Deze studie stelt een op grafen gebaseerd intelligent raamwerk voor een emotioneel curriculum voor AI-gestuurd visueel onderwijs in het muziekonderwijs op universitair niveau voor. Met behulp van een op simulaties gebaseerde dataset modelleert het raamwerk kennisverwerving, emotionele dynamiek en betrokkenheid. De resultaten wijzen op een verbeterde leerefficiëntie en stressreductie in vergelijking met conventionele modellen, wat het potentieel aantoont voor adaptieve educatieve systemen die rekening houden met de geestelijke gezondheid.
Onderzoeksartikel
Simulatiegebaseerde evaluatie van door kunstmatige intelligentie geïntegreerd visueel onderwijsontwerp voor de bevordering van de geestelijke gezondheid in muziekcursussen voor het hoger onderwijs
In dit artikel
Samenvatting
Samenvatting
Visueel didactisch ontwerp in het muziekonderwijs op instellingen voor hoger onderwijs heeft toenemende aandacht gekregen vanwege het potentieel om de betrokkenheid van studenten te vergroten en het mentale welzijn te bevorderen. Conventionele instructiemethoden missen echter vaak de adaptiviteit die nodig is om te reageren op de evoluerende cognitieve en emotionele toestanden van lerenden, wat hun effectiviteit bij het ondersteunen van zowel academische prestaties als psychologisch evenwicht beperkt. Het hoofddoel van deze simulatiegebaseerde studie is het ontwikkelen en evalueren van een door kunstmatige intelligentie aangestuurd framework dat visuele onderwijstrategieën integreert met grafiekgebaseerde emotionele modellering om leerresultaten in universitaire muziekcursussen te optimaliseren. Er wordt een vernieuwend graph-based emotional curriculum intelligence framework (GECIF) voorgesteld, waarin de leeromgeving wordt gerepresenteerd als een onderling verbonden grafiek van kennis-, activiteits- en emotienodes. Het framework omvat grafiekgebaseerd representatie-leren, dynamische toestandsmodellering en adaptieve leermechanismen om de evolutie van kennisverwerving, betrokkenheid, emotionele stabiliteit en stress in de loop van de tijd te simuleren. Een synthetische dataset bestaande uit interactielogs, emotionele indicatoren en variabelen voor leerprestaties werd gegenereerd via een gecontroleerde MATLAB-gebaseerde simulatiepipeline om reproduceerbaarheid te waarborgen. GECIF werd geëvalueerd ten opzichte van een conventioneel niet-adaptief basismodel onder identieke experimentele omstandigheden over genormaliseerde simulatiestappen. De prestaties werden beoordeeld met behulp van genormaliseerde simulatiemetrieken, waaronder kenniswinst, emotionele stabiliteit, stressreductie, betrokkenheidsniveau en robuustheid. Het voorgestelde framework presteerde consistent beter dan het basismodel en vertoonde een hogere gesimuleerde kennisverwerving, verbeterde emotionele regulatie, grotere betrokkenheid, gereduceerde gesimuleerde stress en een verbeterde robuustheid. Statistische analyse op basis van gemiddelden, standaarddeviaties en 95% betrouwbaarheidsintervallen bevestigde consistente verbeteringen over alle evaluatiemetrieken. Deze bevindingen tonen het potentieel aan van AI-gestuurde, emotiebewuste visuele onderwijstrategieën voor adaptief muziekonderwijs, terwijl ze een schaalbaar en reproduceerbaar computationeel framework bieden ter ondersteuning van toekomstig onderzoek naar intelligente educatieve systemen.
