 15 miembros del profesorado en tres áreas temáticas. Utilizando un diseño de métodos mixtos, evaluamos si la ansiedad, la depresión y el estrés disminuyeron, y si la conciencia emocional y la confianza en la decisión de los estudiantes mejoraron. La modelización estadística y los análisis cualitativos informan conjuntamente cómo las tecnologías conscientes de las emociones pueden apoyar el bienestar estudiantil, no como sustituto de la atención profesional, sino como un componente preventivo y escalable de la vida académica cotidiana.

Resumen del sistema

Este estudio está estructurado en cinco secciones principales. La introducción presenta el contexto y la motivación para abordar los desafíos de salud mental en la educación superior. La segunda sección revisa la literatura existente sobre simulación narrativa, IA visual y sus aplicaciones en contextos educativos. La tercera sección describe el diseño de la investigación, incluyendo el enfoque de métodos mixtos, la captación de participantes y las técnicas analíticas. La cuarta sección presenta los hallazgos clave, tanto cuantitativos como cualitativos, centrándose en los cambios en la resiliencia emocional de los estudiantes y la conciencia sobre la salud mental. Finalmente, la conclusión analiza las implicaciones más amplias de los hallazgos y sugiere direcciones futuras para la integración de tecnologías conscientes de las emociones en la práctica docente.

Trabajo relacionado

Las universidades han probado diversos enfoques para apoyar la salud mental, incluyendo la divulgación liderada por pares, campañas digitales e intervenciones en el aula^. La comunicación a nivel de campus combinada con el apoyo entre iguales de los estudiantes puede mejorar la implicación y la concienciación en el servicio, aunque adaptarse a poblaciones diversas sigue siendo un reto¹². A nivel poblacional, la investigación suele basarse en encuestas de autoinforme basadas en los criterios^{diagnósticos 13}, que limitan la inferencia causal y pasan por alto indicadores en tiempo real de la^{cepa 14,15}.

Una línea de trabajo creciente examina la inteligencia emocional (IE) como predictor del bienestar estudiantil; Rasgos como la autoconciencia, la claridad y la reparación emocional se asocian con mejores resultados, siendo frecuentemente identificado el sentido de pertenencia como^{mediador 16}. Sin embargo, muchos resultados se basan en encuestas puntuales, careciendo de retroalimentación dinámica para un apoyo sostenido. Incorporar principios informados por la IE en la simulación narrativa ofrece una vía para profundizar la empatía, la reflexión y la autorregulación.

Paralelamente, los investigadores educativos integran cada vez más la IA en los entornos de aprendizaje¹⁷. Se han utilizado herramientas de IA visual que detectan expresiones faciales o microexpresiones relacionadas con el estrés en exámenes y tutorías, con resultados prometedores para la retroalimentación^{adaptativa 18}. Las simulaciones narrativas están bien establecidas en enfermería/educación médica para la práctica de decisiones cargadas^{de emoción 19}, pero estas aplicaciones suelen ser específicas de un dominio y rara vez se integran en sistemas generales de^{enseñanza-gestión 20}. Un pequeño cuerpo de trabajo propone marcos para la colaboración entre estudiantes y IA y el diseño instruccional impulsado^{por IA 21,22}, enfatizando la ética, las brechas de implementación y la necesidad de modelos escalables que aporten valor pedagógico y psicológico más allá de la novedad.

Este estudio avanza en el campo al integrar la simulación narrativa con computación afectiva en tiempo real para crear una respuesta proactiva e integrada a los desafíos de salud mental en entornos de aprendizaje universitarios.

Brecha de investigación y consideraciones prácticas de implementación

Aunque las herramientas digitales para la salud mental estudiantil están proliferando, muchos estudios dependen de la autoevaluación y de intervenciones a corto plazo fuera del contexto del aula, limitando el impacto y la puntualidad a largo plazo. Pocos esfuerzos conectan constructos como la IE o la alfabetización en salud mental con la retroalimentación en tiempo real o el comportamiento observable en clase. La IA visual y la simulación narrativa se han explorado por separado, pero rara vez se combinan en un solo sistema que rastree y responda a estados emocionales durante la actividad académica. Este estudio aborda esa brecha combinando la reflexión emocional basada en simulación con el reconocimiento impulsado por IA dentro del propio entorno de aprendizaje.

