Onderzoek naar het integreren van narratieve simulatie en visuele AI in onderwijsmanagement om mentale gezondheidscapaciteit aan universiteiten op te bouwen

Samenvatting

Deze studie integreert narratieve simulatie en visuele AI in onderwijsmanagementsystemen om de mentale gezondheid, emotionele veerkracht en betrokkenheid van universiteitsstudenten te verbeteren.

Samenvatting

Studenten aan universiteiten krijgen steeds vaker te maken met mentale gezondheidsuitdagingen, waaronder angst, depressie en stress, maar de meeste instellingen voor hoger onderwijs missen proactieve systemen voor emotionele monitoring en ondersteuning. Deze studie had als doel een hybride onderwijsbeheersysteem te ontwerpen, implementeren en evalueren dat narratieve simulatie integreert met visuele kunstmatige intelligentie (AI) om geestelijke gezondheidsvaardigheden en emotionele veerkracht bij studenten te bevorderen. Het systeem bevat een verhalende besluitvormingsmodule die stressscenario's simuleert en een AI-gestuurde emotieherkenningstool (gebaseerd op gezichtsuitdrukkingsdetectie) die is ingebed in klasomgevingen. Er werd een gemengd methodenontwerp toegepast met 332 bachelorstudenten en 15 docenten van meerdere universiteiten. Pre- en postinterventieenquêtes, gebruikslogboeken en realtime emotionele data van visuele AI werden verzameld. Kwantitatieve gegevens werden geanalyseerd met behulp van beschrijvende statistieken, gepaarde t-tests, ANOVA en meervoudige lineaire regressie. De resultaten gaven statistisch significante verbeteringen aan in de mentale gezondheidsscores van studenten (p < 0,01), emotioneel bewustzijn en zelfvertrouwen in besluitvorming. Deze geïntegreerde aanpak toont zowel bruikbaarheid als schaalbaarheid, en biedt docenten vroege emotionele inzichten en studenten een reflectieve leeromgeving. De methode is het beste geschikt voor instellingen die zijn uitgerust met AI-geschikte klaslokalen en getrainde ethische toezichthouders.

Inleiding

Geestelijke gezondheid is een urgent probleem geworden in het hoger onderwijs, met toenemende niveaus van angst, depressie en burn-out die wereldwijd onder universiteitsstudenten worden gemeld¹. Deze psychologische lasten, vaak gekoppeld aan academische overbelasting, sociale druk en financiële onzekerheid, hebben een negatieve invloed op academische prestaties, behoud en het langetermijnwelzijn². Hoewel veel instellingen counselingdiensten en crisisinterventies hebben ingevoerd, zijn dergelijke benaderingen vaak reactief en beperkt^{in bereik.} Er is een groeiende vraag naar proactieve, schaalbare en ingebouwde strategieën die de psychologische veerkracht van studenten in dagelijkse leeromgevingen ondersteunen.

Recente ontwikkelingen in onderwijstechnologie bieden nieuwe mogelijkheden om emotionele ondersteuning direct in onderwijssystemen te integreren. Twee veelbelovende benaderingen zijn narratieve simulatie en visuele kunstmatige intelligentie (AI). Narratieve simulatie verwijst naar interactieve, verhalende modules die studenten in emotioneel complexe situaties plaatsen, wat reflectie, empathie en besluitvorming stimuleert. Geworteld in ervaringsleertheorie, stellen deze simulaties leerlingen in staat om reacties te oefenen op uitdagingen zoals toetsangst, tijdmanagement of conflicten met leeftijdsgenoten in een veilige, geleide omgeving ^4,5. Experiential Learning Theory suggereert verder dat reflectie en actief experimenteren cruciaal zijn om ervaring om te zetten in duurzaam leren, waardoor narratieve simulatie een haalbaar middel is om emotionele intelligentie en adaptieve coping te bevorderen.

Visuele AI gebruikt machine learning-modellen om de emotionele toestand van leerlingen in realtime af te leiden, bijvoorbeeld uit gezichtsuitdrukkingen, blik of houding⁶. Wanneer dergelijke systemen ethisch en met geïnformeerde toestemming worden ingezet, kunnen ze functioneren als vroegtijdige waarschuwingsinstrumenten, waarbij stress of ontkoppeling wordt geïdentificeerd vóór escalatie⁷. Ingebed in onderwijsmanagementplatforms kan visuele AI tijdige feedback aan docenten geven en zo gepersonaliseerde academische of emotionele reacties ondersteunen. Deze integratie sluit aan bij de cognitieve gedragstheorie, die benadrukt dat het vergroten van het bewustzijn van maladaptieve cognities en het herstructureren ervan emotionele uitkomsten kan verbeteren.

