מאמר מחקר

מחקר על שילוב סימולציה נרטיבית ובינה מלאכותית חזותית בניהול הוראה לבניית יכולות בריאות הנפש באוניברסיטאות

DOI:

10.3791/69016

⸱

5 בדצמבר 2025

 ,  ,  , 
1Tongda College of Nanjing University of Posts and Telecommunications, 2School of Digital Business, Guangzhou Nanyang Polytechnic College, 3Hanshan Normal University, 4The Third Duty Brigade, Shanghai Detachment, People's Armed Police Force

* These authors contributed equally

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה משלב סימולציה נרטיבית ובינה מלאכותית חזותית במערכות ניהול הוראה כדי לשפר את בריאות הנפש, החוסן הרגשי והמעורבות של הסטודנטים.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

סטודנטים באוניברסיטה מתמודדים יותר ויותר עם אתגרים נפשיים, כולל חרדה, דיכאון ולחץ, אך רוב סביבות ההשכלה הגבוהה חסרות מערכות פרואקטיביות למעקב רגשי ולתמיכה. מחקר זה נועד לעצב, ליישם ולהעריך מערכת ניהול הוראה היברידית המשלבת סימולציה נרטיבית עם בינה מלאכותית חזותית (AI) לקידום אוריינות נפשית וחוסן רגשי בקרב תלמידים. המערכת כוללת מודול קבלת החלטות נרטיבי המדמה תרחישי לחץ וכלי זיהוי רגשות מונע בינה מלאכותית (המבוסס על זיהוי הבעות פנים) המוטמע בסביבות כיתה. עיצוב בשיטות מעורבות הופעל עם 332 סטודנטים לתואר ראשון ו-15 חברי סגל מאוניברסיטאות שונות. נאספו סקרים לפני ואחרי ההתערבות, יומני שימוש ונתונים רגשיים בזמן אמת מבינה מלאכותית חזותית. נתונים כמותיים נותחו באמצעות סטטיסטיקה תיאורית, מבחני t זוגיים, ANOVA ורגרסיה ליניארית מרובה. התוצאות הצביעו על שיפורים מובהקים סטטיסטית בציוני בריאות הנפש של התלמידים (p < 0.01), במודעות רגשית ובביטחון בקבלת החלטות. גישה משולבת זו מדגימה הן שימושיות והן יכולת הרחבה, ומציעה למורים תובנות רגשיות מוקדמות ולתלמידים סביבה לימודית רפלקטיבית. השיטה מתאימה במיוחד למוסדות המצוידים בכיתות התומכות בבינה מלאכותית ובפיקוח אתי מיומן.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

בריאות הנפש הפכה לדאגה דחופה בהשכלה הגבוהה, עם עלייה ברמות חרדה, דיכאון ושחיקה בקרב סטודנטיםברחבי העולם. הנטל הפסיכולוגי הזה, שלרוב קשור לעומס אקדמי, לחצים חברתיים ואי-ודאות כלכלית, משפיעים לרעה על ביצועים אקדמיים, שימור ורווחה ארוכת טווח2. בעוד שמוסדות רבים יישמו שירותי ייעוץ והתערבויות במשבר, גישות כאלה נוטות להיות תגובתיות ומוגבלות בטווח ההשפעה3. יש ביקוש גובר לאסטרטגיות פרואקטיביות, ניתנות להרחבה ומשולבות התומכות בחוסן הפסיכולוגי של התלמידים בסביבת הלמידה היומיומית.

ההתקדמות האחרונה בטכנולוגיית החינוך מציעה הזדמנויות חדשות לשלב תמיכה רגשית ישירות במערכות ההוראה. שתי גישות מבטיחות הן סימולציה נרטיבית ובינה מלאכותית חזותית (AI). סימולציה נרטיבית מתייחסת למודולים אינטראקטיביים ומונחי סיפור, שממקמים את הסטודנטים בתרחישים רגשיים מורכבים, ומעודדים הרהור, אמפתיה וקבלת החלטות. מבוססות על תיאוריית למידה חווייתית, סימולציות אלו מאפשרות ללומדים לתרגל תגובות לאתגרים כמו חרדת מבחנים, ניהול זמן או קונפליקט בין חברים בסביבה בטוחה ומודרכת 4,5. תיאוריית הלמידה החווייתית מציעה בנוסף כי הרהור וניסוי פעיל הם חיוניים להפיכת החוויה ללמידה מתמשכת, מה שהופך את הסימולציה הנרטיבית לאמצעי מעשי לטיפוח אינטליגנציה רגשית והתמודדות אדפטיבית.

