Artículo de investigación

Plataforma musical de inteligencia artificial para estudiantes de piano mejora el aprendizaje y reduce la ansiedad: estudio aleatorizado con señales de variabilidad de la frecuencia cardíaca

246 vistas

⸱

DOI:

10.3791/69106

⸱

21 de abril de 2026

1School of Arts, Jingchu Technology University

En este artículo

Resumen

Este protocolo describe un flujo de trabajo aleatorio en el que se utiliza una plataforma de educación musical impulsada por IA, con microintervenciones informadas por HRV y retroalimentación basada en visualización, para mejorar el aprendizaje de teoría musical y reducir la ansiedad por el estado en estudiantes de piano de grado.

Resumen

La inteligencia artificial (IA) se aplica cada vez más en la pedagogía musical, pero los flujos de trabajo reproducibles que evalúan conjuntamente la adquisición de conocimiento y la regulación de la ansiedad siguen siendo limitados. Este protocolo describe un flujo de trabajo aleatorizado y controlado para implementar una plataforma de educación musical impulsada por IA dentro de la enseñanza rutinaria en clase de estudio y evaluar sus efectos en estudiantes de piano de grado. Los participantes son evaluados y asignados aleatoriamente a una plataforma impulsada por IA o a instrucción tradicional durante 2 semanas (doce sesiones de 30 minutos). Los resultados incluyen una prueba estructurada de teoría/análisis musical y el Inventario de Ansiedad por Rasgos de Estado–Estado (STAI-S; 20 ítems, escala de 4 puntos; total 20–80). La variabilidad de la frecuencia cardíaca (VFC) se registra durante un descanso sentado de 5 minutos y un segmento de práctica estandarizada de 5 minutos; los índices primarios incluyen la raíz cuadrática media de las diferencias sucesivas de intervalos normales a normales (RMSSD; actividad vagal a corto plazo), la desviación estándar de intervalos normales a normales (SDNN; variabilidad global) y la potencia de alta frecuencia (HF) (componente espectral relacionado con el parassimpático). El protocolo permite a instructores e investigadores desplegar la plataforma y seguir una secuencia estandarizada que abarca el cribado de participantes, la ejecución por aleatoriedad, la configuración/configuración de la plataforma, la colocación y registro de sensores HRV, el manejo de artefactos y el cálculo de HRV, la administración/puntuación de todas las medidas de resultado, y la exportación final de datos, nombrado de archivos y almacenamiento seguro para análisis estadístico. Los análisis utilizan pruebas t de muestras independientes y análisis de covarianza (ANCOVA) con la línea base como covariable. Los resultados representativos muestran un mayor rendimiento ajustado en la teoría post-prueba en el brazo impulsado por IA (ηparcial 2 = 0,206) y menor ansiedad post-intervención (t(38) = −3,486, p = 0,001; d de Cohen ≈ 1,10) que en los controles, con los patrones de VFC proporcionando contexto fisiológico y resultados de carga cognitiva secundarios indicando una reducción de la carga externa.

Introducción

En la educación musical superior contemporánea, los objetivos docentes van más allá de la transmisión de conocimientos para incluir el bienestar psicológico de los estudiantes y el desarrollo sostenible como intérpretes. Los estudiantes de piano se forman habitualmente bajo la presión evaluativa repetida de jurados, concursos, audiciones y recitales públicos, donde la ansiedad puede alterar el control de la atención y degradar la calidad de lainterpretación 1.

La ansiedad por el rendimiento musical (MPA) y la ansiedad relacionada con el examen se reportan de forma consistente en muestras de conservatorios y universidades, y se han documentado estimaciones de alta prevalencia en diferentes cohortes y enfoquesde medición 2. Más allá del malestar subjetivo, la ansiedad se asocia con la excitación fisiológica, la distracción atencional y la reducción de la autoeficacia, lo que puede traducirse en inestabilidad de tono/tiempo y un rendimiento inconsistente bajo la evaluación3.

Los avances recientes en inteligencia artificial (IA) ofrecen una vía hacia un soporte más específico en este contexto. La personalización impulsada por IA puede adaptar la dificultad del contenido, el ritmo y la retroalimentación a las necesidades cambiantes de los estudiantes y puede reducir la dependencia de la instrucción única en la enseñanza en estudio4. Paralelamente, la computación afectiva puede inferir estados emocionales momentáneos a partir de señales multimodales (por ejemplo, expresión facial, habla y señales fisiológicas), permitiendo al sistema responder a fluctuaciones de ansiedad durante la práctica5.

Un marcador fisiológico clave en este ámbito es la variabilidad de la frecuencia cardíaca (VFC), que se utiliza comúnmente como un índice no invasivo relacionado con la regulación autónoma y la respuesta alesfuerzo 6. Cuando se integran en la instrucción, los prompts informados sobre HRV pueden apoyar microintervenciones justo a tiempo (por ejemplo, respiración rápida o señales de atención plena) que buscan regular a la baja la ansiedad aguda durante lapráctica 7.

Un segundo pilar de diseño es la retroalimentación basada en la visualización. Los paneles que muestran curvas de progreso, mapas de localización de errores o indicadores informados por HRV pueden fortalecer la auto-supervisión y la coregulación profesor-alumno al hacer que la conducta práctica y la carga cognitivo-afectiva sean mástransparentes 8. Desde una perspectiva de ciencia del aprendizaje, estas decisiones de diseño se alinean con la Teoría de la Carga Cognitiva, que enfatiza la reducción de la carga externa mediante una presentación simplificada, segmentación y diseño por retroalimentación, mientras que apoya la construcción de esquemas mediante procesamientopertinente 9.

A pesar del rápido desarrollo de herramientas de aprendizaje musical basadas en IA, relativamente pocos estudios en educación musical superior integran la personalización impulsada por IA, el monitoreo fisiológico (HRV) y la retroalimentación basada en visualización dentro de una única plataforma y evalúan el flujo de trabajo completo bajo condicionesaleatorias 10. Además, muchos informes enfatizan los resultados sin especificar procedimientos filmables a nivel de parámetro para la grabación de sensores, el manejo de artefactos y la exportación de datos, limitando la reproducibilidad y la replicación entre sitios. El presente trabajo aborda esta carencia presentando un protocolo paso a paso para desplegar una plataforma de educación musical impulsada por IA en rutinas de clase de estudio y evaluar sus efectos en el rendimiento en teoría/análisis musical y la ansiedad de estado (STAI-S), con índices de VFC registrados durante segmentos estandarizados de descanso y práctica para proporcionar contexto fisiológico.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

El protocolo de estudio fue aprobado por la Junta de Revisión Institucional de la Escuela de Artes de la Universidad Tecnológica de Jingchu (Aprobación: JCTU-ARTS-2025-013). Se obtuvo el consentimiento informado por escrito de todos los participantes antes de la inscripción.

Registro de participantes
Obtén el consentimiento informado por escrito antes de la inscripción, después de que cada participante potencial reciba una explicación escrita y oral de los objetivos del estudio, procedimientos, posibles riesgos y beneficios, confidencialidad y arreglos de manejo de datos. Guarda los formularios de consentimiento firmados por separado de los datos de investigación en un armario cerrado con llave o en un archivo digital cifrado con acceso restringido limitado al investigador principal y a un gestor de datos designado. Anote el número de aprobación, la fecha de aprobación y la fecha de consentimiento de cada participante en un registro de estudio para apoyar la transparencia de la notificación y lareplicación 11. Registrar el protocolo del estudio en un registro de ensayos apropiado si lo requiere la política institucional o la guía de la revista, y registrar el identificador de registro y la fecha de registro en el registro12 del estudio.

Elegibilidad de participantes y reclutamiento
Seleccionar y reclutar participantes
Recluta a 40 estudiantes de piano de grado de entre 18 y 22 años de un conservatorio o programa universitario de música, con el objetivo de una proporción de sexos aproximadamente equilibrada con una desviación objetivo de no más de 60:40. Verifica que cada candidato haya completado al menos 6 meses de estudio formal de piano, sepa leer la notación en pentagrama con fluidez y tenga conocimientos introductorios de teoría musical suficientes para completar la prueba base. Invita a los candidatos interesados a una visita de selección y proporciona información escrita del estudio que describa los compromisos de tiempo, los procedimientos de recogida de datos y las protecciones de confidencialidad al menos 24 horas antes del cribado.

