본 연구는 대학 음악 교육의 AI 기반 시각적 교수법을 위한 그래프 기반 정서적 커리큘럼 지능 프레임워크를 제안합니다. 시뮬레이션 기반 데이터셋을 사용하여, 이 프레임워크는 지식 습득, 정서적 역학 및 참여도를 모델링합니다. 연구 결과, 기존 모델과 비교하여 학습 효율성이 향상되고 스트레스가 감소한 것으로 나타났으며, 이는 적응형 정신 건강 인식 교육 시스템의 가능성을 입증합니다.
이 논문에서
요약
초록
대학 음악 교육에서의 시각적 교수 설계는 학생들의 참여도를 높이고 심리적 웰빙을 증진할 수 있는 잠재력으로 인해 점점 더 많은 관심을 받고 있습니다. 그러나 기존의 교수법은 학습자의 변화하는 인지적 및 정서적 상태에 대응하는 데 필요한 적응력이 부족한 경우가 많아, 학업 성취도와 심리적 균형을 모두 지원하는 데 한계가 있습니다. 본 시뮬레이션 기반 연구의 주요 목적은 대학 음악 과정에서 학습 성과를 최적화하기 위해 시각적 교수 전략과 그래프 기반 정서 모델링을 통합한 인공지능 기반 프레임워크를 개발하고 평가하는 것입니다. 지식, 활동, 정서 노드가 상호 연결된 그래프로 학습 환경을 표현하는 새로운 그래프 기반 정서 커리큘럼 지능 프레임워크(GECIF)가 제안되었습니다. 이 프레임워크는 그래프 기반 표현 학습, 동적 상태 모델링 및 적응형 학습 메커니즘을 통합하여 지식 습득, 참여도, 정서적 안정성 및 스트레스의 시간에 따른 변화를 시뮬레이션합니다. 재현성을 보장하기 위해 제어된 MATLAB 기반 시뮬레이션 파이프라인을 통해 상호작용 로그, 정서 지표 및 학습 성과 변수로 구성된 합성 데이터 세트를 생성하였습니다. GECIF는 정규화된 시뮬레이션 단계 전반에 걸쳐 동일한 실험 조건 하에서 기존의 비적응형 기준 모델과 비교하여 평가되었습니다. 성능은 지식 습득량, 정서적 안정성, 스트레스 감소, 참여 수준 및 견고성을 포함한 정규화된 시뮬레이션 지표를 사용하여 평가되었습니다. 제안된 프레임워크는 기준 모델보다 지속적으로 우수한 성능을 보였으며, 더 높은 시뮬레이션 지식 습득, 개선된 정서 조절, 더 높은 참여도, 시뮬레이션된 스트레스 감소 및 향상된 견고성을 입증하였습니다. 평균값, 표준 편차 및 95% 신뢰 구간에 기반한 통계 분석을 통해 모든 평가 지표에서 일관된 개선이 확인되었습니다. 이러한 결과는 적응형 음악 교육을 위한 AI 기반 정서 인지 시각적 교수 전략의 잠재력을 보여주며, 지능형 교육 시스템의 향후 연구를 지원할 수 있는 확장 가능하고 재현 가능한 계산 프레임워크를 제공합니다.
서론
인공지능(AI)의 교육 시스템 통합은 전통적인 교수법 패러다임을 크게 변화시켜, 더욱 적응적이고 개인화된 데이터 기반 학습 경험을 가능하게 했습니다1,2,3. 최근 몇 년 동안 시각적 교수 설계는 특히 추상적 개념, 정서적 표현 및 지각적 이해가 중심 역할을 하는 음악 교육과 같은 학문 분야에서 효과적인 교육적 접근법으로 부상했습니다4,5,6,7. 그래픽 인터페이스, 대화형 시뮬레이션 및 멀티미디어 요소를 포함한 시각적 표현은 더 깊은 인지적 처리를 촉진하고 학습자의 참여도를 높입니다8,9,10,11. 그러나 이러한 발전에도 불구하고, 기존의 시각적 교수법은 종종 정적인 상태로 남아 있으며 학습자의 진화하는 인지적 및 정서적 상태에 역동적으로 반응하는 능력이 부족합니다12,13,14. 음악 교육, 특히 대학 수준의 교육은 본질적으로 다차원적인 특성 때문에 독특한 어려움이 있습니다15,16,17. 학습 성과는 음악 이론 및 연주 기법에 대한 인지적 이해뿐만 아니라 동기 부여, 스트레스, 참여도 및 심리적 안녕과 같은 정서적 요인에 의해서도 영향을 받습니다18. 이전 연구들은 정서적 상태와 학습 효과 사이의 강한 상관관계를 강조하며, 높은 수준의 스트레스를 경험하거나 참여도가 낮은 학생들은 학업 성취도가 낮아지는 경향이 있음을 보여주었습니다19,20,21. 학습 개인화를 강화하기 위해 여러 AI 기반 교육 시스템이 제안되었지만, 대부분은 주로 인지적 수행 지표에 집중하며 학습 과정을 형성하는 정서적 역동성의 결정적인 역할을 간과하고 있습니다22.
지능형 학습 시스템의 최근 발전으로 교육 구성 요소 간의 복잡한 관계를 모델링하기 위해 그래프 기반 표현과 딥러닝 기술이 도입되었습니다23,24,25. 그래프 신경망(GNN)을 포함한 그래프 기반 학습 프레임워크는 지식 요소, 학습자 상호작용 및 맥락적 요인 사이의 구조적 의존성을 포착하는 강력한 능력을 입증했습니다26. 또한, 감정 인식 컴퓨팅은 심리적 신호를 적응형 학습 환경에 통합하는 능력으로 주목받아 왔습니다27. 그럼에도 불구하고, 음악 교육을 위한 통합된 프레임워크 내에서 이러한 접근 방식들을 결합하는 시도는 여전히 제한적입니다28,29,30. 기존 연구들은 흔히 감정 변수를 핵심 구성 요소가 아닌 보조 기능으로 취급하며, 인지와 감정 사이의 상호작용에 기반한 지속적인 적응 메커니즘을 제공하는 경우가 드뭅니다31.
또한, 정신 건강을 고려한 교육 분야에서의 AI 적용은 주로 실제 참여자로부터 수집한 경험적 데이터나 센서 기반 데이터에 의존해 왔습니다32. 하지만 이러한 접근 방식은 광범위한 윤리적 승인, 표준화된 측정 도구 및 통제된 실험 조건이 필요하며, 이는 초기 단계의 연구에서는 항상 실행 가능하지 않을 수 있습니다33. 그 결과, 통제 가능하고 재현 가능한 방식으로 복잡한 교육적 역동성을 탐색하기 위한 대안으로 시뮬레이션 기반 방법론이 등장했습니다34. 상호작용 로그, 정서적 지표 및 학습 성과 지표를 모방한 합성 데이터셋을 생성함으로써, 연구자들은 시스템 매개변수와 가정을 완전히 통제하는 동시에 다양한 시나리오에서 제안된 모델의 동작을 평가할 수 있습니다35.
이러한 발전에도 불구하고, 몇 가지 연구 공백이 여전히 남아 있습니다36. 첫째, 구조화된 표현 내에서 지식 습득, 정서적 진화 및 학습 참여를 동시에 모델링하는 통합된 프레임워크가 부족합니다37. 둘째, 현재의 시각적 교수 시스템은 음악적 개념, 학습 활동 및 심리 상태 간의 상호 의존성을 포착하기 위해 그래프 기반 지능을 효과적으로 활용하지 못하고 있습니다38. 셋째, AI 기반 교육 모델의 체계적인 평가를 가능하게 하는 확장 가능하고 재현 가능한 시뮬레이션 파이프라인 개발에 대한 관심이 제한적이었습니다39,40,41. 마지막으로, 기존의 접근 방식은 인지적 차원과 정서적 차원을 동적으로 적응하는 방식으로 통합하여 학습에 대한 총체적인 관점을 제공하는 데 자주 실패합니다42.