Consideraciones prácticas de implementación

El despliegue efectivo depende de la infraestructura (internet estable, cámaras integradas), supervisión ética y calibración de algoritmos para proteger a los participantes y reducir sesgos, especialmente cuando se trata de análisis facial. La formación del profesorado también es necesaria para interpretar de forma responsable las señales generadas por IA e integrarlas en las decisiones pedagógicas. En consecuencia, este enfoque se adapta mejor a las universidades a infraestructuras digitales establecidas y a comités éticos institucionales, donde puede funcionar como un marco proactivo y escalable para el empoderamiento de la salud mental estudiantil.

Protocolo

Antes de la recogida de datos, se obtuvo la aprobación ética del Comité de Revisión Institucional de la Universidad de Correos y Telecomunicaciones de Nankín (Código de aprobación: NJUPT-IRB-2024-0312). Todos los participantes proporcionaron un consentimiento informado por escrito tras ser informados sobre el alcance del estudio, la naturaleza voluntaria de la participación, el uso de IA visual para el seguimiento emocional y los procedimientos de confidencialidad de datos. La participación podía suspenderse en cualquier momento sin penalización. El software y el equipo utilizados se enumeran en la Tabla de Materiales.

1. Preparación para el estudio

1. Definición del calendario operativo y del flujo de extremo a extremo
   Se establecieron dos puntos de evaluación: T1 (preintervención), inmediatamente después del primer examen, y T2 (post-intervención), tras una breve retroalimentación proporcionada por instructores guiados por señales emocionales de IA. Una simulación narrativa se programó tras el periodo de exámenes, y una segunda varios días después para evaluar los cambios en la forma de afrontar. La cadena de acceso extremo a extremo, que abarca la entrada de cámaras del aula, la API de reconocimiento de emociones, la retroalimentación del profesor, la recopilación de encuestas, la integración de datos y el análisis, se ilustra en la Figura 1A.
2. Reclutamiento y documentación de participantes
   Un total de 347 participantes fueron reclutados voluntariamente de cursos existentes, incluyendo 332 estudiantes de grado (de 18 a 22 años; 140 hombres, 192 mujeres) y 15 miembros del profesorado (de 27 a 45 años; 10 mujeres, 5 hombres). Se registraron las distribuciones por año académico y departamentos. La demografía de estudiantes y profesores se presenta en la Tabla 1 y la Tabla 2, respectivamente.
3. Preparación de aulas y materiales
   Cada habitación estaba equipada con un ordenador (Intel i5 o superior, ≥ 8 GB de RAM), una cámara web HD (≥ 720p) y conectividad estable a internet (≥ 10 Mbps). La webcam se colocó a la altura de los ojos bajo una iluminación frontal uniforme para asegurar una visibilidad facial clara a ≥ 640 × 480 px. Un aviso indicaba que el seguimiento emocional estaba activo. El encuadre y la iluminación se verificaban antes de cada sesión, y se iniciaba la configuración del software una vez confirmada la estabilidad de la detección.

