Recherche sur l’intégration de la simulation narrative et de l’IA visuelle dans la gestion de l’enseignement afin de renforcer les capacités en santé mentale dans les universités

Résumé

Cette étude intègre la simulation narrative et l’IA visuelle dans les systèmes de gestion pédagogique afin d’améliorer la santé mentale, la résilience émotionnelle et l’engagement des étudiants universitaires.

Résumé

Les étudiants universitaires font face de plus en plus à des difficultés de santé mentale, notamment l’anxiété, la dépression et le stress, mais la plupart des milieux d’enseignement supérieur manquent de systèmes proactifs de suivi et de soutien émotionnels. Cette étude visait à concevoir, mettre en œuvre et évaluer un système hybride de gestion de l’enseignement intégrant la simulation narrative avec l’intelligence artificielle visuelle (IA) afin de promouvoir la littératie en santé mentale et la résilience émotionnelle chez les élèves. Le système comprend un module de prise de décision narrative simulant des scénarios de stress et un outil de reconnaissance des émotions alimenté par IA (basé sur la détection d’expressions faciales) intégré dans les salles de classe. Un plan à méthodes mixtes a été employé avec 332 étudiants de premier cycle et 15 membres du corps enseignant issus de plusieurs universités. Des enquêtes avant et après l’intervention, des journaux d’utilisation et des données émotionnelles en temps réel provenant de l’IA visuelle ont été collectés. Les données quantitatives ont été analysées à l’aide de statistiques descriptives, de tests t appariés, d’ANOVA et de régression linéaire multiple. Les résultats ont indiqué des améliorations statistiquement significatives des scores de santé mentale des élèves (p < 0,01), de la conscience émotionnelle et de la confiance en prise de décision. Cette approche intégrée démontre à la fois l’utilisabilité et la scalabilité, offrant aux enseignants une vision émotionnelle précoce et aux étudiants un environnement d’apprentissage réfléchi. Cette méthode convient particulièrement aux établissements dotés de salles de classe capables d’IA et d’une supervision éthique formée.

Introduction

La santé mentale est devenue une préoccupation pressante dans l’enseignement supérieur, avec une augmentation des niveaux d’anxiété, de dépression et d’épuisement professionnel chez les étudiants universitaires dans le^{monde entier.} Ces fardeaux psychologiques, souvent liés à une surcharge académique, des pressions sociales et une incertitude financière, ont un impact négatif sur la performance académique, la rétention et le bien-être à^{long terme 2}. Bien que de nombreuses institutions aient mis en place des services de conseil et des interventions de crise, ces approches ont tendance à être réactives et limitées^{dans leur portée 3}. La demande pour des stratégies proactives, évolutives et intégrées qui soutiennent la résilience psychologique des élèves dans les environnements d’apprentissage quotidiens augmente.

Les avancées récentes en technologie éducative offrent de nouvelles opportunités d’intégrer directement le soutien émotionnel dans les systèmes d’enseignement. Deux approches prometteuses sont la simulation narrative et l’intelligence artificielle visuelle (IA). La simulation narrative désigne des modules interactifs et axés sur l’histoire qui placent les élèves dans des situations émotionnellement complexes, encourageant la réflexion, l’empathie et la prise de décision. Fondées sur la théorie de l’apprentissage expérientiel, ces simulations permettent aux apprenants de répéter des réponses à des défis tels que l’anxiété liée aux examens, la gestion du temps ou les conflits entre pairs dans un environnement sûr et guidé ^4,5. La théorie de l’apprentissage expérientiel suggère en outre que la réflexion et l’expérimentation active sont essentielles pour transformer l’expérience en apprentissage durable, faisant de la simulation narrative un moyen viable de favoriser l’intelligence émotionnelle et l’adaptation adaptative.

L’IA visuelle utilise des modèles d’apprentissage automatique pour déduire les états émotionnels des élèves en temps réel, par exemple à partir des expressions faciales, du regard ou de la posture⁶. Lorsqu’ils sont déployés de manière éthique et avec consentement éclairé, ces systèmes peuvent fonctionner comme des outils d’alerte précoce, identifiant le stress ou le désengagement avant^{l’escalade 7}. Intégrée dans les plateformes de gestion de l’enseignement, l’IA visuelle peut fournir un retour rapide aux enseignants, soutenant des réponses académiques ou émotionnelles personnalisées. Cette intégration s’aligne avec la théorie cognitivo-comportementale, qui souligne que l’augmentation de la conscience des cognitions inadaptées et leur restructuration peut améliorer les résultats émotionnels.

