Onderzoeksartikel

Kunstmatige intelligentie muziekplatform voor pianostudenten verbetert het leren en vermindert angst: gerandomiseerde studie met signalen voor hartslagvariabiliteit

246 weergaven

⸱

DOI:

10.3791/69106

⸱

21 april 2026

1School of Arts, Jingchu Technology University

In dit artikel

Samenvatting

Dit protocol beschrijft een gerandomiseerde workflow waarbij een AI-gedreven muziekeducatieplatform met HRV-geïnformeerde micro-interventies en visualisatie-gebaseerde feedback wordt gebruikt om het leren van muziektheorie te verbeteren en staatangst bij bachelorpianostudenten te verminderen.

Samenvatting

Kunstmatige intelligentie (AI) wordt steeds vaker toegepast in muziekpedagogiek, maar reproduceerbare workflows die gezamenlijk kennisverwerving en angstregulatie evalueren, blijven beperkt. Dit protocol beschrijft een gerandomiseerde gecontroleerde workflow voor het implementeren van een AI-gedreven muziekeducatieplatform binnen routinematig studiolessen en het beoordelen van de effecten ervan bij bachelorstudenten piano. Deelnemers worden gescreend en willekeurig toegewezen aan een AI-gestuurd platform of traditionele instructie gedurende 2 weken (twaalf sessies van 30 minuten). De uitkomsten omvatten een gestructureerde muziektheorie/analyse-test en de State-Trait Anxiety Inventory–State (STAI-S; 20 items, 4-puntsschaal; totaal 20–80). Hartslagvariabiliteit (HRV) wordt geregistreerd tijdens een zittende rust van 5 minuten en een gestandaardiseerd oefensegment van 5 minuten; primaire indices zijn het wortelkwadraat van opeenvolgende verschillen tussen normale en normale intervallen (RMSSD; kortdurende vagale activiteit), de standaardafwijking van normaal-naar-normaal intervallen (SDNN; totale variabiliteit) en hoogfrequente (HF) kracht (parasympathisch gerelateerd spectraal component). Het protocol stelt docenten en onderzoekers in staat het platform uit te rollen en een gestandaardiseerde volgorde te volgen die deelnemers screening, randomisatie-uitvoering, platformopstelling/configuratie, plaatsing en registratie van HRV-sensoren, artefactverwerking en HRV-berekening, administratie/beoordeling van alle uitkomstmaten, en het exporteren van de uiteindelijke data, bestandsnamen en veilige opslag voor statistische analyse omvat. Analyses maken gebruik van onafhankelijke steekproeven t-tests en covariantieanalyse (ANCOVA) met baseline als covariaat. Representatieve resultaten tonen een hogere gecorrigeerde prestaties na de testtheorie in de AI-gedreven arm (gedeeltelijk η2 = 0,206) en lagere post-interventie toestandsangst (t(38) = −3,486, p = 0,001; Cohen's d ≈ 1,10) dan controles, waarbij HRV-patronen fysiologische context en secundaire cognitieve belastingsuitkomsten aangeven die wijzen op een verminderde extra-belasting.

Inleiding

In het hedendaagse hoger muziekonderwijs reiken onderwijsdoelen verder dan de overdracht van kennis, maar omvatten ze het psychologische welzijn van studenten en duurzame ontwikkeling als uitvoerders. Pianostudenten trainen routinematig onder herhaalde evaluatiedruk van jury's, wedstrijden, audities en openbare recitals, waarbij angst de aandacht kan verstoren en de kwaliteit van de uitvoering kan aantasten1.

Muziekprestatieangst (MPA) en examengerelateerde angst worden consequent gerapporteerd in conservatorium- en universiteitssteekproeven, en hoge prevalentieschattingen zijn gedocumenteerd over verschillende cohorten en meetmethoden2. Naast subjectieve stress wordt angst geassocieerd met fysiologische opwinding, aandacht afleiding en verminderde zelfeffectiviteit, wat kan leiden tot instabiliteit in toonhoogte/timing en inconsistente prestaties bij evaluatie3.

Recente ontwikkelingen in kunstmatige intelligentie (AI) bieden in deze context een weg naar meer gerichte ondersteuning. AI-gedreven personalisatie kan de moeilijkheidsgraad, het tempo en de feedback van de inhoud aanpassen aan de veranderende behoeften van leerlingen en kan de afhankelijkheid van one-size-fits-all instructie in studio teaching4 verminderen. Tegelijkertijd kan affectief computergebruik momentane emotionele toestanden afleiden uit multimodale signalen (bijv. gezichtsuitdrukking, spraak en fysiologische signalen), waardoor het systeem kan reageren op angstfluctuaties tijdens oefening5.

Een belangrijke fysiologische marker in dit domein is hartslagvariabiliteit (HRV), die vaak wordt gebruikt als een niet-invasieve index gerelateerd aan autonome regulatie en stressrespons6. Wanneer ze in de instructie zijn opgenomen, kunnen HRV-geïnformeerde prompts just-in-time micro-interventies ondersteunen (bijvoorbeeld korte ademhaling of mindfulness-cues) die gericht zijn op het afbouwen van acute angst tijdens oefening7.

Een tweede ontwerppijler is visualisatie-gebaseerde feedback. Dashboards die voortgangscurves, foutlocatiekaarten of HRV-geïnformeerde indicatoren tonen, kunnen zelfmonitoring en co-regulatie tussen leraar en leerling versterken door praktijkgedrag en cognitief-affectieve belasting transparanter te maken8. Vanuit een leerwetenschappelijk perspectief sluiten deze ontwerpkeuzes aan bij de Cognitive Load Theory, die de nadruk legt op het verminderen van overbodige belasting door gestroomlijnde presentatie, segmentatie en feedbackontwerp, terwijl schemaconstructie wordt ondersteund via germane processing9.

Ondanks de snelle ontwikkeling van AI-gebaseerde muziekleertools, integreren relatief weinig studies in het hoger muziekonderwijs AI-gedreven personalisatie, fysiologische monitoring (HRV) en visualisatiegedreven feedback binnen één platform en evalueren zij de volledige workflow onder willekeurige omstandigheden10. Bovendien leggen veel rapporten de nadruk op uitkomsten zonder filmbare, parameter-niveau procedures voor sensorregistratie, artefactbehandeling en data-export te specificeren, waardoor reproduceerbaarheid en cross-site replicatie worden beperkt. Het huidige werk pakt deze kloof aan door een stapsgewijs protocol te presenteren voor het implementeren van een AI-gedreven muziekeducatieplatform in studio-routines en het beoordelen van de effecten op muziektheorie/analyseprestaties en toestandsangst (STAI-S), waarbij HRV-indices worden geregistreerd tijdens gestandaardiseerde rust- en oefensegmenten om fysiologische context te bieden.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Het studieprotocol werd goedgekeurd door de Institutional Review Board van de School of Arts, Jingchu Technology University (Goedkeuringsnummer: JCTU-ARTS-2025-013). Schriftelijke geïnformeerde toestemming werd van alle deelnemers verkregen voorafgaand aan inschrijving.

