Ricerca sull'integrazione della simulazione narrativa e dell'intelligenza artificiale visiva nella gestione dell'insegnamento per sviluppare le capacità di salute mentale nelle università

Sommario

Questo studio integra la simulazione narrativa e l'IA visiva nei sistemi di gestione didattica per migliorare la salute mentale, la resilienza emotiva e il coinvolgimento degli studenti universitari.

Abstract

Gli studenti universitari affrontano sempre più sfide di salute mentale, tra cui ansia, depressione e stress, mentre la maggior parte degli ambienti di istruzione superiore manca di sistemi proattivi di monitoraggio e supporto emotivo. Questo studio mirava a progettare, implementare e valutare un sistema ibrido di gestione dell'insegnamento che integri la simulazione narrativa con l'intelligenza artificiale visiva (IA) per promuovere l'alfabetizzazione in salute mentale e la resilienza emotiva tra gli studenti. Il sistema include un modulo narrativo per il processo decisionale che simula scenari di stress e uno strumento di riconoscimento delle emozioni basato sull'IA (basato sul rilevamento delle espressioni facciali) integrato nelle classi. Un progetto a metodi misti è stato impiegato con 332 studenti universitari e 15 docenti provenienti da diverse università. Sono stati raccolti sondaggi pre e post-intervento, log di utilizzo e dati emotivi in tempo reale provenienti dall'IA visiva. I dati quantitativi sono stati analizzati utilizzando statistiche descrittive, test t accoppiati, ANOVA e regressione lineare multipla. I risultati hanno indicato miglioramenti statisticamente significativi nei punteggi di salute mentale degli studenti (p < 0,01), nella consapevolezza emotiva e nella fiducia nelle decisioni. Questo approccio integrato dimostra sia usabilità che scalabilità, offrendo agli insegnanti una visione emotiva precoce e agli studenti un ambiente di apprendimento riflessivo. Il metodo è più adatto a istituzioni dotate di aule con capacità di IA e di supervisione etica formata.

Introduzione

La salute mentale è diventata una preoccupazione urgente nell'istruzione superiore, con livelli crescenti di ansia, depressione e burnout segnalati tra gli studenti universitari^{di tutto il mondo.} Questi oneri psicologici, spesso collegati a sovraccarico accademico, pressioni sociali e incertezza finanziaria, influenzano negativamente il rendimento scolastico, la permanenza e il benessere a lungo^{termine 2}. Sebbene molte istituzioni abbiano implementato servizi di consulenza e interventi in crisi, tali approcci tendono a essere reattivi e a portata^{limitata 3}. C'è una crescente domanda di strategie proattive, scalabili e integrate che supportino la resilienza psicologica degli studenti negli ambienti di apprendimento quotidiani.

I recenti progressi nella tecnologia educativa offrono nuove opportunità per integrare direttamente il supporto emotivo nei sistemi didattici. Due approcci promettenti sono la simulazione narrativa e l'intelligenza artificiale visiva (IA). La simulazione narrativa si riferisce a moduli interattivi guidati dalla storia che mettono gli studenti in situazioni emotivamente complesse, incoraggiando riflessione, empatia e decisioni. Basate sulla teoria dell'apprendimento esperienziale, queste simulazioni permettono agli studenti di esercitarsi sulle risposte a sfide come l'ansia da test, la gestione del tempo o i conflitti tra pari in un ambiente sicuro e^{guidato 4,5}. La Teoria dell'Apprendimento Esperienziale suggerisce inoltre che la riflessione e la sperimentazione attiva sono fondamentali per trasformare l'esperienza in un apprendimento duraturo, rendendo la simulazione narrativa un mezzo valido per favorire l'intelligenza emotiva e l'adattamento ad affrontare le cose.

L'IA visiva utilizza modelli di machine learning per dedurre gli stati emotivi degli studenti in tempo reale, ad esempio dalle espressioni facciali, dallo sguardo o dalla^{postura 6}. Quando impiegati in modo etico e con consenso informato, tali sistemi possono funzionare come strumenti di allerta precoce, identificando stress o disimpegno prima^{dell'escalation 7}. Integrata nelle piattaforme di gestione dell'insegnamento, l'IA visiva può fornire feedback tempestivi agli insegnanti, supportando risposte accademiche o emotive personalizzate. Questa integrazione è in linea con la Teoria Cognitivo-Comportamentale, che sottolinea che aumentare la consapevolezza delle cognizioni disadattive e ristrutturarle può migliorare gli esiti emotivi.

