Article de recherche

Plateforme musicale d’intelligence artificielle pour les étudiants en piano améliore l’apprentissage et réduit l’anxiété : étude randomisée avec des indices de variabilité de la fréquence cardiaque

246 vues

⸱

DOI :

10.3791/69106

⸱

21 avril 2026

1School of Arts, Jingchu Technology University

Dans cet article

Résumé

Ce protocole décrit un flux de travail aléatoire dans lequel une plateforme d’éducation musicale pilotée par l’IA, avec micro-interventions informées par la VFC et un retour d’information basé sur la visualisation, est utilisée pour améliorer l’apprentissage de la théorie musicale et réduire l’anxiété d’état chez les étudiants de premier cycle en piano.

Résumé

L’intelligence artificielle (IA) est de plus en plus appliquée en pédagogie musicale, mais les flux de travail reproductibles qui évaluent conjointement l’acquisition des connaissances et la régulation de l’anxiété restent limités. Ce protocole décrit un flux de travail contrôlé et aléatoire pour mettre en œuvre une plateforme d’éducation musicale pilotée par IA dans l’enseignement régulier en studio et évaluer ses effets chez les étudiants en piano. Les participants sont sélectionnés et répartis aléatoirement à une plateforme pilotée par l’IA ou à un enseignement traditionnel pendant 2 semaines (douze sessions de 30 minutes). Les résultats incluent un test structuré de théorie/analyse musicale ainsi que l’Inventaire d’Anxiété des Traits d’État–État (STAI-S ; 20 items, échelle de 4 points ; total 20–80). La variabilité de la fréquence cardiaque (VFC) est enregistrée lors d’un repos assis de 5 minutes et d’un segment de pratique standardisée de 5 minutes ; les indices principaux incluent la racine quadratique moyenne des différences successives des intervalles normaux à normaux (RMSSD ; activité vagale à court terme), l’écart-type des intervalles normaux à normaux (SDNN ; variabilité globale) et la puissance haute fréquence (HF) (composante spectrale parasympathique). Le protocole permet aux instructeurs et chercheurs de déployer la plateforme et de suivre une séquence standardisée couvrant le filtrage des participants, l’exécution de la randomisation, la configuration/mise en place/configuration de la plateforme, le placement et l’enregistrement des capteurs HRV, la gestion des artefacts et le calcul HRV, l’administration/le notation de toutes les mesures de résultats, ainsi que l’exportation finale des données, la nomination des fichiers et le stockage sécurisé pour l’analyse statistique. Les analyses utilisent des tests t à échantillons indépendants et l’analyse de la covariance (ANCOVA) avec la référence comme covariable. Les résultats représentatifs montrent une performance théorique post-test ajustée plus élevée dans le bras piloté par l’IA (ηpartiel 2 = 0,206) et une anxiété post-intervention plus faible (t(38) = −3,486, p = 0,001 ; La d de Cohen ≈ 1,10) par rapport aux témoins, les schémas de VFC fournissant un contexte physiologique et des résultats de charge cognitive secondaires indiquant une réduction de la charge extrane.

Introduction

Dans l’enseignement supérieur musical contemporain, les objectifs pédagogiques vont au-delà de la transmission des connaissances pour inclure le bien-être psychologique des étudiants et le développement durable en tant qu’interprètes. Les étudiants en piano s’entraînent régulièrement sous la pression répétée des jurys, des concours, des auditions et des récitals publics, où l’anxiété peut perturber le contrôle de l’attention et dégrader la qualité de la performance1.

L’anxiété de performance musicale (MPA) et l’anxiété liée à l’examen sont systématiquement rapportées dans des échantillons de conservatoires et d’universités, et des estimations élevées de prévalence ont été documentées dans différentes cohortes et approchesde mesure 2. Au-delà de la détresse subjective, l’anxiété est associée à une excitation physiologique, une distraction attentionnelle et une auto-efficacité réduite, ce qui peut se traduire par une instabilité de la hauteur et du timing et une performance irrégulière dans l’évaluation3.

Les avancées récentes en intelligence artificielle (IA) offrent une voie vers un soutien plus ciblé dans ce contexte. La personnalisation pilotée par l’IA peut adapter la difficulté, le rythme et les retours du contenu aux besoins évolutifs des apprenants et peut réduire la dépendance à un enseignement universel dans l’enseignement enstudio 4. Parallèlement, l’informatique affective peut déduire des états émotionnels momentanés à partir d’indices multimodaux (par exemple, expressions faciales, parole et signaux physiologiques), permettant au système de répondre aux fluctuations d’anxiété pendant lapratique 5.

Un marqueur physiologique clé dans ce domaine est la variabilité de la fréquence cardiaque (VRFC), couramment utilisée comme indice non invasif lié à la régulation autonome et à la réactivitéau stress 6. Lorsqu’ils sont intégrés dans l’enseignement, les incitations informées par la VRC peuvent soutenir des micro-interventions juste-à-temps (par exemple, des signaux de respiration rapide ou de pleine conscience) visant à réduire l’anxiété aiguë de l’état d’anxiété pendantla pratique 7.

Un second pilier de conception est le retour d’information basé sur la visualisation. Des tableaux de bord affichant des courbes de progression, des cartes de localisation des erreurs ou des indicateurs informés par la VFC peuvent renforcer l’auto-surveillance et la corégulation enseignant-élève en rendant le comportement pratique et la charge cognitivo-affective plustransparents 8. D’un point de vue scientifique de l’apprentissage, ces choix de conception s’alignent avec la théorie de la charge cognitive, qui met l’accent sur la réduction de la charge superflue grâce à une présentation simplifiée, une segmentation et une conception par rétroaction, tout en soutenant la construction de schémas via un traitement pertinent9.

Malgré le développement rapide des outils d’apprentissage musical basés sur l’IA, relativement peu d’études dans l’enseignement supérieur de la musique intègrent la personnalisation pilotée par l’IA, la surveillance physiologique (HRV) et le retour d’information basé sur la visualisation au sein d’une seule plateforme et évaluent le flux de travail complet dans des conditionsaléatoires 10. De plus, de nombreux rapports mettent l’accent sur les résultats sans spécifier des procédures filmables au niveau des paramètres pour l’enregistrement des capteurs, la gestion des artefacts et l’exportation des données, limitant ainsi la reproductibilité et la réplication inter-sites. Le présent travail comble cette lacune en présentant un protocole étape par étape pour déployer une plateforme d’éducation musicale pilotée par IA dans les routines de classe en studio et en évaluant ses effets sur la réussite en théorie/analyse musicale et l’anxiété d’état (STAI-S), avec des indices de VFC enregistrés lors des segments standardisés de repos et de pratique afin de fournir un contexte physiologique.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Le protocole d’étude a été approuvé par le Conseil d’Éthique Institutionnelle de l’École des Arts de l’Université Technologique Jingchu (Approbation n° : JCTU-ARTS-2025-013). Un consentement éclairé écrit a été obtenu de tous les participants avant l’inscription.