Registratie van deelnemers
Verkrijg schriftelijke geïnformeerde toestemming vóór inschrijving nadat elke potentiële deelnemer een schriftelijke en mondelinge uitleg heeft ontvangen van de onderzoeksdoelstellingen, procedures, mogelijke risico's en voordelen, vertrouwelijkheid en gegevensafhandelingsregelingen. Bewaar ondertekende toestemmingsformulieren apart van onderzoeksgegevens in een afgesloten kast of een versleuteld digitaal archief met beperkte toegang beperkt tot de hoofdonderzoeker en één aangewezen datamanager. Noteer het goedkeuringsnummer, de goedkeuringsdatum en de toestemmingsdatum voor elke deelnemer in een onderzoekslogboek om transparante rapportage en replicatiete ondersteunen 11. Registreer het studieprotocol in een passend proefregister indien vereist door institutioneel beleid of richtlijnen van het tijdschrift, en noter de registratie-identificatie en registratiedatum in het studielogboek12.

Deelname en werving
Deelnemers screenen en rekruteren
Werf 40 bachelorstudenten piano studenten van 18–22 jaar uit een conservatorium- of universitaire muziekopleiding, met als doel een ongeveer evenwichtige geslachtsverhouding met een streefverschil van maximaal 60:40. Controleer of elke kandidaat minstens 6 maanden formele pianostudie heeft gevolgd, de notenbalk vloeiend kan lezen en voldoende inleidende muziektheoriekennis heeft om het basisexamen te voltooien. Nodig geïnteresseerde kandidaten uit voor een screeningsbezoek en geef schriftelijke onderzoeksinformatie met tijdsbesteding, gegevensverzamelingsprocedures en vertrouwelijkheidsbescherming minstens 24 uur voor de screening.

Toepassing van inclusiecriteria
Voer de vragenlijst Gegeneraliseerde Angststoornis-7 (GAD-7) af aan elke kandidaat en beoordeel deze volgens het instrumentenhandboek13. Voer een kort, semi-gestructureerd interview van 5–8 minuten om te bevestigen dat de kandidaat instructies begrijpt, procedures tolereert en alle sessies bijwoont. Neem deelnemers alleen mee als aan alle criteria is voldaan: leeftijd 18–22 jaar, minimaal 6 maanden formele pianotraining, GAD-7 score tussen 5 en 14, wat wijst op milde tot matige angst14, bereidheid om alle interventie- en beoordelingsprocedures te voltooien, en het verstrekken van schriftelijke geïnformeerde toestemming.

Pas uitsluitingscriteria toe
Sluit kandidaten uit met momenteel ernstige psychische stoornissen of voortdurende psychiatrische behandeling die deelname of uitkomstvaliditeit kunnen belemmeren. Sluit kandidaten uit die in de afgelopen drie maanden aan vergelijkbare AI-gedreven muziektrainingsstudies hebben deelgenomen, gedefinieerd als elke interventiestudie met algoritme-gedreven oefenbegeleiding of geautomatiseerde feedback voor ≥3 sessies. Sluit kandidaten uit die niet vertrouwd zijn met het doelrepertoire en na een gestandaardiseerde vertrouwdheidsperiode van 15 minuten geen stabiele basisprestaties kunnen behalen. Sluit kandidaten uit met ernstige motorische, visuele of gehoorbeperkingen die de pianoprestaties of hartslagvariabiliteit (HRV) zouden kunnen verstoren. Overweeg om kandidaten met aandoeningen of factoren die de HRV-meetkwaliteit aanzienlijk aantasten (bijv. bekende hartritmestoornissen, geïmplanteerde pacemakers of medicijnen die de autonome functie significant beïnvloeden) uit te sluiten, en documenteer de redenering in het screeningslogboek wanneer van toepassing15. Documenteer alle inclusie- en uitsluitingsbeslissingen, inclusief redenen voor uitsluiting, in een screeninglogboek dat wordt geïdentificeerd door geanonimiseerde deelnemers-ID's, en bewaar het logboek apart van uitkomstgegevens.

Randomisatie en toewijzingsverberging
Voorbereiding van een randomisatiesequentie
Gebruik statistische software om een 1:1 permuted-block randomisatiesequentie te genereren waarbij deelnemers worden toegewezen aan de experimentele arm (AI-gestuurd platform) of de stuurarm (traditionele instructie). Bepaal vooraf de blokgrootte die voor gepermuteerde blokken wordt gebruikt als 4, en noteer de softwarenaam, versie en een vaste willekeurige seedwaarde van 20250113 in een randomisatielog om reproduceerbaarheid16 te waarborgen. Zorg ervoor dat de onderzoeker die de sequentie genereert niet betrokken is bij participatiebeoordeling, uitkomstscore of onderwijs. Print individuele groepsopdrachten op identieke papieren formulieren (ongeveer 5 cm x 2 cm) en plaats elke opdracht in een opeenvolgend genummerde, ondoorzichtige, verzegelde envelop. Noteer de voorbereidingsdetails van enveloppen in een auditlog (datum, voorbereider, totaal aantal enveloppen = 40) en sla het auditlogboek apart op van de uitkomstgegevens.

Implementatie van toewijzingsverberging
Bewaar verzegelde enveloppen op een veilige plek die alleen toegankelijk is voor het verantwoordelijke personeel voor de toewijzing. Aan het einde van de basissessie van elke deelnemer haal je de volgende envelop in numerieke volgorde op. Open de envelop in aanwezigheid van de deelnemer en noteer de onthulde toewijzing in een toewijzingslogboek (deelnemer-ID, envelopnummer, datum/tijd, toewijzingshandtekening). Houd alle overige enveloppen verzegeld totdat ze worden gebruikt om de toewijzing te beschermen.

Het behouden van blindering van prestatiebeoordelaars
Ken elke deelnemer een geanonimiseerde ID toe die groepstoewijzing niet codeert met het formaat P001–P040. Label alle audio- en video-opnamen alleen met deelnemer-ID en tijdstip (voor of na de interventie). Bied prestatiebeoordelaars een geïdentificeerde, tegengebalanceerde set opnames zonder informatie over groepstoewijzing en waarbij bestandsmetadata wordt verwijderd vóór het delen.

Repertoire en setting
Selectie van het doelrepertoire
Gebruik Mozarts Pianosonate in G majeur, K.283, Deel II (Andante) als het gebruikelijke oefen- en beoordelingsstuk. Gebruik maten 1–32 als gestandaardiseerd fragment voor training en beoordeling, en bevestig dat deze lengte en moeilijkheidsgraad geschikt zijn voor pianostudenten op gemiddeld niveau, zodat stabiele tempo-doelen en consistente fraseringseisen over sessies17 mogelijk zijn.

Standaardisatie van de fysieke omgeving
Voer alle sessies uit in een rustige studio met stabiele verlichting en een temperatuur van 22 ± 1 °C. Plaats een digitale piano met gewogen toetsen of een akoestische piano met vergelijkbare toetsactie op een vaste locatie en houd de bankhoogte constant voor elke deelnemer tijdens de bezoeken. Plaats een microfoon 0,8 m van het instrument op een vaste hoogte van 1,2 m, 45° gekanteld naar het klankbord of toetsenbord om een helder signaal vast te leggen zonder clipping. Plaats een camera op een statief op 1,8 m van de uitvoerder op een hoogte van 1,4 m, waarbij handen en bovenlichaam onder een consistente hoek over alle sessies worden vastgelegd.