Cette approche résonne également avec les visions contemporaines de la gestion de l’enseignement comme orchestration de l’expérience étudiante à travers les contextes numériques et en présentiel. En intégrant un soutien en santé mentale dans cette infrastructure, la formation à la résilience devient partie intégrante du processus académique plutôt qu’un simple ajout^optionnel. Elle s’inscrit également dans le Modèle transactionnel du stress et de l’affrontement, qui présente la régulation des émotions comme une interaction dynamique entre stratégies d’évaluation et d’adaptation ; ici, l’IA visuelle contribue à l’évaluation primaire (détection des indices), tandis que la simulation narrative soutient l’évaluation secondaire (exploration d’alternatives d’adaptation) dans un espace psychologiquement sûr.

Malgré un intérêt croissant, peu d’études empiriques ont évalué l’utilisation combinée de l’IA visuelle et de la simulation narrative pour le soutien à la santé mentale dans l’enseignement supérieur. De plus, des concepts clés tels que la littératie en santé mentale, « les connaissances et croyances qui aident à la reconnaissance, la gestion ou la prévention des troubles mentaux ^»9, et la résilience émotionnelle, la capacité à s’adapter au stress^{psychologique 10}, sont souvent sous-opérationnels. Cette étude comble ces lacunes en concevant et en testant un système intégré d’enseignement et de gestion qui associe la simulation narrative à des composants d’IA visuelle afin de favoriser l’identification précoce de la détresse et de favoriser l’autorégulation des élèves.

Objectif et contribution clé

Cette étude explore comment la simulation narrative et l’IA visuelle peuvent être intégrées de manière significative dans les systèmes de gestion de l’enseignement afin de répondre aux problèmes de santé mentale chez les étudiants universitaires. Plutôt que de considérer la santé mentale comme un service externe, l’objectif est d’intégrer l’engagement émotionnel et le soutien psychologique précoce dans l’apprentissage de routine. Combiner des scénarios de prise de décision interactifs avec une surveillance émotionnelle en temps réel offre aux élèves des opportunités de pratique réfléchie tout en permettant aux enseignants de réagir avec sensibilité aux signes de détresse.

Le système repose sur le plan conceptuel de l’apprentissage expérientiel, mettant en avant la pratique, le retour d’information et l’implication émotionnelle comme moteurs du changement de comportement. Les simulations narratives présentent des facteurs de stress académiques familiers (par exemple, la pression temporelle, la tension entre pairs) qui nécessitent des choix émotionnellement saillants. Parallèlement, un outil d’IA visuelle calibré pour l’inférence de l’expression faciale surveille les changements de moment en moment pendant les séances d’enseignement. Cette approche s’appuie également sur la théorie de l’intelligence émotionnelle, qui identifie la conscience de soi, l’empathie et la régulation comme des compétences fondamentales de résilience.

La recherche a impliqué 332 étudiants de premier cycle et 15 membres du corps enseignant répartis dans trois domaines thématiques. En utilisant un plan à méthodes mixtes, nous avons évalué si l’anxiété, la dépression et le stress diminuaient, et si la conscience émotionnelle et la confiance en décision des élèves s’amélioraient. La modélisation statistique et les analyses qualitatives informent conjointement comment les technologies sensibles aux émotions peuvent soutenir le bien-être des élèves, non pas comme un remplacement des soins professionnels, mais comme un élément préventif et évolutif de la vie académique quotidienne.

