연구 논문

피아노 전공자를 위한 인공지능 음악 플랫폼, 학습 향상과 불안 감소: 심박 변이성 단서를 포함한 무작위 연구

245 조회수

⸱

DOI:

10.3791/69106

⸱

2026년 4월 21일

1School of Arts, Jingchu Technology University

이 논문에서

요약

이 프로토콜은 HRV 기반 미세 개입과 시각화 기반 피드백을 포함한 AI 기반 음악 교육 플랫폼을 사용하여 학부 피아노 전공자들의 음악 이론 학습을 향상시키고 상태 불안을 줄이는 무작위 워크플로우를 설명합니다.

초록

인공지능(AI)은 음악 교육학에 점점 더 많이 적용되고 있지만, 지식 습득과 불안 조절을 함께 평가하는 재현 가능한 워크플로우는 여전히 제한적입니다. 이 프로토콜은 일상적인 스튜디오 수업 내에서 AI 기반 음악 교육 플랫폼을 구현하고 학부 피아노 전공자들의 효과를 평가하기 위한 무작위 통제 워크플로우를 설명합니다. 참가자들은 선별되어 2주간 AI 기반 플랫폼 또는 전통적인 강의에 무작위로 배정됩니다(총 12회의 30분 세션). 결과에는 구조화된 음악 이론/분석 테스트와 상태-특성 불안 조사 목록(STAI-S; 20문항, 4점 척도; 총 20–80점)이 포함됩니다. 심박 변이도(HRV)는 5분간 앉아 휴식을 취하고 5분간 표준화된 연습 세션 동안 기록됩니다; 주요 지표에는 정상에서 정상 사이의 연속적 차이의 평균평균근(RMSSD; 단기 미주신경 활동), 정상에서 정상 사이의 간격의 표준편차(SDNN; 전체 변동성), 그리고 고주파(HF) 파워(부교감신신경 관련 스펙트럼 성분)가 포함됩니다. 이 프로토콜은 강사와 연구자가 플랫폼을 배포하고 참가자 선별, 무작위화 실행, 플랫폼 설정/구성, HRV 센서 배치 및 기록, 아티팩트 처리 및 HRV 계산, 모든 결과 측정의 관리/점수 부여, 최종 데이터 내보내기, 파일 명명 및 통계 분석을 위한 안전한 저장을 포함하는 표준화된 순서를 따를 수 있게 합니다. 분석은 독립 표본 t-검정과 공분산분석(ANCOVA)을 사용하여 기저선을 공변량으로 사용합니다. 대표적인 결과는 AI 기반 군에서 조정 후 검사 이론 성능이 더 높았음을 보여주며(부분 η2 = 0.206), 개입 후 상태 불안이 낮음을 보여준다(t(38) = −3.486, p = 0.001; 코헨 D≈ 1.10)는 대조군보다 낮았으며, HRV 패턴은 생리학적 맥락과 부가 부하 감소를 나타내는 2차 인지 부하 결과를 제공하였습니다.

서론

현대 고등 음악 교육에서 교육 목표는 단순한 지식 전달을 넘어 학생들의 심리적 안녕과 연주자로서의 지속 가능한 발전까지 포함합니다. 피아노 전공자들은 심사위원, 대회, 오디션, 공개 리사이틀 등에서 반복적인 평가 압박을 받으며 훈련을 받으며, 불안은 주의력 조절을 방해하고 연주 품질을 저하시킬 수 있습니다.

음악 공연 불안(MPA)과 시험 관련 불안은 음악원 및 대학 표본에서 일관되게 보고되었으며, 다양한 코호트와 측정 방식에서 높은 유병률 추정치가 문서화되었습니다2. 주관적 고통을 넘어 불안은 생리적 각성, 주의력 산만, 자기 효능감 저하와 연관되어 있으며, 이는 음정/타이밍 불안정과 평가 수행 불안정으로 이어질 수 있습니다.

최근 인공지능(AI)의 발전은 이러한 맥락에서 보다 타겟팅된 지원을 위한 길을 제공합니다. AI 기반 개인화는 학습자의 변화하는 요구에 맞게 내용 난이도, 속도, 피드백을 조정하고, 스튜디오 교육에서 획일적인 지도에 대한 의존도를 줄일 수 있습니다.4. 동시에 정서 컴퓨팅은 다중 모달 신호(예: 얼굴 표정, 말하기, 생리적 신호)로부터 순간의 감정 상태를 추론할 수 있어, 실습 중 불안 변동에 대응할 수 있게 합니다.

이 영역에서 중요한 생리학적 지표는 심박 변이성(HRV)으로, 자율신경 조절과 스트레스 반응성과 관련된 비침습적 지표로 흔히 사용됩니다6. 수업에 내재된 HRV 기반 프롬프트는 연습 중 급성 상태 불안을 완화하는 적시 미세 개입(예: 짧은 호흡 신호 또는 마음챙김 신호)을 지원할 수있습니다.

두 번째 디자인 축은 시각화 기반 피드백입니다. 진행 곡선, 오류 위치 지도, HRV 기반 지표를 보여주는 대시보드는 연습 행동과 인지-정서 부하를 보다 투명하게 만들어 자기 모니터링과 교사-학생 공동 조절을 강화할 수 있습니다8. 학습과학 관점에서 이러한 설계 선택은 인지 부하 이론과 일치하는데, 이는 간소화된 프레젠테이션, 세분화, 피드백 설계를 통해 불필요한 부하를 줄이고, 관련 처리9를 통한 스키마 구축을 지원하는 데 중점을 둡니다.

AI 기반 음악 학습 도구의 빠른 발전에도 불구하고, 고등 음악 교육 분야에서 AI 기반 개인화, 생리적 모니터링(HRV), 시각화 기반 피드백을 단일 플랫폼 내에 통합하고 무작위 조건 하에서 전체 작업 흐름을 평가하는 연구는 상대적으로 적습니다10. 더불어, 많은 보고서가 센서 기록, 아티팩트 처리, 데이터 내보내기 등 필름 가능한 매개변수 수준의 절차를 명시하지 않고 결과를 강조하여 재현성과 사이트 간 복제를 제한합니다. 본 연구는 스튜디오 수업 루틴에서 AI 기반 음악 교육 플랫폼을 단계별로 배치하고, 음악이론/분석 성취도와 상태 불안(STAI-S)에 미치는 영향을 평가하는 프로토콜을 제시하며, 표준화된 휴식 및 연습 세션에서 HRV 지수를 기록하여 생리학적 맥락을 제공합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

연구 프로토콜은 징추공과대학교 예술대학 기관심사위원회(승인 번호: JCTU-ARTS-2025-013)에서 승인되었습니다. 등록 전에 모든 참가자로부터 서면 동의서를 받았습니다.

참가자 등록
각 잠재적 참가자가 연구 목표, 절차, 잠재적 위험과 이점, 기밀 유지 및 데이터 처리 방식에 대한 서면 및 구두 설명을 받은 후, 등록 전에 서면 동의서를 받으십시오. 서명된 동의서는 연구 데이터와 별도로 잠긴 캐비닛이나 주요 연구자와 지정된 데이터 관리자 한 명만 제한된 접근 권한이 있는 암호화된 디지털 아카이브에 보관하세요. 각 참가자의 승인 번호, 승인 날짜, 동의일을 연구 로그에 기록하여 투명한 보고와 복제를 지원하세요11. 기관 정책이나 학술지 지침에 따라 요구되는 경우 적절한 시험 등록부에 연구 프로토콜을 등록하고, 연구 기록에 등록 식별자와 등록일을 기록하세요. 12.

참가자 자격 및 모집
참가자를 선별하고 모집합니다
18세에서 22세 사이의 학부 피아노 전공자 40명을 음악원 또는 대학 음악 프로그램에서 모집하며, 성비 균형을 맞추고 목표 편차는 60:40을 넘지 않는 것을 목표로 합니다. 각 지원자가 최소 6개월간의 정식 피아노 학습을 완료했으며, 오선표 악보를 유창하게 읽을 수 있고, 기초 음악 이론 지식을 갖추고 있어 기초 시험을 통과할 수 있는지 확인하세요. 관심 있는 지원자를 선별 방문에 초대하고, 시간 약속, 데이터 수집 절차, 기밀 유지 사항에 관한 서면 연구 정보를 선별 최소 24시간 전에 제공하세요.

