Este estudio propone un marco de inteligencia curricular emocional basado en grafos para la enseñanza visual impulsada por inteligencia artificial en la educación musical universitaria. Mediante un conjunto de datos basado en simulaciones, el marco modela la adquisición de conocimientos, la dinámica emocional y el nivel de compromiso. Los resultados indican una mayor eficiencia en el aprendizaje y una reducción del estrés en comparación con los modelos convencionales, lo que demuestra el potencial para sistemas educativos adaptativos y sensibles a la salud mental.
Artículo de investigación
Evaluación basada en simulaciones del diseño de enseñanza visual integrado con inteligencia artificial para la promoción de la salud mental en cursos de música universitaria
En este artículo
Resumen
Resumen
El diseño didáctico visual en la enseñanza universitaria de la música ha atraído una atención creciente debido a su potencial para aumentar la participación del estudiante y promover el bienestar mental. Sin embargo, los enfoques convencionales de instrucción suelen carecer de la adaptabilidad necesaria para responder a los estados cognitivos y emocionales cambiantes de los estudiantes, lo que limita su eficacia para apoyar tanto el rendimiento académico como el equilibrio psicológico. El objetivo principal de este estudio basado en simulación es desarrollar y evaluar un marco impulsado por inteligencia artificial que integre estrategias de enseñanza visual con modelado emocional basado en grafos para optimizar los resultados de aprendizaje en cursos universitarios de música. Se propone un nuevo marco de inteligencia curricular emocional basado en grafos (GECIF), que representa el entorno de aprendizaje como un grafo interconectado de nodos de conocimiento, actividad y emoción. El marco incorpora aprendizaje representacional basado en grafos, modelado dinámico de estados y mecanismos de aprendizaje adaptativo para simular la evolución de la adquisición de conocimientos, el nivel de participación, la estabilidad emocional y el estrés a lo largo del tiempo. Se generó un conjunto de datos sintético compuesto por registros de interacción, indicadores emocionales y variables de rendimiento académico mediante una canalización de simulación controlada basada en MATLAB para garantizar la reproducibilidad. GECIF fue evaluado frente a un modelo de referencia convencional no adaptativo bajo condiciones experimentales idénticas a lo largo de pasos de simulación normalizados. El desempeño se evaluó utilizando métricas de simulación normalizadas, incluyendo ganancia de conocimiento, estabilidad emocional, reducción de estrés, nivel de participación y robustez. El marco propuesto superó consistentemente al modelo de referencia, mostrando una mayor adquisición simulada de conocimientos, una mejor regulación emocional, un mayor nivel de participación, una reducción del estrés simulado y una mayor robustez. Un análisis estadístico basado en valores medios, desviaciones estándar e intervalos de confianza del 95 % confirmó mejoras consistentes en todas las métricas de evaluación. Estos hallazgos demuestran el potencial de estrategias visuales de enseñanza guiadas por inteligencia artificial y sensibles a las emociones para la educación musical adaptativa, a la vez que proporcionan un marco computacional escalable y reproducible para apoyar investigaciones futuras en sistemas educativos inteligentes.
Introducción
La integración de la inteligencia artificial (AI) en los sistemas educativos ha transformado significativamente los paradigmas tradicionales de enseñanza, permitiendo experiencias de aprendizaje más adaptativas, personalizadas y basadas en datos1,2,3. En los últimos años, el diseño visual de la enseñanza ha surgido como un enfoque pedagógico efectivo, particularmente en disciplinas como la educación musical, donde los conceptos abstractos, la expresión emocional y la comprensión perceptiva desempeñan un papel central4,5,6,7. Las representaciones visuales, incluyendo interfaces gráficas, simulaciones interactivas y elementos multimedia, facilitan un procesamiento cognitivo más profundo y aumentan la participación de los estudiantes8,9,10,11. Sin embargo, a pesar de estos avances, los métodos visuales de enseñanza existentes suelen permanecer estáticos y carecen de la capacidad de responder dinámicamente a los estados cognitivos y emocionales cambiantes de los estudiantes12,13,14. La educación musical, especialmente a nivel universitario, presenta desafíos únicos debido a su naturaleza inherentemente multidimensional15,16,17. Los resultados del aprendizaje no solo están influenciados por la comprensión cognitiva de la teoría musical y las técnicas de interpretación, sino también por factores emocionales como la motivación, el estrés, la participación y el bienestar psicológico18. Estudios previos han destacado la fuerte relación entre los estados emocionales y la eficacia del aprendizaje, indicando que los estudiantes que experimentan altos niveles de estrés o baja participación tienden a mostrar un rendimiento académico reducido19,20,21. Aunque se han propuesto varios sistemas educativos basados en inteligencia artificial para mejorar la personalización del aprendizaje, la mayoría se centran principalmente en métricas de rendimiento cognitivo y pasan por alto el papel fundamental de la dinámica emocional en la configuración del proceso de aprendizaje22.
Desarrollos recientes en sistemas inteligentes de aprendizaje han introducido representaciones basadas en grafos y técnicas de aprendizaje profundo para modelar relaciones complejas entre componentes educativos23,24,25. Los marcos de aprendizaje basados en grafos, incluidas las redes neuronales gráficas (GNN), han demostrado una gran capacidad para capturar dependencias estructuradas entre elementos del conocimiento, interacciones del alumno y factores contextuales26. Además, la computación sensible a las emociones ha ganado atención por su capacidad de incorporar señales psicológicas en entornos de aprendizaje adaptativos27. Sin embargo, la integración de estos enfoques dentro de un marco unificado para la educación musical sigue siendo limitada28,29,30. Los trabajos existentes suelen tratar las variables emocionales como características auxiliares en lugar de componentes fundamentales, y rara vez proporcionan mecanismos para la adaptación continua basada en la interacción entre cognición y emoción31.
Además, la aplicación de la inteligencia artificial en la educación con conciencia de salud mental se ha basado predominantemente en datos empíricos o basados en sensores recopilados de participantes reales32. Sin embargo, tales enfoques requieren aprobaciones éticas extensas, instrumentos de medición estandarizados y condiciones experimentales controladas, lo que puede no ser siempre factible en investigaciones de etapa inicial33. Como resultado, las metodologías basadas en simulación han surgido como una alternativa para explorar dinámicas educativas complejas de manera controlada y reproducible34. Al generar conjuntos de datos sintéticos que imitan registros de interacción, indicadores emocionales y métricas de rendimiento académico, los investigadores pueden evaluar el comportamiento de los modelos propuestos en diversos escenarios manteniendo un control total sobre los parámetros y supuestos del sistema35.
A pesar de estos avances, aún persisten varias brechas de investigación36. En primer lugar, existe una falta de marcos unificados que modelen simultáneamente la adquisición de conocimiento, la evolución emocional y el compromiso con el aprendizaje dentro de una representación estructurada37. En segundo lugar, los sistemas visuales de enseñanza actuales no aprovechan eficazmente la inteligencia basada en grafos para capturar las interdependencias entre los conceptos musicales, las actividades de aprendizaje y los estados psicológicos38. En tercer lugar, se ha prestado poca atención al desarrollo de tuberías de simulación escalables y reproducibles que permitan la evaluación sistemática de modelos educativos impulsados por inteligencia artificial39,40,41. Por último, los enfoques existentes a menudo no logran ofrecer una visión integral del aprendizaje que integre tanto las dimensiones cognitivas como emocionales de manera dinámicamente adaptativa42.
Para abordar estos desafíos, este estudio propone un marco de inteligencia curricular emocional basado en grafos (GECIF) para el diseño de enseñanza visual impulsado por IA en la educación musical universitaria. Tabla 1 proporciona definiciones esenciales para los componentes del grafo, los estados de los nodos y los parámetros del modelo. Esta tabla garantiza que la metodología sea clara y reproducible. El marco propuesto modela el entorno educativo como un grafo interconectado compuesto por nodos de conocimiento, nodos de actividad y nodos emocionales, permitiendo una representación integral de la dinámica del aprendizaje. Se genera un conjunto de datos basado en simulaciones mediante una canalización computacional controlada que incluye registros de interacciones, indicadores emocionales y métricas de rendimiento, asegurando la reproducibilidad y escalabilidad. El marco incorpora mecanismos de aprendizaje adaptativo, modelado del estado emocional y optimización basada en grafos para simular la evolución de los resultados de aprendizaje y las condiciones psicológicas a lo largo del tiempo. Se realiza una evaluación comparativa frente a un modelo de aprendizaje convencional utilizando múltiples métricas de rendimiento, incluyendo ganancia de conocimiento, estabilidad emocional, reducción del estrés, nivel de compromiso y robustez.