Aperçu du système

Cette étude est structurée en cinq sections principales. L’introduction présente le contexte et la motivation pour aborder les défis de santé mentale dans l’enseignement supérieur. La deuxième section passe en revue la littérature existante sur la simulation narrative, l’IA visuelle et leurs applications dans les contextes éducatifs. La troisième section décrit la conception de la recherche, incluant l’approche mixte, le recrutement des participants et les techniques analytiques. La quatrième section présente les principaux résultats, tant quantitatifs que qualitatifs, en se concentrant sur les changements dans la résilience émotionnelle des étudiants et la conscience de la santé mentale. Enfin, la conclusion aborde les implications plus larges des résultats et suggère des orientations futures pour l’intégration des technologies sensibles aux émotions dans la pratique pédagogique.

Travaux connexes

Les universités ont testé diverses approches pour soutenir la santé mentale, notamment la sensibilisation par des pairs, les campagnes numériques et les interventions en classe¹¹. La communication à l’échelle du campus combinée au soutien des étudiants par les pairs peut améliorer l’engagement et la sensibilisation au service, bien que l’adaptation à des populations diverses reste^{un défi 12}. Au niveau de la population, la recherche repose souvent sur des enquêtes auto-rapportées fondées sur le critère^{diagnostique 13}, qui limite l’inférence causale et néglige les indicateurs en temps réel de la souche ^14,15.

Un domaine de travail croissant examine l’intelligence émotionnelle (IE) comme prédicteur du bien-être des élèves ; Des traits tels que la conscience de soi, la clarté et la réparation émotionnelle sont associés à de meilleurs résultats, l’appartenance étant souvent identifiée comme un^{médiateur 16}. Pourtant, de nombreux résultats reposent sur des enquêtes ponctuelles, manquant de retour dynamique pour un soutien durable. Intégrer des principes informés par l’IE dans la simulation narrative offre une voie pour approfondir l’empathie, la réflexion et l’autorégulation.

Parallèlement, les chercheurs en éducation intègrent de plus en plus l’IA dans les environnements^{d’apprentissage 17}. Des outils d’IA visuelle détectant les expressions faciales ou les micro-expressions liées au stress ont été déployés lors des examens et du tutorat, avec des résultats prometteurs pour le retour^{adaptatif 18}. Les simulations narratives sont bien établies dans l’enseignement infirmier/médical pour la prise de décisions chargées émotionnellement¹⁹, mais ces applications sont souvent spécifiques à un domaine et rarement intégrées dans les systèmes généraux de gestion^{de l’enseignement 20}. Un petit corpus de travaux propose des cadres pour la collaboration élève-IA et la conception pédagogique pilotée par^{l’IA 21,22}, en mettant l’accent sur l’éthique, les lacunes en mise en œuvre et la nécessité de modèles évolutifs qui apportent une valeur pédagogique et psychologique au-delà de la nouveauté.

Cette étude fait progresser le domaine en intégrant la simulation narrative à l’informatique affective en temps réel afin de créer une réponse proactive et intégrée aux défis de la santé mentale dans les environnements d’apprentissage universitaires.

Lacune de recherche et considérations pratiques de mise en œuvre

Bien que les outils numériques pour la santé mentale des élèves se multiplient, de nombreuses études reposent sur l’auto-évaluation et des interventions à court terme en dehors du contexte de la classe, limitant ainsi l’impact et la rapidité à long terme. Peu d’efforts relient des concepts comme l’IE ou la littératie en santé mentale à un retour en temps réel ou à un comportement observable en classe. L’IA visuelle et la simulation narrative ont été explorées séparément, mais rarement combinées en un seul système qui suiv et répond aux états émotionnels pendant l’activité académique. Cette étude comble cette lacune en associant la réflexion émotionnelle basée sur la simulation à la reconnaissance pilotée par l’IA à l’intérieur même de l’environnement d’apprentissage.

Considérations pratiques de la mise en œuvre

Le déploiement efficace dépend de l’infrastructure (internet stable, caméras intégrées), d’une supervision éthique et de l’étalonnage des algorithmes pour protéger les participants et réduire les biais, en particulier lorsqu’une analyse faciale est impliquée. La formation des enseignants est également nécessaire pour interpréter de manière responsable les indices générés par l’IA et les intégrer dans les décisions pédagogiques. Par conséquent, cette approche convient le mieux aux universités avec des infrastructures numériques établies et des comités d’éthique institutionnels, où elle peut fonctionner comme un cadre proactif et évolutif pour l’autonomisation de la santé mentale des étudiants.