Deze benadering sluit ook aan bij hedendaagse opvattingen over onderwijsmanagement als de orkestratie van de studentenervaring in digitale en fysieke omgevingen. Door geestelijke gezondheidsondersteuning in deze infrastructuur te integreren, wordt veerkrachttraining onderdeel van het academisch proces in plaats van een optionele aanvulling⁸. Het sluit verder aan bij het Transactionele Model van Stress en Coping, dat emotieregulatie kadert als een dynamische wisselwerking tussen beoordeling en copingstrategieën; hier draagt visuele AI bij aan primaire beoordeling (het detecteren van signalen), terwijl narratieve simulatie secundaire beoordeling (het verkennen van coping-alternatieven) in een psychologisch veilige ruimte ondersteunt.

Ondanks de groeiende interesse hebben weinig empirische studies het gecombineerde gebruik van visuele AI en narratieve simulatie voor geestelijke gezondheidsondersteuning in het hoger onderwijs geëvalueerd. Bovendien zijn belangrijke constructies zoals geestelijke gezondheidsgeletterdheid, "de kennis en overtuigingen die helpen bij het herkennen, beheren of voorkomen van psychische stoornissen^", en emotionele veerkracht, het vermogen om zich aan te passen aan psychologische^stress, vaak onderoperationeel. Deze studie vult deze hiaten aan door een geïntegreerd onderwijs-managementsysteem te ontwerpen en te testen dat narratieve simulatie combineert met visuele-AI-componenten om vroege identificatie van stress te bevorderen en de zelfregulatie van studenten te bevorderen.

Doelstelling en belangrijke bijdrage

Deze studie onderzoekt hoe narratieve simulatie en visuele AI zinvol geïntegreerd kunnen worden in onderwijsmanagementsystemen om mentale gezondheidsproblemen onder universiteitsstudenten aan te pakken. In plaats van mentale gezondheid als een externe dienst te behandelen, is het doel om emotionele betrokkenheid en vroege psychologische ondersteuning in routinematig leren te integreren. Door interactieve besluitvormingsscenario's te combineren met realtime emotionele monitoring krijgen studenten mogelijkheden voor reflectieve oefening, terwijl docenten gevoelig kunnen reageren op tekenen van stress.

Het systeem is conceptueel gebaseerd op ervaringsgericht leren, waarbij praktijk, feedback en emotionele betrokkenheid worden benadrukt als drijfveren van gedragsverandering. Narratieve simulaties brengen bekende academische stressfactoren mee (bijvoorbeeld tijdsdruk, spanning tussen groepen) die emotioneel relevante keuzes vereisen. Parallel monitort een visuele-AI-tool, gekalibreerd voor gezichtsuitdrukkingsinferentie, moment-tot-moment veranderingen tijdens lessessies. De benadering is ook gebaseerd op de Emotionele Intelligentietheorie, die zelfbewustzijn, empathie en regulatie identificeert als kerncompetenties van veerkracht.

Het onderzoek betrof 332 bachelorstudenten en 15 docenten in drie vakgebieden. Met behulp van een mixed-methods-ontwerp beoordeelden we of angst, depressie en stress afnamen, en of het emotionele bewustzijn en het beslissingsvertrouwen van studenten verbeterden. Statistische modellering en kwalitatieve analyses informeren gezamenlijk hoe emotiebewuste technologieën het welzijn van studenten kunnen ondersteunen, niet als vervanging voor professionele zorg, maar als een preventief, schaalbaar onderdeel van het dagelijks academische leven.

Systeemoverzicht

Deze studie is opgedeeld in vijf hoofdsecties. De inleiding presenteert de achtergrond en motivatie om mentale gezondheidsuitdagingen in het hoger onderwijs aan te pakken. De tweede sectie bespreekt bestaande literatuur over narratieve simulatie, visuele AI en hun toepassingen in onderwijscontexten. Het derde deel beschrijft het onderzoeksontwerp, inclusief de mixed-methods-benadering, participatiewerving en analytische technieken. De vierde sectie presenteert de belangrijkste bevindingen, zowel kwantitatief als kwalitatief, met de nadruk op veranderingen in de emotionele veerkracht en het bewustzijn van de geestelijke gezondheid van studenten. Tot slot bespreekt de conclusie de bredere implicaties van de bevindingen en stelt het toekomstige richtingen voor de integratie van emotiebewuste technologieën in de onderwijspraktijk.