2. Configuración de la IA Visual

1. Provisión del servicio de reconocimiento emocional
   Se creó una cuenta en la nube y se habilitó la API de reconocimiento emocional. Se generaban la clave de la API y la URL del endpoint, almacenando las credenciales en forma cifrada bajo control de acceso basado en roles. Para la reproducibilidad, se empleó Microsoft Azure Face API (Emotion, v3.2, región de Asia Oriental). El cliente se autenticó vía HTTPS usando un token portador y devolvió objetos JSON por cara que contenían {faceId, faceRectangle, emotions: {ira, miedo, tristeza, asco, felicidad, sorpresa, neutral}, timestamp} aproximadamente a 25-30 fps.
2. Conexión de la cámara y calibración de la detección
   El flujo de la webcam del aula estaba vinculado al cliente API (Python o REST). La frecuencia de muestreo se ajustó a 25-30 fps con una resolución de fotogramas de 640 × 480 px. Se inició un flujo de prueba y se confirmó la conectividad recibiendo una respuesta HTTP 200 OK con JSON válido con marca temporal. El ángulo de cámara y la iluminación se ajustaban hasta que se detectaban rostros en un segundo tras la entrada del fotograma. Se documentaron la posición final de la cámara y los parámetros de iluminación. La calibración se evidenciaba mediante una pantalla de confirmación que mostraba las cajas delimitadoras, el indicador 200 OK y campos JSON, como se ilustra en la Figura 1B.
3. Definición de umbrales de clasificación y reglas de registro
   Cada salida JSON incluía marcas de tiempo, etiquetas de emociones y valores de confianza ISO 8601. Se definió un compuesto de afecto negativo por fotograma como la media de las puntuaciones de confianza {ira, miedo, tristeza, asco}. Se activaba una bandera de tensión cuando el compuesto permanecía ≥ 0,75 durante al menos 5 s (ventana móvil). Se realizó una prueba piloto de 10 minutos para optimizar los umbrales, con un objetivo de una tasa de falsos positivos por sesión del ≤5%. El registro se configuró para agregar resúmenes a nivel de sesión en lugar de almacenar tramas identificables.
4. Implementación de controles de privacidad y minimización de datos
   Se asignaron identificadores seudónimos (S001-S332 para estudiantes y F001-F015 para profesores), manteniendo el archivo de clave ID en un servidor cifrado bajo control de acceso basado en roles. La caché local de vídeo estaba deshabilitada. Cuando se requería caché temporal para garantizar la calidad, los fotogramas en caché se eliminaban en un plazo de 24 horas tras la verificación. La precisión de detección por sesión, la latencia media y las tasas de error se registraron para la presentación posterior en la sección de Resultados.
5. Verificación de la preparación de la IA (punto de control procedimental)
   Se confirmó la detección estable de caras a 25-30 fps, la recepción de respuestas HTTP 200 OK, campos JSON válidos, ajustes de umbral documentados y almacenamiento seguro de credenciales. Se informó que toda la tubería había superado comprobaciones de preparación consistentes con la representación de calibración en la Figura 1B.

3. Administración de la encuesta

1. Configuración de instrumentos y anclajes
   Se empleó una escala de Likert de 5 puntos para medir la depresión, la ansiedad y el estrés, utilizando ítems adaptados de DASS-21 para alinearse con el contexto académico. Los códigos de ítem y los anclajes seguían la disposición del instrumento presentada en la Tabla 3.
2. Administración de T1 (pre-prueba)
   La encuesta se realizó inmediatamente después del examen inicial y antes de recibir cualquier retroalimentación informada por IA. Se desplegó un formulario en línea seguro con todos los campos configurados como obligatorios y evitadas las presentaciones duplicadas. El conjunto de datos se exportó en formato CSV con campos para ID de participante, momento (T1) y puntuaciones de ítems.
3. Entrega de una breve retroalimentación del instructor
   Dentro de las 24 horas posteriores a la T1, se proporcionó orientación no clínica a los estudiantes identificados por IA. La retroalimentación incluyó ejercicios cortos de relajación (3-5 minutos), ajustes en el plan de estudio o sugerencias para gestionar el tiempo. No se registraron notas clínicas en el conjunto de datos de investigación. Los estudiantes que presentaban un grave malestar eran derivados a los servicios de orientación del campus de acuerdo con la política institucional.
4. Administración de T2 (post-test)
   La misma encuesta se volvió a administrar tras la segunda sesión de examen y la retroalimentación posterior. Los datos se exportaron en formato CSV con el punto de tiempo (T2) y se emparejaron con respuestas T1 usando identificadores de participantes.
5. Bloqueo de datos de encuesta (punto de control procedimental)
   Se verificaron las tasas de respuesta y los patrones de datos ausentes, y la base de datos de la encuesta se bloqueó antes de la fusión de datos. Se planificaron estadísticas descriptivas para su inclusión en la sección de Resultados.