Questo approccio risuona anche con le visioni contemporanee della gestione dell'insegnamento come orchestrazione dell'esperienza studentesca in contesti digitali e in presenza. Integrando il supporto alla salute mentale in questa infrastruttura, la formazione sulla resilienza diventa parte del processo accademico piuttosto che un optional^{opzionale 8}. È inoltre in accordo con il Modello Transazionale dello Stress e del Coping, che presenta la regolazione emotiva come un'interazione dinamica tra strategie di valutazione e coping; qui, l'IA visiva contribuisce alla valutazione primaria (rilevamento dei segnali), mentre la simulazione narrativa supporta la valutazione secondaria (esplorare alternative di coping) in uno spazio psicologicamente sicuro.

Nonostante il crescente interesse, pochi studi empirici hanno valutato l'uso combinato di IA visiva e simulazione narrativa per il supporto alla salute mentale nell'istruzione superiore. Inoltre, costrutti chiave come l'alfabetizzazione nella salute mentale, "la conoscenza e le convinzioni che aiutano nel riconoscimento, nella gestione o nella prevenzione dei disturbi mentali^{" e} la resilienza emotiva, ovvero la capacità di adattarsi allo stress^psicologico, sono spesso poco operativi. Questo studio colma queste lacune progettando e testando un sistema integrato di insegnamento-gestione che abbina la simulazione narrativa a componenti di IA visiva per promuovere l'identificazione precoce del disagio e favorire l'autoregolazione degli studenti.

Contributo oggettivo e chiave

Questo studio esplora come la simulazione narrativa e l'IA visiva possano essere integrate in modo significativo nei sistemi di insegnamento-gestione per affrontare le problematiche legate alla salute mentale degli studenti universitari. Piuttosto che trattare la salute mentale come un servizio esterno, l'obiettivo è integrare il coinvolgimento emotivo e il supporto psicologico precoce nell'apprendimento di routine. Combinare scenari decisionali interattivi con il monitoraggio emotivo in tempo reale offre agli studenti opportunità di pratica riflessiva, consentendo al contempo agli insegnanti di rispondere con sensibilità ai segnali di disagio.

Il sistema si basa concettualmente sull'apprendimento esperienziale, evidenziando pratica, feedback e coinvolgimento emotivo come motori del cambiamento comportamentale. Le simulazioni narrative presentano fattori accademici familiari (ad esempio, pressione temporale, tensione tra pari) che richiedono scelte emotivamente rilevanti. In parallelo, uno strumento di visual-AI calibrato per l'inferenza dell'espressione facciale monitora i cambiamenti momento per momento durante le lezioni. L'approccio si basa anche sulla teoria dell'Intelligenza Emotiva, che identifica la consapevolezza di sé, l'empatia e la regolazione come competenze fondamentali della resilienza.

La ricerca ha coinvolto 332 studenti universitari e 15 docenti in tre aree disciplinari. Utilizzando un disegno a metodi misti, abbiamo valutato se ansia, depressione e stress diminuissero e se la consapevolezza emotiva e la fiducia decisionale degli studenti migliorassero. La modellizzazione statistica e le analisi qualitative informano congiuntamente come le tecnologie consapevoli delle emozioni possano supportare il benessere degli studenti, non come sostituto dell'assistenza professionale, ma come componente preventiva e scalabile della vita accademica quotidiana.

Panoramica del sistema

Questo studio è strutturato in cinque sezioni principali. L'introduzione presenta il contesto e la motivazione per affrontare le sfide di salute mentale nell'istruzione superiore. La seconda sezione esamina la letteratura esistente sulla simulazione narrativa, l'IA visiva e le loro applicazioni in contesti educativi. La terza sezione delinea il disegno della ricerca, inclusi l'approccio a metodi misti, il reclutamento dei partecipanti e le tecniche analitiche. La quarta sezione presenta i risultati chiave, sia quantitativi che qualitativi, concentrandosi sui cambiamenti nella resilienza emotiva degli studenti e nella consapevolezza della salute mentale. Infine, la conclusione discute le implicazioni più ampie dei risultati e suggerisce direzioni future per l'integrazione delle tecnologie sensibili alle emozioni nella pratica didattica.