Inscription des participants
Obtenez un consentement éclairé écrit avant l’inscription, après que chaque participant potentiel ait reçu une explication écrite et orale des objectifs de l’étude, des procédures, des risques et bénéfices potentiels, de la confidentialité et des modalités de gestion des données. Stockez les formulaires de consentement signés séparément des données de recherche dans une armoire verrouillée ou dans une archive numérique chiffrée avec un accès restreint limité au chercheur principal et à un gestionnaire de données désigné. Notez le numéro d’approbation, la date d’approbation et la date de consentement de chaque participant dans un journal d’étude afin de soutenir une déclaration et une réplicationtransparentes 11. Enregistrez le protocole de l’étude dans un registre d’essais approprié si la politique institutionnelle ou les directives de la revue l’exigeant, et notez l’identifiant d’enregistrement et la date d’enregistrement dans le registre12 de l’étude.

Éligibilité des participants et recrutement
Sélectionner et recruter les participants
Recrutez 40 étudiants de premier cycle en piano âgés de 18 à 22 ans issus d’un conservatoire ou d’un programme universitaire de musique, visant un ratio hommes-femmes approximativement équilibré avec un écart ciblé d’au plus 60:40. Vérifiez que chaque candidat a complété au moins 6 mois d’études formelles de piano, sait lire couramment la notation en portée et possède des connaissances introductives en théorie musicale suffisantes pour réussir le test de référence. Invitez les candidats intéressés à une visite de sélection et fournissez des informations écrites d’étude décrivant les engagements de temps, les procédures de collecte de données et les protections de confidentialité au moins 24 heures avant le filtrage.

Critères d’inclusion pour appliquer
Administrez le questionnaire sur le trouble anxieux généralisé-7 (GAD-7) à chaque candidat et notez-le selon le manueld’instruments 13. Réalisez un bref entretien semi-structuré de 5 à 8 minutes afin de confirmer que le candidat comprend les instructions, tolère les procédures et assiste à toutes les séances. Inclure les participants uniquement si tous les critères sont remplis : 18–22 ans, au moins 6 mois de formation formelle au piano, score GAD-7 entre 5 et 14, indiquant une anxiété légère àmodérée 14, volonté de suivre toutes les procédures d’intervention et d’évaluation, et fourniture d’un consentement éclairé écrit.

Appliquer les critères d’exclusion
Excluez les candidats présentant actuellement des troubles mentaux graves ou un traitement psychiatrique en cours qui pourrait interférer avec la participation ou la validité des résultats. Excluez les candidats ayant participé à des études similaires de formation musicale pilotées par IA au cours des trois derniers mois, définies comme toute étude d’intervention impliquant des conseils de pratique pilotés par algorithmes ou un retour automatisé pendant ≥3 sessions. Excluez les candidats qui ne connaissent pas le répertoire cible et ne peuvent pas obtenir une performance de base stable après une période de familiarisation standardisée de 15 minutes avec l’extrait. Excluez les candidats présentant des troubles moteurs majeurs, visuels ou auditifs qui pourraient interférer avec la performance au piano ou l’enregistrement de la variabilité de la fréquence cardiaque (VFC). Envisagez d’exclure les candidats présentant des conditions ou des facteurs compromettant substantiellement la qualité de la mesure de la VRC (par exemple, arythmies connues, pacemakers implantés ou médicaments affectant fortement la fonction autonome), et documentez la justification dans le journal de dépistagelorsque cela est applicable 15. Documentez toutes les décisions d’inclusion et d’exclusion, y compris les raisons de l’exclusion, dans un journal de sélection identifié par des identifiants anonymisés des participants, et stockez le journal séparément des données des résultats.

Aléatoire et dissimulation d’allocation
Préparation de la séquence de randomisation
Utilisez un logiciel statistique pour générer une séquence de randomisation 1:1 par blocs permutés assignant les participants au bras expérimental (plateforme pilotée par l’IA) ou au bras de contrôle (instruction traditionnelle). Prédéfinissez la taille du bloc utilisée pour les blocs permutés à 4, et enregistrez le nom du logiciel, la version et une valeur de graine aléatoire fixe de 20250113 dans un journal de randomisation pour garantir lareproductibilité 16. Assurez-vous que le chercheur qui génère la séquence n’est pas impliqué dans l’évaluation des participants, la notation des résultats ou l’enseignement. Imprimez les devoirs de groupe individuels sur des papiers identiques (environ 5 cm x 2 cm) et placez chaque devoir dans une enveloppe opaque, scellée numérotée séquentiellement. Consignez les détails de préparation de l’enveloppe dans un journal d’audit (date, préparateur, enveloppes totales = 40) et stockez le journal d’audit séparément des données de résultat.

Mise en œuvre de la dissimulation de l’allocation
Stockez les enveloppes scellées dans un lieu sécurisé accessible uniquement au personnel responsable de l’affectation. À la fin de la session de référence de chaque participant, récupérez l’enveloppe suivante dans l’ordre numérique. Ouvrez l’enveloppe en présence du participant et enregistrez l’allocation révélée dans un journal d’allocation (identifiant du participant, numéro d’enveloppe, date/heure, signature de l’allocateur). Gardez toutes les enveloppes restantes scellées jusqu’à utilisation afin de préserver la dissimulation des allocations.

Maintien de l’aveuglement des évaluateurs de performance
Attribuer à chaque participant un identifiant anonymisé qui ne codera pas l’allocation de groupes en utilisant le format P001–P040. Étiquetez tous les enregistrements audio et vidéo uniquement avec l’identifiant du participant et le moment (avant ou après l’intervention). Fournir aux évaluateurs de performance un ensemble d’enregistrements désidentifiés et contrebalancés, ne contenant aucune information sur l’allocation des groupes et avec les métadonnées de fichiers supprimées avant le partage.

Répertoire et mise en scène
Sélection du répertoire cible
Utilisez la Sonate pour piano en sol majeur, K.283, Mouvement II (Andante) de Mozart comme pièce d’entraînement et d’évaluation courante. Utilisez les mesures 1 à 32 comme extrait standardisé pour la formation et l’évaluation, et confirmez que cette longueur et cette difficulté d’extrait conviennent aux majeurs piano de niveau intermédiaire, permettant des objectifs de tempo stables et des exigences de phrasé cohérentes sur les sessions17.

Normalisation du cadre physique
Tenir toutes les sessions dans un studio calme avec un éclairage stable et une température maintenue à 22 ± 1 °C. Placez un piano numérique à touches lestées ou un piano acoustique avec une action de touche comparable dans une pièce fixe et maintenez la hauteur du banc constante pour chaque participant au fil des visites. Placez un microphone à 0,8 m de l’instrument à une hauteur fixe de 1,2 m, incliné de 45° vers la table d’harmonie ou le clavier pour capter un signal clair sans découpage. Montez une caméra sur un trépied à 1,8 m de l’interprète à une hauteur de 1,4 m, en capturant les mains et le haut du corps à un angle constant sur toutes les séances.