포함 기준 적용
각 후보자에게 일반화 불안장애-7(GAD-7) 설문지를 실시하고 도구 매뉴얼13에 따라 점수를 매깁니다. 후보자가 지시를 이해하고 절차를 견딜 수 있으며 모든 세션에 참석할 수 있는지 확인하기 위해 5분에서 8분 정도의 짧은 반구조화 면접을 실시하세요. 모든 기준이 충족된 경우에만 참가자를 포함: 18세에서 22세 사이, 최소 6개월간의 정식 피아노 훈련, GAD-7 점수 5에서 14 사이, 경증에서 중등도 불안14 표시, 모든 중재 및 평가 절차를 완료할 의지, 서면 동의서 제공.

제외 기준 적용
현재 심각한 정신 질환이 있거나 참여나 결과 타당성에 지장이 있을 수 있는 정신과 치료를 받고 있는 후보자는 제외합니다. 알고리즘 기반 연습 지도나 자동 피드백을 포함한 ≥ 세션 중 3개월 이내에 유사한 AI 기반 음악 훈련 연구에 참여한 지원자는 제외합니다. 목표 레퍼토리에 익숙하지 않고 15분간의 표준화된 익숙한 시간 내에 안정적인 기초 연주를 달성하지 못하는 후보자는 제외합니다. 피아노 연주나 심박변이성(HRV) 기록에 지장을 줄 수 있는 주요 운동, 시각 또는 청력 장애가 있는 후보자는 제외합니다. HRV 측정 품질을 크게 저해하는 조건이나 요인(예: 알려진 부정맥, 이식된 심박조율기, 자율신경 기능에 현저한 영향을 미치는 약물)을 가진 후보자는 제외하고, 해당 시 선별 기록에 그 이유를 문서화하세요15. 모든 포함 및 제외 결정, 제외 사유를 익명화된 참가자 ID로 식별하는 스크리닝 로그에 문서화하고, 결과 데이터와 별도로 기록하세요.

무작위화와 할당 은폐
무작위화 서열의 준비
통계 소프트웨어를 사용해 참가자들을 실험군(AI 기반 플랫폼) 또는 대조군(전통적 지시)에 배정하는 1:1 순열 블록 무작위화 시퀀스를 생성합니다. 순열 블록에 사용되는 블록 크기를 4로 미리 정의하고, 소프트웨어 이름, 버전, 그리고 재현성을 보장하기 위해 무작위화 로그에 고정된 무작위 시드 값 20250113을 기록합니다. 서열을 생성하는 연구자가 참가자 평가, 결과 점수 매기기, 교육에 관여하지 않도록 해야 합니다. 개별 그룹 과제를 동일한 종이 쪽지(약 5cm x 2cm)에 인쇄하고, 각 과제를 순차적으로 번호가 매겨진 불투명한 봉투에 넣으세요. 봉투 준비 세부 사항을 감사 로그(날짜, 준비자, 총 봉투 = 40)에 기록하고, 결과 데이터와 별도로 감사 로그를 저장하세요.

배분 은폐 구현
봉인된 봉투는 배정 담당자만 접근할 수 있는 안전한 장소에 보관하세요. 각 참가자의 기준선 세션이 끝나면, 숫자 순서대로 다음 봉투를 꺼내세요. 참가자가 있는 자리에서 봉투를 열고 공개된 할당 기록(참가자 ID, 봉투 번호, 날짜/시간, 할당자 서명)을 기록하세요. 할당 은폐를 위해 남은 봉투는 모두 밀봉해 두세요.

성과 평가자의 블라인딩 유지
각 참가자에게 그룹 할당을 인코딩하지 않는 익명 ID를 P001–P040 형식으로 할당합니다. 모든 오디오 및 비디오 녹화에는 참가자 ID와 시점(개입 전후)만 라벨링하세요. 성능 평가자에게 그룹 할당에 대한 정보가 없고 공유 전에 파일 메타데이터가 제거된 비식별화되고 균형 잡힌 녹음 세트를 제공합니다.

레퍼토리와 배경
목표 레퍼토리 선정
모차르트의 G장조 피아노 소나타 K.283, 악장 II(안단테)를 일반적인 훈련 및 평가 곡으로 사용하세요. 1마디부터 32마디까지를 훈련 및 평가의 표준화된 발췌문으로 사용하고, 이 발췌 길이와 난이도가 중급 피아노 전공자에게 적합한지 확인하여17세션 전반에 걸쳐 안정적인 템포 목표와 일관된 프레이징 요구를 가능하게 합니다.

물리적 환경의 표준화
모든 세션은 안정적인 조명과 22± 1°C로 유지된 조용한 스튜디오에서 진행하세요. 무게 건반 디지털 피아노나 비슷한 건반 동작을 가진 어쿠스틱 피아노를 고정된 방 위치에 배치하고, 각 참가자의 벤치 높이를 방문 전반에 일정하게 유지하세요. 마이크를 악기에서 0.8m 떨어진 고정된 높이 1.2m 지점에 설치하고, 사운드보드나 키베드 쪽으로 45° 각도로 배치하여 클리핑 없이 깨끗한 신호를 포착합니다. 공연자로부터 1.8m 떨어진 곳에 카메라를 삼각대에 장착하고, 모든 세션에서 손과 상체를 일정한 각도로 촬영하세요.

각 시험일 전 장비 보정
메트로놈 볼륨을 설정하고 테스트하여 참가자가 명확히 들을 수 있으면서도 오디오 녹음을 지배하지 않도록 하고, 벤치 위치에서 약 60–65dB의 재생 레벨을 목표로 합니다. 오디오 인터페이스나 녹음 장치에서 녹음 게인을 조정하여 클리핑을 방지하면서도 높은 신호 대 잡음비를 유지하고, 포르테 구간 중 −12 dB에서 −6 dB 사이의 피크 레벨을 목표로 합니다. 카메라 프레임과 초점을 확인해 키보드, 손, 상체가 항상 시야에 들어오는지 확인하세요. 실시간 디스플레이를 관찰하고 최소 30초 동안 안정적인 R–R 간격 감지(또는 안정적인 ECG 파형)를 확인한 후 데이터 수집을 시작하세요. 오디오 클리핑이 발생하면 입력 게인을 3–6dB 줄이고, 10초 테스트 녹음을 반복한 뒤, 피크 레벨이 클리핑 임계값 이하로 유지될 때만 진행합니다. R–R 감지가 불안정할 경우, 흉부 스트랩을 조이고 접촉 패드를 적셔서 피부 접촉을 늘리거나(제조사 지침에 따라 ECG 전극을 재배치), 30초 신호 검사를 반복한 후 안정적인 추적 신호가 확보된 후에만 진행하세요.

결과 측정
지식과 분석 (주요 인지 결과)
내용 영역과 난이도에 맞춰진 구조화된 음악 이론 및 곡 분석 시험의 두 가지 평행 형태(형식 A와 형태 B)를 개발한다. 목표 레퍼토리 및 관련 자료에 대한 화성(8문항), 리듬 분할(4문항), 동기 인식(4문항), 형식 분석(4문항)을 포함하는 20개 항목을 포함합니다. 각 평가 시점에서 참가자를 조용한 방에 단독으로 앉히고, 미리 정해진 일정에 따라 Form A(기준선) 또는 Form B(검사 후 기준)를 제출하세요. 참가자에게 기구, 교재, 전자 보조 도구 없이 30분 이내에 시험을 완료하도록 지시하세요. 시험 종료 시 응답지를 받아 완료 시간을 몇 분 단위로 기록하세요. 표준화된 답변 키로 각 응답을 점수 채점하고, 총 정확도 점수(0–100)를 주요 인지 결과로 계산하여 문항당 5점을 부여합니다. 총 점수와 완료 시간을 참가자의 익명 ID에 저장하세요.