בינה מלאכותית חזותית משתמשת במודלים של למידת מכונה כדי להסיק מצבים רגשיים של התלמידים בזמן אמת, לדוגמה, מהבעות פנים, מבט או יציבה6. כאשר מופעלים באופן אתי ובהסכמה מדעת, מערכות כאלה יכולות לשמש ככלי התרעה מוקדמת, לזהות לחץ או ניתוק לפני הסלמה7. משולבת בפלטפורמות ניהול הוראה, בינה מלאכותית חזותית יכולה לספק משוב בזמן למרצים, ולתמוך בתגובות אקדמיות או רגשיות מותאמות אישית. אינטגרציה זו מתיישבת עם תיאוריית ההתנהגות הקוגניטיבית, המדגישה כי הגברת המודעות לקוגניציה לא מסתגלת ומבנה מחדש שלהן יכולים לשפר תוצאות רגשיות.

גישה זו גם מהדהדת עם השקפות עכשוויות של ניהול הוראה כארגון חוויית הסטודנטים בסביבות דיגיטליות ופרונטליות. על ידי שילוב תמיכה בבריאות הנפש בתשתית זו, ההכשרה לחוסן הופכת לחלק מהתהליך האקדמי ולא תוספת אופציונלית8. הוא תואם גם את המודל הטרנזקציוני של לחץ והתמודדות, שמנסח את ויסות הרגשות כאינטראקציה דינמית בין אסטרטגיות הערכה והתמודדות; כאן, הבינה המלאכותית הוויזואלית תורמת להערכה ראשונית (זיהוי רמזים), בעוד שסימולציה נרטיבית מהווה פיגומים להערכה משנית (חקר אפשרויות התמודדות) במרחב פסיכולוגי בטוח.

למרות העניין הגובר, מעט מחקרים אמפיריים העריכו את השימוש המשולב בבינה מלאכותית חזותית וסימולציה נרטיבית לתמיכה בבריאות הנפש בהשכלה הגבוהה. יתרה מזאת, מבנים מרכזיים כמו אוריינות בריאות הנפש, "הידע והאמונות המסייעים בזיהוי, ניהול או מניעה של הפרעות נפשיות"9, וחוסן רגשי, היכולת להסתגלללחץ פסיכולוגי, לעיתים קרובות אינם ממוקמים מספיק. מחקר זה מתמודד עם פערים אלה על ידי עיצוב ובדיקת מערכת הוראה-ניהול משולבת המשלבת סימולציה נרטיבית עם רכיבי AI חזותיים לקידום זיהוי מוקדם של מצוקה ולעודד ויסות עצמי של התלמידים.

מטרה ותרומה מרכזית

מחקר זה בוחן כיצד סימולציה נרטיבית ובינה מלאכותית חזותית יכולות להשתלב באופן משמעותי במערכות הוראה-ניהול כדי להתמודד עם בעיות בריאות הנפש בקרב סטודנטים באוניברסיטה. במקום להתייחס לבריאות הנפש כשירות חיצוני, המטרה היא לשלב מעורבות רגשית ותמיכה פסיכולוגית מוקדמת בלמידה שגרתית. שילוב תרחישי קבלת החלטות אינטראקטיביים עם ניטור רגשי בזמן אמת מעניק לתלמידים הזדמנויות לתרגול רפלקטיבי ומאפשר למדריכים להגיב ברגישות לסימני מצוקה.

המערכת מבוססת רעיונית על למידה חווייתית, ומדגישה תרגול, משוב ומעורבות רגשית כמניעים לשינוי התנהגות. סימולציות נרטיביות מציגות גורמי לחץ אקדמיים מוכרים (למשל, לחץ זמן, מתח בין חברים) שדורשים בחירות רגשיות בולטות. במקביל, כלי בינה מלאכותית חזותית המכויל להסקת הבעות פנים עוקב אחרי שינויים רגעיים במהלך מפגשי ההוראה. הגישה שואבת גם מתיאוריית האינטליגנציה הרגשית, שמזהה מודעות עצמית, אמפתיה וויסות כמיומנויות ליבה של חוסן.

המחקר כלל 332 סטודנטים לתואר ראשון ו-15 חברי סגל בשלושה תחומי לימוד. באמצעות עיצוב שיטות מעורבות, הערכנו האם חרדה, דיכאון ולחץ פחתו, והאם המודעות הרגשית וביטחון ההחלטה של התלמידים השתפרו. מודלים סטטיסטיים וניתוחים איכותניים מנחים יחד כיצד טכנולוגיות מודעות לרגש יכולות לתמוך ברווחת הסטודנטים, לא כתחליף לטיפול מקצועי, אלא כרכיב מונע וניתן להרחבה בחיי האקדמיה היומיומיים.

