ナラティブシミュレーションと視覚AIを教育管理に統合し、大学におけるメンタルヘルス能力の構築に関する研究

サマリー

本研究は、ナラティブシミュレーションと視覚的AIを教育管理システムに統合し、大学生のメンタルヘルス、感情的回復力、関与度の向上を目指します。

要約

大学生は不安、うつ病、ストレスなどのメンタルヘルスの問題に直面していますが、多くの高等教育環境では感情の監視や支援のための積極的なシステムが欠けています。本研究は、ナラティブシミュレーションと視覚的人工知能(AI)を統合したハイブリッド型教育管理システムを設計・実装・評価し、生徒のメンタルヘルスリテラシーと感情的回復力を促進することを目的としています。このシステムには、ストレスシナリオをシミュレートするナラティブ意思決定モジュールと、教室内に埋め込まれたAI搭載の感情認識ツール(表情検出に基づく)が含まれています。複数の大学から332名の学部生と15名の教員を対象に、混合手法の設計が採用されました。介入前後の調査、使用記録、視覚AIからのリアルタイム感情データを収集しました。定量データは記述統計、ペアt検定、ANOVAおよび多重線形回帰を用いて解析されました。結果は、生徒のメンタルヘルススコア(p < 0.01)、感情的認識、意思決定の自信において統計的に有意な改善を示しました。この統合的なアプローチは、使いやすさと拡張性の両方を示し、教員に早期の感情的洞察を提供し、学生に内省的な学習環境を提供します。この方法は、AI対応の教室と訓練された倫理的監督を備えた教育機関に最適です。

概要

メンタルヘルスは高等教育において差し迫った課題となっており、世界中の大学生の間で不安、うつ病、燃え尽き症候群のレベルが高まっていると報告^{されています。}これらの心理的負担は、学業過多、社会的圧力、経済的不確実性と関連し、学業成績、定着率、長期的な健康に悪影響を及ぼ^します。多くの機関がカウンセリングサービスや危機介入を実施していますが、これらのアプローチは反応的で限られた範囲で限られている傾向^{があります。}学生の心理的レジリエンスを日常学習環境で支える、積極的で拡張可能かつ組み込みの戦略への需要が高まっています。

近年の教育技術の進歩により、感情的サポートを直接教育システムに統合する新たな機会が生まれています。有望なアプローチとしては、ナラティブシミュレーションと視覚的人工知能(AI)があります。ナラティブシミュレーションとは、感情的に複雑な状況に生徒を置き、内省、共感、意思決定を促すインタラクティブでストーリー主導のモジュールを指します。体験学習理論に基づき、これらのシミュレーションは安全で指導^{された環境で}テストの不安、時間管理、仲間間の対立などの課題に対する反応を練習できるようにします^4,5。体験学習理論はさらに、振り返りと積極的な実験が経験を持続的な学習に変えるために不可欠であり、物語シミュレーションは感情知能や適応的対処を育む有効な手段としています。

視覚AIは機械学習モデルを用いて、表情、視線、姿勢などからリアルタイムで学生の感情状態を推論します。⁶.倫理的に、かつ十分な同意のもとで導入されることで、これらのシステムは早期警戒ツールとして機能し、エス^{カレーション前に}ストレスや離脱を特定できます。教育管理プラットフォームに組み込まれたビジュアルAIは、教員にタイムリーなフィードバックを提供し、個別化された学術的または感情的な反応を支援します。この統合は認知行動理論と一致しており、不適応認知の認識を高め、再構築することで感情的な結果が改善できると強調されています。

このアプローチは、デジタルと対面の両方で学生の体験を調整するという現代の教育管理の見方とも共鳴しています。このインフラにメンタルヘルス支援を組み込むことで、レジリエンストレーニングは任意の追加要素ではなく、学術プロセスの一部^{となります。}さらに、感情調整を評価と対処戦略の動的な相互作用として捉える「ストレスと対処の取引モデル」とも一致しています。ここで、視覚AIは一次評価(手がかりの検出)に貢献し、一方でナラティブシミュレーションは心理的に安全な空間で二次評価(対処法の探求)を担います。