Lavori correlati

Le università hanno sperimentato approcci diversi per supportare la salute mentale, tra cui outreach guidato da pari, campagne digitali e interventi in classe¹¹. La comunicazione a livello di campus combinata con il supporto tra pari degli studenti può migliorare il coinvolgimento e la consapevolezza del servizio, anche se l'adattamento a popolazioni diverse rimane una^{sfida 12}. A livello di popolazione, la ricerca si basa spesso su indagini auto-relative basate sui criteri^{diagnostici 13}, che limitano l'inferenza causale e trascurano gli indicatori in tempo reale della ceppa^14,15.

Un lavoro in crescita esamina l'intelligenza emotiva (IE) come predittore del benessere degli studenti; Tratti come la consapevolezza di sé, la chiarezza e la riparazione emotiva sono associati a risultati migliori, con l'appartenenza frequentemente identificata come un^{mediatore 16}. Tuttavia, molti risultati si basano su sondaggi una tantum, privo di un feedback dinamico per un supporto duraturo. Incorporare principi informati dall'EI nella simulazione narrativa offre una via per approfondire empatia, riflessione e autoregolazione.

Parallelamente, i ricercatori dell'educazione integrano sempre più l'IA negli ambienti di^{apprendimento 17}. Strumenti di IA visiva che rilevano espressioni facciali o microespressioni legate allo stress sono stati utilizzati in esami e tutoraggi, con risultati promettenti per il feedback^{adattivo 18}. Le simulazioni narrative sono ben consolidate nell'educazione infermieristica/medica per la pratica di decisioni emotivamente^{cariche 19}, ma queste applicazioni sono spesso specifiche per dominio e raramente integrate nei sistemi generali di insegnamento-gestione²⁰. Un piccolo corpus di studi propone quadri per la collaborazione studente-IA e la progettazione didattica guidata dall'IA^21,22, sottolineando l'etica, le lacune di implementazione e la necessità di modelli scalabili che offrano valore pedagogico e psicologico oltre la novità.

Questo studio fa progredire il campo integrando la simulazione narrativa con il calcolo affettivo in tempo reale per creare una risposta proattiva e integrata alle sfide della salute mentale negli ambienti di apprendimento universitari.

Lacuna di ricerca e considerazioni pratiche di implementazione

Sebbene gli strumenti digitali per la salute mentale degli studenti si stiano diffondendo, molti studi si basano sull'autovalutazione e su interventi a breve termine al di fuori del contesto scolastico, limitando l'impatto e la tempestività a lungo termine. Pochi sforzi collegano costrutti come l'IE o l'alfabetizzazione in salute mentale al feedback in tempo reale o al comportamento osservabile in classe. L'IA visiva e la simulazione narrativa sono state esplorate separatamente, ma raramente combinate in un unico sistema che sia monitori sia risponda agli stati emotivi durante l'attività accademica. Questo studio colma questa lacuna abbinando la riflessione emotiva basata sulla simulazione con il riconoscimento guidato dall'IA all'interno dell'ambiente di apprendimento stesso.

Considerazioni pratiche sull'implementazione

L'implementazione efficace dipende dall'infrastruttura (internet stabile, telecamere integrate), dalla supervisione etica e dalla calibrazione degli algoritmi per proteggere i partecipanti e ridurre i bias, soprattutto quando si tratta di analisi facciale. La formazione dei docenti è inoltre necessaria per interpretare responsabilmente i segnali generati dall'IA e integrarli nelle decisioni pedagogiche. Di conseguenza, l'approccio si adatta al meglio alle università con infrastrutture digitali consolidate e comitati etici istituzionali, dove può funzionare come un quadro proattivo e scalabile per l'empowerment della salute mentale degli studenti.

