Questo studio propone un framework basato su grafi per un'intelligenza curricolare emotiva applicata all'insegnamento visuale guidato dall'intelligenza artificiale nell'ambito dell'educazione musicale universitaria. Utilizzando un dataset basato su simulazioni, il framework modella l'acquisizione delle conoscenze, la dinamica emotiva e il livello di coinvolgimento. I risultati indicano un miglioramento dell'efficienza nell'apprendimento e una riduzione dello stress rispetto ai modelli convenzionali, dimostrando il potenziale per sistemi educativi adattivi e sensibili al benessere mentale.
Articolo di ricerca
Valutazione basata su simulazione del design dell'insegnamento visivo integrato con l'intelligenza artificiale per la promozione della salute mentale nei corsi di musica universitaria
In questo articolo
Sommario
Abstract
La progettazione didattica visiva nell'insegnamento universitario della musica ha attirato un'attenzione crescente a causa del suo potenziale nel migliorare il coinvolgimento degli studenti e promuovere il benessere mentale. Tuttavia, gli approcci didattici convenzionali spesso mancano dell'adattabilità necessaria per rispondere agli stati cognitivi ed emotivi in evoluzione degli apprendenti, limitandone l'efficacia nel sostenere sia il rendimento accademico che l'equilibrio psicologico. L'obiettivo principale di questo studio basato su simulazione è sviluppare e valutare un framework guidato dall'intelligenza artificiale che integri strategie didattiche visive con un modello emotivo basato su grafi, al fine di ottimizzare i risultati di apprendimento nei corsi universitari di musica. Viene proposto un nuovo framework di intelligenza curricolare emotiva basato su grafi (GECIF), che rappresenta l'ambiente di apprendimento come un grafo interconnesso di nodi relativi a conoscenze, attività ed emozioni. Il framework incorpora tecniche di apprendimento per rappresentazione basate su grafi, modellazione dinamica degli stati e meccanismi di apprendimento adattivo per simulare l'evoluzione nel tempo dell'acquisizione di conoscenze, del coinvolgimento, della stabilità emotiva e dello stress. Un dataset sintetico, composto da registri di interazione, indicatori emotivi e variabili di prestazione nell'apprendimento, è stato generato attraverso una pipeline di simulazione controllata basata su MATLAB per garantire la riproducibilità. Il GECIF è stato valutato rispetto a un modello di base convenzionale non adattivo in condizioni sperimentali identiche e lungo fasi di simulazione normalizzate. Le prestazioni sono state valutate utilizzando metriche di simulazione normalizzate, tra cui guadagno di conoscenza, stabilità emotiva, riduzione dello stress, livello di coinvolgimento e robustezza. Il framework proposto ha ottenuto prestazioni costantemente superiori rispetto al modello di base, dimostrando un'acquisizione di conoscenza simulata più elevata, una migliore regolazione emotiva, un maggiore coinvolgimento, una riduzione dello stress simulato e una robustezza accresciuta. Un'analisi statistica basata su valori medi, deviazioni standard e intervalli di confidenza al 95% ha confermato miglioramenti costanti in tutte le metriche di valutazione. Questi risultati dimostrano il potenziale delle strategie didattiche visive guidate dall'intelligenza artificiale e sensibili alle emozioni nell'ambito dell'insegnamento musicale adattivo, fornendo al contempo un framework computazionale scalabile e riproducibile per sostenere future ricerche nei sistemi educativi intelligenti.
Introduzione
L'integrazione dell'intelligenza artificiale (AI) nei sistemi educativi ha trasformato in modo significativo i paradigmi tradizionali dell'insegnamento, consentendo esperienze di apprendimento più adattive, personalizzate e basate sui dati1,2,3. Negli ultimi anni, la progettazione didattica visiva si è affermata come un approccio pedagogico efficace, in particolare in discipline come l'educazione musicale, in cui concetti astratti, espressione emotiva e comprensione percettiva svolgono un ruolo centrale4,5,6,7. Le rappresentazioni visive, tra cui interfacce grafiche, simulazioni interattive ed elementi multimediali, facilitano un'elaborazione cognitiva più profonda e aumentano il coinvolgimento degli studenti8,9,10,11. Tuttavia, nonostante questi progressi, i metodi didattici visivi esistenti spesso rimangono statici e mancano della capacità di rispondere dinamicamente agli stati cognitivi ed emotivi in evoluzione degli studenti12,13,14. L'educazione musicale, in particolare a livello universitario, presenta sfide uniche a causa della sua natura intrinsecamente multidimensionale15,16,17. I risultati dell'apprendimento sono influenzati non solo dalla comprensione cognitiva della teoria musicale e delle tecniche esecutive, ma anche da fattori emotivi come motivazione, stress, coinvolgimento e benessere psicologico18. Studi precedenti hanno evidenziato la forte relazione tra stati emotivi ed efficacia dell'apprendimento, indicando che gli studenti che sperimentano alti livelli di stress o un basso coinvolgimento tendono a mostrare prestazioni accademiche ridotte19,20,21. Sebbene siano stati proposti diversi sistemi educativi basati sull'intelligenza artificiale per migliorare la personalizzazione dell'apprendimento, la maggior parte di essi si concentra principalmente su metriche di prestazione cognitiva, trascurando il ruolo fondamentale della dinamica emotiva nel modellare il processo di apprendimento22.
Recenti sviluppi nei sistemi intelligenti di apprendimento hanno introdotto rappresentazioni basate su grafi e tecniche di deep learning per modellare relazioni complesse tra componenti educativi23,24,25. I framework di apprendimento basati su grafi, inclusi le reti neurali grafiche (GNN), hanno dimostrato notevoli capacità nel catturare dipendenze strutturate tra elementi di conoscenza, interazioni tra apprendenti e fattori contestuali26. Inoltre, il computing sensibile alle emozioni ha attirato attenzione per la sua capacità di integrare segnali psicologici in ambienti di apprendimento adattivi27. Tuttavia, l'integrazione di questi approcci all'interno di un framework unificato per l'educazione musicale rimane limitata28,29,30. I lavori esistenti spesso trattano le variabili emotive come caratteristiche ausiliarie piuttosto che componenti fondamentali, e raramente forniscono meccanismi per un adattamento continuo basato sull'interazione tra cognizione ed emozione31.
Inoltre, l'applicazione dell'intelligenza artificiale nell'educazione sensibile alla salute mentale si è basata principalmente su dati empirici o basati su sensori raccolti da partecipanti reali32. Tuttavia, tali approcci richiedono ampie approvazioni etiche, strumenti di misurazione standardizzati e condizioni sperimentali controllate, che potrebbero non essere sempre fattibili nella ricerca in fase iniziale33. Di conseguenza, le metodologie basate sulla simulazione si sono affermate come alternativa per esplorare dinamiche educative complesse in modo controllato e riproducibile34. Generando set di dati sintetici che imitano i registri di interazione, gli indicatori emotivi e le metriche di rendimento nell'apprendimento, i ricercatori possono valutare il comportamento dei modelli proposti in diversi scenari mantenendo un controllo completo sui parametri e sulle assunzioni del sistema35.
Nonostante questi progressi, rimangono diverse lacune nella ricerca36. In primo luogo, mancano framework unificati in grado di modellare contemporaneamente l'acquisizione di conoscenze, l'evoluzione emotiva e il coinvolgimento nell'apprendimento all'interno di una rappresentazione strutturata37. In secondo luogo, i sistemi visivi di insegnamento attuali non sfruttano efficacemente l'intelligenza basata su grafi per catturare le interdipendenze tra concetti musicali, attività di apprendimento e stati psicologici38. In terzo luogo, è stata prestata scarsa attenzione allo sviluppo di pipeline di simulazione scalabili e riproducibili che consentano una valutazione sistematica dei modelli educativi guidati dall'intelligenza artificiale39,40,41. Infine, gli approcci esistenti spesso non forniscono una visione olistica dell'apprendimento che integri in modo dinamico e adattivo sia le dimensioni cognitive che quelle emotive42.
Per affrontare queste sfide, lo studio propone un framework intelligente basato su grafi per un curriculum emotivo (GECIF) per la progettazione didattica visiva guidata dall'intelligenza artificiale nell'insegnamento musicale universitario. Tabella 1 fornisce definizioni essenziali per i componenti del grafo, gli stati dei nodi e i parametri del modello. Questa tabella garantisce che la metodologia sia chiara e riproducibile. Il framework proposto modella l'ambiente educativo come un grafo interconnesso costituito da nodi della conoscenza, nodi delle attività e nodi emotivi, consentendo una rappresentazione completa della dinamica di apprendimento. Un dataset basato su simulazioni viene generato mediante una pipeline computazionale controllata che include log di interazione, indicatori emotivi e metriche di prestazione, assicurando riproducibilità e scalabilità. Il framework incorpora meccanismi di apprendimento adattivo, modellazione dello stato emotivo e ottimizzazione basata su grafi per simulare l'evoluzione dei risultati di apprendimento e delle condizioni psicologiche nel tempo. Viene effettuata un'analisi comparativa rispetto a un modello di apprendimento convenzionale, utilizzando diverse metriche di prestazione, tra cui guadagno di conoscenza, stabilità emotiva, riduzione dello stress, grado di coinvolgimento e robustezza.