סקירת מערכת

מחקר זה מחולק לחמישה חלקים עיקריים. ההקדמה מציגה את הרקע והמוטיבציה להתמודדות עם אתגרי בריאות הנפש בהשכלה הגבוהה. החלק השני סוקר ספרות קיימת על סימולציה נרטיבית, בינה מלאכותית חזותית ויישומיה בהקשרים חינוכיים. החלק השלישי מתאר את עיצוב המחקר, כולל גישת שיטות מעורבות, גיוס משתתפים וטכניקות אנליטיות. החלק הרביעי מציג את הממצאים המרכזיים, הן כמותיים והן איכותיים, ומתמקד בשינויים בחוסן הרגשי ובמודעות לבריאות הנפש של התלמידים. לבסוף, המסקנה דנה בהשלכות הרחבות יותר של הממצאים ומציעה כיוונים עתידיים לשילוב טכנולוגיות מודעות רגשית בפרקטיקת ההוראה.

עבודות קשורות

אוניברסיטאות ניסו גישות מגוונות לתמיכה בבריאות הנפש, כולל הגעה בהובלת עמיתים, קמפיינים דיגיטליים והתערבויות בכיתה11. מסרים כלל-קמפוסיים בשילוב עם תמיכה עמיתים של סטודנטים יכולים לשפר את מעורבות השירות והמודעות, אם כי התאמה למגוון אוכלוסיות נותרה מאתגרת12. ברמת האוכלוסייה, המחקר מתבסס לעיתים קרובות על סקרים בדיווח עצמי המבוססים על קריטריונים אבחנתיים13, שמגבילים את ההסקה הסיבתית ומתעלמים ממדדים בזמן אמת של מתח14,15.

תחום עבודה הולך וגדל בוחן את האינטליגנציה הרגשית (EI) כמנבא לרווחת הסטודנטים; תכונות כמו מודעות עצמית, בהירות ותיקון רגשי קשורות לתוצאות טובות יותר, כאשר שייכות מזוהה לעיתים קרובות כמתווכת16. עם זאת, רבים מהממצאים מבוססים על סקרים חד-פעמיים, ללא משוב דינמי לתמיכה מתמשכת. שילוב עקרונות מבוססי-בינה מלאכותית בסימולציה נרטיבית מציע דרך להעמקת אמפתיה, הרהור וויסות עצמי.

במקביל, חוקרים חינוכיים משלבים יותר ויותר בינה מלאכותית בסביבות למידה17. כלים ויזואליים-AI שמזהים הבעות פנים או הבעות מיקרו-הקשורות ללחץ שימשו במבחנים ובשיעורים פרטיים, עם תוצאות מבטיחות למשוב אדפטיבי18. סימולציות נרטיביות מבוססות היטב בחינוך סיעוד/רפואה ליישום החלטות טעונות רגשית19, אך יישומים אלו לעיתים קרובות ספציפיים לתחום ולעיתים רחוקות משולבים במערכות ניהול הוראה כלליות20. גוף עבודה קטן מציע מסגרות לשיתוף פעולה בין תלמידים לבינה מלאכותית ולעיצוב הוראה מונחה בינה מלאכותית21,22, תוך הדגשת אתיקה, פערי יישום והצורך במודלים ניתנים להרחבה שמספקים ערך פדגוגי ופסיכולוגי מעבר לחדשנות.

מחקר זה מקדם את התחום על ידי שילוב סימולציה נרטיבית עם מחשוב אפקטיבי בזמן אמת, ליצירת תגובה פרואקטיבית ומוטמעת לאתגרים בתחום בריאות הנפש בסביבות למידה באוניברסיטה.

פער מחקר ושיקולי יישום מעשיים

למרות שכלים דיגיטליים לבריאות הנפש של תלמידים מתרבים, מחקרים רבים מסתמכים על דיווח עצמי והתערבויות קצרות טווח מחוץ להקשרים בכיתה, מה שמגביל את ההשפעה לטווח הארוך ואת הזמן. מעט מאוד מאמצים מחברים בין מבנים כמו EI או אוריינות נפשית למשוב בזמן אמת או התנהגות כיתית נצפית. בינה מלאכותית חזותית וסימולציה נרטיבית נחקרו בנפרד, אך לעיתים נדירות שולבו למערכת אחת שעוקבת ומגיבה למצבים רגשיים במהלך פעילות אקדמית. מחקר זה מתמודד עם הפער הזה על ידי שילוב השתקפות רגשית מבוססת סימולציה עם זיהוי מונחה בינה מלאכותית בתוך סביבת הלמידה עצמה.