Protocollo

Prima della raccolta dei dati, l'approvazione etica è stata ottenuta dal Consiglio di Revisione Istituzionale dell'Università delle Poste e Telecomunicazioni di Nanchino (Codice di approvazione: NJUPT-IRB-2024-0312). Tutti i partecipanti hanno fornito un consenso informato scritto dopo essere stati informati sull'ambito dello studio, sulla natura volontaria della partecipazione, sull'uso dell'IA visiva per il tracciamento delle emozioni e sulle procedure di riservatezza dei dati. La partecipazione poteva essere interrotta in qualsiasi momento senza penalità. Il software e le attrezzature utilizzate sono elencati nella Tabella dei Materiali.

1. Preparazione allo studio

1. Definizione della tempistica operativa e del flusso end-to-end
   Sono stati fissati due punti di valutazione: T1 (pre-intervento), subito dopo il primo esame, e T2 (post-intervento), a seguito di brevi feedback forniti dagli istruttori guidati da segnali emotivi dell'IA. Una simulazione narrativa era programmata dopo il periodo d'esame, e una seconda simulazione alcuni giorni dopo per valutare i cambiamenti nell'affrontare la coping. Il pipeline end-to-end, che comprende l'input delle telecamere in classe, l'API di riconoscimento delle emozioni, il feedback degli insegnanti, la raccolta di sondaggi, l'integrazione dei dati e l'analisi, è illustrato nella Figura 1A.
2. Reclutamento e documentazione dei partecipanti
   Un totale di 347 partecipanti sono stati reclutati tramite iscrizione volontaria dai corsi esistenti, inclusi 332 studenti universitari (di età compresa tra i 18 e i 22 anni; 140 uomini, 192 femmine) e 15 membri della facoltà (tra i 27 e i 45 anni; 10 donne, 5 uomini). Sono state registrate le distribuzioni per anno accademico e dipartimento. La demografia degli studenti e del corpo docente è presentata rispettivamente nella Tabella 1 e nella Tabella 2.
3. Preparazione delle aule e dei materiali
   Ogni stanza era dotata di un computer (Intel i5 o superiore, ≥ 8 GB di RAM), una webcam HD (≥ 720p) e una connettività internet stabile (≥ 10 Mbps). La webcam era posizionata all'altezza degli occhi sotto un'illuminazione frontale uniforme per garantire una chiara visibilità facciale a ≥ 640 × 480 px. Un avviso indicava che il tracciamento delle emozioni era attivo. Inquadrature e illuminazione venivano verificate prima di ogni sessione e la configurazione software veniva avviata una volta confermata la stabilità del rilevamento.

2. Configurazione dell'IA visiva

1. Fornitura del servizio di riconoscimento delle emozioni
   È stato creato un account cloud e l'API di riconoscimento delle emozioni è stata abilitata. La chiave API e l'URL dell'endpoint venivano generate, con le credenziali memorizzate in forma criptata sotto controllo di accesso basato sul ruolo. Per la riproducibilità, è stata utilizzata Microsoft Azure Face API (Emotion, v3.2, regione Asia orientale). Il cliente si è autenticato tramite HTTPS usando un token portatore e ha restituito oggetti JSON per faccia contenenti {faceId, faceRectangle, emotions: {rabbia, paura, tristezza, disgusto, felicità, sorpresa, neutrale}, timestamp} a circa 25-30 fps.
2. Collegamento della telecamera e calibrazione del rilevamento
   Il flusso della webcam in classe era collegato al client API (Python o REST). La frequenza di campionamento era impostata tra 25 e 30 fps con una risoluzione di frame di 640 × 480 px. È stato avviato un flusso di test e la connettività è stata confermata ricevendo una risposta HTTP 200 OK con JSON valido con timestamp. L'angolazione della telecamera e l'illuminazione venivano regolate fino a rilevare i volti entro un secondo dall'ingresso del fotogramma. La posizione finale della telecamera e i parametri di illuminazione sono stati documentati. La calibrazione era dimostrata da una schermata di conferma che mostrava le scatole di delimitazione, l'indicatore 200 OK e i campi JSON, come illustrato nella Figura 1B.
3. Definizione di soglie di classificazione e regole di logging
   Ogni output JSON includeva timestamp ISO 8601, etichette emotive e valori di confidenza. Un composito di effetto negativo per fotogramma è stato definito come la media dei punteggi di fiducia {rabbia, paura, tristezza, disgusto}. Un indicatore di stress veniva attivato quando il composito rimaneva ≥ 0,75 per almeno 5 secondi (finestra mobile). È stata condotta una prova pilota di 10 minuti per ottimizzare le soglie, puntando a un tasso di falsi positivi per sessione del ≤5%. La registrazione è stata configurata per aggregare i riassunti a livello di sessione invece di memorizzare frame identificabili.
4. Implementazione di controlli sulla privacy e sulla minimizzazione dei dati
   Identificatori pseudonimi (S001-S332 per gli studenti e F001-F015 per i docenti) venivano assegnati, mantenendo il file della chiave ID su un server criptato sotto controllo di accesso basato su ruolo. La cache video locale è stata disabilitata. Quando era richiesta una cache temporanea per garantire la qualità, i frame nella cache venivano eliminati entro 24 ore dalla verifica. La precisione del rilevamento per sessione, la latenza media e i tassi di errore sono stati registrati per la presentazione successiva nella sezione Risultati.
5. Verifica della prontezza dell'IA (checkpoint procedurale)
   Sono stati confermati il rilevamento stabile dei volti a 25-30 fps, la ricezione di risposte HTTP 200 OK, campi JSON validi, impostazioni di soglia documentate e archiviazione sicura delle credenziali. L'intera pipeline è stata segnalata come avendo superato i controlli di prontezza in conformità con la rappresentazione della calibrazione nella Figura 1B.