수행 루브릭 (부차적 기술 결과)
각 참가자의 목표 발췌문에 대해 표준화된 기기, 마이크 위치, 카메라 각도를 사용하여 개입 전후의 오디오-비디오 공연을 녹화합니다. 멜로디 유창성, 리듬 정확성, 협응 및 기법, 표현적 해석 등 네 가지 차원을 가진 공연 루브릭을 사용하세요. 각 차원을 1에서 5 척도로 평가하여 총 점수를 4에서 20 사이로 산출합니다. 상세한 평가 기준 문서와 6개의 파일럿 녹음(3개 기준 및 3개 비연구 학생의 시험 후 녹음)을 사용하여 최소 두 명의 독립 평가자를 교육하여 모든 차원에서 수용 가능한 합의가 이루어질 때까지 훈련합니다. 평가자에게 익명화된 신분증과 시간대로만 라벨링한 전체 녹화 세트를 제공하고, 그룹 정보는 포함하세요. 평가자가 녹화물을 독립적으로 평가하고 점수를 안전한 채점지나 데이터베이스에 기록하도록 지시하세요. 단일 차원에서 2점 이상의 불일치를 식별하고 토론을 통해 해결하세요; 합의에 도달하지 못하면 3등급 판결을 받으세요. 전체 점수 산정 전에 6개의 파일럿 녹화에 대해 반 내 상관계수(ICC)를 사용해 평가자 간 신뢰도를 추정하고, ICC가 최소 0.8019임을 확인하세요. 보충표 1에서 검사 전후 평가 및 검사 후 그룹 수준 평가 점수(총 및 4차원)를 요약하고, 보충표 2에 평가자 간 신뢰도 통계(ICC 95% 신뢰구간)를 보고합니다.

상태 불안 및 심박수 변동성 (부차적 정서/생리적 결과)
중재 전후20 시점에서 상태-특성 불안 검사(STAI-S; 20문항, 4점 리커트 척도, 총 점수 20–80)를 시행합니다. 참가자들에게 현재 느끼는 감정 에 따라 답변하고 모든 질문에 답하도록 지시하세요. 각 설문지에서 누락된 답변을 확인하고, 필요하다면 참가자에게 빠진 항목을 완료해 달라고 요청하세요. 계기 매뉴얼에 따라 총 STAI-S 점수를 계산하세요. 검증된 10개 항목 하위 집합이나 적응된 형식이 시각화 또는 탐색적 분석에 사용된다면, 적응 및 선택 규칙을 문서화하고, 근거와 참고문헌을 제공하며, 전체 규모와 하위 집합에 대한 크론바흐 α을 결과에 보고하세요21. 참가자들에게 HRV 기록 최소 2시간 전부터 격렬한 운동, 카페인, 무거운 식사를 자제하고, 각 방문 12시간 전까지는 음주를 피할 것을 지시합니다; 구두로 준수를 확인하고 세션 로그에 예/아니오로 기록하세요.22. HRV는 (i) 흉부 스트랩 심전도 센서 또는 (ii) 3리드 심전도 시스템을 사용하여 기록합니다. 모든 기록에 1000 Hz 샘플링 주파수의 ECG 기반 R–R 간격을 사용하고, 모달리티(ECG), 샘플링 주파수(1000 Hz), 녹음 날짜/시간을 세션 로그에 기록하세요. 흉부 스트랩 기록의 경우, 끈을 검골 돌기 높이에 단단한 피부 접촉으로 위치시키고; 심전도 기록을 위해서는 전극을 표준 리드 II 구성으로 배치하고 시작 전에 안정적인 R파 감지를 확인하세요. 휴식 시 HRV를 위해서는 참가자를 편안하게 앉히고, 발은 바닥에 평평하게 붙이고 손은 허벅지에 올려놓으세요; 5분 동안 최소한의 움직임과 말 없이 조용한 깨어 있으라고 지시합니다; 60초 안정화 후 녹화를 시작하고 그 후 300초 구간을 분석합니다.

HRV 연습을 위해, 참가자에게 목표 지시를 5분간 76박자, 고정된 다이내믹 목표인 메조포르테로 수행하도록 지시하세요; 메트로놈을 사용해 템포를 유지하고, 처음 30초 이후에는 분석을 시작해 이후 270초 구간을 분석하세요. 각 녹음 후에는 원시 R–R 간격 시리즈를 쉼표 구분 값 파일(CSV)으로 내보내며, 최소 두 필드(ms의 타임스탬프; R–R 간격(ms)을 사용해 추적 과정을 검사하고, 녹화 소프트웨어와 육안 검사를 통해 신호 손실, 아티팩트, 그리고 이소성 박동을 식별합니다.

미리 정해진 아티팩트 수정 워크플로우를 적용하고 세션 로그23에 각 세그먼트별로 수정된 비트의 비율을 기록하세요.
아티팩트 탐지 규칙: R–R 구간이 이전 5개의 정상 구간의 중앙값에서 20% 이상 벗어나거나 절대 R–R 값이 300–2000ms 밖에 나가면 인공물로 표시합니다. 수정 방법: 자궁외박자를 제거한 후 인접한 정규 구간의 세제곱스플라인 보간법을 사용해 플래그된 구간을 대체합니다.
품질 관리 임계값: 보정된 비트 비율이 5.0%를 초과하거나 5초를 초과하는 연속 신호 손실이 있을 경우 녹음 구간을 반복합니다.


분석 소프트웨어 버전 1.3.0을 사용하여 RMSSD 및 SDNN을 포함한 시공간 인덱스를 계산하고, 출력을 참가자 ID, 시간점, 세그먼트 유형(휴식 또는 연습)에 연동된 구조화 결과 파일(CSV)에 저장합니다. 120초 윈도우 길이, 50% 오버랩, 해밍 윈도우, 보간 R–R 급수의 4 Hz 재샘플링을 사용하는 웰치 주기도(Welch periodogram)를 사용하여 0.15–0.40 Hz 대역의 HF 전력을 포함한 주파수 영역 지수를 계산합니다; HF는MS 2에 보고하고, 추론 분석 전에 로그 변환 HF를 보고합니다. 선택적으로 LF 전력(0.04–0.15 Hz)과 LF/HF 비율을 계산하고 적절한 주의를 가지고 기술적으로 보고할 수있습니다.

인지 부하(탐색적 부차적 결과)
25번째 검사 후 레핑크와 동료들이 개발한 다차원 인지 부하 설문지를 실시합니다. 세 가지 하위 척도인 불필요한 부하(3문항), 내재적 부하(3문항), 그리고 관련 부하(4문항)를 구성하는 10개의 문항을 제시하며, 각각 7점짜리 리커트 척도에서 1점(강하게 반대)부터 7점(강력히 일치함)까지 평가합니다. 각 하위 척도에 대해 해당 문항들의 평균을 계산하여 1에서 7 사이의 하위 척도 점수를 산출합니다; 누락된 값은 유효하지 않다고 간주하고 점수 매김을 위해 완전한 응답을 요구합니다. 더 높은 불필요한 부하를 더 큰 무관련 처리로, 더 높은 내재 부하를 더 큰 고유 작업 복잡성으로, 더 높은 관련 부하를 더 생산적이고 스키마 구축 노력으로 해석하세요. 비영어 버전을 사용할 경우, 두 명의 독립적인 이중언어 전문가가 번역 및 역번역을 수행하고, 10명의 비공부 피아노 전공자에게 번역된 악기를 파일럿 테스트하며, 각 하위 음계별로 크론백 α을 계산합니다; 적정성 기준26 α ≥ 0.70을 채택하라. 결과에 하위 척도별 α 값을 보고하고, 세 하위 척도를 별도로 분석하며, 가족별 α = 0.0527의 다중 비교에 대해 Holm–Bonferroni 조정을 적용합니다. 원한다면, 10개 항목 모두의 산술 평균으로 복합 인지 부하 지수를 도출할 수 있습니다.

기저 검사(사전 검사; 1주차)
기초 세션 시작 시 자격 및 사전 동의를 확인하고 참가자에게 익명화된 ID를 부여합니다. 연령, 성별, 피아노 학습 연수, 주간 평균 연습 시간 등 인구통계학적 정보와 훈련 이력을 기준 데이터 양식에 기록합니다. 지식 및 분석 테스트(양식 A)를 조용한 환경에서 실시하고, 30분 제한을 지키며, 참가자 ID로 총 점수와 완료 시간을 기록하세요. HRV 센서를 부착하고 5분간 휴식 시 HRV 구간을 기록하고, 이어서 분당 76박자와 메조포르테 다이내믹 타겟의 5분 표준화 연습 HRV 구간을 기록하세요.