4. Ejercicios de simulación narrativa

1. Ejecución de la Simulación 1
   Se presentó un escenario de estrés académico, que representaba situaciones como recibir una nota baja o percibir una retroalimentación injusta. A cada estudiante se le indicó que eligiera una de tres opciones de respuesta: interiorizar la frustración, culpar públicamente al profesor o reflexionar y buscar aclaraciones. Se asignó una duración de 3-5 minutos para la selección de respuestas, seguida de una justificación escrita de 150-200 palabras. La interfaz de simulación que muestra las opciones de prompt y respuesta de temporización se muestra en la Figura 1C.
2. Realización de entrevistas breves
   Inmediatamente después de la Simulación 1, se realizaron entrevistas breves de 5 a 7 minutos para explorar las valoraciones de los participantes, sus intenciones de afrontamiento y los desencadenantes emocionales percibidos. Se registraron notas de entrevista y se vincularon a identificaciones de participantes.
3. Ejecución de la Simulación 2
   Se realizó una segunda simulación varios días después, siguiendo el mismo procedimiento que la Simulación 1 pero usando un escenario paralelo. Esta sesión tenía como objetivo observar cambios en la conciencia emocional y en los comportamientos de afrontamiento. La elección, la justificación y las notas de la entrevista se registraron tal como en la Simulación 1.
4. Confirmación de registros de simulación (punto de control procedimental)
   Se verificó que cada participante tenía una elección registrada, una justificación con al menos 150 palabras y una nota correspondiente en la entrevista. Se preparó una plantilla de resumen de codificación para el análisis temático posterior.

5. Exportación de registros de IA y fusión de conjuntos de datos

1. Exportación de resúmenes emocionales a nivel de sesión
   Los resúmenes emocionales a nivel de sesión se exportaron en formato CSV, incluyendo ID de participante, ID de sesión, marca de tiempo ISO 8601, etiqueta emocional, valor de confianza y el indicador de bandera de estrés. No se guardaban los fotogramas de vídeo en bruto.
2. Fusión de registros de IA con archivos de encuesta
   Los archivos de registro de IA se fusionaron con conjuntos de datos de encuestas T1 y T2 utilizando el ID del participante y la fecha de la sesión como variables clave. Se calcularon variables derivadas, como ΔAnxiety = Anxiety_T2 − Anxiety_T1, para evaluar el cambio a lo largo del tiempo. Se realizó una auditoría del 5% de los registros fusionados para verificar la alineación de los identificadores y la consistencia cronológica.
3. Confirmación de la integridad de la fusión (punto de control procedimental)
   Se confirmaron la coincidencia de identificación uno a uno y el orden temporal correcto, con T1 precediendo a T2 para cada participante. Cualquier discrepancia identificada se resolvió antes de realizar el análisis estadístico.

6. Análisis cuantitativo (flujo de trabajo SPSS)

1. Importación de datos y definición de variables
   Los archivos de datos se abrían en SPSS 27.0 y se importaban conjuntos de datos CSV. Se definieron etiquetas y tipos de variables, y se establecieron reglas de valor faltante. Los archivos maestros se guardaban en .sav formato para análisis posteriores.
2. Evaluación de la fiabilidad y estadísticas descriptivas
   Se calculó la α de Cronbach para cada constructo para evaluar la consistencia interna. Se generaron estadísticas descriptivas, incluyendo la media (M) y la desviación estándar (SD), para todas las variables. Los resultados resultantes se conservaron para su inclusión en la sección de Resultados.
3. Ejecución de pruebas t de muestras emparejadas
   Se realizaron pruebas t de muestras emparejadas para comparar las puntuaciones de T1 y T2 para ansiedad, depresión y estrés. Los resultados incluyeron t, grados de libertad (df), valor p, d de Cohen e intervalo de confianza (IC) del 95%, todos presentados en la sección de Resultados.
4. Ejecución de ANOVA de medidas repetidas
   El tiempo (T1, T2) se especificaba como un factor dentro del sujeto en una ANOVA de medidas repetidas. Se evaluó la prueba de esfericidad de Mauchly y se aplicó la corrección de Greenhouse-Geisser cuando se violaron las suposiciones. El análisis informó de F, df, p, η² y valores de IC del 95% para su inclusión en los resultados.
5. Ajuste de múltiples modelos de regresión lineal
   Se ajustaron múltiples modelos de regresión lineal con resultados de T2 regresados en puntuaciones de T1, tasa de bandera de estrés de la IA y elección narrativa (codificada por dummy). Los resultados del modelo se resumieron mediante β de reporte, error estándar (SE), valor t, valor p y^{R 2}.
6. Mantenimiento de normas unitarias y de notación
   Todos los valores numéricos se ajustaban a las convenciones de unidades SI, con un espacio entre número y unidad (por ejemplo, 10 min, 25 fps, 640 × 480 px). Las ecuaciones se insertaron utilizando la herramienta Ecuaciones de Word cuando era apropiado, y la notación estadística se mantuvo consistente en todas las secciones.