Étalonnage de l’équipement avant chaque jour d’essai
Réglez et testez le volume du métronome de façon à ce qu’il soit clairement audible pour le participant sans dominer l’enregistrement audio, visant un niveau de lecture d’environ 60 à 65 dB à la position banc. Ajustez le gain d’enregistrement sur l’interface audio ou le dispositif d’enregistrement pour éviter le clipping tout en préservant un rapport signal sur bruit élevé, en visant des niveaux de pic entre −12 dB et −6 dB lors des passages fortes. Vérifiez le cadrage et la mise au point de la caméra pour vous assurer que le clavier, les mains et le haut du torse sont toujours bien visibles. Vérifiez la connectivité des dispositifs HRV et la qualité du signal en observant l’affichage en temps réel et en confirmant la détection stable des intervalles R–R (ou une forme d’onde ECG stable) pendant au moins 30 secondes avant de commencer la collecte des données. Si le clipping audio survient, réduisez le gain d’entrée de 3 à 6 dB, répétez un enregistrement test de 10 s, et ne continuez que lorsque les niveaux de pic restent en dessous du seuil de saturation. Si la détection R–R est instable, augmentez le contact cutané en serrant la ceinture thoracique et en humidifiant les coussinets de contact (ou repositionnez les électrodes ECG selon les indications du fabricant), répétez la vérification du signal à 30 s, et ne procédez qu’après l’obtention d’une trace stable.

Mesures de résultat
Connaissance et analyse (résultat cognitif principal)
Développer deux formes parallèles (Forme A et Forme B) d’un test structuré de théorie musicale et d’analyse de pièces, apparié sur les domaines de contenu et la difficulté18. Inclure 20 items couvrant l’harmonie (8 items), la segmentation rythmique (4 items), la reconnaissance motivique (4 items) et l’analyse formelle (4 items) du répertoire cible et des matériaux associés. À chaque moment d’évaluation, asseoir le participant seul dans une salle calme et fournir soit la Forme A (base) soit la Forme B (post-test), selon un calendrier prédéfini. Demandez au participant de terminer le test dans les 30 minutes sans utiliser d’instruments, de manuels ou d’aides électroniques. Récupérez la feuille de réponses à la fin du test et notez le temps de complétion en minutes. Notez chaque réponse à l’aide d’une clé de réponses standardisée et calculez le score total de précision (0–100) comme principal résultat cognitif, attribuant 5 points par item. Stockez le score total et le temps de complétion sous l’identifiant anonymisé du participant.

Grille d’évaluation de performance (résultat de compétence secondaire)
Enregistrez une performance audio-vidéo de l’extrait ciblé pour chaque participant, avant et après l’intervention, en utilisant l’instrument standardisé, le placement du microphone et l’angle de la caméra. Utilisez une grille d’évaluation de performance en quatre dimensions : fluidité mélodique, précision rythmique, coordination et technique, et interprétation expressive. Évaluez chaque dimension sur une échelle de 1 à 5 pour obtenir un score total entre 4 et 20. Former au moins deux évaluateurs indépendants à l’aide d’un document d’évaluation détaillé et d’un ensemble de 6 enregistrements pilotes (3 enregistrements de référence et 3 enregistrements post-test d’étudiants non étudiants) jusqu’à ce qu’un accord acceptable soit atteint sur toutes les dimensions. Fournir aux évaluateurs l’ensemble complet des enregistrements identifiés uniquement par identifiant anonymisé et point temporel, sans informations de groupe. Demandez aux évaluateurs d’évaluer les enregistrements de manière indépendante et d’enregistrer leurs scores dans une feuille de notation sécurisée ou une base de données. Identifier toute divergence supérieure à 2 points sur une même dimension et les résoudre par discussion ; Si un consensus ne peut être atteint, obtenir le jugement d’un troisième évaluateur. Avant le score complet, estimez la fiabilité inter-évaluateurs en utilisant le coefficient de corrélation intraclasse (ICC) sur les 6 enregistrements pilotes et confirmez que l’ICC est au moins 0,8019. Résumez les scores de grilles au niveau des groupes (totaux et quatre dimensions) au pré-test et post-test dans le Tableau Supplémentaire 1, et rapportez les statistiques de fiabilité interévaluateurs (ICC avec intervalles de confiance à 95 %) dans le Tableau Supplémentaire 2.

Anxiété de l’état et variabilité de la fréquence cardiaque (résultats affectifs/physiologiques secondaires)
Administrez l’Inventaire d’Anxiété État-Trait – État (STAI-S ; 20 items, échelle de Likert à 4 points, score total 20–80) à la fois avant et aprèsintervention 20. Demandez aux participants de répondre en fonction de ce que vous ressentez et de répondre à tous les points. Vérifiez chaque questionnaire pour détecter des réponses manquantes et, si nécessaire, demandez au participant de remplir les éléments omis avant de partir. Calculez le score total STAI-S selon le manuel des instruments. Si un sous-ensemble validé de 10 items ou un format adapté est utilisé pour la visualisation ou une analyse exploratoire, documentez la règle d’adaptation et de sélection, fournissez la justification et les références, et rapportez les α de Cronbach pour l’échelle complète et le sous-ensemble dans lesrésultats 21. Demandez aux participants de s’abstenir d’exercice intense, de caféine et de repas copieux pendant au moins 2 heures avant l’enregistrement de la VFC et d’éviter l’alcool pendant au moins 12 heures avant chaque visite ; Confirmez la conformité verbalement et notez la conformité comme oui/non dans le journalde session 22. Enregistrer la VFC en utilisant soit (i) un capteur ECG à ceinture thoracique, soit (ii) un système ECG à trois dérivations. Utilisez des intervalles R–R dérivés de l’ECG avec une fréquence d’échantillonnage de 1000 Hz pour tous les enregistrements, et notez la modalité (ECG), la fréquence d’échantillonnage (1000 Hz) et la date/heure d’enregistrement dans le journal de session. Pour l’enregistrement avec la sangle thoracique, positionner la sangle au niveau du processus xiphoïde avec un contact ferme de la peau ; pour l’enregistrement ECG, placez les électrodes dans une configuration standard en plomb II et vérifiez la détection stable des ondes R avant de commencer. Pour la VFC au repos, asseoir confortablement le participant avec les pieds à plat sur le sol et les mains posées sur les cuisses ; Instruire un éveil silencieux avec un minimum de mouvement et sans parler pendant 5 minutes ; Commencez l’enregistrement après une période de stabilisation de 60 s et analysez le segment suivant de 300 s.

Pour la pratique de la VFC, il faut instruire le participant à exécuter le passage cible pendant 5 minutes à un tempo fixe de 76 battements par minute et une cible dynamique fixe de mezzo-forte ; Utilisez un métronome pour maintenir le tempo et commencez l’analyse après les 30 premiers s, en analysant le segment suivant de 270 s. Après chaque enregistrement, exportez la série brute d’intervalles R–R sous forme de fichier de valeurs séparées par des virgules (CSV) contenant au moins deux champs (horodatage en ms ; intervalle R–R en ms), et inspecter la trace à l’aide du logiciel d’enregistrement et de l’inspection visuelle pour identifier la perte de signal, les artefacts et les battements ectopiques.