Inleiding
De integratie van kunstmatige intelligentie (AI) in onderwijssystemen heeft traditionele onderwijsparadigma's aanzienlijk getransformeerd, waardoor adaptievere, gepersonaliseerde en datagestuurde leerervaringen mogelijk zijn geworden1,2,3. In recente jaren is visueel onderwijsontwerp naar voren gekomen als een effectieve pedagogische benadering, met name in disciplines zoals muziekeducatie, waar abstracte concepten, emotionele expressie en perceptueel begrip een centrale rol spelen4,5,6,7. Visuele representaties, waaronder grafische interfaces, interactieve simulaties en multimedia-elementen, faciliteren een diepere cognitieve verwerking en vergroten de betrokkenheid van leerlingen8,9,10,11. Ondanks deze vorderingen blijven bestaande visuele onderwijsmethoden echter vaak statisch en missen ze het vermogen om dynamisch te reageren op de evoluerende cognitieve en emotionele toestanden van leerlingen12,13,14. Muziekeducatie, vooral op hbo- en universitair niveau, brengt unieke uitdagingen met zich mee vanwege de inherent multidimensionale aard ervan15,16,17. Leerresultaten worden niet alleen beïnvloed door het cognitieve begrip van muziektheorie en uitvoeringstechnieken, maar ook door emotionele factoren zoals motivatie, stress, betrokkenheid en psychisch welbevinden18. Eerdere studies hebben de sterke relatie tussen emotionele toestanden en effectiviteit van het leren benadrukt, waarbij bleek dat studenten die hoge niveaus van stress of een lage betrokkenheid ervaren, neigen naar verminderde academische prestaties19,20,21. Hoewel er verschillende op AI gebaseerde onderwijssystemen zijn voorgesteld om de personalisatie van het leren te verbeteren, richten de meeste zich primair op cognitieve prestatiemetriek en negeren ze de kritische rol van emotionele dynamiek bij het vormgeven van het leerproces22.
Recente ontwikkelingen in intelligente leersystemen hebben grafiekgebaseerde representaties en deep learning-technieken geïntroduceerd om complexe relaties tussen educatieve componenten te modelleren23,24,25. Grafiekgebaseerde leerraamwerken, waaronder grafiekneurale netwerken (GNN's), hebben sterke mogelijkheden aangetoond in het vastleggen van gestructureerde afhankelijkheden tussen kenniselementen, interacties van leerlingen en contextuele factoren26. Daarnaast heeft emotiebewuste computing aandacht gekregen vanwege het vermogen om psychologische signalen te integreren in adaptieve leeromgevingen27. Desondanks blijft de integratie van deze benaderingen binnen een uniform raamwerk voor muziekeducatie beperkt28,29,30. Bestaande werken behandelen emotionele variabelen vaak als hulpkenmerken in plaats van als kerncomponenten, en bieden zelden mechanismen voor continue adaptatie op basis van de wisselwerking tussen cognitie en emotie31.
Bovendien is de toepassing van AI in onderwijs dat rekening houdt met de mentale gezondheid voornamelijk gebaseerd op empirische of sensor-gebaseerde gegevens die zijn verzameld bij echte deelnemers32. Dergelijke benaderingen vereisen echter uitgebreide ethische goedkeuringen, gestandaardiseerde meetinstrumenten en gecontroleerde experimentele omstandigheden, wat in vroege stadia van onderzoek niet altijd haalbaar is33. Als gevolg hiervan zijn simulatie-gebaseerde methodologieën ontstaan als een alternatief voor het verkennen van complexe onderwijsdynamieken op een gecontroleerde en reproduceerbare manier34. Door synthetische datasets te genereren die interactielogs, emotionele indicatoren en leerprestatie-metrieken nabootsen, kunnen onderzoekers het gedrag van voorgestelde modellen onder verschillende scenario's evalueren, terwijl ze volledige controle behouden over systeemparameters en aannames35.