Gerelateerd werk

Universiteiten hebben diverse benaderingen getest ter ondersteuning van geestelijke gezondheid, waaronder peer-geleide outreach, digitale campagnes en klaslokaalinterventies¹¹. Campusbrede boodschap gecombineerd met studentenondersteuning kan de betrokkenheid en het bewustzijn van de dienstverlening verbeteren, hoewel het aanpassen van de aandacht aan diverse groepen een uitdaging blijft¹². Op populatieniveau is onderzoek vaak gebaseerd op zelfrapportageonderzoeken gebaseerd op diagnostische criteria¹³, die causale inferentie beperken en realtime indicatoren van stam^14,15 over het hoofd zien.

Een groeiende werkrichting onderzoekt emotionele intelligentie (EI) als voorspeller van het welzijn van studenten; Eigenschappen zoals zelfbewustzijn, helderheid en emotioneel herstel worden geassocieerd met betere resultaten, waarbij verbondenheid vaak wordt geïdentificeerd als een bemiddelaar¹⁶. Toch zijn veel bevindingen gebaseerd op eenmalige enquêtes, waarbij dynamische feedback voor blijvende ondersteuning ontbreekt. Het integreren van EI-geïnformeerde principes in narratieve simulatie biedt een weg om empathie, reflectie en zelfregulatie te verdiepen.

Tegelijkertijd integreren onderwijsonderzoekers AI steeds vaker in leeromgevingen¹⁷. Visuele-AI-tools die gezichtsuitdrukkingen of stressgerelateerde micro-expressies detecteren, zijn ingezet bij examens en bijles, met veelbelovende resultaten voor adaptieve feedback¹⁸. Narratieve simulaties zijn goed ingeburgerd in de verpleegkunde/medische opleiding voor het oefenen van emotioneel geladen beslissingen¹⁹, maar deze toepassingen zijn vaak domeinspecifiek en zelden geïntegreerd in algemene onderwijsmanagementsystemen²⁰. Een klein aantal werken stelt kaders voor samenwerking tussen studenten en AI en AI-gedreven instructieontwerp^21,22, met nadruk op ethiek, implementatietekorten en de noodzaak van schaalbare modellen die pedagogische en psychologische waarde leveren die verder gaan dan nieuwigheid.

Deze studie brengt het vakgebied vooruit door narratieve simulatie te integreren met realtime affectief computergebruik om een proactieve, ingebouwde reactie te creëren op mentale gezondheidsuitdagingen in universitaire leeromgevingen.

Onderzoekstekort en praktische implementatieoverwegingen

Hoewel digitale hulpmiddelen voor geestelijke gezondheid van studenten steeds meer toenemen, vertrouwen veel studies op zelfrapportage en kortetermijninterventies buiten de klasomgeving, waardoor de langetermijnimpact en tijdigheid beperkt worden. Weinig inspanningen verbinden constructies als EI of mentale gezondheidsvaardigheden met realtime feedback of waarneembaar gedrag in de klas. Visuele AI en narratieve simulatie zijn afzonderlijk onderzocht, maar zelden gecombineerd tot één systeem dat emotionele toestanden tijdens academische activiteiten zowel volgt als erop reageert. Deze studie vult die kloof aan door simulatie-gebaseerde emotionele reflectie te koppelen aan AI-gedreven erkenning binnen de leeromgeving zelf.

Praktische implementatieoverwegingen

Effectieve inzet is afhankelijk van infrastructuur (stabiel internet, geïntegreerde camera's), ethisch toezicht en algoritmekalibratie om deelnemers te beschermen en vooroordelen te verminderen, vooral wanneer gezichtsanalyse betrokken is. Ook is opleiding van docenten noodzakelijk om AI-gegenereerde aanwijzingen verantwoord te interpreteren en te integreren in pedagogische beslissingen. Daarom past deze aanpak het beste bij universiteiten met gevestigde digitale infrastructuren en ethische ethische commissies, waar het kan functioneren als een proactief, schaalbaar kader voor de empowerment van studenten in de geestelijke gezondheid.