Kalibratie van apparatuur vóór elke testdag
Stel het metronoomvolume zo in dat het duidelijk hoorbaar is voor de deelnemer, maar het geluidsmateriaal niet domineert, met een afspeelniveau van ongeveer 60–65 dB op de bankpositie. Pas de opnameversterking aan op de audio-interface of het opnameapparaat om clipping te voorkomen en behoud een hoge signaal-ruisverhouding, met het oog op piekniveaus tussen −12 dB en −6 dB tijdens forte-passages. Controleer de camera-framing en focus om ervoor te zorgen dat het toetsenbord, de handen en de bovenlichaam consistent zichtbaar zijn. Controleer de connectiviteit en signaalkwaliteit van het HRV-apparaat door het realtime display te observeren en stabiele R–R-intervaldetectie (of stabiele ECG-golfvorm) minstens 30 seconden te bevestigen voordat met dataverzameling begint. Als audioclipping optreedt, verlaag dan de ingangsversterking met 3–6 dB, herhaal een testopname van 10 seconden en ga pas verder nadat piekniveaus onder de clippingdrempel blijven. Als de R–R-detectie instabiel is, verhoog dan het huidcontact door de borstband en de contactpads aan te spannen (of ECG-elektroden te verplaatsen volgens de aanwijzingen van de fabrikant), herhaal de 30 seconden signaalcontrole en ga pas door nadat een stabiele spoor is gevonden.

Uitkomstmaten
Kennis en analyse (primaire cognitieve uitkomst)
Ontwikkel twee parallelle vormen (Vorm A en Vorm B) van een gestructureerde muziektheorie- en stukanalysetoets, gematcht op inhoudelijke domeinen en moeilijkheidsgraad18. Neem 20 items op die harmonie (8 items), ritmesegmentatie (4 items), motivische herkenning (4 items) en formele analyse (4 items) van het doelrepertoire en gerelateerde materialen behandelen. Op elk beoordelingsmoment zet je de deelnemer alleen in een stille ruimte en geef je Formulier A (baseline) of Formulier B (na de test) volgens een vooraf vastgesteld schema. Geef de deelnemer de opdracht om de test binnen 30 minuten te voltooien zonder gebruik te maken van instrumenten, studieboeken of elektronische hulpmiddelen. Verzamel het antwoordblad aan het einde van de test en registreer de voltooiingstijd in enkele minuten. Beoordeel elk antwoord met een gestandaardiseerde antwoordsleutel en bereken de totale nauwkeurigheidsscore (0–100) als primaire cognitieve uitkomst, waarbij je 5 punten per item krijgt. Sla de totale score en voltooiingstijd op onder de geanonimiseerde ID van de deelnemer.

Prestatierubriek (secundaire vaardigheidsuitkomst)
Neem een audio-videouitvoering van het doelfragment op voor elke deelnemer zowel voor als na de interventie met behulp van het gestandaardiseerde instrument, microfoonplaatsing en camerahoek. Gebruik een uitvoeringsrubriek met vier dimensies: melodische vloeiendheid, ritmische nauwkeurigheid, coördinatie en techniek, en expressieve interpretatie. Beoordeel elke dimensie op een schaal van 1–5 om een totaalscore tussen 4 en 20 te krijgen. Train ten minste twee onafhankelijke beoordelaars met behulp van een gedetailleerd rubricdocument en een set van 6 pilotopnames (3 baseline- en 3 post-test opnames van niet-studiestudenten) totdat acceptabele overeenstemming op alle dimensies is bereikt. Geef beoordelaars de volledige set opnames die alleen gelabeld zijn met geanonimiseerde ID en tijdstip, zonder groepsinformatie. Geef beoordelaars opdracht om opnames zelfstandig te beoordelen en hun scores vast te leggen in een veilig scoreblad of database. Identificeer eventuele discrepanties groter dan 2 punten op één dimensie en los deze op via discussie; Als er geen consensus kan worden bereikt, verkrijg dan een oordeel van een derde beoordelaar. Voordat je volledig scort, schat je de betrouwbaarheid tussen beoordelaars met behulp van de intraclass correlatiecoëfficiënt (ICC) op de 6 pilotopnames en bevestig je dat de ICC minstens 0,8019 is. Vat groepsniveau rubricscores (totaal en vier dimensies) op pre- en post-test samen in Aanvullende Tabel 1, en rapporteer betrouwbaarheidsstatistieken tussen beoordelaars (ICC met 95% betrouwbaarheidsintervallen) in Aanvullende Tabel 2.

Stel angst en hartslagvariabiliteit (secundaire affectieve/fysiologische uitkomsten)
Voer de State-Trait Anxiety Inventory–State (STAI-S; 20 items, 4-punts Likert-schaal, totaalscore 20–80) uit bij zowel pre- als post-interventie20. Geef deelnemers opdracht om te reageren op basis van hoe je je nu voelt en om alle vragen te beantwoorden. Controleer elke vragenlijst op ontbrekende antwoorden en vraag indien nodig de deelnemer om eventuele weggelaten items in te vullen voordat hij vertrekt. Bereken de totale STAI-S score volgens het instrumentenhandboek. Als een gevalideerde subset of aangepast formaat van 10 items wordt gebruikt voor visualisatie of verkennende analyse, documenteer dan de aanpassings- en selectieregel, geef onderbouwing en referenties, en rapporteer Cronbachs α voor zowel de volledige schaal als de subset in de resultaten21. Instrueer deelnemers om minstens 2 uur voor HRV-opname geen intensieve beweging, cafeïne en zware maaltijden te vermijden en minstens 12 uur alcohol te vermijden voor elk bezoek; Bevestig mondeling naleving en noter de naleving als ja/nee in het sessielogboek22. Noteer HRV met (i) een borstband-ECG-sensor of (ii) een drie-afleidings ECG-systeem. Gebruik ECG-afgeleide R–R-intervallen met een bemonsteringsfrequentie van 1000 Hz voor alle opnames, en noteer de modaliteit (ECG), bemonsteringsfrequentie (1000 Hz) en opnamedatum/tijd in het sessielogboek. Voor het opnemen van de borstband plaatst u de band op het niveau van het xifoidproces met stevig huidcontact; voor ECG-opname plaats je elektroden in een standaard lead II-configuratie en controleer je een stabiele R-golf detectie voordat je start. Voor rust HRV zit de deelnemer comfortabel met de voeten plat op de vloer en handen rustend op de dijen; Geef instructies voor stille waakzaamheid met minimale beweging en geen spreken gedurende 5 minuten; Begin met opnemen na een stabilisatieperiode van 60 seconden en analyseer het volgende segment van 300 seconden.