Ondanks deze vooruitgang blijven er verschillende lacunes in het onderzoek bestaan36. Ten eerste is er een gebrek aan uniforme kaders die kennisverwerving, emotionele evolutie en leerbetrokkenheid gelijktijdig modelleren binnen een gestructureerde representatie37. Ten tweede maken huidige visuele instructiesystemen geen effectief gebruik van grafiekgebaseerde intelligentie om de onderlinge afhankelijkheden tussen muzikale concepten, leeractiviteiten en psychologische toestanden vast te leggen38. Ten derde is er beperkte aandacht besteed aan de ontwikkeling van schaalbare en reproduceerbare simulatiepijplijnen die een systematische evaluatie van AI-gestuurde educatieve modellen mogelijk maken39,40,41. Ten slotte slagen bestaande benaderingen er vaak niet in om een holistisch beeld van het leren te bieden dat zowel cognitieve als emotionele dimensies op een dynamisch adaptieve manier integreert42.
Om deze uitdagingen aan te pakken, stelt deze studie een op grafen gebaseerd emotioneel curriculum-intelligentiekader (GECIF) voor voor AI-gestuurd visueel onderwijsontwerp in het muziekonderwijs voor het hoger onderwijs. Tabel 1 geeft essentiële definities voor graafcomponenten, knooppuntenstaten en modelparameters. Deze tabel waarborgt dat de methodologie zowel duidelijk als reproduceerbaar is. Het voorgestelde kader modelleert de onderwijsomgeving als een onderling verbonden graaf bestaande uit kennis-knooppunten, activiteits-knooppunten en emotionele knooppunten, wat een uitgebreide representatie van de leerdynamiek mogelijk maakt. Een simulatie-gebaseerde dataset wordt gegenereerd met behulp van een gecontroleerde computationele pijplijn die interactielogboeken, emotionele indicatoren en prestatiemetrieken bevat, om reproduceerbaarheid en schaalbaarheid te garanderen. Het kader bevat adaptieve leermechanismen, modellering van de emotionele staat en op grafen gebaseerde optimalisatie om de evolutie van leerresultaten en psychologische condities in de loop van de tijd te simuleren. Een vergelijkende evaluatie ten opzichte van een conventioneel leermodel wordt uitgevoerd met behulp van meerdere prestatiemetrieken, waaronder kenniswinst, emotionele stabiliteit, stressreductie, betrokkenheid en robuustheid.
Het hoofddoel van deze studie is het ontwikkelen en evalueren van een simulatiegebaseerd, AI-gestuurd visueel onderwijskader dat grafiekgebaseerde modellering en emotionele intelligentie integreert om de leerefficiëntie te verhogen en onderwijs dat rekening houdt met de mentale gezondheid in muziekcursussen op het hoger onderwijs te ondersteunen.
Protocol
Deze studie is een computationeel en op simulaties gebaseerd onderzoek dat geen menselijke deelnemers, klinische gegevens of persoonlijke informatie omvat. Alle gegevens die in dit onderzoek zijn gebruikt, zijn synthetisch gegenereerd via gecontroleerde simulatieprocessen. Daarom waren ethische goedkeuring van een institutionele toetsingscommissie en geïnformeerde toestemming niet vereist. De studie houdt zich aan de standaardrichtlijnen voor computationeel onderzoek en garandeert volledige reproduceerbaarheid en transparantie van de methodologie.