שיקולי יישום מעשיים

פריסה אפקטיבית תלויה בתשתיות (אינטרנט יציב, מצלמות משולבות), פיקוח אתי וכיול אלגוריתמים כדי להגן על המשתתפים ולהפחית הטיה, במיוחד כאשר מדובר בניתוח פנים. הכשרת סגל נדרשת גם כדי לפרש רמזים שנוצרים על ידי הבינה המלאכותית באחריות ולשלב אותם בהחלטות פדגוגיות. כתוצאה מכך, הגישה מתאימה ביותר לאוניברסיטאות עם תשתיות דיגיטליות מבוססות וועדות אתיקה מוסדיות, שבהן היא יכולה לשמש כמסגרת פרואקטיבית וניתנת להרחבה להעצמת בריאות הנפש של הסטודנטים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

לפני איסוף הנתונים, התקבל אישור אתי מוועדת הביקורת המוסדית של אוניברסיטת נאנג'ינג לדואר ותקשורת (קוד אישור: NJUPT-IRB-2024-0312). כל המשתתפים נתנו הסכמה מדעת בכתב לאחר שתודרך על היקף המחקר, אופיו הוולונטרי של ההשתתפות, השימוש בבינה מלאכותית חזותית למעקב רגשות ונהלי סודיות נתונים. ניתן היה להפסיק את ההשתתפות בכל עת ללא עונש. התוכנה והציוד בהם השתמשו מופיעים בטבלת החומרים.

1. הכנה ללימודים

  1. הגדרת ציר הזמן התפעולי והזרימה מקצה לקצה
    נקבעו שתי נקודות הערכה: T1 (לפני ההתערבות), מיד לאחר המבחן הראשון, ו-T2 (לאחר ההתערבות), בעקבות משוב קצר שניתן על ידי המדריכים בהנחיית רמזים רגשיים מבוססי AI. סימולציה נרטיבית אחת נקבעה לאחר תקופת הבחינה, וסימולציה שנייה כמה ימים לאחר מכן להערכת שינויים בהתמודדות. הצינור מקצה לקצה, הכולל קלט מצלמות כיתה, API לזיהוי רגשות, משוב ממורים, איסוף סקרים, אינטגרציה וניתוח נתונים, מוצג באיור 1A.
  2. גיוס ותיעוד המשתתפים
    בסך הכל גויסו 347 משתתפים בהתנדבות מקורסים קיימים, כולל 332 סטודנטים לתואר ראשון (בגילאי 18-22; 140 גברים, 192 נשים) ו-15 חברי סגל (בגילאי 27-45; 10 נשים, 5 גברים). תועדו חלוקות לשנת הלימודים והמחלקות. דמוגרפיית הסטודנטים והסגל מוצגת בטבלה 1 ובטבלה 2, בהתאמה.
  3. הכנת כיתות וחומרים
    כל חדר היה מצויד במחשב (Intel i5 ומעלה, ≥ 8GB RAM), מצלמת רשת HD (≥ 720p), וחיבור אינטרנט יציב (≥ 10 Mbps). מצלמת הרשת הוצבה בגובה העיניים תחת תאורה קדמית אחידה כדי להבטיח ראיית פנים ברורה ב-≥ 640 × 480 פיקסלים. הודעה הצביעה על כך שמעקב רגשות פעיל. המסגור והתאורה אומתו לפני כל סשן, והופעל תצורת התוכנה לאחר אישור יציבות הזיהוי.