関心が高まっているにもかかわらず、高等教育における精神保健支援における視覚的AIとナラティブシミュレーションの結合利用を評価する実証研究はほとんどありません。さらに、メンタルヘルスリテラシー(「精神障害の認識、管理、予防を助ける知識や^信念」9)、感情的レジリエンス(心理的ストレスへの適応能力)といった重要な概念は、しばしば十分に運用されていません。本研究は、物語シミュレーションと視覚的AIコンポーネントを組み合わせた統合教育管理システムを設計・検証することで、苦痛の早期発見を促進し、生徒の自己調整を促進することでこれらのギャップを埋めます。

目的と主要な貢献

本研究は、ナラティブシミュレーションと視覚的AIを教育管理システムに有意義に統合し、大学生のメンタルヘルス問題に対処する方法を探ります。メンタルヘルスを外部のサービスとして扱うのではなく、感情的な関与と早期の心理的支援を日常学習に組み込むことが目標です。インタラクティブな意思決定シナリオとリアルタイムの感情モニタリングを組み合わせることで、学生は反省的な実践の機会を得られ、指導者は苦痛の兆候に敏感に対応できるようになります。

このシステムは概念的に体験学習に基づいており、実践、フィードバック、感情的な関与が行動変容の推進力であることを強調しています。物語シミュレーションは、時間的プレッシャーや仲間間の緊張など、感情的に重要な選択を必要とする馴染みのある学業上のストレス要因を提示します。同時に、顔表情推論に対応した視覚AIツールが、授業中の瞬間瞬間の変化を監視します。このアプローチはまた、自己認識、共感、調整をレジリエンスの中核的能力として認識する感情知能理論も活用しています。

この研究には332名の学部生と15名の教員が参加し、3つの分野にわたりました。混合手法設計を用いて、不安、うつ、ストレスが減少したかどうか、また学生の感情認識や意思決定の自信が向上したかどうかを評価しました。統計モデリングと定性的分析は、感情認識技術が専門的なケアの代替としてではなく、日常生活の学術生活における予防的かつ拡張可能な要素として学生のウェルビーイングをどのように支援できるかを示しています。

システム概要

本研究は5つの主要なセクションで構成されています。序論では、高等教育におけるメンタルヘルスの課題に対処するための背景と動機を紹介します。第2セクションでは、ナラティブシミュレーション、視覚AI、教育文脈での応用に関する既存の文献をレビューします。第3セクションでは、混合手法アプローチ、参加者募集、分析手法を含む研究デザインの概要が示されています。第4セクションでは、学生の感情的回復力とメンタルヘルス意識の変化に焦点を当てた、定量的および定性的の両方で主要な発見を提示します。最後に、結論はこの発見の広範な示唆を論じ、感情認識技術を教育実践に統合するための今後の方向性を提案します。

関連活動

大学は、ピア主導のアウトリーチ、デジタルキャンペーン、教室介入など、メンタルヘルス支援のための多様なアプローチを試^{してきました。}キャンパス全体のメッセージと学生のピアサポートを組み合わせることで、サービスの関与と認知度の向上が期待できますが、多様な集団に合わせた対応は依然として^{困難です。}集団レベルでは、研究はしばしば診断基準¹³に基づく自己申告調査に依存しており、これは因果推論を制限し、リアルタイムの株の指標を見落と^{しています。}

感情知能(EI)を学生の幸福感の予測因子として検討する研究が増えています。自己認識、明晰さ、感情修復などの特性はより良い結果と関連しており、帰属意識はしばしばメディエーターとして特定されます¹⁶。しかし、多くの調査結果は一度きりの調査に基づいており、持続的な支援のための動的なフィードバックが欠けています。EIに根ざした原則をナラティブシミュレーションに取り入れることで、共感、内省、自己調整を深める道が開かれます。