L'obiettivo principale di questo studio è sviluppare e valutare un framework didattico visivo basato sulla simulazione e guidato dall'intelligenza artificiale, che integri la modellazione basata su grafi e l'intelligenza emotiva per migliorare l'efficienza dell'apprendimento e sostenere un'educazione consapevole della salute mentale nei corsi universitari di musica.
Protocollo
Questo studio è un'indagine basata su calcoli e simulazioni che non coinvolge partecipanti umani, dati clinici o informazioni personali. Tutti i dati utilizzati nella ricerca sono stati generati sinteticamente attraverso processi di simulazione controllati. Pertanto, non è stato richiesto il parere etico da parte di un comitato di revisione istituzionale né il consenso informato. Lo studio rispetta le linee guida standard per la ricerca computazionale e garantisce piena riproducibilità e trasparenza della metodologia.
Quadro teorico e giustificazione
Il framework proposto di intelligenza curricolare emotiva basato su grafi (GECIF) si fonda sull'integrazione dell'intelligenza artificiale, dell'apprendimento basato su grafi, del calcolo emotivo e della pedagogia visiva, con l'obiettivo di modellare l'apprendimento come un processo dinamico e multidimensionale che catturi contemporaneamente lo sviluppo cognitivo, l'evoluzione emotiva e l'impegno comportamentale. Gli approcci didattici tradizionali presuppongono spesso un progresso lineare nell'acquisizione delle conoscenze e non riflettono adeguatamente le interazioni complesse tra prestazione cognitiva e stati psicologici. Questa limitazione risulta particolarmente critica nell'insegnamento musicale universitario, dove l'espressione emotiva, la motivazione e la creatività sono inseparabili dall'apprendimento tecnico e teorico. In questo contesto, il framework concettualizza il processo educativo come un sistema interconnesso in cui elementi della conoscenza, attività di apprendimento e stati emotivi si influenzano continuamente a vicenda. La modellazione basata su grafi consente una rappresentazione strutturata e scalabile di queste relazioni, permettendo di catturare efficacemente dipendenze dirette e indirette. Le dinamiche emotive sono incorporate come componenti intrinseche e non come variabili ausiliarie, consentendo di simulare come le condizioni psicologiche evolvono e si propagano durante il processo di apprendimento. L'integrazione del design didattico visivo migliora ulteriormente l'interpretabilità, trasformando interazioni computazionali astratte in rappresentazioni grafiche intuitive.
Metodologia e progettazione dello studio di simulazione
Questo studio adotta un design basato su simulazione computazionale, nel quale non sono coinvolti partecipanti umani e tutti i dati sono generati sinteticamente attraverso una pipeline controllata e riproducibile. I risultati riportati rappresentano, pertanto, valutazioni basate su modelli piuttosto che osservazioni empiriche derivate da apprendenti reali. I miglioramenti nelle prestazioni di apprendimento, nell'impegno, nella stabilità emotiva e nella riduzione dello stress sono interpretati come effetti simulati o potenziali del framework proposto. L'ambiente di simulazione approssima condizioni di apprendimento realistiche incorporando dipendenze temporali, variabilità nei modelli di interazione e stati emotivi in evoluzione. Viene implementata una configurazione sperimentale comparativa, in cui il framework GECIF proposto viene valutato rispetto a un modello di base convenzionale che rappresenta un sistema di apprendimento non adattivo, in cui la conoscenza evolve esclusivamente in base all'intensità dell'interazione, senza rappresentazione basata su grafi, modellazione emotiva o ottimizzazione del curriculum. Entrambi i modelli sono eseguiti in condizioni di simulazione identiche per garantire un confronto coerente e privo di bias.
Generazione e struttura del set di dati
È stato costruito un dataset su larga scala per simulare la dinamica dell'apprendimento nell'istruzione musicale universitaria, integrando log di interazione, indicatori emotivi e metriche di prestazione nell'apprendimento all'interno di un quadro temporale unificato. Il dataset è stato ricavato ed esteso dal dataset pubblicamente disponibile sulle prestazioni degli studenti (UCI Machine Learning Repository), che fornisce dati sul rendimento accademico insieme ad attributi demografici e comportamentali. Questo dataset è servito come riferimento fondamentale per modellare schemi di apprendimento realistici. I log di interazione rappresentano l'interazione simulata con attività di apprendimento come sessioni di esercitazione, esercizi di ascolto e compiti di apprendimento visivo. Gli indicatori emotivi catturano stati psicologici, inclusi stress, coinvolgimento e motivazione, mentre la prestazione nell'apprendimento riflette l'acquisizione di conoscenze e il progresso nel tempo. Per arricchire il dataset e incorporare dipendenze temporali, è stata utilizzata una pipeline di simulazione basata su MATLAB con un'inizializzazione a seme casuale fisso per garantire la riproducibilità. La continuità temporale è stata introdotta attraverso processi autoregressivi, consentendo al comportamento di interazione e agli stati emotivi di evolversi gradualmente nel tempo. Il dataset finale include mille studenti simulati osservati in cinquecento passaggi temporali, con molteplici caratteristiche di interazione che rappresentano comportamenti di apprendimento diversificati. Tutte le variabili sono normalizzate nell'intervallo [0,1] per garantire coerenza e confrontabilità. Il dataset è suddiviso in sottoinsiemi di addestramento, validazione e test utilizzando una ripartizione 70%–15%–15% per assicurare una valutazione imparziale del modello.
Costruzione e rappresentazione del grafo
L'ambiente di apprendimento è modellato come un grafo pesato definito come:
G = (V,E,W) (1)
dove indica l'insieme dei nodi, rappresenta l'insieme degli archi, ed è la matrice di adiacenza pesata che descrive l'intensità delle relazioni tra i nodi. L'insieme dei nodi è decomposto come:
V = Vk∪Va∪Ve (2)
dove Vk, Va e Ve corrispondono rispettivamente ai nodi conoscitivi, ai nodi di attività e ai nodi emotivi. I pesi dei collegamenti sono calcolati come:
Wij = α Sc(i,j) + βSe(i,j) (3)
dove Sc(i,j) rappresenta la similarità cognitiva tra i nodi, Se(i,j) rappresenta la correlazione emotiva, e α e β sono coefficienti di peso che ne controllano l'influenza relativa. L'equazione (3) definisce come le relazioni strutturali ed emotive determinino congiuntamente la connettività del grafo.
Rappresentazione dello stato del nodo e apprendimento del grafo
A ogni nodo è associato un vettore di stato dinamico definito come:
xi(t) = [ki(t),ei(t),ai(t)] (4)
dove ki(t), ei(t) e ai(t) indicano rispettivamente il livello di conoscenza, lo stato emotivo e il livello di coinvolgimento al tempo t. Le rappresentazioni dei nodi vengono aggiornate mediante aggregazione basata su grafo:
(5)
dove 
è l'embedding del nodo i al livello l, σ è una funzione di attivazione non lineare e N(i) indica l'insieme dei nodi adiacenti. L'equazione (5) descrive come ciascun nodo integra le informazioni provenienti dai suoi vicini. Viene inoltre introdotto un meccanismo di attenzione:
(6)
dove αij è il coefficiente di attenzione e ∅(·) è una funzione di similarità. L'equazione (6) consente una pesatura adattativa dei contributi dei nodi vicini.
Modellizzazione della dinamica emotiva
L'evoluzione temporale degli stati emotivi è modellata come:
(7)
dove γ è il coefficiente di ritenzione emotiva. L'equazione (7) descrive sia la persistenza che la propagazione dell'influenza emotiva. La stabilità emotiva è quantificata come:
(8)
dove E+(t) e E-(t) indicano rispettivamente le componenti emotive positive e negative, e 
è una costante piccola che previene la divisione per zero. L'accumulo di stress è definito come:
(9)
dove λ(τ) rappresenta l'intensità istantanea della sollecitazione. L'equazione (9) modella la sollecitazione cumulativa nel tempo.
Ottimizzazione dell'apprendimento e progettazione di curricula adattivi
Il processo di apprendimento è governato da una funzione di ottimizzazione multi-obiettivo:
J = λ1K + λ2K - λ3S (10)
dove K indica il guadagno di conoscenza, E indica la stabilità emotiva e S indica il livello di stress, mentre λ1, λ2, λ3 sono coefficienti di ponderazione. L'equazione (10) bilancia gli obiettivi cognitivi ed emotivi. La riconfigurazione adattiva del curriculum è definita come:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
dove η è il tasso di apprendimento e Δij(t) rappresenta gli aggiustamenti di aggiornamento guidati dalla dinamica di apprendimento. L'equazione (11) permette alla struttura del grafo di evolversi nel tempo.