2. תצורת בינה מלאכותית ויזואלית

  1. מתן שירות זיהוי רגשות
    נוצר חשבון ענן, ו-API לזיהוי רגשות הופעל. מפתח ה-API וכתובת ה-URL של נקודת הקצה נוצרו, כאשר האישורים נשמרו בצורה מוצפנת תחת בקרת גישה מבוססת תפקיד. לצורך שחזוריות, נעשה שימוש ב-Microsoft Azure Face API (Emotion, v3.2, אזור מזרח אסיה). הלקוח אימתה באמצעות HTTPS באמצעות אסימון נושא והחזיר אובייקטי JSON לכל פנים הכוללים {faceId, faceRectangle, רגשות: {כעס, פחד, עצב, גועל, אושר, הפתעה, ניטרלי}, חותמת זמן} במהירות של כ-25-30 fps.
  2. חיבור המצלמה וכיול הגילוי
    זרם מצלמת הרשת בכיתה היה מקושר ללקוח ה-API (פייתון או REST). קצב הדגימה הוגדר ל-25-30 fps עם רזולוציית פריימים של 640 × 480 פיקסלים. הופעל זרם בדיקה, והקישוריות אושרה על ידי קבלת תגובת HTTP 200 OK עם חותמת זמן תקינה. זווית המצלמה והתאורה הותאמו עד שזוהו פנים בתוך שנייה מהכניסה לפריים. מיקום המצלמה הסופי ופרמטרי התאורה תועדו. הכיול הוכח על ידי מסך אישור שהציג תיבות גבול, מד 200 OK ושדות JSON, כפי שמוצג באיור 1B.
  3. הגדרת ספי סיווג וכללי רישום
    כל פלט JSON כלל חותמות זמן ISO 8601, תוויות רגש וערכי ביטחון. קומפוזיט של השפעה שלילית לכל פריים הוגדר כממוצע של ציוני ביטחון {כעס, פחד, עצב, גועל}. דגל מאמץ הופעל כאשר הקומפוזיט נשאר ≥ 0.75 לפחות 5 שניות (חלון גלגול). בוצעה תקופת פיילוט של 10 דקות כדי לייעל את הספים, תוך יעד לשיעור חיובי שגוי של ≤5% לכל מפגש רישום הוגדר לאגד סיכומים ברמת הסשן במקום לאחסן מסגרות מזוהות.
  4. יישום בקרות פרטיות ומזעור נתונים
    הוקצו מזהי שמות בדוי (S001-S332 לסטודנטים ו-F001-F015 לסגל), כאשר קובץ מפתח הזיהוי נשמר על שרת מוצפן תחת בקרת גישה מבוססת תפקיד. קאשינג וידאו מקומי הושבה. כאשר נדרש מטמון זמני לצורך הבטחת איכות, פריימים שנשמרו במטמון נמחקו תוך 24 שעות לאחר האימות. דיוק גילוי למפגש, השהיה ממוצעת ושיעורי שגיאה נרשמו להצגה מאוחרת יותר במדור התוצאות.
  5. אימות מוכנות הבינה המלאכותית (נקודת ביקורת פרוצדורלית)
    זיהוי פנים יציב ב-25-30 fps, קבלת תגובות HTTP 200 OK, שדות JSON תקפים, הגדרות סף מתועדות ואחסון מאובטח של אישורים אושרו. דווח כי כל הצינור עבר בדיקות מוכנות התואמות את תיאור הכיול באיור 1B.

3. ניהול סקרים

  1. תצורת הכלים והעוגנים
    סולם ליקרט בן 5 נקודות שימש למדידת דיכאון, חרדה ולחץ, תוך שימוש בפריטים שהותאמו מ-DASS-21 כדי להתאים להקשר האקדמי. קודי הפריטים והעוגנים עקבו אחרי פריסת המכשירים המוצגת בטבלה 3.
  2. מתן סוכרת סוג 1 (בדיקה מקדימה)
    הסקר נערך מיד לאחר הבדיקה הראשונית ולפני כל משוב מבוסס בינה מלאכותית. טופס מקוון מאובטח הוצב כאשר כל השדות הוגדרו כחובה ונמנעו הגשות כפולות. מאגר הנתונים יוצא בפורמט CSV עם שדות לזיהוי משתתף, נקודת זמן (T1) וניקוד פריטים.
  3. העברת משוב קצר למדריך
    בתוך 24 שעות לאחר סוכרת סוג 1, ניתנה הדרכה לא קלינית לתלמידים שזוהו על ידי בינה מלאכותית. המשוב כלל תרגילי הרפיה קצרים (3-5 דקות), התאמות בתוכנית הלימוד, או הצעות לניהול זמן. לא נרשמו הערות קליניות במאגר המחקר. סטודנטים שהפגינו מצוקה קשה הופנו לשירותי ייעוץ בקמפוס בהתאם למדיניות המוסד.
  4. מתן T2 (לאחר הבדיקה)
    אותו סקר נערך מחדש לאחר המבחן השני והמשוב שבא אחריו. הנתונים יוצאו בפורמט CSV עם נקודת זמן (T2) והותאמו לתגובות T1 באמצעות מזהי משתתפים.
  5. נעילת נתוני סקר (נקודת ביקורת פרוצדורלית)
    שיעורי התגובה ודפוסי הנתונים החסרים אומתו, ומסד הנתונים של הסקר ננעל לפני מיזוג הנתונים. סטטיסטיקות תיאוריות תוכננו להיכלל במדור התוצאות.

4. תרגילי סימולציה נרטיבית

  1. ביצוע סימולציה 1
    הוצג תרחיש של לחץ אקדמי, המתאר מצבים כמו קבלת ציון נמוך או תחושת משוב לא הוגן. כל תלמיד קיבל הוראה לבחור אחת משלוש אפשרויות תגובה: להפנים תסכול, להאשים את המורה בפומבי, או להרהר ולבקש הבהרה. הוקצה זמן של 3-5 דקות לבחירת תגובה, ואחריו הסבר כתוב של 150-200 מילים. ממשק הסימולציה המציג את אפשרויות התזמון והתגובה מוצג באיור 1C.
  2. ביצוע ראיונות קצרים
    מיד לאחר סימולציה 1, נערכו ראיונות קצרים של 5-7 דקות כדי לבחון את הערכות המשתתפים, כוונות ההתמודדות והטריגרים הרגשיים הנתפסים. הערות הראיונות נרשמו וקושרו לזיהוי המשתתפים.
  3. ביצוע סימולציה 2
    סימולציה שנייה בוצעה מספר ימים לאחר מכן, בהתאם לאותו הליך כמו סימולציה 1 אך באמצעות תרחיש מקביל. מפגש זה נועד להתבונן בשינויים במודעות הרגשית ובהתנהגות ההתמודדות. הבחירה, ההיגיון והערות הראיון נרשמו כפי שהיה בסימולציה 1.
  4. אישור רשומות סימולציה (נקודת ביקורת פרוצדורלית)
    כל משתתף אומת שיש לו בחירה אחת רשומה, הסבר אחד שכלל לפחות 150 מילים, והערת ראיון אחת מתאימה. תבנית סיכום קידוד הוכנה לניתוח נושאי מאוחר יותר.