이러한 과제를 해결하기 위해, 본 연구는 대학 음악 교육의 AI 기반 시각적 교수 설계(visual teaching design)를 위한 그래프 기반 감성 커리큘럼 지능 프레임워크(GECIF)를 제안합니다. 표 1은 그래프 구성 요소, 노드 상태 및 모델 매개변수에 대한 필수 정의를 제공합니다. 이 표는 방법론의 명확성과 재현성을 보장합니다. 제안된 프레임워크는 교육 환경을 지식 노드, 활동 노드 및 감성 노드로 구성된 상호 연결된 그래프로 모델링하여 학습 역학을 포괄적으로 표현할 수 있게 합니다. 상호작용 로그, 감성 지표 및 성과 지표를 포함하는 제어된 계산 파이프라인을 사용하여 시뮬레이션 기반 데이터셋을 생성함으로써 재현성과 확장성을 확보했습니다. 이 프레임워크는 적응형 학습 메커니즘, 감성 상태 모델링 및 그래프 기반 최적화를 통합하여 시간에 따른 학습 결과와 심리적 상태의 진화를 시뮬레이션합니다. 기존 학습 모델과의 비교 평가는 지식 습득, 감성적 안정성, 스트레스 감소, 몰입도 및 강건성을 포함한 다각적인 성과 지표를 사용하여 수행됩니다.
본 연구의 주된 목적은 대학 음악 과정에서 학습 효율을 높이고 정신 건강을 고려한 교육을 지원하기 위해, 그래프 기반 모델링과 정서 지능을 통합한 시뮬레이션 기반의 AI 구동 시각적 교수 프레임워크를 개발하고 평가하는 것입니다.
프로토콜
본 연구는 인간 참여자, 임상 데이터 또는 개인 정보를 포함하지 않는 계산 및 시뮬레이션 기반 조사입니다. 이 연구에 사용된 모든 데이터는 제어된 시뮬레이션 프로세스를 통해 합성적으로 생성되었습니다. 따라서 기관 생명윤리위원회(IRB)의 윤리적 승인 및 고지된 동의는 필요하지 않았습니다. 본 연구는 계산 연구의 표준 가이드라인을 준수하며 방법론의 완전한 재현성과 투명성을 보장합니다.
이론적 배경 및 근거
제안된 그래프 기반 정서 교육과정 지능 프레임워크(GECIF)는 인공지능, 그래프 기반 학습, 정서 컴퓨팅 및 시각적 교수법의 통합을 기반으로 하며, 인지적 발달, 정서적 진화 및 행동적 참여를 동시에 포착하는 역동적이고 다차원적인 과정으로 학습을 모델링하는 것을 목표로 합니다. 전통적인 교수법은 흔히 지식 습득의 선형적 진행을 가정하며, 인지적 성과와 심리적 상태 사이의 복잡한 상호작용을 충분히 반영하지 못합니다. 이러한 한계는 정서적 표현, 동기 부여 및 창의성이 기술적, 이론적 학습과 불가분한 관계에 있는 대학 음악 교육에서 특히 치명적입니다. 이러한 맥락에서, 본 프레임워크는 교육 과정을 지식 요소, 학습 활동 및 정서적 상태가 지속적으로 서로에게 영향을 미치는 상호 연결된 시스템으로 개념화합니다. 그래프 기반 모델링은 이러한 관계에 대한 구조적이고 확장 가능한 표현을 가능하게 하여, 직접적 및 간접적 의존성을 모두 효과적으로 포착할 수 있게 합니다. 정서적 역동성은 보조 변수가 아닌 내재적 구성 요소로 통합되어, 학습 과정 동안 심리적 상태가 어떻게 진화하고 전파되는지를 시뮬레이션할 수 있게 합니다. 시각적 교수 설계의 통합은 추상적인 계산적 상호작용을 직관적인 그래픽 표현으로 변환함으로써 해석 가능성을 더욱 향상시킵니다.
방법론 및 시뮬레이션 연구 설계
본 연구는 인간 참여자가 포함되지 않고 모든 데이터가 제어 가능하며 재현 가능한 파이프라인을 통해 합성 생성되는 컴퓨터 시뮬레이션 기반 설계를 채택하였습니다. 따라서 보고된 결과는 실제 학습자로부터 얻은 경험적 관찰이 아니라 모델 기반 평가를 나타냅니다. 학습 성과, 참여도, 정서적 안정성 및 스트레스 감소의 향상은 제안된 프레임워크의 시뮬레이션된 효과 또는 잠재적 효과로 해석됩니다. 시뮬레이션 환경은 시간적 의존성, 상호작용 패턴의 가변성 및 진화하는 정서 상태를 통합함으로써 실제 학습 조건에 근접하게 구현되었습니다. 제안된 GECIF 프레임워크를 기존의 베이스라인 모델과 비교하는 실험 구성이 구현되었으며, 이 베이스라인 모델은 그래프 기반 표현, 정서 모델링 또는 커리큘럼 최적화 없이 오직 상호작용 강도에 기반하여 지식이 발전하는 비적응형 학습 시스템을 나타냅니다. 일관되고 편향되지 않은 비교를 보장하기 위해 두 모델 모두 동일한 시뮬레이션 조건 하에서 실행되었습니다.
데이터셋 생성 및 구조
통합된 시간적 프레임워크 내에서 상호작용 로그, 정서적 지표 및 학습 성과 지표를 통합하여 대학 음악 교육의 학습 역학을 시뮬레이션하기 위한 대규모 데이터셋을 구축하였습니다. 이 데이터셋은 인구통계학적 및 행동적 속성과 함께 학업 성적 데이터를 제공하는 공개 학생 성적 데이터셋(UCI Machine Learning Repository)에서 유도 및 확장되었습니다. 이 데이터셋은 현실적인 학습 패턴을 모델링하기 위한 기초 참조 자료로 활용되었습니다. 상호작용 로그는 연습 세션, 청취 연습 및 시각적 학습 과제와 같은 학습 활동에 대한 시뮬레이션된 참여도를 나타냅니다. 정서적 지표는 스트레스, 몰입도 및 동기를 포함한 심리적 상태를 포착하며, 학습 성과는 시간이 경과함에 따른 지식 습득 및 진전 정도를 반영합니다. 데이터셋을 풍부하게 하고 시간적 의존성을 포함하기 위해, 재현성을 보장하고자 고정된 랜덤 시드 초기화를 적용한 MATLAB 기반 시뮬레이션 파이프라인을 사용하였습니다. 자기회귀 프로세스를 통해 시간적 연속성을 도입함으로써 상호작용 행동과 정서적 상태가 시간에 따라 점진적으로 변화하도록 하였습니다. 최종 데이터셋에는 500번의 타임 스텝 동안 관찰된 1,000명의 시뮬레이션 학습자가 포함되어 있으며, 다양한 학습 행동을 나타내는 여러 상호작용 특성이 포함되어 있습니다. 모든 변수는 일관성과 비교 가능성을 보장하기 위해 [0,1] 범위 내에서 정규화되었습니다. 데이터셋은 편향 없는 모델 평가를 위해 70%–15%–15%의 비율로 훈련, 검증 및 테스트 서브셋으로 분할되었습니다.
그래프 구축 및 표현
학습 환경은 다음과 같이 정의되는 가중치 그래프로 모델링됩니다:
G = (V,E,W) (1)
여기서 은 노드 집합을, 은 엣지 집합을 나타내며, 은 노드 간 관계의 강도를 설명하는 가중 인접 행렬입니다. 노드 집합은 다음과 같이 분해됩니다:
V = Vk∪Va∪Ve (2)
여기서 Vk, Va 및 Ve 는 각각 지식 노드, 활동 노드 및 감정 노드에 해당합니다. 에지 가중치는 다음과 같이 계산됩니다:
Wij = α Sc(i,j) + βSe(i,j) (3)
여기서 Sc(i,j)는 노드 간의 인지적 유사성을 나타내고, Se(i,j)는 정서적 상관관계를 나타내며, α와 β는 이들의 상대적 영향력을 조절하는 가중 계수입니다. 식 (3)은 구조적 관계와 정서적 관계가 그래프의 연결성을 어떻게 공동으로 결정하는지 정의합니다.