El objetivo principal de este estudio es desarrollar y evaluar un marco pedagógico visual basado en simulación y dirigido por inteligencia artificial que integre modelado basado en grafos e inteligencia emocional para mejorar la eficiencia del aprendizaje y apoyar la educación con conciencia de la salud mental en los cursos universitarios de música.
Protocolo
Este estudio es una investigación basada en computación y simulación que no involucra participantes humanos, datos clínicos ni información personal. Todos los datos utilizados en esta investigación fueron generados sintéticamente mediante procesos de simulación controlados. Por lo tanto, no se requirió aprobación ética por parte de un comité de revisión institucional ni consentimiento informado. El estudio cumple con las directrices estándar para la investigación computacional y garantiza la total reproducibilidad y transparencia de la metodología.
Marco teórico y justificación
El marco propuesto de inteligencia curricular emocional basado en grafos (GECIF) se fundamenta en la integración de la inteligencia artificial, el aprendizaje basado en grafos, la computación emocional y la pedagogía visual, con el objetivo de modelar el aprendizaje como un proceso dinámico y multidimensional que capture simultáneamente el desarrollo cognitivo, la evolución emocional y la participación conductual. Los enfoques instructivos tradicionales suelen asumir una progresión lineal en la adquisición de conocimientos y no reflejan adecuadamente las interacciones complejas entre el rendimiento cognitivo y los estados psicológicos. Esta limitación es particularmente crítica en la educación musical universitaria, donde la expresión emocional, la motivación y la creatividad son inseparables del aprendizaje técnico y teórico. En este contexto, el marco conceptualiza el proceso educativo como un sistema interconectado en el que los elementos de conocimiento, las actividades de aprendizaje y los estados emocionales se influyen continuamente entre sí. La modelización basada en grafos permite una representación estructurada y escalable de estas relaciones, posibilitando capturar eficazmente tanto dependencias directas como indirectas. Las dinámicas emocionales se incorporan como componentes intrínsecos y no como variables auxiliares, lo que posibilita la simulación de cómo las condiciones psicológicas evolucionan y se propagan durante el proceso de aprendizaje. La integración del diseño didáctico visual mejora aún más la interpretabilidad al transformar las interacciones computacionales abstractas en representaciones gráficas intuitivas.
Metodología y diseño del estudio de simulación
Este estudio adopta un diseño basado en simulación computacional en el que no participan sujetos humanos, y todos los datos se generan sintéticamente mediante una tubería controlada y reproducible. Por lo tanto, los resultados reportados representan evaluaciones basadas en modelos, no observaciones empíricas derivadas de aprendices reales. Las mejoras en el rendimiento académico, la participación, la estabilidad emocional y la reducción del estrés se interpretan como efectos simulados o potenciales del marco propuesto. El entorno de simulación aproxima condiciones de aprendizaje realistas al incorporar dependencias temporales, variabilidad en los patrones de interacción y estados emocionales cambiantes. Se implementa una configuración experimental comparativa en la que el marco propuesto GECIF se evalúa frente a un modelo de referencia convencional que representa un sistema de aprendizaje no adaptativo en el que el conocimiento evoluciona únicamente según la intensidad de la interacción, sin representación basada en grafos, modelado emocional ni optimización del currículo. Ambos modelos se ejecutan bajo condiciones de simulación idénticas para garantizar una comparación consistente e imparcial.
Generación y estructura del conjunto de datos
Se construyó un conjunto de datos a gran escala para simular la dinámica de aprendizaje en la educación musical universitaria mediante la integración de registros de interacción, indicadores emocionales y métricas de rendimiento académico dentro de un marco temporal unificado. El conjunto de datos se derivó y amplió a partir del conjunto de datos de rendimiento estudiantil de acceso público (Repositorio de Aprendizaje Automático UCI), que proporciona datos de desempeño académico junto con atributos demográficos y conductuales. Este conjunto de datos sirvió como referencia fundamental para modelar patrones de aprendizaje realistas. Los registros de interacción representan la participación simulada en actividades de aprendizaje, como sesiones de práctica, ejercicios auditivos y tareas de aprendizaje visual. Los indicadores emocionales capturan estados psicológicos, incluyendo estrés, implicación y motivación, mientras que el rendimiento en el aprendizaje refleja la adquisición de conocimientos y el progreso a lo largo del tiempo. Para enriquecer el conjunto de datos e incorporar dependencias temporales, se empleó una tubería de simulación basada en MATLAB con una inicialización fija de semilla aleatoria para garantizar la reproducibilidad. Se introdujo continuidad temporal mediante procesos autorregresivos, permitiendo que la conducta de interacción y los estados emocionales evolucionaran gradualmente con el tiempo. El conjunto de datos final incluye mil estudiantes simulados observados durante quinientos pasos temporales, con múltiples características de interacción que representan diversas conductas de aprendizaje. Todas las variables se normalizan dentro del rango [0,1] para asegurar consistencia y comparabilidad. El conjunto de datos se divide en subconjuntos de entrenamiento, validación y prueba mediante una partición del 70 %–15 %–15 % para garantizar una evaluación imparcial del modelo.
Construcción y representación de grafos
El entorno de aprendizaje se modela como un grafo ponderado definido como:
G = (V,E,W) (1)
donde denota el conjunto de nodos, representa el conjunto de aristas, y es la matriz de adyacencia ponderada que describe la intensidad de las relaciones entre los nodos. El conjunto de nodos se descompone como:
V = Vk∪Va∪Ve (2)
donde Vk, Va y Ve corresponden a nodos de conocimiento, nodos de actividad y nodos emocionales, respectivamente. Los pesos de los enlaces se calculan como:
Wij = α Sc(i,j) + βSe(i,j) (3)
donde Sc(i,j) representa la similitud cognitiva entre nodos, Se(i,j) representa la correlación emocional, y α y β son coeficientes de ponderación que controlan su influencia relativa. La ecuación (3) define cómo las relaciones estructurales y emocionales determinan conjuntamente la conectividad del grafo.
Representación del estado del nodo y aprendizaje de grafos
Cada nodo está asociado con un vector de estado dinámico definido como:
xi(t) = [ki(t),ei(t),ai(t)] (4)
donde ki(t), ei(t) y ai(t) denotan el nivel de conocimiento, estado emocional y nivel de participación en el momento t, respectivamente. Las representaciones de los nodos se actualizan utilizando agregación basada en grafos:
(5)
donde 
es la incorporación del nodo i en la capa l, σ es una función de activación no lineal, y N(i) denota el conjunto de nodos vecinos. La ecuación (5) describe cómo cada nodo integra la información de sus vecinos. Se introduce además un mecanismo de atención:
(6)
donde αij es el coeficiente de atención y ∅(·) es una función de similitud. La ecuación (6) permite el ponderado adaptativo de las contribuciones de los nodos vecinos.
Modelado de la dinámica emocional
La evolución temporal de los estados emocionales se modela como:
(7)
donde γ es el coeficiente de retención emocional. La ecuación (7) captura tanto la persistencia como la propagación de la influencia emocional. La estabilidad emocional se cuantifica como:
(8)
donde E+(t) y E-(t) denotan los componentes emocionales positivos y negativos, y 
es una constante pequeña que evita la división por cero. La acumulación de estrés se define como:
(9)
donde λ(τ) representa la intensidad de tensión instantánea. La ecuación (9) modela la tensión acumulada a lo largo del tiempo.
Aprendizaje de la optimización y diseño adaptativo del plan de estudios
El proceso de aprendizaje está gobernado por una función de optimización multiobjetivo:
J = λ1K + λ2K - λ3S (10)
donde K denota la ganancia de conocimiento, E denota la estabilidad emocional y S denota el nivel de estrés, mientras que λ1, λ2, λ3 son coeficientes de ponderación. La ecuación (10) equilibra los objetivos cognitivos y emocionales. La reconexión adaptativa del currículo se define como:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
donde η es la tasa de aprendizaje y Δij(t) representa los ajustes de actualización impulsados por la dinámica del aprendizaje. La ecuación (11) permite que la estructura del grafo evolucione con el tiempo.
Escala temporal y duración de la simulación
Todas las simulaciones se realizan utilizando pasos de tiempo normalizados en lugar de unidades de tiempo reales. Los intervalos cortos corresponden a pasos de simulación escalados que representan la evolución del sistema, mientras que las simulaciones prolongadas de más de quinientos pasos se utilizan para evaluar el comportamiento a largo plazo, la convergencia y la robustez.