획득 시 신호 품질을 모니터링하고, 스트랩 장력이나 전극 배치를 조정한 후 과도한 아티팩트가 있는 구간을 반복합니다; 보정 비트 비율이 5.0%를 초과하거나 연속 신호 손실이 5초를 초과할 때 반복하고, 반복과 그 이유를 세션 로그에 기록하세요. 보충표 3 에서 HRV 데이터 품질 지표(인공물 보정 박동 비율, 반복 구간, 제외 지표)를 요약합니다. STAI-S를 투여하고 점수 키에 따라 총 점수(20–80)를 계산합니다. 미리 정의된 악기, 마이크, 카메라 셋업을 사용해 대상 발췌본의 기본 오디오-비디오 퍼포먼스를 녹음하여 일정한 프레이밍과 오디오 레벨을 유지하세요. 모든 데이터 파일(테스트, HRV 녹화, 설문지, 수행 비디오)에 익명화된 참가자 ID와 사전 타임포인트 표시기로 라벨을 붙이고, 다음 파일 명명 규칙으로 안전하고 접근 제어가 보장되며 백업된 디렉터리에 저장하세요: P####_TP(pre/post)_MOD(test/HRVrest/HRVrrac/STAI/perf)_YYYYMMDD_HHMM28.

중재 세션 (2주차–3주차)
일정
실험군 참가자 각각에게 2주 동안 30분씩 감독 세션 12회를 예약하세요. 각 참가자의 첫 세션 시작 시간과 ±2시간이라는 고정된 시간 내에 비교적 일정한 시간에 세션을 예약하고, 각 세션의 시작 시간과 종료 시간을 기록하여 HRV와 불안의 일간 변동을 줄이고 정량화하세요. 출석, 결석 또는 재조정 사유, 프로토콜 변경 사항을 순회 기록에 남기세요. 카페인, 격렬한 운동, 과도한 식사, 음주에 대한 사전 녹화 제한을 준수했는지 확인하여 사전 세션 조건을 표준화하고,29번 경우에는 예/아니오로 간단한 메모와 함께 준수 여부를 기록합니다.

실험 팔: AI 지원 플랫폼 (그림 1)
각 세션 시작 시 익명화된 참가자 ID로 AI 플랫폼에 로그인하도록 지시하고, 인터페이스에 개인 식별 정보가 표시되지 않는지 확인하세요. 모차르트 소나타 발췌문을 인터랙티브 악보 인터페이스에서 불러와, 올바른 곡, 발췌 경계(1–32마디), 난이도 설정이 표시되어 있는지 확인하세요. 플랫폼을 설정하여 음표와 마디 수준에서 연습 텔레메트리를 기록할 수 있도록 설정하세요. 여기에는 음정 정확도(%), 시작 타이밍 편차(ms), 메트로놈에 대한 템포 드리프트(%), 마디 레벨 오차 위치, 각 루프 구간의 반복 횟수 등이 포함됩니다; 텔레메트리 업데이트 간격을 200ms로, 바 레벨 집계 간격을 1 bar로 설정하세요. 발췌문을 45초 보정 재생하여 플랫폼이 음표 이벤트를 포착하고 감지된 음표를 점수 위치에 정렬하는지 확인하세요; 정렬 오류가 다음 중 하나를 초과하면 재보정: 10음 창 내에서 중앙값 시작 불일치가 80ms 이상이거나 연속된 2마디에 걸쳐 반복되는 바 수준의 불균형.

개인 맞춤형 트레이닝 모듈을 활성화하여 세션 내 공연 기능을 수집하고 고정된 규칙을 사용하여 세그먼트 수준 목표를 생성합니다: 결합 오류 점수 = 0.5 × 피치 오류율 + 0.3 × 절대 타이밍 편차 + 0.2 x 템포 드리프트를 기준으로 가장 높은 두 바를 선택; 세션 로그에 선택된 바와 상위 세 개의 오류 드라이버를 기록하세요. 참여자에게 목표 구간을 연습하도록 지시하며, 인터랙티브 악보가 실시간으로 음을 강조하고, 어려운 구절의 루프를 지원하며, 목표 구간의 MIDI 예시를 목표 템포(76 bpm)와 60 bpm의 낮은 템포로 연주하여 스캐폴딩을 진행합니다. 고정된 구조를 사용하여 세션 시간을 할당하고 각 단계별로 실현 시간을 기록합니다: 3분 로그인/보정, 21분 목표 세그먼트 연습, 5분 대화 파트너와의 성찰(섹션 7.3), 1분 요약/내보내기 및 노트30.

대화 연습 파트너
보안 API 연결을 통해 대형 언어 모델(LLM)으로 구동되는 대화형 실습 파트너를 활성화하고, 모델 버전을 LLM-PracticePartner v2.1(빌드 2025-01-15), 추론 엔드포인트 유형은 클라우드, 접근 제어 방법은 토큰 기반 인증으로 연구 로그에 기록합니다. 파트너를 고정된 시스템 프롬프트로 설정하여 출력을 연습 관련 콘텐츠(프레이징, 톤-색상 의도, 페달링 결정, 오류 진단, 다음 단계 제안)로 제한하고, 개인 데이터를 요구하는 기능은 모두 비활성화하세요.

각 목표 연습 구간 후에는 참가자에게 프레이징 선택, 음색 의도, 페달링 결정, 인지된 어려움, 인지된 불안 수준을 0에서 10 자기보고 척도로 설명하도록 하고, 세션 로그에 구조화된 필드로 응답을 기록하도록 합니다. 파트너가 고정된 생성 매개변수를 사용하여 현재 목표에 맞는 짧은 구간 특화 제안을 반환하도록 설정하세요: 최대 응답 길이 80단어, 세그먼트당 최대 2턴, 온도 0.2, 2초 응답 타임아웃; 세션당 교환 횟수와 총 대화 시간을 기록하세요. 대화 시간을 플레이에 우선하게 두기 위해 세션당 총 대화 시간을 6분으로 제한하고, 한도에 도달하면 추가 프롬프트를 비활성화해 제한을 유지하세요.

개인정보 보호 및 보안: 익명화된 ID로 대화 기록을 저장하고, 전송 중 TLS 1.2 이후 버전으로, 정지 시 AES-256으로 암호화하며, 허가된 인원만 접근을 제한하고, 원시 성적표 보존 기간을 24개월로 설정하며, 데이터 관리 계획에 설정된 각 참가자의 성사본 삭제일자31.

다중 모달 감정 인식과 마이크로 개입
멀티모달 감정 인식 모듈을 활성화하고 입력 모달리티와 샘플링/업데이트 속도를 세션 로그에 기록하세요: 초당 30프레임의 얼굴 영상, 16kHz 모노의 음성 오디오, 그리고 ECG 기반 R–R 간격을 사용해 1Hz로 업데이트된 HRV 스트림. 미리 지정된 트리거 논리를 사용해 상승 응력을 정의하고 정확한 매개변수를 기록하세요.
HRV 유발 요인: RMSSD는 참가자 내 기준선 기준편차 최소 1초 이하이며, 연습 중 최소 60초 연속 이 임계값 이하를 유지하며, 이는 1초마다 업데이트되는 30초 구간 창을 기준으로 계산됩니다.
성능 트리거: 실행 오류율이 참가자의 평균 오류율보다 최소 20% 이상 초과되며, 최소 60초 연속 창 동안 20음표 창을 통해 5음표마다 업데이트됩니다.
다중 모달 확인 규칙: 트리거는 HRV 트리거 단독 또는 수행 트리거와 얼굴/음성 특징에서 확인되는 최소 하나의 단서가 필요하며, 이는 참가자의 세션 중 기준선에서 최소 0.30 감소한 얼굴 가치 점수가 최소 10초 연속 또는 음성 떨림이 최소 10초 연속 세션 기준선에 비해 최소 15% 증가하는 것으로 정의됩니다. 세션 첫 2분 동안 기준선을 계산했습니다.

멀티모달 퓨전이 규칙 기반 임계값인지 훈련된 분류기인지 명시하세요. 이 프로토콜에는 규칙 기반 임계값을 사용하여 모든 임계값을 플랫폼 구성 파일32에 기록합니다. 스트레스 임계값에 도달하면 연습을 일시정지하고, 미리 지정된 라이브러리에서 선택한 마이크로 개입을 트리거하도록 시스템을 프로그래밍하세요. 세션 로그에 개입 유형, 시작 시간, 지속 시간, 완료 상태를 기록하세요.
호흡 속도: 90초 대본으로, 분당 6호흡의 고정 호흡 리듬으로 화면 타이머와 오디오 큐33으로 전달됩니다.
간단한 마음챙김 신호: 고정된 문구로 75초 유도 주의 지시, 화면 텍스트와 오디오 내레이션으로 제공됩니다.
저각성 배경 음악: 벤치 위치에서 고정된 음량 목표 55–60 dB로 미리 지정된 저각성 트랙을 90초 재생하며, 세션 로그에 Track-LA-01로 트랙 식별자를 기록합니다.