Theoretisch kader en rationaal
Het voorgestelde graph-gebaseerde emotional curriculum intelligence framework (GECIF) is gebaseerd op de integratie van kunstmatige intelligentie, graph-gebaseerd leren, emotional computing en visuele pedagogiek, met als doel leren te modelleren als een dynamisch en multidimensionaal proces dat gelijktijdig cognitieve ontwikkeling, emotionele evolutie en gedragsmatige betrokkenheid vastlegt. Traditionele instructiemethoden gaan vaak uit van een lineaire progressie van kennisverwerving en weerspiegelen niet adequaat de complexe interacties tussen cognitieve prestaties en psychologische toestanden. Deze beperking is bijzonder kritisch in het muziekonderwijs op het hoger onderwijs, waar emotionele expressie, motivatie en creativiteit onlosmakelijk verbonden zijn met technisch en theoretisch leren. Binnen deze context conceptualiseert het framework het onderwijsproces als een onderling verbonden systeem waarin kenniselementen, leeractiviteiten en emotionele toestanden elkaar voortdurend beïnvloeden. Graph-gebaseerde modellering maakt een gestructureerde en schaalbare representatie van deze relaties mogelijk, waardoor zowel directe als indirecte afhankelijkheden effectief kunnen worden vastgelegd. Emotionele dynamiek is geïntegreerd als intrinsieke componenten in plaats van hulpvariabelen, wat de simulatie mogelijk maakt van hoe psychologische condities evolueren en zich verspreiden tijdens het leerproces. De integratie van visueel onderwijsontwerp verhoogt de interpreteerbaarheid verder door abstracte computationele interacties om te zetten in intuïtieve grafische representaties.
Methodologie en ontwerp van de simulatiestudie
Deze studie maakt gebruik van een ontwerp op basis van computationele simulatie waarbij geen menselijke participanten betrokken zijn en alle gegevens synthetisch zijn gegenereerd via een gecontroleerde en reproduceerbare pipeline. De gerapporteerde resultaten vertegenwoordigen daarom modelgebaseerde evaluaties in plaats van empirische observaties afgeleid van echte leerlingen. Verbeteringen in leerprestaties, betrokkenheid, emotionele stabiliteit en stressvermindering worden geïnterpreteerd als gesimuleerde of potentiële effecten van het voorgestelde raamwerk. De simulatieomgeving benadert realistische leercondities door temporele afhankelijkheden, variabiliteit in interactiepatronen en evoluerende emotionele toestanden te integreren. Er is een vergelijkende experimentele configuratie geïmplementeerd waarin het voorgestelde GECIF-raamwerk wordt geëvalueerd tegenover een conventioneel basismodel dat een niet-adaptief learningsysteem vertegenwoordigt, waarbij kennis uitsluitend evolueert op basis van interactie-intensiteit zonder graafgebaseerde representatie, emotionele modellering of curriculumoptimalisatie. Beide modellen worden uitgevoerd onder identieke simulatiecondities om een consistente en onbevooroordeelde vergelijking te garanderen.
Datasetgeneratie en -structuur
Er is een grootschalige dataset geconstrueerd om leer-dynamiek in het muziekonderwijs op collegeniveau te simuleren door interactielogboeken, emotionele indicatoren en leerprestatiemetrieken te integreren binnen een uniform temporeel kader. De dataset is afgeleid van en uitgebreid op basis van de publiek beschikbare dataset over studentenprestaties (UCI Machine Learning Repository), die academische prestatiegegevens biedt samen met demografische en gedragsmatige attributen. Deze dataset diende als basisreferentie voor het modelleren van realistische leerpatronen. Interactielogboeken representeren gesimuleerde betrokkenheid bij leeractiviteiten zoals oefensessies, luisteroefeningen en visuele leertaken. Emotionele indicatoren leggen psychologische toestanden vast, waaronder stress, betrokkenheid en motivatie, terwijl de leerprestaties de kennisverwerving en progressie in de loop van de tijd weerspiegelen. Om de dataset te verrijken en temporele afhankelijkheden op te nemen, is een MATLAB-gebaseerde simulatiepipeline gebruikt met een vaste random seed-initialisatie om reproduceerbaarheid te garanderen. Temporele continuïteit werd geïntroduceerd via autoregressieve processen, waardoor interactiegedrag en emotionele toestanden geleidelijk in de tijd kunnen evolueren. De uiteindelijke dataset bevat duizend gesimuleerde lerenden die zijn geobserveerd over vijfhonderd tijdstappen, met meerdere interactiekenmerken die diverse leergedragingen representeren. Alle variabelen zijn genormaliseerd binnen het bereik [0,1] om consistentie en vergelijkbaarheid te waarborgen. De dataset is verdeeld in trainings-, validatie- en testsubsets met een 70%–15%–15% splitsing om een onbevooroordeelde model-evaluatie te garanderen.