Métricas de evaluación y análisis estadístico
El marco se evalúa utilizando métricas normalizadas, incluyendo ganancia de conocimiento, estabilidad emocional, nivel de estrés, nivel de compromiso y robustez. El análisis estadístico se realiza mediante funciones estadísticas de MATLAB, calculando los valores medios, desviaciones estándar e intervalos de confianza del 95 % para cada métrica. Se verifica el supuesto de normalidad antes de aplicar las pruebas t pareadas. La evaluación comparativa entre el marco propuesto y el modelo de referencia se lleva a cabo con n = 1000 estudiantes simulados, definiéndose la significancia estadística como p < 0,05.
Reproducibilidad y detalles de implementación
Todas las simulaciones, los flujos de procesamiento de datos y los procedimientos de evaluación son completamente reproducibles. El proceso de generación del conjunto de datos, los parámetros de construcción del grafo, las configuraciones del modelo y los ajustes de optimización se definen explícitamente. La inicialización de la semilla aleatoria se fija para garantizar resultados consistentes en ejecuciones repetidas. Todos los hiperparámetros, scripts y descripciones de los conjuntos de datos se proporcionan en los materiales suplementarios, lo que permite la réplica completa del estudio utilizando MATLAB u otras herramientas computacionales equivalentes.
Todas las simulaciones, los flujos de procesamiento de datos y los scripts de evaluación se proporcionan en el Archivo Suplementario 1. El conjunto de datos incluye registros brutos de interacciones, indicadores emocionales y métricas de rendimiento en el aprendizaje. Los parámetros de construcción del grafo y la configuración de optimización están completamente documentados. El sistema puede reproducirse utilizando marcos estándar de aprendizaje automático. La inicialización de la semilla aleatoria se fija para garantizar la consistencia. Todos los hiperparámetros se indican explícitamente. El protocolo asegura transparencia y reproductibilidad completas.
Resultados
El rendimiento del marco propuesto de inteligencia curricular emocional basado en grafos (GECIF) se evaluó utilizando un conjunto de datos basado en simulación compuesto por n = 1000 estudiantes durante T = 500 pasos de tiempo normalizados. Figura 1 ilustra la arquitectura conceptual del GECIF para la educación musical visual impulsada por inteligencia artificial y la promoción de la salud mental. Todas las métricas se presentan en escalas normalizadas dentro del rango [0,1]. La evaluación estadística incluye valores medios, desviaciones estándar (DE) e intervalos de confianza del 95 % (IC), con significancia evaluada mediante pruebas t pareadas (t-pruebas) (p < 0,05). Todas las comparaciones se calculan a través de toda la población simulada. Figura 2 ilustra la dinámica de entrenamiento y el comportamiento de adquisición de conocimiento del marco propuesto en comparación con el modelo de referencia. El marco GECIF logra una ganancia de conocimiento de 0,88 ± 0,04 (IC del 95 %: 0,84–0,92), mientras que el modelo de referencia alcanza 0,65 ± 0,06 (IC del 95 %: 0,59–0,71), con una diferencia estadísticamente significativa (p < 0,001). La curva de aprendizaje muestra una tasa de crecimiento más pronunciada y una convergencia estable sin comportamiento oscilatorio.
Figura 3 presenta la evolución temporal de la estabilidad emocional. El marco propuesto alcanza un Índice de Estabilidad Emocional de 0,92 ± 0,03, en comparación con 0,70 ± 0,05 en el modelo de referencia (p < 0,01). La variabilidad se reduce, con valores más bajos de desviación estándar observados a lo largo del tiempo. Figura 4 muestra la dinámica del estrés a lo largo del tiempo. El modelo propuesto mantiene un nivel de estrés más bajo de 0,15 ± 0,05, en comparación con 0,45 ± 0,07 para el modelo de referencia (p < 0,001). La tasa de acumulación permanece consistentemente más baja durante toda la duración de la simulación. Figura 5 presenta la distribución del rendimiento de aprendizaje entre los estudiantes. El marco propuesto muestra una distribución centrada en valores más altos con menor dispersión en comparación con el modelo de referencia, lo que indica una menor varianza en los resultados. Figura 6 ilustra la evolución de los embeddings de los nodos dentro del grafo. Las representaciones de características exhiben transiciones continuas a lo largo de las iteraciones, sin cambios bruscos observados, lo que indica actualizaciones estables. Figura 7 muestra la intensidad de las interacciones entre los nodos de conocimiento, actividad y emociones. El mapa de calor revela correlaciones estadísticamente significativas (p < 0,05) entre las categorías de nodos, con magnitudes de interacción variables.
Figura 8 presenta la relación entre la ganancia de conocimiento normalizada y la estabilidad emocional a lo largo del proceso de aprendizaje simulado. El marco propuesto GECIF demuestra una fuerte correlación positiva entre las dos variables (r = 0,82), en comparación con una correlación positiva moderada observada en el modelo convencional de referencia (r = 0,65). Ambas correlaciones fueron estadísticamente significativas (p < 0.05), lo que indica que las mejoras en la adquisición de conocimientos van acompañadas de una mayor estabilidad emocional, reflejando así la integración equilibrada del desarrollo cognitivo y la regulación emocional lograda por el marco propuesto. Figura 9 muestra la contribución combinada de los componentes cognitivo y emocional a lo largo del tiempo. Los valores de conocimiento aumentan progresivamente, mientras que la variabilidad emocional disminuye, con tendencias consistentes observadas en todos los pasos de la simulación. Figura 10 compara las distribuciones de la ganancia de conocimiento obtenida mediante el marco propuesto de GECIF y la línea base convencional utilizando diagramas de caja y bigotes. El marco propuesto logró una ganancia media de conocimiento significativamente mayor (9,87 ± 3,46) que el modelo convencional (6,90 ± 2.88), con muestras independientes t-prueba que confirma una diferencia estadísticamente significativa (p < 0.0001; d de Cohen d = 1,43). Aunque el marco GECIF mostró una mayor variabilidad, reflejada en su desviación estándar y rango intercuartílico más amplios, toda la distribución se desplazó hacia valores más altos de ganancia de conocimiento, lo que indica que la mayor dispersión va acompañada de un mejor rendimiento general y no de una menor estabilidad. Estos resultados demuestran que el marco propuesto mantiene un rendimiento de aprendizaje robusto al tiempo que acomoda eficazmente diversas respuestas simuladas de los estudiantes. Figura 11 presenta la dinámica de participación a lo largo del tiempo. El marco propuesto alcanza un nivel de participación de 0,90 ± 0,04, en comparación con 0,68 ± 0.06 para el modelo de línea base (p < 0,01), con variabilidad reducida. Figura 12 muestra un comportamiento de participación en forma cíclica. La amplitud de las fluctuaciones es menor en el marco propuesto, lo que indica una variabilidad reducida en comparación con la línea base.
Figura 13 ilustra la intensidad de las características espaciales a lo largo del grafo. La distribución de características muestra una variación continua con picos y valles identificables, lo que indica patrones de activación heterogéneos. Figura 14 presenta el flujo direccional de la transferencia de conocimiento. El campo vectorial muestra patrones de propagación organizados, con regiones de convergencia que corresponden a una mayor acumulación de valores. Figura 15 muestra la evolución de la topología del grafo a lo largo del tiempo. Las actualizaciones estructurales ocurren gradualmente, con transiciones suaves en los valores de las características a través de las iteraciones. Figura 16 presenta el análisis de interdependencia entre características. El mapa de calor de correlación indica relaciones moderadas a fuertes entre las características, sin redundancia dominante observada. Figura 17 ilustra la contribución de características multidimensionales. Los niveles de contribución varían entre los nodos, lo que indica patrones de influencia heterogéneos. Figura 18 muestra la evolución conjunta del conocimiento y los estados emocionales. Los valores de conocimiento aumentan de manera constante mientras que la variabilidad emocional disminuye con el tiempo, con tendencias consistentes a lo largo de todo el período de simulación. Un resumen cuantitativo de estos resultados se proporciona en Tabla 2, donde todas las métricas, incluyendo ganancia de conocimiento, estabilidad emocional, nivel de estrés, compromiso y robustez, se reportan con medidas estadísticas. Los resultados muestran diferencias consistentes entre el marco propuesto y el modelo de referencia en todas las métricas evaluadas. El análisis estadístico confirma que estas diferencias son significativas en toda la población simulada. En general, los resultados de la simulación demuestran consistentemente que el marco propuesto GECIF supera al modelo de referencia convencional en todas las métricas de rendimiento normalizadas evaluadas. Estos hallazgos respaldan el objetivo y la hipótesis del estudio, según los cuales la integración de la inteligencia emocional basada en grafos con la enseñanza visual impulsada por inteligencia artificial puede mejorar el rendimiento simulado del aprendizaje, la estabilidad emocional, el compromiso y la gestión del estrés dentro de un entorno computacional reproducible.