Protocole

Avant la collecte des données, une approbation éthique a été obtenue du Conseil d’éthique de l’Université des Postes et Télécommunications de Nankin (Code d’approbation : NJUPT-IRB-2024-0312). Tous les participants ont donné un consentement éclairé écrit après avoir été informés de la portée de l’étude, de la nature volontaire de la participation, de l’utilisation de l’IA visuelle pour le suivi des émotions et des procédures de confidentialité des données. La participation pouvait être interrompue à tout moment sans pénalité. Les logiciels et équipements utilisés sont listés dans le tableau des matériaux.

1. Préparation à l’étude

1. Définition du calendrier opérationnel et du flux de bout en bout
   Deux points d’évaluation ont été fixés : T1 (avant intervention), immédiatement après le premier examen, et T2 (post-intervention), suite à un bref retour d’information donné par des instructeurs guidés par des indices émotionnels IA. Une simulation narrative était prévue après la période d’examen, et une seconde plusieurs jours plus tard pour évaluer les changements dans la façon d’adapter. Le pipeline de bout en bout, englobant l’entrée caméra de la classe, l’API de reconnaissance des émotions, les retours des enseignants, la collecte d’enquêtes, l’intégration et l’analyse des données, est illustré à la Figure 1A.
2. Recrutement et documentation des participants
   Un total de 347 participants ont été recrutés par inscription volontaire à partir de cours existants, dont 332 étudiants de premier cycle (âgés de 18 à 22 ans ; 140 hommes, 192 femmes) et 15 membres du corps enseignant (âgés de 27 à 45 ans ; 10 femmes, 5 hommes). Les répartitions par année académique et départements ont été enregistrées. Les données démographiques des élèves et du corps enseignant sont présentées respectivement dans les Tables 1 et 2.
3. Préparation des salles de classe et des matériaux
   Chaque pièce était équipée d’un ordinateur (Intel i5 ou supérieur, ≥ 8 Go de RAM), d’une webcam HD (≥ 720p) et d’une connectivité Internet stable (≥ 10 Mbps). La webcam était positionnée à hauteur des yeux sous un éclairage frontal uniforme afin d’assurer une visibilité faciale claire à ≥ 640 × 480 px. Un avis indiquait que le suivi émotionnel était actif. Le cadrage et l’éclairage étaient vérifiés avant chaque session, et la configuration logicielle était lancée une fois la stabilité de détection confirmée.

2. Configuration de l’IA visuelle

1. Fourniture du service de reconnaissance des émotions
   Un compte cloud a été créé, et l’API de reconnaissance des émotions a été activée. La clé API et l’URL du point de terminaison étaient générées, avec des identifiants stockés sous forme chiffrée sous contrôle d’accès basé sur le rôle. Pour la reproductibilité, Microsoft Azure Face API (Emotion, v3.2, région Asie de l’Est) a été utilisée. Le client s’est authentifié via HTTPS à l’aide d’un jeton porteur et a renvoyé des objets JSON par face contenant {faceId, faceRectangle, emotions : {colère, peur, tristesse, dégoût, bonheur, surprise, neutre}, horodatage} à environ 25-30 fps.
2. Connexion de la caméra et calibration de la détection
   Le flux webcam de la classe était lié au client API (Python ou REST). La fréquence d’échantillonnage était réglée à 25-30 fps avec une résolution d’images de 640 × 480 px. Un flux de test a été initié, et la connectivité confirmée en recevant une réponse HTTP 200 OK avec un JSON valide et horodaté. L’angle de caméra et l’éclairage étaient ajustés jusqu’à ce que les visages soient détectés dans la seconde suivant l’entrée de l’image. La position finale de la caméra et les paramètres d’éclairage ont été documentés. L’étalonnage était démontré par un écran de confirmation affichant les boîtes englobantes, l’indicateur 200 OK et les champs JSON, comme illustré à la Figure 1B.
3. Définition des seuils de classification et des règles de journalisation
   Chaque sortie JSON comprenait des horodatages ISO 8601, des étiquettes d’émotion et des valeurs de confiance. Un composite d’affect négatif par frame était défini comme la moyenne des scores de confiance {colère, peur, tristesse, dégoût}. Un drapeau de contrainte était déclenché lorsque le composite restait ≥ 0,75 pendant au moins 5 s (fenêtre roulante). Un pilote de 10 minutes a été effectué pour optimiser les seuils, visant un taux de faux positifs par session de ≤5 %. La journalisation était configurée pour agréger les résumés au niveau de la session au lieu de stocker des trames identifiables.
4. Mise en œuvre des contrôles de confidentialité et de minimisation des données
   Des identifiants pseudonymes (S001-S332 pour les étudiants et F001-F015 pour les enseignants) étaient attribués, le fichier de clé d’identification étant maintenu sur un serveur chiffré sous contrôle d’accès basé sur les rôles. La mise en cache vidéo locale a été désactivée. Lorsque la mise en cache temporaire était nécessaire pour l’assurance qualité, les trames mises en cache étaient supprimées dans les 24 heures suivant la vérification. La précision de détection par session, la latence moyenne et les taux d’erreur ont été enregistrés pour une présentation ultérieure dans la section Résultats.
5. Vérification de la préparation de l’IA (point de contrôle procédural)
   Une détection stable de visages à 25-30 fps, la réception de réponses HTTP 200 OK, des champs JSON valides, des paramètres de seuil documentés et un stockage sécurisé des identifiants ont été confirmés. L’ensemble du pipeline a été rapporté comme ayant passé les contrôles de préparation conformément à la représentation de calibration de la Figure 1B.