Appliquez un flux de travail de correction d’artefacts prédéfini et notez la proportion de battements corrigés pour chaque segment dans le journalde session 23.
Règle de détection des artefacts : signaler un intervalle R–R comme un artefact s’il dévie de plus de 20 % de la médiane des 5 intervalles normaux précédents, ou si les valeurs absolues R–R dépassent les 300–2000 ms. Méthode de correction : remplacer les intervalles signalés par l’interpolation cubi-spline des intervalles normaux adjacents après avoir retiré les battements ectopiques.
Seuil de contrôle qualité : répétez le segment d’enregistrement si la proportion de temps corrigé dépasse 5,0 % ou s’il y a une perte de signal continue de plus de 5 s.


Calculez les indices du domaine temporel, y compris RMSSD et SDNN, à l’aide du logiciel d’analyse version 1.3.0, et stockez les sorties dans un fichier de résultats structuré (CSV) lié à l’identifiant du participant, au moment et au type de segment (repos ou entraînement). Calculer les indices du domaine fréquentiel incluant la puissance HF dans la bande 0,15–0,40 Hz en utilisant un périodogramme de Welch avec une fenêtre de 120 s, un chevauchement de 50 %, une fenêtre de Hamming de 50 %, et un rééchantillonnage à 4 Hz de la série R–R interpolée ; rapporter HF dans ms2, et transformer logartharitmique HF avant l’analyse inférentielle. Calculez éventuellement la puissance LF (0,04–0,15 Hz) et le rapport LF/HF et rapportez-les de manière descriptive avec la prudenceappropriée 24.

Charge cognitive (résultat secondaire exploratoire)
Administrez le questionnaire de charge cognitive multidimensionnelle développé par Leppink et ses collègues lors du testpost-test 25. Présentez les 10 éléments formant trois sous-échelles : charge superflue (3 éléments), charge intrinsèque (3 éléments) et charge pertinente (4 éléments), chacun évalué sur une échelle de Likert à 7 points allant de 1 (fortement en désaccord) à 7 (fortement d’accord). Pour chaque sous-échelle, calculez la moyenne des éléments correspondants afin d’obtenir un score de sous-échelle entre 1 et 7 ; considérez les valeurs manquantes comme invalides et exigez des réponses complètes pour la notation. Interpréter une charge extranée plus élevée comme un traitement irrelevant plus important, une charge intrinsèque plus élevée comme une complexité inhérente de tâche plus grande, et une charge pertinente plus élevée comme un effort productif de construction de schéma plus grand. Lors de l’utilisation d’une version non anglaise, effectuer une traduction et une rétrotraduction par deux experts bilingues indépendants, tester l’instrument traduit dans 10 étudiants non étudiants, et calculer les α de Cronbach pour chaque sous-échelle ; adopter α ≥ 0,70 comme critèred’adéquation 26. Rapportez les valeurs de α spécifiques à chaque sous-échelle dans les résultats et analysez séparément les trois sous-échelles, en appliquant l’ajustement de Holm–Bonferroni pour des comparaisons multiples avec un α familial = 0,0527. Si désiré, on dérive un indice composite de charge cognitive comme moyenne arithmétique des 10 éléments.

Référence (pré-test ; Semaine 1)
Confirmez l’éligibilité et le consentement éclairé au début de la séance de référence et attribuez au participant une pièce d’identité anonymisée. Consignez les informations démographiques et l’historique de formation, y compris l’âge, le sexe, les années d’étude du piano et les heures de pratique hebdomadaires typiques, sous forme de données de référence. Administrez le test de connaissance et d’analyse (Formulaire A) dans un environnement calme, respectez la limite de temps de 30 minutes, et notez le score total et le temps d’achèvement sous l’ID du participant. Attachez le capteur de VFC et enregistrez un segment de VFC au repos de 5 minutes, suivi d’un segment standardisé de 5 minutes de pratique de l’extrait de cible à 76 battements par minute et d’une cible dynamique mezzo-forte.

Surveillez la qualité du signal lors de l’acquisition et répétez tout segment présentant des artefacts excessifs après avoir ajusté la tension de la sangle ou le placement des électrodes ; Répétez lorsque la proportion de temps corrigé dépasse 5,0 % ou lorsque la perte de signal continue dépasse 5 s, et documentez la répétition ainsi que la raison dans le journal de session. Résumez les indicateurs de qualité des données de la VFC (proportion de battements corrigée par artefacts, segments répétés et exclusions) dans le Tableau Supplémentaire 3. Administrez le STAI-S et calculez le score total (20–80) selon la clé de notation. Enregistrez une performance audio-vidéo de base de l’extrait cible en utilisant l’instrument, le microphone et la caméra prédéfinis, en assurant un cadrage et des niveaux audio cohérents. Étiquetez tous les fichiers de données (tests, enregistrements HRV, questionnaires et vidéos de performance) avec un identifiant de participant anonymisé et l’indicateur pré-timepoint, et stockez-les dans un répertoire sécurisé, contrôlé par l’accès et sauvegardé en utilisant la convention de nommage suivante : P###_TP(pré/post)_MOD(test/HRVrest/HRVprac/STAI/perf)_YYYYMMDD_HHMM28.

Séances d’intervention (semaines 2–3)
Programmation
Prévoyez 12 séances supervisées de 30 minutes pour chaque participant du groupe expérimental sur une période de 2 semaines. Programmez les séances à des heures relativement constantes pour chaque participant dans une fenêtre fixe de ±2 heures par rapport à l’heure de début de la première séance, et notez l’heure de début et la fin de chaque séance afin de réduire et quantifier la variation diurne de la VRC et de l’anxiété. Notez la fréquentation, les raisons des séances manquées ou reprogrammées, ainsi que toute déviation de protocole dans un journal d’adhésion. Standardisez les conditions pré-séance en confirmant que les participants ont respecté les restrictions préalables à l’enregistrement concernant la caféine, l’exercice vigoureux, les repas abondants et l’alcool, et notez la conformité comme oui/non avec de brèves notes au29e niveau.

Bras expérimental : plateforme assistée par IA (Figure 1)
Au début de chaque session, demandez au participant de se connecter à la plateforme IA en utilisant l’identifiant anonymisé, et de confirmer qu’aucune information personnelle identifiable n’est affichée dans l’interface. Chargez l’extrait de sonate de Mozart dans l’interface interactive de la partition et vérifiez que la pièce correcte, les limites de l’extrait (mesures 1 à 32) et les réglages de difficulté sont affichés. Configurez la plateforme pour enregistrer la télémétrie d’entraînement au niveau de la note et de la mesure, y compris la précision de la hauteur ( %), la déviation du timing d’entrée (ms), la dérive du tempo par rapport au métronome ( %), les emplacements d’erreur au niveau de la barre, et le nombre de répétitions pour chaque segment bouclé ; réglez l’intervalle de mise à jour de la télémétrie à 200 ms et l’intervalle d’agrégation au niveau de la barre à 1 barre. Effectuez une relecture calibrée de 45 secondes de l’extrait pour confirmer que la plateforme capture les événements de notes et aligne les notes détectées avec les positions de score ; Répéter l’étalonnage si les erreurs d’alignement dépassent l’une des tolérances suivantes : décalage de début médian supérieur à 80 ms sur une fenêtre de 10 notes, ou désalignement répété au niveau de la barre sur 2 barres consécutives.