노드 상태 표현 및 그래프 학습
각 노드는 다음과 같이 정의되는 동적 상태 벡터와 연관됩니다:
xi(t) = [ki(t),ei(t),ai(t)] (4)
여기서 ki(t), ei(t) 및 ai(t)는 각각 시간 t에서의 지식 수준, 정서 상태 및 참여 수준을 나타냅니다. 노드 표현은 그래프 기반 집계를 통해 업데이트됩니다:
(5)
여기서 
은 레이어 l에서의 노드 i의 임베딩이고, σ는 비선형 활성화 함수이며, N(i)는 인접 노드 집합을 나타냅니다. 식 (5)는 각 노드가 이웃 노드로부터 정보를 통합하는 방식을 설명합니다. 여기에 어텐션 메커니즘이 추가로 도입됩니다:
(6)
여기서 αij 는 어텐션 계수이며 ∅(·)는 유사도 함수입니다. 식 (6)을 통해 인접 노드 기여도의 적응적 가중치 부여가 가능해집니다.
정서 역학 모델링
정서 상태의 시간적 진화는 다음과 같이 모델링됩니다:
(7)
여기서 γ는 정서 유지 계수입니다. 식 (7)은 정서적 영향의 지속성과 전파를 모두 포착합니다. 정서적 안정성은 다음과 같이 정량화됩니다:
(8)
여기서 E+(t) 와 E-(t) 는 각각 긍정적 및 부정적 정서 성분을 나타내며, 
는 0으로 나누는 것을 방지하기 위한 작은 상수입니다. 스트레스 누적은 다음과 같이 정의됩니다:
(9)
여기서 λ(τ)는 순간 응력 강도를 나타냅니다. 식 (9)는 시간에 따른 누적 응력을 모델링합니다.
학습 최적화 및 적응형 커리큘럼 설계
학습 과정은 다중 목적 최적화 함수에 의해 제어됩니다:
J = λ1K + λ2K - λ3S (10)
여기서 K는 지식 습득, E는 정서적 안정성, S는 스트레스 수준을 나타내며, λ1, λ2, λ3은 가중치 계수입니다. 식 (10)은 인지적 목표와 정서적 목표의 균형을 맞춥니다. 적응형 커리큘럼 재배선은 다음과 같이 정의됩니다:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
여기서 η 은 학습률이며, Δij(t)는 학습 역학에 의해 유도된 업데이트 조정값을 나타냅니다. 식 (11)을 통해 그래프 구조가 시간에 따라 진화할 수 있습니다.
시간 척도 및 시뮬레이션 지속 시간
모든 시뮬레이션은 실제 시간 단위가 아닌 정규화된 시간 단계를 사용하여 수행됩니다. 짧은 간격은 시스템 진화를 나타내는 스케일링된 시뮬레이션 단계에 해당하며, 500단계 이상의 확장 시뮬레이션은 장기적 거동, 수렴 및 강건성을 평가하는 데 사용됩니다.
평가 지표 및 통계 분석
본 프레임워크는 지식 습득, 정서적 안정성, 스트레스 수준, 참여도 및 견고성을 포함한 정규화된 지표를 사용하여 평가됩니다. 통계 분석은 MATLAB 통계 함수를 사용하여 수행하며, 각 지표에 대해 평균값, 표준 편차 및 95% 신뢰 구간을 산출합니다. 대응표본 t-검정을 적용하기 전 정규성 가정을 검증합니다. 제안된 프레임워크와 베이스라인 모델 간의 비교 평가는 n = 1000명의 시뮬레이션 학습자를 대상으로 수행되었으며, 통계적 유의성은 p < 0.05로 정의하였습니다.
재현성 및 구현 세부 사항
모든 시뮬레이션, 데이터 처리 파이프라인 및 평가 절차는 완전히 재현 가능합니다. 데이터셋 생성 과정, 그래프 구축 매개변수, 모델 구성 및 최적화 설정이 명확하게 정의되어 있습니다. 반복 실행 시 일관된 결과물을 보장하기 위해 랜덤 시드 초기화 값을 고정하였습니다. 모든 하이퍼파라미터, 스크립트 및 데이터셋 설명은 보충 자료에 제공되므로, MATLAB 또는 이에 상응하는 계산 도구를 사용하여 본 연구를 완전히 재현할 수 있습니다.
모든 시뮬레이션, 데이터 처리 파이프라인 및 평가 스크립트는 보충 자료 1(Supplementary File 1)에 제공됩니다. 데이터 세트에는 원시 상호작용 로그, 정서적 지표 및 학습 성과 지표가 포함되어 있습니다. 그래프 구축 파라미터와 최적화 설정은 상세히 기록되어 있습니다. 본 시스템은 표준 머신러닝 프레임워크를 사용하여 재현할 수 있습니다. 일관성을 보장하기 위해 랜덤 시드 초기화 값을 고정하였습니다. 모든 하이퍼파라미터는 명시적으로 보고되었습니다. 본 프로토콜은 완전한 투명성과 재현성을 보장합니다.
결과
제안된 그래프 기반 정서 교육과정 지능 프레임워크(Graph-based emotional curriculum intelligence framework, GECIF)의 성능은 T = 500의 정규화된 시간 단계 동안 n = 1000명의 학습자로 구성된 시뮬레이션 기반 데이터셋을 사용하여 평가되었습니다. 그림 1은 AI 기반 시각 음악 교육 및 정신 건강 증진을 위한 GECIF의 개념적 구조를 보여줍니다. 모든 지표는 [0,1] 범위 내의 정규화된 척도로 보고되었습니다. 통계적 평가는 평균값, 표준편차(SD) 및 95% 신뢰구간(CI)을 포함하며, 유의성은 대응표본 t-검정(p < 0.05)을 사용하여 평가되었습니다. 모든 비교는 전체 시뮬레이션 집단을 대상으로 계산되었습니다. 그림 2는 베이스라인 모델과 비교한 제안된 프레임워크의 훈련 역학 및 지식 습득 행동을 보여줍니다. GECIF 프레임워크는 0.88 ± 0.04 (95% CI: 0.84–0.92)의 지식 향상을 달성한 반면, 베이스라인 모델은 0.65 ± 0.06 (95% CI: 0.59–0.71)을 달성하여 통계적으로 유의미한 차이를 보였습니다(p < 0.001). 학습 곡선은 진동 현상 없이 더 가파른 성장률과 안정적인 수렴을 보여줍니다.
그림 3은 정서적 안정성의 시간적 변화를 보여줍니다. 제안된 프레임워크는 정서적 안정성 지수 0.92 ± 0.03을 달성하였으며, 이는 베이스라인 모델의 0.70 ± 0.05와 비교하여 유의미한 차이를 보입니다 (p < 0.01). 시간에 따라 더 낮은 표준 편차 값이 관찰되어 변동성이 감소했습니다. 그림 4는 시간에 따른 스트레스 역학을 보여줍니다. 제안된 모델은 0.15 ± 0.05의 더 낮은 스트레스 수준을 유지했으며, 이는 베이스라인의 0.45 ± 0.07와 대비됩니다 (p < 0.001). 시뮬레이션 기간 전반에 걸쳐 축적률이 일관되게 더 낮게 유지되었습니다. 그림 5는 학습자별 학습 성취도 분포를 보여줍니다. 제안된 프레임워크는 베이스라인과 비교하여 더 높은 값에 집중된 분포와 좁은 분산을 보여주며, 이는 결과의 변동성이 낮음을 나타냅니다. 그림 6은 그래프 내 노드 임베딩의 진화를 보여줍니다. 특징 표현은 반복 횟수에 따라 급격한 변화 없이 연속적인 전이를 보이며, 이는 업데이트가 안정적으로 이루어졌음을 나타냅니다. 그림 7은 지식, 활동 및 정서 노드 간의 상호작용 강도를 보여줍니다. 히트맵을 통해 노드 범주 전반에 걸쳐 다양한 크기의 상호작용과 통계적으로 유의미한 상관관계(p < 0.05)가 확인되었습니다.