Voor oefen-HRV instrueert u de deelnemer om de doelpassage 5 minuten te spelen met een vast tempo van 76 slagen per minuut en een vast dynamisch doel van mezzo-forte; Gebruik een metronoom om het tempo vast te houden en begin de analyse na de eerste 30 seconden, waarbij je het volgende 270 s-segment analyseert. Na elke opname exporteer je de ruwe R–R intervalreeks als een komma-gescheiden waarden bestand (CSV) met minimaal twee velden (tijdstempel in ms; R–R-interval in ms), en inspecteren de trace met behulp van de opnamesoftware en visuele inspectie om signaalverlies, artefacten en ectopische beats te identificeren.

Pas een vooraf bepaalde artefactcorrectieworkflow toe en registreer het aandeel gecorrigeerde beats voor elk segment in het sessielogboek23.
Regel voor artefactdetectie: markeer een R–R-interval als een artefact als het met meer dan 20% afwijkt van de mediaan van de voorgaande 5 normale intervallen, of als absolute R–R-waarden buiten 300–2000 ms liggen. Correctiemethode: vervang gemarkeerde intervallen met cubic-spline interpolatie van aangrenzende normale intervallen na het verwijderen van ectopische slagen.
Kwaliteitscontrole-drempel: herhaal het opnamesegment als de verhouding van gecorrigeerde slag meer dan 5,0% overschrijdt of als er een continu signaalverlies is dat langer is dan 5 s.


Bereken tijd-domeinindices zoals RMSSD en SDNN met analysesoftware versie 1.3.0, en sla uitvoer op in een gestructureerd resultaatbestand (CSV) gekoppeld aan deelnemer-ID, tijdpunt en segmenttype (rust of oefening). Bereken frequentiedomeinindices inclusief HF-vermogen in de 0,15–0,40 Hz-band met behulp van een Welch-periodogram met een 120-s vensterlengte, 50% overlap, Hamming-venster en 4 Hz resampling van de geïnterpoleerde R–R-reeks; rapporteer HF in ms2, en log transformatie HF vóór inferentieanalyse. Bereken optioneel het LF-vermogen (0,04–0,15 Hz) en de LF/HF-verhouding en rapporteer deze beschrijvend met de nodige voorzichtigheid24.

Cognitieve belasting (verkennend secundair resultaat)
Voer de multidimensionale cognitieve belastingvragenlijst uit die door Leppink en collega's is ontwikkeld bij post-test25. Presenteer de 10 items die drie subschalen vormen: extraneous load (3 items), intrinsieke belasting (3 items) en relevante belasting (4 items), elk beoordeeld op een 7-punts Likert-schaal van 1 (sterk oneens) tot 7 (helemaal mee eens). Voor elke subschaal bereken je het gemiddelde van de bijbehorende items om een subschaalscore tussen 1 en 7 te verkrijgen; Behandel ontbrekende waarden als ongeldig en vereist volledige antwoorden voor de beoordeling. Interpreteer een hogere extraovere belasting als meer irrelevante verwerking, hogere intrinsieke belasting als een grotere inherente taakcomplexiteit, en een hogere relevante belasting als productieve, schema-bouwende inspanning. Bij gebruik van een niet-Engelstalige versie, voer vertaling en terugvertaling uit door twee onafhankelijke tweetalige experts, test het vertaalde instrument in 10 niet-studie-pianostudenten en bereken Cronbachs α voor elke subtoonladder; Neem α ≥ 0,70 aan als het adequaatheidscriterium26. Rapporteer subschaal-specifieke α waarden in de resultaten en analyseer de drie subschalen apart, waarbij Holm–Bonferroni-aanpassing wordt toegepast voor meervoudige vergelijkingen met een gezinsgewijze α = 0,0527. Indien gewenst, bepaal een samengestelde cognitieve belastingindex als het rekenkundige gemiddelde van alle 10 items.

Baseline (pre-test; Week 1)
Bevestig de geschiktheid en geïnformeerde toestemming aan het begin van de basissessie en ken de deelnemer een geanonimeerd ID toe. Noteer demografische informatie en trainingsgeschiedenis, waaronder leeftijd, geslacht, jaren pianoles en typische wekelijkse oefenuren, in een basisformulier. Voer de kennis- en analysetest (Formulier A) uit in een rustige omgeving, handhaaf de tijdslimiet van 30 minuten en registreer de totale score en voltooiingstijd onder de ID van de deelnemer. Bevestig de HRV-sensor en neem een 5 minuten rustend HRV-segment op, gevolgd door een gestandaardiseerd oefensegment van 5 minuten van het doelfragment met 76 slagen per minuut en een mezzo-forte dynamisch doel.

Monitoren signaalkwaliteit tijdens acquisitie en elk segment met overmatige artefacten herhalen na aanpassing van de riemspanning of elektrodeplaatsing; Herhaal dit wanneer de verhouding van gecorrigeerde slag meer dan 5,0% is of wanneer het continue signaalverlies meer dan 5 seconden bedraagt, en documenteer herhaling en de reden in het sessielogboek. Vat HRV-datakwaliteitsindicatoren samen (door artefacten gecorrigeerde beatproportie, herhaalde segmenten en uitsluitingen) in Aanvullende Tabel 3. Voer de STAI-S uit en bereken de totale score (20–80) volgens de scoresleutel. Neem een basislijn audio-video uitvoering van het doelfragment op met behulp van de vooraf gedefinieerde instrument-, microfoon- en cameraopstelling, zodat consistente kadrering en audioniveaus worden gewaarborgd. Label alle databestanden (tests, HRV-opnames, vragenlijsten en prestatievideo's) met geanonimiseerde deelnemers-ID en de pre-timepoint-indicator, en sla ze op in een veilige, toegangsgecontroleerde, back-up-map met de volgende bestandsnaamgeving: P###_TP(pre/post)_MOD(test/HRVrest/HRVprac/STAI/perf)_YYYYMMDD_HHMM28.

Interventiesessies (weken 2–3)
Planning
Plan 12 begeleide sessies van 30 minuten voor elke deelnemer in de experimentele arm over een periode van 2 weken. Plan sessies op relatief consistente tijden van de dag voor elke deelnemer binnen een vast tijdsbestek van ±2 uur ten opzichte van de starttijd van de eerste sessie van die deelnemer, en noteer de start- en eindtijd van elke sessie om de diurnale variatie in HRV en angst te verminderen en te kwantificeren. Registratie van aanwezigheid, redenen voor gemiste of verplaatste sessies, en eventuele protocolafwijkingen in een nalevingslogboek. Standaardiseer de voorwaarden vóór de sessie door te bevestigen dat deelnemers voldeden aan de pre-opname beperkingen voor cafeïne, intensieve lichaamsbeweging, zware maaltijden en alcohol, en vermeld de naleving als ja/nee met korte notities als nummer29.