Aplicar criterios de inclusión
Administrar el cuestionario de Trastorno de Ansiedad Generalizada-7 (GAD-7) a cada candidato y puntuarlo según el manualde instrumentos 13. Realiza una breve entrevista semiestructurada de 5 a 8 minutos para confirmar que el candidato puede entender las instrucciones, tolerar los procedimientos y asistir a todas las sesiones. Incluir a los participantes solo si se cumplen todos los criterios: edad de 18 a 22 años, al menos 6 meses de formación formal en piano, puntuación de GAD-7 entre 5 y 14, indicación de ansiedad leve amoderada 14, disposición para completar todos los procedimientos de intervención y evaluación, y provisión de consentimiento informado por escrito.

Aplicar criterios de exclusión
Excluye a los candidatos con trastornos mentales graves actuales o tratamiento psiquiátrico en curso que puedan interferir con la participación o la validez del resultado. Excluye a los candidatos que hayan participado en estudios similares de formación musical impulsados por IA en los tres meses anteriores, definidos como cualquier estudio de intervención que implique guía de práctica basada en algoritmos o retroalimentación automática durante ≥3 sesiones. Excluye a los candidatos que no estén familiarizados con el repertorio objetivo y que no puedan lograr un rendimiento base estable tras un periodo estandarizado de familiarización de 15 minutos con el extracto. Excluir a los candidatos con discapacidades motoras, visuales o auditivas importantes que interfieran con la interpretación del piano o la grabación de la variabilidad de la frecuencia cardíaca (VFC). Considere excluir a candidatos con condiciones o factores que comprometan sustancialmente la calidad de la medición de la VFC (por ejemplo, arritmias conocidas, marcapasos implantados o medicamentos que afecten notablemente a la función autónoma), y documentar la justificación en el registro de cribado cuando sea aplicable15. Documenta todas las decisiones de inclusión y exclusión, incluidas las razones de exclusión, en un registro de selección identificado por identificadores de participantes anonimizados, y almacena el registro por separado de los datos de resultados.

Aleatorización y ocultación de asignación
Preparación de la secuencia de aleatorización
Utiliza software estadístico para generar una secuencia de aleatorización 1:1 por bloques permutados que asigna a los participantes al brazo experimental (plataforma impulsada por IA) o al brazo de control (instrucción tradicional). Predefine el tamaño del bloque usado para bloques permutados como 4, y registra el nombre del software, la versión y un valor semilla aleatoria fijo de 20250113 en un registro de aleatorización para asegurar la reproducibilidad16. Asegúrate de que el investigador que genera la secuencia no participe en la evaluación de participantes, la puntuación de resultados o la enseñanza. Imprime las tareas individuales en grupos en papeles idénticos (aproximadamente 5 cm x 2 cm) y coloca cada tarea en un sobre opaco, sellado y numerado secuencialmente. Registra los detalles de la preparación del sobre en un registro de auditoría (fecha, preparador, sobres totales = 40) y almacena el registro de auditoría por separado de los datos de resultados.

Implementación de ocultación de asignación
Guarda los sobres sellados en un lugar seguro accesible solo para el personal responsable de la asignación. Al final de la sesión base de cada participante, recupera el siguiente sobre en orden numérico. Abre el sobre en presencia del participante y registra la asignación revelada en un registro de asignación (ID del participante, número de sobre, fecha/hora, firma del asignador). Mantén todos los sobres restantes sellados hasta su uso para preservar la ocultación de asignaciones.

Mantener el cegamiento de los evaluadores de rendimiento
Asignar a cada participante un ID anonimizado que no codifique la asignación de grupos usando el formato P001–P040. Etiqueta todas las grabaciones de audio y vídeo solo con el ID del participante y el momento (antes o después de la intervención). Proporcionar a los evaluadores de rendimiento un conjunto de grabaciones desidentificadas y contrapesadas que no contengan información sobre la asignación de grupos y con los metadatos de archivo eliminados antes de compartirlos.

Repertorio y ambientación
Selección del repertorio de tiro
Utiliza la Sonata para piano en sol mayor, K.283, Movimiento II (Andante) de Mozart como pieza habitual de entrenamiento y evaluación. Utiliza los compases 1–32 como extracto estandarizado para la formación y la evaluación, y confirma que esta longitud y dificultad del fragmento son adecuadas para pianos de nivel intermedio, permitiendo objetivos de tempo estables y exigencias de fraseo consistentes a lo largo de las sesiones17.

Estandarización del entorno físico
Realizar todas las sesiones en un estudio tranquilo con iluminación estable y temperatura mantenida en 22 ± 1 °C. Coloca un piano digital de teclas lastradas o un piano acústico con acción de teclas comparable en una sala fija y mantén la altura del banco constante para cada participante durante las visitas. Coloque un micrófono a 0,8 m del instrumento a una altura fija de 1,2 m, inclinado 45° hacia la tabla armónica o teclado para captar una señal clara sin recortes. Monta una cámara en un trípode a 1,8 m del intérprete a una altura de 1,4 m, capturando las manos y la parte superior del cuerpo en un ángulo constante en todas las sesiones.

Calibración del equipo antes de cada día de pruebas
Ajusta y prueba el volumen del metrónomo para que sea claramente audible para el participante pero no domine la grabación de audio, apuntando a un nivel de reproducción de aproximadamente 60–65 dB en la posición de laboratorio. Ajusta la ganancia de grabación en la interfaz de audio o dispositivo de grabación para evitar el clipping manteniendo una alta relación señal-ruido, apuntando a niveles pico entre −12 dB y −6 dB durante los pasajes forte. Comprueba el encuadre y el enfoque de la cámara para asegurarte de que el teclado, las manos y la parte superior del torso están siempre a la vista. Verifica la conectividad del dispositivo HRV y la calidad de la señal observando la visualización en tiempo real y confirmando la detección estable de intervalos R–R (o la forma de onda ECG estable) durante al menos 30 segundos antes de comenzar la recogida de datos. Si ocurre recorte de audio, reduce la ganancia de entrada entre 3 y 6 dB, repite una grabación de prueba de 10 s y continúa solo cuando los niveles máximos permanezcan por debajo del umbral de saturación. Si la detección R–R es inestable, aumenta el contacto cutáneo apretando la correa torácica y humedeciendo las almohadillas de contacto (o reposiciona los electrodos del ECG según las indicaciones del fabricante), repite la comprobación de la señal de 30 s y procede solo después de obtener una traza estable.

Medidas de resultado
Conocimiento y análisis (resultado cognitivo principal)
Desarrollar dos formas paralelas (Forma A y Forma B) de una prueba estructurada de teoría musical y análisis de piezas emparejadas en dominios de contenido y dificultad18. Incluye 20 ítems que cubren armonía (8 ítems), segmentación rítmica (4 ítems), reconocimiento motivico (4 ítems) y análisis formal (4 ítems) del repertorio objetivo y materiales relacionados. En cada momento de evaluación, sienta al participante solo en una sala tranquila y proporciona el Formulario A (base) o el Formulario B (post-prueba), según un horario predefinido. Indica al participante que complete la prueba en un plazo de 30 minutos sin usar instrumentos, libros de texto ni ayudas electrónicas. Recoge la hoja de respuestas al final del examen y registra el tiempo de finalización en minutos. Puntua cada respuesta usando una clave de respuestas estandarizada y calcula la puntuación total de precisión (0–100) como resultado cognitivo principal, otorgando 5 puntos por ítem. Guarda la puntuación total y el tiempo de finalización bajo el ID anónimo del participante.