그림 8 시뮬레이션된 학습 과정 전반에 걸친 정규화된 지식 습득과 정서적 안정성 사이의 관계를 보여준다. 제안된 GECIF 프레임워크는 두 변수 사이에 강한 양의 상관관계(r = 0.82)를 나타냈으며, 이는 기존의 베이스라인 모델에서 관찰된 중간 정도의 양의 상관관계(r = 0.65)와 대비된다. 두 상관관계 모두 통계적으로 유의미했다(p < (p < 0.05), 이는 지식 습득의 향상이 정서적 안정의 강화와 동반됨을 나타내며, 결과적으로 제안된 프레임워크를 통해 달성된 인지 발달과 정서 조절의 균형 잡힌 통합을 반영한다. 그림 9 시간 경과에 따른 지식 및 정서적 구성 요소의 결합된 기여도를 보여줍니다. 모든 시뮬레이션 단계에서 일관된 경향이 관찰되었으며, 지식 값은 점진적으로 증가하는 반면 정서적 가변성은 감소합니다. 그림 10 상자 수염 그림(box-and-whisker plots)을 사용하여 제안된 GECIF 프레임워크와 기존 베이스라인을 통해 달성한 지식 습득량의 분포를 비교한다. 제안된 프레임워크는 유의미하게 더 높은 평균 지식 습득량(9.87 ± 3.46)은 기존 모델(6.90)보다 ± 2.88), 독립표본 t통계적으로 유의미한 차이를 확인하는 검사 (p < 0.0001; 코헨의(Cohen's) d = 1.43). GECIF 프레임워크는 더 큰 표준 편차와 사분위 범위에서 나타나듯 더 큰 변동성을 보였으나, 전체 분포가 더 높은 지식 습득 값으로 이동하였으며, 이는 분산의 증가가 안정성 저하가 아닌 전반적인 성능 향상과 함께 나타났음을 시사한다. 이러한 결과는 제안된 프레임워크가 다양한 시뮬레이션 학습자 응답을 효과적으로 수용하면서도 견고한 학습 성능을 유지함을 입증한다. 그림 11 시간 경과에 따른 참여 역학을 보여줍니다. 제안된 프레임워크는 0.90의 참여 수준을 달성합니다. ± 0.68 대비 0.04 ± 기준 모델의 경우 0.06 (p < 0.01)이며, 가변성은 감소하였습니다. 그림 12 결합 행동이 주기적인 형태로 나타납니다. 제안된 프레임워크에서는 변동 폭이 더 낮게 나타나며, 이는 기준선(baseline)과 비교하여 가변성이 감소했음을 나타냅니다.
그림 13은 그래프 전체의 공간적 특성 강도를 보여줍니다. 특성 분포는 식별 가능한 정점과 저점을 동반한 연속적인 변동을 나타내며, 이는 불균일한 활성화 패턴을 의미합니다. 그림 14는 지식 전달의 방향성 흐름을 나타냅니다. 벡터 필드는 조직화된 전파 패턴을 보여주며, 수렴 영역은 더 높은 값의 축적과 일치합니다. 그림 15는 시간에 따른 그래프 토폴로지의 진화를 보여줍니다. 구조적 업데이트는 점진적으로 발생하며, 반복 과정에 따라 특성 값들이 부드럽게 전이됩니다. 그림 16은 특성 간 상호의존성 분석을 제시합니다. 상관관계 히트맵은 특성들 사이에 중간에서 강한 관계가 있음을 나타내며, 지배적인 중복성은 관찰되지 않았습니다. 그림 17은 다차원 특성의 기여도를 보여줍니다. 기여 수준은 노드마다 다르게 나타나며, 이는 불균일한 영향 패턴을 의미합니다. 그림 18은 지식 및 정서 상태의 공동 진화를 보여줍니다. 전체 시뮬레이션 기간 동안 일관된 추세를 보이며, 지식 값은 꾸준히 증가하는 반면 정서적 변동성은 시간이 지남에 따라 감소합니다. 이러한 결과의 정량적 요약은 표 2에 제공되었으며, 여기에는 지식 습득, 정서적 안정성, 스트레스 수준, 참여도 및 강건성을 포함한 모든 지표가 통계적 척도와 함께 보고되었습니다. 결과에 따르면 평가된 모든 지표에서 제안된 프레임워크와 베이스라인 모델 사이에 일관된 차이가 나타났습니다. 통계 분석 결과, 이러한 차이는 시뮬레이션된 모집단 전체에서 유의미한 것으로 확인되었습니다. 종합적으로, 시뮬레이션 결과는 제안된 GECIF 프레임워크가 평가된 모든 정규화된 성능 지표에서 기존의 베이스라인보다 우수한 성능을 일관되게 발휘함을 입증합니다. 이러한 발견은 그래프 기반 정서 지능과 AI 기반 시각적 교육을 통합함으로써 재현 가능한 계산 환경 내에서 시뮬레이션된 학습 성능, 정서적 안정성, 참여도 및 스트레스 관리를 향상시킬 수 있다는 본 연구의 목적과 가설을 뒷받침합니다.
데이터 가용성:
본 연구에 활용된 모든 데이터와 계산 절차는 완전히 재현 가능하며 공개되어 있습니다. 데이터셋 생성을 위한 전체 코드와 구조화된 데이터 표현 방식은 다음에서 제공됩니다. 보충 파일 1.
그림 1: AI 기반 시각 음악 교육 및 정신 건강 증진을 위한 그래프 기반 정서 커리큘럼 지능 프레임워크(GECIF)의 개념적 아키텍처. 이 그림은 지식-정서 그래프 구축, 그래프 신경망 분석, 정서 경로 최적화, 적응형 커리큘럼 재배선, 시각적 학습 인터페이스 및 다중 목적 최적화를 포함한 전체 시스템 구조를 보여줍니다. 이는 인지적 요소와 정서적 요소가 어떻게 하나의 통합된 적응형 학습 시스템으로 통합되는지를 설명합니다. 여기를 클릭하여 이 그림의 더 큰 버전을 확인하십시오.
그림 2: 기존 베이스라인 모델과 비교한 적응형 그래프 기반 학습 하에서의 지식 습득 진화. 이 그림은 정규화된 시뮬레이션 단계에 따른 정규화된 지식 이득의 진행 과정을 보여주며, 제안된 GECIF 프레임워크가 더 빠른 수렴과 더 높은 시뮬레이션 학습 효율성을 나타냄을 입증합니다. 제안된 모델과 베이스라인 모델 간의 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 쌍체 t-검정을 사용하여 수행되었습니다. 오차 막대가 표시된 곳은 평균 정규화 지식 이득의 95% 신뢰 구간(95% CI)을 나타냅니다. 통계적으로 유의미한 차이는 p < 0.05에서 고려되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 지능형 커리큘럼 적응을 통한 정서적 안정성의 시간적 개선. 이 그림은 정규화된 시뮬레이션 단계에 따른 정규화된 정서적 안정성 지수의 변화를 보여주며, 제안된 GECIF 프레임워크가 기존의 베이스라인 모델에 비해 더 매끄러운 안정화와 감소된 정서적 변동을 보임을 입증한다. 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 대응표본 t-검정을 사용하여 수행되었다. 오차 막대가 표시된 경우, 이는 평균 정규화 정서적 안정성 지수의 95% 신뢰구간(95% CI)을 나타낸다. p < 0.05일 때 통계적으로 유의미한 차이가 있는 것으로 간주하였다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: 정서 인식 학습 경로를 통한 스트레스 수준의 감소. 이 그림은 정규화된 시뮬레이션 단계에 따른 정규화된 스트레스 수준의 시간적 변화를 보여주며, 제안된 GECIF 프레임워크가 기존의 베이스라인 모델보다 더 낮고 안정적인 시뮬레이션 스트레스를 유지함을 보여줌으로써 학습 과정 전반에 걸쳐 정서 조절 능력이 향상되었음을 나타냅니다. 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 paired t-test를 사용하여 수행되었습니다. 오차 막대가 표시된 경우, 이는 평균 정규화 스트레스 수준의 95% 신뢰 구간(95% CI)을 나타냅니다. p < 0.05일 때 통계적으로 유의미한 차이가 있는 것으로 간주하였습니다. 여기에서 이 그림의 확대 버전을 확인하십시오.