Constructie en representatie van grafen
De leeromgeving is gemodelleerd als een gewogen graaf, gedefinieerd als:
G = (V,E,W) (1)
waarbij denoteert de verzameling knopen, representeert de verzameling randen, en is de gewogen adjacentiematrix die de sterkte van de relaties tussen knopen beschrijft. De knopenverzameling wordt ontbonden als:
V = Vk∪Va∪Ve (2)
waarbij Vk, Va en Ve respectievelijk overeenkomen met kennisnodes, activiteitsnodes en emotionele nodes. De gewichten van de randen worden berekend als:
Wij = α Sc(i,j) + βSe(i,j) (3)
waarbij Sc(i,j) de cognitieve gelijkenis tussen knopen vertegenwoordigt, Se(i,j) de emotionele correlatie vertegenwoordigt, en α en β wegingscoëfficiënten zijn die hun relatieve invloed bepalen. Vergelijking (3) definieert hoe structurele en emotionele relaties gezamenlijk de connectiviteit van de graaf bepalen.
Representatie van de knoopstatus en graafleren
Elk knooppunt is geassocieerd met een dynamische toestandsvector die als volgt is gedefinieerd:
xi(t) = [ki(t),ei(t),ai(t)] (4)
waarbij ki(t), ei(t) en ai(t) respectievelijk het kennisniveau, de emotionele toestand en het engagementniveau op tijdstip t aanduiden. Knooppuntrepresentaties worden bijgewerkt met behulp van graafgebaseerde aggregatie:
(5)
waarbij 
de embedding is van node i op laag l, σ een niet-lineaire activatiefunctie is, en N(i) de verzameling naburige nodes aanduidt. Vergelijking (5) beschrijft hoe elke node informatie van zijn buren integreert. Verder wordt een aandachtmechanisme geïntroduceerd:
(6)
waarbij αij de attentiecoëfficiënt is en ∅(·) een similariteitsfunctie is. Vergelijking (6) maakt adaptieve weging van de bijdragen van naburige knopen mogelijk.
Modellering van emotionele dynamiek
De temporele evolutie van emotionele toestanden wordt gemodelleerd als:
(7)
waarbij γ de emotionele retentiecoëfficiënt is. Vergelijking (7) legt zowel de persistentie als de propagatie van emotionele invloed vast. Emotionele stabiliteit wordt gekwantificeerd als:
(8)
waarbij E+(t) en E-(t) de positieve en negatieve emotionele componenten aanduiden, en 
een kleine constante is die deling door nul voorkomt. Stressaccumulatie wordt gedefinieerd als:
(9)
waarbij λ(τ) de onmiddellijke spanningsintensiteit vertegenwoordigt. Vergelijking (9) modelleert de cumulatieve spanning over de tijd.
Optimalisatie van het leerproces en adaptief curriculumontwerp
Het leerproces wordt aangestuurd door een multi-objectieve optimalisatiefunctie:
J = λ1K + λ2K - λ3S (10)
waarbij K staat voor kenniswinst, E staat voor emotionele stabiliteit en S staat voor het stressniveau, terwijl λ1, λ2, λ3 wegingscoëfficiënten zijn. Vergelijking (10) balanceert cognitieve en emotionele doelstellingen. Adaptieve curriculumherstructurering wordt gedefinieerd als:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
waarbij η de leersnelheid is en Δij(t) de update-aanpassingen vertegenwoordigt die worden aangestuurd door leer-dynamiek. Vergelijking (11) zorgt ervoor dat de grafstructuur in de loop van de tijd kan evolueren.