Experimentele arm: AI-ondersteund platform (Figuur 1)
Aan het begin van elke sessie instrueer je de deelnemer om in te loggen op het AI-platform met de geanonimiseerde deelnemer-ID en bevestig je dat er geen persoonlijk identificeerbare informatie in de interface wordt weergegeven. Laad het fragment van de Mozart-sonate in de interactieve partituurinterface en controleer of het juiste stuk, de grenzen van het fragment (maten 1–32) en de moeilijkheidsinstellingen worden weergegeven. Configureer het platform om oefentelemetrie op noten- en maatniveau op te nemen, inclusief toonhoogtenauwkeurigheid (%), onset-timingdeviatie (ms), tempodrift ten opzichte van metronoom (%), foutlocaties op maatniveau, en herhalingstellingen voor elk geloopt segment; Stel het telemetrie-updateinterval in op 200 ms en het aggregatie-interval op bar-niveau op 1 bar. Voer een 45-selige kalibratie-playthrough van het fragment uit om te bevestigen dat het platform notengebeurtenissen vastlegt en gedetecteerde noten uitlijnt met scoreposities; Herhaal de kalibratie als uitlijningsfouten een van de volgende toleranties overschrijden: mediane aanvangsmismatch groter dan 80 ms over elk 10-noot venster of herhaalde staafniveau-misalignment over 2 opeenvolgende staven.

Schakel de gepersonaliseerde trainingsmodule in zodat deze prestatiekenmerken binnen de sessie opneemt en segmentniveaudoelen produceert met een vaste regel: selecteer de twee balken met de hoogste gecombineerde foutscore, waarbij de gecombineerde foutscore = 0,5 x pitchfoutpercentage + 0,3 x absolute timingdeviatie + 0,2 x tempo drift; recordgeselecteerde balken en de drie belangrijkste foutdrivers in het sessielogboek. Geef de deelnemer opdracht om gerichte segmenten te oefenen terwijl de interactieve partituur noten in realtime markeert, het herhalen van moeilijke passages ondersteunt en MIDI-voorbeelden van doelsegmenten speelt op het doeltempo (76 bpm) en bij een verlaagd tempo van 60 bpm voor steigers. Verdeel sessietijd volgens een vaste structuur en registreer gerealiseerde minuten voor elke fase: 3 minuten inloggen/kalibreren, 21 minuten oefenen met gerichte segmenten, 5 minuten reflectie met de gesprekspartner (Sectie 7.3), en 1 minuut afronden/exporteren en notities30.

Conversatie-oefenpartner
Activeer de conversational practice partner die wordt aangedreven door een groot taalmodel (LLM) via een beveiligde API-verbinding, en registreer de modelversie als LLM-PracticePartner v2.1 (build 2025-01-15), het inferentie-endpointtype als cloud, en de toegangscontrolemethode als tokengebaseerde authenticatie in het studielogboek. Configureer de partner met een vaste systeemprompt die de output beperkt tot praktijkgerelateerde inhoud (formulering, toon-kleur intenties, pedalingbeslissingen, foutdiagnose en suggesties voor volgende stap), en schakel alle functies uit die persoonlijke gegevens opvragen.

Na elk gerichte oefensegment laat je de deelnemer fraseringskeuzes, toon-kleur intenties, trapkeuzes, waargenomen moeilijkheden en waargenomen angstniveau beschrijven op een zelfrapportageschaal van 0–10, en noteer je de antwoorden als gestructureerde velden in het sessielogboek. Configureer de partner om korte segmentspecifieke suggesties terug te geven die aansluiten bij de huidige doelen met vaste generatieparameters: maximale responslengte 80 woorden, maximaal 2 beurten per segment, temperatuur 0,2 en een 2-s responstimeout; Noteer het aantal uitwisselingen en de totale dialoogduur per sessie. Zorg ervoor dat dialoogtijd ondergeschikt blijft aan het spelen door de totale dialoogtijd per sessie te beperken tot 6 minuten en de limiet te handhaven door verdere prompts uit te schakelen zodra de limiet is bereikt.

Privacy en beveiliging: bewaar gesprekslogboeken met geanonimiseerde ID's, versleutel tijdens transport met TLS 1.2 of later en in rust met AES-256, beperk de toegang tot alleen geautoriseerd personeel, stel ruwe transcriptbewaring in op 24 maanden, en registreer de verwijderingsdatum voor het transcript van elke deelnemer in het datamanagementplan31.

Multimodale emotieherkenning en micro-interventies
Schakel de multimodale emotieherkenningsmodule in en noteer de invoermodaliteiten en sample-/update-snelheden in het sessielogboek als volgt: gezichtsvideo bij 30 frames per seconde, spraakaudio bij 16 kHz mono, en HRV-stream bijgewerkt bij 1 Hz met ECG-afgeleide R–R-intervallen. Definieer verhoogde spanning met vooraf bepaalde triggerlogica en registreer de exacte parameters.
HRV-trigger: RMSSD valt minstens 1 basisafwijking binnen de deelnemer onder de basiswaarde rustende RMSSD en blijft gedurende de training minstens 60 opeenvolgende seconden onder deze drempel liggen, berekend op een rollend 30 seconden dat elke 1 seconde wordt bijgewerkt.
Prestatie-trigger: het lopende foutpercentage overschrijdt het gemiddelde foutpercentage van de deelnemer voor de voorgaande drie sessies met minstens 20% voor een doorlopend venster van minstens 60 seconden, waarbij het lopende foutpercentage wordt berekend over een rollend venster van 20 noten dat elke 5 noten wordt bijgewerkt.
Multimodale bevestigingsregel: trigger vereist ofwel de HRV-trigger alleen of de prestatietrigger plus ten minste één ondersteunende aanwijzing van gezichts- of stemkenmerken, gedefinieerd als ofwel een gezichtsvalentiescore die met minstens 0,30 daalt ten opzichte van de basislijn binnen de sessie van de deelnemer gedurende minstens 10 opeenvolgende seconden, of een stemjitter die met minstens 15% toeneemt ten opzichte van de basislijn binnen de sessie gedurende minstens 10 opeenvolgende seconden, met baselines berekend vanaf de eerste 2 minuten van de sessie.

Specificeer of multimodale fusie regelgebaseerde drempel is of een getrainde classifier. Gebruik regelgebaseerde drempelwaarden voor dit protocol en registreer alle drempels in het platformconfiguratiebestand32. Programmeer het systeem om de oefening te pauzeren wanneer de stressdrempel is bereikt en om één micro-interventie te activeren die geselecteerd is uit een vooraf bepaalde bibliotheek. Noteer het type interventie, starttijd, duur en voltooiingsstatus in het sessielogboek.
Tempo van ademhaling: 90 s script met een vaste ademhalingscadans van 6 ademhalingen per minuut, geleverd door een timer op het scherm en audiocue33.
Korte mindfulness-cue: 75 seconden geleide aandachtsinstructie met vaste formulering, gepresenteerd als tekst op het scherm met audio-vertelling.
Achtergrondmuziek met lage opwinding: 90 seconden afspelen van een vooraf bepaalde track met lage opwinding op een vaste luidheidstarget van 55–60 dB op de bench-positie, met een track-identificatie geregistreerd als Track-LA-01 in het sessielogboek.