마이크로 개입 후, 트리거가 HRV 기반일 때 재참여 후 처음 60초 동안 중단된 지문을 재개하고 템포를 8% 줄이며, 달리기 오류율이 참가자의 평균 오류율의 10% 이내로 최소 30초 연속 30초 이상 회복되면 목표 템포로 복귀합니다.
품질 관리: 세션당 트리거 수, 완료된 마이크로 개입 수, 중단된 개입 수를 기록하고, 각 참가자의 완료된 트리거를 총 트리거로 나눈 순응률을 계산합니다.

미리 정해진 기준을 사용하여 거짓 양성 및 위음성 사건을 요약하여 트리거 성능을 검증합니다.
거짓 양성: 다음 질문에서 참가자가 낮은 불안(≤2/10)을 보고하고, 실행 오류율이 이후 60초 동안 이전 세 세션의 평균 오류율의 10% 이내에 유지될 때 트리거가 발생합니다.
거짓 음성: 참가자가 트리거 없이 다음 질문에서 높은 불안(≥7/10)을 보고했는데, 이는 이전 세 세션의 평균 오류율보다 최소 20% 이상 60초 이상 또는 HRV가 HRV 트리거 기준을 충족했음에도 불구하고.

보충표 434쪽에 위양성 및 위음성 횟수와 참가자별 및 세션별 비율을 요약하라. 복합 인지 부하 지수를 보충표 4에 기술적으로 보고하십시오.

기록 및 준수
플랫폼을 설정하여 모든 실습 이벤트와 출력물을 익명화된 ID, 세션 번호, 타임스탬프와 연결된 구조화된 기록으로 ISO 8601 형식으로 기록하도록 설정하세요. 필수 필드에는 타겟 바, 루프 수, 정확도 지표, 템포 드리프트, 대화 수, 총 대화 지속 시간(초 단위), 트리거 이벤트, 개입 유형 및 지속 시간(초), 그리고 강사의 수동 무시가 포함됩니다. 매일 20:00에 세션 수준의 요약을 내보내고, 원시 로그와 요약된 테이블을 안전한 서버에 저장하며, 매일 02:00에 자동 백업을 일정으로 진행합니다. 모든 내보내기에는 표준화된 파일 명명 규칙을 사용하고, StudyID_Group_ID_Session##_YYYYMMDD_HHMM 형식으로 저장하며, 비독점 형식으로 저장하세요: 로그용 CSV, 오디오 녹음용 WAV, 비디오 녹화용 MP4, 세션 보고서용 PDF. 내보내기 경로, SHA-256을 이용한 파일 체크섬, 그리고 추적성35를 지원하기 위해 연구 로그에 백업 확인을 기록하세요.

컨트롤 암: 전통적인 지시
대조군 참가자 각각에게 2주간 12회의 30분 교사 지도 세션을 일정 조정하며, 실험군36군의 총 감독 접촉 시간과 일치합니다. 실험 분야와 동일한 레퍼토리, 교육 내용, 강사를 사용하여 교사와 재료 효과를 제어하세요37. 각 세션은 교사 시연, 구두 설명, 발췌에 대한 목표 있는 연습 등 표준 스튜디오 교수법을 사용하여 진행하세요. AI 생성 프롬프트나 분석 없이 전통적인 구두 또는 서면 지침을 사용하여 가정 연습 과제를 부여하고, 홈 과제를 1마디부터 32마디까지 중심으로 하루에 20분씩 한 번씩 자기 연습 블록으로 정의하세요. 통제 참가자에게는 개별 분석, 자동 프롬프트, 대시보드, 마이크로 개입을 차단하세요. 각 대조군 참가자에게 간단한 종이 또는 전자 연습 기록을 제공하고, 추가 무감독 연습의 날짜와 대략적인 소요 시간을 몇 분 내에 기록하도록 지시하세요. 개입 종료 시 로그를 수집하고, 대상 발췌문에 대한 총 감독 없는 연습 시간을 연구 데이터베이스에 입력합니다.

시각적 피드백 및 자기조절 경로 (실험 그룹)
연습 행동, 감정 변동, 생리적 부담을 공유하는 시간축 38에 걸쳐 그래픽 피드백 시스템을 활성화하세요. 음성 특성, 심박 속도 추세, 오류 급증이나 템포 불안정성 같은 수행 행동 이상 등 다중 모달 입력을 기반으로 감정 히트맵을 계산합니다. 일일 요약을 설정하여 30초 간격 중 해당 세션의 상위 20% 이내에 있고 최소 하나의 스트레스 마커(HRV 트리거 충족 또는 다중 모달 확인 달성)가 있는 핫스팟을 표시하고, 이후세션 40에 대해 플래그된 핫스팟을 기록합니다. 세션당 3개의 고정 시기(연습 전 60초, 연습 중 3–4분), 연습 후 (마지막 60초)에 대해 RMSSD와 HF 파워를 요약하는 HRV 추세 차트를 생성하며, 참가자41 간에 일관된 단위와 축 스케일링을 사용한다. 세션 사전 연습 시기와 플래그된 핫스팟에 맞춰 최소 15% 이상 감소한 RMSSD 또는 HF 파워의 현저한 감소를 식별하고, 이러한 패턴을 플랫폼 주도 개입의 후보로 간주합니다; 개입이 촉발되고 완료되었는지 기록하세요42.

세션 수준 평균과 각 그룹 내 참가자 간 95% 신뢰 밴드를 사용해 세션 간 음정 정확도, 리듬 정확성, 음악적 완성도, 오류율의 진행 곡선을 그립니다43. 감정-수행 연합 및 메타인지 통제에 대한 성찰을 지원하기 위해 수행-진행 곡선을 감정 히트맵과 겹쳐 보입니다44. 강사용 대시보드를 제공해 개인 및 그룹 수준에서 동일한 정보를 보여주고, 세션 종료 후 5분 이내에 대시보드를 업데이트하며, 불안이나 수행 불안정의 정점을 강조하세요45. 대시보드를 활용해 강사 노트에 문서화된 맞춤형 교수법 대응을 안내하세요. 여기에는 일시적인 템포 감소, 어려운 마디 대기 노출, 추가적인 언어적 격려, 또는 식별된 핫스팟에 초점을 맞춘 짧은 일대일 코칭 등이 포함됩니다46.

중재 후 세션(검사 후; 3주차 말)
3주차 말에 중재 후 평가를 일정 잡고, 기초 세션 시작 시점으로부터 ±2시간 이내에 방, 장비, 시간대를 최대한 비슷하게 기준 상태에 맞추세요. HRV 센서를 부착하고 5분 휴식 HRV 세그먼트를 기록한 뒤, 기준선과 동일한 위치, 샘플링 설정, 아티팩트 처리 규칙으로 5분간 표준화된 연습 HRV 세그먼트를 기록하고, 분당 76박의 템포 목표와 메조포르테 다이내믹 타겟47을 사용합니다.

기본 기준과 동일한 조건과 시간 제한 하에서 지식 및 분석 시험(양식 B)을 실시하여 총 점수와 완료 시간48을 기록하세요. STAI-S를 투여하고 점수 키49에 따라 총 점수(20–80)를 계산합니다. 50년 기준선과 동일한 마이크, 카메라 세팅, 악기, 구도를 사용하여 발췌 발췌의 사후 오디오-비디오 공연을 녹화합니다. 인지 부하 설문지를 실시하고 외계, 내재적, 관련 부하에 대한 하위 척도 점수를 기록합니다51.

실험군의 경우, 고정된 인터뷰 가이드와 일관된 질문을 사용해 플랫폼 사용성과 불안 조절 및 학습에 대한 인지된 효과에 대해 6–8분 동안 짧은 반구조화 인터뷰를 실시합니다. 동의 하에 음성 녹음 인터뷰를 진행하고, 질적 분석을 위해 그대로 전사합니다.