5. ייצוא יומני בינה מלאכותית ומיזוג מערכי נתונים

  1. ייצוא סיכומי רגשות ברמת המפגש
    סיכומי רגשות ברמת הסשן יוצאו בפורמט CSV, כולל מזהה משתתף, מזהה מפגש, חותמת זמן ISO 8601, תווית רגש, ערך ביטחון, ומדד דגל לחץ. פריימים גולמיים של וידאו לא נשמרו.
  2. מיזוג יומני בינה מלאכותית עם קבצי סקר
    קבצי יומן AI אוחדו עם מאגרי סקרים T1 ו-T2 תוך שימוש בזיהוי משתתף ותאריך סשן כמשתנים מרכזיים. משתנים נגזרים, כגון ΔAnxiety = Anxiety_T2 − Anxiety_T1, חושבו כדי להעריך שינוי לאורך זמן. בוצעה ביקורת של 5% מהרשומות הממוזגות כדי לאמת את יישור המזהים ואת העקביות הכרונולוגית.
  3. אישור שלמות המיזוג (נקודת ביקורת פרוצדורלית)
    התאמת מזהה אחד לאחד וסדר זמני נכון, כאשר T1 מקדים את T2 לכל משתתף, אושרו. כל אי-התאמות שזוהו נפתרו לפני ביצוע ניתוח סטטיסטי.

6. ניתוח כמותי (תהליך עבודה SPSS)

  1. ייבוא נתונים והגדרת משתנים
    קבצי נתונים נפתחו ב-SPSS 27.0, ומאגרי CSV יובאו. הוגדרו תוויות וסוגים משתנים, ונקבעו כללי ערך חסר. קבצי מאסטר נשמרו בפורמט .sav לניתוחים הבאים.
  2. הערכת אמינות וסטטיסטיקה תיאורית
    α קרונבך חושב עבור כל מבנה כדי להעריך עקביות פנימית. סטטיסטיקות תיאוריות, כולל ממוצע (M) וסטיית תקן (SD), נוצרו עבור כל המשתנים. התוצרים שהתקבלו נשמרו להכללה במדור התוצאות.
  3. ביצוע מבחני t בדגימות זוגיות
    בוצעו מבחני t בדגימות זוגיות כדי להשוות ציוני T1 ו-T2 לחרדה, דיכאון ולחץ. התוצאות כללו t, דרגות חופש (df), ערך p, d של כהן, ורווח אמון (CI) של 95%, כולם הוצגו בסעיף התוצאות.
  4. ביצוע ANOVA באמצעים חוזרים
    הזמן (T1, T2) הוגדר כגורם בתוך נבדק ב-ANOVA במדידות חוזרות. מבחן הכדוריות של מאוכלי הוערך, ותיקון החממה-גייסר יושם כאשר ההנחות הופרו. הניתוח דיווח על ערכי רווח בר-סמך של F, df, p, η2 ו-95% להכללה בתוצאות.
  5. התאמת מודלים של מספר מודלים של רגרסיה ליניארית
    מודלים מרובים של רגרסיה ליניארית הותאמו לתוצאות T2 עם רגרסיה על ציוני T1, שיעור דגל הלחץ של AI, ובחירה נרטיבית (מקודדת בדמה). תוצאות המודל סוכמו באמצעות דיווח β, שגיאת תקן (SE), ערך t, ערך p ו-R2.
  6. תחזוקת תקני היחידה והסימון
    כל הערכים המספריים עמדו בקונבנציות יחידות SI, עם רווח בין מספר ליחידה (למשל, 10 דקות, 25 fps, 640 × 480 פיקסלים). המשוואות הוכנסו באמצעות כלי המשוואות של וורד במידת הצורך, וסימון סטטיסטי נשמר עקבי בכל החלקים.

