Cette étude propose un cadre d'intelligence curriculumique émotionnel basé sur les graphes pour l'enseignement visuel piloté par l'IA dans l'enseignement musical universitaire. À l'aide d'un ensemble de données simulées, le cadre modélise l'acquisition des connaissances, la dynamique émotionnelle et l'engagement. Les résultats indiquent une amélioration de l'efficacité d'apprentissage et une réduction du stress par rapport aux modèles conventionnels, démontrant ainsi le potentiel de systèmes éducatifs adaptatifs prenant en compte la santé mentale.
Article de recherche
Évaluation basée sur la simulation d'une conception d'enseignement visuel intégrant l'intelligence artificielle pour la promotion de la santé mentale dans les cours de musique universitaire
Dans cet article
Résumé
Résumé
La conception pédagogique visuelle dans l'enseignement universitaire de la musique attire une attention croissante en raison de son potentiel à renforcer l'engagement des étudiants et à favoriser le bien-être mental. Toutefois, les approches pédagogiques traditionnelles manquent souvent d'adaptabilité nécessaire pour répondre aux états cognitifs et émotionnels changeants des apprenants, limitant ainsi leur efficacité à soutenir à la fois la réussite académique et l'équilibre psychologique. L'objectif principal de cette étude par simulation est de concevoir et d'évaluer un cadre fondé sur l'intelligence artificielle qui intègre des stratégies d'enseignement visuel à une modélisation émotionnelle basée sur les graphes afin d'optimiser les résultats d'apprentissage dans les cours universitaires de musique. Un nouveau cadre d'intelligence curriculaire émotionnelle basé sur les graphes (GECIF) est proposé, représentant l'environnement d'apprentissage comme un graphe interconnecté de nœuds de connaissances, d'activités et d'émotions. Ce cadre intègre l'apprentissage par représentation sur graphes, la modélisation dynamique d'états et des mécanismes d'apprentissage adaptatif afin de simuler l'évolution de l'acquisition des connaissances, de l'engagement, de la stabilité émotionnelle et du stress au fil du temps. Un jeu de données synthétique comprenant des journaux d'interactions, des indicateurs émotionnels et des variables de performance d'apprentissage a été généré à l'aide d'un pipeline de simulation contrôlé sous MATLAB afin d'assurer la reproductibilité. Le GECIF a été évalué par rapport à un modèle de référence non adaptatif classique dans des conditions expérimentales identiques, sur des pas de simulation normalisés. La performance a été évaluée à l'aide de métriques de simulation normalisées, incluant le gain de connaissances, la stabilité émotionnelle, la réduction du stress, le niveau d'engagement et la robustesse. Le cadre proposé a systématiquement surpassé le modèle de référence, montrant une acquisition simulée de connaissances plus élevée, une régulation émotionnelle améliorée, un engagement accru, une réduction du stress simulé et une robustesse accrue. Une analyse statistique basée sur les moyennes, les écarts-types et les intervalles de confiance à 95 % a confirmé des améliorations constantes sur l'ensemble des métriques d'évaluation. Ces résultats démontrent le potentiel des stratégies pédagogiques visuelles fondées sur l'intelligence artificielle et sensibles aux émotions dans un enseignement musical adaptatif, tout en fournissant un cadre computationnel évolutif et reproductible pour soutenir les recherches futures sur les systèmes éducatifs intelligents.
Introduction
L'intégration de l'intelligence artificielle (AI) dans les systèmes éducatifs a profondément transformé les paradigmes traditionnels de l'enseignement, permettant des expériences d'apprentissage plus adaptatives, personnalisées et fondées sur les données1,2,3. Ces dernières années, la conception pédagogique visuelle s'est imposée comme une approche efficace, notamment dans des disciplines telles que l'éducation musicale, où les concepts abstraits, l'expression émotionnelle et la compréhension perceptive jouent un rôle central4,5,6,7. Les représentations visuelles, notamment les interfaces graphiques, les simulations interactives et les éléments multimédias, facilitent un traitement cognitif plus approfondi et renforcent l'engagement des apprenants8,9,10,11. Toutefois, malgré ces avancées, les méthodes d'enseignement visuel existantes restent souvent statiques et manquent de la capacité à répondre dynamiquement aux états cognitifs et émotionnels changeants des apprenants12,13,14. L'enseignement musical, en particulier au niveau universitaire, présente des défis uniques en raison de sa nature intrinsèquement multidimensionnelle15,16,17. Les résultats d'apprentissage dépendent non seulement de la compréhension cognitive de la théorie musicale et des techniques d'exécution, mais aussi de facteurs émotionnels tels que la motivation, le stress, l'engagement et le bien-être psychologique18. Des études antérieures ont mis en évidence la forte relation entre les états émotionnels et l'efficacité de l'apprentissage, indiquant que les étudiants éprouvant un niveau élevé de stress ou un faible engagement ont tendance à obtenir des performances académiques réduites19,20,21. Bien que plusieurs systèmes éducatifs fondés sur l'intelligence artificielle aient été proposés afin d'améliorer la personnalisation de l'apprentissage, la plupart d'entre eux se concentrent principalement sur les indicateurs de performance cognitive et négligent le rôle essentiel des dynamiques émotionnelles dans la formation du processus d'apprentissage22.
De récentes avancées dans les systèmes d'apprentissage intelligents ont introduit des représentations fondées sur les graphes et des techniques d'apprentissage profond pour modéliser les relations complexes entre les composants éducatifs23,24,25. Les cadres d'apprentissage basés sur les graphes, notamment les réseaux neuronaux graphiques (GNN), ont démontré une forte capacité à capturer les dépendances structurées entre les éléments de connaissance, les interactions des apprenants et les facteurs contextuels26. Par ailleurs, l'informatique sensible aux émotions suscite un intérêt croissant en raison de sa capacité à intégrer des signaux psychologiques dans des environnements d'apprentissage adaptatifs27. Toutefois, l'intégration de ces approches au sein d'un cadre unifié pour l'enseignement de la musique reste limitée28,29,30. Les travaux existants traitent souvent les variables émotionnelles comme des caractéristiques auxiliaires plutôt que comme des composants fondamentaux, et ils offrent rarement des mécanismes d'adaptation continue fondés sur l'interaction entre cognition et émotion31.
De plus, l'application de l'IA dans l'éducation sensible à la santé mentale s'est principalement appuyée sur des données empiriques ou basées sur des capteurs, recueillies auprès de participants réels32. Toutefois, ces approches nécessitent des autorisations éthiques approfondies, des instruments de mesure standardisés et des conditions expérimentales contrôlées, ce qui n'est pas toujours réalisable dans les recherches en phase préliminaire33. En conséquence, les méthodologies fondées sur la simulation sont apparues comme une alternative permettant d'explorer des dynamiques éducatives complexes de manière contrôlée et reproductible34. En générant des jeux de données synthétiques imitant les journaux d'interactions, les indicateurs émotionnels et les métriques de performance d'apprentissage, les chercheurs peuvent évaluer le comportement des modèles proposés dans divers scénarios tout en conservant un contrôle total sur les paramètres et hypothèses du système35.
Malgré ces avancées, plusieurs lacunes persistent dans la recherche36. Premièrement, il manque des cadres unifiés capables de modéliser simultanément l'acquisition des connaissances, l'évolution émotionnelle et l'engagement dans l'apprentissage au sein d'une représentation structurée37. Deuxièmement, les systèmes d'enseignement visuel actuels n'exploitent pas efficacement l'intelligence fondée sur les graphes pour capturer les interdépendances entre les concepts musicaux, les activités d'apprentissage et les états psychologiques38. Troisièmement, peu d'attention a été accordée au développement de pipelines de simulation évolutifs et reproductibles permettant une évaluation systématique des modèles éducatifs pilotés par l'intelligence artificielle39,40,41. Enfin, les approches existantes échouent souvent à offrir une vision globale de l'apprentissage qui intègre de manière dynamique et adaptative à la fois les dimensions cognitives et émotionnelles42.
Pour répondre à ces défis, cette étude propose un cadre d'intelligence curriculaire émotionnel fondé sur les graphes (GECIF) pour la conception pédagogique visuelle pilotée par l'intelligence artificielle dans l'enseignement universitaire de la musique. Tableau 1 fournit les définitions essentielles des composants du graphe, des états des nœuds et des paramètres du modèle. Ce tableau garantit que la méthodologie est à la fois claire et reproductible. Le cadre proposé modélise l'environnement éducatif comme un graphe interconnecté composé de nœuds de connaissances, de nœuds d'activités et de nœuds émotionnels, permettant ainsi une représentation complète de la dynamique d'apprentissage. Un jeu de données basé sur des simulations est généré à l'aide d'un pipeline computationnel contrôlé incluant des journaux d'interactions, des indicateurs émotionnels et des métriques de performance, assurant reproductibilité et évolutivité. Le cadre intègre des mécanismes d'apprentissage adaptatif, une modélisation des états émotionnels et une optimisation fondée sur les graphes afin de simuler l'évolution des résultats d'apprentissage et des conditions psychologiques dans le temps. Une évaluation comparative par rapport à un modèle d'apprentissage conventionnel est réalisée à l'aide de plusieurs métriques de performance, notamment le gain de connaissances, la stabilité émotionnelle, la réduction du stress, l'engagement et la robustesse.