Rúbrica de rendimiento (resultado de habilidad secundaria)
Graba una interpretación audio-vídeo del fragmento objetivo para cada participante tanto antes como después de la intervención utilizando el instrumento estandarizado, la colocación del micrófono y el ángulo de la cámara. Utiliza una rúbrica de interpretación con cuatro dimensiones: fluidez melódica, precisión rítmica, coordinación y técnica, e interpretación expresiva. Califica cada dimensión en una escala del 1 al 5 para obtener una puntuación total entre 4 y 20. Formar al menos a dos evaluadores independientes utilizando un documento de rúbrica detallado y un conjunto de 6 registros piloto (3 registros de línea base y 3 registros post-examen de estudiantes no estudiantes) hasta alcanzar un acuerdo aceptable en todas las dimensiones. Proporciona a los evaluadores el conjunto completo de grabaciones etiquetadas solo por ID anonimizado y punto de tiempo, sin información del grupo. Instruye a los evaluadores a evaluar las grabaciones de forma independiente y a registrar sus puntuaciones en una hoja de puntuación o base de datos segura. Identificar cualquier discrepancia mayor a 2 puntos en una sola dimensión y resolverlas mediante discusión; Si no se puede llegar a un consenso, obtener el juicio de un tercer evaluador. Antes de la puntuación completa, estima la fiabilidad entre evaluadores usando el coeficiente de correlación intraclase (ICC) en las 6 grabaciones piloto y confirma que el ICC es al menos 0,8019. Resume las puntuaciones de rúbricas a nivel de grupo (total y cuatro dimensiones) en la prueba previa y posterior en la Tabla Suplementaria 1, y reporte las estadísticas de fiabilidad entre evaluadores (ICC con intervalos de confianza del 95%) en la Tabla Suplementaria 2.

Estado de ansiedad y variabilidad de la frecuencia cardíaca (resultados secundarios afectivos/fisiológicos)
Administrar el Inventario de Ansiedad por Rasgos Estado–Estado (STAI-S; 20 ítems, escala de Likert de 4 puntos, puntuación total 20–80) tanto antes como después de laintervención 20. Indica a los participantes que respondan según cómo se sientan en ese momento y que respondan a todos los puntos. Revisa cada cuestionario en busca de respuestas perdidas y, si es necesario, pide al participante que complete cualquier elemento omitido antes de marcharse. Calcula la puntuación total de STAI-S según el manual de instrumentos. Si se utiliza un subconjunto validado de 10 ítems o un formato adaptado para visualización o análisis exploratorio, documenta la regla de adaptación y selección, proporciona justificaciones y referencias, y reporta el α de Cronbach tanto para la escala completa como para el subconjunto en losresultados 21. Instruir a los participantes a abstenerse de ejercicio intenso, cafeína y comidas abundantes durante al menos 2 horas antes de la medición de la VFC y evitar el alcohol durante al menos 12 horas antes de cada visita; Confirma el cumplimiento verbalmente y registra el cumplimiento como sí/no en el registrode sesión 22. Registrar la VFC usando (i) un sensor de ECG con correa torácica o (ii) un sistema de ECG de tres derivaciones. Utiliza intervalos R–R derivados del ECG con una frecuencia de muestreo de 1000 Hz para todas las grabaciones, y registra la modalidad (ECG), la frecuencia de muestreo (1000 Hz) y la fecha/hora de registro en el registro de sesión. Para la grabación con la correa torácica, coloca la correa al nivel del proceso xifoide con contacto firme con la piel; para el registro de ECG, colocar electrodos en una configuración estándar de derivación II y verificar la detección estable de ondas R antes de iniciar. Para la VFC en reposo, sienta al participante cómodamente con los pies planos en el suelo y las manos apoyadas en los muslos; instruir una vigilia silenciosa con movimiento mínimo y sin hablar durante 5 minutos; Comienza a grabar tras un periodo de estabilización de 60 s y analiza el segmento de 300 s siguiente.

Para practicar la VFC, instruir al participante para que realice el pasaje objetivo durante 5 minutos a un tempo fijo de 76 pulsos por minuto y un objetivo dinámico fijo de mezzo-forte; Utiliza un metrónomo para mantener el tempo y comienza el análisis después de los primeros 30 s, analizando el siguiente segmento de 270 s. Después de cada grabación, exporta la serie de intervalos en bruto R–R como un archivo de valores separados por comas (CSV) que contiene al menos dos campos (marca de tiempo en ms; intervalo R–R en ms), e inspeccionar la traza utilizando el software de grabación y la inspección visual para identificar pérdida de señal, artefactos y latidos ectópicos.

Aplica un flujo de trabajo de corrección de artefactos predefinido y registra la proporción de latidos corregidos para cada segmento en el registrode sesión 23.
Regla de detección de artefactos: marcar un intervalo R–R como artefacto si se desvía más del 20% de la mediana de los 5 intervalos normales anteriores, o si los valores absolutos R–R están fuera de 300–2000 ms. Método de corrección: reemplazar los intervalos marcados mediante interpolación cúbica-spline de intervalos normales adyacentes tras eliminar los latidos ectópicos.
Umbral de control de calidad: repite el segmento de grabación si la proporción de pulsos corregidos supera el 5,0% o si hay pérdida continua de señal superior a 5 s.


Calcular índices en el dominio del tiempo, incluyendo RMSSD y SDNN, usando software de análisis versión 1.3.0, y almacenar las salidas en un archivo de resultados estructurados (CSV) vinculado al ID del participante, punto temporal y tipo de segmento (descanso o práctica). Calcular índices en el dominio de la frecuencia, incluyendo la potencia HF en la banda de 0,15–0,40 Hz, utilizando un periodograma de Welch con una ventana de 120 s de longitud, solapamiento del 50%, ventana de Hamming y remuestreo de 4 Hz de la serie interpolada R–R; informar de la HF en ms2 y la transformación logarítmica de la HF antes del análisis inferencial. Opcionalmente, calcular la potencia LF (0,04–0,15 Hz) y la relación LF/HF e informar de estos datos descriptivamente con la debidaprecaución 24.

Carga cognitiva (resultado secundario exploratorio)
Administrar el cuestionario multidimensional de carga cognitiva desarrollado por Leppink y sus colegas en la pruebapost-prueba 25. Presenta los 10 elementos que forman tres subescalas: carga extraña (3 ítems), carga intrínseca (3 ítems) y carga relevante (4 ítems), cada uno valorado en una escala Likert de 7 puntos desde 1 (totalmente en desacuerdo) hasta 7 (totalmente de acuerdo). Para cada subescala, calcular la media de los elementos correspondientes para obtener una puntuación entre 1 y 7; Considera los valores ausentes como inválidos y requiere respuestas completas para la puntuación. Interpreta una mayor carga externa como un mayor procesamiento irrelevante, una mayor carga intrínseca como una mayor complejidad inherente a la tarea, y una mayor carga relevante como un mayor esfuerzo productivo de construcción de esquemas. Cuando se utilice una versión no inglesa, realizar traducción y retrotraducción por dos expertos bilingües independientes, probar el instrumento traducido en 10 estudiantes de piano que no estén en estudio y calcular la α de Cronbach para cada subescala; adoptar α ≥ 0,70 como criterio de adecuación26. Informa los valores de α específicos de subescala en los Resultados y analiza las tres subescalas por separado, aplicando el ajuste de Holm–Bonferroni para comparaciones múltiples con un α familiar = 0,0527. Si se desea, se deriva un índice compuesto de carga cognitiva como media aritmética de los 10 ítems.

Línea base (pre-prueba; Semana 1)
Confirmar la elegibilidad y el consentimiento informado al inicio de la sesión inicial y asignar al participante una identificación anonimizada. Registrar información demográfica e historial de formación, incluyendo edad, sexo, años de estudio de piano y horas típicas semanales de práctica, en un formulario de datos de referencia. Administrar la prueba de conocimiento y análisis (Formulario A) en un entorno tranquilo, hacer cumplir el límite de tiempo de 30 minutos y registrar la puntuación total y el tiempo de finalización bajo el ID del participante. Adjuntar el sensor de HRV y registrar un segmento de HRV en reposo de 5 minutos, seguido de un segmento de HRV de práctica estandarizada de 5 minutos del extracto objetivo a 76 latidos por minuto y un objetivo dinámico mezzo-forte.