同時に、教育研究者は学習環境にAIを統合する傾向が強まっています^。顔の表情やストレスに関連するマイクロ表情を検出する視覚AIツールは、試験やチュータリングに導入されており、適応フィードバックの分野で有望な成果を示しています¹⁸。ナラティブシミュレーションは、感情的な意思決定を実践するために看護・医療教育で確立されています¹⁹ですが、これらの応用はしばしばドメイン特有であり、一般的な教育・^{管理システムに}統合されることは稀です。少数の研究では、学生とAIの協力やAI駆動の^{教育デザインのための}フレームワークを^{提案しており、}倫理、実装のギャップ、そして新規性を超えた教育的・心理的価値を提供するスケーラブルなモデルの必要性を強調しています。

本研究は、ナラティブシミュレーションとリアルタイム感情計算を統合することで、大学の学習環境におけるメンタルヘルスの課題に対して、積極的かつ埋め込まれた対応を創出することで、この分野を前進させます。

研究ギャップと実践的な実施の考慮事項

学生のメンタルヘルスのためのデジタルツールは増加していますが、多くの研究は自己申告や教室外での短期介入に依存しており、長期的な効果やタイムリーさを制限しています。EIやメンタルヘルスリテラシーのような概念をリアルタイムのフィードバックや観察可能な教室行動に結びつける取り組みはほとんどありません。視覚AIとナラティブシミュレーションは別々に検討されてきましたが、学術活動中の感情状態を追跡し応答する単一のシステムとして統合されることは稀です。本研究は、シミュレーションに基づく感情的反省と学習環境内でのAI駆動の認識を組み合わせることで、そのギャップを埋めています。

実用的な実装上の考慮事項

効果的な導入は、インフラ(安定したインターネット、統合カメラ)、倫理的監督、アルゴリズムのキャリブレーションに依存し、参加者を保護し偏りを減らすこと、特に顔分析が関与する場合に必要です。また、AI生成の手がかりを責任を持って解釈し、教育的意思決定に統合するためにも教員の研修が必要です。したがって、このアプローチは、確立されたデジタルインフラや倫理委員会を持つ大学に最も適しており、学生のメンタルヘルス強化のための積極的かつ拡張可能な枠組みとして機能します。

プロトコル

データ収集に先立ち、南京郵電大学機関審査委員会(承認コード:NJUPT-IRB-2024-0312)から倫理承認が取得されました。すべての参加者は、研究範囲、参加の任意性、感情追跡のための視覚的AIの使用、データの機密保持手続きについて説明を受けた後、書面によるインフォームドコンセントを提供しました。参加はいつでもペナルティなしで中止されることができました。使用されているソフトウェアと機器は 材料表に記載されています。

1. 学習準備

1. 運用タイムラインと端から端までの流れの定義
   2つの評価ポイントが設定されました。T1(介入前)、最初の試験直後、T2(介入後)で、AIの感情手がかりに導かれた指導者からの簡単なフィードバックに基づいています。試験期間後に1回目のナラティブシミュレーションが予定され、数日後に2回目のシミュレーションが行われ、対処法の変化を評価する予定でした。教室のカメラ入力、感情認識API、教員フィードバック、アンケート収集、データ統合、分析を含むエンドツーエンドのパイプラインは 図1Aに示されています。
2. 参加者の募集と記録
   既存のコースからの自主登録により合計347名の参加者が募集され、その中には332名の学部生(18歳から22歳、男性140名、女性192名)と教員15名(27歳から45歳、女性10名、男性5名)が含まれます。学年度ごと学科ごとの配分も記録されました。学生と教員の人口統計はそれぞれ 表1 と 表2に示されています。
3. 教室と教材の準備
   各部屋にはコンピュータ(Intel i5以上、≥ 8 GB RAM)、HDウェブカメラ(≥ 720p)、安定したインターネット接続(≥ 10 Mbps)が備えられていました。ウェブカメラは均一な前面照明の下で目の高さに設置され、顔≥640×480ピクセルで明確に見えました。感情トラッキングが有効であることが通知されていました。フレーミングと照明は各セッション前に検証され、検出の安定性が確認されるとソフトウェア設定が開始されました。