3. Administration des relevés

1. Configuration des instruments et des ancres
   Une échelle de Likert à 5 points a été utilisée pour mesurer la dépression, l’anxiété et le stress, en utilisant des items adaptés de DASS-21 pour s’aligner sur le contexte académique. Les codes d’article et les ancres suivaient la disposition des instruments présentée dans le Tableau 3.
2. Administration du T1 (pré-test)
   L’enquête a été administrée immédiatement après l’examen initial et avant tout retour informé par l’IA. Un formulaire en ligne sécurisé a été déployé, avec tous les champs définis comme obligatoires et les soumissions en double empêchées. Le jeu de données a été exporté au format CSV avec des champs pour l’identifiant du participant, le moment (T1) et les scores d’éléments.
3. Présentation de brefs retours de l’instructeur
   Dans les 24 heures suivant la T1, des conseils non cliniques ont été fournis aux étudiants identifiés par l’IA. Les retours comprenaient de courts exercices de relaxation (3 à 5 minutes), des ajustements du plan d’étude ou des suggestions de gestion du temps. Aucune note clinique n’a été enregistrée dans l’ensemble de données de recherche. Les étudiants présentant une détresse sévère ont été orientés vers les services de conseil du campus conformément à la politique de l’établissement.
4. Administration de T2 (post-test)
   La même enquête a été réappliquée après la deuxième session d’examen et les retours qui ont suivi. Les données ont été exportées au format CSV avec le point temporel (T2) et appariées aux réponses T1 à l’aide des identifiants des participants.
5. Verrouillage des données d’enquête (point de contrôle procédural)
   Les taux de réponse et les schémas de données manquants ont été vérifiés, et la base de données de l’enquête a été verrouillée avant la fusion des données. Des statistiques descriptives étaient prévues pour être incluses dans la section Résultats.

4. Exercices de simulation narrative

1. Exécution de la simulation 1
   Un scénario de stress académique a été présenté, décrivant des situations telles que recevoir une mauvaise note ou percevoir un retour injuste. Chaque élève devait choisir l’une des trois options de réponse suivantes : intérioriser sa frustration, blâmer publiquement l’enseignant, ou réfléchir et demander des clarifications. Une durée de 3 à 5 minutes a été allouée pour la sélection des réponses, suivie d’un raisonnement écrit de 150 à 200 mots. L’interface de simulation affichant l’invite de timing et les options de réponse est illustrée à la Figure 1C.
2. Réalisation de courtes interviews
   Immédiatement après la Simulation 1, de courtes interviews de 5 à 7 minutes ont été menées pour explorer les évaluations, les intentions d’adaptation et les déclencheurs émotionnels perçus des participants. Les notes d’entretien ont été enregistrées et liées aux identifiants des participants.
3. Exécution de la Simulation 2
   Une seconde simulation a été réalisée quelques jours plus tard, suivant la même procédure que la Simulation 1 mais en utilisant un scénario parallèle. Cette séance visait à observer les changements dans la conscience émotionnelle et les comportements d’adaptation. Le choix, la justification et les notes d’entretien ont été enregistrés comme dans la Simulation 1.
4. Confirmation des enregistrements de simulation (point de contrôle procédural)
   Chaque participant a été vérifié avec un choix enregistré, une justification contenant au moins 150 mots, et une note d’entretien correspondante. Un modèle de résumé de code a été préparé pour une analyse thématique ultérieure.