통계 분석
모집 전에 GPower(버전 3.1 이상)를 사용하여 사전 검정 분석을 수행하고, 테스트 계열은 F 검정으로, 통계적 검정은 ANCOVA: 고정 효과, 주효과 및 상호작용으로 기록하세요. ANCOVA 모델을 두 그룹으로 지정하고, 기본 점수는 공변량으로 설정하며, α = 0.05, 원하는 검정력 = 0.80, 그리고 이전 문헌과 타당성 제약을 바탕으로 주요 인지 결과에 대해 효과 크기를 f = 0.30으로 가정합니다. 가정된 효과가 부분 η2로 표현된다면, 미리 정해진 변환 f = √(η2 / (1 − η2))를 사용하여 코헨 f로 변환하고 계산 방법53을 기록합니다.

결과적으로 필요한 표본 크기를 문서화하고, n = 40이 명시된 가정 하에서 목표에 도달하거나 근접하는지 확인한다; 연구 기록에 파워 분석 출력 파일을 유지하세요. SPSS 26.0 또는 이에 상응하는 소프트웨어로 분석을 수행하고, 소프트웨어 이름/버전을 분석 로그에 기록합니다. 연속 결과를 평균 ± 표준편차로, 범주 변수를 카운트 및 백분율로 요약하세요.

기저선을 공변량으로 하는 검사 후 결과(ANCOVA)를 포함한 그룹 간 비교를 사용하여 주요 효능을 평가하고, 조정된 평균, 부분 η2, 95% 신뢰구간54를 보고합니다. 적절한 경우 그룹 간 비교에는 독립 표본 t-검정을, 그룹 내 변화에는 쌍 t-검정을 사용한다; 가정이 위반될 경우 비모수 대안을 적용하세요. 정규성과 등백성을 점검하고; 로그 변환 스펙트럼 왜곡된 HRV 변수를 분석하고 변환 세부 사항을 보고합니다.

강경 방법을 사용할 때는 정확한 방법과 근거를 명시하세요. α = 0.05인 양측 p-값을 보고하고, 효과 크기(코헨 d, 부분 η2)와 95% 신뢰구간을 가진 가설 검정을 함께 제시합니다. 실험군에서 플랫폼 사용 지표(총 플랫폼 시간, 미세 개입 횟수, 준수율)와 인지, 정서, HRV 결과 간의 연관성을 탐색적 분석합니다.

데이터 품질 및 안전성
각 HRV 기록 시 생리학적 신호를 실시간 디스플레이를 사용하여 아티팩트나 불안정한 R–R 감지 여부를 검사합니다. 스트랩 장력 조절이나 전극 배치를 조정한 후 신호 품질이 낮은 HRV 구간을 반복하고, 보정된 박동 비율이 5.0%를 초과하거나 신호 손실이 5초를 초과하면 반복합니다; 반복 횟수와 의심 원인을 세션 로그에 기록하세요. 각 방문 시작 시 오디오 레벨과 메트로놈 설정을 보정하여 클리핑을 방지하고 녹음 간 음량을 비슷하게 유지하며, 최대 레벨을 −12 dB에서 −6 dB 사이로 목표로 합니다.

참가자들의 부작용, 과도한 피로, 훈련 또는 센서 관련 불편함을 모니터링하고 안전 기록에 사건을 기록하세요. 참가자가 과도한 피로, 불안 또는 불편함을 보고할 경우 추가 휴식을 허용하거나 세션을 단축하고, 수정 사항을 프로토콜 변경으로 기록하세요. 모든 프로토콜 편차(결석 세션, 불완전한 HRV 기록, 주요 이탈)를 기록하고, 민감도 분석에서 편차를 고려하세요.

데이터 처리 및 블라인딩
각 참가자에게 고유 익명 ID를 할당하고, 이 ID를 사용해 모든 녹화, 설문지, 데이터 파일에 라벨을 붙이세요. 모든 데이터를 접근 제어 드라이브에 저장하며, 기관 데이터 보호 정책에 따라 하루 2시에 정기적으로 자동 백업을 진행합니다. 참여자 ID를 개인 식별자와 매핑하는 별도의 연결 파일을 유지하며, 허가된 인원만 접근할 수 있는 암호화된 위치에 있습니다. 익명화되고 시간 순서대로 편집된 오디오-비디오 클립을 제공하고 그룹 배정 정보를 숨겨 성과 평가자들을 눈이 멀게 만듭니다.

평가 시작 전에 점수 기준표를 최종 확정하고, 서면 지침과 예시 기록을 제공하세요.55. 전체 점수 산정 전에 6개의 파일럿 녹음 부분에 대해 평가자 간 신뢰도를 다시 확인하고 ICC ≥ 0.80을 확인하세요.

최소한 다음 기능 사양이 보고되어야 합니다: HRV 샘플링 주파수 = 1000 Hz, 얼굴 비디오 캡처 = 1920 × 1080 해상도에서 초당 30프레임, 음성 오디오 캡처 = 16 kHz 모노, 플랫폼 텔레메트리 업데이트 간격 = 200 ms.

시기와 준수
프로토콜별 순응도 임계치를 2주차부터 3주차까지 12회의 감독 세션 중 최소 10회 이상 완료한 것으로 정의하며, 각 완료 세션은 계획된 30분 시간 내에 최소 27분간 적극적으로 참여한 감독 세션으로 정의합니다. 각 참가자의 완료된 감독 세션 수와 총 감독 시간을 순응 기록에 기록하고, 총 감독 시간을 계획 360분(백분율)으로 나눈 것으로 계산합니다. 참가자 기록에서 자기보고한 추가 연습 시간을 기록하고, 하루 분과 2주 개입 기간 동안 총 분수로 데이터베이스에 입력하며, 120분을 초과하는 일일 수치는 확인을 위해 표시합니다.

실험군의 경우, 플랫폼 로그에서 세션당 시스템 트리거 마이크로 개입의 수, 유형, 시작 시간, 지속 시간을 기록하고, 세션당 총 개입 지속 시간을 초단위로 중재 노출 지수를 계산합니다. 모든 무작위 참가자를 의도 치료 분석에 포함시키고, 마지막 관찰을 설문지 결과에 적용하고, 재기록이 불가능한 경우 수행 기록에 대한 완전 사례 분석을 사용하여 누락된 검사 후 결과를 처리합니다; 분석 로그에 처리 규칙을 기록하세요. 프로토콜별 기준을 충족하는 참가자로 제한된 민감도 분석을 수행하고, 프로토콜 편차가 주요 세션으로 분류되는 세션(HRV 기록 분간 또는 5분 이상 단축된 세션)을 제외한 민감도 분석을 추가로 수행합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

음악 이론 인지에 미치는 영향
표 1에 나타난 바와 같이, 실험군(M = 72.45, SD = 6.83, n = 20)과 대조군(M = 71.30, SD = 7.14, n = 20)은 사전 검사 시 차이가 없었으며, t(38) = 0.625, p = 0.604로 주요 인지 평가 기준선의 비교 가능성을 나타냈다. 중재 후, 사전 점수를 통제한 ANCOVA는 실험군에서 대조군보다 더 높은 조정 후 검사 평균을 보였다(조정 M = 84.95 대 78.75; 표 2). 그룹 간 차이는 통계적으로 유의미했으며, F(1, 37) = 9.842, p = 0.003, 부분 η2 = 0.206이었다. 그림 2는 실험 그룹에서 화성/음조, 동기 인식, 리듬/박자 분할, 목표 지향 전략 구성 요소 전반에 걸쳐 더 높은 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

이 무작위 연구는 개인 맞춤형 실천 분석, 다중 모달 감정 인식과 적시 마이크로 개입, 시각화 기반 피드백을 통합한 AI 기반 음악 교육 플랫폼을 평가했습니다. 전통적인 지도와 비교했을 때, 실험군은 음악 이론 및 분석 수행에서 중간에서 큰 향상(부분 η2 = 0.206)과 상태 불안의 큰 감소(t = −3.486, p = 0.001; d ≈ 1.10)를 보였으며, 더 유리한 인지 부하 프로필(불필요한 부하 감소, 소폭 감소한 내적 부하, 그리고 더 높은 관련 부하 증가 추세)을 보였습니다. 이 전체 패턴은 프레젠테이션을 간소화하고, 과제의 복잡성을 지키며, 세분화, 작업 예제, 시기적절한 피드백을 통한 스키마 구축을 지원하는 교육 원칙과 일치합니다56.