Na de micro-interventie hervat je de onderbroken passage en verlaag je het tempo met 8% voor de eerste 60 seconden van heractivatie wanneer de trigger HRV-gebaseerd was, en keer je dan terug naar het doeltempo als het loopfoutpercentage voor de voorgaande drie sessies minstens 30 opeenvolgende seconden binnen 10% van het gemiddelde foutpercentage van de deelnemer ligt.
Kwaliteitscontrole: registreer het aantal triggers, het aantal voltooide micro-interventies en het aantal afgebroken interventies per sessie, en bereken een compliance-ratio voor elke deelnemer als voltooide triggers gedeeld door het totaal aantal triggers.

Valideer triggerprestaties door vals-positieve en vals-negatieve gebeurtenissen samen te vatten met behulp van vooraf gespecificeerde criteria.
False Positive: een trigger treedt op wanneer de deelnemer bij de volgende prompt lage angst (≤2/10) rapporteert en het lopende foutpercentage binnen 10% van het gemiddelde foutpercentage van de deelnemer blijft voor de voorgaande drie sessies gedurende de volgende 60 seconden.
False Negativ: deelnemer meldt hoge angst (≥7/10) bij de volgende prompt tijdens een segment zonder trigger, ondanks dat het foutpercentage van de deelnemer in de voorgaande drie sessies minstens 20% overschrijdt gedurende minstens 60 seconden of ondanks dat HRV aan het HRV-triggercriterium voldoet.

Vat vals-positieve en vals-negatieve tellingen en percentages per deelnemer en per sessie samen in Aanvullende Tabel 434. Rapporteer de samengestelde cognitieve belastingsindex beschrijvend in Aanvullende Tabel 4.

Houtkap en naleving
Configureer het platform om alle oefengebeurtenissen en -uitvoer te registreren als gestructureerde records gekoppeld aan geanonimiseerde ID, sessienummer en tijdstempel in ISO 8601-formaat. Vereiste velden zijn onder andere gerichte balken, lustellingen, nauwkeurigheidsmetingen, tempo drift, dialoogtellingen en totale dialoogduur in seconden, triggergebeurtenissen, interventietype en duur in seconden, en eventuele handmatige overrides door instructeurs. Exporteer sessie-niveau samenvattingen elke dag om 20:00 uur, en sla zowel ruwe logs als samengevatte tabellen op in een beveiligde server met geautomatiseerde back-ups die één keer per dag om 02:00 worden gepland. Gebruik een gestandaardiseerde bestandsnaamgevingsconventie voor alle exports die zijn opgemaakt als StudyID_Group_ID_Session##_YYYYMMDD_HHMM en sla op in niet-propriëtaire formaten als volgt: CSV voor logs, WAV voor audio-opnames, MP4 voor video-opnames en PDF voor sessierapporten. Noteer het exportpad, de bestandschecksum met SHA-256 en back-upbevestiging in het studielogboek om traceerbaarheid35 te ondersteunen.

Stuurarm: traditionele instructie
Plan twaalf sessies van 30 minuten door de docent begeleide sessies over 2 weken voor elke deelnemer in de controlegroep, waarbij de totale begeleide contacttijd van deexperimentele arm 36 overeenkomt. Gebruik hetzelfde repertoire, lesmateriaal en instructeurs als in de Experimentele tak om de effecten van leraar en materiaal te beheersen37. Voer elke sessie uit met standaard studio-pedagogiek, inclusief demonstratie van de docent, mondelinge uitleg en gerichte oefeningen op het fragment. Ken thuispraktijkopdrachten toe met conventionele mondelinge of schriftelijke instructies zonder AI-gestuurde prompts of analyses, en definieer de thuisopdracht als één zelfpraktijkblok van 20 minuten per dag, gericht op maten 1–32. Houd individuele analyses, geautomatiseerde prompts, dashboards en micro-interventies achter van Control-deelnemers. Geef elke Control-deelnemer een kort papieren of elektronisch oefenlogboek en geef instructies om de datum en geschatte duur van extra onbegeleide oefeningen binnen enkele minuten vast te leggen. Verzamel logboeken aan het einde van de interventie en voer de totale onbegeleide oefentijd voor het doelfragment in in de studiedatabase.

Visuele feedback en zelfregulatieroute (Experimentele arm)
Schakel een grafisch feedbacksysteem in dat praktijkgedrag, emotionele schommelingen en fysiologische belasting koppelt aan een gedeelde tijdas38. Bereken emotionele heatmaps op basis van multimodale inputs, waaronder stemkenmerken, HRV-trends en afwijkingen in prestatiegedrag zoals foutpieken of tempo-instabiliteit39. Stel dagelijkse samenvattingen in om hotspots te markeren, gedefinieerd als elk interval van 30 seconden waarin het foutpercentage binnen de top 20% van die sessie ligt en er minstens één stressmarker aanwezig is (HRV-trigger bereikt of multimodale bevestiging behaald), en registreer gemarkeerde hotspots voor volgendesessies 40. Genereer HRV-trendgrafieken die RMSSD- en HF-vermogen samenvatten voor drie vaste epochs per sessie: pre-training (eerste 60 s), mid-practice (minuten 3–4) en post-practice (laatste 60 s), met consistente eenheden en as-scaling over deelnemers41. Identificeer duidelijke dalingen in RMSSD- of HF-vermogen, gedefinieerd als een daling van minstens 15% ten opzichte van het sessie-pre-practice tijdperk dat aansluit bij een gemarkeerde hotspot, en behandel deze patronen als kandidaten voor platformgeleide interventies; Noteer of een interventie werd geactiveerd en voltooid42.

Plot voortgangscurves voor toonhoogtenauwkeurigheid, ritmische nauwkeurigheid, muzikale volledigheid en foutpercentages over sessies met behulp van sessieniveau-gemiddelden en 95% betrouwbaarheidsbanden berekend tussen deelnemers binnen elke groep43. Leg prestatie-voortgangscurves over elkaar met de emotionele heatmap om reflectie te ondersteunen over emotie–prestatiekoppeling en metacognitieve controle44. Geef instructeursdashboards die dezelfde informatie tonen op individueel en groepsniveau, update dashboards aan het einde van elke sessie binnen 5 minuten na afronding van de sessie en markeer pieken in angst of prestatieinstabiliteit45. Gebruik dashboards om op maat gemaakte pedagogische antwoorden te ondersteunen die in de instructeursnotities zijn vastgelegd, waaronder tijdelijke tempoverlaging, gegradueerde blootstelling aan moeilijke maten, extra verbale aanmoediging of korte één-op-één coaching gericht op geïdentificeerde hotspots46.

Sessie na de interventie (na de test; einde van week 3)
Plan de post-interventie beoordeling aan het einde van week 3 en stem zo nauwkeurig mogelijk bij de basisomstandigheden, inclusief ruimte, apparatuur en tijdstip van de dag, binnen ±2 uur na het begin van de basissessie. Bevestig de HRV-sensor en neem een 5 minuten rustend HRV-segment op, gevolgd door een 5 minuten gestandaardiseerd oefen-HRV-segment met dezelfde plaatsing, bemonsteringsinstellingen en artefact-omgangsregels als bij de basislijn, en gebruik hetzelfde tempodoel van 76 slagen per minuut en mezzo-forte dynamisch doel47.