Monitorizar la calidad de la señal durante la adquisición y repetir cualquier segmento con artefactos excesivos tras ajustar la tensión de la correa o la colocación de los electrodos; Repita cuando la proporción de latidos corregidos supere el 5,0% o cuando la pérdida continua de señal supere 5 s, y documenta la repetición y la razón en el registro de sesión. Resume los indicadores de calidad de datos de la VFC (proporción de latidos corregida por artefactos, segmentos repetidos y exclusiones) en la Tabla Suplementaria 3. Administra el STAI-S y calcula la puntuación total (20–80) según la clave de puntuación. Graba una actuación base de audio-vídeo del fragmento objetivo utilizando el instrumento, micrófono y configuración de cámara predefinidos, asegurando un encuadre y niveles de audio consistentes. Etiqueta todos los archivos de datos (pruebas, grabaciones de HRV, cuestionarios y vídeos de rendimiento) con el ID de participante anonimizado y el indicador pre-timepoint, y guárdalos en un directorio seguro, controlado por acceso y respaldado usando la siguiente convención de nombres de archivo: P###_TP(pre/post)_MOD(test/HRVrest/HRVprac/STAI/perf)_YYYYMMDD_HHMM28.

Sesiones de intervención (Semanas 2–3)
Programación
Programar 12 sesiones supervisadas de 30 minutos para cada participante del brazo experimental durante un periodo de 2 semanas. Programar las sesiones en momentos relativamente consistentes del día para cada participante dentro de una ventana fija de ±2 horas respecto a la hora de inicio de la primera sesión, y registrar la hora de inicio y finalización de cada sesión para reducir y cuantificar la variación diurna en la VFC y la ansiedad. Registrar la asistencia, las razones de las sesiones perdidas o reprogramadas y cualquier desviación del protocolo en un registro de adherencia. Estandariza las condiciones previas a la sesión confirmando que los participantes cumplieron con las restricciones de pre-registro sobre cafeína, ejercicio vigoroso, comidas abundantes y alcohol, y registra el cumplimiento como sí/no con notas breves cuando elnúmero 29.

Brazo experimental: Plataforma asistida por IA (Figura 1)
Al inicio de cada sesión, indica al participante que inicie sesión en la plataforma de IA usando el ID de participante anonimizado y confirma que no se muestra información personal identificable en la interfaz. Carga el extracto de la sonata de Mozart en la interfaz interactiva de la partitura y verifica que la pieza correcta, los límites de los extractos (compases 1–32) y los ajustes de dificultad estén presentes. Configurar la plataforma para grabar la telemetría de práctica a nivel de nota y compás, incluyendo la precisión de la nota (%), desviación del tiempo de inicio (ms), deriva de tempo respecto al metrónomo (%), ubicaciones de error a nivel de compás y conteos de repeticiones para cada segmento en bucle; Establece el intervalo de actualización de telemetría a 200 ms y el intervalo de agregación a nivel de barra a 1 barra. Realiza una recorrida calibrada de 45 segundos del extracto para confirmar que la plataforma captura eventos de notas y alinea las notas detectadas con las posiciones de puntuación; Repetir la calibración si los errores de alineación superan cualquiera de las siguientes tolerancias: desajuste de inicio mediano mayor a 80 ms en cualquier ventana de 10 notas o desalineación repetida a nivel de compás en 2 barras consecutivas.

Habilitar el módulo de entrenamiento personalizado para que insifiera características de rendimiento dentro de la sesión y produzca objetivos a nivel de segmento usando una regla fija: seleccionar los dos compases con la puntuación de error combinada más alta, donde puntuación de error combinada = 0,5 x tasa de error de tono + 0,3 x desviación absoluta de tiempo + 0,2 x desviación de tempo; Registra barras seleccionadas y los tres principales controladores de error en el registro de sesión. Instruye al participante para practicar segmentos dirigidos mientras la partitura interactiva resalta las notas en tiempo real, soporta el bucle de pasajes difíciles y reproduce ejemplares MIDI de segmentos objetivo al tempo objetivo (76 bpm) y a un tempo reducido de 60 bpm para el andamiaje. Asigna tiempo de sesión usando una estructura fija y registra los minutos realizados de cada fase: 3 minutos de inicio de sesión/calibración, 21 minutos de práctica segmentada dirigida, 5 minutos de reflexión con el interlocutor (Sección 7.3) y 1 minuto de revisión/exportación y notas30.

Compañero de práctica conversacional
Activa el compañero de práctica conversacional impulsado por un gran modelo de lenguaje (LLM) a través de una conexión segura a la API, y registra la versión del modelo como LLM-PracticePartner v2.1 (compilación 2025-01-15), el tipo de endpoint de inferencia como nube y el método de control de acceso como autenticación basada en tokens en el registro del estudio. Configura al socio con un prompt fijo del sistema que limite las salidas a contenido relacionado con la práctica (fraseo, intenciones de color de tono, decisiones de pedaleo, diagnóstico de errores y sugerencias de siguiente paso), y desactiva cualquier función que solicite datos personales.

Después de cada segmento de práctica dirigida, pide al participante que describa las elecciones de fraseo, las intenciones de color del tono, las decisiones de pedaleo, las dificultades percibidas y el nivel de ansiedad percibido en una escala de autoinforme de 0 a 10, y registre las respuestas como campos estructurados en el registro de sesión. Configurar al socio para que devuelva sugerencias cortas específicas de segmento alineadas con los objetivos actuales usando parámetros de generación fijos: longitud máxima de respuesta 80 palabras, máximo 2 vueltas por segmento, temperatura 0,2 y un tiempo de respuesta de 2 s; Anota el número de intercambios y la duración total del diálogo por sesión. Asegúrate de que el tiempo de diálogo sea secundario respecto al juego limitando el tiempo total de diálogo por sesión a 6 minutos y aplicando el límite desactivando más indicaciones una vez que se alcance ese límite.

Privacidad y seguridad: almacenar registros de conversación usando IDs anonimizados, cifrar en tránsito usando TLS 1.2 o posterior y en reposo usando AES-256, restringir el acceso solo al personal autorizado, establecer la retención bruta de transcripciones a 24 meses y registrar la fecha de eliminación de cada transcripción de cada participante establecida en el plan de gestiónde datos 31.

Reconocimiento multimodal de emociones y microintervenciones
Habilitar el módulo multimodal de reconocimiento emocional y registrar las modalidades de entrada y las tasas de muestreo/actualización en el registro de sesiones de la siguiente manera: vídeo facial a 30 fotogramas por segundo, audio de voz a 16 kHz mono y flujo HRV actualizado a 1 Hz usando intervalos R–R derivados del ECG. Definir el estrés elevado usando lógica de disparo predefinida y registrar los parámetros exactos.
Desencadenante HRV: El RMSSD queda al menos 1 desviación estándar dentro de la línea base del participante por debajo del RMSSD base en reposo y permanece por debajo de este umbral durante al menos 60 segundos consecutivos durante la práctica, calculado en una ventana móvil de 30 s actualizada cada 1 s.
Disparador de rendimiento: la tasa de error de emisión de ejecución supera la tasa de error media del participante en las tres sesiones anteriores en al menos un 20% durante una ventana continua de al menos 60 s, donde la tasa de error de emisión se calcula en una ventana de 20 notas actualizada cada 5 notas.
Regla de confirmación multimodal: el disparador requiere solo el disparador de la VFC o el disparador de rendimiento más al menos una pista corroborativa de rasgos faciales/vocales, definidos como una disminución de la puntuación de valencia facial al menos 0,30 respecto a la línea base dentro de la sesión del participante durante al menos 10 segundos consecutivos, o como un aumento del nerviosismo de voz al menos un 15% respecto al nivel base dentro de la sesión durante al menos 10 segundos consecutivos, con las líneas base calculadas desde los primeros 2 minutos de la sesión.