Activez le module d’entraînement personnalisé afin qu’il intègre les fonctionnalités de performance en cours de session et génère des objectifs segments selon une règle fixe : sélectionnez les deux mesures avec le score d’erreur combiné le plus élevé, où le score d’erreur combiné = 0,5 x taux d’erreur de hauteur + 0,3 x écart absolu de timing + 0,2 x dérive de tempo ; Enregistrez les barres sélectionnées et les trois principaux pilotes d’erreur dans le journal de session. Demandez au participant de pratiquer des segments ciblés pendant que la partition interactive met en évidence les notes en temps réel, supporte la boucle de passages difficiles et joue des exemplaires MIDI de segments cibles au tempo cible (76 bpm) et à un tempo réduit de 60 bpm pour l’échafaudage. Allouez du temps de session selon une structure fixe et notez les minutes réalisées pour chaque phase : 3 minutes de connexion/calibration, 21 minutes de pratique segmentée ciblée, 5 minutes de réflexion avec le partenaire de conversation (Section 7.3), et 1 minute de conclusion/export et notes30.

Partenaire de pratique conversationnelle
Activez le partenaire de pratique conversationnel alimenté par un grand modèle de langage (LLM) via une connexion API sécurisée, et enregistrez la version du modèle sous le nom de LLM-PracticePartner v2.1 (build 2025-01-15), le type d’inférence du point de terminaison comme cloud, et la méthode de contrôle d’accès comme authentification basée sur un jeton dans le journal d’étude. Configurez le partenaire avec une invite système fixe qui limite les sorties à du contenu lié à la pratique (phrasés, intentions de couleur de ton, décisions de pédalage, diagnostic d’erreurs et suggestions d’étape suivante), et désactivez toutes les fonctions qui demandent des données personnelles.

Après chaque segment de pratique ciblé, incitez le participant à décrire les choix de formulation, les intentions de couleur de ton, les décisions de pédalage, les difficultés perçues et le niveau d’anxiété perçu sur une échelle d’auto-rapport de 0 à 10, et consignez les réponses sous forme de champs structurés dans le journal de séance. Configurez le partenaire pour qu’il renvoie de courtes suggestions spécifiques à chaque segment, alignées sur les objectifs actuels, en utilisant des paramètres de génération fixes : longueur maximale de réponse 80 mots, maximum 2 tours par segment, température 0,2, et délai d’attente de réponse de 2 s ; Notez le nombre d’échanges et la durée totale des dialogues par session. Assurez-vous que le temps de dialogue reste secondaire par rapport au jeu en limitant le temps total de dialogue par session à 6 minutes et en faisant respecter ce plafond en désactivant les autres invitations une fois ce plafond atteint.

Confidentialité et sécurité : stocker les journaux de conversation à l’aide d’identifiants anonymisés, chiffrer en transit avec TLS 1.2 ou ultérieur et au repos avec AES-256, restreindre l’accès uniquement au personnel autorisé, fixer la conservation brute des transcriptions à 24 mois, et enregistrer la date de suppression de chaque transcription de chaque participant définie dans le plan de gestiondes données 31.

Reconnaissance multimodale des émotions et micro-interventions
Activez le module multimodal de reconnaissance des émotions et enregistrez les modalités d’entrée ainsi que les taux d’échantillonnage/mise à jour dans le journal de session comme suit : vidéo faciale à 30 images par seconde, audio vocal à 16 kHz mono, et flux HRV mis à jour à 1 Hz en utilisant des intervalles R–R dérivés de l’ECG. Définir une contrainte élevée en utilisant une logique de déclenchement prédéfinie et enregistrer les paramètres exacts.
Déclencheur HRV : Le RMSSD tombe d’au moins 1 écart-type de référence dans la ligne de départ du participant en dessous du RMSSD au repos de référence et reste en dessous de ce seuil pendant au moins 60 secondes consécutives pendant l’entraînement, calculé sur une fenêtre mobile de 30 s mise à jour toutes les 1 s.
Déclencheur de performance : le taux d’erreur courante dépasse le taux d’erreur moyen du participant pour les trois sessions précédentes d’au moins 20 % pour une fenêtre continue d’au moins 60 s, où le taux d’erreur de course est calculé sur une fenêtre roulante de 20 notes mise à jour toutes les 5 notes.
Règle de confirmation multimodale : le déclencheur nécessite soit le déclencheur de la VFC seul, soit le déclencheur de performance plus au moins un indice corroborant issu des traits faciaux/vocaux, défini soit comme une baisse du score de valence faciale d’au moins 0,30 par rapport à la base de base du participant pendant au moins 10 secondes consécutives, soit par rapport à une augmentation du tremblement vocal d’au moins 15 % par rapport à la référence du participant pendant au moins 10 secondes consécutives, avec des bases calculées à partir des 2 premières minutes de la séance.

Spécifiez si la fusion multimodale est un seuil basé sur des règles ou un classificateur entraîné. Utilisez un seuil basé sur des règles pour ce protocole et enregistrez tous les seuils dans le fichierde configuration 32 de la plateforme. Programmer le système pour qu’il mette la pratique en pause lorsque le seuil de stress est atteint et déclenche une micro-intervention sélectionnée dans une bibliothèque prédéfinie. Enregistrez le type d’intervention, l’heure de début, la durée et l’état de la fin dans le journal de session.
Respiration rythmée : 90 s scripté à une cadence de respiration fixe de 6 respirations par minute, assuré par un minuteur à l’écran et un signalaudio 33.
Brève indication de pleine conscience : instruction guidée de 75 s avec formulation fixe, présentée sous forme de texte à l’écran avec narration audio.
Musique de fond pour faible excitation : lecture en 90 s d’une piste prédéfinie à faible excitation à une cible fixe de volume de 55–60 dB en position de bench, avec un identifiant de piste enregistré comme Track-LA-01 dans le journal de session.

Après la micro-intervention, reprenez le passage interrompu et réduisez le tempo de 8 % pendant les 60 premiers jours de réengagement lorsque le déclencheur était basé sur la VFC, puis revenez au tempo cible si le taux d’erreur de course revient à moins de 10 % du taux d’erreur moyen du participant pour les trois sessions précédentes pendant au moins 30 secondes consécutives.
Contrôle qualité : notez le nombre de déclencheurs, le nombre de micro-interventions réalisées et le nombre d’interventions abortées par séance, et calculez un ratio de conformité pour chaque participant en tant que déclencheurs complétés divisé par le total des déclencheurs.