L'objectif principal de cette étude est de concevoir et d'évaluer un cadre pédagogique visuel basé sur la simulation et piloté par l'intelligence artificielle, qui intègre une modélisation par graphes et l'intelligence émotionnelle afin d'améliorer l'efficacité de l'apprentissage et de soutenir une éducation attentive à la santé mentale dans les cours de musique universitaires.
Protocole
La présente étude est une recherche fondée sur des calculs et des simulations qui ne concerne ni participants humains, ni données cliniques, ni informations personnelles. Toutes les données utilisées dans cette recherche ont été générées de manière synthétique par des procédés de simulation contrôlés. Par conséquent, une approbation éthique par un comité d'évaluation institutionnel et un consentement éclairé n'étaient pas requis. L'étude respecte les lignes directrices standard applicables à la recherche informatique et garantit une reproductibilité et une transparence complètes de la méthodologie.
Cadre théorique et justification
Le cadre proposé d'intelligence curriculaire émotionnelle basé sur les graphes (GECIF) repose sur l'intégration de l'intelligence artificielle, de l'apprentissage fondé sur les graphes, du calcul émotionnel et de la pédagogie visuelle, dans le but de modéliser l'apprentissage comme un processus dynamique et multidimensionnel qui saisit simultanément le développement cognitif, l'évolution émotionnelle et l'engagement comportemental. Les approches pédagogiques traditionnelles supposent souvent une progression linéaire de l'acquisition des connaissances et ne reflètent pas adéquatement les interactions complexes entre la performance cognitive et les états psychologiques. Cette limitation est particulièrement critique dans l'enseignement universitaire de la musique, où l'expression émotionnelle, la motivation et la créativité sont indissociables de l'apprentissage technique et théorique. Dans ce contexte, le cadre conceptualise le processus éducatif comme un système interconnecté dans lequel les éléments de connaissance, les activités d'apprentissage et les états émotionnels s'influencent continuellement les uns les autres. La modélisation basée sur les graphes permet une représentation structurée et évolutive de ces relations, rendant possible la capture efficace des dépendances directes et indirectes. Les dynamiques émotionnelles sont intégrées comme des composantes intrinsèques plutôt que comme des variables auxiliaires, permettant ainsi de simuler la manière dont les conditions psychologiques évoluent et se propagent au cours du processus d'apprentissage. L'intégration d'une conception pédagogique visuelle renforce davantage l'interprétabilité en transformant les interactions computationnelles abstraites en représentations graphiques intuitives.
Méthodologie et conception de l'étude de simulation
La présente étude adopte un plan expérimental fondé sur la simulation computationnelle, dans lequel aucun participant humain n'est impliqué, et toutes les données sont générées de manière synthétique à l'aide d'un pipeline contrôlé et reproductible. Les résultats rapportés représentent donc des évaluations basées sur un modèle, et non des observations empiriques issues d'apprenants réels. Les améliorations en performance d'apprentissage, en implication, en stabilité émotionnelle et en réduction du stress sont interprétées comme des effets simulés ou potentiels du cadre proposé. L'environnement de simulation approche des conditions d'apprentissage réalistes en intégrant des dépendances temporelles, une variabilité des schémas d'interaction et des états émotionnels évolutifs. Une configuration expérimentale comparative est mise en œuvre, dans laquelle le cadre proposé GECIF est évalué par rapport à un modèle de référence conventionnel représentant un système d'apprentissage non adaptatif, où la connaissance évolue uniquement en fonction de l'intensité des interactions, sans représentation par graphe, sans modélisation émotionnelle ni optimisation du parcours pédagogique. Les deux modèles sont exécutés dans des conditions de simulation identiques afin d'assurer une comparaison cohérente et impartiale.
Génération et structure du jeu de données
Un ensemble de données à grande échelle a été construit afin de simuler les dynamiques d'apprentissage dans l'enseignement universitaire de la musique, en intégrant des journaux d'interactions, des indicateurs émotionnels et des métriques de performance d'apprentissage au sein d'un cadre temporel unifié. Cet ensemble de données a été obtenu et étendu à partir d'un jeu de données publiquement accessible sur les performances étudiantes (UCI Machine Learning Repository), qui fournit des données académiques accompagnées d'attributs démographiques et comportementaux. Ce jeu de données a servi de référence fondamentale pour modéliser des schémas d'apprentissage réalistes. Les journaux d'interactions représentent l'engagement simulé dans des activités d'apprentissage telles que des séances de pratique, des exercices d'écoute et des tâches d'apprentissage visuel. Les indicateurs émotionnels capturent des états psychologiques, notamment le stress, l'engagement et la motivation, tandis que la performance d'apprentissage reflète l'acquisition des connaissances et la progression dans le temps. Afin d'enrichir l'ensemble de données et d'intégrer des dépendances temporelles, un pipeline de simulation basé sur MATLAB a été utilisé, avec une initialisation à graine aléatoire fixe afin d'assurer la reproductibilité. Une continuité temporelle a été introduite par des processus autorégressifs, permettant ainsi aux comportements d'interaction et aux états émotionnels d'évoluer progressivement au fil du temps. Le jeu de données final comprend mille apprenants simulés observés sur cinq cents pas de temps, avec plusieurs caractéristiques d'interaction représentant des comportements d'apprentissage variés. Toutes les variables sont normalisées dans l'intervalle [0,1] afin d'assurer la cohérence et la comparabilité. L'ensemble de données est divisé en sous-ensembles d'entraînement, de validation et de test selon une répartition 70 % – 15 % – 15 %, afin de garantir une évaluation impartiale du modèle.
Construction et représentation des graphes
L'environnement d'apprentissage est modélisé comme un graphe pondéré défini par :
G = (V,E,W) (1)
où désigne l'ensemble des nœuds, représente l'ensemble des arêtes, et est la matrice d'adjacence pondérée décrivant l'intensité des relations entre les nœuds. L'ensemble des nœuds est décomposé comme suit :
V = Vk∪Va∪Ve (2)
où Vk, Va et Ve correspondent respectivement aux nœuds de connaissances, aux nœuds d'activités et aux nœuds émotionnels. Les poids des arêtes sont calculés comme suit :
Wij = α Sc(i,j) + βSe(i,j) (3)
où Sc(i,j) représente la similarité cognitive entre les nœuds, Se(i,j) représente la corrélation émotionnelle, et α et β sont des coefficients de pondération contrôlant leur influence relative. L'équation (3) définit comment les relations structurelles et émotionnelles déterminent conjointement la connectivité du graphe.
Représentation de l'état des nœuds et apprentissage sur graphes
Chaque nœud est associé à un vecteur d'état dynamique défini comme suit :
xi(t) = [ki(t),ei(t),ai(t)] (4)
où ki(t), ei(t) et ai(t) désignent respectivement le niveau de connaissances, l'état émotionnel et le niveau d'engagement au temps t. Les représentations des nœuds sont mises à jour à l'aide d'une agrégation basée sur un graphe :
(5)
où 
représente l'incorporation du nœud i à la couche l, σ est une fonction d'activation non linéaire, et N(i) désigne l'ensemble des nœuds voisins. L'équation (5) décrit comment chaque nœud intègre les informations provenant de ses voisins. Un mécanisme d'attention est en outre introduit :
(6)
où αij est le coefficient d'attention et ∅(·) est une fonction de similarité. L'équation (6) permet une pondération adaptative des contributions des nœuds voisins.
Modélisation des dynamiques émotionnelles
L'évolution temporelle des états émotionnels est modélisée par :
(7)
où γ est le coefficient de rétention émotionnelle. L'équation (7) traduit à la fois la persistance et la propagation de l'influence émotionnelle. La stabilité émotionnelle est quantifiée par :
(8)
où E+(t) et E-(t) désignent respectivement les composantes émotionnelles positives et négatives, et 
est une constante faible évitant la division par zéro. L’accumulation du stress est définie comme suit :
(9)
où λ(τ) représente l'intensité de contrainte instantanée. L'équation (9) modélise la contrainte cumulée en fonction du temps.
Apprentissage de l'optimisation et conception adaptative de programmes d'enseignement
Le processus d'apprentissage est régi par une fonction d'optimisation multi-objectif :
J = λ1K + λ2K - λ3S (10)
où K désigne le gain de connaissances, E désigne la stabilité émotionnelle et S désigne le niveau de stress, tandis que λ1, λ2, λ3 sont des coefficients de pondération. L'équation (10) équilibre les objectifs cognitifs et émotionnels. La réorganisation adaptative du programme est définie comme suit :
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
où η est le taux d'apprentissage et Δij(t) représente les ajustements de mise à jour induits par la dynamique d'apprentissage. L'équation (11) permet à la structure du graphe d'évoluer dans le temps.