Temporele schaal en simulatieduur
Alle simulaties worden uitgevoerd met genormaliseerde tijdstappen in plaats van eenheden in reële tijd. Korte intervallen komen overeen met geschaalde simulatiestappen die de evolutie van het systeem representeren, terwijl uitgebreide simulaties over vijfhonderd stappen worden gebruikt om het langetermijngedrag, de convergentie en de robuustheid te evalueren.
Evaluatiemetrieken en statistische analyse
Het raamwerk wordt geëvalueerd aan de hand van genormaliseerde metrieken, waaronder kenniswinst, emotionele stabiliteit, stressniveau, betrokkenheidsniveau en robuustheid. Statistische analyse wordt uitgevoerd met MATLAB-statistische functies, waarbij gemiddelde waarden, standaarddeviaties en 95% betrouwbaarheidsintervallen voor elke metriek worden berekend. Normaliteitsaannames worden geverifieerd voorafgaand aan de toepassing van gepaarde t-toetsen. De vergelijkende evaluatie tussen het voorgestelde raamwerk en het basismodel wordt uitgevoerd bij n = 1000 gesimuleerde lerenden, waarbij statistische significantie wordt gedefinieerd als p < 0,05.
Reproduceerbaarheid en implementatiedetails
Alle simulaties, dataprocessingspijplijnen en evaluatieprocedures zijn volledig reproduceerbaar. Het proces voor de generatie van de dataset, de parameters voor de graafconstructie, de modelconfiguraties en de optimalisatie-instellingen zijn expliciet gedefinieerd. De initialisatie van de random seed is vastgelegd om consistente resultaten over herhaalde runs te garanderen. Alle hyperparamaters, scripts en beschrijvingen van de dataset zijn opgenomen in de aanvullende materialen, waardoor volledige replicatie van de studie mogelijk is met behulp van MATLAB of equivalente computationele tools.
Alle simulaties, dataprocessing-pipelines en evaluatiescripts zijn opgenomen in Aanvullend Bestand 1. De dataset bevat ruwe interactielogs, emotionele indicatoren en metrieken voor leerprestaties. Parameters voor graafconstructie en optimalisatie-instellingen zijn volledig gedocumenteerd. Het systeem kan worden gereproduceerd met behulp van standaard machine learning-frameworks. De initialisatie van de random seed is vastgelegd om consistentie te waarborgen. Alle hyperparameters worden expliciet vermeld. Het protocol garandeert volledige transparantie en reproduceerbaarheid.
Resultaten
De prestaties van het voorgestelde Graph-based emotional curriculum intelligence framework (GECIF) werden geëvalueerd met behulp van een simulatie-gebaseerde dataset bestaande uit n = 1000 lerenden over T = 500 genormaliseerde tijdstappen. Figuur 1 illustreert de conceptuele architectuur van het GECIF voor AI-gestuurde visuele muziekeducatie en de bevordering van de geestelijke gezondheid. Alle metrieken worden gerapporteerd op genormaliseerde schalen binnen het bereik [0,1]. De statistische evaluatie omvat gemiddelde waarden, standaarddeviaties (SD) en 95% betrouwbaarheidsintervallen (CI), waarbij de significantie is beoordeeld met behulp van gepaarde t-toetsen (p < 0,05). Alle vergelijkingen zijn berekend over de volledige gesimuleerde populatie. Figuur 2 illustreert de trainingsdynamiek en het kennisverwervingsgedrag van het voorgestelde framework in vergelijking met het basismodel. Het GECIF-framework behaalt een kenniswinst van 0,88 ± 0,04 (95% CI: 0,84–0,92), terwijl het basismodel 0,65 ± 0,06 behaalt (95% CI: 0,59–0,71), met een statistisch significant verschil (p < 0,001). De leercurve vertoont een steilere groeisnelheid en een stabiele convergentie zonder oscillerend gedrag.