7. תהליך ניתוח נושאי

  1. הרכבת הקורפוס האיכותי
    הערות הראיונות תומללו, וההיגיון הנרטיבי אורכב לקורפוס אחד המסומן לפי מזהה המשתתף ונקודת זמן (Sim1 או Sim2). קורפוס זה שימש כמאגר נתונים לניתוח איכותני.
  2. פיתוח ספר הקוד והכשרת המתכנתים
    פותח ספר קוד המתמקד במעורבות רגשית, איכות קבלת החלטות ומדדי אינטליגנציה רגשית, כולל מודעות עצמית, אמפתיה וויסות רגשי. שני מקודדים הוכשרו על 10% מהקורפוס כדי להבטיח פרשנות עקבית של קודים וקריטריונים אנליטיים.
  3. הקמת אמינות המעריך והשלמת הקידוד
    אמינות המעריך הוערכה עם κ של כהן במטרה של לפחות 0.75. כל אי-התאמות נדונו ונפתרו לפני סיום ספר הקוד. הקורפוס הנותר קודד במלואו. תדרי הנושאים סוכמו ומפה נושאית מייצגת הוכנה להצגה בסעיף התוצאות. נבחר ציטוט מייצג אחד להמחשת כל נושא מרכזי.

8. בקרת איכות, פתרון תקלות וארכוב

  1. פתרון בעיות טכניות
    כאשר שיעורי זיהוי הפנים היו נמוכים, התאורה הקדמית שופרה וזווית המצלמה הותאמה. קצב הפריימים אושר להישאר בטווח של 25-30 פריימים לשנייה. במקרים שבהם נצפו דגלי לחץ מופרזים, סף הגילוי הוגדל ל-0.80 או שחלון הגילוי הוארך לפחות ל-8 שניות כדי לייצב את התוצאות.
  2. הבטחת עקביות הנתונים
    מזהי המשתתפים ונקודות הזמן אומתו לפני ניתוח הנתונים. המתכנתים כויללו מחדש לאחר כל 50 תמלילים כדי למנוע סטייה בקידוד. רשימת בקרת איכות ברמת המושב נשמרה ונחתמה על ידי מוביל הסשן ומנהל הנתונים כדי לתעד את שלמות הפרוצדורל.
  3. ארכוב של מערכי נתונים ותיעוד
    כל קבצי האנליטיקה הוסרקו מהזיהוי על ידי החלפת מזהים ישירים במזהי משתתפים. טפסי ההסכמה נשמרו בנפרד מנתוני המחקר. מערכי נתונים סופיים, קבצי תחביר SPSS, ספרי קודים ויומני בקרת איכות נשמרו בשרת מאובטח תחת גישה מוגבלת.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ניתוח תיאורי

השוואות לפני הפוסט הצביעו על ירידות עקביות בהשפעות שליליות לאחר היישום. הממוצעים לאחר המבחן ירדו ל-2.87 לחרדה, 2.74 לדיכאון, ו-2.69 למתח, לעומת ממוצעים לפני המבחן של 3.25, 3.11 ו-3.08, בהתאמה (איור 2). תוצאות תיאוריות מסוכמות בטבלה 4, ומבנה הכלי ברמת הפריט מסופק בטבלה 3. כדי להעריך את אמינות הבינה המלאכותית בהקשר המחקר, ממשק Microsoft Azure Emotion השיג דיוק סיווג ממו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחקר מראה שכאשר סימולציה נרטיבית משולבת עם בינה מלאכותית חזותית, המודעות הרגשית הופכת לתהליך משותף ולא להתערבות חד-כיוונית. התלמידים לא רק הגיבו לכלי דיגיטלי; הם עסקו בהרהור רגשי מובנה שחיבר בין הערכה קוגניטיבית לחוויה מגולמת. בכל מאגר הנתונים, הן התוצאות הכמותיות והן האיכותיות חשפו דפוס עקבי של הפחתת חרדה ושיפור בוויסות הרגשי, מה שמרמז שהפרוטוקול יכול לשמש כשכבת אינטליגנציה רגשית במערכות ההוראה באוניברסיטה.

מה שנראה כי קובע את יעילות השיטה הזו אינו הטכנולוגי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
חומרהמצלמת זיהוי פניםלוג'יטק (או דומה)מצלמת רשת HD C920
כלי נגינהאוסף תמלולי הראיונותכניסה ידניתהקלטות שמע/טקסט
שאלוןסולם DASS-21 מותאםעובד על ידי מחבריםפורמט ליקרט עם 5 נקודות
תוכנהMicrosoft Azure Emotion APIמיקרוסופטEmotion API v3 (ענן)
תוכנהסטטיסטיקות SPSSIBMגרסה 26
תוכנהמערכת סימולציה נרטיביתפיתוח עצמימבוסס רשת (HTML5)
פלטפורמת המערכתמערכת ניהול ההוראה האוניברסיטאיתפלטפורמה פנימיתמשולב עם מודול בינה מלאכותית