DISPONIBILIDAD DE LOS DATOS:
Todos los datos y procedimientos computacionales utilizados en este estudio son completamente reproducibles y están disponibles públicamente. El código completo para la generación del conjunto de datos, junto con representaciones estructuradas de los datos, se proporciona en el Archivo Suplementario 1.
Figura 1: Arquitectura conceptual del marco de inteligencia curricular emocional basado en grafos (GECIF) para la educación musical visual impulsada por inteligencia artificial y la promoción de la salud mental. Esta figura presenta la estructura completa del sistema, incluyendo la construcción del grafo conocimiento-emoción, el análisis mediante redes neuronales de grafos, la optimización de rutas emocionales, la reconexión adaptativa del currículo, la interfaz de aprendizaje visual y la optimización multiobjetivo. Ilustra cómo los componentes cognitivos y emocionales se integran en un sistema unificado de aprendizaje adaptativo. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: Evolución de la adquisición de conocimiento bajo el aprendizaje adaptativo basado en grafos en comparación con el modelo convencional de referencia. La figura ilustra la progresión de la ganancia de conocimiento normalizada a lo largo de pasos de simulación normalizados, mostrando una convergencia más rápida y una mayor eficiencia de aprendizaje simulado para el marco propuesto GECIF. Las comparaciones estadísticas entre los modelos propuesto y de referencia se realizaron mediante una prueba t pareada en n = 1000 estudiantes simulados. Cuando se muestran barras de error, estas representan intervalos de confianza del 95% (IC 95%) de la ganancia media de conocimiento normalizada. Se consideraron diferencias estadísticamente significativas con p < 0,05. Haga clic aquí para ver una versión más grande de esta figura.
Figura 3: Mejora temporal de la estabilidad emocional mediante la adaptación inteligente del currículo. La figura ilustra la evolución del Índice de Estabilidad Emocional normalizado a lo largo de pasos de simulación normalizados, mostrando una estabilización más suave y fluctuaciones emocionales reducidas en el marco propuesto de GECIF en comparación con el modelo convencional de referencia. Las comparaciones estadísticas se realizaron utilizando una prueba t pareada en n = 1000 estudiantes simulados. Cuando se muestran barras de error, estas representan intervalos de confianza del 95% (IC 95%) del índice medio de estabilidad emocional normalizado. Las diferencias se consideraron estadísticamente significativas con p < 0,05. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: Reducción de los niveles de estrés mediante vías de aprendizaje conscientes de las emociones. La figura ilustra la evolución temporal de los niveles de estrés normalizados a lo largo de pasos de simulación normalizados, mostrando que el marco propuesto GECIF mantiene niveles de estrés simulados más bajos y más estables que el modelo convencional de referencia, lo que indica una mejor regulación emocional durante todo el proceso de aprendizaje. Las comparaciones estadísticas se realizaron utilizando una prueba t pareada en n = 1000 estudiantes simulados. Cuando se muestran barras de error, estas representan intervalos de confianza del 95 % (IC 95 %) del nivel medio de estrés normalizado. Las diferencias se consideraron estadísticamente significativas con p < 0,05. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5: Distribución de los resultados de aprendizaje entre los estudiantes simulados. La figura ilustra la distribución de la ganancia de conocimiento normalizada para el marco propuesto de GECIF y el modelo convencional de referencia. El marco propuesto muestra una distribución desplazada hacia una mayor ganancia de conocimiento normalizada y con menor variabilidad, mientras que el modelo de referencia se concentra en niveles más bajos de rendimiento. Las comparaciones estadísticas entre las dos distribuciones se realizaron mediante una prueba t pareada en n = 1000 estudiantes simulados, definiéndose la significancia estadística como p < 0,05. No se muestran barras de error porque la figura presenta distribuciones de frecuencia y no estadísticas resumidas. Haga clic aquí para ver una versión más grande de esta figura.
Figura 6: Evolución de las representaciones del conocimiento basadas en grafos a lo largo de las iteraciones de aprendizaje. La figura ilustra la evolución temporal de los embeddings de los nodos del grafo a través de pasos de simulación normalizados. Los picos representan activaciones de características más fuertes, mientras que los valles indican representaciones de características más débiles, lo que demuestra la adaptación y refinamiento continuos del grafo de conocimiento durante el proceso de simulación. Esta visualización presenta la evolución de las representaciones de características aprendidas y no incluye barras de error. Las comparaciones estadísticas informadas en el estudio se realizaron utilizando una prueba t pareada en n = 1000 aprendices simulados, definiéndose la significancia estadística como p < 0,05. Haga clic aquí para ver una versión más grande de esta figura.
Figura 7: Intensidad de las relaciones entre los nodos cognitivos y emocionales en el grafo de aprendizaje. Esta figura visualiza las intensidades normalizadas de las interacciones entre nodos cognitivos y emocionales dentro del marco de aprendizaje basado en grafos. Valores más altos indican dependencias cognitivo-emocionales más fuertes, mientras que valores más bajos representan relaciones más débiles, mostrando la estructura interconectada compleja y la evolución adaptativa del grafo de aprendizaje a lo largo de la simulación. Esta visualización presenta patrones de conectividad del grafo y no incluye barras de error. Las comparaciones estadísticas informadas en otras partes del estudio se realizaron mediante una prueba t pareada en n = 1000 estudiantes simulados, definiéndose la significancia estadística como p < 0,05. Haga clic aquí para ver una versión más grande de esta figura.
Figura 8: Relación entre el progreso del aprendizaje y el bienestar emocional en entornos curriculares adaptativos. La figura ilustra la relación positiva entre la ganancia de conocimiento normalizada y la estabilidad emocional a lo largo del proceso de aprendizaje simulado. A medida que aumenta la adquisición de conocimientos, la estabilidad emocional también mejora, lo que indica una integración efectiva del desarrollo cognitivo y la regulación emocional dentro del marco propuesto de GECIF. Las comparaciones estadísticas se realizaron mediante una prueba t pareada en n = 1000 estudiantes simulados. Cuando se muestran barras de error, estas representan los intervalos de confianza del 95% (IC 95%) de los valores medios de rendimiento normalizados. Las diferencias se consideraron estadísticamente significativas con p < 0,05. Haga clic aquí para ver una versión más grande de esta figura.
Figura 9: Contribución de la adquisición de conocimientos y de la dinámica emocional al rendimiento general del aprendizaje a lo largo de pasos de simulación normalizados. La figura ilustra las contribuciones temporales del incremento de conocimiento normalizado y de la dinámica emocional al rendimiento general simulado del aprendizaje. La adquisición de conocimientos muestra un aumento dominante y sostenido a lo largo de toda la simulación, mientras que la influencia de la dinámica emocional se estabiliza gradualmente, demostrando la integración efectiva de los procesos cognitivos y emocionales dentro del marco propuesto de GECIF. Las comparaciones estadísticas se realizaron mediante una prueba t pareada en un grupo de n = 1000 estudiantes simulados. Cuando se muestran barras de error, estas representan intervalos de confianza del 95% (IC 95%) de los valores medios de rendimiento normalizados. Las diferencias se consideraron estadísticamente significativas con p < 0,05. Haga clic aquí para ver una versión ampliada de esta figura.
Figura 10: Variabilidad y robustez del rendimiento del aprendizaje en modelos adaptativos y convencionales. La figura presenta diagramas de caja y bigotes que comparan las distribuciones de la ganancia de conocimiento normalizada para el marco propuesto GECIF y el modelo convencional de referencia. El marco propuesto muestra una ganancia de conocimiento mediana más alta y una distribución general desplazada hacia valores mayores de rendimiento, además de exhibir un rango intercuartílico más amplio y una dispersión general mayor, lo que refleja una variabilidad más elevada entre los estudiantes simulados. A pesar de esta variabilidad incrementada, la distribución consistentemente más alta de la ganancia de conocimiento demuestra que el marco propuesto mantiene un rendimiento de aprendizaje robusto en diversas condiciones de estudiantes. Las comparaciones estadísticas se realizaron utilizando una prueba de muestras independientes t-prueba en n = 1000 estudiantes simulados por modelo. Los cuadros representan el rango intercuartílico (RIC), la línea horizontal dentro de cada cuadro indica la mediana, y los bigotes se extienden hasta 1,5 × IQR. El marco propuesto logró una ganancia media de conocimiento significativamente mayor que el modelo convencional (p < 0.0001; d de Cohen d = 1,43). No se presentan barras de error porque el gráfico de caja y bigotes resume las distribuciones de los datos utilizando cuartiles y bigotes, en lugar de intervalos de confianza. Haga clic aquí para ver una versión más grande de esta figura.