3. Amministrazione dei rilievi

1. Configurazione degli strumenti e degli ancoraggi
   È stata utilizzata una scala di Likert a 5 punti per misurare depressione, ansia e stress, utilizzando item adattati da DASS-21 per allinearsi al contesto accademico. I codici degli elementi e gli ancoraggi seguivano la disposizione degli strumenti presentata nella Tabella 3.
2. Somministrazione del T1 (pre-test)
   Il sondaggio è stato somministrato immediatamente dopo l'esame iniziale e prima di qualsiasi feedback informato dall'IA. È stato implementato un modulo online sicuro con tutti i campi impostati come obbligatori e impedita la presentazione duplicata. Il dataset è stato esportato in formato CSV con campi per ID partecipante, timepoint (T1) e punteggi degli item.
3. Fornitura di brevi feedback da parte degli istruttori
   Entro 24 ore dopo il T1, sono state fornite indicazioni non cliniche agli studenti identificati tramite IA. Il feedback includeva brevi esercizi di rilassamento (3-5 minuti), aggiustamenti del piano di studio o suggerimenti per la gestione del tempo. Non sono state registrate note cliniche nel dataset di ricerca. Gli studenti che mostravano gravi difficoltà venivano indirizzati ai servizi di consulenza del campus in conformità con le politiche istituzionali.
4. Somministrazione di T2 (post-test)
   Lo stesso sondaggio è stato rifatto dopo la seconda sessione d'esame e il successivo feedback. I dati sono stati esportati in formato CSV con timepoint (T2) e abbinati alle risposte T1 utilizzando gli ID dei partecipanti.
5. Blocco dei dati di rilevamento (checkpoint procedurale)
   I tassi di risposta e i pattern di dati mancanti sono stati verificati, e il database del sondaggio è stato bloccato prima della fusione dei dati. Le statistiche descrittive erano previste per l'inclusione nella sezione Risultati.

4. Esercizi di simulazione narrativa

1. Esecuzione della simulazione 1
   È stato presentato uno scenario di stress accademico, che rappresenta situazioni come ricevere un voto basso o percepire un feedback ingiusto. A ogni studente è stato chiesto di scegliere una delle tre opzioni di risposta: interiorizzare la frustrazione, incolpare pubblicamente l'insegnante oppure riflettere e cercare chiarimenti. È stata assegnata una durata di 3-5 minuti per la selezione delle risposte, seguita da una motivazione scritta di 150-200 parole. L'interfaccia di simulazione che mostra il prompt temporale e le opzioni di risposta è mostrata nella Figura 1C.
2. Conduzione di brevi interviste
   Immediatamente dopo la Simulazione 1, sono state condotte brevi interviste della durata di 5-7 minuti per esplorare le valutazioni dei partecipanti, le intenzioni di coping e i percepiti trigger emotivi. Le note delle interviste sono state registrate e collegate ai documenti dei partecipanti.
3. Esecuzione della simulazione 2
   Una seconda simulazione fu condotta alcuni giorni dopo, seguendo la stessa procedura della Simulazione 1 ma utilizzando uno scenario parallelo. Questa sessione mirava a osservare i cambiamenti nella consapevolezza emotiva e nei comportamenti di coping. La scelta, la motivazione e le note dell'intervista sono state registrate come nella Simulazione 1.
4. Conferma dei record di simulazione (checkpoint procedurale)
   Ogni partecipante è stato verificato con una scelta registrata, una motivazione contenente almeno 150 parole e una nota corrispondente per l'intervista. È stato preparato un modello di riassunto di codifica per un'analisi tematica successiva.