Validez la performance des déclencheurs en résumant les événements faux positifs et faux négatifs à l’aide de critères prédéfinis.
Faux positif : un déclencheur survient lorsque le participant rapporte une faible anxiété (≤2/10) à la prochaine demande et que le taux d’erreur courant reste à moins de 10 % du taux d’erreur moyen du participant pour les trois séances précédentes et les 60 secondes suivantes.
Faux négatif : le participant rapporte une forte anxiété (≥7/10) au prochain prompt d’un segment sans déclencheur, malgré un taux d’erreur de course supérieur à la moyenne des trois séances précédentes d’au moins 20 % pendant au moins 60 secondes, ou malgré le taux d’erreur HRV remplissant le critère de déclenchement de la VRC.

Résumez les comptes et taux de faux positifs et de faux négatifs par participant et par séance dans le tableau supplémentaire 434. Indiquez l’indice composite de charge cognitive de manière descriptive dans le tableau supplémentaire 4.

Exploitation forestière et adhésion
Configurez la plateforme pour enregistrer tous les événements et sorties d’entraînement sous forme d’enregistrements structurés liés à un identifiant anonymisé, au numéro de session et à l’horodatage au format ISO 8601. Les champs obligatoires incluent les barres ciblées, le nombre de boucles, les métriques de précision, la dérive de tempo, le nombre de dialogues et la durée totale du dialogue en secondes, les événements déclencheurs, le type et la durée de l’intervention en secondes, ainsi que toute annulation manuelle par les instructeurs. Exportez les résumés au niveau de la session à 20h00 chaque jour, et stockez à la fois les journaux bruts et les tables résumées sur un serveur sécurisé avec des sauvegardes automatisées programmées une fois par jour à 02h00. Utilisez une convention de nommage standardisée pour toutes les exportations formatées en StudyID_Group_ID_Session##_YYYYMMDD_HHMM et enregistrez dans des formats non propriétaires comme suit : CSV pour les journaux, WAV pour les enregistrements audio, MP4 pour les enregistrements vidéo, et PDF pour les rapports de session. Enregistrez le chemin d’exportation, enregistrez la somme de contrôle du fichier en utilisant SHA-256, et sauvegardez la confirmation dans le journal de l’étude pour supporter la traçabilité35.

Bras de contrôle : instruction traditionnelle
Programmez douze sessions guidées par un enseignant de 30 minutes sur 2 semaines pour chaque participant du groupe témoin, en correspondant au temps total de contact supervisé dugroupe expérimental 36. Utilisez le même répertoire, le même contenu d’enseignement et les mêmes instructeurs que dans le bras expérimental pour contrôler les effets de l’enseignant et dumatériel 37. Conduisez chaque séance en utilisant la pédagogie standard de l’atelier, incluant la démonstration par l’enseignant, l’explication verbale et des exercices ciblés dans l’extrait. Attribuez des tâches d’entraînement à domicile en utilisant des instructions verbales ou écrites conventionnelles sans incitations générées par l’IA ni analyses, et définissez la tâche à domicile comme un bloc d’auto-pratique de 20 minutes par jour, centré sur les mesures 1 à 32. Retenir des analyses individualisées, des consignes automatisées, des tableaux de bord et des micro-interventions aux participants de Contrôle. Fournir à chaque participant du contrôle un court journal d’entraînement papier ou électronique et instruire l’enregistrement de la date et de la durée approximative de la pratique supplémentaire non supervisée en quelques minutes. Collectez les journaux à la fin de l’intervention et entrez le temps total de pratique non supervisée pour l’extrait cible dans la base de données de l’étude.

Retour visuel et voie d’autorégulation (bras expérimental)
Activez un système de retour graphique reliant le comportement de la pratique, les fluctuations émotionnelles et la charge physiologique sur un axe temporelpartagé 38. Calculer des cartes thermiques émotionnelles basées sur des entrées multimodales, incluant les caractéristiques vocales, les tendances de la VFC et les anomalies dans le comportement de performance telles que des pics d’erreur ou l’instabilité du tempo39. Configurez des résumés quotidiens pour signaler les points chauds définis comme un intervalle de 30 s dans lequel le taux d’erreur se situe dans les 20 % supérieurs de la session et où au moins un marqueur de stress est présent (déclencheur HRV atteint ou confirmation multimodale), et enregistrez les points chauds signalés pour les sessionssuivantes 40. Générez des graphiques de tendance HRV résumant la puissance RMSSD et HF pour trois époques fixes par session : pré-entraînement (premiers 60 s), milieu d’entraînement (minutes 3–4) et post-entraînement (derniers 60 s), en utilisant des unités et une échelle d’axe cohérentes entreles participants 41. Identifier les baisses marquées de puissance RMSSD ou HF définies comme une baisse d’au moins 15 % par rapport à l’époque pré-séance alignée avec un point chaud signalé et considérer ces schémas comme des candidats à des interventions guidées par plateforme ; Notez si une intervention a été déclenchée etcomplétée 42.

Tracez les courbes de progression pour la précision de la hauteur, la précision rythmique, la complétude musicale et les taux d’erreur entre les sessions en utilisant des moyennes au niveau de la session et des bandes de confiance à 95 % calculées pour les participants de chaquegroupe 43. Superposez les courbes performance-progression avec la carte thermique émotionnelle pour soutenir la réflexion sur le couplage émotion–performance et le contrôlemétacognitif 44. Fournir des tableaux de bord pour les instructeurs affichant les mêmes informations au niveau individuel et de groupe, mettre à jour les tableaux de bord à la fin de chaque séance dans les 5 minutes suivant la fin de la séance et mettre en évidence les pics d’anxiété ou d’instabilitéde performance 45. Utilisez des tableaux de bord pour fournir des réponses pédagogiques adaptées documentées dans les notes de l’enseignant, incluant une réduction temporaire du tempo, une exposition graduée aux barres difficiles, un encouragement verbal supplémentaire, ou un coaching individuel bref axé sur les points chaudsidentifiés 46.

Séance post-intervention (post-test ; fin de la semaine 3)
Planifiez l’évaluation post-intervention à la fin de la semaine 3 et correspondez aussi précisément que possible les conditions de référence, y compris la salle, l’équipement et l’heure de la journée, dans les ±2 heures suivant l’heure de début de la séance. Fixez le capteur de VFC et enregistrez un segment de VFC au repos de 5 minutes suivi d’un segment standardisé de 5 minutes en utilisant les mêmes positions, réglages d’échantillonnage et règles de gestion des artefacts qu’à la base, et utilisez la même cible tempo de 76 battements par minute et la cible dynamique mezzo-forte47.

Administrez le test de connaissances et d’analyse (formulaire B) dans les mêmes conditions et la même limite de temps qu’à la base, et enregistrez le score total et le temps d’achèvement48. Administrez le STAI-S et calculez le score total (20–80) selon la cléde notation 49. Enregistrez une performance audio-vidéo post-intervention de l’extrait en utilisant le même micro et la même caméra, le même instrument et le même cadrage qu’à laligne de base 50. Administrez le questionnaire de charge cognitive et notez les scores sous-échelles pour les charges superflues, intrinsèques etpertinentes 51.