Figuur 3 presenteert de temporele evolutie van de emotionele stabiliteit. Het voorgestelde raamwerk behaalt een Emotional Stability Index van 0,92 ± 0,03, vergeleken met 0,70 ± 0,05 in het basismodel (p < 0,01). De variabiliteit is verminderd, waarbij lagere standaarddeviatiewaarden over de tijd worden waargenomen. Figuur 4 toont de stressdynamiek in de tijd. Het voorgestelde model handhaaft een lager stressniveau van 0,15 ± 0,05, vergeleken met 0,45 ± 0,07 voor het basismodel (p < 0,001). De accumulatiesnelheid blijft consistent lager gedurende de simulatieduur. Figuur 5 presenteert de distributie van de leerprestaties over de lerenden. Het voorgestelde raamwerk vertoont een distributie gecentreerd rond hogere waarden met een verminderde spreiding vergeleken met het basismodel, wat duidt op een lagere variantie in de resultaten. Figuur 6 illustreert de evolutie van node-embeddings binnen de graaf. De kenmerkrepresentaties vertonen continue overgangen over de iteraties, waarbij geen abrupte veranderingen zijn waargenomen, wat duidt op stabiele updates. Figuur 7 toont de interactiesterkte tussen kennis-, activiteits- en emotienodes. De heatmap onthult statistisch significante correlaties (p < 0,05) over de nodecategorieën, met variërende interactiemagnitudes.
Figuur 8 presenteert de relatie tussen de genormaliseerde kenniswinst en emotionele stabiliteit gedurende het gesimuleerde leerproces. Het voorgestelde GECIF-framework vertoont een sterke positieve correlatie tussen de twee variabelen (r = 0,82), vergeleken met een matige positieve correlatie waargenomen voor het conventionele basismodel (r = 0,65). Beide correlaties waren statistisch significant (p < 0,05), wat aangeeft dat verbeteringen in kennisverwerving gepaard gaan met een verhoogde emotionele stabiliteit, wat de gebalanceerde integratie van cognitieve ontwikkeling en emotionele regulatie weerspiegelt die door het voorgestelde framework is bereikt. Figuur 9 laat de gecombineerde bijdrage van kennis- en emotionele componenten in de loop van de tijd zien. Kenniswaarden nemen progressief toe, terwijl de emotionele variabiliteit afneemt, waarbij consistente trends worden waargenomen over alle simulatiestappen. Figuur 10 vergelijkt de distributies van de kenniswinst behaald door het voorgestelde GECIF-framework en het conventionele basismodel met behulp van boxplots. Het voorgestelde framework behaalde een significant hogere gemiddelde kenniswinst (9,87 ± 3,46) dan het conventionele model (6,90 ± 2,88), waarbij een t-test voor onafhankelijke steekproeven een statistisch significant verschil bevestigde (p < 0,0001; Cohen's d = 1,43). Hoewel het GECIF-framework een grotere variabiliteit vertoonde, zoals weerspiegeld door de grotere standaarddeviatie en interkwartielafstand, was de gehele distributie verschoven naar hogere waarden voor kenniswinst, wat aangeeft dat de toegenomen spreiding gepaard gaat met verbeterde algehele prestaties in plaats van verminderde stabiliteit. Deze resultaten tonen aan dat het voorgestelde framework robuuste leerprestaties behoudt terwijl het effectief rekening houdt met diverse gesimuleerde reacties van leerlingen. Figuur 11 presenteert de betrokkenheidsdynamiek in de loop van de tijd. Het voorgestelde framework bereikt een betrokkenheidsniveau van 0,90 ± 0,04, vergeleken met 0,68 ± 0,06 voor het basismodel (p < 0,01), met een verminderde variabiliteit. Figuur 12 toont het betrokkenheidsgedrag in een cyclische vorm. De amplitude van de fluctuaties is lager in het voorgestelde framework, wat duidt op een verminderde variabiliteit vergeleken met het basismodel.