5. Esportazione di log AI e fusione di dataset

1. Esportazione di riassunti delle emozioni a livello di sessione
   I riassunti delle emozioni a livello di sessione sono stati esportati in formato CSV, inclusi ID partecipante, ID sessione, timestamp ISO 8601, etichetta emotiva, valore di fiducia e indicatore di stress flag. I fotogrammi video grezzi non venivano salvati.
2. Fusione dei log AI con i file di sondaggio
   I file di log IA sono stati uniti con i dataset di indagini T1 e T2 utilizzando l'ID del partecipante e la data della sessione come variabili chiave. Variabili derivate, come ΔAnxiety = Anxiety_T2 − Anxiety_T1, venivano calcolate per valutare il cambiamento nel tempo. È stato effettuato un audit del 5% dei record uniti per verificare l'allineamento degli identificatori e la coerenza cronologica.
3. Conferma dell'integrità della fusione (checkpoint procedurale)
   Sono stati confermati il corrispondenza identitativa uno-a-uno e l'ordine temporale corretto, con T1 precedente T2 per ciascun partecipante. Eventuali discrepanze identificate sono state risolte prima dell'analisi statistica.

6. Analisi quantitativa (flusso di lavoro SPSS)

1. Importazione dei dati e definizione delle variabili
   I file dati venivano aperti in SPSS 27.0 e venivano importati dataset CSV. Furono definite etichette e tipi variabili, e furono stabilite regole per i valori mancanti. I file master venivano salvati in .sav formato per analisi successive.
2. Valutazione dell'affidabilità e delle statistiche descrittive
   La α di Cronbach è stata calcolata per ciascun costrutto per valutare la coerenza interna. Sono state generate statistiche descrittive, inclusi media (M) e deviazione standard (SD), per tutte le variabili. I risultati risultanti sono stati conservati per l'inclusione nella sezione Risultati.
3. Esecuzione dei t-test a campioni accoppiati
   Sono stati condotti test t a campioni abbinati per confrontare i punteggi T1 e T2 per ansia, depressione e stress. I risultati includevano t, gradi di libertà (df), p-valore, d di Cohen e intervallo di confidenza (IC) al 95%, tutti presentati nella sezione Risultati.
4. Esecuzione di ANOVA a misure ripetute
   Il tempo (T1, T2) veniva specificato come fattore all'interno del soggetto in un'ANOVA a misure ripetute. Fu valutato il test di sfericità di Mauchly e la correzione Greenhouse-Geisser fu applicata quando le assunzioni venivano violate. L'analisi ha riportato valori di F, df, p, η² e IC del 95% per l'inclusione nei Risultati.
5. Adattamento di modelli di regressione lineare multipla
   Molteplici modelli di regressione lineare sono stati assegnati a risultati di T2 regrediti su punteggi T1, tasso di stress flag dell'IA e scelta narrativa (codificata con dummy). I risultati del modello sono stati riassunti tramite β di segnalazione, errore standard (SE), valore t, valore p e^{R 2}.
6. Mantenimento degli standard di unità e notazione
   Tutti i valori numerici rispettavano le convenzioni delle unità SI, con uno spazio tra numero e unità (ad esempio, 10 min, 25 fps, 640 × 480 px). Le equazioni venivano inserite utilizzando lo strumento Equazioni di Word dove appropriato, e la notazione statistica veniva mantenuta coerente in tutte le sezioni.