Scala temporale e durata della simulazione
Tutte le simulazioni sono condotte utilizzando passi temporali normalizzati anziché unità di tempo reale. Intervalli brevi corrispondono a passi di simulazione scalati che rappresentano l'evoluzione del sistema, mentre simulazioni estese oltre i cinquecento passi vengono utilizzate per valutare il comportamento a lungo termine, la convergenza e la robustezza.
Metodi di valutazione e analisi statistica
Il framework viene valutato utilizzando metriche normalizzate, tra cui guadagno di conoscenza, stabilità emotiva, livello di stress, livello di coinvolgimento e robustezza. L'analisi statistica è effettuata mediante funzioni statistiche di MATLAB, calcolando per ogni metrica i valori medi, le deviazioni standard e gli intervalli di confidenza al 95%. Le assunzioni di normalità vengono verificate prima di applicare i test t per campioni appaiati. La valutazione comparativa tra il framework proposto e il modello di base è condotta su n = 1000 apprendisti simulati, con significatività statistica definita come p < 0,05.
Riproducibilità e dettagli di implementazione
Tutte le simulazioni, le pipeline di elaborazione dei dati e le procedure di valutazione sono completamente riproducibili. Il processo di generazione del dataset, i parametri di costruzione del grafo, le configurazioni del modello e le impostazioni di ottimizzazione sono definiti esplicitamente. L'inizializzazione del seme casuale è fissata per garantire risultati coerenti tra esecuzioni ripetute. Tutti gli iperparametri, gli script e le descrizioni dei dataset sono forniti nei materiali supplementari, consentendo la completa riproduzione dello studio mediante MATLAB o strumenti computazionali equivalenti.
Tutte le simulazioni, le pipeline di elaborazione dei dati e gli script di valutazione sono forniti nel File Supplementare 1. Il dataset include log grezzi delle interazioni, indicatori emotivi e metriche di prestazione nell'apprendimento. I parametri per la costruzione del grafo e le impostazioni di ottimizzazione sono documentati completamente. Il sistema può essere riprodotto utilizzando framework standard per l'apprendimento automatico. L'inizializzazione del seme casuale è fissata per garantire coerenza. Tutti gli iperparametri sono riportati esplicitamente. Il protocollo assicura piena trasparenza e riproducibilità.
Risultati
Le prestazioni del framework proposto di intelligenza curricolare emotiva basato su grafi (GECIF) sono state valutate utilizzando un dataset basato su simulazione composto da n = 1000 apprendenti su T = 500 intervalli di tempo normalizzati. Figura 1 illustra l'architettura concettuale del GECIF per l'educazione musicale visiva basata su intelligenza artificiale e la promozione della salute mentale. Tutte le metriche sono riportate su scale normalizzate comprese nell'intervallo [0,1]. La valutazione statistica include valori medi, deviazioni standard (SD) e intervalli di confidenza al 95% (CI), con significatività valutata mediante test t appaiati (t-test) (p < 0,05). Tutti i confronti sono calcolati sull'intera popolazione simulata. Figura 2 illustra la dinamica di addestramento e il comportamento di acquisizione della conoscenza del framework proposto rispetto al modello di riferimento. Il framework GECIF raggiunge un guadagno di conoscenza pari a 0,88 ± 0,04 (IC 95%: 0,84–0,92), mentre il modello di riferimento raggiunge 0,65 ± 0,06 (IC 95%: 0,59–0,71), con una differenza statisticamente significativa (p < 0,001). La curva di apprendimento mostra un tasso di crescita più ripido e una convergenza stabile, senza comportamento oscillatorio.
Figura 3 presenta l'evoluzione temporale della stabilità emotiva. Il framework proposto raggiunge un Indice di Stabilità Emotiva di 0,92 ± 0,03, rispetto a 0,70 ± 0,05 nel modello di base (p < 0,01). La variabilità è ridotta, con valori più bassi della deviazione standard osservati nel tempo. Figura 4 mostra la dinamica dello stress nel tempo. Il modello proposto mantiene un livello di stress più basso pari a 0,15 ± 0,05, rispetto a 0,45 ± 0,07 del modello di base (p < 0,001). Il tasso di accumulo rimane costantemente inferiore per tutta la durata della simulazione. Figura 5 presenta la distribuzione delle prestazioni di apprendimento tra gli apprendisti. Il framework proposto mostra una distribuzione centrata su valori più elevati e con minore dispersione rispetto al modello di base, indicando una varianza inferiore nei risultati. Figura 6 illustra l'evoluzione degli embedding dei nodi all'interno del grafo. Le rappresentazioni delle caratteristiche mostrano transizioni continue tra le iterazioni, senza cambiamenti bruschi osservati, indicando aggiornamenti stabili. Figura 7 mostra l'intensità delle interazioni tra nodi di conoscenza, attività ed emozioni. La mappa termica rivela correlazioni statisticamente significative (p < 0,05) tra le categorie di nodi, con magnitudini di interazione variabili.
Figura 8 presenta la relazione tra guadagno cognitivo normalizzato e stabilità emotiva durante il processo di apprendimento simulato. Il framework GECIF proposto dimostra una forte correlazione positiva tra le due variabili (r = 0,82), rispetto a una correlazione positiva moderata osservata per il modello di base convenzionale (r = 0,65). Entrambe le correlazioni sono risultate statisticamente significative (p < 0,05), a indicare che i miglioramenti nell'acquisizione delle conoscenze sono accompagnati da una maggiore stabilità emotiva, riflettendo così l'integrazione equilibrata dello sviluppo cognitivo e della regolazione emotiva raggiunta dal framework proposto. Figura 9 mostra il contributo combinato dei componenti cognitivi ed emotivi nel tempo. I valori cognitivi aumentano progressivamente, mentre la variabilità emotiva diminuisce, con tendenze coerenti osservate in tutti i passaggi della simulazione. Figura 10 confronta le distribuzioni del guadagno di conoscenza ottenuto dal framework GECIF proposto e dalla baseline convenzionale mediante grafici a scatola e baffi. Il framework proposto ha ottenuto un guadagno di conoscenza medio significativamente più elevato (9,87 ± 3,46) rispetto al modello convenzionale (6,90 ± 2,88), con campioni indipendenti t-test che conferma una differenza statisticamente significativa (p < 0,0001; di Cohen d = 1,43). Sebbene il framework GECIF abbia mostrato una maggiore variabilità, come indicato dalla deviazione standard e dall'intervallo interquartile più ampi, l'intera distribuzione risulta spostata verso valori più elevati di guadagno cognitivo, indicando che l'aumento della dispersione accompagna un miglioramento delle prestazioni complessive piuttosto che una riduzione della stabilità. Questi risultati dimostrano che il framework proposto mantiene prestazioni di apprendimento robuste pur accomodando efficacemente diverse risposte simulate degli apprendenti. Figura 11 presenta la dinamica del coinvolgimento nel tempo. Il framework proposto raggiunge un livello di coinvolgimento di 0,90 ± 0,04, rispetto a 0,68 ± 0,06 per il modello di base (p < 0,01), con variabilità ridotta. Figura 12 mostra un comportamento di coinvolgimento in forma ciclica. L'ampiezza delle fluttuazioni è inferiore nel framework proposto, indicando una variabilità ridotta rispetto al valore di base.
Figura 13 illustra l'intensità delle caratteristiche spaziali lungo il grafico. La distribuzione delle caratteristiche mostra una variazione continua con picchi e minimi identificabili, indicando schemi di attivazione eterogenei. Figura 14 presenta il flusso direzionale del trasferimento delle conoscenze. Il campo vettoriale mostra schemi di propagazione organizzati, con regioni di convergenza corrispondenti a un maggiore accumulo di valori. Figura 15 mostra l'evoluzione della topologia del grafo nel tempo. Gli aggiornamenti strutturali avvengono gradualmente, con transizioni fluide nei valori delle caratteristiche attraverso le iterazioni. Figura 16 presenta l'analisi delle interdipendenze tra le caratteristiche. La mappa termica di correlazione indica relazioni da moderate a forti tra le caratteristiche, senza osservare ridondanza dominante. Figura 17 illustra il contributo delle caratteristiche multidimensionali. I livelli di contributo variano tra i nodi, indicando schemi di influenza eterogenei. Figura 18 mostra l'evoluzione congiunta delle conoscenze e degli stati emotivi. I valori delle conoscenze aumentano costantemente mentre la variabilità emotiva diminuisce nel tempo, con tendenze coerenti lungo l'intero periodo di simulazione. Un riassunto quantitativo di questi risultati è fornito in Tabella 2, in cui tutte le metriche, incluse l'aumento delle conoscenze, la stabilità emotiva, il livello di stress, l'impegno e la robustezza, sono riportate con le misure statistiche. I risultati mostrano differenze costanti tra il framework proposto e il modello di base in tutte le metriche valutate. L'analisi statistica conferma che tali differenze sono significative nella popolazione simulata. Nel complesso, i risultati della simulazione dimostrano costantemente che il framework GECIF proposto supera il modello di base convenzionale in tutte le metriche di prestazione normalizzate valutate. Questi risultati sostengono l'obiettivo e l'ipotesi dello studio, secondo cui l'integrazione dell'intelligenza emotiva basata su grafi con un insegnamento visivo guidato dall'IA può migliorare le prestazioni di apprendimento simulate, la stabilità emotiva, l'impegno e la gestione dello stress all'interno di un ambiente computazionale riproducibile.