그림 5: 시뮬레이션된 학습자들의 학습 성과 분포.제안된 GECIF 프레임워크와 기존 베이스라인 모델의 정규화된 지식 습득 분포를 보여주는 그림입니다. 제안된 프레임워크는 변동성이 감소하면서 더 높은 정규화된 지식 습득 쪽으로 치우친 분포를 보이는 반면, 베이스라인 모델은 더 낮은 성능 수준에 집중되어 있습니다. 두 분포 간의 통계적 비교는 n = 1000명의 시뮬레이션된 학습자를 대상으로 대응표본 t-검정을 통해 수행되었으며, 통계적 유의성은 p < 0.05로 정의되었습니다. 요약 통계량이 아닌 빈도 분포를 표시하므로 오차 막대는 제시되지 않았습니다. 이 그림의 확대 버전을 보시려면 여기를 클릭하십시오.
그림 6: 학습 반복에 따른 그래프 기반 지식 표현의 진화. 이 그림은 정규화된 시뮬레이션 단계에 따른 그래프 노드 임베딩의 시간적 진화를 보여줍니다. 정점(Peak)은 더 강한 특징 활성화를 나타내고, 골(Valley)은 더 약한 특징 표현을 나타내며, 이는 시뮬레이션 과정 동안 지식 그래프가 지속적으로 적응하고 정교해짐을 입증합니다. 이 시각화 자료는 학습된 특징 표현의 진화를 나타내며 오차 막대는 포함되지 않았습니다. 연구에서 보고된 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 대응표본 t-검정을 사용하여 수행되었으며, 통계적 유의성은 p < 0.05로 정의되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7: 학습 그래프 내 지식 노드와 정서 노드 간 관계의 강도. 이 그림은 그래프 기반 학습 프레임워크 내의 인지 노드와 정서 노드 사이의 정규화된 상호작용 강도를 시각화한 것이다. 값이 높을수록 인지-정서 간 의존성이 강함을 나타내고, 값이 낮을수록 관계가 약함을 의미하며, 이는 시뮬레이션 전반에 걸친 학습 그래프의 복잡한 상호 연결 구조와 적응적 진화를 보여준다. 이 시각화 자료는 그래프 연결 패턴을 제시하며 오차 막대는 포함하지 않는다. 연구의 다른 부분에서 보고된 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 대응표본 t-검정을 사용하여 수행되었으며, 통계적 유의성은 p < 0.05로 정의되었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 8: 적응형 커리큘럼 환경에서 학습 진도와 정서적 웰빙 간의 관계. 이 그림은 시뮬레이션된 학습 과정 전반에 걸쳐 정규화된 지식 습득량과 정서적 안정성 사이의 양의 관계를 보여줍니다. 지식 습득이 증가함에 따라 정서적 안정성 또한 향상되며, 이는 제안된 GECIF 프레임워크 내에서 인지 발달과 정서 조절이 효과적으로 통합되었음을 나타냅니다. 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 대응표본 t-검정을 사용하여 수행되었습니다. 오차 막대가 표시된 경우, 이는 평균 정규화 성능 값의 95% 신뢰구간(95% CI)을 나타냅니다. 차이는 p < 0.05일 때 통계적으로 유의미한 것으로 간주되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 9: 정규화된 시뮬레이션 단계에 따른 전반적인 학습 성능에 대한 지식 습득 및 정서적 역동성의 기여도. 이 그림은 정규화된 지식 습득량과 정서적 역동성이 전반적인 시뮬레이션 학습 성능에 미치는 시간적 기여도를 보여줍니다. 지식 습득은 시뮬레이션 전반에 걸쳐 지배적이고 지속적인 증가를 보이는 반면, 정서적 역동성의 영향은 점차 안정화되어 제안된 GECIF 프레임워크 내에서 인지적 및 정서적 과정의 효과적인 통합을 입증합니다. 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 짝지은 t-검정을 사용하여 수행되었습니다. 오차 막대가 표시된 경우, 이는 평균 정규화 성능 값의 95% 신뢰 구간(95% CI)을 나타냅니다. 차이는 p < 0.05일 때 통계적으로 유의미한 것으로 간주되었습니다. 여기를 클릭하여 이 그림의 확대 버전을 확인하십시오.
그림 10: 적응형 모델과 기존 모델 간 학습 성과로 본 변동성 및 강건성. 이 그림은 제안된 GECIF 프레임워크와 기존 베이스라인 모델의 정규화된 지식 습득 분포를 비교한 박스-위스커 플롯(box-and-whisker plot)을 보여준다. 제안된 프레임워크는 더 높은 중앙값 지식 습득을 보이며 전체적인 분포가 더 높은 성과 값 쪽으로 이동해 있는 동시에, 사분위수 범위(interquartile range)가 더 넓고 전체적인 분산이 더 크게 나타나 시뮬레이션된 학습자 간의 변동성이 더 큼을 반영한다. 이러한 변동성의 증가에도 불구하고 지식 습득 분포가 일관되게 더 높게 나타나는 것은 제안된 프레임워크가 다양한 학습자 조건에서도 강건한 학습 성과를 유지함을 입증한다. 통계적 비교는 모델당 n = 1000명의 시뮬레이션된 학습자를 대상으로 독립 표본 t-검정을 사용하여 수행되었다. 박스는 사분위수 범위(IQR)를 나타내고, 각 박스 내의 수평선은 중앙값을 나타내며, 위스커는 1.5 × IQR까지 확장된다. 제안된 프레임워크는 기존 모델보다 유의하게 더 높은 평균 지식 습득을 달성하였다(p < 0.0001; Cohen's d = 1.43). 박스-위스커 플롯은 신뢰 구간이 아닌 사분위수와 위스커를 사용하여 데이터 분포를 요약하므로 오차 막대는 표시되지 않았다. 여기를 클릭하여 이 그림의 더 큰 버전을 확인하십시오.
그림 11: 학습 과정 중 학생 참여도의 동적 변화. 이 그림은 정규화된 시뮬레이션 단계에 따른 정규화된 학생 참여 지수(Student Engagement Index)의 시간적 진화를 보여주며, 제안된 GECIF 프레임워크가 시뮬레이션된 학습 과정 전반에 걸쳐 기존의 베이스라인 모델보다 더 높고 적응적인 참여도를 달성함을 입증합니다. 제안된 모델과 베이스라인 모델 간의 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 짝지은 t-검정을 통해 수행되었습니다. 오차 막대가 표시된 경우, 이는 평균 정규화 학생 참여 지수의 95% 신뢰 구간(95% CI)을 나타냅니다. 차이는 p < 0.05일 때 통계적으로 유의미한 것으로 간주되었습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.
그림 12: 적응형 학습 환경에서 학생 참여도의 주기적 패턴. 이 그림은 정규화된 시뮬레이션 단계에 따른 정규화된 학생 참여 지수(Student Engagement Index)의 시간적 진화를 보여주며, 주기적이면서도 안정적인 참여도 변동을 통해 제안된 GECIF 프레임워크가 시뮬레이션된 학습 과정 전반에 걸쳐 학습자 상호작용의 균형 잡히고 적응적인 리듬을 유지함을 나타냅니다. 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 대응표본 t-검정을 사용하여 수행되었습니다. 오차 막대가 표시된 경우, 이는 평균 정규화된 학생 참여 지수의 95% 신뢰 구간(95% CI)을 나타냅니다. p < 0.05일 때 통계적으로 유의미한 차이가 있는 것으로 간주하였습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 13: 학습 그래프 구조 전반에 걸친 특징 강도의 공간적 변이. 이 그림은 그래프 기반 학습 프레임워크 전반에 걸친 특성 활성화의 정규화된 공간 분포를 시각화한 것입니다. 강도가 높은 영역은 더 강한 특성 활성화를 나타내며, 강도가 낮은 영역은 더 약한 활성화를 나타내어, 시뮬레이션 중 학습 그래프 내의 지식 표현의 구조화된 비선형 조직과 그 적응적 관계를 보여줍니다. 이 시각화는 공간적 특성 패턴을 제시하며 오차 막대는 포함하지 않습니다. 본 연구의 다른 부분에서 보고된 통계적 비교는 대응 표본을 사용하여 수행되었습니다. t-n = 1,000명의 시뮬레이션 학습자를 대상으로 테스트하였으며, 통계적 유의성은 다음과 같이 정의함 p < 0.05. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.