7. Flusso di lavoro per l'analisi tematica

1. Assemblaggio del corpus qualitativo
   Le note delle interviste sono state trascritte e le motivazioni narrative sono state compilate in un unico corpus etichettato per ID partecipante e momento temporale (Sim1 o Sim2). Questo corpus ha servito come dataset per l'analisi qualitativa.
2. Sviluppo del codebook e formazione dei programmatori
   È stato sviluppato un codebook focalizzato sull'impegno emotivo, sulla qualità del processo decisionale e sugli indicatori di intelligenza emotiva, inclusi autoconsapevolezza, empatia e regolazione emotiva. Due codificatori sono stati formati sul 10% del corpus per garantire un'interpretazione coerente dei codici e dei criteri analitici.
3. Stabilimento dell'affidabilità degli interrater e completamento della codifica
   L'affidabilità dell'interrater è stata valutata con un κ di Cohen bersaglio di almeno 0,75. Eventuali discrepanze venivano discusse e risolte prima di finalizzare il codebook. Il corpus rimanente fu quindi completamente codificato. Le frequenze dei temi sono state riassunte e una mappa tematica rappresentativa è stata preparata per la presentazione nella sezione Risultati. È stata selezionata una citazione rappresentativa per illustrare ogni tema centrale.

8. Controllo qualità, risoluzione dei problemi e archiviazione

1. Risoluzione delle questioni tecniche
   Quando i tassi di rilevamento facciale erano bassi, l'illuminazione frontale migliorava e l'angolo della telecamera era regolato. I frame rate sono stati verificati per rimanere entro 25-30 fps. Nei casi in cui sono state osservate bandiere di stress eccessive, la soglia di rilevamento è stata aumentata a 0,80 o la finestra di rilevamento è stata estesa ad almeno 8 secondi per stabilizzare i risultati.
2. Garanzia della coerenza dei dati
   Gli ID dei partecipanti e i momenti temporali sono stati validati prima dell'analisi dei dati. I coder venivano ricalibrati ogni 50 trascrizioni per prevenire la deriva di codifica. Una checklist di controllo qualità a livello di sessione veniva mantenuta e firmata sia dal responsabile della sessione che dal data steward per documentare l'integrità procedurale.
3. Archiviazione di dataset e documentazione
   Tutti i file analitici venivano de-identificati sostituendo gli identificatori diretti con gli ID dei partecipanti. I moduli di consenso sono stati archiviati separatamente dai dati di ricerca. I dataset finali, i file di sintassi SPSS, i codebook e i log di controllo qualità venivano archiviati su un server sicuro con accesso limitato.

Risultati

Analisi descrittiva

I confronti pre-post hanno indicato un calo costante dell'effetto avverso dopo l'implementazione. Le medie post-test sono diminuite a 2,87 per l'ansia, 2,74 per la depressione e 2,69 per lo stress, rispetto alle medie pre-test di 3,25, 3,11 e 3,08 rispettivamente (Figura 2). Gli esiti descrittivi sono riassunti nella Tabella 4, e la struttura degli strumenti a livello di item è...

Discussione

Lo studio dimostra che quando la simulazione narrativa viene combinata con l'IA visiva, la consapevolezza emotiva diventa un processo condiviso piuttosto che un intervento unidirezionale. Gli studenti non rispondevano semplicemente a uno strumento digitale; Si impegnavano in una riflessione emotiva strutturata che collegava la valutazione cognitiva all'esperienza incarnata. In tutto il dataset, sia i risultati quantitativi che qualitativi hanno rivelato un modello costante di riduzione d...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Hardware	Telecamera di riconoscimento facciale	Logitech (o simile)	C920 HD Webcam
Strumento	Raccolta di trascrizioni delle interviste	Inserimento manuale	Registrazioni audio/testo
Questionario	Scala DASS-21 modificata	Adattato dagli autori	Formato Likert a 5 punti
Software	Microsoft Azure Emotion API	Microsoft	Emotion API v3 (Cloud)
Software	Statistiche SPSS	IBM	Versione 26
Software	Sistema di Simulazione Narrativa	Auto-sviluppato	Basato sul web (HTML5)
Piattaforma di Sistema	Sistema di Gestione dell'Insegnamento Universitario	Piattaforma interna	Integrato con il modulo AI