DISPONIBILITÀ DEI DATI:
Tutti i dati e le procedure computazionali utilizzati in questo studio sono completamente riproducibili e disponibili liberamente. Il codice completo per la generazione del dataset, insieme alle rappresentazioni strutturate dei dati, è fornito nel File Supplementare 1.
Figura 1: Architettura concettuale del framework di intelligenza curricolare basato su grafi (GECIF) per l'educazione musicale visuale assistita da intelligenza artificiale e la promozione della salute mentale. Questa figura mostra la struttura completa del sistema, inclusa la costruzione del grafo conoscenza-emozione, l'analisi mediante rete neurale su grafi, l'ottimizzazione dei percorsi emotivi, la riconfigurazione adattiva del curriculum, l'interfaccia visiva per l'apprendimento e l'ottimizzazione multi-obiettivo. Illustra come i componenti cognitivi ed emotivi siano integrati in un sistema unificato di apprendimento adattivo. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 2: Evoluzione dell'acquisizione della conoscenza nell'ambito dell'apprendimento adattivo basato su grafi, confrontato con il modello convenzionale di riferimento. La figura illustra l'andamento del guadagno di conoscenza normalizzato in funzione dei passi di simulazione normalizzati, evidenziando una convergenza più rapida e una maggiore efficienza simulata nell'apprendimento per il framework GECIF proposto. I confronti statistici tra il modello proposto e quello di riferimento sono stati effettuati mediante un test t per campioni appaiati su n = 1000 apprendisti simulati. Quando presenti, le barre di errore rappresentano gli intervalli di confidenza al 95% (95% CI) del guadagno medio di conoscenza normalizzato. Le differenze statisticamente significative sono state considerate per p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 3: Miglioramento temporale della stabilità emotiva attraverso l'adattamento intelligente del curriculum. La figura illustra l'evoluzione dell'Indice di Stabilità Emotiva normalizzato in funzione dei passi di simulazione normalizzati, mostrando una stabilizzazione più regolare e fluttuazioni emotive ridotte per il framework proposto GECIF rispetto al modello di riferimento convenzionale. I confronti statistici sono stati effettuati utilizzando un test t per campioni appaiati su n = 1000 apprendisti simulati. Quando mostrate, le barre di errore rappresentano intervalli di confidenza al 95% (95% CI) della media dell'Indice di Stabilità Emotiva normalizzato. Le differenze sono state considerate statisticamente significative per p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 4: Riduzione dei livelli di stress attraverso percorsi di apprendimento consapevoli delle emozioni. La figura illustra l'evoluzione temporale dei livelli di stress normalizzati in funzione dei passi di simulazione normalizzati, mostrando che il framework proposto GECIF mantiene livelli di stress simulati inferiori e più stabili rispetto al modello di riferimento convenzionale, indicando una migliore regolazione emotiva durante tutto il processo di apprendimento. I confronti statistici sono stati effettuati utilizzando un test t per campioni appaiati su n = 1000 apprendisti simulati. Quando sono mostrate le barre di errore, queste rappresentano intervalli di confidenza al 95% (95% CI) del livello medio di stress normalizzato. Le differenze sono state considerate statisticamente significative per p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 5: Distribuzione dei risultati di apprendimento tra gli studenti simulati. La figura illustra la distribuzione del guadagno di conoscenza normalizzato per il framework GECIF proposto e per il modello di riferimento convenzionale. Il framework proposto mostra una distribuzione spostata verso un maggiore guadagno di conoscenza normalizzato e con minore variabilità, mentre il modello di riferimento è concentrato a livelli di prestazione più bassi. I confronti statistici tra le due distribuzioni sono stati effettuati mediante un test t per campioni appaiati su n = 1000 studenti simulati, considerando statisticamente significativo un valore di p < 0,05. Non sono riportate barre di errore poiché la figura mostra distribuzioni di frequenza e non statistiche riassuntive. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 6: Evoluzione delle rappresentazioni della conoscenza basate su grafi attraverso le iterazioni di apprendimento. La figura illustra l'evoluzione temporale degli embedding dei nodi del grafo in funzione dei passaggi di simulazione normalizzati. I picchi rappresentano attivazioni di caratteristiche più intense, mentre le valli indicano rappresentazioni di caratteristiche più deboli, dimostrando l'adattamento continuo e il perfezionamento del grafo della conoscenza durante il processo di simulazione. Questa visualizzazione mostra l'evoluzione delle rappresentazioni delle caratteristiche apprese e non include barre di errore. I confronti statistici riportati nello studio sono stati effettuati mediante un test t per campioni appaiati su n = 1000 apprendisti simulati, con significatività statistica definita come p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 7: Intensità delle relazioni tra nodi cognitivi ed emotivi nel grafo di apprendimento. La figura visualizza le intensità normalizzate delle interazioni tra nodi cognitivi ed emotivi all'interno del framework di apprendimento basato su grafi. Valori più elevati indicano dipendenze più forti tra cognizione ed emozione, mentre valori più bassi rappresentano relazioni più deboli, mostrando la struttura complessa e interconnessa, nonché l'evoluzione adattativa del grafo di apprendimento durante la simulazione. Questa visualizzazione mostra i modelli di connettività del grafo e non include barre di errore. I confronti statistici riportati altrove nello studio sono stati effettuati mediante un test t per campioni appaiati su n = 1000 apprendenti simulati, con significatività statistica definita come p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 8: Relazione tra progresso dell'apprendimento e benessere emotivo in ambienti di curriculum adattivi. La figura illustra la relazione positiva tra l'aumento normalizzato delle conoscenze e la stabilità emotiva durante il processo di apprendimento simulato. Con l'aumentare dell'acquisizione delle conoscenze, migliora anche la stabilità emotiva, indicando un'integrazione efficace dello sviluppo cognitivo e della regolazione emotiva all'interno del framework GECIF proposto. I confronti statistici sono stati effettuati mediante un test t per campioni appaiati su n = 1000 apprendisti simulati. Quando sono mostrate barre di errore, queste rappresentano intervalli di confidenza al 95% (95% CI) dei valori medi di prestazione normalizzati. Le differenze sono state considerate statisticamente significative per p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 9: Contributo dell'acquisizione di conoscenze e della dinamica emotiva alla prestazione complessiva nell'apprendimento lungo i passaggi di simulazione normalizzati. La figura illustra i contributi temporali del guadagno di conoscenza normalizzato e della dinamica emotiva alla prestazione simulata complessiva nell'apprendimento. L'acquisizione di conoscenze mostra un aumento dominante e sostenuto per tutta la durata della simulazione, mentre l'influenza della dinamica emotiva si stabilizza gradualmente, dimostrando l'integrazione efficace tra processi cognitivi ed emotivi all'interno del framework GECIF proposto. I confronti statistici sono stati effettuati mediante un test t per campioni appaiati su n = 1000 apprendisti simulati. Quando sono mostrate, le barre di errore rappresentano intervalli di confidenza al 95% (95% CI) dei valori medi di prestazione normalizzati. Le differenze sono state considerate statisticamente significative per p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 10: Variabilità e robustezza delle prestazioni di apprendimento nei modelli adattivi e convenzionali. La figura mostra grafici a scatola e baffi che confrontano le distribuzioni del guadagno di conoscenza normalizzato per il framework GECIF proposto e il modello di base convenzionale. Il framework proposto presenta un guadagno mediano di conoscenza più elevato e una distribuzione complessiva spostata verso valori di prestazione più alti, mostrando anche un intervallo interquartile più ampio e una maggiore dispersione complessiva, indicativa di una variabilità maggiore tra gli apprendenti simulati. Nonostante questa maggiore variabilità, la distribuzione costantemente più alta del guadagno di conoscenza dimostra che il framework proposto mantiene prestazioni di apprendimento robuste in diverse condizioni di apprendimento. I confronti statistici sono stati effettuati utilizzando un test t per campioni indipendenti su n = 1000 apprendenti simulati per modello. Le scatole rappresentano l'intervallo interquartile (IQR), la linea orizzontale all'interno di ciascuna scatola indica la mediana e i baffi si estendono fino a 1,5 × IQR. Il framework proposto ha ottenuto un guadagno medio di conoscenza significativamente più elevato rispetto al modello convenzionale (p < 0,0001; d di Cohen = 1,43). Non sono mostrate barre di errore poiché il grafico a scatola e baffi riassume le distribuzioni dei dati utilizzando quartili e baffi anziché intervalli di confidenza. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 11: Cambiamenti dinamici nell'impegno degli studenti durante il processo di apprendimento. La figura illustra l'evoluzione temporale dell'Indice di Impegno degli Studenti normalizzato in funzione dei passaggi di simulazione normalizzati, dimostrando che il framework proposto GECIF raggiunge un impegno maggiore e più adattivo rispetto al modello di riferimento convenzionale durante l'intero processo di apprendimento simulato. I confronti statistici tra il modello proposto e quello di riferimento sono stati effettuati mediante un test t per campioni appaiati su n = 1000 studenti simulati. Quando mostrate, le barre di errore rappresentano intervalli di confidenza al 95% (95% CI) della media dell'Indice di Impegno degli Studenti normalizzato. Le differenze sono state considerate statisticamente significative per p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 12: Modelli ciclici del coinvolgimento degli studenti in ambienti di apprendimento adattivo. La figura illustra l'evoluzione temporale dell'Indice di Coinvolgimento dello Studente normalizzato rispetto ai passaggi di simulazione normalizzati, mostrando fluttuazioni periodiche ma stabili che indicano come il framework proposto GECIF mantenga un ritmo equilibrato e adattivo di interazione dell'apprendente durante l'intero processo di apprendimento simulato. I confronti statistici sono stati effettuati utilizzando un test t per campioni appaiati su n = 1000 apprendenti simulati. Quando sono mostrate le barre di errore, rappresentano gli intervalli di confidenza al 95% (95% CI) della media dell'Indice di Coinvolgimento dello Studente normalizzato. Le differenze sono state considerate statisticamente significative per p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 13: Variazione spaziale dell'intensità delle caratteristiche all'interno della struttura del grafo di apprendimento. La figura visualizza la distribuzione spaziale normalizzata dell'attivazione delle caratteristiche all'interno del framework di apprendimento basato su grafi. Le regioni con intensità maggiore indicano attivazioni più forti delle caratteristiche, mentre le regioni a bassa intensità rappresentano attivazioni più deboli, rivelando l'organizzazione strutturata e non lineare delle rappresentazioni della conoscenza e delle loro relazioni adattive all'interno del grafo di apprendimento durante la simulazione. Questa visualizzazione mostra i modelli spaziali delle caratteristiche e non include barre di errore. I confronti statistici riportati altrove nello studio sono stati effettuati mediante un test t per campioni appaiati su n = 1000 apprendenti simulati, con significatività statistica definita come p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 14: Flusso direzionale del trasferimento delle conoscenze all'interno del grafo del curriculum. La figura illustra la propagazione normalizzata delle conoscenze attraverso nodi interconnessi all'interno del framework del curriculum basato su grafi. I percorsi direzionali rappresentano il flusso organizzato di informazioni attraverso il grafo di apprendimento, evidenziando una diffusione efficiente delle conoscenze e uno scambio adattivo di informazioni tra i componenti del curriculum durante la simulazione. Questa visualizzazione mostra i modelli di propagazione delle conoscenze e non include barre di errore. I confronti statistici riportati altrove nello studio sono stati effettuati mediante un test t per campioni appaiati su n = 1000 apprendisti simulati, con significatività statistica definita come p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 15: Evoluzione strutturale del grafo di apprendimento nel tempo attraverso la trasformazione adattativa delle caratteristiche. La figura illustra l'evoluzione progressiva della topologia del grafo durante i passaggi di simulazione normalizzati, mentre la trasformazione adattativa delle caratteristiche perfeziona continuamente le relazioni tra i nodi della conoscenza. I cambiamenti strutturali dinamici riflettono la capacità del framework di riorganizzare e ottimizzare i percorsi di apprendimento, producendo rappresentazioni grafiche sempre più coerenti e adattative nel corso del processo di apprendimento simulato. Questa visualizzazione mostra l'evoluzione della topologia del grafo e non include barre di errore. I confronti statistici riportati altrove nello studio sono stati effettuati utilizzando un test t per campioni appaiati su n = 1000 apprendisti simulati, con significatività statistica definita come p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 16: Schemi di interdipendenza tra le caratteristiche di apprendimento estratte nel contesto adattativo. La figura visualizza gli schemi normalizzati di interdipendenza tra le caratteristiche di apprendimento estratte all'interno del framework GECIF proposto. Relazioni più forti indicano correlazioni più elevate e interazioni più efficaci tra le dimensioni delle caratteristiche, mentre relazioni più deboli rappresentano dipendenze inferiori, dimostrando l'organizzazione multidimensionale complessa delle rappresentazioni cognitive ed emotive apprese dal framework adattativo basato su grafi. Questa visualizzazione mostra gli schemi di interazione tra le caratteristiche e non include barre di errore. I confronti statistici riportati altrove nello studio sono stati effettuati mediante un test t per campioni appaiati su n = 1000 apprendenti simulati, con significatività statistica definita come p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 17: Contributo delle caratteristiche multidimensionali alle prestazioni nell'acquisizione della conoscenza. La figura illustra i contributi normalizzati di diverse dimensioni di caratteristiche all'acquisizione della conoscenza all'interno del framework di apprendimento basato su grafi. Le variazioni nell'importanza delle caratteristiche tra i nodi del grafo evidenziano la natura eterogenea dei fattori cognitivi ed emotivi nell'apprendimento, mostrando come diverse caratteristiche interagiscono e contribuiscono all'acquisizione adattativa della conoscenza all'interno del framework GECIF proposto. Questa visualizzazione presenta schemi di contributo delle caratteristiche multidimensionali e non include barre di errore. I confronti statistici riportati altrove nello studio sono stati effettuati mediante un test t per campioni appaiati su n = 1000 apprendisti simulati, con significatività statistica definita come p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 18: Evoluzione simultanea degli stati cognitivi ed emotivi durante l'apprendimento adattivo. La figura illustra l'evoluzione temporale del guadagno cognitivo normalizzato e della stabilità emotiva in funzione dei passi di simulazione normalizzati, dimostrando un costante miglioramento cognitivo accompagnato da fluttuazioni emotive progressivamente ridotte. L'evoluzione coordinata di queste due dimensioni dell'apprendimento indica che il framework GECIF proposto mantiene efficacemente un'integrazione bilanciata tra sviluppo cognitivo e regolazione emotiva durante l'intero processo di apprendimento simulato. I confronti statistici sono stati effettuati mediante un test t per campioni appaiati su n = 1000 apprendenti simulati. Quando mostrate, le barre di errore rappresentano intervalli di confidenza al 95% (95% CI) dei valori medi di prestazione normalizzati. Le differenze sono state considerate statisticamente significative per p < 0,05. Cliccare qui per visualizzare una versione ingrandita di questa figura.
| Simbolo | Descrizione | Categoria |
| G | Grafo che rappresenta l'intero sistema di apprendimento | Componente del grafo |
| V | Insieme di tutti i nodi | Componente del grafo |
| E | Insieme di archi (relazioni) | Componente del grafo |
| W | Matrice dei pesi che rappresenta l'intensità delle relazioni | Componente del grafo |
| V_k | Nodi conoscitivi (concetti musicali) | Tipo di nodo |
| V_a | Nodi di attività (azioni di apprendimento) | Tipo di nodo |
| V_e | Nodi emotivi (stati psicologici) | Tipo di nodo |
| W_ij | Peso tra il nodo i e il nodo j | Parametro dell'arco |
| S_c(i,j) | Somiglianza cognitiva tra i nodi | Parametro dell'arco |
| S_e(i,j) | Correlazione emotiva tra i nodi | Parametro dell'arco |
| alpha | Peso della somiglianza cognitiva | Parametro del modello |
| beta | Peso della correlazione emotiva | Parametro del modello |
| x_i(t) | Vettore di stato del nodo i al tempo t | Stato del nodo |
| k_i(t) | Livello di conoscenza del nodo i | Stato del nodo |
| e_i(t) | Stato emotivo del nodo i | Stato del nodo |
| a_i(t) | Grado di coinvolgimento nell'attività del nodo i | Stato del nodo |
| h_i | Rappresentazione incorporata del nodo | Parametro della GNN |
| gamma | Fattore di decadimento emotivo | Parametro del modello |
| eta | Velocità di apprendimento/adattamento | Parametro del modello |
| J | Funzione di ottimizzazione multi-obiettivo | Ottimizzazione |
Tabella 1: Riepilogo delle variabili, parametri e notazioni utilizzati nel framework basato su grafi per l'intelligenza del curriculum emotivo (GECIF). Questa tabella fornisce le definizioni dei componenti del grafo, degli stati dei nodi e dei parametri del modello, al fine di supportare la riproducibilità e la chiarezza della metodologia proposta.