Figura 11: Cambios dinámicos en la participación del estudiante durante el proceso de aprendizaje. La figura ilustra la evolución temporal del Índice de Participación del Estudiante normalizado a lo largo de pasos de simulación normalizados, demostrando que el marco propuesto GECIF logra una participación más alta y más adaptable que el modelo convencional de referencia durante todo el proceso de aprendizaje simulado. Las comparaciones estadísticas entre el modelo propuesto y el modelo de referencia se realizaron mediante una prueba t pareada en n = 1000 estudiantes simulados. Cuando se muestran barras de error, estas representan intervalos de confianza del 95% (IC 95%) del índice medio de participación del estudiante normalizado. Las diferencias se consideraron estadísticamente significativas con p < 0,05. Haga clic aquí para ver una versión más grande de esta figura.
Figura 12: Patrones cíclicos de participación estudiantil en entornos de aprendizaje adaptativo. La figura ilustra la evolución temporal del Índice de Participación Estudiantil normalizado a lo largo de pasos de simulación normalizados, mostrando fluctuaciones periódicas pero estables que indican que el marco propuesto GECIF mantiene un ritmo equilibrado y adaptativo de interacción del estudiante durante todo el proceso de aprendizaje simulado. Las comparaciones estadísticas se realizaron utilizando una prueba t pareada en un grupo de n = 1000 estudiantes simulados. Cuando se muestran barras de error, estas representan intervalos de confianza del 95 % (IC 95 %) del índice medio de participación estudiantil normalizado. Las diferencias se consideraron estadísticamente significativas con p < 0,05. Haga clic aquí para ver una versión ampliada de esta figura.
Figura 13: Variación espacial de la intensidad de las características a lo largo de la estructura del grafo de aprendizaje. Esta figura visualiza la distribución espacial normalizada de la activación de características dentro el marco de aprendizaje basado en grafos. Las regiones con mayor intensidad indican activaciones más fuertes de las características, mientras que las regiones de baja intensidad representan activaciones más débiles, revelando la organización estructurada y no lineal de las representaciones del conocimiento y sus relaciones adaptativas dentro del grafo de aprendizaje durante la simulación. Esta visualización muestra patrones espaciales de características y no incluye barras de error. Las comparaciones estadísticas informadas en otras partes del estudio se realizaron mediante una prueba t pareada en n = 1000 estudiantes simulados, definiéndose la significancia estadística como p < 0,05. Haga clic aquí para ver una versión más grande de esta figura.
Figura 14: Flujo direccional de la transferencia de conocimiento dentro del grafo curricular. La figura ilustra la propagación normalizada del conocimiento a través de nodos interconectados dentro del marco curricular basado en grafos. Las trayectorias direccionales representan el flujo organizado de información a través del grafo de aprendizaje, destacando la difusión eficiente del conocimiento y el intercambio adaptativo de información entre los componentes del currículo durante la simulación. Esta visualización muestra patrones de propagación del conocimiento y no incluye barras de error. Las comparaciones estadísticas informadas en otras partes del estudio se realizaron mediante una prueba t pareada en n = 1000 estudiantes simulados, definiéndose la significancia estadística como p < 0,05. Haga clic aquí para ver una versión más grande de esta figura.
Figura 15: Evolución estructural del grafo de aprendizaje a lo largo del tiempo mediante transformación adaptativa de características. La figura ilustra la evolución progresiva de la topología del grafo durante pasos de simulación normalizados, a medida que la transformación adaptativa de características perfecciona continuamente las relaciones entre los nodos de conocimiento. Los cambios estructurales dinámicos reflejan la capacidad del marco para reorganizar y optimizar las vías de aprendizaje, dando como resultado representaciones del grafo cada vez más coherentes y adaptables a lo largo del proceso de aprendizaje simulado. Esta visualización muestra la evolución de la topología del grafo y no incluye barras de error. Las comparaciones estadísticas informadas en otras partes del estudio se realizaron utilizando una prueba t pareada en n = 1000 estudiantes simulados, definiéndose la significancia estadística como p < 0,05. Haga clic aquí para ver una versión ampliada de esta figura.
Figura 16: Patrones de interdependencia entre las características de aprendizaje extraídas en el marco adaptativo. La figura visualiza los patrones normalizados de interdependencia entre las características de aprendizaje extraídas dentro del marco propuesto GECIF. Las relaciones más fuertes indican correlaciones más altas e interacciones más efectivas entre las dimensiones de las características, mientras que las relaciones más débiles representan dependencias menores, lo que demuestra la compleja organización multidimensional de las representaciones cognitivas y emocionales aprendidas por el marco adaptativo basado en grafos. Esta visualización presenta patrones de interacción entre características y no incluye barras de error. Las comparaciones estadísticas informadas en otras partes del estudio se realizaron mediante una prueba t pareada en n = 1000 estudiantes simulados, con significancia estadística definida como p < 0,05. Haga clic aquí para ver una versión más grande de esta figura.
Figura 17: Contribución de características multidimensionales al rendimiento en la adquisición de conocimientos. La figura ilustra las contribuciones normalizadas de múltiples dimensiones de características a la adquisición de conocimientos en el marco de aprendizaje basado en grafos. Las variaciones en la importancia de las características entre los nodos del grafo resaltan la naturaleza heterogénea de los factores cognitivos y emocionales del aprendizaje, demostrando cómo diferentes características interactúan y contribuyen a la adquisición adaptativa de conocimientos dentro del marco propuesto GECIF. Esta visualización presenta patrones de contribución de características multidimensionales y no incluye barras de error. Las comparaciones estadísticas informadas en otras partes del estudio se realizaron mediante una prueba t pareada en n = 1000 estudiantes simulados, con significancia estadística definida como p < 0,05. Haga clic aquí para ver una versión ampliada de esta figura.
Figura 18: Evolución simultánea de los estados cognitivos y emocionales durante el aprendizaje adaptativo. La figura ilustra la evolución temporal de la ganancia de conocimiento normalizada y la estabilidad emocional a lo largo de pasos de simulación normalizados, lo que demuestra una mejora cognitiva constante acompañada de fluctuaciones emocionales progresivamente reducidas. La progresión coordinada de estas dos dimensiones del aprendizaje indica que el marco propuesto de GECIF mantiene eficazmente una integración equilibrada del desarrollo cognitivo y la regulación emocional durante todo el proceso de aprendizaje simulado. Las comparaciones estadísticas se realizaron mediante una prueba t pareada en n = 1000 estudiantes simulados. Cuando se muestran barras de error, estas representan intervalos de confianza del 95% (IC 95%) de los valores medios de rendimiento normalizados. Las diferencias se consideraron estadísticamente significativas con p < 0,05. Haga clic aquí para ver una versión ampliada de esta figura.
| Símbolo | Descripción | Categoría |
| G | Gráfico que representa todo el sistema de aprendizaje | Componente del gráfico |
| V | Conjunto de todos los nodos | Componente del gráfico |
| E | Conjunto de aristas (relaciones) | Componente del gráfico |
| W | Matriz de pesos que representa la intensidad de las relaciones | Componente del gráfico |
| V_k | Nodos de conocimiento (conceptos musicales) | Tipo de nodo |
| V_a | Nodos de actividad (acciones de aprendizaje) | Tipo de nodo |
| V_e | Nodos de emoción (estados psicológicos) | Tipo de nodo |
| W_ij | Peso entre el nodo i y el nodo j | Parámetro de arista |
| S_c(i,j) | Similitud cognitiva entre nodos | Parámetro de arista |
| S_e(i,j) | Correlación emocional entre nodos | Parámetro de arista |
| alpha | Peso para la similitud cognitiva | Parámetro del modelo |
| beta | Peso para la correlación emocional | Parámetro del modelo |
| x_i(t) | Vector de estado del nodo i en el tiempo t | Estado del nodo |
| k_i(t) | Nivel de conocimiento del nodo i | Estado del nodo |
| e_i(t) | Estado emocional del nodo i | Estado del nodo |
| a_i(t) | Participación en la actividad del nodo i | Estado del nodo |
| h_i | Representación integrada del nodo | Parámetro de GNN |
| gamma | Factor de decaimiento emocional | Parámetro del modelo |
| eta | Tasa de aprendizaje/adaptación | Parámetro del modelo |
| J | Función de optimización multiobjetivo | Optimización |
Tabla 1: Resumen de variables, parámetros y notaciones utilizados en el marco de inteligencia curricular emocional basado en grafos (GECIF). Esta tabla proporciona definiciones para los componentes del grafo, los estados de los nodos y los parámetros del modelo, lo que favorece la reproducibilidad y claridad de la metodología propuesta.