2. 視覚的AI構成

1. 感情認識サービスの提供
   クラウドアカウントが作成され、感情認識APIが有効になりました。APIキーとエンドポイントURLが生成され、認証情報はロールベースのアクセス制御のもとで暗号化された形で保存されました。再現性のために、Microsoft Azure Face API(Emotion、v3.2、東アジア地域)が採用されました。クライアントはベアラートークンを使ってHTTPS で 認証し、{faceId, faceRectangle, emotions: {anger, fear, sadness, disgust, happiness, surprise, neutral}, timestampを含む各JSONオブジェクトを約25〜30fpsで返しました。
2. カメラの接続と検出のキャリブレーション
   教室のウェブカメラストリームはAPIクライアント(PythonまたはREST)にリンクされていました。サンプリングレートは25〜30fpsに設定され、フレーム解像度は640×480ピクセルでした。テストストリームが開始され、有効なタイムスタンプ入りのJSON を含むHTTP 200 OK応答を受け取り接続が確認されました。カメラアングルと照明を調整し、フレーム入力から1秒以内に顔を検出できるようにしました。最終的なカメラの位置と照明パラメータも記録されました。キャリブレーションは、バウンディングボックス、200 OKインジケーター、JSONフィールドを表示する確認画面によって示されており、 図1Bに示されています。
3. 分類閾値とログ規則の定義
   各JSON出力にはISO 8601タイムスタンプ、感情ラベル、信頼度値が含まれていました。フレームごとのネガティブ・エパクト合成は、{怒り、恐怖、悲しみ、嫌悪}の自信スコアの平均として定義されました。複合音が少なくとも5秒(ローリングウィンドウ)≥0.75にとどまったときにストレスフラグが発動しました。閾値を最適化するために10分間のパイロットランが実施され、1セッションあたりの誤検知率を≤5%に目標としました。ログは、識別可能なフレームを保存するのではなく、セッションレベルの要約を集約するよう設定されました。
4. プライバシーおよびデータ最小化制御の実装
   偽名識別子(学生用S001-S332、教員用F001-F015)が割り当てられ、IDキーファイルはロールベースのアクセス制御のもとで暗号化されたサーバー上で管理されました。ローカルビデオキャッシュは無効化されました。品質保証のために一時的なキャッシュが必要な場合、キャッシュされたフレームは検証後24時間以内に削除されました。セッションごとの検出精度、平均遅延、エラー率は後日結果セクションで発表するために記録されました。
5. AI準備状況の検証(手続き的チェックポイント)
   25〜30fpsでの安定した顔検出、HTTP 200のOK応答の受信、有効なJSONフィールド、文書化された閾値設定、安全な認証情報保存が確認されました。パイプライン全体が 図1Bのキャリブレーション図と一致する準備状況チェックに合格したと報告されました。

3. 測量管理

1. 計器とアンカーの構成
   うつ、不安、ストレスを測定するために5点リッカート尺度を用い、学術的文脈に合わせてDASS-21を適応させた項目を用いました。アイテムコードとアンカーは 表3に示された機器のレイアウトに従っていました。
2. T1の投与(事前検査)
   調査は初回検査直後、AIに基づくフィードバックの前に実施されました。すべての欄を必須とし、重複提出を防ぐ安全なオンラインフォームが導入されました。データセットはCSV形式でエクスポートされ、参加者ID、タイムポイント(T1)、項目スコアのフィールドが記載されました。
3. 簡単な指導者フィードバックの提供
   T1判定後24時間以内に、AIによって特定された学生に対して非臨床的な指導が提供されました。フィードバックには、3〜5分の短いリラクゼーションエクササイズ、学習計画の調整、時間管理の提案などが含まれていました。研究データセットには臨床記録は記録されていません。重度の苦痛を示す学生は、機関の方針に従いキャンパスカウンセリングサービスに紹介されました。
4. T2の投与(検査後)
   同じ調査は2回目の試験セッションとその後のフィードバック後に再実施されました。データはCSV形式でタイムポイント(T2)を含み、参加者IDを用いてT1の回答と照合しました。
5. 調査データのロック(手続き的チェックポイント)
   回答率や欠落したデータパターンが検証され、データ統合前に調査データベースはロックされました。記述統計は結果セクションに含める予定でした。