Especifica si la fusión multimodal es umbral basado en reglas o un clasificador entrenado. Utiliza umbrales basados en reglas para este protocolo y registra todos los umbrales en el archivode configuración 32 de la plataforma. Programar el sistema para que pause la práctica cuando se alcanza el umbral de estrés y para activar una microintervención seleccionada de una biblioteca predefinida. Registra el tipo de intervención, la hora de inicio, la duración y el estado de finalización en el registro de sesión.
Respiración pausada: 90 s guion con una cadencia fija de 6 respiraciones por minuto, entregada por temporizador en pantalla y la señalde audio 33.
Breve señal de atención plena: instrucción de atención guiada de 75 s con redacción fija, presentada como texto en pantalla con narración de audio.
Música de fondo de baja activación: reproducción en 90 s de una pista de baja activación predefinida con un objetivo fijo de volumen de 55–60 dB en la posición de laboratorio, con un identificador de pista registrado como Track-LA-01 en el registro de sesión.

Tras la microintervención, reanuda el pasaje interrumpido y reduce el tempo en un 8% durante los primeros 60 segundos de reactivación cuando el disparador se basó en la VFC, y luego vuelve al tempo objetivo si la tasa de error en la ejecución vuelve a estar dentro del 10% de la tasa media de error del participante en las tres sesiones anteriores durante al menos 30 segundos consecutivos.
Control de calidad: registrar el número de desencadenantes, el número de microintervenciones completadas y el número de intervenciones abortadas por sesión, y calcular una proporción de cumplimiento para cada participante como disparadores completados dividida por el total de desencadenantes.

Validar el rendimiento de los disparadores resumiendo eventos falsos positivos y falsos negativos usando criterios preestablecidos.
Falso positivo: un desencadenante ocurre cuando el participante informa de baja ansiedad (≤2/10) en la siguiente pregunta y la tasa de error en curso se mantiene dentro del 10% de la media del participante en las tres sesiones anteriores durante los 60 segundos siguientes.
Falso negativo: el participante informa de alta ansiedad (≥7/10) en la siguiente pregunta durante un segmento sin desencadenante, a pesar de que la tasa de error de correr supera la media del participante en las tres sesiones anteriores en al menos un 20% durante al menos 60 segundos o a pesar de que la VFC cumple el criterio de desencadenante de VFC.

Resume los conteos y tasas de falsos positivos y falsos negativos por participante y por sesión en la Tabla Suplementaria 434. Informe descriptivamente el índice compuesto de carga cognitiva en la Tabla Suplementaria 4.

Tala y adherencia
Configura la plataforma para registrar todos los eventos y salidas de práctica como registros estructurados vinculados a un ID anonimizado, número de sesión y marca de tiempo en formato ISO 8601. Los campos obligatorios incluyen barras específicas, conteos de bucles, métricas de precisión, deriva de tempo, conteo de diálogos y duración total del diálogo en segundos, eventos desencadenantes, tipo y duración de intervención en segundos, y cualquier anulación manual por parte de los instructores. Exporta los resúmenes a nivel de sesión a las 20:00 cada día, y almacena tanto los registros en bruto como las tablas resumidas en un servidor seguro con copias de seguridad automatizadas programadas una vez al día a las 02:00. Utiliza una convención estandarizada de nombres de archivos para todas las exportaciones formateadas como StudyID_Group_ID_Session##_YYYYMMDD_HHMM y guarda en formatos no propietarios de la siguiente manera: CSV para registros, WAV para grabaciones de audio, MP4 para grabaciones de vídeo y PDF para informes de sesión. Registra la ruta de exportación, archivo la suma de comprobación usando SHA-256 y confirma la copia de seguridad en el registro del estudio para soportar la trazabilidad35.

Brazo de control: instrucción tradicional
Programar doce sesiones guiadas por el profesor de 30 minutos durante 2 semanas para cada participante del brazo de control, igualando el tiempo total de contacto supervisado delbrazo experimental 36. Utiliza el mismo repertorio, contenido de enseñanza e instructores que en el brazo experimental para controlar los efectos del profesor ydel material 37. Realiza cada sesión utilizando la pedagogía estándar de estudio, incluyendo demostración del profesor, explicación verbal y ejercicios específicos en el extracto. Asigna tareas de práctica en casa usando instrucciones verbales o escritas convencionales sin indicaciones ni análisis generados por IA, y define la tarea en casa como un bloque de práctica personal de 20 minutos al día centrado en los compases 1–32. Ocultar análisis individualizados, prompts automatizados, paneles de control y microintervenciones a los participantes de Control. Proporcionar a cada participante de Control un breve registro de prácticas en papel o electrónico e instruir el registro de la fecha y duración aproximada de la práctica adicional no supervisada en minutos. Recoge los registros al final de la intervención e introduce el tiempo total de práctica no supervisada del extracto objetivo en la base de datos del estudio.

Retroalimentación visual y vía de autorregulación (brazo experimental)
Habilitar un sistema de retroalimentación gráfica que vincule el comportamiento de la práctica, las fluctuaciones emocionales y la carga fisiológica en un eje temporalcompartido 38. Calcular mapas de calor emocionales basados en entradas multimodales, incluyendo características de voz, tendencias de HRV y anomalías en el comportamiento del rendimiento como picos de error o inestabilidad de tempo39. Configura resúmenes diarios para marcar puntos calientes definidos como cualquier intervalo de 30 s en el que la tasa de error esté dentro del 20% superior de esa sesión y al menos un marcador de estrés presente (disparador de HRV cumplido o confirmación multimodal), y registra puntos calientes marcados para las siguientes40 sesiones. Generar gráficos de tendencias HRV que resuman la potencia RMSSD y HF para tres épocas fijas por sesión: pre-práctica (primeros 60 s), mitad de práctica (minutos 3–4) y post-práctica (últimos 60 s), utilizando unidades y escalabilidad de eje consistentes entrelos participantes 41. Identificar caídas marcadas en la potencia RMSSD o HF definidas como una disminución de al menos un 15% en relación con la época previa a la práctica de la sesión alineada con un punto caliente marcado y tratar estos patrones como candidatos para intervenciones guiadas por plataforma; Registrar si una intervención fue activada ycompletó 42.

Grafica las curvas de progreso para la precisión de la altura, la precisión rítmica, la completitud musical y las tasas de error entre sesiones utilizando medias a nivel de sesión y bandas de confianza del 95% calculadas entre los participantes dentro de cadagrupo 43. Superponer curvas rendimiento-progreso con el mapa de calor emocional para apoyar la reflexión sobre el acoplamiento emoción–rendimiento y el controlmetacognitivo 44. Proporcionar paneles para instructores que muestren la misma información a nivel individual y grupal, actualizar los paneles al final de cada sesión en un plazo de 5 minutos tras finalizar la sesión y destacar picos de ansiedad o inestabilidad enel rendimiento 45. Utiliza paneles para informar respuestas pedagógicas personalizadas documentadas en las notas del profesor, incluyendo reducción temporal del tempo, exposición graduada a barras difíciles, ánimo verbal adicional o un breve entrenamiento individual centrado en puntos críticosidentificados 46.

Sesión posterior a la intervención (post-prueba; final de la Semana 3)
Programar la evaluación posterior a la intervención al final de la Semana 3 y igualar las condiciones de referencia lo más fielmente posible, incluyendo habitación, equipo y hora del día, dentro de las ±2 horas desde la hora inicial de inicio. Conecta el sensor de HRV y graba un segmento de HRV en reposo de 5 minutos seguido de un segmento de HRV estandarizado de práctica de 5 minutos usando la misma colocación, ajustes de muestreo y reglas de manejo de artefactos que en la línea base, y utiliza el mismo objetivo de tempo de 76 pulsaciones por minuto y el objetivo dinámico mezzo-forte47.

Administrar la prueba de conocimiento y análisis (Formulario B) bajo las mismas condiciones y límite de tiempo que se usó al inicio y registrar la puntuación total y el tiempo definalización 48. Administrar el STAI-S y calcular la puntuación total (20–80) según la clavede puntuación 49. Graba una interpretación audio-vídeo posterior a la intervención del extracto usando el mismo micrófono y configuración de cámara, instrumento y encuadre que en lalínea base 50. Administrar el cuestionario de carga cognitiva y registrar puntuaciones subescalas para la carga externa, intrínseca yrelevante 51.