| Métrica | GECIF propuesto (media) | Desviación estándar propuesta | IC 95 % propuesto | Convencional (media) | Desviación estándar convencional | IC 95 % convencional | Mejora (%) | valor p |
| Incremento del conocimiento | 0.88 | 0.04 | 0.84–0.92 | 0.65 | 0.06 | 0.59–0.71 | 35 | 0.001 |
| Estabilidad emocional | 0.92 | 0.03 | 0.89–0.95 | 0.7 | 0.05 | 0.65–0.75 | 31 | 0.002 |
| Reducción del estrés | 0.85 | 0.05 | 0.80–0.90 | 0.55 | 0.07 | 0.48–0.62 | 54 | 0.0005 |
| Nivel de compromiso | 0.9 | 0.04 | 0.86–0.94 | 0.68 | 0.06 | 0.62–0.74 | 32 | 0.0015 |
| Robustez | 0.87 | 0.03 | 0.84–0.90 | 0.66 | 0.05 | 0.61–0.71 | 32 | 0.002 |
| Eficiencia del aprendizaje | 0.91 | 0.04 | 0.87–0.95 | 0.69 | 0.06 | 0.63–0.75 | 32 | 0.001 |
| Velocidad de convergencia | 0.89 | 0.03 | 0.86–0.92 | 0.67 | 0.05 | 0.62–0.72 | 33 | 0.001 |
| Precisión de predicción | 0.93 | 0.02 | 0.91–0.95 | 0.72 | 0.05 | 0.67–0.77 | 29 | 0.0008 |
| Reducción de la varianza emocional | 0.86 | 0.04 | 0.82–0.90 | 0.6 | 0.06 | 0.54–0.66 | 43 | 0.0012 |
| Puntuación de adaptabilidad | 0.9 | 0.03 | 0.87–0.93 | 0.68 | 0.05 | 0.63–0.73 | 32 | 0.001 |
Tabla 2: Métricas comparativas de rendimiento entre el marco propuesto GECIF y el modelo de aprendizaje convencional. La tabla resume las mejoras en la adquisición de conocimientos, estabilidad emocional, reducción del estrés, participación, robustez y eficiencia general del aprendizaje, lo que demuestra la superioridad del enfoque propuesto.
Archivo suplementario 1: Código para la generación del conjunto de datos y representaciones de datos estructurados. Resumen de la generación del conjunto de datos basado en MATLAB, la canalización de procesamiento y los procedimientos de evaluación utilizados en el marco de inteligencia curricular emocional basado en grafos (GECIF). Este archivo proporciona una descripción general de las etapas de simulación, incluyendo la generación de registros de interacción, modelado de indicadores emocionales, cálculo del rendimiento de aprendizaje, construcción de grafos, ingeniería de características, análisis estadístico, verificaciones de validación y procedimientos de exportación de datos, lo que favorece la reproducibilidad, transparencia y claridad de la metodología propuesta.Haga clic aquí para descargar este archivo.
Discusión
El presente estudio propone un marco de inteligencia curricular emocional basado en grafos (GECIF) que integra el aprendizaje de representaciones basado en grafos, la modelización del estado emocional, la optimización adaptativa del currículo y la enseñanza visual impulsada por inteligencia artificial en un marco computacional unificado para la educación musical universitaria. A diferencia de los modelos educativos tradicionales asistidos por inteligencia artificial, que principalmente optimizan el rendimiento académico, el marco propuesto modela simultáneamente las interacciones entre la adquisición de conocimientos, la regulación emocional, la participación del alumno y la evolución adaptativa del currículo. Los resultados de la simulación demostraron de forma consistente un rendimiento superior del marco propuesto frente al modelo tradicional en múltiples métricas de evaluación, incluyendo la adquisición de conocimientos, la estabilidad emocional, la participación del alumno y la reducción del estrés. Estos hallazgos sugieren que la integración de estructuras gráficas relacionales con un aprendizaje sensible a las emociones proporciona una representación computacional más completa de los procesos educativos que los enfoques basados exclusivamente en la adaptación cognitiva.
Las mejoras observadas en el rendimiento del aprendizaje simulado son coherentes con los recientes avances en la educación adaptativa impulsada por inteligencia artificial. Las tecnologías de inteligencia artificial han sido reconocidas cada vez más como herramientas eficaces para desarrollar entornos de aprendizaje personalizados y adaptables, capaces de responder a las características del estudiante y a las necesidades educativas18,19,20. En particular, se ha demostrado que el diseño curricular adaptativo apoyado por inteligencia artificial mejora la flexibilidad instruccional, la toma de decisiones centrada en el estudiante y la eficacia educativa19,20. Además, los sistemas de evaluación asistida por inteligencia artificial y de retroalimentación inteligente han mostrado un potencial significativo para mejorar el rendimiento estudiantil mediante evaluaciones continuas y apoyo instruccional adaptativo21,22,23. En comparación con estos estudios previos, el marco GECIF propuesto amplía las metodologías existentes al integrar conocimientos cognitivos, dinámicas emocionales y comportamientos de aprendizaje adaptativo dentro de una única arquitectura computacional basada en grafos. Por consiguiente, el marco actual proporciona una representación unificada de los procesos educativos, en lugar de tratar el rendimiento cognitivo y la adaptación del estudiante como componentes separados.
La integración de la modelización emocional dentro del marco propuesto también se ve respaldada por investigaciones previas en educación musical y aprendizaje afectivo. Li1 demostró que la visualización emocional combinada con el aprendizaje profundo mejora la enseñanza estética musical al fortalecer la interacción entre los estudiantes y el contenido educativo. De manera similar, Zhao3 informó que la integración de la cartografía cognitiva con la terapia musical audiovisual reduce eficazmente la ansiedad entre estudiantes universitarios, destacando la estrecha relación entre la regulación emocional y los resultados del aprendizaje. Iyendo et al.4 demostraron además que las intervenciones artísticas audiovisuales y musicales mejoran significativamente el bienestar psicológico al reducir los síntomas asociados con el estrés emocional. Las mejoras en la estabilidad emocional observadas en la presente simulación, por lo tanto, concuerdan con evidencia previa que indica que la conciencia emocional constituye un componente esencial de una educación musical exitosa. A diferencia de estudios anteriores que investigaron principalmente las intervenciones emocionales como estrategias educativas independientes, el marco propuesto integra directamente la dinámica emocional en la optimización del currículo basada en grafos, permitiendo que los estados emocionales influyan continuamente en las decisiones instruccionales adaptativas a lo largo del proceso de aprendizaje.
La reducción simulada del estrés en el estudiante es igualmente coherente con la literatura reciente sobre la salud mental de los estudiantes en la educación superior. Se ha identificado que el estrés académico es un predictor importante del deterioro del bienestar psicológico y del rendimiento educativo en los estudiantes universitarios28,29,30. Revisiones sistemáticas han demostrado además que las intervenciones estructuradas de manejo del estrés mejoran significativamente tanto el funcionamiento académico como la salud psicológica27. Más recientemente, las intervenciones digitales apoyadas por inteligencia artificial han demostrado ser efectivas para promover el manejo del estrés y la autorregulación adaptativa entre los estudiantes universitarios29. El marco actual difiere de estos enfoques basados en intervenciones, ya que la reducción del estrés surge mediante la optimización adaptativa de las interacciones cognitivas y emocionales, y no a través de mecanismos terapéuticos independientes. Por consiguiente, los niveles más bajos de estrés observados en el marco propuesto sugieren que el diseño curricular emocionalmente adaptativo por sí mismo podría contribuir a reducir la sobrecarga cognitiva mientras apoya simultáneamente un mejor rendimiento del aprendizaje.
El mayor compromiso del alumno observado en el presente estudio también es respaldado por investigaciones previas que examinan la educación visual asistida por IA y las tecnologías instruccionales personalizadas. Bian et al.12 demostraron que el contenido visual generado por IA mejora significativamente el compromiso en clase, la autoeficacia del alumno y el rendimiento cognitivo en entornos educativos. De manera similar, Johnson et al.34 informaron que los entornos digitales de aprendizaje visual fortalecen el compromiso estudiantil y promueven una mayor participación bajo condiciones educativas estresantes. Dentro de la educación musical específicamente, se ha demostrado que las tecnologías instruccionales asistidas por IA facilitan trayectorias de aprendizaje personalizadas y mejoran la innovación educativa41. El marco propuesto GECIF complementa estos hallazgos al combinar la enseñanza visual adaptativa con un modelo emocional basado en grafos, permitiendo así que el compromiso del alumno, la regulación emocional y el desarrollo cognitivo evolucionen simultáneamente a lo largo del proceso de aprendizaje.