4. ナラティブシミュレーション演習

1. シミュレーション1の実行
   低評価を受けたり不公平なフィードバックを感じたりする状況を描いた学業ストレスのシナリオが提示されました。各学生は、フラストレーションを内面化する、教員を公然と責める、または反省して説明を求める3つの回答のいずれかを選ぶよう指示されました。回答選定には3〜5分の時間が割り当てられ、その後150〜200語の書面による理由が求められました。タイミングプロンプトと応答オプションを表示するシミュレーションインターフェースは 図1Cに示されています。
2. 短い面接の実施
   シミュレーション1の直後には、参加者の評価、対処意図、感情的トリガーとみなされる要因を探るために5〜7分の短いインタビューが行われました。インタビューノートは記録され、参加者IDと紐付けられました。
3. シミュレーション2の実行
   数日後、シミュレーション1と同じ手順で並行シナリオを用いる2回目のシミュレーションが実施されました。このセッションでは、感情への気づきや対処行動の変化を観察することを目的としました。選択、理由、インタビューノートはシミュレーション1と同様に記録されました。
4. シミュレーション記録の確認(手続き的チェックポイント)
   各参加者は、1つの記録された選択肢、150語以上の理由、そして対応するインタビューノート1つがあることが確認されました。その後のテーマ分析のためにコーディング要約テンプレートが作成されました。

5. AIログのエクスポートとデータセットの統合

1. セッションレベルの感情サマリーのエクスポート
   セッションレベルの感情要約はCSV形式でエクスポートされ、参加者ID、セッションID、ISO 8601タイムスタンプ、感情ラベル、信頼値、ストレスフラグ指標が含まれていました。生の映像フレームは保存されていませんでした。
2. AIログと調査ファイルの統合
   AIログファイルは参加者IDとセッション日付を主要変数としてT1およびT2の調査データセットと統合されました。ΔAnxiety = Anxiety_T2 − Anxiety_T1のような導出変数が計算され、時間経過の変化を評価するために使われました。統合された記録の5%を監査し、識別子の整合性と年代順の整合性を確認しました。
3. マージの完全性の確認(手続き的チェックポイント)
   各参加者でT1がT2より先に位置する1対1のIDマッチングと正しい時間順序が確認されました。特定された不一致は統計解析を行う前に解決されました。

6. 定量分析(SPSSワークフロー)

1. データのインポートと変数の定義
   データファイルはSPSS 27.0で開かれ、CSVデータセットがインポートされました。変数ラベルと型が定義され、欠損值ルールが確立されました。マスターファイルは後の解析のために.sav形式で保存されました。
2. 信頼性および記述統計の評価
   クロンバックのαは各構成概念に対して計算され、内部の整合性を評価しました。すべての変数に対して平均(M)および標準偏差(SD)を含む記述統計が生成されました。その結果の成果は、結果セクションに含めるために保持されました。
3. ペアサンプルt検定の実行
   不安、うつ、ストレスのT1およびT2スコアを比較するためにペアサンプルt検定を実施しました。結果にはt、自由度(df)、p値、コーエンズd、95%信頼区間(CI)が含まれ、すべて結果セクションに掲載されました。
4. 繰り返し測定のANOVAの実行
   時間(T1, T2)は、反復測定ANOVAにおいて被験者内因子として指定されました。モークリーの球面性テストが評価され、仮定が破られた場合にはグリーンハウス・ガイサー補正が適用されました。分析では、結果に含まれるF、df、p、η²、95%のCI値が報告されました。
5. 多重線形回帰モデルのフィッティング
   複数の線形回帰モデルに、T1スコア、AIストレスフラグ率、ナラティブ選択(ダミーコーディング)で回帰したT2アウトカムが適用されました。モデル結果は、β、標準誤差(SE)、t値、p値、^R2の報告で要約されました。
6. 単位および記譜基準の維持
   すべての数値はSI単位の慣習に従い、数字と単位の間にスペースがありました(例:10分、25fps、640×480ピクセル)。適切な場合、Wordの方程式ツールを使って方程式を挿入し、統計表記はすべてのセクションで一貫して維持されました。