Pour le volet expérimental, menez un bref entretien semi-structuré de 6 à 8 minutes sur l’utilisabilité de la plateforme et les effets perçus sur la régulation et l’apprentissage de l’anxiété, en utilisant un guide d’entretien fixe et des incitationsrégulières 52. Enregistrer les entretiens audio avec consentement et transcrire mot pour mot pour une analyse qualitative.

Analyse statistique
Effectuez une analyse de puissance a priori avant le recrutement à l’aide de GPower (version 3.1 ou ultérieure) et enregistrez la famille de tests sous forme de tests F et le test statistique sous forme d’ANCOVA : effets fixes, effets principaux et interactions. Spécifier le modèle ANCOVA avec deux groupes, le score de référence comme covariable, α = 0,05, puissance désirée = 0,80, et supposer une taille d’effet f = 0,30 pour le résultat cognitif principal basé sur la littérature antérieure et les contraintes de faisabilité. Si l’effet supposé est exprimé en partielle η2, convertir en f de Cohen en utilisant la conversion prédéfinie f = √(η2 / (1 − η2)) et enregistrer la méthodede calcul 53.

Documenter la taille d’échantillon requise et confirmer si n = 40 atteint ou s’approche de la cible selon les hypothèses indiquées ; conserver le fichier de sortie d’analyse de puissance dans les enregistrements d’étude. Effectuer des analyses dans SPSS 26.0 ou un logiciel équivalent et enregistrer le nom/la version du logiciel dans le journal d’analyse. Résumez les résultats continus en moyenne ± écart-type et les variables catégorielles comme les comptes et pourcentages.

Évaluer l’efficacité primaire en utilisant des comparaisons entre groupes des résultats post-test avec la base comme covariable (ANCOVA) et rapporter des moyennes ajustées, des intervalles de confiance partiels η2 et 95 %. Utiliser des tests t à échantillons indépendants pour les comparaisons entre groupes lorsque cela est approprié et des tests t appariés pour les changements au sein du groupe ; Appliquer des alternatives non paramétriques lorsque les hypothèses sont violées. Vérifiez la normalité et l’homoscédasticité ; Transformer logarithiques les variables spectrales de HRV biaisées avant analyse et rapporter les détails de transformation.

Lorsque des méthodes robustes sont utilisées, il faut spécifier la méthode exacte et la justification. Rapporter des valeurs p à deux queues avec α = 0,05 et accompagner les tests d’hypothèse avec des tailles d’effet (d de Cohen, partielle η2) et des intervalles de confiance à 95 %. Réaliser des analyses exploratoires dans le volet expérimental examinant les associations entre les indicateurs d’utilisation de la plateforme (nombre total de minutes de plateforme, nombre de microinterventions, taux d’adhésion) et les résultats cognitifs, affectifs et de VFC.

Qualité et sécurité des données
Inspectez les signaux physiologiques lors de chaque enregistrement de la VRC pour détecter des artefacts ou une détection instable de R–R à l’aide d’un affichage en temps réel. Répétez tout segment de VFC avec une mauvaise qualité de signal après avoir ajusté la tension de la sangle ou le placement des électrodes, et répétez lorsque la proportion de battements corrigés dépasse 5,0 % ou que la perte de signal continue dépasse 5 s ; Note la répétition et la cause suspecte dans le journal de session. Calibrez les niveaux audio et les réglages du métronome au début de chaque visite pour éviter le clipping et maintenir un volume comparable entre les enregistrements, en visant des pics entre −12 dB et −6 dB.

Surveillez les participants pour détecter des événements indésirables, une fatigue excessive ou un inconfort lié à la pratique ou aux capteurs, et notez les événements dans un journal de sécurité. Autoriser des pauses supplémentaires ou raccourcir une séance si un participant signale une fatigue, de l’anxiété ou un inconfort excessifs, et noter les modifications comme déviations au protocole. Consignez toutes les écartations du protocole (séances manquées, enregistrements incomplets de la VRC, départs majeurs) et considérez les écarts dans les analyses de sensibilité.

Traitement des données et aveuglement
Attribuez à chaque participant un identifiant anonymisé unique et utilisez cet identifiant pour étiqueter tous les enregistrements, questionnaires et fichiers de données. Stockez toutes les données sur des disques contrôlés d’accès avec des sauvegardes automatisées régulières programmées une fois par jour à 02h00 conformément aux politiques institutionnelles de protection des données. Maintenez un fichier de liaison séparé associant les identifiants des participants à des identifiants personnels dans un lieu chiffré accessible uniquement au personnel autorisé. Gardez les évaluateurs de performance aveugles en fournissant des extraits audio-vidéo anonymisés et détournés dans le temps, et en retenant les informations d’allocation des groupes.

Finaliser la grille d’évaluation avant le début de la note et fournir des instructions écrites ainsi que des enregistrementsexemplaires 55. Vérifiez à nouveau la fiabilité entre les évaluateurs sur un sous-ensemble pilote de 6 enregistrements avant le score complet et confirmez ICC ≥ 0,80.

Assurez-vous qu’au minimum les spécifications fonctionnelles suivantes sont rapportées : fréquence d’échantillonnage HRV = 1000 Hz, capture vidéo faciale = 30 images par seconde à résolution 1920 × 1080, capture audio vocale = 16 kHz mono, et intervalle de mise à jour de télémétrie de plateforme = 200 ms.

Synchronisation et respect
Définir le seuil d’adhésion par protocole comme l’achèvement d’au moins dix des douze sessions supervisées sur les semaines 2 à 3, chaque session terminée étant définie comme une session supervisée d’au moins 27 minutes de participation active dans le créneau prévu de 30 minutes. Notez le nombre de séances supervisées complétées et le total des minutes supervisées de chaque participant dans un journal d’adhésion, et calculez l’adhésion des minutes supervisées comme le total des minutes supervisées divisées par 360 minutes planifiées exprimées en pourcentage. Notez le temps d’entraînement supplémentaire auto-déclaré à partir des journaux des participants et saisissez les totaux dans la base de données en minutes par jour et les minutes totales sur la période d’intervention de 2 semaines, et signalez toute valeur quotidienne dépassant 120 minutes pour vérification.