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Walsham, W., et al. Unraveling the Threads: A comprehensive exploration of the interplay between social isolation and academic stress among students. Law Econ. 17 (3), 237-255 (2023).
  2. Kiekens, G., et al. Non-suicidal self-injury among first-year college students and its association with mental disorders: Results from the World Mental Health International College Student (WMH-ICS) initiative. Psychol Med. 53 (3), 875-886 (2023).
  3. Broglia, E., Barkham, M. Adopting the principles and practices of learning health systems in universities and colleges: Recommendations for delivering actionable data to improve student mental health. Cogent Ment Health. 3 (1), 1-30 (2024).
  4. Zhai, S., et al. Technology-driven support: exploring the impact of artificial intelligence on mental health in higher education. Educ Inf Technol. , 1-29 (2025).
  5. Dasgupta, R. Exploring The impact of anxiety, peer pressure on gaming young adults: A comprehensive analysis. SSRN. , (2024).
  6. Behera, A., et al. Associating facial expressions and upper-body gestures with learning tasks for enhancing intelligent tutoring systems. Int J Artif Intell Educ. 30, 236-270 (2020).
  7. Robinson, L. E., et al. Developing a multi-tiered system of support-based plan for bullying prevention among students with disabilities: Perspectives from general and special education teachers during professional development. Sch Ment Health. 15 (3), 826-838 (2023).
  8. Anghel-Drugărin, C. V., et al. Virtual classroom learning facilitator: An effective teacher-student relationship in the online environment. Ann Constantin Brancusi Univ Targu Jiu Eng Ser. , Annals of'Constantin Brancusi'University of Targu-Jiu. (2024).
  9. Rosário, A. T., Raimundo, R. Enhancing business higher education through simulation-based learning, problem-based learning, and challenge-based learning. WSEAS TRANSACTIONS. , (2024).
  10. Seyri, H., Ghiasvand, F. Emotions at the heart of tensions: A transcendental phenomenology of Iranian EFL teachers' intra-and interpersonal emotional tensions and regulation strategies. Int J Appl Linguist. 35 (2), 768-778 (2025).
  11. Salimi, N., et al. College students' mental health challenges: Concerns and considerations in the COVID-19 pandemic. J Coll Stud Psychother. 37 (1), 39-51 (2023).
  12. Harris, B. R., et al. Optimizing efforts to promote mental health on college and university campuses: Recommendations to facilitate usage of services, resources, and supports. J Behav Health Serv Res. 49 (2), 252-258 (2022).
  13. Ballester, L., et al. Mental disorders in Spanish university students: Prevalence, age-of-onset, severe role impairment and mental health treatment. J Affect Disord. 273, 604-613 (2020).
  14. Hoover, S., Bostic, J. Schools as a vital component of the child and adolescent mental health system. Psychiatr Serv. 72 (1), 37-48 (2021).
  15. Fruehwirth, J. C., et al. The Covid-19 pandemic and mental health of first-year college students: Examining the effect of Covid-19 stressors using longitudinal data. PloS one. 16 (3), e0247999(2021).
  16. Moeller, R. W., et al. Emotional intelligence, belongingness, and mental health in college students. Front Psychol. 11, 499794(2020).
  17. Kola, L., et al. COVID-19 mental health impact and responses in low-income and middle-income countries: reimagining global mental health. Lancet Psychiatry. 8 (6), 535-550 (2021).
  18. Zheng, K., et al. Application of AI-empowered scenario-based simulation teaching mode in cardiovascular disease education. BMC Med Educ. 24 (1), 1003(2024).
  19. Tran, L. D., et al. Visual narratives in nursing education: A generative artificial intelligence approach. Nurse Educ Pract. 79, 104079(2024).
  20. Li, J., et al. Enhancing visual communication design education: Integrating AI in collaborative teaching strategies. J Comput Methods Sci Eng. 24 (4-5), 2469-2483 (2024).
  21. Kim, J., et al. Learning design to support student-AI collaboration: Perspectives of leading teachers for AI in education. Educ Inf Technol. 27 (5), 6069-6104 (2022).
  22. Hwang, G. J., et al. Vision, challenges, roles and research issues of Artificial Intelligence in Education. Comput Educ Artif Intell. 1, 100001(2020).
  23. Bakk, ÁK. Representing mental disorders with virtual reality applications: Designing for multimodality and complex participation. Front Virtual Real. 3, 881766(2023).
  24. Shen, J., et al. Empathy Toward Artificial Intelligence Versus Human Experiences and the Role of Transparency in Mental Health and Social Support Chatbot Design: Comparative Study. JMIR Ment Health. 11 (1), e62679(2024).
  25. Abdul Nasir, N. I. A., et al. A visual analysis study of motion graphic effect as visual communication for mental health empowerment. Ideology J. 9 (2), 49-54 (2024).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים