מאמר מחקר

הערכה מבוססת סימולציה של עיצוב הוראה חזותי המשולב בבינה מלאכותית לקידום בריאות הנפש בקורסי מוזיקה במכללות

10 צפיות

⸱

DOI:

10.3791/71847

⸱

6 באוקטובר 2026

1Music Department, Anqing Normal University

במאמר זה

סיכום

מחקר זה מציע מסגרת בינה של תוכנית לימודים רגשית מבוססת גרף להוראה חזותית מונחית בינה מלאכותית בחינוך מוזיקלי במכללה. באמצעות מערך נתונים מבוסס סימולציה, המסגרת ממדלת רכישת ידע, דינמיקה רגשית ומעורבות. התוצאות מצביעות על שיפור ביעילות הלמידה והפחתה במתח בהשוואה למודלים קונבנציונליים, ובכך מדגימות פוטנציאל למערכות חינוכיות אדפטיביות המודעות לבריאות הנפש.

תקציר

עיצוב הוראה חזותי בחינוך מוזיקלי במכללות זכה לתשומת לב גוברת בשל הפוטנציאל שלו להגביר את מעורבות הסטודנטים ולקדם רווחה נפשית. עם זאת, גישות הוראה קונבנציונליות חסרות לעיתים קרובות את יכולת ההסתגלות הדרושה כדי להגיב למצבים הקוגניטיביים והרגשיים המשתנים של הלומדים, מה שמגביל את יעילותן בתמיכה הן בהישגים אקדמיים והן באיזון פסיכולוגי. המטרה העיקרית של מחקר מבוסס-סימולציה זה היא לפתח ולהעריך מסגרת מונחית בינה מלאכותית המשלבת אסטרטגיות הוראה חזותית עם מידול רגשי מבוסס-גרף כדי למקסם את תוצאי הלמידה בקורסי מוזיקה במכללות. מוצעת מסגרת בינתית של תוכנית לימודים רגשית מבוססת-גרף (GECIF) חדשנית, המייצגת את סביבת הלמידה כגרף מקושר של צמתי ידע, פעילות ורגש. המסגרת משלבת למידת ייצוג מבוססת-גרף, מידול מצב דינמי ומנגנוני למידה אדפטיביים כדי לסמלץ את התפתחות רכישת הידע, המעורבות, היציבות הרגשית והלחץ לאורך זמן. מערך נתונים סינתטי הכולל יומני אינטראקציה, אינדיקטורים רגשיים ומשתני ביצועי למידה נוצר באמצעות תהליך סימולציה מבוקר ב-MATLAB כדי להבטיח שחזור. GECIF הוערך אל מול מודל בסיס קונבנציונלי שאינו אדפטיבי תחת תנאים ניסיוניים זהים לאורך שלבי סימולציה מנורמלים. הביצועים הוערכו באמצעות מדדי סימולציה מנורמלים, הכוללים רכישת ידע, יציבות רגשית, הפחתת לחץ, רמת מעורבות וחוסן. המסגרת המוצעת עלתה בעקביות על מודל הבסיס, והפגינה רכישת ידע מסומלצת גבוהה יותר, ויסות רגשי משופר, מעורבות רבה יותר, הפחתה בלחץ המסומלץ וחוסן מוגבר. ניתוח סטטיסטי המבוסס על ערכי ממוצע, סטיות תקן ומרווחי סמך של 95% אישר שיפורים עקביים בכל מדדי ההערכה. ממצאים אלו מדגימים את הפוטנציאל של אסטרטגיות הוראה חזותית מונחות AI המודעות לרגש עבור חינוך מוזיקלי אדפטיבי, תוך אספקת מסגרת חישובית ניתנת להרחבה ולשחזור לתמיכה במחקרים עתידיים במערכות חינוכיות חכמות.

מבוא

שילוב של בינה מלאכותית (AI) במערכות חינוך שינה משמעותית את פרדיגמות ההוראה המסורתיות, ואפשר חוויות למידה אדפטיביות, מותאמות אישית ומבוססות נתונים יותר1,2,3. בשנים האחרונות, עיצוב הוראה חזותי עלה כגישה פדגוגית יעילה, במיוחד בדיספלינות כגון חינוך מוזיקלי, שבהן מושגים מופשטים, ביטוי רגשי והבנה תפיסתית ממלאים תפקיד מרכזי4,5,6,7. ייצוגים חזותיים, כולל ממשקים גרפיים, סימולציות אינטראקטיביות ואלמנטים מולטימדיאליים, מקלים על עיבוד קוגניטיבי עמוק יותר ומגבירים את מעורבות הלומדים8,9,10,11. עם זאת, למרות התקדמות זו, שיטות הוראה חזותיות קיימות נשארות לרוב סטטיות וחסרות את היכולת להגיב באופן דינמי למצבים הקוגניטיביים והרגשיים המשתנים של הלומדים12,13,14. חינוך מוזיקלי, במיוחד ברמה האקדמית, מציב אתגרים ייחודיים בשל טבעו הרב-ממדי המובנה15,16,17. תוצרי הלמידה מושפעים לא רק מהבנה קוגניטיבית של תיאוריה מוזיקלית וטכניקות ביצוע, אלא גם מגורמים רגשיים כגון מוטיבציה, סטרס, מעורבות ורווחה פסיכולוגית18. מחקרים קודמים הדגישו את הקשר החזק בין מצבים רגשיים לבין אפקטיביות הלמידה, והצביעו על כך שסטודנטים החווים רמות גבוהות של סטרס או מעורבות נמוכה נוטים להפגין ביצועים אקדמיים מופחתים19,20,21. בעוד שמספר מערכות חינוכיות מבוססות AI הוצעו כדי לשפר את התאמת הלמידה באופן אישי, רובן מתמקדות בעיקר במדדי ביצועים קוגניטיביים ומזניחות את התפקיד הקריטי של דינמיקה רגשית בעיצוב תהליך הלמידה22.

פיתוחים אחרונים במערכות למידה חכמות הציגו ייצוגים מבוססי גרפים וטכניקות למידה עמוקה למידול קשרים מורכבים בין מרכיבים חינוכיים23,24,25. מסגרות למידה מבוססות גרפים, כולל רשתות עצביות גרפיות (GNNs), הדגימו יכולות חזקות בלכידת תלויות מבניות בין אלמנטים של ידע, אינטראקציות של לומדים וגורמים הקשריים26. בנוסף, מחשוב מודע-רגש זכה לתשומת לב בשל יכולתו לשלב אותות פסיכולוגיים בסביבות למידה אדפטיביות27. עם זאת, השילוב של גישות אלו במסגרת מאוחדת לחינוך מוזיקלי נותר מוגבל28,29,30. עבודות קיימות מתייחסות לעיתים קרובות למשתנים רגשיים כתכונות עזר ולא כמרכיבים מרכזיים, והן ממעטות לספק מנגנונים להתאמה רציפה המבוססת על הגומלין בין קוגניציה לרגש31.

יתרה מכך, היישום של בינה מלאכותית (AI) בחינוך המודע לבריאות הנפש התבסס בעיקר על נתונים אמפיריים או נתונים מבוססי חיישנים שנאספו ממשתתפים ממשיים32. עם זאת, גישות אלו דורשות אישורים אתיים נרחבים, מכשירים סטנדרטיים למדידה ותנאים ניסיוניים מבוקרים, אשר לא תמיד היתכנו בשלבים מוקדמים של מחקר33. כתוצאה מכך, מתודולוגיות מבוססות סימולציה הגיחו כחלופה לחקר דינמיקות חינוכיות מורכבות באופן מבוקר וניתן לשחזור34. באמצעות יצירת מערכי נתונים סינתטיים המדמים יומני אינטראקציה, אינדיקטורים רגשיים ומדדי ביצועי למידה, חוקרים יכולים להעריך את התנהגותם של מודלים מוצעים תחת תרחישים שונים, תוך שמירה על שליטה מלאה בפרמטרי המערכת ובהנחות העבודה35.

למרות התקדמויות אלו, נותרו מספר פערים מחקריים36. ראשית, קיים מחסור במסגרות מאוחדות הממדלות בו-זמנית רכישת ידע, התפתחות רגשית ומעורבות בלמידה בתוך ייצוג מובנה37. שנית, מערכות הוראה חזותיות עכשוויות אינן מנצלות ביעילות בינה מבוססת גרפים כדי ללכוד את התלויות ההדדיות בין מושגים מוזיקליים, פעילויות למידה ומצבים פסיכולוגיים38. שלישית, תשומת לב מוגבלת הוקדשה לפיתוח של צינורות סימולציה (simulation pipelines) ניתנים להרחבה ולשחזור, המאפשרים הערכה שיטתית של מודלים חינוכיים מונעי AI39,40,41. לבסוף, גישות קיימות נכשלות לעיתים קרובות באספקת מבט הוליסטי על הלמידה, המשלב ממדים קוגניטיביים ורגשיים באופן אדפטיבי דינמי42.

כדי להתמודד עם אתגרים אלו, מחקר זה מציע מסגרת בינה של תוכנית לימודים רגשית מבוססת גרפים (GECIF) לתכנון הוראה חזותית מונחית AI בחינוך מוזיקלי במכללות. טבלה 1 מספקת הגדרות חיוניות לרכיבי הגרף, למצבי הצמתים ולפרמטרי המודל. טבלה זו מבטיחה שהמתודולוגיה תהיה ברורה וניתנת לשחזור. המסגרת המוצעת ממדלת את הסביבה החינוכית כגרף מקושר המורכב מצמתי ידע, צמתי פעילות וצמתי רגש, מה שמאפשר ייצוג מקיף של דינמיקת הלמידה. מערך נתונים מבוסס סימולציה נוצר באמצעות צינור חישובי מבוקר הכולל יומני אינטראקציה, אינדיקטורים רגשיים ומדדי ביצועים, ובכך מבטיח שחזור ויכולת הרחבה. המסגרת משלבת מנגנוני למידה אדפטיביים, מידול מצב רגשי ואופטימיזציה מבוססת גרפים כדי לדמות את התפתחות תוצאי הלמידה והמצבים הפסיכולוגיים לאורך זמן. הערכה השוואתית מול מודל למידה קונבנציונלי מבוצעת באמצעות מספר מדדי ביצועים, כולל רכישת ידע, יציבות רגשית, הפחתת סטרס, מעורבות ועמידות.

המטרה העיקרית של מחקר זה היא לפתח ולהעריך מסגרת הוראה חזותית מבוססת סימולציה ומונחית בינה מלאכותית (AI), המשלבת מידול מבוסס גרפים ואינטליגנציה רגשית כדי לשפר את יעילות הלמידה ולתמוך בחינוך המודע לבריאות הנפש בקורסי מוזיקה במכללות.

פרוטוקול

מחקר זה הוא חקירה מבוססת חישוב וסימולציה שאינה כוללת משתתפים אנושיים, נתונים קליניים או מידע אישי. כל הנתונים ששימשו במחקר זה הופקו באופן סינתטי באמצעות תהליכי סימולציה מבוקרים. לפיכך, לא נדרשו אישור אתי מוועדה רב-מؤسדית (IRB) או הסכמה מדעת. המחקר עומד בהנחיות הסטנדרטיות למחקר חישובי ומבטיח שחזור מלא ושקיפות של המתודולוגיה.

מסגרת תיאורטית ורציונל

מסגרת הבינה של תוכנית הלימודים הרגשית מבוססת-גרפים המוצעת (GECIF) נשענת על שילוב של בינה מלאכותית, למידה מבוססת-גרפים, מחשוב רגשי ופדגוגיה חזותית, במטרה למדל את הלמידה כתהליך דינמי ורב-ממדי הלוכד בו-זמנית התפתחות קוגניטיבית, אבולוציה רגשית ומעורבות התנהגותית. גישות הוראה מסורתיות מניחות לעיתים קרובות התקדמות ליניארית של רכישת ידע ואינן משקפות כראוי את האינטראקציות המורכבות בין ביצועים קוגניטיביים למצבים פסיכולוגיים. מגבלה זו קריטית במיוחד בחינוך למוזיקה במכללות, שבו ביטוי רגשי, מוטיבציה ויצירתיות בלתי נפרדים מהלמידה הטכנית והתיאורטית. בהקשר זה, המסגרת תופסת את התהליך החינוכי כמערכת מקושרת שבה רכיבי ידע, פעילויות למידה ומצבים רגשיים משפיעים זה על זה באופן רציף. מידול מבוסס-גרפים מאפשר ייצוג מבני וניתן להרחבה של מערכות יחסים אלו, המאפשר ללכוד ביעילות תלויות ישירות ועקיפות כאחד. דינמיקות רגשיות משולבות כמרכיבים מהותיים ולא כמשתנים עזר, מה שמאפשר סימולציה של האופן שבו תנאים פסיכולוגיים מתפתחים ומתפשטים במהלך תהליך הלמידה. שילוב של עיצוב הוראה חזותי משפר עוד יותר את יכולת הפרשנות על ידי הפיכת אינטראקציות חישוביות מופשטות לייצוגים גרפיים אינטואיטיביים.

מתודולוגיה ומערך מחקר סימולציה

מחקר זה מאמץ תכנון מבוסס סימולציה חישובית שבו אינם מעורבים משתתפים אנושיים, וכל הנתונים נוצרים באופן סינתטי באמצעות תהליך (pipeline) נשלט וניתן לשחזור. לפיכך, התוצאות המדווחות מייצגות הערכות מבוססות-מודל ולא תצפיות אמפיריות שנגזרו מלומדים אמיתיים. שיפורים בביצועי הלמידה, במעורבות, ביציבות הרגשית ובצמצום הלחץ מפורשים כהשפעות מסומלציות או פוטנציאליות של המסגרת המוצעת. סביבת הסימולציה מקריבה תנאי למידה ריאליסטיים על ידי שילוב של תלויות זמניות, שונות בדפוסי אינטראקציה ומצבים רגשיים מתפתחים. תצורת ניסוי השוואתית מיושמת שבה מסגרת ה-GECIF המוצעת מוערכת אל מול מודל בסיס (baseline) קונבנציונלי המייצג מערכת למידה לא-אדפטיבית, שבה הידע מתפתח אך ורק על בסיס עוצמת האינטראקציה ללא ייצוג מבוסס גרף, מידול רגשי או אופטימיזציה של תוכנית הלימודים. שני המודלים מופעלים תחת תנאי סימולציה זהים כדי להבטיח השוואה עקבית ובלתי מוטה.

יצירה ומבנה של מערך הנתונים

מאגר נתונים רחב-היקף הוקם כדי לסמלץ דינמיקות למידה בחינוך מוזיקלי במכללה, על ידי שילוב של לוגים של אינטראקציה, אינדיקטורים רגשיים ומדדי ביצועי למידה במסגרת זמנית מאוחדת. מאגר הנתונים נגזר והורחב ממאגר נתוני ביצועי סטודנטים הזמין לציבור (UCI Machine Learning Repository), המספק נתונים על ביצועים אקדמיים לצד תכונות דמוגרפיות והתנהגותיות. מאגר נתונים זה שימש כבסיס ייחוסי למידול דפוסי למידה ריאליסטיים. לוגי האינטראקציה מייצגים מעורבות מסומלצת בפעילויות למידה כגון מפגשי תרגול, תרגילי האזנה ומשימות למידה חזותיות. האינדיקטורים הרגשיים לוכדים מצבים פסיכולוגיים, כולל סטרס, מעורבות ומוטיבציה, בעוד שביצועי הלמידה משקפים רכישת ידע והתקדמות לאורך זמן. כדי להעשיר את מאגר הנתונים ולשלב תלויות זמניות, נעשה שימוש בצינור סימולציה מבוסס MATLAB עם אתחול של גרעין אקראי קבוע (random seed) להבטחת שחזוריות. רציפות זמנית הוכנסה באמצעות תהליכים אוטורגרסיביים, המאפשרים להתנהגות האינטראקציה ולמצבים הרגשיים להתפתח בהדרגה עם הזמן. מאגר הנתונים הסופי כולל אלף לומדים מסומלצים שנצפו לאורך חמש מאות צעדי זמן, עם מספר מאפייני אינטראקציה המייצגים התנהגויות למידה מגוונות. כל המשתנים מנורמלים בטווח [0,1] כדי להבטיח עקביות ויכולת השוואה. מאגר הנתונים מחולק לתתי-קבוצות של אימון, תיקוף ובדיקה באמצעות פיצול של 70%–15%–15% כדי להבטיח הערכה בלתי מוטה של המודל.

בנייה וייצוג של גרפים

סביבת הלמידה ממודלת כגרף משוקלל המוגדר כ:

G = (V,E,W)  (1)

שם מייצג את קבוצת הצמתים, מייצג את קבוצת הקשתות, והיא מטריצת הסמיכות המשוקללת המתארת את עוצמת הקשרים בין הצמתים. קבוצת הצמתים מפורקת באופן הבא:

V = Vk∪Va∪Ve  (2)

כאשר Vk, Va ו-Ve תואמים לצמתי ידע, צמתי פעילות וצמתי רגש, בהתאמה. משקלי הקשתות מחושבים באופן הבא:

Wij = α Sc(i,j) + βSe(i,j)  (3)

כאשר Sc(i,j) מייצג דמיון קוגניטיבי בין צמתים, Se(i,j) מייצג מתאם רגשי, ו-α ו-β הם מקדמי שקלול השולטים על השפעתם היחסית. משוואה (3) מגדירה כיצד קשרים מבניים ורגשיים קובעים במשותף את הקישוריות של הגרף.

ייצוג מצב צומת ולמידת גרפים

כל צומת קשור לווקטור מצב דינמי המוגדר כ:

xi(t) = [ki(t),ei(t),ai(t)]  (4)

כאשר ki(t), ei(t), ו-ai(t) מציינים את רמת הידע, המצב הרגשי ורמת המעורבות בזמן t, בהתאמה. ייצוגי הצמתים מעודכנים באמצעות אגרגציה מבוססת גרף:

figure-protocol-1   (5)

כאשר figure-protocol-2 הוא ההטמעה (embedding) של הצומת i בשכבה l, σ היא פונקציית הפעלה לא ליניארית, ו- N(i) מייצג את קבוצת הצמתים השכנים. משוואה (5) מתארת כיצד כל צומת משלב מידע מהשכנים שלו. בנוסף, מוצג מנגנון קשב (attention mechanism):

figure-protocol-3     (6)

כאשר αij הוא מקדם הקשב ו-∅(·) היא פונקציית דמיון. משוואה (6) מאפשרת שקלול אדפטיבי של תרומם של צמתים שכנים.

מידול דינמיקה רגשית

ההתפתחות הזמנית של מצבים רגשיים ממודלת כך:

figure-protocol-4     (7)

כאשר  γ הוא מקדם השימור הרגשי. משוואה (7) לוכדת הן את ההתמדה והן את התפרוסות ההשפעה הרגשית. יציבות רגשית מוקמת כמותית כך:

figure-protocol-5    (8)

כאשר E+(t) ו-E-(t) מייצגים רכיבים רגשיים חיוביים ושליליים, ו-figure-protocol-6 הוא קבוע קטן המונע חילוק באפס. הצטברות מתח מוגדרת כך:

figure-protocol-7     (9)

כאשר  λ(τ) מייצג את עוצמת המאמץ הרגעית. משוואה (9) ממדלת את המאמץ המצטבר לאורך זמן.

אופטימיזציה של למידה ותכנון תוכנית לימודים אדפטיבית

תהליך הלמידה נשלט על ידי פונקציית אופטימיזציה רב-מטרתית:

J = λ1K + λ2K - λ3S  (10)

כאשר K מציין את רכישת הידע, E מציין את היציבות הרגשית, ו-S מציין את רמת הלחץ, בעוד ש λ1, λ2, λ3 הם מקדמי שקלול. משוואה (10) מאזנת יעדים קוגניטיביים ורגשיים. חיווט מחדש של תוכנית לימודים אדפטיבית מוגדר כ:

Wij(t + 1) = Wij(t) + ηΔij(t)  (11)

כאשר η  הוא קצב הלמידה ו- Δij(t) מייצג התאמות עדכון המונעות על ידי דינמיקת למידה. משוואה (11) מאפשרת למבנה הגרף להתפתח לאורך זמן.

קנה מידה זמני ומשך הסימולציה

כל הסימולציות מבוצעות באמצעות צעדי זמן מנורמלים במקום יחידות זמן ממשיות. פרקי זמן קצרים תואמים לצעדי סימולציה במقياس המייצגים את התפתחות המערכת, בעוד שסימולציות מורחבות של למעלה מחמיש מאות צעדים משמשות להערכת התנהגות לטווח ארוך, התכנסות וחוסן.

מדדי הערכה וניתוח סטטיסטי

המסגרת מוערכת באמצעות מדדים מנורמלים, הכוללים הגברת ידע, יציבות רגשית, רמת סטרס, רמת מעורבות ועמידות. ניתוח סטטיסטי מבוצע באמצעות פונקציות סטטיסטיות של MATLAB, כאשר עבור כל מדד חושבו ערכי ממוצע, סטיות תקן ורווחי סמך של 95%. הנחות נורמליות מאומתות לפני ביצוע מבחני t למדגמים מזווגים. הערכה השוואית בין המסגרת המוצעת למודל הבסיס נערכת על פני n = 1000 לומדים סימולטיביים, כאשר מובהקות סטטיסטית מוגדרת כ- p < 0.05.

פרטי שחזור ויישום

כל הסימולציות, צינורות עיבוד הנתונים ונהלי ההערכה ניתנים לשחזור מלא. תהליך יצירת מערך הנתונים, פרמטרי בניית הגרף, תצורות המודל והגדרות האופטימיזציה מוגדרים במפורש. אתחול ה-Random seed נקבע כקבוע כדי להבטיח פלטים עקביים בהרצות חוזרות. כל ההיפר-פרמטרים, הסקריפטים ותיאורי מערכי הנתונים מסופקים בחומרי העזר, מה שמאפשר שכפול מלא של המחקר באמצעות MATLAB או כלים חישוביים שווי ערך.

כל הסימולציות, צינורות עיבוד הנתונים וסקריפטי ההערכה מסופקים ב-קובץ משלים 1. מערך הנתונים כולל לוגים של אינטראקציות גולמיות, אינדיקטורים רגשיים ומדדי ביצועי למידה. פרמטרי בניית הגרף והגדרות האופטימיזציה מתועדים במלואם. ניתן לשחזר את המערכת באמצעות מסגרות עבודה סטנדרטיות של למידת מכונה. אתחול הגרעין האקראי (Random seed) נקבע באופן קבוע כדי להבטיח עקביות. כל ההיפר-פרמטרים מדווחים באופן מפורש. הפרוטוקול מבטיח שקיפות מלאה ויכולת שחזור.

תוצאות

ביצועי מסגרת הבינה של תוכנית הלימודים הרגשית מבוססת-גרף (GECIF) המוצעת הוערכו באמצעות מערך נתונים מבוסס-סימולציה הכולל n = 1000 לומדים לאורך T = 500 שלבי זמן מנורמלים. איור 1 ממחיש את הארכיטקטורה המושגית של ה-GECIF עבור חינוך מוזיקלי חזותי מונחה-AI וקידום בריאות הנפש. כל המדדים מדווחים בסולמות מנורמלים בטווח [0,1]. ההערכה הסטטיסטית כוללת ערכי ממוצע, סטיות תקן (SD) ומרווחי בר סמך (CI) של 95%, כאשר המובהקות נבדקה באמצעות מבחני t מזווגים (p < 0.05). כל ההשוואות חושבו על פני מלוא האוכלוסייה המדומית. איור 2 ממחיש את דינמיקת האימון והתנהגות רכישת הידע של המסגרת המוצעת בהשוואה למודל הבסיס. מסגרת ה-GECIF השיגה תגבר בידע של 0.88 ± 0.04 (95% CI: 0.84–0.92), בעוד שמודל הבסיס השיג 0.65 ± 0.06 (95% CI: 0.59–0.71), עם הבדל מובהק סטטיסטית (p < 0.001). עקומת הלמידה מראה קצב צמיחה תל יותר והתכנסות יציבה ללא התנהגות תנודתית.

איור 3 מציג את ההתפתחות הזמנית של היציבות הרגשית. המסגרת המוצעת משיגה מדד יציבות רגשית של 0.92 ± 0.03, בהשוואה ל-0.70 ± 0.05 במודל הבסיס (p < 0.01). השונות פחתה, עם ערכי סטיית תקן נמוכים יותר שנצפו לאורך הזמן. איור 4 מראה את דינמיקת הלחץ לאורך זמן. המודל המוצע שומר על רמת לחץ נמוכה יותר של 0.15 ± 0.05, בהשוואה ל-0.45 ± 0.07 עבור מודל הבסיס (p < 0.001). קצב ההצטברות נשאר נמוך באופן עקבי לאורך משך הסימולציה. איור 5 מציג את התפלגות ביצועי הלמידה בקרב הלומדים. המסגרת המוצעת מראה התפלגות המרוכזת בערכים גבוהים יותר עם פיזור מופחת בהשוואה למודל הבסיס, מה שמעיד על שונות נמוכה יותר בתוצאות. איור 6 ממחיש את ההתפתחות של שיכמודי הצמתים (node embeddings) בתוך הגרף. ייצוגי המאפיינים מראים מעברים רציפים בין האיטרציות, ללא שינויים פתאומיים שנצפו, מה שמעיד על עדכונים יציבים. איור 7 מראה את עוצמת האינטראקציה בין צמתי ידע, פעילות ורגש. מפת החום חושפת מתאמים מובהקים סטטיסטית (p < 0.05) בין קטגוריות הצמתים, עם עוצמות אינטראקציה משתנות.

איור 8 מציג את הקשר בין הרווח בידע מנורמל לבין יציבות רגשית לאורך תהליך הלמידה הסימולטיבי. מסגרת ה-GECIF המוצעת מדגימה מתאם חיובי חזק בין שני המשתנים (r = 0.82), בהשוואה למתאם חיובי בינוני שנצפה במודל הבסיס הקונבנציונלי (r = 0.65). שני המתאמים היו מובהקים סטטיסטית (p < 0.05), מה שמעיד על כך ששיפורים ברכישת ידע מלווים ביציבות רגשית מוגברת, ובכך משקפים את האינטגרציה המאוזנת של התפתחות קוגניטיבית וויסות רגשי שהושגה על ידי המסגרת המוצעת. איור 9 מראה את התרומה המשולבת של מרכיבי הידע והרגש לאורך זמן. ערכי הידע עולים באופן הדרגתי, בעוד שהשונות הרגשית פוחתת, עם מגמות עקביות שנצפו בכל שלבי הסימולציה. איור 10 משווה את התפלגויות הרווח בידע שהושגו על ידי מסגרת ה-GECIF המוצעת לעומת בסיס הקונבנציונלי באמצעות תרשימי קופסה (box-and-whisker plots). המסגרת המוצעת השיגה ממוצע רווח בידע גבוה משמעותית (9.87 ± 3.46) מאשר המודל הקונבנציונלי (6.90 ± 2.88), כאשר מבחן t למדגמים בלתי תלויים אישר הבדל מובהק סטטיסטית (p < 0.0001; Cohen's d = 1.43). למרות שמסגרת ה-GECIF הפגינה שונות רבה יותר, כפי שמשתקף בסטיית התקן הגבוהה יותר ובטווח הבין-רבעוני שלה, ההתפלגות כולה הוסטה לעבר ערכי רווח בידע גבוהים יותר, מה שמעיד על כך שהפיזור המוגבר מלווה בביצועים כלליים משופרים ולא בירידה ביציבות. תוצאות אלו מדגימות כי המסגרת המוצעת שומרת על ביצועי למידה חסונים תוך התאמה יעילה לתגובות מגוונות של לומדים סימולטיביים. איור 11 מציג את דינמיקת המעורבות לאורך זמן. המסגרת המוצעת משיגה רמת מעורבות של 0.90 ± 0.04, בהשוואה ל-0.68 ± 0.06 עבור מודל הבסיס (p < 0.01), עם שונות מופחתת. איור 12 מראה את התנהגות המעורבות בצורה מחזורית. אמפליטודת התנודות נמוכה יותר במסגרת המוצעת, מה שמעיד על שונות מופחתת בהשוואה לבסיס.

איור 13 ממחיש את עוצמת התכונות המרחביות לאורך הגרף. התפלגות התכונות מראה שונות רציפה עם שיאים ושקעים ניתנים לזיהוי, המצביעים על דפוסי הפעלה הטרוגניים. איור 14 מציג את זרימת הכיוון של העברת הידע. שדה הווקטורים מראה דפוסי תפרוס מאורגנים, כאשר אזורי התכנסות תואמים להצטברות גבוהה יותר של ערכים. איור 15 מציג את התפתחות טופולוגיית הגרף לאורך זמן. העדכונים המבניים מתרחשים בהדרגה, עם מעברים חלקים בערכי המאפיינים בין איטרציות. איור 16 מציג ניתוח של תלות הדדית בין מאפיינים. מפת החום של המתאם מצביעה על קשרים בינוניים עד חזקים בין המאפיינים, ללא כפילות דומיננטית שנצפתה. איור 17 מדגים את התרומה של מאפיינים רב-ממדיים. רמות התרומה משתנות בין הצמתים, דבר המצביע על דפוסי השפעה הטרוגניים. איור 18 מציג את האבולוציה המשותפת של הידע והמצבים הרגשיים. ערכי הידע עולים באופן עקבי בעוד שהשונות הרגשית פוחתת עם הזמן, עם מגמות עקביות לאורך כל תקופת הסימולציה. סיכום כמותי של תוצאות אלו מוצג ב- טבלה 2, שבהן כל המדדים, כולל רכישת ידע, יציבות רגשית, רמת סטרס, מעורבות וחוסן, מדווחים באמצעות מדדים סטטיסטיים. התוצאות מראות הבדלים עקביים בין המסגרת המוצעת לבין מודל הבסיס בכל המדדים שנבדקו. ניתוח סטטיסטי מאשר כי הבדלים אלו הם מובהקים בקרב האוכלוסייה המדומה. באופן כללי, תוצאות הסימולציה מדגימות בעקביות כי מסגרת GECIF המוצעת עולה בביצועיה על מודל הבסיס הקונבנציונלי בכל מדדי הביצועים הנורמליים שנבדקו. ממצאים אלו תומכים במטרת המחקר ובהשערה לפיה שילוב של אינטליגנציה רגשית מבוססת-גרפים עם הוראה חזותית מונעת-AI יכול לשפר את ביצועי הלמידה המדומה, את היציבות הרגשית, את המעורבות ואת ניהול הסטרס בתוך סביבה חישובית הניתנת לשחזור.

זמינות נתונים:

כל הנתונים וההליכים החישוביים ששימשו במחקר זה ניתנים לשחזור מלא וזמינים באופן פתוח. הקוד המלא ליצירת מערך הנתונים, יחד עם ייצוגי נתונים מובנים, מסופק ב- קובץ משלים 1.

figure-results-1
איור 1: ארכיטקטורה רעיונית של מסגרת הבינה של תוכנית הלימודים הרגשית מבוססת הגרף (GECIF) לקידום בריאות הנפש וחינוך מוזיקלי חזותי מונחה בינה מלאכותית. איור זה מציג את מבנה המערכת המלא, כולל בניית גרף ידע-רגש, ניתוח רשת עצבית גרפית, אופטימיזציה של מסלול רגשי, חיווט מחדש אדפטיבי של תוכנית הלימודים, ממשק למידה חזותי ואופטימיזציה רב-מטרית. הוא ממחיש כיצד מרכיבים קוגניטיביים ורגשיים משולבים למערכת למידה אדפטיבית מאוחדת. אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

figure-results-2
איור 2: התפתחות רכישת הידע תחת למידה אדפטיבית מבוססת גרפים בהשוואה למודל הבסיס (baseline) הקונבנציונלי. האיור מדגים את התקדמות הרווח בידע מנורמל לאורך שלבי סימולציה מנורמלים, ומראה התכנסות מהירה יותר ויעילות למידה סימולטיבית גבוהה יותר עבור מסגרת ה-GECIF המוצעת. השוואות סטטיסטיות בין המודלים המוצעים למודלי הבסיס בוצעו באמצעות t-test מזווג עבור n = 1000 לומדים סימולטיביים. כאשר מוצגים פסי שגיאה, הם מייצגים רווחי ברחכה של 95% (95% CI) לממוצע הרווח בידע מנורמל. הבדלים בעלי מובהקות סטטיסטית נקבעו עבור p < 0.05. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-3
איור 3: שיפור זמני של היציבות הרגשית באמצעות התאמה חכמה של תוכנית הלימודים. האיור ממחיש את התפתחות מדד היציבות הרגשית הנורמליזציוני לאורך שלבי סימולציה נורמליזציוניים, ומדגים התייצבות חלקה יותר ותנודות רגשיות מופחתות עבור מסגרת ה-GECIF המוצעת בהשוואה למודל הבסיס הקונבנציונלי. השוואות סטטיסטיות בוצעו באמצעות מבחן t מזווג על פני n = 1000 לומדים סימולטיביים. במקומות שבהם מוצגים פסי שגיאה, הם מייצגים רווחי סמך של 95% (95% CI) לממוצע של מדד היציבות הרגשית הנורמליזציוני. הבדלים נחשבו למשמעותיים סטטיסטית כאשר p < 0.05. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-4
איור 4: הפחתת רמות סטרס באמצעות נתיבי למידה מודעי-רגש. האיור מדגים את האבולוציה הזמנית של רמות סטרס מנורמלות לאורך שלבי סימולציה מנורמלים, ומראה כי מסגרת ה-GECIF המוצעת שומרת על רמות סטרס מדומות נמוכות ויציבות יותר מאשר מודל הבסיס הקונבנציונלי, מה שמעיד על ויסות רגשי משופר לאורך תהליך הלמידה. השוואות סטטיסטיות בוצעו באמצעות t-test מזווג עבור n = 1000 לומדים מדומים. היכן שמוצגים פסי שגיאה, הם מייצגים רווחי סמך של 95% (95% CI) של ממוצע רמת הסטרס המנורמלת. הבדלים נחשבו למשמעותיים סטטיסטית עבור p < 0.05. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-5
איור 5: התפלגות תוצרי הלמידה בקרב לומדים מדומים. האיור מציג את התפלגות הרווח בידע המנורמל עבור מסגרת ה-GECIF המוצעת ועבור מודל הבסיס הקונבנציונלי. המסגרת המוצעת מראה התפלגות המוסטת לעבר רווח בידע מנורמל גבוה יותר עם שונות מופחתת, בעוד שמודל הבסיס מרוכז ברמות ביצועים נמוכות יותר. השוואות סטטיסטיות בין שתי ההתפלגויות בוצעו באמצעות t-test מזווג עבור n = 1000 לומדים מדומים, כאשר מובהקות סטטיסטית הוגדרה כ-p < 0.05. לא מוצגים פסי שגיאה מכיוון שהאיור מציג התפלגויות תדירות ולא סטטיסטיקות סיכום. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-6
איור 6: אבולוציה של ייצוגי ידע מבוססי גרף לאורך איטרציות למידה. האיור ממחיש את האבולוציה הזמנית של שיבוצי צמתי גרף (graph node embeddings) לאורך שלבי סימולציה מנורמלים. שיאים מייצגים הפעלות מאפיינים חזקות יותר, בעוד שעמקים מעידים על ייצוגי מאפיינים חלשים יותר, מה שמדגים את ההסתגלות וההשבחה הרציפה של גרף הידע במהלך תהליך הסימולציה. ויזואליזציה זו מציגה את האבולוציה של ייצוגי מאפיינים נלמדים ואינה כוללת פסי שגיאה. השוואות סטטיסטיות שדווחו במחקר בוצעו באמצעות t-test זוגי עבור n = 1000 לומדים מסומולצים, כאשר מובהקות סטטיסטית הוגדרה כ- p < 0.05. אנא לחצו כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-7
איור 7: עוצמת הקשרים בין צמתי ידע לצמתי רגש בגרף הלמידה. האיור מציג את עוצמות האינטראקציה המנורמליות בין צמתים קוגניטיביים ורגשיים בתוך מסגרת הלמידה מבוססת הגרף. ערכים גבוהים יותר מעידים על תלות קוגניטיבית-רגשית חזקה יותר, בעוד שערכים נמוכים יותר מייצגים קשרים חלשים יותר, מה שמדגים את המבנה המקושר המורכב ואת האבולוציה האדפטיבית של גרף הלמידה לאורך הסימולציה. ויזואליזציה זו מציגה דפוסי קישוריות של הגרף ואינה כוללת סטיות תקן. השוואות סטטיסטיות שדווחו במקום אחר במחקר בוצעו באמצעות מבחן t מזווג עבור n = 1000 לומדים מסומולצים, כאשר מובהקות סטטיסטית הוגדרה כ- p < 0.05. אנא לחץ כאן כדי לצפות בגרסה מורחבת של איור זה.

figure-results-8
איור 8: הקשר בין התקדמות הלמידה לבין הרווחה הרגשית בסביבות של תוכנית לימודים אדפטיבית. האיור מדגים את הקשר החיובי בין תגבר ידע מנורמל לבין יציבות רגשית לאורך תהליך הלמידה המדומה. ככל שרכישת הידע עולה, כך משתפרת גם היציבות הרגשית, מה שמעיד על שילוב יעיל של התפתחות קוגניטיבית וויסות רגשי במסגרת מודל ה-GECIF המוצע. השוואות סטטיסטיות בוצעו באמצעות t-test למדגמים מזווגים בקרב n = 1000 לומדים מדומים. במקומות שבהם מופיעים פסי שגיאה, הם מייצגים רווחי סמך של 95% (95% CI) של ערכי הביצועים המנורמלים הממוצעים. הבדלים נחשבו למשמעותיים סטטיסטית כאשר p < 0.05. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-9
איור 9: תרומת רכישת הידע והדינמיקה הרגשית לביצועי הלמידה הכוללים לאורך שלבי סימולציה מנורמלים. האיור מדגים את התרומות הזמניות של תגבר ידע מנורמל ושל דינמיקה רגשית לביצועי הלמידה המסומולצים הכוללים. רכישת הידע מראה עלייה דומיננטית ומתמשכת לאורך הסימולציה, בעוד שההשפעה של הדינמיקה הרגשית מתייצבת בהדרגה, מה שמעיד על שילוב יעיל של תהליכים קוגניטיביים ורגשיים במסגרת ה-GECIF המוצעת. השוואות סטטיסטיות בוצעו באמצעות מבחן t מזווג עבור n = 1000 לומדים מסומולצים. במקומות שבהם מוצגים פסי שגיאה, הם מייצגים רווחי סמך של 95% (95% CI) של ערכי הביצועים המנורמלים הממוצעים. הבדלים נחשבו למשמעותיים סטטיסטית כאשר p < 0.05. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-10
איור 10: שונות ועמידות של ביצועי הלמידה במודלים אדפטיביים ומסורתיים. האיור מציג תרשימי קופסה (box-and-whisker plots) המשווים את התפלגויות הרווח בידע הנורמלי עבור מסגרת ה-GECIF המוצעת ומודל הבסיס המסורתי. המסגרת המוצעת מראה חציון גבוה יותר של רווח בידע והתפלגות כללית המוסטת לעבר ערכי ביצועים גבוהים יותר, בעוד שהיא מציגה גם טווח בין-רבעוני רחב יותר ופיזור כללי גדול יותר, המשקפים שונות רבה יותר בקרב הלומדים המדומים. למרות השונות המוגברת זו, ההתפלגות הגבוהה באופן עקבי של הרווח בידע מדגימה כי המסגרת המוצעת שומרת על ביצועי למידה עמידים תחת תנאי למידה מגוונים. השוואות סטטיסטיות בוצעו באמצעות t-test למדגמים בלתי תלויים על פני n = 1000 לומדים מדומים לכל מודל. הקופסאות מייצגות את הטווח בין-רבעוני (IQR), הקו האופקי בתוך כל קופסה מציין את החציון, והשפם (whiskers) נמתח עד ל-1.5 × IQR. המסגרת המוצעת השיגה ממוצע רווח בידע גבוה משמעותית מהמודל המסורתי (p < 0.0001; Cohen's d = 1.43). לא מוצגים פסי שגיאה כיוון שתרשים הקופסה מסכם את התפלגויות הנתונים באמצעות רבעונים ושפמים במקום באמצעות רווחי סמך. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-11
איור 11: שינויים דינמיים במעורבות סטודנטים במהלך תהליך הלמידה. האיור ממחיש את ההתפתחות הזמנית של מדד מעורבות הסטודנטים (Student Engagement Index) הנורמלי על פני שלבי סימולציה נורמליים, ומראה כי מסגרת ה-GECIF המוצעת משיגה מעורבות גבוהה ואדפטיבית יותר מאשר מודל הבסיס הקונבנציונלי לאורך תהליך הלמידה המדמה. השוואות סטטיסטיות בין המודל המוצע למודל הבסיס בוצעו באמצעות t-test מזווג על פני n = 1000 לומדים מדומים. במקומות בהם מוצגים פסי שגיאה, הם מייצגים רווחי סמך של 95% (95% CI) של ממוצע מדד מעורבות הסטודנטים הנורמלי. הבדלים נחשבו למשמעותיים סטטיסטית כאשר p < 0.05. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-12
איור 12: דפוסים מחזוריים של מעורבות סטודנטים בסביבות למידה אדפטיביות. האיור ממחיש את האבולוציה הזמנית של מדד מעורבות הסטודנטים (Student Engagement Index) הנורמל לאורך שלבי סימולציה מנורמלים, ומראה תנודתיות מחזורית אך יציבה במעורבות, המעידה על כך שמסגרת ה-GECIF המוצעת שומרת על קצב מאוזן ואדפטיבי של אינטראקציית הלומד לאורך תהליך הלמידה המדמה. השוואות סטטיסטיות בוצעו באמצעות t-test מזווג עבור n = 1000 לומדים מדומים. כאשר מוצגים פסי שגיאה, הם מייצגים רווחי סמך של 95% (95% CI) של ממוצע מדד מעורבות הסטודנטים הנורמל. הבדלים נחשבו למשמעותיים סטטיסטית עבור p < 0.05. אנא לחצו כאן להצגת גרסה גדולה יותר של איור זה.

figure-results-13
איור 13: וריאציה מרחבית של עוצמת מאפיינים לאורך מבנה גרף הלמידה. האיור מציג ויזואלית את ההתפלגות המרחבית הנורמלית של הפעלת מאפיינים לאורך מסגרת למידה מבוססת גרף. אזורים בעלי עוצמה גבוהה יותר מעידים על הפעלות מאפיינים חזקות יותר, בעוד שאזורים בעלי עוצמה נמוכה יותר מייצגים הפעלות חלשות יותר, ובכך נחשף הארגון המבני והלא-ליניארי של ייצוגי הידע והקשרים האדפטיביים שלהם בתוך גרף הלמידה במהלך הסימולציה. ויזואליזציה זו מציגה תבניות מאפיינים מרחביים ואינה כוללת פסי שגיאה. השוואות סטטיסטיות שדווחו במקום אחר במחקר בוצעו באמצעות t-test מזווג עבור n = 1000 לומדים מדומים, כאשר מובהקות סטטיסטית הוגדרה כ- p < 0.05. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-14
איור 14: זרימה כיוונית של העברת ידע בתוך גרף תוכנית הלימודים. האיור מדגים את התפרוסות הנורמלית של הידע בין צמתים מקושרים בתוך מסגרת תכנית הלימודים המבוססת על גרף. הנתיבים הכיווניים מייצגים את זרימת המידע המאורגנת דרך גרף הלמידה, תוך הדגשת הפצה יעילה של ידע וחילופי מידע אדפטיביים בין מרכיבי תכנית הלימודים במהלך הסימולציה. ויזואליזציה זו מתארת דפוסי תפרוסות של ידע ואינה כוללת פסי שגיאה. השוואות סטטיסטיות שדווחו במקומות אחרים במחקר בוצעו באמצעות מבחן מצומד ט-בדיקה בקרב n = 1000 לומדים סימולטיביים, כאשר מובהקות סטטיסטית הוגדרה כ- p < 0.05. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-15
איור 15: אבולוציה מבנית של גרף הלמידה לאורך זמן באמצעות טרנספורמציית מאפיינים אדפטיבית. האיור ממחיש את האבולוציה הפרוגרסיבית של טופולוגיית הגרף במהלך שלבי סימולציה מנורמלים, בעוד שטרנספורמציית מאפיינים אדפטיבית מזקקת באופן רציף את הקשרים בין צמתי הידע. השינויים המבניים הדינמיים משקפים את יכולתו של המסגרת לארגן מחדש ולבצע אופטימיזציה לנתיבי למידה, מה שמוביל לייצוגי גרף קוהרנטיים ואדפטיביים יותר לאורך תהליך הלמידה הסימולטיבי. ויזואליזציה זו מתארת אבולוציה של טופולוגיית הגרף ואינה כוללת פסי שגיאה. השוואות סטטיסטיות שדווחו במקומות אחרים במחקר בוצעו באמצעות t-test מזווג על פני n = 1000 לומדים סימולטיביים, כאשר מובהקות סטטיסטית הוגדרה כ- p < 0.05. נא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-16
איור 16: דפוסי תלות הדדית בין מאפייני למידה שחולצו במסגרת האדפטיבית. האיור ממחיש את דפוסי התלות ההדדית המנורמלים בין מאפייני הלמידה שחולצו בתוך מסגרת ה-GECIF המוצעת. קשרים חזקים יותר מעידים על מתאמים גבוהים יותר ואינטראקציות יעילות יותר בין ממדי המאפיינים, בעוד שקשרים חלשים יותר מייצגים תלות נמוכה יותר, מה שמדגים את הארגון הרב-ממדי המורכב של ייצוגים קוגניטיביים ורגשיים שנלמדו על ידי המסגרת האדפטיבית מבוססת הגרף. ויזואליזציה זו מציגה דפוסי אינטראקציה של מאפיינים ואינה כוללת פסי שגיאה. השוואות סטטיסטיות שדווחו במקומות אחרים במחקר בוצעו באמצעות t-test מזווג על פני n = 1000 לומדים סימולטיביים, כאשר מובהקות סטטיסטית הוגדרה כ- p < 0.05. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-17
איור 17: תרומת מאפיינים רב-ממדיים לביצועי רכישת ידע. האיור ממחיש את התרומות הנורמליות של ממדי מאפיינים מרובים לרכישת ידע לאורך מסגרת הלמידה מבוססת הגרף. וריאציות בחשיבות המאפיינים בין צמתי הגרף מדגישות את הטבע ההטרוגני של גורמי למידה קוגניטיביים ורגשיים, ומדגימות כיצד מאפיינים שונים מקיימים אינטראקציה ותורמים לרכישת ידע אדפטיבית בתוך מסגרת ה-GECIF המוצעת. ויזואליזציה זו מציגה דפוסי תרומה של מאפיינים רב-ממדיים ואינה כוללת פסקוטיאות (error bars). השוואות סטטיסטיות שדווחו במקום אחר במחקר בוצעו באמצעות t-test מזווג עבור n = 1000 לומדים מדומים, כאשר מובהקות סטטיסטית הוגדרה כ- p < 0.05. אנא לחצו כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-18
איור 18: אבולוציה סימולטנית של מצבים קוגניטיביים ורגשיים במהלך למידה אדפטיבית. האיור ממחיש את האבולוציה הטמפורלית של הרווח בידע מנורמל והיציבות הרגשית לאורך שלבי סימולציה מנורמלים, ומראה שיפור קוגניטיבי עקבי המלווה בתנודות רגשיות פחיתות בהדרגה. ההתקדמות המתואמת של שני ממדי למידה אלו מעידה כי מסגרת ה-GECIF המוצעת שומרת ביעילות על אינטגרציה מאוזנת של התפתחות קוגניטיבית וויסות רגשי לאורך תהליך הלמידה המדמה. השוואות סטטיסטיות בוצעו באמצעות t-test מזווג עבור n = 1000 לומדים מדומים. במקומות שבהם מופיעים פסי שגיאה, הם מייצגים רווחי סמך של 95% (95% CI) של ערכי הביצועים המנורמלים הממוצעים. הבדלים נחשבו למשמעותיים סטטיסטית כאשר p < 0.05. אנא לחץ כאן כדי לצפות בגרסה מוגדלת של איור זה.

סמלתיאורקטגוריה
ג'תרשים המייצג את מערכת הלמידה כולהרכיב גרף
Vקבוצת כל הצמתיםרכיב גרף
הסט של קשתות (קשרי גומלין)רכיב גרף
וואט (W)מטריצת משקולות המייצגת את עוצמת הקשררכיב גרפי
V_kצמתי ידע (מושגים מוזיקליים)סוג צומת
V_aצמתי פעילות (פעולות למידה)סוג צומת
V_eצמתי רגש (מצבים פסיכולוגיים)סוג צומת
W_ijמשקל בין צומת i ל-jפרמטר קצה
S_c(i,j)דמיון קוגניטיבי בין צמתיםפרמטר קצה
S_e(i,j)מתאם רגשי בין צמתיםפרמטר קצה
אלפאמשקל לדמיון קוגניטיביפרמטר מודל
בטאמשקל למתאם רגשיפרמטר מודל
x_i(t)ווקטור המצב של צומת i בזמן tמצב צומת
k_i(t)רמת הידע של צומת iמצב צומת
e_i(t)המצב הרגשי של צומת iמצב צומת
a_i(t)מעורבות הפעילות של צומת iמצב הצומת
שלוםייצוג השקה של צומת (Node embedding representation)פרמטר GNN
גמאמקדם דעיכה רגשיתפרמטר מודל
אטהקצב למידה/הסתגלותפרמטר מודל
ג'פונקציית אופטימיזציה רב-מטרתיתאופטימיזציה

טבלה 1: סיכום של המשתנים, הפרמטרים והסימונים המשמשים במסגרת האינטליגנציה של תוכנית לימודים רגשית מבוססת גרפים (GECIF). טבלה זו מספקת הגדרות לרכיבי הגרף, למצבי הצמתים ולפרמטרי המודל, במטרה לתמוך בשחזור ובבהירות של המתודולוגיה המוצעת.

מדדGECIF מוצע (ממוצע)SD מוצערווח בר-סמך (CI) מוצע של 95%קונוונציונלי (ממוצע)SD קונבנציונלירווח ברטחון (CI) קונבנציונלי של 95%שיפור (%)ערך p
רכישת ידע0.880.040.84–0.920.650.060.59–0.71350.001
יציבות רגשית0.920.030.89–0.950.70.050.65–0.75310.002
הפחתת מתחים0.850.050.80–0.900.550.070.48–0.62540.0005
רמת מעורבות0.90.040.86–0.940.680.060.62–0.74320.0015
חוסן0.870.030.84–0.900.660.050.61–0.71320.002
יעילות למידה0.910.040.87–0.950.690.060.63–0.75320.001
מהירות התכנסות0.890.030.86–0.920.670.050.62–0.72330.001
דיוק החיזוי0.930.020.91–0.950.720.050.67–0.77290.0008
הפחתת שונות רגשית0.860.040.82–0.900.60.060.54–0.66430.0012
מדד הסתגלות0.90.030.87–0.930.680.050.63–0.73320.001

טבלה 2: מדדי ביצועים השוואתיים בין מסגרת ה-GECIF המוצעת לבין מודל למידה קונבנציונלי. הטבלה מסכמת שיפורים ברכישת ידע, יציבות רגשית, הפחתת מתחים, מעורבות, חוסן ויעילות למידה כוללת, ומדגימה את עליונותה של הגישה המוצעת.

קובץ משלים 1: קוד ליצירת מערך נתונים וייצוגי נתונים מובנים. סיכום של תהליך יצירת מערך הנתונים מבוסס MATLAB, צינור העיבוד ונהלי ההערכה ששימשו במסגרת הבינה של תוכנית הלימודים הרגשית מבוססת גרפים (GECIF). קובץ זה מספק סקירה כללית של שלבי הסימולציה, כולל יצירת לוג אינטראקציות, מידול מדדי רגש, חישוב ביצועי למידה, בניית גרפים, הנדסת תכונות, ניתוח סטטיסטי, בדיקות תיקוף ונהלי ייצוא נתונים, במטרה לתמוך בשחזור, שקיפות ובהירות של המתודולוגיה המוצעת.אנא לחצו כאן להורדת הקובץ.

דיון

המחקר הנוכחי הציע מסגרת בינה חינוכית רגשית מבוססת גרפים (GECIF), המשלבת למידת ייצוג מבוססת גרפים, מידול מצב רגשי, אופטימיזציה אדפטיבית של תוכנית הלימודים והוראה חזותית מונחית בינה מלאכותית אל תוך מסגרת חישובית מאוחדת לחינוך מוזיקלי במכללות. בניגוד למודלים חינוכיים קונבנציונליים הנתמכים על ידי בינה מלאכותית, המבצעים אופטימיזציה בעיקר לביצועים אקדמיים, המסגרת המוצעת ממדלת בו-זמנית אינטראקציות בין רכישת ידע, ויסות רגשי, מעורבות הלומד ואבולוציה אדפטיבית של תוכנית הלימודים. תוצאות הסימולציה הדגימו בעקביות ביצועים עדיפים של המסגרת המוצעת על פני קו הבסיס הקונבנציונלי במגוון מדדי הערכה, כולל רכישת ידע, יציבות רגשית, מעורבות הלומד והפחתת מתחים. ממצאים אלו מצביעים על כך ששילוב של מבני גרפים יחסיים עם למידה מודעת לרגשות מספק ייצוג חישובי מקיף יותר של תהליכים חינוכיים מאשר גישות המסתמכות אך ורק על התאמה קוגניטיבית.

השיפורים שנצפו בביצועי הלמידה הסימולטיבית עולים בקנה אחד עם התפתחויות אחרונות בחינוך אדפטיבי מונע AI. טכנולוגיות AI מוכרות יותר ויותר ככלים יעילים לפיתוח סביבות למידה מותאמות אישית ואדפטיביות, המסוגלות להגיב למאפייני הלומד ולצרכים חינוכיים18,19,20. בפרט, הוכח כי עיצוב תוכנית לימודים אדפטיבית הנתמכת על ידי בינה מלאכותית משפר את הגמישות ההוראתית, את קבלת ההחלטות הממוקדת בלומד ואת האפקטיביות החינוכית19,20. יתרה מכך, מערכות הערכה ומשוב חכמות הנעזרות ב-AI הדגימו פוטנציאל משמעותי לשיפור הישגי התלמידים באמצעות הערכה רציפה ותמיכה הוראתית אדפטיבית21,22,23. בהשוואה למחקרים קודמים אלו, מסגרת ה-GECIF המוצעת מרחיבה את המתודולוגיות הקיימות על ידי שילוב של ידע קוגניטיבי, דינמיקה רגשית והתנהגויות למידה אדפטיביות בתוך ארכיטקטורה חישובית אחת מבוססת גרף. כתוצאה מכך, המסגרת הנוכחית מספקת ייצוג מאוחד של תהליכים חינוכיים, במקום להתייחס לביצועים קוגניטיביים ולהסתגלות הלומד כמרכיבים נפרדים.

שילוב המידול הרגשי במסגרת המוצעת נתמך גם על ידי מחקרים קודמים בחינוך מוזיקלי ולמידה רגשית. Li1 הדגים כי ויזואליזציה רגשית בשילוב עם למידה עמוקה משפרת את ההוראה של אסתטיקה מוזיקלית על ידי חיזוק האינטראקציה בין הלומדים לתכנים החינוכיים. באופן דומה, Zhao3 דיווח כי שילוב של מיפוי קוגניטיבי עם טיפול מוזיקלי אודיו-ויזואלי מפחית ביעילות חרדה בקרב סטודנטים באוניברסיטה, תוך הדגשת הקשר ההדוק בין ויסות רגשי לבין תוצאות הלמידה. Iyendo et al.4 הדגימו עוד כי התערבויות של אמנות ומוזיקה אודיו-ויזואליות משפרות באופן משמעותי את הרווחה הפסיכולוגית על ידי הפחתת תסמינים הקשורים למצוקה רגשית. לפיכך, השיפורים ביציבות הרגשית שנצפו בסימולציה הנוכחית עולים בקנה אחד עם ראיות קודמות המצביעות על כך שמודעות רגשית מהווה מרכיב חיוני בחינוך מוזיקלי מוצלח. בניגוד למחקרים קודמים שבחנו בעיקר התערבויות רגשיות כאסטרטגיות חינוכיות עצמאיות, המסגרת המוצעת מטמיעה דינמיקה רגשית ישירות בתוך אופטימיזציית תוכנית לימודים מבוססת גרפים, מה שמאפשר למצבים רגשיים להשפיע באופן רציף על החלטות הוראה אדפטיביות לאורך תהליך הלמידה.

ההפחתה המדומה בלחץ הלומד עולה בקנה אחד עם ספרות עדכנית העוסקת בבריאות הנפש של סטודנטים בחינוך הגבוה. לחץ אקדמי זוהה כגורם מנבא מרכזי לירידה ברווחה הפסיכולוגית ולפגיעה בהישגים הלימודיים בקרב סטודנטים באוניברסיטה28,29,30. סקירות שיטתיות הראו עוד כי התערבויות מובנות לניהול סטרס משפרות באופן משמעותי הן את התפקוד האקדמי והן את הבריאות הפסיכולוגית27. לאחרונה, התערבויות דיגיטליותK מבוססות בינה מלאכותית (AI) הוכיחו יעילות בקידום ניהול סטרס וויסות עצמי אדפטיבי בקרב סטודנטים באוניברסיטה29. המסגרת הנוכחית שונה מגישות אלו המבוססות על התערבות, מכיוון שהפחתת הלחץ נובעת מאופטימיזציה אדפטיבית של אינטראקציות קוגניטיביות ורגשיות, ולא באמצעות מנגנונים טיפוליים נפרדים. כתוצאה מכך, רמות הלחץ הנמוכות שנצפו במסגרת המוצעת מרמזות כי עיצוב סילבוס אדפטיבי מבחינה רגשית עשוי בעצמו לתרום להפחתת עומס קוגניטיבי, ובמקביל לתמוך בשיפור ביצועי הלמידה.

המעורבות המוגברת של הלומדים שנצפתה במחקר הנוכחי נתמכת באופן דומה על ידי מחקרים קודמים שבחנו חינוך חזותי נתמך בינה מלאכותית (AI) וטכנולוגיות הוראה מותאמות אישית. Bian et al.12 הדגימו כי תוכן חזותי הנוצר על ידי AI משפר באופן משמעותי את המעורבות בכיתה, את המסוגלות העצמית של הלומד ואת הביצועים הקוגניטיביים בסביבות חינוכיות. באופן דומה, Johnson et al.34 דיווחו כי סביבות למידה חזותיות דיגיטליות מחזקות את מעורבות הסטודנטים ומעודדות השתתפות רבה יותר תחת תנאים חינוכיים גורמי סטרס. בחינוך למוזיקה באופן ספציפי, הוכח כי טכנולוגיות הוראה נתמכות AI מסייעות ביצירת נתיבי למידה מותאמים אישית ומשפרות חדשנות חינוכית41. מסגרת ה-GECIF המוצעת משלימה ממצאים אלה על ידי שילוב של הוראה חזותית אדפטיבית עם מידול רגשי מבוסס גרפים, ובכך מאפשרת למעורבות הלומד, לוויסות הרגשי ולהתפתחות הקוגניטיבית להתפתח בו-זמנית לאורך תהליך הלמידה.

הקשר בין ויסות רגשי לביצועי למידה שנצפה במחקר הנוכחי נתמך גם על ידי מחקרים רחבים יותר בתחום בריאות הנפש. ויסות רגשי זוהה כגורם קריטי המשפיע על רווחה פסיכולוגית ותפקוד חינוכי בריא32. באופן דומה, מודלים של רווחת סטודנטים מדגישים כי חוסן רגשי ויציבות פסיכולוגית קשורים קשר הדוק להישגים אקדמיים מוצלחים15,16,17. מחקרים בקרב סטודנטים באוניברסיטה דיווחו בעקביות כי קידום בריאות הנפש מחזק את החוסן, את המעורבות ואת ההישגים החינוכיים לטווח ארוך14,15,16,17. הסימולציה הנוכחית הדגימה התנהגות חישובית דומה, שבה שיפורים ביציבות הרגשית לוו ברכישת ידע גבוהה יותר ובמעורבות חזקה יותר של הלומד. אף על פי שהחקירה הנוכחית מבוססת כולה על סימולציה ולפיכך אינה יכולה לבסס קשרים סיבתיים אצל לומדים אמיתיים, התוצאות החישוביות מחזקות את הקונצנזוס הגובר לפיו יש לשלב ויסות רגשי ישירות בתוך מערכות חינוכיות חכמות, ולא להתייחס אליו כאל תוצאה חינוכית עצמאית.

בהשוואה לגישות חישוביות קיימות, המסגרה המוצעת מציעה מספר יתרונות מושגיים. מערכות חינוכיות מודרניות המבוססות על AI משתמשות יותר ויותר בהערכה אדפטיבית, משוב מותאם אישית ותמיכה חכמה בקבלת החלטות כדי לשפר את יעילות הלמידה21,22,23. באופן דומה, מודלים של תוכנית לימודים אדפטיבית מונחי AI שמים דגש על התאמה אישית ללומד ותכנון הוראה דינמי18,19,20. עם זאת, גישות אלו מעריכות בדרך כלל את ביצועי הלומד בעיקר באמצעות מדדים קוגניטיביים, בעוד שהן מייצגות מידע רגשי בנפרד או משמיטות אותו לחלוטין. לעומת זאת, מסגרת ה-GECIF המוצעת ממדלת בו-זמנית רכישת ידע, דינמיקה רגשית, מעורבות הלומד ואבולוציה אדפטיבית של תוכנית הלימודים בתוך ייצוג גרפי מאוחד. אסטרטגיית מידול משולבת זו מאפשרת אינטראקציה רציפה בין משתנים קוגניטיביים, התנהגותיים ורגשיים, ובכך מספקת תיאור חישובי מקיף יותר של תהליכים חינוכיים מאשר מערכות חינוכיות קונבנציונליות מונחות AI.