Para el brazo Experimental, realiza una breve entrevista semiestructurada de 6–8 minutos sobre la usabilidad de la plataforma y los efectos percibidos en la regulación y aprendizaje de la ansiedad, utilizando una guía fija de entrevistas y un promptingconsistente 52. Graba en audio entrevistas con consentimiento y transcribe palabra por palabra para análisis cualitativo.

Análisis estadístico
Realizar un análisis de potencia a priori antes del reclutamiento usando GPower (versión 3.1 o posterior) y registrar la familia de pruebas como pruebas F y la prueba estadística como ANCOVA: Efectos fijos, efectos principales e interacciones. Especifique el modelo ANCOVA con dos grupos, puntuación base como covariable, α = 0,05, potencia deseada = 0,80, y asumamos un tamaño de efecto f = 0,30 para el resultado cognitivo primario basado en la literatura previa y las restricciones de viabilidad. Si el efecto asumido se expresa como parcial η2, se convierte a f de Cohen usando la conversión preespecificada f = √(η2 / (1 − η2)) y se registra el métodode cálculo 53.

Documentar el tamaño de muestra requerido resultante y confirmar si n = 40 cumple o se acerca al objetivo bajo las suposiciones establecidas; conservar el archivo de salida de análisis de potencia en los registros de estudio. Realizar análisis en SPSS 26.0 o software equivalente y registrar el nombre/versión del software en el registro de análisis. Resume los resultados continuos como media ± desviación estándar y las variables categóricas como recuentos y porcentajes.

Evalúa la eficacia primaria utilizando comparaciones entre grupos de los resultados post-prueba con la línea inicial como covariable (ANCOVA) e informa de medias ajustadas, intervalos de confianza parciales η2 y 95%54. Utilizar pruebas t de muestras independientes para comparaciones entre grupos cuando sea apropiado y pruebas t pareadas para cambios dentro del grupo; Aplicar alternativas no paramétricas cuando se violen las suposiciones. Comprueba la normalidad y la homocedasticidad; Transformar en log-transformación variables espectrales sesgadas de HRV antes del análisis y reportar detalles de transformación.

Cuando se utilicen métodos robustos, especifique el método y la justificación exactos. Informa de valores p bilaterales con α = 0,05 y acompaña pruebas de hipótesis con tamaños de efecto (d de Cohen, parcial η2) e intervalos de confianza del 95%. Realizar análisis exploratorios en el brazo experimental que examinen las asociaciones entre métricas de uso de plataforma (minutos totales en la plataforma, recuento de microintervenciones, índice de adherencia) y resultados cognitivos, afectivos y de VFC.

Calidad y seguridad de los datos
Inspeccionar las señales fisiológicas durante cada registro de HRV en busca de artefactos o detección inestable de R–R utilizando visualización en tiempo real. Repite cualquier segmento de HRV con mala calidad de señal tras ajustar la tensión de la correa o la colocación del electrodo, y repite cuando la proporción de latidos corregidos supere el 5,0% o la pérdida continua de señal supere los 5 s; Anota la repetición y la causa sospechosa en el registro de sesión. Calibra los niveles de audio y los ajustes del metrónomo al inicio de cada visita para evitar el saturación y mantener un volumen comparable entre grabaciones, apuntando a niveles picos entre −12 dB y −6 dB.

Monitoriza a los participantes para detectar eventos adversos, fatiga excesiva o molestias relacionadas con la práctica o los sensores y documenta los eventos en un registro de seguridad. Permitir pausas adicionales o acortar la sesión si un participante reporta fatiga, ansiedad o molestias innecesarias, y registrar modificaciones como desviaciones del protocolo. Registrar todas las desviaciones del protocolo (sesiones perdidas, registros incompletos de la VFC, desviaciones importantes) y considerar las desviaciones en los análisis de sensibilidad.

Manejo de datos y cegamiento
Asigna a cada participante un ID único y anonimizado y utiliza este ID para etiquetar todas las grabaciones, cuestionarios y archivos de datos. Almacenar todos los datos en discos controlados de acceso con copias de seguridad automatizadas regulares programadas una vez al día a las 02:00 según las políticas institucionales de protección de datos. Mantener un archivo de enlace separado que asigne los identificadores de los participantes a identificadores personales en una ubicación cifrada accesible solo para el personal autorizado. Mantén a los evaluadores de rendimiento cegados proporcionando clips de audio-vídeo anónimos y con tiempo reorganizado y ocultando información de asignación de grupos.

Finaliza la rúbrica de puntuación antes de que comience la calificación y proporciona instrucciones escritas y grabacionesejemplares 55. Revisa la fiabilidad entre evaluadores en un subconjunto piloto de 6 grabaciones antes de la puntuación completa y confirma ICC ≥ 0,80.

Asegúrese de que al menos se informen las siguientes especificaciones funcionales: frecuencia de muestreo de HRV = 1000 Hz, captura de vídeo facial = 30 fotogramas por segundo a resolución 1920 × 1080, captura de audio de voz = 16 kHz mono, e intervalo de actualización de telemetría de plataforma = 200 ms.

Sincronización y cumplimiento
Defina el umbral de adherencia por protocolo como la finalización de al menos diez de las doce sesiones supervisadas durante las semanas 2–3, definiendo cada sesión completada como una sesión supervisada de al menos 27 minutos de participación activa dentro del intervalo planificado de 30 minutos. Registrar el número de sesiones supervisadas completadas y el total de minutos supervisados de cada participante en un registro de adherencia, y calcular la adhesión de los minutos supervisados como el total de minutos supervisados divididos por 360 minutos planificados expresados como porcentaje. Registrar el tiempo adicional de práctica autoinformado a partir de los registros de participantes e introducir los totales en la base de datos como minutos por día y minutos totales durante el periodo de intervención de 2 semanas, y marcar cualquier valor diario que exceda los 120 minutos para su verificación.

Para el brazo Experimental, registra el número, tipo, hora de inicio y duración de microintervenciones activadas por el sistema por sesión a partir de los registros de plataforma, y calcula un índice de exposición a intervenciones como la duración total de la intervención en segundos por sesión. Incluir a todos los participantes aleatorizados en análisis de intención de tratar, y tratar los resultados faltantes tras la prueba utilizando la última observación que se llevó a cabo para los resultados del cuestionario y el análisis completo de casos para registros de rendimiento cuando no sea posible regrabar; Registra la regla de manejo en el registro de análisis. Realizar análisis de sensibilidad restringidos a participantes que alcancen el umbral por protocolo y, adicionalmente, realizar un análisis de sensibilidad excluyendo sesiones con desviaciones de protocolo clasificadas como mayores, definidas como un segmento de registro de HRV perdido o una sesión acortada en más de 5 minutos.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Efectos en la cognición de la teoría musical
Como se muestra en la Tabla 1, el grupo experimental (M = 72,45, DE = 6,83, n = 20) y el grupo Control (M = 71,30, DE = 7,14, n = 20) no difirieron en la prueba previa, t(38) = 0,625, p = 0,604, lo que indica la comparabilidad basal para el punto cognitivo principal. Tras la intervención, ANCOVA, que controlaba las puntuaciones previas a la prueba, mostró medias ajustadas post-test más altas en el grupo exp...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Este estudio aleatorizado evaluó una plataforma de educación musical impulsada por IA que integra análisis personalizados de prácticas, reconocimiento multimodal de emociones con microintervenciones just-in-time y retroalimentación basada en visualización. En relación con la instrucción tradicional, el brazo experimental mostró una mejora moderada a grande en teoría musical y rendimiento en análisis (parcial η2 = 0,206) y una gran reducción de la ansiedad de estado (t = −3,486...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

El autor declara no tener intereses financieros en competencia.