Protocol

Voorafgaand aan gegevensverzameling werd ethische goedkeuring verkregen van de Institutional Review Board van de Nanjing University of Posts and Telecommunications (Goedkeuringscode: NJUPT-IRB-2024-0312). Alle deelnemers gaven schriftelijke geïnformeerde toestemming na briefing over de omvang van het onderzoek, het vrijwillige karakter van deelname, het gebruik van visuele AI voor emotietracking en procedures voor gegevensvertrouwelijkheid. Deelname kon op elk moment zonder straf worden stopgezet. De gebruikte software en apparatuur staan vermeld in de Materiaaltabel.

1. Studievoorbereiding

1. Definitie van de operationele tijdlijn en end-to-end flow
   Er werden twee beoordelingspunten vastgesteld: T1 (voor de interventie), direct na het eerste examen, en T2 (na de interventie), na korte feedback van instructeurs die werden geleid door AI-emotiesignalen. Na de examenperiode werd één narratieve simulatie gepland, en enkele dagen later een tweede simulatie om veranderingen in coping te beoordelen. De end-to-end pijplijn, waaronder input van de klaskamercamera, emotieherkennings-API, feedback van instructeurs, enquête-verzameling, data-integratie en analyse, wordt geïllustreerd in Figuur 1A.
2. Werving en documentatie van deelnemers
   In totaal werden 347 deelnemers gerekruteerd via vrijwillige inschrijving uit bestaande cursussen, waaronder 332 bachelorstudenten (leeftijd 18-22; 140 mannen, 192 vrouwen) en 15 docenten (leeftijd 27-45; 10 vrouw, 5 mannen). De academische jaar- en afdelingsverdelingen werden geregistreerd. Demografische gegevens van studenten en docenten worden respectievelijk weergegeven in Tabel 1 en Tabel 2.
3. Voorbereiding van klaslokalen en materialen
   Elke kamer was uitgerust met een computer (Intel i5 of hoger, ≥ 8 GB RAM), een HD-webcam (≥ 720p) en stabiele internetverbinding (≥ 10 Mbps). De webcam was op ooghoogte geplaatst onder uniforme voorverlichting om heldere zichtbaarheid op ≥ 640 × 480 px te garanderen. Een melding gaf aan dat emotietracking actief was. Framing en verlichting werden voor elke sessie geverifieerd, en softwareconfiguratie werd gestart zodra de detectiestabiliteit was bevestigd.

2. Configuratie van visuele AI

1. Inzet van de emotieherkenningsdienst
   Er werd een cloudaccount aangemaakt en de emotieherkennings-API werd ingeschakeld. De API-sleutel en eindpunt-URL werden gegenereerd, waarbij inloggegevens in versleutelde vorm werden opgeslagen onder rolgebaseerde toegangscontrole. Voor reproduceerbaarheid werd Microsoft Azure Face API (Emotion, v3.2, regio Oost-Azië) gebruikt. De client authenticeerde via HTTPS met een bearertoken en retourneerde per-face JSON-objecten met {faceId, faceRectangle, emoties: {anger, fear, verdriet, walging, geluk, verrassing, neutraal}, timestamp} met ongeveer 25-30 fps.
2. Aansluiting van de camera en kalibratie van detectie
   De webcamstream van het klaslokaal was gekoppeld aan de API-client (Python of REST). De samplefrequentie was ingesteld op 25-30 fps met een frameresolutie van 640 × 480 px. Een teststroom werd gestart en de connectiviteit werd bevestigd door een HTTP 200 OK-antwoord te ontvangen met een geldig tijdstempel JSON. De camerahoek en belichting werden aangepast totdat gezichten binnen één seconde na beeldinvoer werden gedetecteerd. De uiteindelijke camerapositie en belichtingsparameters werden vastgelegd. De kalibratie werd aangetoond door een bevestigingsscherm met begrenzingsboxen, de 200 OK-indicator en JSON-velden, zoals geïllustreerd in Figuur 1B.
3. Definitie van classificatiedrempels en logregels
   Elke JSON-output bevatte ISO 8601-tijdstempels, emotielabels en betrouwbaarheidswaarden. Een negatief-affect composiet per frame werd gedefinieerd als het gemiddelde van {woede, angst, verdriet, walging} vertrouwensscores. Er werd een spanningsvlag geactiveerd wanneer de composiet minstens 5 seconden (rolling window) ≥ 0,75 bleef staan. Er werd een pilot run van 10 minuten uitgevoerd om de drempels te optimaliseren, met als doel een vals-positief percentage van ≤5% per sessie. Logging was geconfigureerd om sessieniveau-samenvattingen te aggregeren in plaats van identificeerbare frames op te slaan.
4. Implementatie van privacy- en dataminimalisatiecontroles
   Pseudonieme identificaties (S001-S332 voor studenten en F001-F015 voor docenten) werden toegewezen, waarbij het ID-sleutelbestand werd bijgehouden op een versleutelde server onder rolgebaseerde toegangscontrole. Lokale videocaching was uitgeschakeld. Wanneer tijdelijke caching nodig was voor kwaliteitsborging, werden gecachte frames binnen 24 uur na verificatie verwijderd. De nauwkeurigheid van detectie per sessie, gemiddelde latentie en foutpercentages werden vastgelegd voor latere presentatie in de Resultatensectie.
5. Verificatie van AI-gereedheid (procedureel controlepunt)
   Stabiele gezichtsdetectie bij 25-30 fps, ontvangst van HTTP 200 OK-reacties, geldige JSON-velden, gedocumenteerde drempelinstellingen en veilige opslag van inloggegevens werden bevestigd. De gehele pijplijn werd gerapporteerd als het doorstaan van gereedheidscontroles die overeenkomen met de kalibratieweergave in Figuur 1B.