המסגרת רלוונטית במיוחד לחינוך מוזיקלי מכיוון שלמידה מוזיקלית משלבת מטבעה רכישת מיומנויות טכניות, ביטוי רגשי, יצירתיות ומעורבות הלומד. מחקרים קודמים הראו כי שילוב של מוזיקה, אמנויות חזותיות ופעילויות חינוכיות יצירתיות תורם להתפתחות פסיכולוגית, לרווחה רגשית ולמוטיבציה חינוכית36,37. יתרה מכך, סטודנטים למוזיקה חווים לעיתים קרובות עומס אקדמי משמעותי ולחץ פסיכולוגי, מה שמדגיש את החשיבות של מנגנוני תמיכה חינוכיים אדפטיביים25,26. המסגרת המוצעת מרחיבה נקודות מבט חינוכיות אלו על ידי אספקת מנגנון חישובי המסוגל לייצג בו-זמנית התקדמות למידה טכנית, הסתגלות רגשית ואופטימיזציה הוראתית אדפטיבית בתוך מודל יחיד מבוסס גרף. כתוצאה מכך, המסגרת מספקת בסיס חישובי ניתן לפירוש למערכות עתידיות של חינוך מוזיקלי אינטליגנטי השואפות למקסם הן את הביצועים החינוכיים והן את רווחת הלומד.

עם זאת, יש להכיר במספר מגבלות. ראשית, המסגרת הוערכה באופן בלעדי באמצעות נתונים סינתטיים שהופקו בסימולציה חישובית מבוקרת; לפיכך, השיפורים המדווחים משקפים ביצועים אלגוריתמיים ולא ראיות אמפיריות שהתקבלו מאוכלוסיות תלמידים אמיתיות. שנית, משתנים רגשיים יוצגו באמצעות הפשטות מתמטיות המפשטות את המורכבות של תהליכים רגשיים אנושיים אותנטיים. שלישית, מבני גרף ופרמטרי אופטימיזציה שהוגדרו מראש עשויים שלא לייצג באופן מלא את המגוון של סביבות למידה הנתקלות בפרקטיקה. לבסוף, אופטימיזציה מבוססת גרפים מביאה עימה מורכבות חישובית נוספת שעשויה לדרוש אופטימיזציה נוספת לפני פריסה רחבה במערכות חינוכיות אינטליגנטיות.

לפיכך, מחקרים עתידיים צריכים לתקף את המסגרת המוצעת באמצעות מאגרי נתונים חינוכיים אותנטיים וסביבות כיתתיות ממשיות. שילוב של מידע חינוכי רב-מודאלי, הכולל יומני אינטראקציות התנהגותיות, מדידות פיזיולוגיות, תצפיות אודיו-ויזואליות ועקבות למידה דיגיטליים, עשוי לשפר באופן משמעותי את הריאליזם של הערכת המצב הרגשי ואת האופטימיזציה של תכנית הלימודים האדפטיבית. הערכות השוואתיות מול מערכות למידה אדפטיביות מבוססות AI עדכניות 18,19,20,21,22 יבהירו עוד יותר את היתרונות היחסיים של מידול רגשי מבוסס גרפים. הרחבת המסגרת מעבר לחינוך מוזיקלי לתחומי לימוד נוספים תחזק גם היא את הראיות לגבי יכולת ההכללה וההיתכנות המעשית שלה. המחקר הנוכחי, המבוסס על סימולציה, מדגים כי שילוב של למידה יחסית מבוססת גרפים עם מידול רגשי מהווה כיוון מבטיח עבור מערכות חינוכיות חכמות מהדור הבא. הממצאים עולים בקנה אחד עם התפתחויות אחרונות בחינוך אדפטיבי נתמך AI, הוראת מוזיקה מודעת לרגשות, למידה מותאמת אישית ומחקרים על בריאות הנפש של תלמידים25,26,27,28,29,30. למרות שתיקוף באמצעות לומדים ממשיים נותר הכרחי, מסגרת ה-GECIF המוצעת מספקת בסיס חישובי מובנה למערכות חינוכיות עתידיות מבוססות AI, המסוגלות לבצע אופטימיזציה סימולטנית של ביצועים קוגניטיביים, רווחה רגשית, מעורבות הלומד ותכנון תכנית לימודים אדפטיבית.

גילויים

למחבר אין ניגוד עניינים.

תודות

המחבר מבקש להביע תודה כנה למחלקה למוזיקה באוניברסיטת Anqing Normal על אספקת הסביבה האקדמית והתמיכה המוסדית שהיו נחוצות לביצוע מחקר זה. הערכה מיוחדת מוענקת לעמיתים ולסטודנטים שתרמו תובנות ומשוב בעלי ערך במהלך הפיתוח וההערכה של המסגרה המוצעת. המחבר מודה גם על תמיכתה של אוניברסיטת Anqing Normal בהנגשת משאבים ותשתיות מחקר.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מודול 32 GB DDR4 RAMKingston TechnologyNA
CUDA Toolkit להאצת GPU (v11.8)NVIDIAversion 1.18
מנוע התאמת תכנית לימודיםCustom ImplementationCAE003
סט נתונים: אינדיקטורים רגשייםGenerated DatasetDEI006
סט נתונים: מדדי ביצועי למידהGenerated DatasetDLPM007
סט נתונים: לוגי אינטראקציית סטודנטיםGenerated DatasetDIL005
מודול סימולציית מצב רגשיCustom ImplementationESM002
תחנת עבודה GPU (NVIDIA RTX 3080)NVIDIANA
מודול מימוש רשת עצבית גרפית (Graph Neural Network)Custom ImplementationNA
מעבד Intel Core i7 (3.6 GHz)Intel CorporationNA
סביבת Jupyter Notebook (v6.5)Project Jupyterversion 6.5
תוכנת MATLAB (R2023a)MathWorksR2023a
ספריית ויזואליזציה Matplotlib (v3.7)Matplotlibversion 3.7
ספריית עיבוד גרפים NetworkX (v3.1)NetworkX Developersversion 3.1
ספריית חישוב נומרי NumPy (v1.24)NumPy Developersversion 1.24
מודול אופטימיזציה (פתרון רב-מטרתי)Custom ImplementationMOS008
ספריית עיבוד נתונים Pandas (v2.0)Pandas Development Teamversion 2.0
סביבת תכנות Python (v3.10)Python Software Foundationversion 3.10
מסגרת למידה עמוקה PyTorch (v2.0)Meta AIversion 2.0
סקריפט אתחול זרע אקראיCustom ImplementationRSI009
ספריית למידת מכונה Scikit-learn (v1.3)Scikit-learnversion 1.3
ספריית ויזואליזציה סטטיסטית Seaborn (v0.12)Seabornversion 0.12
ספריית TensorFlow (v2.12)Googleversion 2.12
ערכת כלים לממשק למידה חזותיתCustom ImplementationVLI004
מערכת הפעלה Windows 11MicrosoftW11

מקורות

  1. Li Y. Music aesthetic teaching and emotional visualization under emotional teaching theory and Deep learning. Front Psychol. 2022;13.
  2. 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).
  3. 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).
  4. 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.
  5. 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.
  6. Omelchenko M, Migalina V, Kaleda V. The effect of untreated illness in youth depression: A cross-sectional study. Consort Psychiatr. 2022;3(4):8.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. Liu Z. Music teaching curriculum integrates physical exercise to regulate Students' mental health. Rev Psicol Deporte. 2024;33(1):426–435.
  12. 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.
  13. 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.
  14. 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.
  15. 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.
  16. 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.
  17. 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.
  18. 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.
  19. 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.
  20. 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.
  21. 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.
  22. Caspari-Sadeghi S. Artificial intelligence in technology-enhanced assessment: A survey of machine learning. J Educ Technol Syst. 2023;51(3):372–386.
  23. 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.
  24. 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.
  25. 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.
  26. 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.
  27. 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.
  28. 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.
  29. 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.
  30. 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.
  31. 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.
  32. Menefee DS, Ledoux T, Johnston CA. The importance of emotional regulation in mental health. Am J Lifestyle Med. 2022;16(1):28–31.
  33. 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.
  34. 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.
  35. 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.
  36. 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.
  37. 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.
  38. 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.
  39. 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.
  40. 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.
  41. 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.
  42. 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.

הדפסות חוזרות והרשאות

גלה מאמרים נוספים

חינוך מבוסס בינה מלאכותיתמידול רגשילמידה אדפטיביתיציבות רגשיתמעורבות סטודנטיםהפחתת מתחלמידה מבוססת גרפים
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.