5. Exportation des journaux IA et fusion des jeux de données

1. Exportation des résumés d’émotions au niveau de la session
   Les résumés émotionnels au niveau de la session étaient exportés au format CSV, incluant l’identifiant du participant, l’identifiant de session, l’horodatage ISO 8601, l’étiquette émotionnelle, la valeur de confiance et l’indicateur de drapeau de stress. Les images vidéo brutes n’étaient pas sauvegardées.
2. Fusion des journaux IA avec des fichiers d’enquête
   Les fichiers journaux IA ont été fusionnés avec les ensembles de données d’enquêtes T1 et T2 en utilisant l’identifiant du participant et la date de la session comme variables clés. Des variables dérivées, telles que ΔAnxiety = Anxiety_T2 − Anxiety_T1, ont été calculées pour évaluer le changement au fil du temps. Un audit de 5 % des enregistrements fusionnés a été effectué afin de vérifier l’alignement des identifiants et la cohérence chronologique.
3. Confirmation de l’intégrité de la fusion (point de contrôle procédural)
   Une correspondance identique un-à-un et un ordre temporel correct, avec T1 précédant T2 pour chaque participant, ont été confirmés. Toute divergence identifiée a été résolue avant la réalisation d’une analyse statistique.

6. Analyse quantitative (flux de travail SPSS)

1. Importation des données et définition des variables
   Les fichiers de données étaient ouverts dans SPSS 27.0, et les ensembles de données CSV étaient importés. Des étiquettes et des types de variables ont été définis, et des règles de valeur manquante ont été établies. Les fichiers maîtres étaient sauvegardés dans .sav format pour des analyses ultérieures.
2. Évaluation de la fiabilité et des statistiques descriptives
   Le α de Cronbach a été calculé pour chaque construction afin d’évaluer la cohérence interne. Des statistiques descriptives, y compris la moyenne (M) et l’écart-type (SD), ont été générées pour toutes les variables. Les résultats ainsi produits ont été conservés pour inclusion dans la section Résultats.
3. Exécution des tests t à échantillons appariés
   Des tests t par échantillons appariés ont été réalisés pour comparer les scores de T1 et T2 pour l’anxiété, la dépression et le stress. Les résultats comprenaient t, degrés de liberté (df), valeur p, d de Cohen et intervalle de confiance (IC) à 95 %, tous présentés dans la section Résultats.
4. Exécution de mesures répétées à ANOVA
   Le temps (T1, T2) était spécifié comme un facteur dans le sujet dans une ANOVA à mesures répétées. Le test de sphéricité de Mauchly a été évalué, et la correction Greenhouse-Geisser a été appliquée lorsque les hypothèses ont été violées. L’analyse a rapporté des valeurs de F, df, p, η² et 95 % d’IC pour inclusion dans les résultats.
5. Ajustement de multiples modèles de régression linéaire
   Plusieurs modèles de régression linéaire ont été ajustés avec des résultats de T2 régressés sur les scores de T1, le taux de drapeau de stress de l’IA et le choix narratif (codés par dummy). Les résultats du modèle ont été résumés par rapport β, erreur standard (SE), valeur t, valeur p et^{R 2}.
6. Maintien des normes d’unité et de notation
   Toutes les valeurs numériques respectaient les conventions d’unités SI, avec un espace entre le nombre et l’unité (par exemple, 10 min, 25 fps, 640 × 480 px). Les équations étaient insérées à l’aide de l’outil Équation de Word lorsque cela était approprié, et la notation statistique était maintenue cohérente dans toutes les sections.

7. Flux de travail d’analyse thématique

1. Assemblage du corpus qualitatif
   Les notes d’entretien ont été transcrites, et les justifications narratives ont été compilées dans un seul corpus identifié par l’identifiant du participant et le moment (Sim1 ou Sim2). Ce corpus a servi de jeu de données pour l’analyse qualitative.
2. Développement du code et formation des codeurs
   Un codebook a été développé axé sur l’engagement émotionnel, la qualité de la prise de décision et les indicateurs d’intelligence émotionnelle, incluant la conscience de soi, l’empathie et la régulation émotionnelle. Deux codeurs ont été formés sur 10 % du corpus afin d’assurer une interprétation cohérente des codes et des critères analytiques.
3. Établissement de la fiabilité des interrateurs et complétion du codage
   La fiabilité de l’interrateur a été évaluée avec une cible κ de Cohen d’au moins 0,75. Toute incohérence a été discutée et résolue avant de finaliser le codebook. Le reste du corpus a ensuite été entièrement codé. Les fréquences thématiques ont été résumées, et une carte thématique représentative a été préparée pour la présentation dans la section Résultats. Une citation représentative a été choisie pour illustrer chaque thème central.

8. Contrôle qualité, dépannage et archivage

1. Résolution des questions techniques
   Lorsque les taux de détection faciale étaient faibles, l’éclairage frontal était amélioré et l’angle de la caméra ajusté. Les fréquences d’images par seconde ont été vérifiées pour rester entre 25 et 30 fps. Dans les cas où des drapeaux de contrainte excessifs ont été observés, le seuil de détection a été augmenté à 0,80 ou la fenêtre de détection a été prolongée à au moins 8 s pour stabiliser les résultats.
2. Garantie de la cohérence des données
   Les identifiants des participants et les points horaires ont été validés avant l’analyse des données. Les codeurs étaient recalibrés après chaque 50 transcriptions pour éviter les dérives de codage. Une liste de contrôle de contrôle qualité au niveau de la session était tenue et signée à la fois par le chef de session et le responsable des données afin de documenter l’intégrité procédurale.
3. Archivage des ensembles de données et de la documentation
   Tous les fichiers analytiques ont été désidentifiés en remplaçant les identifiants directs par des identifiants de participant. Les formulaires de consentement étaient stockés séparément des données de recherche. Les ensembles de données finaux, les fichiers de syntaxe SPSS, les livres de codes et les journaux de contrôle qualité étaient archivés sur un serveur sécurisé en accès restreint.

Résultats

Analyse descriptive

Les comparaisons pré-post-postérieur ont indiqué des baisses constantes de l’effet indésirable après la mise en œuvre. Les moyennes post-test ont diminué à 2,87 pour l’anxiété, 2,74 pour la dépression et 2,69 pour le stress, contre des moyennes pré-test de 3,25, 3,11 et 3,08 respectivement (Figure 2). Les résultats descriptifs sont résumés dans le tableau 4, et la structure des...

Discussion

L’étude démontre que lorsque la simulation narrative est combinée à l’IA visuelle, la conscience émotionnelle devient un processus partagé plutôt qu’une intervention unidirectionnelle. Les étudiants ne se contentaient pas de répondre à un outil numérique ; Ils s’engageaient dans une réflexion émotionnelle structurée qui reliait l’évaluation cognitive à l’expérience incarnée. À travers l’ensemble de données, les résultats quantitatifs et qualitatifs ont révélé un schéma constant de réduct...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Matériel	Caméra de reconnaissance faciale	Logitech (ou similaire)	C920 HD Webcam
Instrument	Collection de transcriptions d’entretiens	Entrée manuelle	Enregistrements audio/texte
Questionnaire	Échelle DASS-21 modifiée	Adapté par les auteurs	Format Likert à 5 points
Logiciels	Microsoft Azure Emotion API	Microsoft	Emotion API v3 (Cloud)
Logiciels	Statistiques SPSS	IBM	Version 26
Logiciels	Système de simulation narrative	Auto-développé	Web (HTML5)
Plateforme système	Système de gestion de l’enseignement universitaire	Plateforme interne	Intégré au module IA