Échelle de temps et durée de la simulation
Toutes les simulations sont effectuées en utilisant des pas de temps normalisés plutôt que des unités de temps réel. De courtes intervalles correspondent à des pas de simulation échelonnés représentant l'évolution du système, tandis que des simulations prolongées dépassant cinq cents pas sont utilisées pour évaluer le comportement à long terme, la convergence et la robustesse.
Métriques d'évaluation et analyse statistique
Le cadre est évalué à l'aide de métriques normalisées, incluant le gain de connaissances, la stabilité émotionnelle, le niveau de stress, le niveau d'engagement et la robustesse. Une analyse statistique est réalisée à l'aide des fonctions statistiques de MATLAB, les valeurs moyennes, les écarts types et les intervalles de confiance à 95 % étant calculés pour chaque métrique. Les hypothèses de normalité sont vérifiées avant d'appliquer des tests t appariés. Une évaluation comparative entre le cadre proposé et le modèle de référence est menée sur n = 1000 apprenants simulés, la significativité statistique étant définie comme p < 0,05.
Reproductibilité et détails de mise en œuvre
Toutes les simulations, les pipelines de traitement des données et les procédures d'évaluation sont entièrement reproductibles. Le processus de génération du jeu de données, les paramètres de construction du graphe, les configurations du modèle et les paramètres d'optimisation sont clairement définis. L'initialisation des graines aléatoires est fixée afin d'assurer des résultats cohérents lors de répétitions successives. Tous les hyperparamètres, scripts et descriptions des jeux de données sont fournis dans les matériaux supplémentaires, permettant ainsi une reproduction complète de l'étude à l'aide de MATLAB ou d'outils computationnels équivalents.
Tous les programmes de simulation, les pipelines de traitement des données et les scripts d'évaluation sont fournis dans le fichier supplémentaire 1. Le jeu de données comprend les journaux d'interactions bruts, les indicateurs émotionnels et les métriques de performance d'apprentissage. Les paramètres de construction des graphes et les réglages d'optimisation sont entièrement documentés. Le système peut être reproduit à l'aide de frameworks standards d'apprentissage automatique. L'initialisation de la graine aléatoire est fixée afin d'assurer la reproductibilité. Tous les hyperparamètres sont indiqués explicitement. Le protocole garantit une transparence et une reproductibilité complètes.
Résultats
Les performances du cadre d'intelligence curriculaire émotionnel basé sur les graphes (GECIF) ont été évaluées à l'aide d'un jeu de données simulé composé de n = 1000 apprenants sur T = 500 pas de temps normalisés. Figure 1 illustre l'architecture conceptuelle du GECIF pour l'enseignement de la musique visuelle piloté par l'intelligence artificielle et la promotion de la santé mentale. Toutes les métriques sont indiquées sur des échelles normalisées comprises entre [0,1]. L'évaluation statistique inclut les moyennes, les écarts types (SD) et les intervalles de confiance à 95 % (IC), la significativité étant évaluée à l'aide de tests t appariés (p < 0,05). Toutes les comparaisons sont calculées sur l'ensemble de la population simulée. Figure 2 illustre la dynamique d'apprentissage et le comportement d'acquisition des connaissances du cadre proposé par rapport au modèle de référence. Le cadre GECIF atteint un gain de connaissance de 0,88 ± 0,04 (IC à 95 % : 0,84–0,92), tandis que le modèle de référence atteint 0,65 ± 0,06 (IC à 95 % : 0,59–0,71), avec une différence statistiquement significative (p < 0,001). La courbe d'apprentissage montre un taux de croissance plus élevé et une convergence stable sans comportement oscillatoire.
Figure 3 présente l'évolution temporelle de la stabilité émotionnelle. Le cadre proposé atteint un indice de stabilité émotionnelle de 0,92 ± 0,03, contre 0,70 ± 0,05 dans le modèle de référence (p < 0,01). La variabilité est réduite, avec des valeurs de l'écart type plus faibles observées au fil du temps. Figure 4 montre la dynamique du stress au cours du temps. Le modèle proposé maintient un niveau de stress plus bas de 0,15 ± 0,05, comparé à 0,45 ± 0,07 pour le modèle de référence (p < 0,001). Le taux d'accumulation reste constamment plus faible pendant toute la durée de la simulation. Figure 5 présente la répartition de la performance d'apprentissage parmi les apprenants. Le cadre proposé montre une distribution centrée sur des valeurs plus élevées et avec une dispersion réduite par rapport au modèle de référence, indiquant une variance plus faible des résultats. Figure 6 illustre l'évolution des intégrations de nœuds au sein du graphe. Les représentations des caractéristiques présentent des transitions continues au fil des itérations, sans changements brusques observés, ce qui indique des mises à jour stables. Figure 7 montre l'intensité des interactions entre les nœuds de connaissance, d'activité et émotionnels. La carte thermique révèle des corrélations statistiquement significatives (p < 0,05) entre les catégories de nœuds, avec des intensités d'interaction variables.
Figure 8 présente la relation entre le gain de connaissances normalisé et la stabilité émotionnelle tout au long du processus d'apprentissage simulé. Le cadre GECIF proposé démontre une forte corrélation positive entre les deux variables (r = 0,82), comparée à une corrélation positive modérée observée pour le modèle de référence conventionnel (r = 0,65). Les deux corrélations étaient statistiquement significatives (p < 0,05), indiquant que les améliorations dans l'acquisition des connaissances s'accompagnent d'une stabilité émotionnelle accrue, reflétant ainsi une intégration équilibrée du développement cognitif et de la régulation émotionnelle permise par le cadre proposé. Figure 9 montre la contribution combinée des composantes cognitives et émotionnelles au fil du temps. Les valeurs cognitives augmentent progressivement, tandis que la variabilité émotionnelle diminue, des tendances cohérentes étant observées à toutes les étapes de la simulation. Figure 10 compare les distributions des gains de connaissances obtenus par le cadre GECIF proposé et par la référence conventionnelle à l'aide de diagrammes en boîte à moustaches. Le cadre proposé a permis un gain de connaissances moyen significativement plus élevé (9,87 ± 3,46) que le modèle conventionnel (6,90 ± 2,88), avec des échantillons indépendants t-test confirmant une différence statistiquement significative (p < 0,0001 ; d de Cohen d = 1,43). Bien que le cadre GECIF ait présenté une variabilité plus importante, reflétée par un écart type et un écart interquartile plus grands, l'ensemble de la distribution était décalé vers des valeurs plus élevées de gain de connaissances, ce qui indique que la dispersion accrue s'accompagne d'une performance globale améliorée plutôt que d'une stabilité réduite. Ces résultats montrent que le cadre proposé maintient une performance d'apprentissage robuste tout en intégrant efficacement des réponses d'apprenants simulés variées. Figure 11 présente les dynamiques d'engagement au fil du temps. Le cadre proposé atteint un niveau d'engagement de 0,90 ± 0,04, comparé à 0,68 ± 0,06 pour le modèle de base (p < 0,01), avec une variabilité réduite. Figure 12 montre un comportement d'engagement sous forme cyclique. L'amplitude des fluctuations est plus faible dans le cadre proposé, indiquant une variabilité réduite par rapport au niveau de référence.
Figure 13 illustre l'intensité des caractéristiques spatiales sur l'ensemble du graphe. La distribution des caractéristiques présente une variation continue avec des pics et des creux identifiables, indiquant des schémas d'activation hétérogènes. Figure 14 présente le flux directionnel du transfert de connaissances. Le champ vectoriel montre des schémas de propagation organisés, avec des régions de convergence correspondant à une accumulation plus importante de valeurs. Figure 15 montre l'évolution de la topologie du graphe au fil du temps. Les mises à jour structurelles se produisent progressivement, avec des transitions régulières des valeurs des caractéristiques au cours des itérations. Figure 16 présente l'analyse des interdépendances entre caractéristiques. La carte thermique de corrélation indique des relations modérées à fortes entre les caractéristiques, sans redondance dominante observée. Figure 17 illustre la contribution des caractéristiques multidimensionnelles. Les niveaux de contribution varient selon les nœuds, indiquant des schémas d'influence hétérogènes. Figure 18 montre l'évolution conjointe des connaissances et des états émotionnels. Les valeurs de connaissance augmentent régulièrement tandis que la variabilité émotionnelle diminue au fil du temps, avec des tendances cohérentes sur l'ensemble de la période de simulation. Un résumé quantitatif de ces résultats est fourni dans Tableau 2, où toutes les métriques, y compris le gain de connaissance, la stabilité émotionnelle, le niveau de stress, l'engagement et la robustesse, sont rapportées avec des mesures statistiques. Les résultats montrent des différences cohérentes entre le cadre proposé et le modèle de référence pour toutes les métriques évaluées. L'analyse statistique confirme que ces différences sont significatives au sein de la population simulée. Dans l'ensemble, les résultats de simulation démontrent de façon constante que le cadre GECIF proposé surpasse le modèle de référence classique pour toutes les métriques de performance normalisées évaluées. Ces résultats soutiennent l'objectif et l'hypothèse de l'étude, selon lesquels l'intégration d'une intelligence émotionnelle basée sur les graphes avec un enseignement visuel piloté par l'IA peut améliorer la performance d'apprentissage simulée, la stabilité émotionnelle, l'engagement et la gestion du stress dans un environnement computationnel reproductible.