La relación entre la regulación emocional y el rendimiento en el aprendizaje observada en el presente estudio también es respaldada por investigaciones más amplias sobre salud mental. Se ha identificado que la regulación emocional es un determinante fundamental del bienestar psicológico y del funcionamiento educativo saludable32. Asimismo, los modelos de bienestar estudiantil enfatizan que la resiliencia emocional y la estabilidad psicológica están estrechamente asociadas con resultados académicos exitosos15,16,17. Estudios en estudiantes universitarios han reportado consistentemente que la promoción de la salud mental mejora la resiliencia, el compromiso y el logro educativo a largo plazo14,15,16,17. La presente simulación demostró un comportamiento computacional similar, en el que las mejoras en la estabilidad emocional fueron acompañadas por una mayor adquisición de conocimientos y un compromiso más fuerte del aprendiz. Aunque la presente investigación se basa enteramente en simulaciones y, por lo tanto, no puede establecer relaciones causales en aprendices reales, los resultados computacionales refuerzan el creciente consenso de que la regulación emocional debe incorporarse directamente en los sistemas educativos inteligentes, en lugar de considerarla un resultado educativo independiente.
En comparación con los enfoques computacionales existentes, el marco propuesto ofrece varias ventajas conceptuales. Los sistemas educativos contemporáneos basados en inteligencia artificial emplean cada vez más evaluaciones adaptativas, retroalimentación personalizada y apoyo inteligente en la toma de decisiones para mejorar la eficacia del aprendizaje21,22,23. De manera similar, los modelos curriculares adaptativos impulsados por inteligencia artificial enfatizan la personalización del estudiante y la planificación instruccional dinámica18,19,20. Sin embargo, estos enfoques generalmente evalúan el desempeño del estudiante principalmente mediante indicadores cognitivos, mientras que la información emocional se representa por separado o se omite por completo. En contraste, el marco GECIF propuesto modela simultáneamente la adquisición de conocimientos, la dinámica emocional, la participación del estudiante y la evolución del currículo adaptativo dentro de una representación gráfica unificada. Esta estrategia de modelado integrado permite una interacción continua entre variables cognitivas, conductuales y emocionales, proporcionando así una descripción computacional más completa de los procesos educativos que los sistemas educativos convencionales impulsados por inteligencia artificial.
El marco es particularmente relevante para la educación musical porque el aprendizaje musical combina inherente la adquisición de habilidades técnicas, la expresión emocional, la creatividad y el compromiso del estudiante. Investigaciones previas han demostrado que la integración de la música, las artes visuales y actividades educativas creativas contribuye al desarrollo psicológico, al bienestar emocional y a la motivación educativa36,37. Además, los estudiantes de música experimentan frecuentemente una carga académica considerable y estrés psicológico, lo que resalta la importancia de mecanismos de apoyo educativo adaptativos25,26. El marco propuesto amplía estas perspectivas educativas al proporcionar un mecanismo computacional capaz de representar simultáneamente el progreso técnico del aprendizaje, la adaptación emocional y la optimización instruccional adaptativa dentro de un único modelo basado en grafos. En consecuencia, el marco ofrece una base computacional interpretable para futuros sistemas inteligentes de educación musical que busquen optimizar tanto el rendimiento educativo como el bienestar del estudiante.
Sin embargo, deben reconocerse varias limitaciones. En primer lugar, el marco fue evaluado exclusivamente utilizando datos sintéticos generados dentro de una simulación computacional controlada; por lo tanto, las mejoras reportadas reflejan el rendimiento algorítmico y no evidencia empírica obtenida de poblaciones reales de estudiantes. En segundo lugar, las variables emocionales fueron representadas mediante abstracciones matemáticas que simplifican la complejidad de los procesos emocionales humanos auténticos. En tercer lugar, las estructuras de grafos predefinidos y los parámetros de optimización pueden no representar completamente la diversidad de entornos educativos encontrados en la práctica. Por último, la optimización basada en grafos introduce una complejidad computacional adicional que podría requerir una mayor optimización antes de su implementación a gran escala en sistemas educativos inteligentes.
Por lo tanto, investigaciones futuras deben validar el marco propuesto utilizando conjuntos de datos educativos auténticos y entornos reales de aula. La incorporación de información educativa multimodal, incluyendo registros de interacciones conductuales, mediciones fisiológicas, observaciones audiovisuales y rastros digitales de aprendizaje, podría mejorar sustancialmente el realismo en la estimación de estados emocionales y en la optimización adaptativa del currículo. Evaluaciones comparativas frente a sistemas recientes de aprendizaje adaptativo impulsados por inteligencia artificial 18,19,20,21,22 aclararían aún más las ventajas relativas del modelado emocional basado en grafos. Extender el marco más allá de la educación musical hacia otras disciplinas educativas también reforzaría la evidencia sobre su generalización y aplicabilidad práctica. La presente investigación basada en simulaciones demuestra que integrar el aprendizaje relacional basado en grafos con modelado emocional representa una dirección prometedora para los sistemas educativos inteligentes de próxima generación. Los hallazgos son coherentes con avances recientes en educación adaptativa asistida por inteligencia artificial, enseñanza musical sensible a las emociones, aprendizaje personalizado e investigación sobre salud mental estudiantil25,26,27,28,29,30. Aunque aún es necesario validar el enfoque con estudiantes reales, el marco GECIF propuesto ofrece una base computacional estructurada para futuros sistemas educativos impulsados por inteligencia artificial capaces de optimizar simultáneamente el rendimiento cognitivo, el bienestar emocional, la participación del estudiante y el diseño curricular adaptativo.
Divulgaciones
El autor no tiene conflicto de intereses.
Agradecimientos
El autor desea expresar su sincero agradecimiento al Departamento de Música de la Universidad Normal de Anqing por proporcionar el entorno académico y el apoyo institucional necesarios para llevar a cabo esta investigación. Se agradece especialmente a los colegas y estudiantes que aportaron ideas valiosas y comentarios durante el desarrollo y la evaluación del marco propuesto. El autor también reconoce el apoyo de la Universidad Normal de Anqing para facilitar el acceso a recursos e infraestructura de investigación.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Módulo de RAM DDR4 de 32 GB | Kingston Technology | NA | |
| Kit de herramientas CUDA para aceleración mediante GPU (v11.8) | NVIDIA | version 1.18 | |
| Motor de adaptación curricular | Implementación personalizada | CAE003 | |
| Conjunto de datos: Indicadores emocionales | Conjunto de datos generado | DEI006 | |
| Conjunto de datos: Métricas de rendimiento de aprendizaje | Conjunto de datos generado | DLPM007 | |
| Conjunto de datos: Registros de interacción del estudiante | Conjunto de datos generado | DIL005 | |
| Módulo de simulación de estado emocional | Implementación personalizada | ESM002 | |
| Estación de trabajo con GPU (NVIDIA RTX 3080) | NVIDIA | NA | |
| Módulo de implementación de red neuronal gráfica | Implementación personalizada | NA | |
| Procesador Intel Core i7 (3,6 GHz) | Intel Corporation | NA | |
| Entorno Jupyter Notebook (v6.5) | Project Jupyter | version 6.5 | |
| Software MATLAB (R2023a) | MathWorks | R2023a | |
| Biblioteca de visualización Matplotlib (v3.7) | Matplotlib | version 3.7 | |
| Biblioteca de procesamiento de grafos NetworkX (v3.1) | Desarrolladores de NetworkX | version 3.1 | |
| Biblioteca de cálculo numérico NumPy (v1.24) | Desarrolladores de NumPy | version 1.24 | |
| Módulo de optimización (solucionador multiobjetivo) | Implementación personalizada | MOS008 | |
| Biblioteca de procesamiento de datos Pandas (v2.0) | Equipo de desarrollo de Pandas | version 2.0 | |
| Entorno de programación Python (v3.10) | Python Software Foundation | version 3.10 | |
| Framework de aprendizaje profundo PyTorch (v2.0) | Meta AI | version 2.0 | |
| Script de inicialización de semilla aleatoria | Implementación personalizada | RSI009 | |
| Biblioteca de aprendizaje automático Scikit-learn (v1.3) | Scikit-learn | version 1.3 | |
| Biblioteca de visualización estadística Seaborn (v0.12) | Seaborn | version 0.12 | |
| Biblioteca TensorFlow (v2.12) | version 2.12 | ||
| Kit de herramientas para interfaz de aprendizaje visual | Implementación personalizada | VLI004 | |
| Sistema operativo Windows 11 | Microsoft | W11 |
Referencias
- Li Y. Music aesthetic teaching and emotional visualization under emotional teaching theory and Deep learning. Front Psychol. 2022;13.