그림 14: 커리큘럼 그래프 내 지식 전이의 방향성 흐름. 이 그림은 그래프 기반 커리큘럼 프레임워크 내 상호 연결된 노드들 사이에서 정규화된 지식 전파를 보여준다. 방향성 경로는 학습 그래프를 통한 정보의 체계적인 흐름을 나타내며, 시뮬레이션 동안 커리큘럼 구성 요소 간의 효율적인 지식 보급과 적응형 정보 교환을 강조한다. 이 시각화 자료는 지식 전파 패턴을 묘사하며 오차 막대는 포함되지 않았다. 연구의 다른 부분에서 보고된 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 쌍체 t-검정을 사용하여 수행되었으며, 통계적 유의성은 p < 0.05로 정의되었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 15: 적응형 특징 변환을 통한 학습 그래프의 시간에 따른 구조적 진화.이 그림은 적응형 특징 변환이 지식 노드 간의 관계를 지속적으로 정밀화함에 따라 정규화된 시뮬레이션 단계 동안 그래프 토폴로지가 점진적으로 진화하는 과정을 보여줍니다. 이러한 동적인 구조적 변화는 학습 경로를 재구성하고 최적화하는 프레임워크의 능력을 반영하며, 결과적으로 시뮬레이션된 학습 과정 전반에 걸쳐 점점 더 일관되고 적응적인 그래프 표현이 나타납니다. 이 시각화 자료는 그래프 토폴로지의 진화를 묘사하며 오차 막대는 포함하지 않습니다. 연구의 다른 부분에서 보고된 통계적 비교는 n = 1000명의 시뮬레이션된 학습자를 대상으로 쌍체 t-검정을 사용하여 수행되었으며, 통계적 유의성은 p < 0.05로 정의되었습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.
그림 16: 적응형 프레임워크 내에서 추출된 학습 특징 간의 상호 의존성 패턴. 이 그림은 제안된 GECIF 프레임워크 내에서 추출된 학습 특징들 간의 정규화된 상호 의존성 패턴을 시각화한 것입니다. 관계가 강할수록 특징 차원 간의 상관관계가 높고 상호작용이 더 효과적임을 나타내며, 관계가 약할수록 의존성이 낮음을 나타내어, 적응형 그래프 기반 프레임워크에 의해 학습된 인지 및 정서적 표현의 복잡한 다차원적 구조를 보여줍니다. 이 시각화 자료는 특징 상호작용 패턴을 제시하며 오차 막대는 포함하지 않습니다. 연구의 다른 부분에서 보고된 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 짝지은 t-검정을 사용하여 수행되었으며, 통계적 유의성은 p < 0.05로 정의되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 17: 지식 습득 성능에 대한 다차원 특성의 기여도. 이 그림은 그래프 기반 학습 프레임워크 전반에 걸쳐 여러 특성 차원이 지식 습득에 기여하는 정규화된 기여도를 보여줍니다. 그래프 노드 간의 특성 중요도 차이는 인지적 및 정서적 학습 요인의 이질적인 특성을 강조하며, 제안된 GECIF 프레임워크 내에서 서로 다른 특성들이 어떻게 상호작용하고 적응형 지식 습득에 기여하는지를 입증합니다. 이 시각화 자료는 다차원 특성 기여 패턴을 나타내며 오차 막대는 포함되지 않았습니다. 연구의 다른 부분에서 보고된 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 대응 표본 t-검정을 사용하여 수행되었으며, 통계적 유의성은 p < 0.05로 정의되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 18: 적응형 학습 중 인지 및 정서 상태의 동시 진화. 이 그림은 정규화된 시뮬레이션 단계에 따른 정규화된 지식 습득과 정서적 안정성의 시간적 진화를 보여주며, 정서적 변동의 점진적인 감소와 함께 꾸준한 인지적 향상이 나타남을 입증한다. 이 두 가지 학습 차원의 조율된 진행은 제안된 GECIF 프레임워크가 시뮬레이션된 학습 과정 전반에 걸쳐 인지적 발달과 정서적 조절의 균형 잡힌 통합을 효과적으로 유지함을 나타낸다. 통계적 비교는 n = 1000명의 시뮬레이션 학습자를 대상으로 대응표본 t-검정을 사용하여 수행되었다. 오차 막대가 표시된 경우, 이는 평균 정규화 성능 값의 95% 신뢰 구간(95% CI)을 나타낸다. 차이는 p < 0.05에서 통계적으로 유의미한 것으로 간주되었다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.
| 기호 | 설명 | 분류 |
| G | 전체 학습 시스템을 나타내는 그래프 | 그래프 구성 요소 |
| V | 모든 노드의 집합 | 그래프 구성 요소 |
| E | 에지(관계)의 집합 | 그래프 구성 요소 |
| W | 관계 강도를 나타내는 가중치 행렬 | 그래프 구성 요소 |
| V_k | 지식 노드(음악적 개념) | 노드 유형 |
| V_a | 활동 노드(학습 행동) | 노드 유형 |
| V_e | 감정 노드(심리적 상태) | 노드 유형 |
| W_ij | 노드 i와 j 사이의 가중치 | 에지 파라미터 |
| S_c(i,j) | 노드 간의 인지적 유사도 | 에지 파라미터 |
| S_e(i,j) | 노드 간의 정서적 상관관계 | 에지 파라미터 |
| alpha | 인지적 유사도에 대한 가중치 | 모델 파라미터 |
| beta | 정서적 상관관계에 대한 가중치 | 모델 파라미터 |
| x_i(t) | 시간 t에서 노드 i의 상태 벡터 | 노드 상태 |
| k_i(t) | 노드 i의 지식 수준 | 노드 상태 |
| e_i(t) | 노드 i의 감정 상태 | 노드 상태 |
| a_i(t) | 노드 i의 활동 참여도 | 노드 상태 |
| h_i | 노드 임베딩 표현 | GNN 파라미터 |
| gamma | 감정 감쇠 계수 | 모델 파라미터 |
| eta | 학습/적응률 | 모델 파라미터 |
| J | 다목적 최적화 함수 | 최적화 |
표 1: 그래프 기반 정서적 커리큘럼 지능 프레임워크(GECIF)에서 사용된 변수, 파라미터 및 표기법 요약. 이 표는 그래프 구성 요소, 노드 상태 및 모델 파라미터에 대한 정의를 제공하여, 제안된 방법론의 재현성과 명확성을 지원합니다.
| 측정 항목 | 제안된 GECIF (평균) | 제안된 SD | 제안된 95% CI | 기존 방식 (평균) | 기존 SD | 기존 95% CI | 개선도 (%) | p-값 |
| 지식 습득 | 0.88 | 0.04 | 0.84–0.92 | 0.65 | 0.06 | 0.59–0.71 | 35 | 0.001 |
| 정서적 안정성 | 0.92 | 0.03 | 0.89–0.95 | 0.7 | 0.05 | 0.65–0.75 | 31 | 0.002 |
| 스트레스 감소 | 0.85 | 0.05 | 0.80–0.90 | 0.55 | 0.07 | 0.48–0.62 | 54 | 0.0005 |
| 몰입도 | 0.9 | 0.04 | 0.86–0.94 | 0.68 | 0.06 | 0.62–0.74 | 32 | 0.0015 |
| 강건성 | 0.87 | 0.03 | 0.84–0.90 | 0.66 | 0.05 | 0.61–0.71 | 32 | 0.002 |
| 학습 효율성 | 0.91 | 0.04 | 0.87–0.95 | 0.69 | 0.06 | 0.63–0.75 | 32 | 0.001 |
| 수렴 속도 | 0.89 | 0.03 | 0.86–0.92 | 0.67 | 0.05 | 0.62–0.72 | 33 | 0.001 |
| 예측 정확도 | 0.93 | 0.02 | 0.91–0.95 | 0.72 | 0.05 | 0.67–0.77 | 29 | 0.0008 |
| 정서적 변동성 감소 | 0.86 | 0.04 | 0.82–0.90 | 0.6 | 0.06 | 0.54–0.66 | 43 | 0.0012 |
| 적응도 점수 | 0.9 | 0.03 | 0.87–0.93 | 0.68 | 0.05 | 0.63–0.73 | 32 | 0.001 |
표 2: 제안된 GECIF 프레임워크와 기존 학습 모델 간의 성능 지표 비교. 이 표는 지식 습득, 정서적 안정성, 스트레스 감소, 참여도, 강건성 및 전반적인 학습 효율성의 개선 사항을 요약하여 제안된 접근 방식의 우수성을 입증합니다.