7. Flujo de trabajo de análisis temático

1. Ensamblaje del corpus cualitativo
   Se transcribieron las notas de la entrevista y se recopilaron las justificaciones narrativas en un único corpus etiquetado por ID del participante y punto temporal (Sim1 o Sim2). Este corpus sirvió como conjunto de datos para el análisis cualitativo.
2. Desarrollo del libro de códigos y formación de codificadores
   Se desarrolló un libro de códigos centrado en el compromiso emocional, la calidad de la toma de decisiones y los indicadores de inteligencia emocional, incluyendo la autoconciencia, la empatía y la regulación emocional. Se formaron dos codificadores en el 10% del corpus para asegurar una interpretación consistente de los códigos y criterios analíticos.
3. Establecimiento de la fiabilidad del interrador y finalización de la codificación
   La fiabilidad del interratador se evaluó con un κ de Cohen objetivo de al menos 0,75. Cualquier discrepancia se discutía y resolvía antes de finalizar el libro de códigos. El corpus restante fue entonces completamente codificado. Se resumieron las frecuencias temáticas y se preparó un mapa temático representativo para su presentación en la sección de Resultados. Se seleccionó una cita representativa para ilustrar cada tema central.

8. Control de calidad, resolución de problemas y archivo

1. Resolución de cuestiones técnicas
   Cuando las tasas de detección facial eran bajas, se mejoraba la iluminación frontal y se ajustaba el ángulo de la cámara. Se verificó que las tasas de fotogramas se mantenían dentro de 25-30 fps. En los casos en que se observaron banderas de tensión excesiva, el umbral de detección se incrementó a 0,80 o la ventana de detección se amplió al menos 8 s para estabilizar los resultados.
2. Garantía de la consistencia de los datos
   Los identificadores de los participantes y los puntos de tiempo se validaron antes del análisis de datos. Los codificadores se recalibraban cada 50 transcripciones para evitar derivas de codificación. Se mantenía una lista de control de calidad a nivel de sesión que firmaba tanto el líder de sesión como el gestor de datos para documentar la integridad del procedimiento.
3. Archivado de conjuntos de datos y documentación
   Todos los archivos analíticos se desidentificaron reemplazando los identificadores directos por identificadores de participantes. Los formularios de consentimiento se almacenaron por separado de los datos de la investigación. Los conjuntos de datos finales, archivos sintácticas SPSS, libros de códigos y registros de control de calidad se archivaban en un servidor seguro bajo acceso restringido.

Resultados

Análisis descriptivo

Las comparaciones previas a la publicación indicaron un descenso constante en el efecto adverso tras la implementación. Las medias post-prueba disminuyeron a 2,87 para ansiedad, 2,74 para depresión y 2,69 para estrés, desde medias previas a la prueba de 3,25, 3,11 y 3,08, respectivamente (Figura 2). Los resultados descriptivos se resumen en la Tabla 4, y la estructura de instr...

Discusión

El estudio demuestra que cuando la simulación narrativa se combina con la IA visual, la conciencia emocional se convierte en un proceso compartido en lugar de una intervención unidireccional. Los estudiantes no respondían simplemente a una herramienta digital; Estaban participando en una reflexión emocional estructurada que conectaba la evaluación cognitiva con la experiencia corporal. En todo el conjunto de datos, tanto los resultados cuantitativos como cualitativos revelaron un patrón ...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Hardware	Cámara de reconocimiento facial	Logitech (o similar)	Cámara web C920 HD
Instrumento	Colección de transcripciones de entrevistas	Entrada manual	Grabaciones de audio/texto
Cuestionario	Escala DASS-21 modificada	Adaptado por autores	Formato Likert de 5 puntos
Software	Microsoft Azure Emotion API	Microsoft	Emotion API v3 (Nube)
Software	Estadísticas de SPSS	IBM	Versión 26
Software	Sistema de Simulación Narrativa	Autodesarrollado	Basado en la web (HTML5)
Plataforma del Sistema	Sistema de Gestión de la Enseñanza Universitaria	Plataforma interna	Integrado con el módulo de IA