DISPONIBILITÉ DES DONNÉES :
Toutes les données et procédures de calcul utilisées dans cette étude sont entièrement reproductibles et accessibles librement. L'intégralité du code nécessaire à la génération du jeu de données, ainsi que les représentations structurées des données, sont fournies dans le fichier supplémentaire 1.
Figure 1 : Architecture conceptuelle du cadre d'intelligence pédagogique émotionnel fondé sur les graphes (GECIF) pour l'enseignement visuel de la musique assisté par l'intelligence artificielle et la promotion de la santé mentale. Cette figure présente la structure complète du système, incluant la construction du graphe savoir–émotion, l'analyse par réseau neuronal sur graphes, l'optimisation des voies émotionnelles, la reconfiguration adaptative du programme, l'interface d'apprentissage visuel et l'optimisation multi-objectif. Elle illustre comment les composantes cognitives et émotionnelles sont intégrées dans un système d'apprentissage adaptatif unifié. Veuillez cliquer ici pour afficher une version agrandie de cette figure.
Figure 2 : Évolution de l'acquisition des connaissances selon l'apprentissage adaptatif basé sur les graphes par rapport au modèle de référence conventionnel. Cette figure illustre la progression du gain de connaissances normalisé en fonction des étapes de simulation normalisées, mettant en évidence une convergence plus rapide et une efficacité d'apprentissage simulée plus élevée pour le cadre GECIF proposé. Les comparaisons statistiques entre le modèle proposé et le modèle de référence ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés. Lorsque des barres d'erreur sont indiquées, elles représentent les intervalles de confiance à 95 % (IC 95 %) du gain moyen de connaissances normalisé. Les différences statistiquement significatives ont été considérées comme telles pour une valeur p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 3 : Amélioration temporelle de la stabilité émotionnelle grâce à un apprentissage intelligent adapté. La figure illustre l'évolution de l'indice normalisé de stabilité émotionnelle en fonction des étapes normalisées de simulation, mettant en évidence une stabilisation plus régulière et des fluctuations émotionnelles réduites pour le cadre GECIF proposé par rapport au modèle de référence conventionnel. Les comparaisons statistiques ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés. Lorsqu'elles sont indiquées, les barres d'erreur représentent les intervalles de confiance à 95 % (IC 95 %) de la moyenne de l'indice normalisé de stabilité émotionnelle. Les différences ont été considérées comme statistiquement significatives pour p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 4 : Réduction des niveaux de stress par des voies d'apprentissage sensibles aux émotions. Cette figure illustre l'évolution temporelle des niveaux de stress normalisés en fonction des étapes de simulation normalisées, montrant que le cadre proposé GECIF maintient un niveau de stress simulé plus faible et plus stable que le modèle de référence conventionnel, indiquant ainsi une meilleure régulation émotionnelle tout au long du processus d'apprentissage. Les comparaisons statistiques ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés. Lorsque des barres d'erreur sont indiquées, elles représentent les intervalles de confiance à 95 % (IC 95 %) du niveau moyen de stress normalisé. Les différences ont été considérées comme statistiquement significatives pour une valeur de p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 5 : Répartition des résultats d'apprentissage parmi les apprenants simulés. Ce graphique illustre la répartition du gain de connaissances normalisé pour le cadre GECIF proposé et le modèle de référence classique. Le cadre proposé présente une répartition décalée vers un gain de connaissances normalisé plus élevé et une variabilité réduite, tandis que le modèle de référence est concentré à des niveaux de performance plus faibles. Des comparaisons statistiques entre les deux distributions ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés, la significativité statistique étant définie par p < 0,05. Aucune barre d'erreur n'est affichée, car la figure représente des distributions de fréquence et non des statistiques descriptives. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 6 : Évolution des représentations de connaissances basées sur les graphes au cours des itérations d'apprentissage. Cette figure illustre l'évolution temporelle des intégrations de nœuds du graphe au fil d'étapes de simulation normalisées. Les pics représentent des activations de caractéristiques plus fortes, tandis que les creux indiquent des représentations de caractéristiques plus faibles, mettant en évidence l'adaptation continue et l'affinement du graphe de connaissances durant le processus de simulation. Cette visualisation présente l'évolution des représentations de caractéristiques apprises et n'inclut pas de barres d'erreur. Les comparaisons statistiques rapportées dans l'étude ont été réalisées à l'aide d'un test t apparié sur n = 1000 apprenants simulés, la significativité statistique étant définie comme p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 7 : Intensité des relations entre les nœuds cognitifs et émotionnels dans le graphe d'apprentissage. Cette figure illustre les intensités d'interaction normalisées entre les nœuds cognitifs et émotionnels dans le cadre d'apprentissage fondé sur les graphes. Des valeurs plus élevées indiquent des dépendances cognitivo-émotionnelles plus fortes, tandis que des valeurs plus faibles représentent des relations plus ténues, mettant en évidence la structure interconnectée complexe et l'évolution adaptative du graphe d'apprentissage tout au long de la simulation. Cette visualisation présente les schémas de connectivité du graphe et n'inclut pas de barres d'erreur. Les comparaisons statistiques rapportées ailleurs dans l'étude ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés, la signification statistique étant définie comme p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 8 : Relation entre le progrès d'apprentissage et le bien-être émotionnel dans des environnements de curriculum adaptatif. Cette figure illustre la relation positive entre le gain de connaissances normalisé et la stabilité émotionnelle tout au long du processus d'apprentissage simulé. À mesure que l'acquisition des connaissances augmente, la stabilité émotionnelle s'améliore également, indiquant une intégration efficace du développement cognitif et de la régulation émotionnelle dans le cadre GECIF proposé. Les comparaisons statistiques ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés. Lorsqu'elles sont indiquées, les barres d'erreur représentent les intervalles de confiance à 95 % (IC 95 %) des valeurs moyennes de performance normalisée. Les différences ont été considérées comme statistiquement significatives pour p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 9 : Contribution de l'acquisition des connaissances et des dynamiques émotionnelles à la performance globale d'apprentissage au cours des étapes de simulation normalisées. Cette figure illustre les contributions temporelles du gain de connaissances normalisé et des dynamiques émotionnelles à la performance d'apprentissage simulée globale. L'acquisition des connaissances présente une augmentation dominante et soutenue tout au long de la simulation, tandis que l'influence des dynamiques émotionnelles se stabilise progressivement, démontrant ainsi l'intégration efficace des processus cognitifs et émotionnels dans le cadre proposé du GECIF. Des comparaisons statistiques ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés. Lorsque des barres d'erreur sont affichées, elles représentent les intervalles de confiance à 95 % (IC 95 %) des valeurs moyennes de performance normalisées. Les différences ont été considérées statistiquement significatives pour p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 10 : Variabilité et robustesse des performances d'apprentissage entre les modèles adaptatifs et conventionnels. Cette figure présente des diagrammes en boîte à moustaches comparant les distributions des gains de connaissances normalisés pour le cadre GECIF proposé et le modèle de référence conventionnel. Le cadre proposé montre un gain médian de connaissances plus élevé et une distribution globale décalée vers des valeurs de performance supérieures, tout en affichant également un écart interquartile plus large et une dispersion générale plus importante, reflétant une variabilité accrue parmi les apprenants simulés. Malgré cette variabilité accrue, la distribution systématiquement plus élevée du gain de connaissances démontre que le cadre proposé maintient des performances d'apprentissage robustes dans diverses conditions d'apprenants. Les comparaisons statistiques ont été effectuées à l'aide d'un test t pour échantillons indépendants sur n = 1000 apprenants simulés par modèle. Les boîtes représentent l'écart interquartile (EIQ), la ligne horizontale à l'intérieur de chaque boîte indique la médiane, et les moustaches s'étendent jusqu'à 1,5 × EIQ. Le cadre proposé a obtenu un gain moyen de connaissances significativement plus élevé que le modèle conventionnel (p < 0,0001 ; d de Cohen = 1,43). Aucune barre d'erreur n'est affichée, car le diagramme en boîte à moustaches résume les distributions des données à l'aide de quartiles et de moustaches plutôt qu'à l'aide d'intervalles de confiance. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 11 : Évolutions dynamiques de l'engagement des étudiants au cours du processus d'apprentissage. Cette figure illustre l'évolution temporelle de l'indice normalisé d'engagement des étudiants en fonction des étapes normalisées de simulation, démontrant que le cadre GECIF proposé permet d'atteindre un niveau d'engagement plus élevé et plus adaptatif que le modèle de référence conventionnel tout au long du processus d'apprentissage simulé. Les comparaisons statistiques entre le modèle proposé et le modèle de référence ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés. Lorsqu'elles sont indiquées, les barres d'erreur représentent les intervalles de confiance à 95 % (IC 95 %) de la moyenne de l'indice normalisé d'engagement des étudiants. Les différences ont été considérées comme statistiquement significatives pour une valeur de p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 12 : Motifs cycliques d'engagement des étudiants dans des environnements d'apprentissage adaptatifs. Cette figure illustre l'évolution temporelle de l'indice normalisé d'engagement des étudiants en fonction des étapes de simulation normalisées, montrant des fluctuations périodiques mais stables indiquant que le cadre GECIF proposé maintient un rythme équilibré et adaptatif des interactions des apprenants tout au long du processus d'apprentissage simulé. Les comparaisons statistiques ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés. Lorsque des barres d'erreur sont indiquées, elles représentent les intervalles de confiance à 95 % (IC 95 %) de la moyenne de l'indice normalisé d'engagement des étudiants. Les différences ont été considérées comme statistiquement significatives pour p < 0,05. Veuillez cliquer ici pour afficher une version agrandie de cette figure.