3. Surveybeheer

1. Configuratie van instrumenten en ankers
   Er werd een 5-punts Likert-schaal gebruikt om depressie, angst en stress te meten, waarbij items werden aangepast uit DASS-21 om in overeenstemming te zijn met de academische context. Itemcodes en ankers volgden de instrumentenindeling die in Tabel 3 wordt weergegeven.
2. Toediening van T1 (pre-test)
   De enquête werd direct na het eerste examen afgenomen en vóór eventuele AI-geïnformeerde feedback. Er werd een beveiligd online formulier geïmplementeerd waarbij alle velden verplicht waren en dubbele inzendingen werden voorkomen. De dataset werd geëxporteerd in CSV-formaat met velden voor deelnemer-ID, tijdstip (T1) en itemscores.
3. Geven van korte feedback van de instructeur
   Binnen 24 uur na T1 werd niet-klinische begeleiding gegeven aan studenten die door AI waren geïdentificeerd. De feedback omvatte korte ontspanningsoefeningen (3-5 min), aanpassingen van het studieplan of suggesties voor tijdmanagement. Er werden geen klinische notities vastgelegd in de onderzoeksdataset. Studenten die ernstige nood vertoonden, werden doorverwezen naar campuscounseling diensten volgens het institutionele beleid.
4. Toediening van T2 (na de test)
   Dezelfde enquête werd opnieuw afgenomen na de tweede examensessie en de daaropvolgende feedback. Gegevens werden geëxporteerd in CSV-formaat met tijdstip (T2) en gekoppeld aan T1-antwoorden met behulp van deelnemer-ID's.
5. Vergrendeling van surveygegevens (procedureel controlepunt)
   Responspercentages en ontbrekende datapatronen werden geverifieerd, en de enquêtedatabase werd vergrendeld voordat de data werd samengevoegd. Beschrijvende statistieken waren gepland voor opname in de sectie Resultaten.

4. Narratieve simulatie-oefeningen

1. Uitvoering van Simulatie 1
   Er werd een academisch-stressscenario gepresenteerd, waarin situaties werden getoond zoals het krijgen van een laag cijfer of het ervaren van oneerlijke feedback. Elke student kreeg de instructie om een van drie reactieopties te kiezen: frustratie internaliseren, de docent publiekelijk de schuld geven, of reflecteren en verduidelijking zoeken. Er werd een duur van 3-5 minuten gereserveerd voor het selecteren van de reacties, gevolgd door een schriftelijke motivering van 150-200 woorden. De simulatie-interface die de timingprompt en responsopties weergeeft, is weergegeven in Figuur 1C.
2. Afnemen van korte interviews
   Direct na Simulatie 1 werden korte interviews van 5-7 minuten afgenomen om de beoordelingen, copingintenties en waargenomen emotionele triggers van de deelnemers te onderzoeken. Interviewnotities werden opgenomen en gekoppeld aan de ID's van de deelnemers.
3. Uitvoering van Simulatie 2
   Enkele dagen later werd een tweede simulatie uitgevoerd, volgens dezelfde procedure als Simulatie 1 maar met een parallel scenario. Deze sessie was bedoeld om veranderingen in emotioneel bewustzijn en copinggedrag te observeren. De keuze, onderbouwing en interviewnotities werden vastgelegd zoals in Simulatie 1.
4. Bevestiging van simulatierecords (procedureel controlepunt)
   Elke deelnemer werd geverifieerd met één geregistreerde keuze, één motivering van minstens 150 woorden en één bijbehorende interviewnotitie. Er werd een sjabloon voor codeersamenvattingen opgesteld voor latere thematische analyse.