| Metrica | GECIF proposto (Media) | DS proposto | IC 95% proposto | Convenzionale (Media) | DS convenzionale | IC 95% convenzionale | Miglioramento (%) | valore p |
| Incremento della conoscenza | 0.88 | 0.04 | 0.84–0.92 | 0.65 | 0.06 | 0.59–0.71 | 35 | 0.001 |
| Stabilità emotiva | 0.92 | 0.03 | 0.89–0.95 | 0.7 | 0.05 | 0.65–0.75 | 31 | 0.002 |
| Riduzione dello stress | 0.85 | 0.05 | 0.80–0.90 | 0.55 | 0.07 | 0.48–0.62 | 54 | 0.0005 |
| Livello di coinvolgimento | 0.9 | 0.04 | 0.86–0.94 | 0.68 | 0.06 | 0.62–0.74 | 32 | 0.0015 |
| Robustezza | 0.87 | 0.03 | 0.84–0.90 | 0.66 | 0.05 | 0.61–0.71 | 32 | 0.002 |
| Efficienza dell'apprendimento | 0.91 | 0.04 | 0.87–0.95 | 0.69 | 0.06 | 0.63–0.75 | 32 | 0.001 |
| Velocità di convergenza | 0.89 | 0.03 | 0.86–0.92 | 0.67 | 0.05 | 0.62–0.72 | 33 | 0.001 |
| Precisione della previsione | 0.93 | 0.02 | 0.91–0.95 | 0.72 | 0.05 | 0.67–0.77 | 29 | 0.0008 |
| Riduzione della varianza emotiva | 0.86 | 0.04 | 0.82–0.90 | 0.6 | 0.06 | 0.54–0.66 | 43 | 0.0012 |
| Punteggio di adattabilità | 0.9 | 0.03 | 0.87–0.93 | 0.68 | 0.05 | 0.63–0.73 | 32 | 0.001 |
Tabella 2: Metriche comparative di prestazione tra il framework GECIF proposto e il modello di apprendimento convenzionale. La tabella riassume i miglioramenti ottenuti in termini di acquisizione di conoscenza, stabilità emotiva, riduzione dello stress, coinvolgimento, robustezza ed efficienza complessiva dell'apprendimento, dimostrando la superiorità dell'approccio proposto.
File Supplementare 1: Codice per la generazione del dataset e rappresentazioni strutturate dei dati. Riepilogo della generazione del dataset basata su MATLAB, della pipeline di elaborazione e delle procedure di valutazione utilizzate nel framework di intelligenza curricolare basato su grafi (GECIF). Questo file fornisce una panoramica delle fasi di simulazione, inclusa la generazione dei log di interazione, la modellizzazione degli indicatori emotivi, il calcolo della performance di apprendimento, la costruzione del grafo, l'ingegnerizzazione delle caratteristiche, l'analisi statistica, i controlli di validazione e le procedure di esportazione dei dati, sostenendo la riproducibilità, la trasparenza e la chiarezza della metodologia proposta.Cliccare qui per scaricare questo file.
Discussione
Lo studio attuale propone un framework computazionale basato su grafi per un'intelligenza curricolare emotiva (GECIF) che integra l'apprendimento rappresentazionale basato su grafi, la modellizzazione dello stato emotivo, l'ottimizzazione adattativa del curriculum e un insegnamento visivo guidato dall'intelligenza artificiale in un unico framework computazionale per l'insegnamento musicale universitario. A differenza dei modelli educativi tradizionali supportati dall'intelligenza artificiale, che ottimizzano principalmente la prestazione accademica, il framework proposto modella simultaneamente le interazioni tra acquisizione delle conoscenze, regolazione emotiva, coinvolgimento dell'apprendente ed evoluzione adattativa del curriculum. I risultati delle simulazioni hanno dimostrato in modo costante una prestazione superiore del framework proposto rispetto al modello di riferimento tradizionale su diverse metriche di valutazione, tra cui guadagno di conoscenza, stabilità emotiva, coinvolgimento dell'apprendente e riduzione dello stress. Questi risultati indicano che l'integrazione di strutture grafiche relazionali con un apprendimento sensibile alle emozioni fornisce una rappresentazione computazionale più completa dei processi educativi rispetto agli approcci basati esclusivamente sull'adattamento cognitivo.
I miglioramenti osservati nelle prestazioni di apprendimento simulate sono coerenti con i recenti sviluppi nell'ambito dell'istruzione adattativa basata sull'intelligenza artificiale. Le tecnologie basate sull'IA sono state sempre più riconosciute come strumenti efficaci per sviluppare ambienti di apprendimento personalizzati e adattivi, in grado di rispondere alle caratteristiche degli apprendenti e alle esigenze educative18,19,20. In particolare, è stato dimostrato che la progettazione di curricula adattivi supportata dall'intelligenza artificiale migliora la flessibilità didattica, il processo decisionale centrato sull'apprendente e l'efficacia educativa19,20. Inoltre, le valutazioni assistite dall'IA e i sistemi di feedback intelligenti hanno mostrato un potenziale significativo nel potenziare i risultati degli studenti attraverso una valutazione continua e un supporto didattico adattivo21,22,23. Rispetto a questi studi precedenti, il framework GECIF proposto estende le metodologie esistenti integrando conoscenze cognitive, dinamiche emotive e comportamenti di apprendimento adattivo all'interno di un'unica architettura computazionale basata su grafi. Di conseguenza, il presente framework fornisce una rappresentazione unificata dei processi educativi, anziché trattare le prestazioni cognitive e l'adattamento dell'apprendente come componenti separati.
L'integrazione della modellazione emotiva all'interno del framework proposto è inoltre supportata da precedenti ricerche nell'ambito dell'educazione musicale e dell'apprendimento affettivo. Li1 ha dimostrato che la visualizzazione emotiva abbinata al deep learning migliora l'insegnamento estetico della musica rafforzando l'interazione tra gli studenti e i contenuti educativi. Analogamente, Zhao3 ha riportato che l'integrazione della mappatura cognitiva con la terapia musicale audiovisiva riduce efficacemente l'ansia tra gli studenti universitari, sottolineando la stretta relazione tra regolazione emotiva e risultati dell'apprendimento. Iyendo et al.4 hanno ulteriormente dimostrato che interventi artistici audiovisivi e musicali migliorano in modo significativo il benessere psicologico riducendo i sintomi associati allo stress emotivo. I miglioramenti nella stabilità emotiva osservati nella presente simulazione, pertanto, sono in accordo con le evidenze precedenti che indicano come la consapevolezza emotiva costituisca un componente essenziale di un'efficace educazione musicale. A differenza di studi precedenti che hanno principalmente analizzato interventi emotivi come strategie educative indipendenti, il framework proposto incorpora direttamente la dinamica emotiva nell'ottimizzazione del curriculum basata su grafi, consentendo agli stati emotivi di influenzare continuamente le decisioni didattiche adattive durante tutto il processo di apprendimento.
La riduzione simulata dello stress degli studenti è coerente con la letteratura recente relativa alla salute mentale degli studenti nell'istruzione superiore. Lo stress accademico è stato identificato come un importante predittore di ridotto benessere psicologico e di peggiorate prestazioni educative tra gli studenti universitari28,29,30. Recensioni sistematiche hanno inoltre dimostrato che interventi strutturati di gestione dello stress migliorano significativamente sia il funzionamento accademico sia la salute psicologica27. Più di recente, interventi digitali supportati dall'intelligenza artificiale si sono rivelati efficaci nel promuovere la gestione dello stress e l'autoregolazione adattativa tra gli studenti universitari29. Il presente modello si differenzia da questi approcci basati su interventi poiché la riduzione dello stress emerge attraverso un'ottimizzazione adattativa delle interazioni cognitive ed emotive, piuttosto che attraverso meccanismi terapeutici separati. Di conseguenza, i livelli più bassi di stress osservati nel modello proposto suggeriscono che la progettazione di un curriculum emotivamente adattativo possa contribuire a ridurre il sovraccarico cognitivo, sostenendo al contempo un miglioramento delle prestazioni di apprendimento.
L'incremento dell'impegno degli studenti osservato nel presente studio è sostenuto anche da ricerche precedenti che hanno indagato sull'istruzione visiva supportata dall'intelligenza artificiale e sulle tecnologie didattiche personalizzate. Bian et al.12 hanno dimostrato che i contenuti visivi generati dall'intelligenza artificiale migliorano in modo significativo l'impegno in classe, l'autoefficacia degli studenti e le prestazioni cognitive negli ambienti educativi. Analogamente, Johnson et al.34 hanno riferito che gli ambienti digitali di apprendimento visivo rafforzano l'impegno degli studenti e promuovono una maggiore partecipazione in condizioni educative stressanti. Nell'ambito specifico dell'educazione musicale, le tecnologie didattiche supportate dall'intelligenza artificiale si sono dimostrate in grado di facilitare percorsi di apprendimento personalizzati e di migliorare l'innovazione educativa41. Il framework GECIF proposto integra questi risultati combinando un insegnamento visivo adattivo con una modellazione emotiva basata su grafi, consentendo così all'impegno degli studenti, alla regolazione emotiva e allo sviluppo cognitivo di evolvere contemporaneamente durante il processo di apprendimento.