Figure 13 : Variation spatiale de l'intensité des caractéristiques au sein de la structure du graphe d'apprentissage. Cette figure illustre la répartition spatiale normalisée des activations des caractéristiques dans le cadre d'apprentissage fondé sur les graphes. Les régions à intensité plus élevée indiquent des activations plus fortes des caractéristiques, tandis que les régions à faible intensité représentent des activations plus faibles, mettant ainsi en évidence l'organisation structurée et non linéaire des représentations des connaissances et de leurs relations adaptatives au sein du graphe d'apprentissage durant la simulation. Cette visualisation présente des motifs spatiaux de caractéristiques et n'inclut pas de barres d'erreur. Les comparaisons statistiques rapportées ailleurs dans l'étude ont été réalisées à l'aide d'un test t apparié sur n = 1000 apprenants simulés, la signification statistique étant définie comme p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 14 : Sens de la transmission des connaissances au sein du graphe du programme pédagogique. Cette figure illustre la propagation normalisée des connaissances à travers les nœuds interconnectés dans le cadre du programme pédagogique basé sur un graphe. Les trajets directionnels représentent l'écoulement organisé de l'information à travers le graphe d'apprentissage, mettant en évidence une diffusion efficace des connaissances et un échange adaptatif d'informations entre les composantes du programme pendant la simulation. Cette visualisation montre les schémas de propagation des connaissances et ne comprend pas de barres d'erreur. Les comparaisons statistiques rapportées ailleurs dans l'étude ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés, la signification statistique étant définie comme p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 15 : Évolution structurelle du graphe d'apprentissage au fil du temps par transformation adaptative des caractéristiques. Cette figure illustre l'évolution progressive de la topologie du graphe au cours d'étapes de simulation normalisées, alors que la transformation adaptative des caractéristiques affine continuellement les relations entre les nœuds de connaissance. Les changements structurels dynamiques reflètent la capacité du cadre à réorganiser et optimiser les parcours d'apprentissage, conduisant à des représentations de graphe de plus en plus cohérentes et adaptatives tout au long du processus d'apprentissage simulé. Cette visualisation montre l'évolution de la topologie du graphe et n'inclut pas de barres d'erreur. Les comparaisons statistiques mentionnées ailleurs dans l'étude ont été réalisées à l'aide d'un test t apparié sur n = 1000 apprenants simulés, la signification statistique étant définie comme p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 16 : Profils d'interdépendance entre les caractéristiques d'apprentissage extraites dans le cadre adaptatif. Cette figure visualise les profils normalisés d'interdépendance entre les caractéristiques d'apprentissage extraites dans le cadre proposé du GECIF. Des relations plus fortes indiquent des corrélations plus élevées et des interactions plus efficaces entre les dimensions des caractéristiques, tandis que des relations plus faibles reflètent des dépendances moindres, illustrant ainsi l'organisation multidimensionnelle complexe des représentations cognitives et émotionnelles apprises par le cadre adaptatif basé sur les graphes. Cette visualisation présente les profils d'interaction entre caractéristiques et n'inclut pas de barres d'erreur. Les comparaisons statistiques signalées ailleurs dans l'étude ont été réalisées à l'aide d'un test t apparié sur n = 1000 apprenants simulés, le seuil de significativité statistique étant fixé à p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 17 : Contribution des caractéristiques multidimensionnelles à la performance d'acquisition des connaissances. Cette figure illustre les contributions normalisées de plusieurs dimensions de caractéristiques à l'acquisition des connaissances dans le cadre d'apprentissage basé sur les graphes. Les variations de l'importance des caractéristiques entre les nœuds du graphe mettent en évidence la nature hétérogène des facteurs cognitifs et émotionnels d'apprentissage, montrant comment différentes caractéristiques interagissent et contribuent à une acquisition adaptative des connaissances dans le cadre proposé du GECIF. Cette visualisation présente des profils de contribution des caractéristiques multidimensionnelles et n'inclut pas de barres d'erreur. Les comparaisons statistiques rapportées ailleurs dans l'étude ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés, le seuil de significativité statistique étant fixé à p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 18 : Évolution simultanée des états cognitifs et émotionnels au cours de l'apprentissage adaptatif. Cette figure illustre l'évolution temporelle du gain de connaissance normalisé et de la stabilité émotionnelle en fonction des pas de simulation normalisés, mettant en évidence une amélioration cognitive progressive accompagnée d'une réduction progressive des fluctuations émotionnelles. L'évolution coordonnée de ces deux dimensions de l'apprentissage indique que le cadre GECIF proposé maintient efficacement une intégration équilibrée du développement cognitif et de la régulation émotionnelle tout au long du processus d'apprentissage simulé. Les comparaisons statistiques ont été effectuées à l'aide d'un test t apparié sur n = 1000 apprenants simulés. Lorsque des barres d'erreur sont indiquées, elles représentent les intervalles de confiance à 95 % (IC 95 %) des valeurs moyennes normalisées. Les différences ont été considérées statistiquement significatives pour une valeur de p < 0,05. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
| Symbole | Description | Catégorie |
| G | Graphique représentant l'ensemble du système d'apprentissage | Composant du graphique |
| V | Ensemble de tous les nœuds | Composant du graphique |
| E | Ensemble des arêtes (relations) | Composant du graphique |
| W | Matrice de poids représentant l'intensité des relations | Composant du graphique |
| V_k | Nœuds de connaissances (concepts musicaux) | Type de nœud |
| V_a | Nœuds d'activité (actions d'apprentissage) | Type de nœud |
| V_e | Nœuds d'émotions (états psychologiques) | Type de nœud |
| W_ij | Poids entre le nœud i et le nœud j | Paramètre d'arête |
| S_c(i,j) | Similarité cognitive entre les nœuds | Paramètre d'arête |
| S_e(i,j) | Corrélation émotionnelle entre les nœuds | Paramètre d'arête |
| alpha | Poids attribué à la similarité cognitive | Paramètre du modèle |
| beta | Poids attribué à la corrélation émotionnelle | Paramètre du modèle |
| x_i(t) | Vecteur d'état du nœud i au temps t | État du nœud |
| k_i(t) | Niveau de connaissance du nœud i | État du nœud |
| e_i(t) | État émotionnel du nœud i | État du nœud |
| a_i(t) | Engagement dans l'activité du nœud i | État du nœud |
| h_i | Représentation intégrée du nœud | Paramètre du GNN |
| gamma | Facteur de décroissance émotionnelle | Paramètre du modèle |
| eta | Taux d'apprentissage/d'adaptation | Paramètre du modèle |
| J | Fonction d'optimisation multi-objectif | Optimisation |
Tableau 1 : Résumé des variables, paramètres et notations utilisés dans le cadre de l'intelligence curriculumique émotionnelle basée sur les graphes (GECIF). Ce tableau fournit les définitions des composants du graphe, des états des nœuds et des paramètres du modèle, contribuant ainsi à la reproductibilité et à la clarté de la méthodologie proposée.