Agradecimientos

Agradecemos a los estudiantes participantes y a los instructores de estudio su tiempo y compromiso, así como al personal técnico del conservatorio por su ayuda con la instrumentación y la planificación de las aulas.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Plataforma de educación musical impulsada por IA (build de investigación)Interno / InstitucionalID de la construcción de la plataforma: v2.1 (compilación 2025-01-15)Puntuación interactiva + telemetría de práctica + paneles + motor de disparo basado en reglas; intervalo de actualización de telemetría = 200 ms; registros de exportación como CSV.
Toallitas con alcohol (preparación de la piel)NA (cualquier proveedor médico)NAPara mejorar el contacto electrodo/correa y la estabilidad de la señal; Registra el lote si está disponible.
Sensor ECG de banda torácica (1000 Hz)Polar ElectroPolar H10; Parte nº 92075957R&ndash derivado del ECG; Intervalos R; frecuencia de muestreo = 1000 Hz (según tu protocolo); Usado para segmentos de práctica estandarizada de 5 minutos de descanso + 5 minutos.
Cuestionario de Carga Cognitiva (Leppink, 10 ítems)NA (fuente de la publicación)NALikert de 7 puntos; calcular 3 subescalas; si se traduce: traducción– retrotraducción + piloto n=10; informe Cronbach' s & alpha; por subescala.
Ordenador para la operación y registro de plataformasNANACualquier portátil o sobremesa moderno; grabar la versión del sistema operativo; Asegúrate de sincronizar la hora de los registros.
Almacenamiento de datos (disco cifrado / servidor seguro)NANAAcceso controlado; copias de seguridad automatizadas; Nombre del archivo: " P###_TP(pre/post)_MOD(…)_YYYYMMDD_HHMM"; Almacena RAW + salidas derivadas.
Gel electrodo ECG / gel conductor (opcional)NA (cualquier proveedor médico)NAÚsalo si la calidad de la señal es inestable; Uso de documentos sí/no en el registro de sesión.
Micrófono externo (si usa micrófono + interfaz en lugar de grabadora)Audio-TechnicaAT2020Alternativa opcional a la grabadora portátil; mantener la distancia del micrófono a 0,8 m; evitar el recorte; Configuración de ganancia de documentos.
Software de procesamiento de HRVKubios (o equivalente)NADebe soportar detección de artefactos + interpolación, RMSSD/SDNN, Welch HF (0.15– 0,40 Hz) con ventana de 120 s, solapamiento del 50%, ventana de Hamming, muestreo de 4 Hz; Registrar el nombre/versión del software utilizado.
MetrónomoKorgMA-2 BLBKSe usa para estandarizar el tempo de práctica (76 bpm) y apoyar un tiempo consistente entre sesiones.
Grabadora de audio portátil (captura de voz)ZoomH1nGrabar captura de audio de voz a 16 kHz mono (muestreo descendente si se graba más alto); almacenar como WAV; Mantén la colocación del micrófono constante.
Software de análisis de potenciaG*Power3.1 (o posterior)Utilizado para análisis de potencias a priori; Registra la configuración de la familia/modelo de prueba en el archivo de salida de análisis de potencia.
Servicio de modelo de lenguaje grande (LLM) con socios de prácticaProveedor institucional / Seguro de APILLM-PracticePartner v2.1 (compilación 2025-01-15)Tipo de endpoint: nube; autenticación basada en tokens; almacenar solo identificaciones anónimas; Indicaciones/salidas de registro como texto cifrado.
Cuestionario: TAG-7NA (fuente licenciada/publicación)NAUtiliza la versión validada del idioma; puntuación por manual; guarda copias en la carpeta de estudio; almacenar respuestas mediante identificación anonimizada.
Cuestionario: STAI-S (20 ítems)NA (licencia/editor)NAUtiliza la versión oficial/validada del idioma; total 20 y ndash; 80; si muestra un subconjunto de 10 elementos para figuras, regla de selección de documentos + fiabilidad en Resultados.
Software de análisis estadísticoIBMEstadísticas SPSS 26.0Utilizado para ANCOVA y pruebas t; Registra la versión exacta/build en el registro de análisis.
Trípode / montura de cámaraManfrotto (o equivalente)NACualquier trípode estable es aceptado; fijar distancia/altura entre sesiones (por ejemplo, 1,8 m de distancia, 1,4 m de altura). Si tienes un modelo confirmado, cambia el NA por tu laboratorio. Número de modelo S.
Interfaz de audio USB (si usas micrófono + interfaz)FocusriteScarlett 2i2 (3ª generación)Opcional; Registro objetivo alcanza su máximo entre y menos; 12 dB y &menos; 6 dB durante los pasajes forte (según tu texto de protocolo).
Cámara de vídeo (1080p, 30 fps)LogitechC920; Parte nº 960-001055Captura de vídeo facial = 1920 y veces; 1080, 30 fps (según lo especificado en el protocolo); Asegúrate de no mostrar información identificable.
Piano digital de teclas lastradas (o piano acústico)NANASe recomienda acción ponderada de 88 teclas; Mantener el mismo instrumento para todas las sesiones; Documenta el tipo de instrumento y la acción de la tecla.