5. Exporteren van AI-logs en samenvoegen van datasets

1. Export van sessie-niveau emotiesamenvattingen
   Sessie-niveau emotiesamenvattingen werden geëxporteerd in CSV-formaat, inclusief deelnemer-ID, sessie-ID, ISO 8601-tijdstempel, emotielabel, betrouwbaarheidswaarde en de stress-flag-indicator. Rawe videoframes werden niet opgeslagen.
2. Samenvoegen van AI-logs met surveybestanden
   AI-logbestanden werden samengevoegd met T1- en T2-enquêtedatasets waarbij deelnemer-ID en sessiedatum als belangrijke variabelen werden gebruikt. Afgeleide variabelen, zoals ΔAnxiety = Anxiety_T2 − Anxiety_T1, werden berekend om veranderingen in de tijd te beoordelen. Er werd een audit uitgevoerd van 5% van de samengevoegde records om de afstemming van identificaties en chronologische consistentie te verifiëren.
3. Bevestiging van de integriteit van samenvoeging (procedureel controlepunt)
   Één-op-één ID-matching en correcte temporele ordening, waarbij T1 voor elke deelnemer voorafging aan T2, werden bevestigd. Eventuele vastgestelde afwijkingen werden opgelost voordat statistische analyse werd uitgevoerd.

6. Kwantitatieve analyse (SPSS-workflow)

1. Invoer van gegevens en definitie van variabelen
   Databestanden werden geopend in SPSS 27.0 en CSV-datasets werden geïmporteerd. Variabelelabels en -typen werden gedefinieerd, en regels voor ontbrekende waarden werden vastgesteld. Masterbestanden werden opgeslagen in .sav formaat voor latere analyses.
2. Beoordeling van betrouwbaarheid en beschrijvende statistieken
   Cronbachs α werd voor elk construct berekend om interne consistentie te beoordelen. Beschrijvende statistieken, waaronder gemiddelde (M) en standaarddeviatie (SD), werden voor alle variabelen gegenereerd. De resulterende uitlatingen werden behouden voor opname in de Resultatensectie.
3. Uitvoering van gepaarde t-tests
   Gekoppelde t-tests werden uitgevoerd om T1- en T2-scores voor angst, depressie en stress te vergelijken. De resultaten omvatten t, vrijheidsgraden (df), p-waarde, Cohen's d en 95% betrouwbaarheidsinterval (BI), die allemaal werden gepresenteerd in de Resultatensectie.
4. Uitvoering van herhaalde maatregelen ANOVA
   Tijd (T1, T2) werd gespecificeerd als een factor binnen het onderwerp in een ANOVA met herhaalde metingen. Mauchly's test van sfericiteit werd geëvalueerd en de Greenhouse-Geisser-correctie werd toegepast wanneer aannames werden geschonden. De analyse rapporteerde F-, df-, p-,^η-2- en 95% BI-waarden voor opname in de resultaten.
5. Fitting van meerdere lineaire regressiemodellen
   Meerdere lineaire regressiemodellen werden uitgerust met T2-uitkomsten geregresseerd op T1-scores, AI-stress-flag rate en narratieve keuze (dummy-coded). Modelresultaten werden samengevat door β, standaardfout (SE (Standaardfout), t-waarde, p-waarde en R² te rapporteren.
6. Onderhoud van eenheids- en notatiestandaarden
   Alle numerieke waarden volgden de conventies van SI-eenheden, met een ruimte tussen getal en eenheid (bijv. 10 min, 25 fps, 640 × 480 px). Vergelijkingen werden waar passend ingevoegd met behulp van de Word-vergelijkingstool, en de statistische notatie werd consistent gehouden in alle secties.