| Métrique | GECIF proposé (moyenne) | Écart type proposé | IC 95 % proposé | Conventional (moyenne) | Écart type conventionnel | IC 95 % conventionnel | Amélioration (%) | Seuil de significativité (p-value) |
| Gain de connaissances | 0.88 | 0.04 | 0.84–0.92 | 0.65 | 0.06 | 0.59–0.71 | 35 | 0.001 |
| Stabilité émotionnelle | 0.92 | 0.03 | 0.89–0.95 | 0.7 | 0.05 | 0.65–0.75 | 31 | 0.002 |
| Réduction du stress | 0.85 | 0.05 | 0.80–0.90 | 0.55 | 0.07 | 0.48–0.62 | 54 | 0.0005 |
| Niveau d'engagement | 0.9 | 0.04 | 0.86–0.94 | 0.68 | 0.06 | 0.62–0.74 | 32 | 0.0015 |
| Robustesse | 0.87 | 0.03 | 0.84–0.90 | 0.66 | 0.05 | 0.61–0.71 | 32 | 0.002 |
| Efficacité d'apprentissage | 0.91 | 0.04 | 0.87–0.95 | 0.69 | 0.06 | 0.63–0.75 | 32 | 0.001 |
| Vitesse de convergence | 0.89 | 0.03 | 0.86–0.92 | 0.67 | 0.05 | 0.62–0.72 | 33 | 0.001 |
| Précision des prédictions | 0.93 | 0.02 | 0.91–0.95 | 0.72 | 0.05 | 0.67–0.77 | 29 | 0.0008 |
| Réduction de la variance émotionnelle | 0.86 | 0.04 | 0.82–0.90 | 0.6 | 0.06 | 0.54–0.66 | 43 | 0.0012 |
| Score d'adaptabilité | 0.9 | 0.03 | 0.87–0.93 | 0.68 | 0.05 | 0.63–0.73 | 32 | 0.001 |
Tableau 2 : Métriques comparatives de performance entre le cadre GECIF proposé et le modèle d'apprentissage conventionnel. Le tableau résume les améliorations en matière de gain de connaissances, de stabilité émotionnelle, de réduction du stress, d'engagement, de robustesse et d'efficacité globale de l'apprentissage, démontrant la supériorité de l'approche proposée.
Fichier supplémentaire 1 : Code pour la génération du jeu de données et les représentations de données structurées. Résumé de la génération du jeu de données basée sur MATLAB, du pipeline de traitement et des procédures d'évaluation utilisées dans le cadre d'intelligence curriculumaire émotionnel basé sur les graphes (GECIF). Ce fichier fournit un aperçu des étapes de simulation, notamment la génération des journaux d'interaction, la modélisation des indicateurs émotionnels, le calcul de la performance d'apprentissage, la construction des graphes, l'ingénierie des caractéristiques, l'analyse statistique, les vérifications de validation et les procédures d'exportation des données, afin de favoriser la reproductibilité, la transparence et la clarté de la méthodologie proposée.Veuillez cliquer ici pour télécharger ce fichier.
Discussion
La présente étude propose un cadre d'intelligence pédagogique émotionnel fondé sur les graphes (GECIF) qui intègre l'apprentissage de représentations basé sur les graphes, la modélisation des états émotionnels, l'optimisation adaptative des programmes d'enseignement et un enseignement visuel piloté par l'intelligence artificielle au sein d'un cadre computationnel unifié pour l'enseignement musical universitaire. Contrairement aux modèles éducatifs assistés par l'IA qui visent principalement à optimiser la performance académique, le cadre proposé modélise simultanément les interactions entre l'acquisition des connaissances, la régulation émotionnelle, l'engagement des apprenants et l'évolution adaptative du programme. Les résultats des simulations ont systématiquement démontré une performance supérieure du cadre proposé par rapport au modèle de référence conventionnel selon plusieurs métriques d'évaluation, notamment le gain de connaissances, la stabilité émotionnelle, l'engagement des apprenants et la réduction du stress. Ces résultats indiquent que l'intégration de structures relationnelles en graphe avec un apprentissage sensible aux émotions fournit une représentation computationnelle plus complète des processus éducatifs que les approches reposant exclusivement sur l'adaptation cognitive.
Les améliorations observées dans les performances d'apprentissage simulées sont cohérentes avec les récents progrès dans l'éducation adaptative assistée par l'intelligence artificielle. Les technologies d'IA sont de plus en plus reconnues comme des outils efficaces pour développer des environnements d'apprentissage personnalisés et adaptatifs, capables de répondre aux caractéristiques des apprenants et à leurs besoins éducatifs18,19,20. En particulier, la conception de programmes d'enseignement adaptatifs soutenue par l'intelligence artificielle s'est révélée efficace pour améliorer la flexibilité pédagogique, la prise de décision centrée sur l'apprenant et l'efficacité éducative19,20. De plus, les systèmes d'évaluation assistée par l'IA et de rétroaction intelligente ont montré un potentiel significatif pour renforcer la réussite des étudiants grâce à une évaluation continue et un soutien pédagogique adaptatif21,22,23. Par rapport à ces études antérieures, le cadre GECIF proposé étend les méthodologies existantes en intégrant les connaissances cognitives, les dynamiques émotionnelles et les comportements d'apprentissage adaptatifs au sein d'une architecture computationnelle unique basée sur les graphes. Par conséquent, le présent cadre fournit une représentation unifiée des processus éducatifs, plutôt que de traiter séparément la performance cognitive et l'adaptation de l'apprenant.
L'intégration de la modélisation émotionnelle dans le cadre proposé est également appuyée par des recherches antérieures en éducation musicale et en apprentissage affectif. Li1 a démontré que la visualisation émotionnelle combinée à l'apprentissage profond améliore l'enseignement de l'esthétique musicale en renforçant l'interaction entre les apprenants et le contenu éducatif. De même, Zhao3 a rapporté que l'intégration de la cartographie cognitive à la thérapie musicale audiovisuelle réduit efficacement l'anxiété chez les étudiants universitaires, soulignant le lien étroit entre régulation émotionnelle et résultats d'apprentissage. Iyendo et al.4 ont en outre démontré que les interventions artistiques audiovisuelles et musicales améliorent de façon significative le bien-être psychologique en atténuant les symptômes liés au stress émotionnel. Les améliorations de la stabilité émotionnelle observées dans la présente simulation concordent donc avec les données antérieures indiquant que la conscience émotionnelle constitue un élément essentiel d'un enseignement musical réussi. Contrairement aux études précédentes, qui ont principalement examiné les interventions émotionnelles comme stratégies éducatives indépendantes, le cadre proposé intègre directement la dynamique émotionnelle dans l'optimisation du curriculum fondée sur les graphes, permettant ainsi aux états émotionnels d'influencer continuellement les décisions pédagogiques adaptatives tout au long du processus d'apprentissage.
La réduction simulée du stress chez l'apprenant est tout aussi cohérente avec la littérature récente portant sur la santé mentale des étudiants dans l'enseignement supérieur. Le stress académique a été identifié comme un prédicteur majeur de la baisse du bien-être psychologique et de la performance éducative altérée chez les étudiants universitaires28,29,30. Des analyses systématiques ont en outre montré que des interventions structurées de gestion du stress améliorent significativement le fonctionnement académique ainsi que la santé psychologique27. Plus récemment, des interventions numériques assistées par intelligence artificielle se sont révélées efficaces pour favoriser la gestion du stress et l'automodulation adaptative chez les étudiants universitaires29. Le cadre actuel diffère de ces approches fondées sur des interventions, car la réduction du stress découle de l'optimisation adaptative des interactions cognitives et émotionnelles, plutôt que de mécanismes thérapeutiques distincts. Par conséquent, les niveaux de stress plus faibles observés dans le cadre proposé suggèrent que la conception même d'un programme d'enseignement émotionnellement adaptatif pourrait contribuer à réduire la surcharge cognitive tout en soutenant simultanément une meilleure performance d'apprentissage.
L'engagement accru des apprenants observé dans la présente étude est également soutenu par des recherches antérieures sur l'éducation visuelle assistée par l'intelligence artificielle et les technologies pédagogiques personnalisées. Bian et al.12 ont démontré que le contenu visuel généré par l'IA améliore significativement l'engagement en classe, l'auto-efficacité des apprenants et la performance cognitive dans les environnements éducatifs. De même, Johnson et al.34 ont signalé que les environnements numériques d'apprentissage visuel renforcent l'engagement des étudiants et favorisent une participation accrue dans des conditions éducatives stressantes. Plus spécifiquement dans l'enseignement musical, les technologies pédagogiques assistées par l'IA se sont révélées efficaces pour faciliter des parcours d'apprentissage personnalisés et améliorer l'innovation pédagogique41. Le cadre GECIF proposé complète ces résultats en combinant un enseignement visuel adaptatif avec une modélisation émotionnelle basée sur les graphes, permettant ainsi à l'engagement des apprenants, à la régulation émotionnelle et au développement cognitif d'évoluer simultanément tout au long du processus d'apprentissage.