La relazione tra regolazione emotiva e prestazione nell'apprendimento osservata nel presente studio è sostenuta anche da ricerche più ampie nel campo della salute mentale. La regolazione emotiva è stata identificata come un determinante fondamentale del benessere psicologico e del funzionamento educativo sano32. Analogamente, i modelli di benessere dello studente sottolineano che la resilienza emotiva e la stabilità psicologica sono strettamente associate a risultati accademici positivi15,16,17. Studi sugli studenti universitari hanno riportato in modo coerente che il promuovere la salute mentale migliora la resilienza, l'impegno e il successo educativo a lungo termine14,15,16,17. La presente simulazione ha dimostrato un comportamento computazionale simile, in cui miglioramenti nella stabilità emotiva si sono accompagnati a un maggiore acquisizione di conoscenza e a un più forte coinvolgimento dell'apprendente. Sebbene l'attuale indagine sia interamente basata su simulazioni e quindi non possa stabilire relazioni causali in soggetti reali, i risultati computazionali rafforzano il crescente consenso secondo cui la regolazione emotiva dovrebbe essere integrata direttamente nei sistemi educativi intelligenti, piuttosto che essere considerata un esito educativo indipendente.
Rispetto agli approcci computazionali esistenti, il framework proposto offre diversi vantaggi concettuali. I moderni sistemi educativi basati sull'intelligenza artificiale impiegano sempre più spesso valutazioni adattive, feedback personalizzati e supporto decisionale intelligente per migliorare l'efficacia dell'apprendimento21,22,23. Analogamente, i modelli di curricolo adattivo guidati dall'IA enfatizzano la personalizzazione dell'apprendimento e la pianificazione didattica dinamica18,19,20. Tuttavia, questi approcci valutano generalmente la prestazione dell'apprendente principalmente attraverso indicatori cognitivi, rappresentando le informazioni emotive separatamente o omettendole del tutto. Al contrario, il framework GECIF proposto modella simultaneamente l'acquisizione delle conoscenze, la dinamica emotiva, l'impegno dell'apprendente e l'evoluzione adattiva del curricolo all'interno di una rappresentazione grafica unificata. Questa strategia di modellizzazione integrata consente un'interazione continua tra variabili cognitive, comportamentali ed emotive, fornendo così una descrizione computazionale dei processi educativi più completa rispetto ai tradizionali sistemi educativi guidati dall'IA.
Il framework è particolarmente rilevante per l'educazione musicale poiché l'apprendimento musicale combina intrinsecamente l'acquisizione di abilità tecniche, l'espressione emotiva, la creatività e l'impegno dello studente. Studi precedenti hanno dimostrato che l'integrazione della musica, delle arti visive e di attività educative creative contribuisce allo sviluppo psicologico, al benessere emotivo e alla motivazione educativa36,37. Inoltre, gli studenti di musica spesso sperimentano un carico accademico considerevole e stress psicologico, evidenziando l'importanza di meccanismi di supporto educativo adattivi25,26. Il framework proposto amplia queste prospettive educative fornendo un meccanismo computazionale in grado di rappresentare simultaneamente il progresso dell'apprendimento tecnico, l'adattamento emotivo e l'ottimizzazione didattica adattiva all'interno di un singolo modello basato su grafi. Di conseguenza, il framework fornisce una base computazionale interpretabile per futuri sistemi intelligenti di educazione musicale volti a ottimizzare sia la performance educativa sia il benessere dello studente.
Tuttavia, diverse limitazioni devono essere riconosciute. In primo luogo, il framework è stato valutato esclusivamente utilizzando dati sintetici generati all'interno di una simulazione computazionale controllata; pertanto, i miglioramenti riportati riflettono le prestazioni algoritmiche piuttosto che evidenze empiriche ottenute da popolazioni reali di studenti. In secondo luogo, le variabili emotive sono state rappresentate mediante astrazioni matematiche che semplificano la complessità dei veri processi emotivi umani. In terzo luogo, le strutture grafiche predefinite e i parametri di ottimizzazione potrebbero non rappresentare pienamente la diversità degli ambienti educativi riscontrati nella pratica. Infine, l'ottimizzazione basata su grafi introduce una complessità computazionale aggiuntiva che potrebbe richiedere ulteriori ottimizzazioni prima di un'implementazione su larga scala in sistemi educativi intelligenti.
Le future indagini dovrebbero quindi validare il framework proposto utilizzando set di dati educativi autentici e ambienti scolastici reali. L'integrazione di informazioni educative multimodali, tra cui registri delle interazioni comportamentali, misurazioni fisiologiche, osservazioni audiovisive e tracce digitali di apprendimento, potrebbe migliorare notevolmente il realismo della stima degli stati emotivi e dell'ottimizzazione adattiva del curriculum. Valutazioni comparative rispetto a recenti sistemi di apprendimento adattivo basati sull'intelligenza artificiale 18,19,20,21,22 chiarirebbero ulteriormente i vantaggi relativi della modellizzazione emotiva basata su grafi. Estendere il framework oltre l'educazione musicale ad altre discipline educative rafforzerebbe inoltre le evidenze sulla sua generalizzabilità e applicabilità pratica. L'attuale indagine basata su simulazioni dimostra che l'integrazione dell'apprendimento relazionale basato su grafi con la modellizzazione emotiva rappresenta una direzione promettente per i sistemi educativi intelligenti di prossima generazione. I risultati sono coerenti con i recenti progressi nell'istruzione adattiva supportata dall'intelligenza artificiale, nell'insegnamento musicale consapevole delle emozioni, nell'apprendimento personalizzato e nella ricerca sulla salute mentale degli studenti25,26,27,28,29,30. Sebbene resti necessaria la validazione mediante l'utilizzo di apprendenti reali, il framework GECIF proposto fornisce una base computazionale strutturata per futuri sistemi educativi basati sull'intelligenza artificiale in grado di ottimizzare simultaneamente le prestazioni cognitive, il benessere emotivo, l'impegno dell'apprendente e la progettazione del curriculum adattivo.
Dichiarazioni
L'autore dichiara di non avere conflitti di interessi.
Ringraziamenti
L'autore desidera esprimere sentita gratitudine al Dipartimento di Musica dell'Università Normale di Anqing per aver fornito l'ambiente accademico e il supporto istituzionale necessari per condurre questa ricerca. Un particolare ringraziamento va ai colleghi e agli studenti che hanno contribuito con osservazioni e feedback preziosi durante lo sviluppo e la valutazione del quadro proposto. L'autore riconosce inoltre il sostegno dell'Università Normale di Anqing nel facilitare l'accesso alle risorse e alle infrastrutture di ricerca.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Modulo RAM DDR4 da 32 GB | Kingston Technology | NA | |
| Toolkit CUDA per accelerazione GPU (v11.8) | NVIDIA | versione 1.18 | |
| Modulo di adattamento del curriculum | Implementazione personalizzata | CAE003 | |
| Dati: Indicatori emotivi | Dati generati | DEI006 | |
| Dati: Metriche di prestazione nell'apprendimento | Dati generati | DLPM007 | |
| Dati: Registri di interazione degli studenti | Dati generati | DIL005 | |
| Modulo di simulazione dello stato emotivo | Implementazione personalizzata | ESM002 | |
| Workstation GPU (NVIDIA RTX 3080) | NVIDIA | NA | |
| Modulo di implementazione della rete neurale grafica | Implementazione personalizzata | NA | |
| Processore Intel Core i7 (3,6 GHz) | Intel Corporation | NA | |
| Ambiente Jupyter Notebook (v6.5) | Project Jupyter | versione 6.5 | |
| Software MATLAB (R2023a) | MathWorks | R2023a | |
| Libreria di visualizzazione Matplotlib (v3.7) | Matplotlib | versione 3.7 | |
| Libreria di elaborazione grafica NetworkX (v3.1) | Sviluppatori NetworkX | versione 3.1 | |
| Libreria di calcolo numerico NumPy (v1.24) | Sviluppatori NumPy | versione 1.24 | |
| Modulo di ottimizzazione (risolutore multi-obiettivo) | Implementazione personalizzata | MOS008 | |
| Libreria di elaborazione dati Pandas (v2.0) | Squadra di sviluppo Pandas | versione 2.0 | |
| Ambiente di programmazione Python (v3.10) | Fondazione Software Python | versione 3.10 | |
| Framework di apprendimento profondo PyTorch (v2.0) | Meta AI | versione 2.0 | |
| Script di inizializzazione del seme casuale | Implementazione personalizzata | RSI009 | |
| Libreria di apprendimento automatico Scikit-learn (v1.3) | Scikit-learn | versione 1.3 | |
| Libreria di visualizzazione statistica Seaborn (v0.12) | Seaborn | versione 0.12 | |
| Libreria TensorFlow (v2.12) | versione 2.12 | ||
| Kit di strumenti per interfaccia visiva di apprendimento | Implementazione personalizzata | VLI004 | |
| Sistema operativo Windows 11 | Microsoft | W11 |
Riferimenti
- Li Y. Music aesthetic teaching and emotional visualization under emotional teaching theory and Deep learning. Front Psychol. 2022;13.