보충 파일 1: 데이터셋 생성 및 구조화된 데이터 표현을 위한 코드. 그래프 기반 정서적 커리큘럼 지능 프레임워크(GECIF)에서 사용된 MATLAB 기반 데이터셋 생성, 처리 파이프라인 및 평가 절차에 대한 요약입니다. 이 파일은 상호작용 로그 생성, 정서 지표 모델링, 학습 성과 계산, 그래프 구축, 특성 공학, 통계 분석, 검증 확인 및 데이터 내보내기 절차를 포함한 시뮬레이션 단계에 대한 개요를 제공하여, 제안된 방법론의 재현성, 투명성 및 명확성을 지원합니다.이 파일을 다운로드하려면 여기를 클릭하십시오.
토론
본 연구에서는 그래프 기반 표현 학습, 정서 상태 모델링, 적응형 커리큘럼 최적화 및 AI 기반 시각적 교수법을 대학 음악 교육을 위한 통합 계산 프레임워크로 결합한 그래프 기반 정서 커리큘럼 지능 프레임워크(GECIF)를 제안하였습니다. 주로 학업 성취도 최적화에 집중하는 기존의 AI 지원 교육 모델과 달리, 제안된 프레임워크는 지식 습득, 정서 조절, 학습자 참여 및 적응형 커리큘럼 진화 간의 상호작용을 동시에 모델링합니다. 시뮬레이션 결과, 제안된 프레임워크는 지식 습득량, 정서적 안정성, 학습자 참여도 및 스트레스 감소를 포함한 여러 평가 지표 전반에서 기존 베이스라인 모델보다 일관되게 우수한 성능을 보였습니다. 이러한 결과는 관계형 그래프 구조와 정서 인식 학습의 통합이 인지적 적응에만 의존하는 접근 방식보다 교육 과정에 대해 더욱 포괄적인 계산적 표현을 제공함을 시사합니다.
시뮬레이션 학습 성과에서 관찰된 개선 사항은 AI 기반 적응형 교육의 최근 발전 방향과 일치합니다. AI 기술은 학습자의 특성과 교육적 요구에 대응할 수 있는 개인 맞춤형 및 적응형 학습 환경을 구축하는 데 효과적인 도구로 점점 더 인정받고 있습니다18,19,20. 특히, 인공지능이 지원하는 적응형 커리큘럼 설계는 교수적 유연성, 학습자 중심의 의사 결정 및 교육적 효과를 향상시키는 것으로 나타났습니다19,20. 또한, AI 보조 평가 및 지능형 피드백 시스템은 지속적인 평가와 적응형 교수 지원을 통해 학생의 성취도를 높이는 데 상당한 잠재력이 있음을 입증했습니다21,22,23. 이러한 이전 연구들과 비교하여, 제안된 GECIF 프레임워크는 인지적 지식, 정서적 역동성 및 적응형 학습 행동을 단일 그래프 기반 계산 아키텍처 내에 통합함으로써 기존 방법론을 확장합니다. 결과적으로, 본 프레임워크는 인지적 성과와 학습자 적응을 별개의 구성 요소로 처리하는 대신 교육 과정에 대한 통합된 표현을 제공합니다.
제안된 프레임워크 내의 정서 모델링 통합은 음악 교육 및 정서적 학습에 관한 이전 연구들에 의해 뒷받침됩니다. Li1는 딥러닝과 결합된 정서 시각화가 학습자와 교육 콘텐츠 간의 상호작용을 강화함으로써 음악 미학 교육을 개선한다는 것을 입증했습니다. 이와 유사하게, Zhao3는 인지 매핑과 시청각 음악 치료의 통합이 대학생들의 불안을 효과적으로 감소시킨다고 보고하며, 정서 조절과 학습 성과 사이의 밀접한 관계를 강조했습니다. Iyendo 등4은 시청각 예술 및 음악 중재가 정서적 스트레스와 관련된 증상을 완화하여 심리적 웰빙을 유의미하게 개선한다는 것을 추가로 입증했습니다. 따라서 본 시뮬레이션에서 관찰된 정서적 안정성의 향상은 정서적 인식이 성공적인 음악 교육의 필수 요소임을 나타내는 이전의 증거들과 일치합니다. 정서적 중재를 주로 독립적인 교육 전략으로 조사했던 이전 연구들과 달리, 제안된 프레임워크는 정서적 역동성을 그래프 기반의 커리큘럼 최적화에 직접 내장하여, 학습 과정 전반에 걸쳐 정서 상태가 적응형 교수 결정에 지속적으로 영향을 미칠 수 있도록 합니다.
시뮬레이션된 학습자 스트레스의 감소는 고등 교육 내 학생들의 정신 건강에 관한 최근 문헌들과 유사하게 일관된 결과를 보입니다. 학업 스트레스는 대학생들의 심리적 안녕감 저하와 교육적 성취도 감소를 예측하는 주요 요인으로 확인되었습니다28,29,30. 체계적 문헌 고찰에 따르면, 구조화된 스트레스 관리 중재는 학업 기능과 심리적 건강 모두를 유의미하게 개선하는 것으로 나타났습니다27. 보다 최근에는 AI 지원 디지털 중재가 대학생들의 스트레스 관리와 적응적 자기 조절을 촉진하는 데 효과적임이 입증되었습니다29. 본 프레임워크는 스트레스 감소가 별도의 치료 기제가 아닌, 인지적 및 정서적 상호작용의 적응적 최적화를 통해 나타난다는 점에서 이러한 중재 기반 접근 방식과 차이가 있습니다. 결과적으로, 제안된 프레임워크에서 관찰된 낮은 스트레스 수준은 정서적으로 적응적인 커리큘럼 설계 자체가 인지적 과부하를 줄이는 동시에 학습 성과 향상을 지원할 수 있음을 시사합니다.
본 연구에서 관찰된 학습자 참여도의 향상은 AI 지원 시각 교육 및 개인 맞춤형 교수 기술을 조사한 이전 연구들과도 일맥상통합니다. Bian 등12은 AI가 생성한 시각적 콘텐츠가 교육 환경에서 교실 참여도, 학습자 자기효능감 및 인지 능력을 유의미하게 향상시킨다는 것을 입증했습니다. 마찬가지로, Johnson 등34은 디지털 시각 학습 환경이 학생의 참여도를 강화하고 스트레스가 많은 교육 조건 하에서 더 적극적인 참여를 촉진한다고 보고했습니다. 특히 음악 교육 분야에서 AI 지원 교수 기술은 개인 맞춤형 학습 경로를 촉진하고 교육적 혁신을 개선하는 것으로 나타났습니다41. 제안된 GECIF 프레임워크는 적응형 시각 교수법과 그래프 기반 감정 모델링을 결합함으로써 이러한 연구 결과들을 보완하며, 이를 통해 학습 과정 전반에 걸쳐 학습자 참여, 감정 조절 및 인지 발달이 동시에 진화할 수 있도록 합니다.
본 연구에서 관찰된 정서 조절과 학습 성취도 사이의 관계는 더 광범위한 정신 건강 연구에 의해서도 뒷받침됩니다. 정서 조절은 심리적 안녕감과 건강한 교육적 기능의 근본적인 결정 요인으로 확인되었습니다32. 마찬가지로, 학생 웰빙 모델은 정서적 회복탄력성과 심리적 안정성이 성공적인 학업 성과와 밀접하게 연관되어 있음을 강조합니다15,16,17. 대학생을 대상으로 한 연구들은 정신 건강 증진이 회복탄력성, 참여도 및 장기적인 교육적 성취를 향상시킨다고 일관되게 보고해 왔습니다14,15,16,17. 본 시뮬레이션에서도 정서적 안정성의 향상이 더 높은 지식 습득 및 더 강력한 학습자 참여로 이어진다는 유사한 계산적 행동이 입증되었습니다. 현재의 조사는 전적으로 시뮬레이션 기반이므로 실제 학습자에서의 인과 관계를 확립할 수는 없으나, 계산 결과는 정서 조절을 독립적인 교육적 결과로 취급하기보다 지능형 교육 시스템에 직접 통합해야 한다는 점에 대한 점점 커지는 합의를 강화합니다.