Voer de kennis- en analysetest (Formulier B) af onder dezelfde voorwaarden en tijdslimiet als bij de basislijn en registreer de totale score en voltooiingstijdvan 48. Voer de STAI-S uit en bereken de totale score (20–80) volgens de scoresleutel49. Neem een audio-videoperformance van het fragment na de interventie op met dezelfde microfoon- en cameraopstelling, instrument en kadrering als bij baseline50. Voer de cognitieve belastingsvragenlijst uit en registreer subschaalscores voor extraneous, intrinsieke en relevante load51.

Voor de experimentele tak voer een kort, semi-gestructureerd interview van 6–8 minuten over platformbruikbaarheid en waargenomen effecten op angstregulatie en leren met een vaste interviewgids en consistente prompting52. Neem interviews met toestemming op en schrijf woordelijk over voor kwalitatieve analyse.

Statistische analyse
Voer een a priori power-analyse uit vóór werving met GPower (versie 3.1 of later) en registreer de testfamilie als F-tests en de statistische test als ANCOVA: Vaste effecten, hoofdeffecten en interacties. Specificeer het ANCOVA-model met twee groepen, baselinescore als covariaat, α = 0,05, gewenste kracht = 0,80, en neem een effectgrootte van f = 0,30 aan voor het primaire cognitieve resultaat op basis van eerdere literatuur en haalbaarheidsbeperkingen. Als het veronderstelde effect wordt uitgedrukt als gedeeltelijk η2, converteer dan naar Cohens f met behulp van de vooraf gespecificeerde conversie f = √(η2 / (1 − η2)) en registreer de berekeningsmethode53.

Documenteer de benodigde steekproefgrootte en bevestig of n = 40 het doel bereikt of nadert onder de gestelde aannames; bewaar het outputbestand voor de energieanalyse in de onderzoeksgegevens. Voer analyses uit in SPSS 26.0 of gelijkwaardige software en registreer de naam/versie van de software in het analyselogboek. Vat continue uitkomsten samen als gemiddelde ± standaarddeviatie en categorische variabelen als tellingen en percentages.

Evalueer de primaire effectiviteit met behulp van inter-groep vergelijkingen van post-test uitkomsten met baseline als covariaat (ANCOVA) en rapporteer aangepaste gemiddelden, gedeeltelijke η2 en 95% betrouwbaarheidsintervallen54. Gebruik onafhankelijke t-tests voor inter-groep vergelijkingen wanneer passend en gepaarde t-tests voor veranderingen binnen de groep; pas niet-parametrische alternatieven toe wanneer aannames worden geschonden. Controleer normaliteit en homoscedasticiteit; log-transformatie scheve spectrale HRV-variabelen vóór analyse en rapportage van transformatiedetails.

Wanneer robuuste methoden worden gebruikt, specificeer dan de exacte methode en redenering. Rapporteer tweezijdige p-waarden met α = 0,05 en begeleid hypothesetests met effectgroottes (Cohen's d, gedeeltelijk η2) en 95% betrouwbaarheidsintervallen. Voer verkennende analyses uit in de experimentele tak waarbij de verbanden worden onderzocht tussen platformgebruiksstatistieken (totale platformminuten, micro-interventietellingen, therapieratio) en cognitieve, affectieve en HRV-uitkomsten.

Datakwaliteit en veiligheid
Inspecteer fysiologische signalen tijdens elke HRV-opname op artefacten of onstabiele R–R-detectie met behulp van real-time display. Herhaal elk HRV-segment met slechte signaalkwaliteit na aanpassing van de riemspanning of elektrodeplaatsing, en herhaal wanneer de correcte slagverhouding meer dan 5,0% is of het continue signaalverlies meer dan 5 seconden; Registreer herhaling en vermoedelijke oorzaak in het sessielogboek. Kalibreer de audioniveaus en metronoominstellingen aan het begin van elk bezoek om clipping te voorkomen en houd vergelijkbare luidheid over opnames heen, met als doel piekniveaus tussen −12 dB en −6 dB.

Houd deelnemers in de gaten op bijwerkingen, overmatige vermoeidheid of ongemak gerelateerd aan de praktijk of sensoren en documenteer gebeurtenissen in een veiligheidslogboek. Sta extra pauzes toe of verkort een sessie als een deelnemer onnodige vermoeidheid, angst of ongemak meldt, en registreer wijzigingen als protocolafwijkingen. Log alle protocolafwijkingen (gemiste sessies, onvolledige HRV-opnames, grote afwijkingen) en overweeg afwijkingen in gevoeligheidsanalyses.

Dataverwerking en blindering
Ken elke deelnemer een unieke geanonimiseerde ID toe en gebruik deze ID om alle opnames, vragenlijsten en databestanden te labelen. Sla alle gegevens op toegangsgecontroleerde schijven met reguliere geautomatiseerde back-ups die eenmaal per dag om 02:00 uur worden gepland volgens het institutionele gegevensbeschermingsbeleid. Houd een apart koppelingsbestand bij waarbij deelnemers-ID's gekoppeld worden aan persoonlijke identificaties op een versleutelde locatie die alleen toegankelijk is voor geautoriseerd personeel. Houd prestatiebeoordelaars blind door geanonimiseerde en tijdsgeherschikte audio-videoclips te leveren en groepstoewijzingsinformatie achter te houden.

Maak de beoordelingsrubriek af voordat de beoordeling begint en geef schriftelijke instructies en voorbeeldopnames55. Controleer de betrouwbaarheid van de inter-rater opnieuw op een pilot-subset van 6 opnames voordat de volledige scoring wordt uitgevoerd en bevestig dat ICC ≥ 0,80 is.

Zorg ervoor dat minimaal de volgende functionele specificaties worden gerapporteerd: HRV-bemonsteringsfrequentie = 1000 Hz, gezichtsvideo-opname = 30 frames per seconde bij 1920 × 1080 resolutie, spraak-audio-opname = 16 kHz mono, en platform-telemetrie-updateinterval = 200 ms.

Timing en naleving
Definieer de drempel voor naleving per protocol als het voltooien van ten minste tien van de twaalf begeleide sessies gedurende weken 2–3, waarbij elke voltooide sessie wordt gedefinieerd als een begeleide sessie die minstens 27 minuten actieve deelname duurt binnen het geplande tijdslot van 30 minuten. Noteer het aantal voltooide begeleide sessies en het totaal aantal begeleide minuten per deelnemer in een nalevingslogboek, en bereken de begeleide minuten als het totaal aantal begeleide minuten gedeeld door 360 geplande minuten, uitgedrukt als percentage. Registreer zelfgerapporteerde extra oefentijd uit deelnemerslogboeken en voer totalen in de database in als minuten per dag en totale minuten over de interventieperiode van 2 weken, en markeer elke dagelijkse waarde van meer dan 120 minuten voor verificatie.