La relation entre régulation émotionnelle et performance d'apprentissage observée dans la présente étude est également appuyée par des recherches plus larges en santé mentale. La régulation émotionnelle a été identifiée comme un déterminant fondamental du bien-être psychologique et du fonctionnement éducatif sain32. De même, les modèles de bien-être des élèves soulignent que la résilience émotionnelle et la stabilité psychologique sont étroitement associées à des résultats académiques réussis15,16,17. Des études menées auprès d'étudiants universitaires ont régulièrement montré que la promotion de la santé mentale renforce la résilience, l'engagement et la réussite éducative à long terme14,15,16,17. La simulation actuelle a démontré un comportement computationnel similaire, dans lequel des améliorations de la stabilité émotionnelle allaient de pair avec une acquisition accrue des connaissances et un engagement plus fort de l'apprenant. Bien que la présente étude soit entièrement basée sur des simulations et ne puisse donc établir de relations causales chez des apprenants réels, les résultats computationnels confirment le consensus croissant selon lequel la régulation émotionnelle devrait être intégrée directement dans les systèmes éducatifs intelligents, plutôt que d'être considérée comme un résultat éducatif indépendant.
Par rapport aux approches computationnelles existantes, le cadre proposé présente plusieurs avantages conceptuels. Les systèmes éducatifs actuels basés sur l’intelligence artificielle utilisent de plus en plus l’évaluation adaptative, la rétroaction personnalisée et l’aide à la décision intelligente afin d’améliorer l’efficacité de l’apprentissage21,22,23. De même, les modèles de curriculum adaptatif pilotés par l’IA mettent l’accent sur la personnalisation de l’apprenant et sur une planification pédagogique dynamique18,19,20. Toutefois, ces approches évaluent généralement la performance de l’apprenant principalement à travers des indicateurs cognitifs, tout en représentant les informations émotionnelles séparément ou en les omettant complètement. En revanche, le cadre GECIF proposé modélise simultanément l’acquisition des connaissances, la dynamique émotionnelle, l’engagement de l’apprenant et l’évolution adaptative du curriculum au sein d’une représentation graphique unifiée. Cette stratégie de modélisation intégrée permet une interaction continue entre les variables cognitives, comportementales et émotionnelles, offrant ainsi une description computationnelle plus complète des processus éducatifs que les systèmes éducatifs conventionnels pilotés par l’IA.
Le cadre est particulièrement pertinent pour l'enseignement musical, car l'apprentissage musical combine intrinsèquement l'acquisition de compétences techniques, l'expression émotionnelle, la créativité et l'engagement de l'apprenant. Des études antérieures ont montré que l'intégration de la musique, des arts visuels et d'activités pédagogiques créatives contribue au développement psychologique, au bien-être émotionnel et à la motivation éducative36,37. De plus, les étudiants en musique éprouvent fréquemment une charge de travail académique importante ainsi qu'un stress psychologique élevé, ce qui souligne l'importance de mécanismes de soutien pédagogique adaptatifs25,26. Le cadre proposé élargit ces perspectives éducatives en proposant un mécanisme computationnel capable de représenter simultanément la progression technique de l'apprentissage, l'adaptation émotionnelle et l'optimisation pédagogique adaptative au sein d'un modèle unique basé sur les graphes. En conséquence, ce cadre fournit une base computationnelle interprétable pour les futurs systèmes intelligents d'enseignement musical visant à optimiser à la fois la performance éducative et le bien-être des apprenants.
Plusieurs limites doivent néanmoins être reconnues. Premièrement, le cadre a été évalué exclusivement à l’aide de données synthétiques générées dans une simulation informatique contrôlée ; par conséquent, les améliorations rapportées reflètent la performance algorithmique plutôt que des preuves empiriques obtenues à partir de populations réelles d’étudiants. Deuxièmement, les variables émotionnelles ont été représentées à l’aide d’abstractions mathématiques qui simplifient la complexité des processus émotionnels humains authentiques. Troisièmement, les structures de graphes prédéfinies et les paramètres d’optimisation peuvent ne pas représenter pleinement la diversité des environnements éducatifs rencontrés en pratique. Enfin, l’optimisation basée sur les graphes introduit une complexité informatique supplémentaire qui pourrait nécessiter une optimisation supplémentaire avant un déploiement à grande échelle dans des systèmes éducatifs intelligents.
Les recherches futures devraient donc valider le cadre proposé à l’aide de jeux de données éducatifs authentiques et dans des environnements de classe réels. L’intégration d’informations éducatives multimodales, notamment des journaux d’interactions comportementales, des mesures physiologiques, des observations audiovisuelles et des traces numériques d’apprentissage, pourrait améliorer considérablement le réalisme de l’estimation des états émotionnels et de l’optimisation adaptative des programmes. Des évaluations comparatives par rapport à des systèmes récents d’apprentissage adaptatif pilotés par l’intelligence artificielle 18,19,20,21,22 permettraient de mieux cerner les avantages relatifs de la modélisation émotionnelle fondée sur les graphes. Étendre ce cadre au-delà de l’enseignement musical à d’autres disciplines éducatives renforcerait également la preuve de sa généralisabilité et de son applicabilité pratique. La présente étude par simulation démontre que l’intégration de l’apprentissage relationnel fondé sur les graphes avec la modélisation émotionnelle constitue une orientation prometteuse pour les systèmes éducatifs intelligents de prochaine génération. Les résultats sont cohérents avec les avancées récentes dans les domaines de l’éducation adaptative assistée par l’IA, de l’enseignement musical sensible aux émotions, de l’apprentissage personnalisé et de la recherche sur la santé mentale des élèves25,26,27,28,29,30. Bien que la validation auprès d’apprenants réels reste nécessaire, le cadre GECIF proposé fournit une base computationnelle structurée pour les futurs systèmes éducatifs pilotés par l’IA, capables d’optimiser simultanément la performance cognitive, le bien-être émotionnel, l’engagement des apprenants et la conception de programmes adaptatifs.
Déclarations de divulgation
L'auteur déclare ne pas avoir de conflit d'intérêts.
Remerciements
L'auteur tient à exprimer sa profonde gratitude au Département de musique de l'Université normale d'Anqing pour avoir fourni le cadre académique et le soutien institutionnel nécessaires à la réalisation de cette recherche. Une reconnaissance particulière est adressée aux collègues et aux étudiants qui ont apporté des réflexions et des commentaires précieux lors de l'élaboration et de l'évaluation du cadre proposé. L'auteur remercie également l'Université normale d'Anqing pour son soutien dans l'accès aux ressources et aux infrastructures de recherche.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Module RAM DDR4 de 32 Go | Kingston Technology | NA | |
| Kit d'outils CUDA pour l'accélération GPU (v11.8) | NVIDIA | version 1.18 | |
| Moteur d'adaptation du programme | Implémentation personnalisée | CAE003 | |
| Jeu de données : Indicateurs émotionnels | Jeu de données généré | DEI006 | |
| Jeu de données : Métriques de performance d'apprentissage | Jeu de données généré | DLPM007 | |
| Jeu de données : Journaux d'interaction des étudiants | Jeu de données généré | DIL005 | |
| Module de simulation d'état émotionnel | Implémentation personnalisée | ESM002 | |
| Station de travail GPU (NVIDIA RTX 3080) | NVIDIA | NA | |
| Module d'implémentation de réseau neuronal graphique | Implémentation personnalisée | NA | |
| Processeur Intel Core i7 (3,6 GHz) | Intel Corporation | NA | |
| Environnement Jupyter Notebook (v6.5) | Projet Jupyter | version 6.5 | |
| Logiciel MATLAB (R2023a) | MathWorks | R2023a | |
| Bibliothèque de visualisation Matplotlib (v3.7) | Matplotlib | version 3.7 | |
| Bibliothèque de traitement de graphes NetworkX (v3.1) | Développeurs NetworkX | version 3.1 | |
| Bibliothèque de calcul numérique NumPy (v1.24) | Développeurs NumPy | version 1.24 | |
| Module d'optimisation (solveur multi-objectif) | Implémentation personnalisée | MOS008 | |
| Bibliothèque de traitement de données Pandas (v2.0) | Équipe de développement Pandas | version 2.0 | |
| Environnement de programmation Python (v3.10) | Fondation logicielle Python | version 3.10 | |
| Framework d'apprentissage profond PyTorch (v2.0) | Meta AI | version 2.0 | |
| Script d'initialisation de graine aléatoire | Implémentation personnalisée | RSI009 | |
| Bibliothèque d'apprentissage automatique Scikit-learn (v1.3) | Scikit-learn | version 1.3 | |
| Bibliothèque de visualisation statistique Seaborn (v0.12) | Seaborn | version 0.12 | |
| Bibliothèque TensorFlow (v2.12) | version 2.12 | ||
| Kit de développement d'interface d'apprentissage visuel | Implémentation personnalisée | VLI004 | |
| Système d'exploitation Windows 11 | Microsoft | W11 |
Références
- Li Y. Music aesthetic teaching and emotional visualization under emotional teaching theory and Deep learning. Front Psychol. 2022;13.