7. テーマ分析ワークフロー

1. 質的コーパスの組み立て
   インタビューノートは書き起こしられ、物語の根拠は参加者IDとタイムポイント(Sim1またはSim2)でラベル付けされた単一のコーパスにまとめられました。このコーパスは定性的分析のデータセットとして機能しました。
2. コードブックの開発とコーダーの育成
   感情的な関与、意思決定の質、自己認識、共感、感情調整を含む感情知能指標に焦点を当てたコードブックが作成されました。2人のコーダーがコーパスの10%で訓練を受け、コードと分析基準の一貫性を確保しました。
3. インターレータ信頼性の確立と符号化の完了
   インターラター信頼性は、目標コーエンκを少なくとも0.75と評価しました。不一致があれば議論され、最終的にコードブックを完成させる前に解決されました。残りのコーパスは完全に符号化されました。テーマの頻度が要請され、結果セクションで発表するための代表的なテーママップが作成されました。各主要なテーマを説明するために代表的な引用文が1つ選ばれました。

8. 品質管理、トラブルシューティング、アーカイブ

1. 技術的問題の解決
   顔検出率が低い時期には、前方照明が改善され、カメラアングルも調整されました。フレームレートは25〜30fps以内にとどまっていることが確認されました。過剰なストレスフラグが観察された場合、検出閾値は0.80に引き上げるか、検出ウィンドウを少なくとも8秒に延長して結果を安定させました。
2. データの一貫性の保証
   参加者IDとタイムポイントはデータ分析前に検証されました。コーディングドリフトを防ぐために、50件ごとにコーダーは再調整されました。セッションレベルの品質管理チェックリストが維持され、セッションリードとデータスチュワードの双方によって署名され、手続きの整合性が記録されました。
3. データセットとドキュメントのアーカイブ
   すべての分析ファイルは、直接識別子を参加者IDに置き換えて非公開化されました。同意書は研究データとは別に保存されていました。最終データセット、SPSS構文ファイル、コードブック、品質管理ログは、制限付きアクセスのもとで安全なサーバーにアーカイブされました。

結果

記述的分析

事前比較では、実施後の副作用が一貫して減少していることが示されました。検査後の平均は、不安の平均が2.87、うつ病で2.74、ストレスが2.69に減少し、検査前の平均はそれぞれ3.25、3.11、3.08でした(図2)。記述的な成果は 表4にまとめられ、項目レベルのツール構造は 表3に示されています。研究文脈でのAI信頼性を評価するために、Microsoft Azure Emotion APIは7つのカテゴリーで平均分類精度91.4%、平均エラー率8.6%、フレームあたり1.2秒のレイテン<シーを達成し、感情変化の検出に許容される精度を示しました(表4)。

多重線形回帰の結果

ディスカッション

この研究は、物語シミュレーションと視覚的AIを組み合わせることで、感情の認識が一方向的な介入ではなく共有されたプロセスになることを示しています。学生たちは単にデジタルツールに反応しているのではなく、彼らは認知的評価と身体経験を結びつける構造化された感情的内省に取り組んでいました。データセット全体で、定量的および質的結果の両方で、不安の減少と感情調整の改善という一貫したパターンが示されており、このプロトコルが大学の教育システムにおける感情知能の層として機能できることを示唆しました。

この手法の効果を決めるのは技術そのものではなく、キャリブレーション、フィードバック、物語デザインの間の振付のようなものです。感情認識モジュールが正確に調整され、講師が迅速にフォローアップしたセッションでは、学生の内省的な回答の質が著しく高まりました。これらのステップを省略または遅延すると、エンゲージメントレベルは明らかに低下しました。この観察は、感情学習が根本的に対話的かつ文脈依存的であるという見解を支持しています。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
ハードウェア	顔認識カメラ	ロジクール(または類似)	C920 HD ウェブカメラ
楽器	インタビュートランスクリプトコレクション	手動エントリー	音声録音/テキスト
アンケート	修正DASS-21スケール	著者による脚色	5点リッカートフォーマット
ソフトウェア	Microsoft Azure Emotion API	マイクロソフト	Emotion API v3(クラウド)
ソフトウェア	SPSS統計	IBM	バージョン26
ソフトウェア	ナラティブシミュレーションシステム	独自開発	ウェブベース(HTML5)
システムプラットフォーム	大学教育管理システム	内部プラットフォーム	AIモジュールと統合