- Yang J. Retraction notice to: 'research on music education: Integrating synaesthesia theory and colour psychology', HTS Teologiese Studies/Theological Studies 79(4), A8848. HTS Teol Stud. 2024;80(1).
- Zhao Y. Cognitive mapping-based audiovisual and singing music therapy as a cross-intervention for college students' anxiety. Appl Math Nonlinear Sci. 2024;9(1).
- Iyendo TO, Uwajeh PC, Oseke BN, Dong L, Adejumo A, Umar I, et al. Effect of audio-visual-based art and music therapy in reducing Adolescents Post Traumatic Stress disorder. J Adolesc Health. 2024;74(2):283–291.
- Sones AC, Fogelson DL, Glick ID, Shader RI. Untreated mental illness has created a national tragedy: A pandemic of homelessness. J Clin Psychopharmacol. 2022;42(2):115–117.
- Omelchenko M, Migalina V, Kaleda V. The effect of untreated illness in youth depression: A cross-sectional study. Consort Psychiatr. 2022;3(4):8.
- Vargas-Huicochea I, Álvarez-del-Río A, Rodríguez-Machain AC, Aguirre-Benítez EL, Kelsall N. Seeking psychiatric attention among university students with mental health problems: The influence of disease perception. Int J Ment Health Addict. 2022;20(1):505–521.
- Shim YR, Eaker R, Park J. Mental health education, awareness and stigma regarding mental illness among college students. J Ment Health Clin Psychol. 2022;6(2):6–15.
- Bantjes J, Kessler MJ, Hunt X, Stein DJ, Kessler RC. Treatment rates and barriers to mental health service utilisation among university students in South Africa. Int J Ment Health Syst. 2023;17(1):38.
- McLafferty M, Brown N, Brady J, McLaughlin J, McHugh R, Ward C, et al. Variations in psychological disorders, suicidality, and help-seeking behaviour among college students from different academic disciplines. PLoS One. 2022;17(12):e0279618.
- Liu Z. Music teaching curriculum integrates physical exercise to regulate Students' mental health. Rev Psicol Deporte. 2024;33(1):426–435.
- Bian C, Wang X, Huang Y, Zhou S, Lu W. Effects of AI-generated images in visual art education on students' classroom engagement, self-efficacy and cognitive load. Humanit Soc Sci Commun. 2025;12(1):1–14.
- Yu H, Zou Z. The music education and teaching innovation using blockchain technology supported by artificial intelligence. Int J Grid Util Comput. 2023;14(2-3):278–296.
- Mulvogue J, Ryan C, Hunt S, Cross M, Cleary M. Promoting positive outcomes in higher education: Supporting undergraduate student mental health and well-being. Issues Ment Health Nurs. 2023;44(7):673–677.
- Sholichatun Y, Aziz R, Baharuddin B, Mulyadi M, Muhid A. Building resilience to promote mental health in university students. Health Educ Health Promot. 2025;13(2):257–263.
- Martínez-García A, Valverde-Montesino S, García-García M. Promoting mental health in higher education: towards a model of well-being factors in emerging adulthood. Int J Qual Stud Health Well-Being. 2024;19(1):2408831.
- Ahluwalia M, Shillington KJ, Irwin JD. The relationship between resilience and mental health of undergraduate students: A scoping review. J Am Coll Health. 2025;73(3):1266–1279.
- Aggarwal D. Integration of innovative technological developments and AI with education for an adaptive learning pedagogy. China Pet Process Petrochem Technol. 2023;23(2):709–714.
- Ullah RS, Hashim F, Bandeali MM, Akbar A. Artificial Intelligence in Curriculum Design a Roadmap for Adaptive and Personalized Learning in Higher Education. Crit Rev Soc Sci Stud. 2025;3(3):304–322.
- Strielkowski W, Grebennikova V, Lisovskiy A, Rakhimova G, Vasileva T. AI‐driven adaptive learning for sustainable educational transformation. Sustain Dev. 2025;33(2):1921–1947.
- Hooda M, Rana C, Dahiya O, Rizwan A, Hossain MS. Artificial intelligence for assessment and feedback to enhance student success in higher education. Math Probl Eng. 2022;2022(1):5215722.
- Caspari-Sadeghi S. Artificial intelligence in technology-enhanced assessment: A survey of machine learning. J Educ Technol Syst. 2023;51(3):372–386.
- Topping KJ, Gehringer E, Khosravi H, Gudipati S, Jadhav K, Susarla S. Enhancing peer assessment with artificial intelligence. Int J Educ Technol High Educ. 2025;22(1):3.
- Hammoudi Halat D, Soltani A, Dalli R, Alsarraj L, Malki A. Understanding and fostering mental health and well-being among university faculty: A narrative review. J Clin Med. 2023;12(13):4425.
- Jääskeläinen T, López-Íñiguez G, Phillips M. Music students' experienced workload in higher education: A systematic review and recommendations for good practice. Music Sci. 2023;27(3):541–567.
- Ghatpande AC, Anand SK. Mental health and stress management among college students: a critical analysis. Int J Sci Res Eng Manag. 2025;9(1):1–9.
- Amanvermez Y, Rahmadiana M, Karyotaki E, de Wit L, Ebert DD, Kessler RC, et al. Stress management interventions for college students: A systematic review and meta-analysis. Clin Psychol Sci Pract. 2023;30(4):423.
- Córdova Olivera P, Gasser Gordillo P, Naranjo Mejía H, La Fuente Taborga I, Grajeda Chacón A, Sanjinés Unzueta A. Academic stress as a predictor of mental health in university students. Cogent Educ. 2023;10(2):2232686.
- Alhasani M, Orji R. Promoting stress management among students in higher education: Evaluating the effectiveness of a persuasive time management mobile app. Int J Hum-Comput Interact. 2025;41(1):219–241.
- Campbell F, Blank L, Cantrell A, Baxter S, Blackmore C, Dixon J, et al. Factors that influence mental health of university and college students in the UK: a systematic review. BMC Public Health. 2022;22(1):1778.
- Nepal S, Liu W, Pillai A, Wang W, Vojdanovski V, Huckins JF, et al. Capturing the college experience: a four-year mobile sensing study of mental health, resilience and behavior of college students during the pandemic. Proc ACM Interact Mob Wearable Ubiquitous Technol. 2024;8(1):1–37.
- Menefee DS, Ledoux T, Johnston CA. The importance of emotional regulation in mental health. Am J Lifestyle Med. 2022;16(1):28–31.
- Sattar G, Rustemova S, Nebessayeva Z. Socially Interactive Approaches and Digital Technologies in Art Education: Developing Creative Thinking in Students During Art Classes. Open Educ Stud. 2025;7(1):20250096.
- Johnson R, Cantrell K, Cutcliffe K, Batorowicz B, McLean T. Expanding creative communities in the visual arts: Using Padlet to support student engagement and belonging in stressful contexts. Art Educ. 2023;76(4):33–39.
- Cowand A, Amarsaikhan U, Ricks RF, Cash ED, Sephton SE. Self-compassion is associated with improved well-being and healthier cortisol profiles in undergraduate students. Mindfulness. 2024;15(7):1831–1845.
- Brovchak LS, Starovoit LV, Likhitska LM, Todosiienko NL, Shvets IB. Integrating music, drama and visual arts in extracurricular programs: enhancing psychological development in early school-aged children. Sapienza Int J Interdiscip Stud. 2024;5(3):e24052.
- Salomon-Gimmon M, Orkibi H, Elefant C. The contribution of a music and arts rehabilitation program to the creative identity, well-being, and community integration of people with mental health conditions. J Humanist Psychol. 2026;66(2):518–551.
- Shkembi F, Sauku VH, Ibrahimi S, Ibrahimi E. The psychological impact of online education on student well-being and motivation. Int Soc Sci Educ J. 2024;2(2):1–8.
- Pointon-Haas J, Waqar L, Upsher R, Foster J, Byrom N, Oates J. A systematic review of peer support interventions for student mental health and well-being in higher education. BJPsych Open. 2024;10(1):e12.
- Reist C, Petiwala I, Latimer J, Raffaelli SB, Chiang M, Eisenberg D, et al. Collaborative mental health care: A narrative review. Medicine. 2022;101(52):e32554.
- Peng C. Integrating computational intelligence in music teaching: A decision-making approach for personalised education. Int J Inf Commun Technol. 2025;26(27):38–51.
- Chi M, Wang N, Wu Q, Cheng M, Zhu C, Wang X, et al. Implementation of the flipped classroom combined with problem-based learning in a medical nursing course: A quasi-experimental design. Healthcare. 2022;10(12):2572.