- Yang J. Retraction notice to: 'research on music education: Integrating synaesthesia theory and colour psychology', HTS Teologiese Studies/Theological Studies 79(4), A8848. HTS Teol Stud. 2024;80(1).
- Zhao Y. Cognitive mapping-based audiovisual and singing music therapy as a cross-intervention for college students' anxiety. Appl Math Nonlinear Sci. 2024;9(1).
- Iyendo TO, Uwajeh PC, Oseke BN, Dong L, Adejumo A, Umar I, et al. Effect of audio-visual-based art and music therapy in reducing Adolescents Post Traumatic Stress disorder. J Adolesc Health. 2024;74(2):283–291.
- Sones AC, Fogelson DL, Glick ID, Shader RI. Untreated mental illness has created a national tragedy: A pandemic of homelessness. J Clin Psychopharmacol. 2022;42(2):115–117.
- Omelchenko M, Migalina V, Kaleda V. The effect of untreated illness in youth depression: A cross-sectional study. Consort Psychiatr. 2022;3(4):8.
- Vargas-Huicochea I, Álvarez-del-Río A, Rodríguez-Machain AC, Aguirre-Benítez EL, Kelsall N. Seeking psychiatric attention among university students with mental health problems: The influence of disease perception. Int J Ment Health Addict. 2022;20(1):505–521.
- Shim YR, Eaker R, Park J. Mental health education, awareness and stigma regarding mental illness among college students. J Ment Health Clin Psychol. 2022;6(2):6–15.
- Bantjes J, Kessler MJ, Hunt X, Stein DJ, Kessler RC. Treatment rates and barriers to mental health service utilisation among university students in South Africa. Int J Ment Health Syst. 2023;17(1):38.
- McLafferty M, Brown N, Brady J, McLaughlin J, McHugh R, Ward C, et al. Variations in psychological disorders, suicidality, and help-seeking behaviour among college students from different academic disciplines. PLoS One. 2022;17(12):e0279618.
- Liu Z. Music teaching curriculum integrates physical exercise to regulate Students' mental health. Rev Psicol Deporte. 2024;33(1):426–435.
- Bian C, Wang X, Huang Y, Zhou S, Lu W. Effects of AI-generated images in visual art education on students' classroom engagement, self-efficacy and cognitive load. Humanit Soc Sci Commun. 2025;12(1):1–14.
- Yu H, Zou Z. The music education and teaching innovation using blockchain technology supported by artificial intelligence. Int J Grid Util Comput. 2023;14(2-3):278–296.
- Mulvogue J, Ryan C, Hunt S, Cross M, Cleary M. Promoting positive outcomes in higher education: Supporting undergraduate student mental health and well-being. Issues Ment Health Nurs. 2023;44(7):673–677.
- Sholichatun Y, Aziz R, Baharuddin B, Mulyadi M, Muhid A. Building resilience to promote mental health in university students. Health Educ Health Promot. 2025;13(2):257–263.
- Martínez-García A, Valverde-Montesino S, García-García M. Promoting mental health in higher education: towards a model of well-being factors in emerging adulthood. Int J Qual Stud Health Well-Being. 2024;19(1):2408831.
- Ahluwalia M, Shillington KJ, Irwin JD. The relationship between resilience and mental health of undergraduate students: A scoping review. J Am Coll Health. 2025;73(3):1266–1279.
- Aggarwal D. Integration of innovative technological developments and AI with education for an adaptive learning pedagogy. China Pet Process Petrochem Technol. 2023;23(2):709–714.
- Ullah RS, Hashim F, Bandeali MM, Akbar A. Artificial Intelligence in Curriculum Design a Roadmap for Adaptive and Personalized Learning in Higher Education. Crit Rev Soc Sci Stud. 2025;3(3):304–322.
- Strielkowski W, Grebennikova V, Lisovskiy A, Rakhimova G, Vasileva T. AI‐driven adaptive learning for sustainable educational transformation. Sustain Dev. 2025;33(2):1921–1947.
- Hooda M, Rana C, Dahiya O, Rizwan A, Hossain MS. Artificial intelligence for assessment and feedback to enhance student success in higher education. Math Probl Eng. 2022;2022(1):5215722.
- Caspari-Sadeghi S. Artificial intelligence in technology-enhanced assessment: A survey of machine learning. J Educ Technol Syst. 2023;51(3):372–386.
- Topping KJ, Gehringer E, Khosravi H, Gudipati S, Jadhav K, Susarla S. Enhancing peer assessment with artificial intelligence. Int J Educ Technol High Educ. 2025;22(1):3.
- Hammoudi Halat D, Soltani A, Dalli R, Alsarraj L, Malki A. Understanding and fostering mental health and well-being among university faculty: A narrative review. J Clin Med. 2023;12(13):4425.
- Jääskeläinen T, López-Íñiguez G, Phillips M. Music students' experienced workload in higher education: A systematic review and recommendations for good practice. Music Sci. 2023;27(3):541–567.
- Ghatpande AC, Anand SK. Mental health and stress management among college students: a critical analysis. Int J Sci Res Eng Manag. 2025;9(1):1–9.
- Amanvermez Y, Rahmadiana M, Karyotaki E, de Wit L, Ebert DD, Kessler RC, et al. Stress management interventions for college students: A systematic review and meta-analysis. Clin Psychol Sci Pract. 2023;30(4):423.
- Córdova Olivera P, Gasser Gordillo P, Naranjo Mejía H, La Fuente Taborga I, Grajeda Chacón A, Sanjinés Unzueta A. Academic stress as a predictor of mental health in university students. Cogent Educ. 2023;10(2):2232686.
- Alhasani M, Orji R. Promoting stress management among students in higher education: Evaluating the effectiveness of a persuasive time management mobile app. Int J Hum-Comput Interact. 2025;41(1):219–241.
- Campbell F, Blank L, Cantrell A, Baxter S, Blackmore C, Dixon J, et al. Factors that influence mental health of university and college students in the UK: a systematic review. BMC Public Health. 2022;22(1):1778.
- Nepal S, Liu W, Pillai A, Wang W, Vojdanovski V, Huckins JF, et al. Capturing the college experience: a four-year mobile sensing study of mental health, resilience and behavior of college students during the pandemic. Proc ACM Interact Mob Wearable Ubiquitous Technol. 2024;8(1):1–37.
- Menefee DS, Ledoux T, Johnston CA. The importance of emotional regulation in mental health. Am J Lifestyle Med. 2022;16(1):28–31.
- Sattar G, Rustemova S, Nebessayeva Z. Socially Interactive Approaches and Digital Technologies in Art Education: Developing Creative Thinking in Students During Art Classes. Open Educ Stud. 2025;7(1):20250096.
- Johnson R, Cantrell K, Cutcliffe K, Batorowicz B, McLean T. Expanding creative communities in the visual arts: Using Padlet to support student engagement and belonging in stressful contexts. Art Educ. 2023;76(4):33–39.
- Cowand A, Amarsaikhan U, Ricks RF, Cash ED, Sephton SE. Self-compassion is associated with improved well-being and healthier cortisol profiles in undergraduate students. Mindfulness. 2024;15(7):1831–1845.
- Brovchak LS, Starovoit LV, Likhitska LM, Todosiienko NL, Shvets IB. Integrating music, drama and visual arts in extracurricular programs: enhancing psychological development in early school-aged children. Sapienza Int J Interdiscip Stud. 2024;5(3):e24052.
- Salomon-Gimmon M, Orkibi H, Elefant C. The contribution of a music and arts rehabilitation program to the creative identity, well-being, and community integration of people with mental health conditions. J Humanist Psychol. 2026;66(2):518–551.
- Shkembi F, Sauku VH, Ibrahimi S, Ibrahimi E. The psychological impact of online education on student well-being and motivation. Int Soc Sci Educ J. 2024;2(2):1–8.
- Pointon-Haas J, Waqar L, Upsher R, Foster J, Byrom N, Oates J. A systematic review of peer support interventions for student mental health and well-being in higher education. BJPsych Open. 2024;10(1):e12.
- Reist C, Petiwala I, Latimer J, Raffaelli SB, Chiang M, Eisenberg D, et al. Collaborative mental health care: A narrative review. Medicine. 2022;101(52):e32554.
- Peng C. Integrating computational intelligence in music teaching: A decision-making approach for personalised education. Int J Inf Commun Technol. 2025;26(27):38–51.
- Chi M, Wang N, Wu Q, Cheng M, Zhu C, Wang X, et al. Implementation of the flipped classroom combined with problem-based learning in a medical nursing course: A quasi-experimental design. Healthcare. 2022;10(12):2572.