Pour le groupe expérimental, notez le nombre, le type, l’heure de début et la durée des micro-interventions déclenchées par le système par session à partir des journaux de plateforme, et calculez un indice d’exposition à l’intervention comme la durée totale de l’intervention en secondes par séance. Inclure tous les participants randomisés dans les analyses d’intention de traiter, et traiter les résultats post-test manquants en utilisant la dernière observation retenue pour les résultats du questionnaire et l’analyse complète des cas pour les enregistrements de performance lorsque la réenregistrement n’est pas possible ; Note la règle de gestion dans le journal d’analyse. Réaliser des analyses de sensibilité limitées aux participants atteignant le seuil par protocole et réaliser en outre une analyse de sensibilité excluant les séances avec des déviations de protocole classées comme majeures, définies soit comme un segment d’enregistrement de la VRC manqué, soit une session raccourcie de plus de 5 minutes.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Effets sur la cognition en théorie musicale
Comme montré dans le tableau 1, le groupe expérimental (M = 72,45, DE = 6,83, n = 20) et le groupe témoin (M = 71,30, DE = 7,14, n = 20) n’ont pas différé au pré-test, t(38) = 0,625, p = 0,604, indiquant la comparabilité de base pour le critère cognitif principal. Après l’intervention, ANCOVA, en contrôlant les scores pré-test, a montré des moyennes post-test ajustées plus élevées dans le groupe expérimental...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Cette étude randomisée a évalué une plateforme d’éducation musicale pilotée par IA qui intègre des analyses personnalisées de la pratique, la reconnaissance multimodale des émotions avec des micro-interventions juste-à-temps, et un retour d’information basé sur la visualisation. Par rapport à l’enseignement traditionnel, le branche expérimental a montré un gain modéré à important en théorie musicale et en performance analytique (ηpartiel 2 = 0,206) et une forte réduction de l’...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

L’auteur ne déclare aucun intérêt financier concurrent.

Remerciements

Nous remercions les étudiants participants et les instructeurs en studio pour leur temps et leur engagement, ainsi que le personnel technique du conservatoire pour leur aide dans l’instrumentation et la planification des salles.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Plateforme d’éducation musicale pilotée par IA (build de recherche)En interne / InstitutionnelID de la version de la plateforme : v2.1 (version 2025-01-15)Score interactif + télémétrie d’entraînement + tableaux de bord + moteur de déclenchement basé sur des règles ; intervalle de mise à jour de la télémétrie = 200 ms ; exporte les journaux sous forme de CSV.
Lingettes à l’alcool (préparation de la peau)NA (tout fournisseur médical)NAPour améliorer le contact électrode/sangle et la stabilité du signal ; Enregistrer le terrain si disponible.
Capteur ECG à ceinture thoracique (1000 Hz)Polar ElectroPolar H10 ; Partie n° 92075957R&ndash dérivé de l’ECG ; Intervalles R ; fréquence d’échantillonnage = 1000 Hz (selon votre protocole) ; utilisé pour les segments de pratique standardisée de 5 minutes de repos + 5 minutes.
Questionnaire de charge cognitive (Leppink, 10 items)NA (source de la publication)NALikert à 7 points ; calculer 3 sous-échelles ; si traduit : traduction&ndash ; rétrotraduction + pilote n=10 ; rapport Cronbach s & alpha ; par sous-échelle.
Ordinateur pour l’exploitation et la journalisation de la plateformeNANAN’importe quel ordinateur portable/bureau moderne ; enregistrer la version du système d’exploitation ; Assurez-vous de synchroniser les horodatages des journaux.
Stockage de données (disque chiffré / serveur sécurisé)NANAContrôlé par l’accès ; des sauvegardes automatisées ; Nom du fichier : « P###_TP(pré/post)_MOD(&hellip ;)_YYYYMMDD_HHMM » ; Stockez les sorties brutes + dérivées.
Gel d’électrodes ECG / gel conducteur (optionnel)NA (tout fournisseur médical)NAÀ utiliser si la qualité du signal est instable ; Utilisation des documents oui/non dans le journal de session.
Micro externe (s’il utilise micro + interface au lieu d’enregistreur)Audio-TechnicaAT2020Alternative optionnelle à l’enregistreur portable ; Garder une distance de micro de 0,8 m ; éviter les coupes ; Paramètres de gain des documents.
Logiciel de traitement HRVKubios (ou équivalent)NADoit supporter la détection d’artefacts + interpolation, RMSSD/SDNN, HF Welch (0.15&ndash ; 0,40 Hz) avec une fenêtre de 120 s, 50 % de chevauchement, fenêtre de Hamming, rééchantillonnage à 4 Hz ; Enregistrez le nom / la version du logiciel utilisé.
MétronomeKorgMA-2 BLBKUtilisé pour standardiser le tempo d’entraînement (76 bpm) et soutenir un rythme cohérent entre les séances.
Enregistreur audio portable (capture vocale)ZoomH1nEnregistrer la capture audio vocale à 16 kHz mono (downsampling si enregistré plus haut) ; stocker sous le nom WAV ; Gardez le placement du micro constant.
Logiciels d’analyse de puissanceG*Power3.1 (ou plus tard)Utilisé pour l’analyse de puissance a priori ; Enregistrez les paramètres de la famille/modèle de test dans le fichier de sortie d’analyse de puissance.
Service de grand modèle de langage (LLM) avec partenaire de pratiqueFournisseur institutionnel / API sécuriséLLM-PracticePartner v2.1 (version 2025-01-15)Type de terminaison : cloud ; authentification basée sur jetons ; stocker uniquement les identifiants anonymisés ; Affiche des invites/sorties en texte chiffré.
Questionnaire : TAG-7NA (source sous licence/publication)NAUtiliser une version validée du langage ; la notation par manuel ; conserver des copies dans un classeur d’étude ; Stocker les réponses par identifiant anonymisé.
Questionnaire : STAI-S (20 items)NA (licencié/éditeur)NAUtilisez une version officielle/validée en langue ; total 20&ndash ; 80; si un sous-ensemble de 10 éléments pour les figures, règle de sélection du document + fiabilité dans les résultats.
Logiciels d’analyse statistiqueIBMStatistiques SPSS 26.0Utilisé pour les tests ANCOVA et t ; Note la version exacte/la compilation dans le journal d’analyse.
Trépied / support caméraManfrotto (ou équivalent)NATout trépied stable est acceptable ; fixez la distance/la hauteur selon les séances (par exemple, 1,8 m de distance, 1,4 m de hauteur). Si vous avez un modèle confirmé, remplacez l’NA par votre laboratoire » Numéro de modèle S.
Interface audio USB (si on utilise micro + interface)FocusriteScarlett 2i2 (3e génération)Optionnel ; l’enregistrement de la cible atteint des pics entre et moins ; 12 dB et &moins ; 6 dB pendant les passages de forte (selon ton texte de protocole).
Caméra vidéo (1080p, 30 fps)LogitechC920 ; Partie n° 960-001055Capture vidéo faciale = 1920 et fois ; 1080, 30 fps (comme spécifié dans le protocole) ; Assurez-vous qu’aucune information identifiable n’est affichée.
Piano numérique à touches lestées (ou piano acoustique)NANAmécanisme lesté à 88 clés recommandé ; Gardez le même instrument pour toutes les sessions ; Documenter le type d’instrument et l’action des clés.

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

P dagogie musicaletude contr l e randomis eR gulation de l anxi tTest de th orie musicaleAnxi t tat traitMesure de la VFCCharge cognitive

Articles connexes