Referencias

  1. Eysenck, M. W., Derakshan, N., Santos, R., Calvo, M. G. Anxiety and cognitive performance: attentional control theory. Emotion. 7 (2), 336-353 (2007).
  2. Gómez-López, B., Sánchez-Cabrero, R. Current trends in music performance anxiety intervention. Behav Sci (Basel). 13 (9), 720(2023).
  3. Turan, B., Hurst-Wajszczuk, K., Edwards, D. A. Hormone and enzyme reactivity before, during, and after a music performance: Cortisol, testosterone, and alpha-amylase. Psychoneuroendocrinol. 9, 100111(2022).
  4. du Plooy, E., Casteleijn, D., Franzsen, D. Personalized adaptive learning in higher education: A scoping review of key characteristics and impact on academic performance and engagement. Heliyon. 10 (21), e39630(2024).
  5. Zhang, J., et al. Real-time mental stress detection using multimodality expressions with a deep learning framework. Neurosci. 16, 947168(2022).
  6. Laborde, S., Mosley, E., Thayer, J. F. Heart rate variability and cardiac vagal tone in psychophysiological research - recommendations for experiment planning, data analysis, and data reporting. Front Psychol. 8, 213(2017).
  7. Chung, A. H., Gevirtz, R. N., Gharbo, R. S., Thiam, M. A., Ginsberg, J. P. J. Pilot study on reducing symptoms of anxiety with a heart rate variability biofeedback wearable and remote stress management coach. Appl Psychophysiol Biofeedback. 46 (4), 347-358 (2021).
  8. Susnjak, T., Ramaswami, G. S., Mathrani, A. Learning analytics dashboard: a tool for providing actionable insights to learners. J Educ Technol High Educ. 19 (1), 12(2022).
  9. Paas, F., Renkl, A., Sweller, J. Cognitive load theory and instructional design: recent developments. Educ Psychol. 38 (1), 1-4 (2003).
  10. Hirten, R. P., et al. Remote short sessions of heart rate variability biofeedback monitored with wearable technology: open-label prospective feasibility study. JMIR Ment Health. 11, e55552(2024).
  11. Chan, A. W., et al. SPIRIT 2013 statement: defining standard protocol items for clinical trials. Ann Intern Med. 158 (3), 200-207 (2013).
  12. Schulz, K. F., Altman, D. G., Moher, D. CONSORT Group. CONSORT 2010 statement: updated guidelines for reporting parallel group randomised trials. Trials. 11, 32(2010).
  13. Plummer, F., Manea, L., Trepel, D., McMillan, D. Screening for anxiety disorders with the GAD-7 and GAD-2: a systematic review and diagnostic metaanalysis. Hosp Psychiatry. 39, 24-31 (2016).
  14. Spitzer, R. L., Kroenke, K., Williams, J. B., Löwe, B. A brief measure for assessing generalized anxiety disorder: the GAD-7. Arch Intern Med. 166 (10), 1092-1097 (2006).
  15. Ernst, G. Hidden signals-the history and methods of heart rate variability. Front Public Health. 5, 265(2017).
  16. Schulz, K. F., Grimes, D. A. Generation of allocation sequences in randomised trials: chance, not choice. The Lancet. 359 (9305), 515-519 (2002).
  17. Park, J., et al. Piano performance evaluation dataset with multilevel perceptual features. Sci Rep. 14, 23002(2024).
  18. Ali, U. S., van Rijn, P. W. An evaluation of different statistical targets for assembling parallel forms in item response theory. Appl Psychol Meas. 40 (3), 163-179 (2016).
  19. Koo, T. K., Li, M. Y. A guideline of selecting and reporting intraclass correlation coefficients for reliability research. J Chiropr Med. 15 (2), 155-163 (2016).
  20. Julian, L. J. Measures of anxiety: State-Trait Anxiety Inventory (STAI), Beck Anxiety Inventory (BAI), and Hospital Anxiety and Depression Scale-Anxiety (HADS-A). Arthritis Care Res (Hoboken). 63 (Suppl 11), S467-S472 (2011).
  21. Gagnier, J. J., Lai, J., Mokkink, L. B., Terwee, C. B. COSMIN reporting guideline for studies on measurement properties of patient-reported outcome measures. Qual Life Res. 30 (8), 2197-2218 (2021).
  22. Damoun, N., Amekran, Y., Taiek, N., Hangouche, A. J. E. Heart rate variability measurement and influencing factors: Towards the standardization of methodology. Cardiol Sci Pract. 2024 (4), e202435(2024).
  23. Quintana, D. S., Alvares, G. A., Heathers, J. A. Guidelines for reporting articles on psychiatry and heart rate variability (GRAPH): recommendations to advance research communication. Transl Psychiatry. 6 (5), e803(2016).
  24. Shaffer, F., Ginsberg, J. P. An overview of heart rate variability metrics and norms. Front Public Health. 5, 258(2017).
  25. Leppink, J., Paas, F., Van der Vleuten, C. P., Van Gog, T., Van Merriënboer, J. J. Development of an instrument for measuring different types of cognitive load. Behav Res Methods. 45 (4), 1058-1072 (2013).
  26. Beaton, D. E., Bombardier, C., Guillemin, F., Ferraz, M. B. Guidelines for the process of cross-cultural adaptation of self-report measures. Spine (Phila Pa 1976). 25 (24), 3186-3191 (2000).
  27. Tavakol, M., Dennick, R. Making sense of Cronbach's alpha. J Med Educ. 2, 53(2011).
  28. Wilkinson, M. D., et al. The FAIR guiding principles for scientific data management and stewardship. Sci Data. 3 (1), 1-9 (2016).
  29. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Heart rate variability: standards of measurement, physiological interpretation, and clinical use. Circulation. 93 (5), 1043-1065 (1996).
  30. Chan, A. W., et al. SPIRIT 2013 explanation and elaboration: guidance for protocols of clinical trials. BMJ. 346, e7586(2013).
  31. Scarfone, K., Souppaya, M., Sexton, M. Guide to storage encryption technologies for end user devices. NIST Special Publication. , 800-111 (2007).
  32. Lian, H., et al. A survey of deep learning-based multimodal emotion recognition: speech, text, and face. Entropy (Basel). 25 (10), 1440(2023).
  33. Steffen, P. R., Austin, T., DeBarros, A., Brown, T. The impact of resonance frequency breathing on measures of heart rate variability, blood pressure, and mood. Front Public Health. 5, 222(2017).
  34. Cohen, J. F., et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 6 (11), e012799(2016).
  35. National Institute of Standards and Technology. FIPS 180-4: Secure hash standard (SHS). NIST. , (2015).
  36. Hoffmann, T. C., et al. Better reporting of interventions: template for intervention description and replication (TIDieR) checklist and guide. BMJ. 348, g1687(2014).
  37. Eldridge, S. M., et al. CONSORT 2010 statement: extension to randomised pilot and feasibility trials. BMJ. 355, i5239(2016).
  38. Sokolovskis, J., Herremans, D., Chew, E. A novel interface for the graphical analysis of music practice behaviors. Front Psychol. 9, 2292(2018).
  39. Wu, Y., Mi, Q., Gao, T. A comprehensive review of multimodal emotion recognition: techniques, challenges, and future directions. Biomimetics (Basel). 10 (7), 418(2025).
  40. Nahum-Shani, I., et al. Just-in-time adaptive interventions (JITAIs) in mobile health: key components and design principles for ongoing health behavior support. Ann Behav Med. 52 (6), 446-462 (2018).
  41. Burma, J. S., et al. The validity and reliability of ultra-short-term heart rate variability parameters and the influence of physiological covariates. J Appl Physiol. 130 (6), 1848-1867 (2021).
  42. Nunan, D., Sandercock, G. R., Brodie, D. A. A quantitative systematic review of normal values for short-term heart rate variability in healthy adults. Pacing Clin Electrophysiol. 33 (11), 1407-1417 (2010).
  43. Cumming, G. Understanding the new statistics: effect sizes, confidence intervals, and meta-analysis. , Routledge. New York, NY. (2013).
  44. Ou, J., Nogueira, J., Qin, C. Exploring the impact of AI-assisted practice applications on music learners’ performance, self-efficacy, and self-regulated learning. Front Psychol. 16, 1675762(2025).
  45. Hunter, J. F., et al. Effect of brief biofeedback via a smartphone app on stress recovery: randomized experimental study. JMIR Serious Games. 7 (4), e15974(2019).
  46. Kaliisa, R., Dolonen, J. A. CADA: a teacher-facing learning analytics dashboard to foster teachers’ awareness of students’ participation and discourse patterns in online discussions. Technol Knowl Learn. 28, 937-958 (2022).
  47. Lipponen, J. A., Tarvainen, M. P. A robust algorithm for heart rate variability time series artefact correction using novel beat classification. J Med Eng Technol. 43 (3), 173-181 (2019).
  48. Chan, A. W., et al. SPIRIT 2025 statement: updated guideline for protocols of randomised trials. The Lancet. 405 (10491), e19-e27 (2025).
  49. Zigmond, A. S., Snaith, R. P. The hospital anxiety and depression scale. Acta Psychiatr Scand. 67 (6), 361-370 (1983).
  50. Boutron, I., et al. CONSORT statement for randomized trials of nonpharmacologic treatments: a 2017 update and a CONSORT extension for nonpharmacologic trial abstracts. Ann Intern Med. 167 (1), 40-47 (2017).
  51. Paas, F. G. W. C. Training strategies for attaining transfer of problem-solving skill in statistics: a cognitive-load approach. J Educ Psychol. 84 (4), 429(1992).
  52. Kallio, H., Pietilä, A. -M., Johnson, M., Kangasniemi, M. Systematic methodological review: developing a framework for a qualitative semi-structured interview guide. J Adv Nurs. 72 (12), 2954-2965 (2016).
  53. Kim, H. Y. Statistical notes for clinical researchers: sample size calculation 3. Comparison of several means using one-way ANOVA. Restor Dent Endod. 41 (3), 231-234 (2016).
  54. Vickers, A. J., Altman, D. G. Statistics notes: analysing controlled trials with baseline and follow up measurements. BMJ. 323 (7321), 1123-1124 (2001).
  55. Robertson, R. L., Vergis, A., Gillman, L. M., Park, J. Effect of rater training on the reliability of technical skill assessments: a randomized controlled trial. Can J Surg. 61 (6), 405-411 (2018).
  56. Van Merrienboer, J. J. G., Sweller, J. Cognitive load theory and complex learning: recent developments and future directions. Edu Psychol Rev. 17 (2), 147-177 (2005).
  57. Bentley, T. G. K., et al. Breathing practices for stress and anxiety reduction: conceptual framework of implementation guidelines based on a systematic review of the published literature. Brain Sci. 13 (12), 1612(2023).
  58. Panadero, E. A review of self-regulated learning: six models and four directions for research. Front Psychol. 8, 422(2017).
  59. NIST Privacy Framework: A Tool for Improving Privacy through Enterprise Risk Management, Version 1.0. NIST. , National Institute of Standards and Technology. (2020).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Pedagog a MusicalEstudio Aleatorizado ControladoRegulaci n de la AnsiedadPrueba de Teor a MusicalAnsiedad Estado RasgoMedici n de la VFCCarga Cognitiva

Artículos relacionados