이 연구는 AI 기반 플랫폼이 세그먼트 수준 목표, 상호작용 표기법, 생리학적으로 정보를 얻은 미세 개입...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자는 상반되는 재정적 이해관계가 없다고 선언한다.

감사의 글

참여 학생들과 스튜디오 강사분들께 시간과 헌신을 주시며, 악기 및 방 일정 조정을 도와주신 음악원 기술진에 감사드립니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
AI 기반 음악 교육 플랫폼 (연구 구축)내부 / 기관플랫폼 빌드 ID: v2.1 (빌드 2025-01-15)인터랙티브 점수 + 연습 텔레메트리 + 대시보드 + 규칙 기반 트리거 엔진; 텔레메트리 업데이트 간격 = 200 ms; 로그를 CSV로 내보내세요.
알코올 물티슈 (피부 준비)NA (모든 의료 공급자)NA전극/스트랩 접촉 및 신호 안정성 향상; 가능하면 기록 배치를 하세요.
가슴 스트랩 심전도 HRV 센서 (1000 Hz)폴라 일렉트로폴라 H10; 제92075957심전도 유도 R– R 간격; 샘플링 주파수 = 1000 Hz(프로토콜에 따라); 5분 휴식 + 5분 표준화 연습 세그먼트에 사용됩니다.
인지 부하 설문지 (Leppink, 10문항)NA (출판 출처)NA7점 리커트; 3개의 하위 척도를 계산합니다; 번역하면: 번역 & ndash; 역번역 + 파일럿 n=10; 크론바흐 보고' s & 알파; 하위 축척 기준으로.
플랫폼 운영 및 기록용 컴퓨터NANA최신 노트북/데스크톱 컴퓨터; 레코드 OS 버전; 로그 타임스탬프를 위해 시간 동기화를 반드시 확인하세요.
데이터 저장 (암호화된 드라이브 / 보안 서버)NANA접근 통제; 자동 백업; 파일 명칭: " P###_TP(전/후)_MOD(…)_YYYYMMDD_HHMM"; 원시 + 파생 출력을 저장합니다.
ECG 전극 젤 / 전도성 젤 (선택 사항)NA (모든 의료 공급자)NA신호 품질이 불안정할 때 사용됩니다; 사용 사용 사례를 세션 로그에 기록하세요.
외부 마이크 (녹음기 대신 마이크 + 인터페이스를 사용할 경우)오디오-테크니카AT2020휴대용 녹음기의 선택적 대안; 마이크 거리 0.8m 유지; 클리핑을 피하고; 게인 설정을 문서화하세요.
HRV 처리 소프트웨어쿠비오스(또는 이에 상응하는 것)NA아티팩트 감지 + 보간, RMSSD/SDNN, 웰치 HF(0.15– 0.40 Hz) 120초 윈도우, 50% 오버래핑, 해밍 윈도우, 4 Hz 재샘플링; 사용된 소프트웨어명/버전을 기록하세요.
메트로놈코르그MA-2 BLBK연습 템포(76 bpm)를 표준화하고 세션 전반에 걸쳐 일관된 타이밍을 지원하기 위해 사용되었습니다.
휴대용 오디오 녹음기(음성 캡처)줌H1n음성 오디오 캡처는 16kHz 모노로 녹음합니다(더 높게 녹음되면 다운샘플링); 스토어는 WAV로 사용되며; 마이크 위치를 일정하게 유지하세요.
전력 분석 소프트웨어G*파워3.1 (또는 그 이후)사전 전력 분석에 사용; 파워 분석 출력 파일에 테스트 패밀리/모델 설정을 기록하세요.
실습 파트너 대형 언어 모델(LLM) 서비스기관/보안 API 제공자LLM-PracticePartner v2.1 (빌드 2025-01-15)엔드포인트 유형: 클라우드; 토큰 기반 인증; 익명화된 신분만 저장하고; 프롬프트나 출력을 암호화된 텍스트로 기록하세요.
설문지: GAD-7NA (라이선스/출판 출처)NA검증된 언어 버전을 사용하세요; 수동 수동별 점수; 학습 바인더에 사본을 보관하세요; 익명 ID로 응답을 저장하세요.
설문지: STAI-S (20문항)NA (라이선스/출판사)NA공식/검증된 언어 버전을 사용하세요; 총 20– 80; 도표에 대해 10개 항목 하위 집합을 표시할 경우, 결과 항목에 선택 규칙 + 신뢰성을 문서화하세요.
통계 분석 소프트웨어IBMSPSS 통계 26.0ANCOVA 및 t-검사에 사용; 정확한 버전을 기록하고 분석 로그를 내장하세요.
삼각대 / 카메라 마운트만프로토(또는 이에 상응하는 것)NA안정적인 삼각대는 모두 허용됩니다; 세션 간 거리/높이(예: 1.8m 거리, 1.4m 높이)를 고정하세요. 확실한 모델이 있다면 NA를 실험실로 교체하세요.' 모델 번호.
USB 오디오 인터페이스 (마이크 + 인터페이스를 사용할 경우)포커라이트스칼렛 2i2 (3세대)선택 사항; 표적 기록 피크는 &-사이; 12 dB 및 마이너스; 포르테 구간에서는 6dB(프로토콜 텍스트에 따라)를 사용하세요.
비디오 카메라 (1080p, 30fps)로지텍C920; 부품 번호 960-001055얼굴 영상 캡처 = 1920년대 이상; 1080, 30fps(프로토콜에 명시됨); 식별 가능한 정보가 표시되지 않도록 하세요.
무게 키 디지털 피아노(또는 어쿠스틱 피아노)NANA88키 무게 작동 권장; 모든 세션에서 같은 악기를 사용하세요; 문서화: 기기 유형과 핵심 동작.