Voor de experimentele arm registreert u het aantal, type, starttijd en duur van systeemgetriggerde micro-interventies per sessie uit platformlogs en bereken u een interventieblootstellingsindex als de totale interventieduur in seconden per sessie. Alle gerandomiseerde deelnemers opnemen in intentie-om-behandeling-analyses en ontbrekende post-testuitkomsten behandelen met behulp van de laatste observatie die werd meegenomen voor vragenlijstuitkomsten en volledige case-analyse voor prestatieregistraties wanneer heropname niet mogelijk is; Noteer de afhandelingsregel in het analyselogboek. Voer gevoeligheidsanalyses uit die beperkt zijn tot deelnemers die per protocoldrempel voldoen en voer daarnaast een gevoeligheidsanalyse uit waarbij sessies met protocolafwijkingen die als groot zijn geclassificeerd, gedefinieerd als een gemiste HRV-opname of een sessie die met meer dan 5 minuten is ingekort.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Effecten op de cognitie van muziektheorie
Zoals weergegeven in Tabel 1, verschilden de experimentele groep (M = 72,45, SD = 6,83, n = 20) en de controlegroep (M = 71,30, SD = 7,14, n = 20) niet bij de pre-test, t(38) = 0,625, p = 0,604, wat wijst op de vergelijkbaarheid van de basislijn voor het primaire cognitieve eindpunt. Na de interventie toonde ANCOVA, die controleerde voor pre-testscores, hogere gecorrigeerde post-testgemiddelden in de experimen...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Deze gerandomiseerde studie evalueerde een AI-gedreven muziekeducatieplatform dat gepersonaliseerde oefenanalyse, multimodale emotieherkenning met just-in-time micro-interventies en visualisatie-gebaseerde feedback integreert. In vergelijking met traditionele instructie liet de experimentele arm een matige tot grote toename zien in muziektheorie en analyseprestaties (gedeeltelijke η2 = 0,206) en een grote vermindering van toestandsangst (t = −3,486, p = 0,001; d ≈ 1,10), verge...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteur verklaart geen concurrerende financiële belangen.

Dankbetuigingen

Wij danken de deelnemende studenten en studio-instructeurs voor hun tijd en toewijding, en het technische personeel van het conservatorium voor de hulp bij instrumentatie en het inplannen van de lokalen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
AI-driven music-education platform (research build)In-house / InstitutioneelPlatform build ID: v2.1 (build 2025-01-15)Interactieve score + oefenzetmetrie + dashboards + op regels gebaseerde trigger engine; telemetry update interval = 200 ms; export logboeken als CSV.
Alcoholdoekjes (huidvoorbereiding)NA (elke medische leverancier)NAVoor het verbeteren van elektrode/riem contact en signaalstabiliteit; neem batch op als beschikbaar.
Borstband ECG HRV-sensor (1000 Hz)Polar ElectroPolar H10; Onderdeelnummer 92075957ECG-afgeleide R–R intervallen; bemonsteringsfrequentie = 1000 Hz (volgens uw protocol); gebruikt voor 5-min rust + 5-min gestandaardiseerde oefensegmenten.
Cognitieve belasting vragenlijst (Leppink, 10 items)NA (publicatiebron)NA7-punts Likert; bereken 3 subschalen; als vertaald: vertaling–terugvertaling + piloot n=10; rapporteer Cronbach’s α per subschale.
Computer voor platformbewerking en logboekenNANAElke moderne laptop/desktop; noteer OS versie; zorg voor tijdsynchronisatie voor logboekstempels.
Gegevensopslag (versleutelde schijf / beveiligde server)NANAToegang gecontroleerd; geautomatiseerde back-ups; bestandsnamen: “P###_TP(pre/post)_MOD(…)_JJMMDD_HHMM”; sla ruwe + afgeleide uitvoer op.
ECG-elektrode gel / geleidende gel (optioneel)NA (elke medische leverancier)NAGebruik als signaalkwaliteit onstabiel is; documenteer gebruik ja/nee in sessielogboek.
Externe microfoon (indien microfoon + interface gebruikt in plaats van recorder)Audio-TechnicaAT2020Optionele alternatief voor draagbare recorder; houd microfoonafstand 0,8 m; vermijd clipping; documenteer versterkingsinstellingen.
HRV-verwerkingssoftwareKubios (of equivalent)NAMoet artefactdetectie + interpolatie ondersteunen, RMSSD/SDNN, Welch HF (0.15–0.40 Hz) met 120-s venster, 50% overlap, Hamming-venster, 4 Hz herbemonstering; noteer gebruikte softwarenaam/versie.
MetronoomKorgMA-2 BLBKGebruikt om oefentemperament (76 bpm) te standaardiseren en consistente timing tussen sessies te ondersteunen.
Draagbare audiorecorder (stemopname)ZoomH1nNeem stemaudio op met 16 kHz mono (downsamplen indien hoger opgenomen); sla op als WAV; houd microfoonplaatsing constant.
KrachtanalysesoftwareG*Power3.1 (of later)Gebruikt voor a priori krachtanalyse; noteer testfamilie/modelinstellingen in de krachtanalyse-uitvoerbestand.
Praktijkpartner grote taalmodel (LLM) serviceInstitutioneel / Beveiligde API-providerLLM-PracticePartner v2.1 (build 2025-01-15)Eindpunt type: cloud; token-gebaseerde authenticatie; sla alleen geanonimiseerde IDs op; log prompts/uitvoer als gecodeerde tekst.
Vragenlijst: GAD-7NA (gelicentieerd/publicatiebron)NAGebruik gevalideerde taalversie; scoren per handleiding; bewaar kopieën in studiemap; sla antwoorden op met geanonimiseerde ID.
Vragenlijst: STAI-S (20 items)NA (gelicentieerd/uitgever)NAGebruik officiële/gevalideerde taalversie; totaal 20–80; als 10-item subset voor figuren wordt getoond, documenteer selectieregel + betrouwbaarheid in Resultaten.
Statistische analysesoftwareIBMSPSS Statistics 26.0Gebruikt voor ANCOVA en t-toetsen; noteer exacte versie/build in analyselogboek.
Statieve / camera-montageManfrotto (of equivalent)NAElke stabiele statief acceptabel; vaste afstand/hoogte tussen sessies (bijv. 1,8 m afstand, 1,4 m hoogte). Als u een bevestigd model heeft, vervang NA met het modelnummer van uw lab’s.
USB-audio-interface (indien microfoon + interface gebruikt)FocusriteScarlett 2i2 (3e Gen)Optioneel; streef naar opnamepieken tussen −12 dB en −6 dB tijdens forte-passages (volgens uw protocoltekst).
Videocamera (1080p, 30 fps)LogitechC920; Onderdeelnummer 960-001055Facial video capture = 1920×1080, 30 fps (zoals gespecificeerd in protocol); zorg ervoor dat geen identificeerbare info wordt weergegeven.
Gewichtstots digitaal piano (of akoestische piano)NANA88-toetsen gewichtsactie aanbevolen; gebruik hetzelfde instrument voor alle sessies; documenteer instrumenttype en toetsactie.

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

MuziekpedagogiekGerandomiseerde Gecontroleerde StudieRegulatie van AngstMuziektheorietoetsToestands en Trek angstHRV metingCognitieve Belasting

Gerelateerde artikelen