기존의 계산적 접근 방식과 비교하여, 제안된 프레임워크는 몇 가지 개념적 이점을 제공합니다. 현대의 AI 기반 교육 시스템은 학습 효과를 높이기 위해 적응형 평가, 개인화된 피드백 및 지능형 의사 결정 지원을 점점 더 많이 채택하고 있습니다21,22,23. 마찬가지로, AI 기반 적응형 교육과정 모델은 학습자 개인화와 동적 교수 계획을 강조합니다18,19,20. 그러나 이러한 접근 방식들은 일반적으로 정서적 정보를 별도로 표현하거나 완전히 생략한 채, 주로 인지적 지표를 통해 학습자의 성취도를 평가합니다. 이와 대조적으로, 제안된 GECIF 프레임워크는 지식 습득, 정서적 역동성, 학습자 참여 및 적응형 교육과정의 진화를 통합된 그래프 표현 내에서 동시에 모델링합니다. 이러한 통합 모델링 전략은 인지적, 행동적, 정서적 변수 간의 지속적인 상호작용을 가능하게 하며, 이를 통해 기존의 AI 기반 교육 시스템보다 교육 과정에 대해 더욱 포괄적인 계산적 설명을 제공합니다.
이 프레임워크는 음악 학습이 본질적으로 기술적 숙련도 습득, 정서적 표현, 창의성 및 학습자 참여를 결합하고 있기 때문에 음악 교육에 특히 적합합니다. 이전 연구들에 따르면 음악, 시각 예술 및 창의적인 교육 활동의 통합은 심리적 발달, 정서적 웰빙 및 교육적 동기 부여에 기여하는 것으로 나타났습니다36,37. 또한, 음악 전공 학생들은 흔히 상당한 학업량과 심리적 스트레스를 경험하며, 이는 적응형 교육 지원 메커니즘의 중요성을 강조합니다25,26. 제안된 프레임워크는 단일 그래프 기반 모델 내에서 기술적 학습 진전, 정서적 적응 및 적응형 교수 최적화를 동시에 표현할 수 있는 계산 메커니즘을 제공함으로써 이러한 교육적 관점을 확장합니다. 결과적으로, 이 프레임워크는 교육적 성과와 학습자의 웰빙을 모두 최적화하고자 하는 미래의 지능형 음악 교육 시스템을 위한 해석 가능한 계산적 기반을 제공합니다.
그럼에도 불구하고 몇 가지 한계점이 인정되어야 한다. 첫째, 본 프레임워크는 제어된 컴퓨터 시뮬레이션 내에서 생성된 합성 데이터만을 사용하여 평가되었으며, 따라서 보고된 개선 사항은 실제 학생 집단으로부터 얻은 경험적 증거보다는 알고리즘의 성능을 반영한다. 둘째, 정서적 변수는 실제 인간의 복잡한 정서적 과정을 단순화한 수학적 추상화를 통해 표현되었다. 셋째, 사전 정의된 그래프 구조와 최적화 파라미터가 실제 교육 현장에서 마주하는 교육 환경의 다양성을 충분히 나타내지 못할 수 있다. 마지막으로, 그래프 기반 최적화는 추가적인 계산 복잡성을 유발하며, 이는 지능형 교육 시스템에 대규모로 배포하기 전 추가적인 최적화가 필요할 수 있다.
따라서 향후 연구에서는 실제 교육 데이터셋과 실제 교실 환경을 사용하여 제안된 프레임워크를 검증해야 한다. 행동 상호작용 로그, 생리학적 측정치, 시청각 관찰 및 디지털 학습 흔적을 포함한 다중 모달 교육 정보를 통합하면 정서 상태 추정 및 적응형 커리큘럼 최적화의 현실성을 크게 향상시킬 수 있을 것이다. 최신 AI 기반 적응형 학습 시스템18,19,20,21,22와의 비교 평가를 통해 그래프 기반 정서 모델링의 상대적 장점을 더욱 명확히 할 수 있을 것이다. 또한, 본 프레임워크를 음악 교육을 넘어 다른 교육 분야로 확장함으로써 일반화 가능성과 실제 적용 가능성에 대한 근거를 강화할 수 있을 것이다. 본 시뮬레이션 기반 연구는 그래프 기반 관계 학습과 정서 모델링의 통합이 차세대 지능형 교육 시스템을 위한 유망한 방향임을 보여준다. 이러한 결과는 AI 지원 적응형 교육, 정서 인지 음악 교수법, 개인 맞춤형 학습 및 학생 정신 건강 연구의 최신 진전 상황과 일치한다25,26,27,28,29,30. 실제 학습자를 통한 검증이 여전히 필요하지만, 제안된 GECIF 프레임워크는 인지적 성과, 정서적 웰빙, 학습자 참여도 및 적응형 커리큘럼 설계를 동시에 최적화할 수 있는 미래 AI 기반 교육 시스템을 위한 구조화된 계산적 토대를 제공한다.
공개 사항
저자는 이해관계의 충돌이 없습니다.
감사의 글
저자는 본 연구를 수행하는 데 필요한 학술적 환경과 제도적 지원을 제공해 준 안칭사범대학교 음악학과에 진심으로 감사를 표합니다. 특히 제안된 프레임워크의 개발 및 평가 과정에서 귀중한 통찰과 피드백을 제공해 준 동료들과 학생들에게 깊은 감사를 드립니다. 또한, 리소스 및 연구 인프라에 대한 접근을 지원해 준 안칭사범대학교의 도움에 감사드립니다.
재료
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| 32 GB DDR4 RAM 모듈 | Kingston Technology | NA | |
| GPU 가속용 CUDA Toolkit (v11.8) | NVIDIA | version 1.18 | |
| 커리큘럼 적응 엔진 | Custom Implementation | CAE003 | |
| 데이터셋: 정서적 지표 | Generated Dataset | DEI006 | |
| 데이터셋: 학습 성취도 지표 | Generated Dataset | DLPM007 | |
| 데이터셋: 학생 상호작용 로그 | Generated Dataset | DIL005 | |
| 정서 상태 시뮬레이션 모듈 | Custom Implementation | ESM002 | |
| GPU 워크스테이션 (NVIDIA RTX 3080) | NVIDIA | NA | |
| 그래프 신경망 구현 모듈 | Custom Implementation | NA | |
| Intel Core i7 프로세서 (3.6 GHz) | Intel Corporation | NA | |
| Jupyter Notebook 환경 (v6.5) | Project Jupyter | version 6.5 | |
| MATLAB 소프트웨어 (R2023a) | MathWorks | R2023a | |
| Matplotlib 시각화 라이브러리 (v3.7) | Matplotlib | version 3.7 | |
| NetworkX 그래프 처리 라이브러리 (v3.1) | NetworkX Developers | version 3.1 | |
| NumPy 수치 계산 라이브러리 (v1.24) | NumPy Developers | version 1.24 | |
| 최적화 모듈 (다목적 솔버) | Custom Implementation | MOS008 | |
| Pandas 데이터 처리 라이브러리 (v2.0) | Pandas Development Team | version 2.0 | |
| Python 프로그래밍 환경 (v3.10) | Python Software Foundation | version 3.10 | |
| PyTorch 딥러닝 프레임워크 (v2.0) | Meta AI | version 2.0 | |
| 랜덤 시드 초기화 스크립트 | Custom Implementation | RSI009 | |
| Scikit-learn 머신러닝 라이브러리 (v1.3) | Scikit-learn | version 1.3 | |
| Seaborn 통계 시각화 라이브러리 (v0.12) | Seaborn | version 0.12 | |
| TensorFlow 라이브러리 (v2.12) | version 2.12 | ||
| 시각적 학습 인터페이스 툴킷 | Custom Implementation | VLI004 | |
| Windows 11 운영체제 | Microsoft | W11 |
참고문헌
- 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.