참고문헌

  1. Eysenck, M. W., Derakshan, N., Santos, R., Calvo, M. G. Anxiety and cognitive performance: attentional control theory. Emotion. 7 (2), 336-353 (2007).
  2. Gómez-López, B., Sánchez-Cabrero, R. Current trends in music performance anxiety intervention. Behav Sci (Basel). 13 (9), 720(2023).
  3. Turan, B., Hurst-Wajszczuk, K., Edwards, D. A. Hormone and enzyme reactivity before, during, and after a music performance: Cortisol, testosterone, and alpha-amylase. Psychoneuroendocrinol. 9, 100111(2022).
  4. du Plooy, E., Casteleijn, D., Franzsen, D. Personalized adaptive learning in higher education: A scoping review of key characteristics and impact on academic performance and engagement. Heliyon. 10 (21), e39630(2024).
  5. Zhang, J., et al. Real-time mental stress detection using multimodality expressions with a deep learning framework. Neurosci. 16, 947168(2022).
  6. Laborde, S., Mosley, E., Thayer, J. F. Heart rate variability and cardiac vagal tone in psychophysiological research - recommendations for experiment planning, data analysis, and data reporting. Front Psychol. 8, 213(2017).
  7. Chung, A. H., Gevirtz, R. N., Gharbo, R. S., Thiam, M. A., Ginsberg, J. P. J. Pilot study on reducing symptoms of anxiety with a heart rate variability biofeedback wearable and remote stress management coach. Appl Psychophysiol Biofeedback. 46 (4), 347-358 (2021).
  8. Susnjak, T., Ramaswami, G. S., Mathrani, A. Learning analytics dashboard: a tool for providing actionable insights to learners. J Educ Technol High Educ. 19 (1), 12(2022).
  9. Paas, F., Renkl, A., Sweller, J. Cognitive load theory and instructional design: recent developments. Educ Psychol. 38 (1), 1-4 (2003).
  10. Hirten, R. P., et al. Remote short sessions of heart rate variability biofeedback monitored with wearable technology: open-label prospective feasibility study. JMIR Ment Health. 11, e55552(2024).
  11. Chan, A. W., et al. SPIRIT 2013 statement: defining standard protocol items for clinical trials. Ann Intern Med. 158 (3), 200-207 (2013).
  12. Schulz, K. F., Altman, D. G., Moher, D. CONSORT Group. CONSORT 2010 statement: updated guidelines for reporting parallel group randomised trials. Trials. 11, 32(2010).
  13. Plummer, F., Manea, L., Trepel, D., McMillan, D. Screening for anxiety disorders with the GAD-7 and GAD-2: a systematic review and diagnostic metaanalysis. Hosp Psychiatry. 39, 24-31 (2016).
  14. Spitzer, R. L., Kroenke, K., Williams, J. B., Löwe, B. A brief measure for assessing generalized anxiety disorder: the GAD-7. Arch Intern Med. 166 (10), 1092-1097 (2006).
  15. Ernst, G. Hidden signals-the history and methods of heart rate variability. Front Public Health. 5, 265(2017).
  16. Schulz, K. F., Grimes, D. A. Generation of allocation sequences in randomised trials: chance, not choice. The Lancet. 359 (9305), 515-519 (2002).
  17. Park, J., et al. Piano performance evaluation dataset with multilevel perceptual features. Sci Rep. 14, 23002(2024).
  18. Ali, U. S., van Rijn, P. W. An evaluation of different statistical targets for assembling parallel forms in item response theory. Appl Psychol Meas. 40 (3), 163-179 (2016).
  19. Koo, T. K., Li, M. Y. A guideline of selecting and reporting intraclass correlation coefficients for reliability research. J Chiropr Med. 15 (2), 155-163 (2016).
  20. Julian, L. J. Measures of anxiety: State-Trait Anxiety Inventory (STAI), Beck Anxiety Inventory (BAI), and Hospital Anxiety and Depression Scale-Anxiety (HADS-A). Arthritis Care Res (Hoboken). 63 (Suppl 11), S467-S472 (2011).
  21. Gagnier, J. J., Lai, J., Mokkink, L. B., Terwee, C. B. COSMIN reporting guideline for studies on measurement properties of patient-reported outcome measures. Qual Life Res. 30 (8), 2197-2218 (2021).
  22. Damoun, N., Amekran, Y., Taiek, N., Hangouche, A. J. E. Heart rate variability measurement and influencing factors: Towards the standardization of methodology. Cardiol Sci Pract. 2024 (4), e202435(2024).
  23. Quintana, D. S., Alvares, G. A., Heathers, J. A. Guidelines for reporting articles on psychiatry and heart rate variability (GRAPH): recommendations to advance research communication. Transl Psychiatry. 6 (5), e803(2016).
  24. Shaffer, F., Ginsberg, J. P. An overview of heart rate variability metrics and norms. Front Public Health. 5, 258(2017).
  25. Leppink, J., Paas, F., Van der Vleuten, C. P., Van Gog, T., Van Merriënboer, J. J. Development of an instrument for measuring different types of cognitive load. Behav Res Methods. 45 (4), 1058-1072 (2013).
  26. Beaton, D. E., Bombardier, C., Guillemin, F., Ferraz, M. B. Guidelines for the process of cross-cultural adaptation of self-report measures. Spine (Phila Pa 1976). 25 (24), 3186-3191 (2000).
  27. Tavakol, M., Dennick, R. Making sense of Cronbach's alpha. J Med Educ. 2, 53(2011).
  28. Wilkinson, M. D., et al. The FAIR guiding principles for scientific data management and stewardship. Sci Data. 3 (1), 1-9 (2016).
  29. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Heart rate variability: standards of measurement, physiological interpretation, and clinical use. Circulation. 93 (5), 1043-1065 (1996).
  30. Chan, A. W., et al. SPIRIT 2013 explanation and elaboration: guidance for protocols of clinical trials. BMJ. 346, e7586(2013).
  31. Scarfone, K., Souppaya, M., Sexton, M. Guide to storage encryption technologies for end user devices. NIST Special Publication. , 800-111 (2007).
  32. Lian, H., et al. A survey of deep learning-based multimodal emotion recognition: speech, text, and face. Entropy (Basel). 25 (10), 1440(2023).
  33. Steffen, P. R., Austin, T., DeBarros, A., Brown, T. The impact of resonance frequency breathing on measures of heart rate variability, blood pressure, and mood. Front Public Health. 5, 222(2017).
  34. Cohen, J. F., et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 6 (11), e012799(2016).
  35. National Institute of Standards and Technology. FIPS 180-4: Secure hash standard (SHS). NIST. , (2015).
  36. Hoffmann, T. C., et al. Better reporting of interventions: template for intervention description and replication (TIDieR) checklist and guide. BMJ. 348, g1687(2014).
  37. Eldridge, S. M., et al. CONSORT 2010 statement: extension to randomised pilot and feasibility trials. BMJ. 355, i5239(2016).
  38. Sokolovskis, J., Herremans, D., Chew, E. A novel interface for the graphical analysis of music practice behaviors. Front Psychol. 9, 2292(2018).
  39. Wu, Y., Mi, Q., Gao, T. A comprehensive review of multimodal emotion recognition: techniques, challenges, and future directions. Biomimetics (Basel). 10 (7), 418(2025).
  40. Nahum-Shani, I., et al. Just-in-time adaptive interventions (JITAIs) in mobile health: key components and design principles for ongoing health behavior support. Ann Behav Med. 52 (6), 446-462 (2018).
  41. Burma, J. S., et al. The validity and reliability of ultra-short-term heart rate variability parameters and the influence of physiological covariates. J Appl Physiol. 130 (6), 1848-1867 (2021).
  42. Nunan, D., Sandercock, G. R., Brodie, D. A. A quantitative systematic review of normal values for short-term heart rate variability in healthy adults. Pacing Clin Electrophysiol. 33 (11), 1407-1417 (2010).
  43. Cumming, G. Understanding the new statistics: effect sizes, confidence intervals, and meta-analysis. , Routledge. New York, NY. (2013).
  44. Ou, J., Nogueira, J., Qin, C. Exploring the impact of AI-assisted practice applications on music learners’ performance, self-efficacy, and self-regulated learning. Front Psychol. 16, 1675762(2025).
  45. Hunter, J. F., et al. Effect of brief biofeedback via a smartphone app on stress recovery: randomized experimental study. JMIR Serious Games. 7 (4), e15974(2019).
  46. Kaliisa, R., Dolonen, J. A. CADA: a teacher-facing learning analytics dashboard to foster teachers’ awareness of students’ participation and discourse patterns in online discussions. Technol Knowl Learn. 28, 937-958 (2022).
  47. Lipponen, J. A., Tarvainen, M. P. A robust algorithm for heart rate variability time series artefact correction using novel beat classification. J Med Eng Technol. 43 (3), 173-181 (2019).
  48. Chan, A. W., et al. SPIRIT 2025 statement: updated guideline for protocols of randomised trials. The Lancet. 405 (10491), e19-e27 (2025).
  49. Zigmond, A. S., Snaith, R. P. The hospital anxiety and depression scale. Acta Psychiatr Scand. 67 (6), 361-370 (1983).
  50. Boutron, I., et al. CONSORT statement for randomized trials of nonpharmacologic treatments: a 2017 update and a CONSORT extension for nonpharmacologic trial abstracts. Ann Intern Med. 167 (1), 40-47 (2017).
  51. Paas, F. G. W. C. Training strategies for attaining transfer of problem-solving skill in statistics: a cognitive-load approach. J Educ Psychol. 84 (4), 429(1992).
  52. Kallio, H., Pietilä, A. -M., Johnson, M., Kangasniemi, M. Systematic methodological review: developing a framework for a qualitative semi-structured interview guide. J Adv Nurs. 72 (12), 2954-2965 (2016).
  53. Kim, H. Y. Statistical notes for clinical researchers: sample size calculation 3. Comparison of several means using one-way ANOVA. Restor Dent Endod. 41 (3), 231-234 (2016).
  54. Vickers, A. J., Altman, D. G. Statistics notes: analysing controlled trials with baseline and follow up measurements. BMJ. 323 (7321), 1123-1124 (2001).
  55. Robertson, R. L., Vergis, A., Gillman, L. M., Park, J. Effect of rater training on the reliability of technical skill assessments: a randomized controlled trial. Can J Surg. 61 (6), 405-411 (2018).
  56. Van Merrienboer, J. J. G., Sweller, J. Cognitive load theory and complex learning: recent developments and future directions. Edu Psychol Rev. 17 (2), 147-177 (2005).
  57. Bentley, T. G. K., et al. Breathing practices for stress and anxiety reduction: conceptual framework of implementation guidelines based on a systematic review of the published literature. Brain Sci. 13 (12), 1612(2023).
  58. Panadero, E. A review of self-regulated learning: six models and four directions for research. Front Psychol. 8, 422(2017).
  59. NIST Privacy Framework: A Tool for Improving Privacy through Enterprise Risk Management, Version 1.0. NIST. , National Institute of Standards and Technology. (2020).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

HRV

관련 논문