7. Workflow van thematische analyse

1. Samenstelling van het kwalitatieve corpus
   Interviewnotities werden getranscribeerd en narratieve motiveringen werden samengevoegd in één corpus, gelabeld op deelnemer-ID en tijdstip (Sim1 of Sim2). Dit corpus diende als dataset voor kwalitatieve analyse.
2. Ontwikkeling van het codeboek en training van programmeurs
   Er werd een codeboek ontwikkeld dat zich richt op emotionele betrokkenheid, de kwaliteit van besluitvorming en indicatoren van emotionele intelligentie, waaronder zelfbewustzijn, empathie en emotionele regulatie. Twee coders werden getraind op 10% van het corpus om consistente interpretatie van codes en analytische criteria te waarborgen.
3. Vaststelling van interraterbetrouwbaarheid en voltooiing van codering
   De betrouwbaarheid van interraters werd beoordeeld met een Cohen-doel-κ van minstens 0,75. Eventuele afwijkingen werden besproken en opgelost voordat het codeboek werd afgerond. Het resterende corpus werd vervolgens volledig gecodeerd. Themafrequenties werden samengevat en er werd een representatieve thematische kaart voorbereid voor presentatie in de Resultatensectie. Er werd één representatief citaat gekozen om elk kernthema te illustreren.

8. Kwaliteitscontrole, probleemoplossing en archivering

1. Oplossing van technische kwesties
   Wanneer de gezichtsdetectie laag was, werd de voorkant van de verlichting verbeterd en de camerahoek aangepast. De framerates bleven binnen de 25-30 fps. In gevallen waarin flags voor overmatige stress werden waargenomen, werd de detectiedrempel verhoogd tot 0,80 of werd het detectievenster verlengd tot minstens 8 s om de resultaten te stabiliseren.
2. Garantie van dataconsistentie
   Deelnemers-ID's en tijdspunten werden gevalideerd vóór de data-analyse. Coders werden na elke 50 transcripties opnieuw gekalibrerd om codeerdrift te voorkomen. Een checklist voor kwaliteitscontrole op sessieniveau werd bijgehouden en ondertekend door zowel de sessieleider als de databeheerder om de procedurele integriteit te documenteren.
3. Archiveren van datasets en documentatie
   Alle analysebestanden werden gede-identificeerd door directe identificaties te vervangen door deelnemer-ID's. Toestemmingsformulieren werden apart opgeslagen van onderzoeksgegevens. Definitieve datasets, SPSS-syntaxbestanden, codeboeken en kwaliteitscontrolelogs werden gearchiveerd op een beveiligde server met beperkte toegang.

Resultaten

Beschrijvende analyse

Pre-post-vergelijkingen gaven consistente dalingen in nadelige effecten na implementatie aan. De post-test gemiddelden daalden tot 2,87 voor angst, 2,74 voor depressie en 2,69 voor stress, van respectievelijk 3,25, 3,11 en 3,08 (Figuur 2). Beschrijvende uitkomsten worden samengevat in Tabel 4, en de structuur van het instrumentenniveau op itemniveau wordt weergegeven in

Discussie

De studie toont aan dat wanneer narratieve simulatie wordt gecombineerd met visuele AI, emotioneel bewustzijn een gedeeld proces wordt in plaats van een eenrichtingsinterventie. Studenten reageerden niet alleen op een digitaal hulpmiddel; Ze hielden zich bezig met een gestructureerde emotionele reflectie die cognitieve beoordeling verbond met belichaamde ervaring. Over de hele dataset toonden zowel kwantitatieve als kwalitatieve resultaten een consistent patroon van verminderde angst en ...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Hardware	Facial Recognition Camera	Logitech (of soortgelijk)	C920 HD Webcam
Instrument	Verzameling van interviewtranscripties	Handmatige invoer	Audio-opnames/tekst
Vragenlijst	Aangepaste DASS-21 schaal	Aangepast door auteurs	5-punts Likert-formaat
Software	Microsoft Azure Emotion API	Microsoft	Emotion API v3 (Cloud)
Software	SPSS Statistics	IBM	Versie 26
Software	Narrative Simulation System	Zelf ontwikkeld	Webgebaseerd (HTML5)
Systeemplatform	Universitair Onderwijsbeheersysteem	Interne platform	Geïntegreerd met AI-module