- Yang J. Retraction notice to: 'research on music education: Integrating synaesthesia theory and colour psychology', HTS Teologiese Studies/Theological Studies 79(4), A8848. HTS Teol Stud. 2024;80(1).
- Zhao Y. Cognitive mapping-based audiovisual and singing music therapy as a cross-intervention for college students' anxiety. Appl Math Nonlinear Sci. 2024;9(1).
- Iyendo TO, Uwajeh PC, Oseke BN, Dong L, Adejumo A, Umar I, et al. Effect of audio-visual-based art and music therapy in reducing Adolescents Post Traumatic Stress disorder. J Adolesc Health. 2024;74(2):283–291.
- Sones AC, Fogelson DL, Glick ID, Shader RI. Untreated mental illness has created a national tragedy: A pandemic of homelessness. J Clin Psychopharmacol. 2022;42(2):115–117.
- Omelchenko M, Migalina V, Kaleda V. The effect of untreated illness in youth depression: A cross-sectional study. Consort Psychiatr. 2022;3(4):8.
- Vargas-Huicochea I, Álvarez-del-Río A, Rodríguez-Machain AC, Aguirre-Benítez EL, Kelsall N. Seeking psychiatric attention among university students with mental health problems: The influence of disease perception. Int J Ment Health Addict. 2022;20(1):505–521.
- Shim YR, Eaker R, Park J. Mental health education, awareness and stigma regarding mental illness among college students. J Ment Health Clin Psychol. 2022;6(2):6–15.
- Bantjes J, Kessler MJ, Hunt X, Stein DJ, Kessler RC. Treatment rates and barriers to mental health service utilisation among university students in South Africa. Int J Ment Health Syst. 2023;17(1):38.
- McLafferty M, Brown N, Brady J, McLaughlin J, McHugh R, Ward C, et al. Variations in psychological disorders, suicidality, and help-seeking behaviour among college students from different academic disciplines. PLoS One. 2022;17(12):e0279618.
- Liu Z. Music teaching curriculum integrates physical exercise to regulate Students' mental health. Rev Psicol Deporte. 2024;33(1):426–435.
- Bian C, Wang X, Huang Y, Zhou S, Lu W. Effects of AI-generated images in visual art education on students' classroom engagement, self-efficacy and cognitive load. Humanit Soc Sci Commun. 2025;12(1):1–14.
- Yu H, Zou Z. The music education and teaching innovation using blockchain technology supported by artificial intelligence. Int J Grid Util Comput. 2023;14(2-3):278–296.
- Mulvogue J, Ryan C, Hunt S, Cross M, Cleary M. Promoting positive outcomes in higher education: Supporting undergraduate student mental health and well-being. Issues Ment Health Nurs. 2023;44(7):673–677.
- Sholichatun Y, Aziz R, Baharuddin B, Mulyadi M, Muhid A. Building resilience to promote mental health in university students. Health Educ Health Promot. 2025;13(2):257–263.
- Martínez-García A, Valverde-Montesino S, García-García M. Promoting mental health in higher education: towards a model of well-being factors in emerging adulthood. Int J Qual Stud Health Well-Being. 2024;19(1):2408831.
- Ahluwalia M, Shillington KJ, Irwin JD. The relationship between resilience and mental health of undergraduate students: A scoping review. J Am Coll Health. 2025;73(3):1266–1279.
- Aggarwal D. Integration of innovative technological developments and AI with education for an adaptive learning pedagogy. China Pet Process Petrochem Technol. 2023;23(2):709–714.
- Ullah RS, Hashim F, Bandeali MM, Akbar A. Artificial Intelligence in Curriculum Design a Roadmap for Adaptive and Personalized Learning in Higher Education. Crit Rev Soc Sci Stud. 2025;3(3):304–322.
- Strielkowski W, Grebennikova V, Lisovskiy A, Rakhimova G, Vasileva T. AI‐driven adaptive learning for sustainable educational transformation. Sustain Dev. 2025;33(2):1921–1947.
- Hooda M, Rana C, Dahiya O, Rizwan A, Hossain MS. Artificial intelligence for assessment and feedback to enhance student success in higher education. Math Probl Eng. 2022;2022(1):5215722.
- Caspari-Sadeghi S. Artificial intelligence in technology-enhanced assessment: A survey of machine learning. J Educ Technol Syst. 2023;51(3):372–386.
- Topping KJ, Gehringer E, Khosravi H, Gudipati S, Jadhav K, Susarla S. Enhancing peer assessment with artificial intelligence. Int J Educ Technol High Educ. 2025;22(1):3.
- Hammoudi Halat D, Soltani A, Dalli R, Alsarraj L, Malki A. Understanding and fostering mental health and well-being among university faculty: A narrative review. J Clin Med. 2023;12(13):4425.
- Jääskeläinen T, López-Íñiguez G, Phillips M. Music students' experienced workload in higher education: A systematic review and recommendations for good practice. Music Sci. 2023;27(3):541–567.
- Ghatpande AC, Anand SK. Mental health and stress management among college students: a critical analysis. Int J Sci Res Eng Manag. 2025;9(1):1–9.
- Amanvermez Y, Rahmadiana M, Karyotaki E, de Wit L, Ebert DD, Kessler RC, et al. Stress management interventions for college students: A systematic review and meta-analysis. Clin Psychol Sci Pract. 2023;30(4):423.
- Córdova Olivera P, Gasser Gordillo P, Naranjo Mejía H, La Fuente Taborga I, Grajeda Chacón A, Sanjinés Unzueta A. Academic stress as a predictor of mental health in university students. Cogent Educ. 2023;10(2):2232686.
- Alhasani M, Orji R. Promoting stress management among students in higher education: Evaluating the effectiveness of a persuasive time management mobile app. Int J Hum-Comput Interact. 2025;41(1):219–241.
- Campbell F, Blank L, Cantrell A, Baxter S, Blackmore C, Dixon J, et al. Factors that influence mental health of university and college students in the UK: a systematic review. BMC Public Health. 2022;22(1):1778.
- Nepal S, Liu W, Pillai A, Wang W, Vojdanovski V, Huckins JF, et al. Capturing the college experience: a four-year mobile sensing study of mental health, resilience and behavior of college students during the pandemic. Proc ACM Interact Mob Wearable Ubiquitous Technol. 2024;8(1):1–37.
- Menefee DS, Ledoux T, Johnston CA. The importance of emotional regulation in mental health. Am J Lifestyle Med. 2022;16(1):28–31.
- Sattar G, Rustemova S, Nebessayeva Z. Socially Interactive Approaches and Digital Technologies in Art Education: Developing Creative Thinking in Students During Art Classes. Open Educ Stud. 2025;7(1):20250096.
- Johnson R, Cantrell K, Cutcliffe K, Batorowicz B, McLean T. Expanding creative communities in the visual arts: Using Padlet to support student engagement and belonging in stressful contexts. Art Educ. 2023;76(4):33–39.
- Cowand A, Amarsaikhan U, Ricks RF, Cash ED, Sephton SE. Self-compassion is associated with improved well-being and healthier cortisol profiles in undergraduate students. Mindfulness. 2024;15(7):1831–1845.
- Brovchak LS, Starovoit LV, Likhitska LM, Todosiienko NL, Shvets IB. Integrating music, drama and visual arts in extracurricular programs: enhancing psychological development in early school-aged children. Sapienza Int J Interdiscip Stud. 2024;5(3):e24052.
- Salomon-Gimmon M, Orkibi H, Elefant C. The contribution of a music and arts rehabilitation program to the creative identity, well-being, and community integration of people with mental health conditions. J Humanist Psychol. 2026;66(2):518–551.
- Shkembi F, Sauku VH, Ibrahimi S, Ibrahimi E. The psychological impact of online education on student well-being and motivation. Int Soc Sci Educ J. 2024;2(2):1–8.
- Pointon-Haas J, Waqar L, Upsher R, Foster J, Byrom N, Oates J. A systematic review of peer support interventions for student mental health and well-being in higher education. BJPsych Open. 2024;10(1):e12.
- Reist C, Petiwala I, Latimer J, Raffaelli SB, Chiang M, Eisenberg D, et al. Collaborative mental health care: A narrative review. Medicine. 2022;101(52):e32554.
- Peng C. Integrating computational intelligence in music teaching: A decision-making approach for personalised education. Int J Inf Commun Technol. 2025;26(27):38–51.
- Chi M, Wang N, Wu Q, Cheng M, Zhu C, Wang X, et al. Implementation of the flipped classroom combined with problem-based learning in a medical nursing course: A quasi-experimental design. Healthcare. 2022;10(12):2572.