Figuur 13 illustreert de intensiteit van ruimtelijke kenmerken over de grafiek. De kenmerkdistributie vertoont continue variatie met identificeerbare pieken en dalen, wat wijst op heterogene activatiepatronen. Figuur 14 presenteert de directionele stroom van kennisoverdracht. Het vectorenveld toont georganiseerde propagatiepatronen, waarbij convergentieregio's overeenkomen met een hogere accumulatie van waarden. Figuur 15 toont de evolutie van de graftopologie over de tijd. De structurele updates vinden geleidelijk plaats, met vloeiende overgangen in kenmerkwaarden over de iteraties. Figuur 16 presenteert de analyse van de onderlinge afhankelijkheid van kenmerken. De correlatieheatmap geeft matige tot sterke relaties tussen kenmerken aan, waarbij geen dominante redundantie is waargenomen. Figuur 17 illustreert de bijdrage van multidimensionale kenmerken. De bijdrageniveaus variëren per knooppunt, wat wijst op heterogene invloedspatronen. Figuur 18 toont de gezamenlijke evolutie van kennis- en emotionele toestanden. Kenniswaarden nemen gestaag toe terwijl emotionele variabiliteit in de loop van de tijd afneemt, met consistente trends over de volledige simulatieperiode. Een kwantitatieve samenvatting van deze resultaten wordt gegeven in Tabel 2, waar alle metrieken, inclusief kenniswinst, emotionele stabiliteit, stressniveau, betrokkenheid en robuustheid, worden gerapporteerd met statistische maten. De resultaten tonen consistente verschillen tussen het voorgestelde raamwerk en het basismodel voor alle geëvalueerde metrieken. Statistische analyse bevestigt dat deze verschillen significant zijn over de gesimuleerde populatie. Over het algemeen tonen de simulatieresultaten consistent aan dat het voorgestelde GECIF-raamwerk beter presteert dan het conventionele basismodel op alle geëvalueerde genormaliseerde prestatiemetrieken. Deze bevindingen ondersteunen het studieobjectief en de hypothese dat de integratie van grafiekgebaseerde emotionele intelligentie met AI-gestuurd visueel onderwijs de gesimuleerde leerprestaties, emotionele stabiliteit, betrokkenheid en stressbeheersing kan verbeteren binnen een reproduceerbare computationele omgeving.
DATAbeschikbaarheid:
Alle gegevens en computationele procedures die in deze studie zijn gebruikt, zijn volledig reproduceerbaar en openbaar beschikbaar. De volledige code voor de generatie van de dataset, samen met de gestructureerde datarepresentaties, wordt verstrekt in Aanvullend Bestand 1.
Figuur 1: Conceptuele architectuur van het graafgebaseerde emotionele curriculum-intelligentiekader (GECIF) voor AI-gestuurde visuele muziekeducatie en de bevordering van de mentale gezondheid. Deze figuur presenteert de volledige systeemstructuur, inclusief de constructie van de kennis-emotiegraaf, graafneurale netwerkanalyse, optimalisatie van emotionele paden, adaptieve curriculumherverbinding, visuele leerinterface en multi-objectieve optimalisatie. Het illustreert hoe cognitieve en emotionele componenten zijn geïntegreerd in een uniform adaptief leersysteem. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 2: Evolutie van kennisverwerving onder adaptief grafiekgebaseerd leren vergeleken met het conventionele basismodel. De figuur illustreert de progressie van de genormaliseerde kenniswinst over genormaliseerde simulatiestappen, wat een snellere convergentie en een hogere gesimuleerde leerefficiëntie aantoont voor het voorgestelde GECIF-framework. Statistische vergelijkingen tussen het voorgestelde model en het basismodel werden uitgevoerd met een gepaarde t-toets over n = 1000 gesimuleerde lerenden. Waar foutenbalken worden weergegeven, representeren deze de 95% betrouwbaarheidsintervallen (95% BI) van de gemiddelde genormaliseerde kenniswinst. Statistisch significante verschillen werden vastgesteld bij p < 0,05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 3: Temporele verbetering van de emotionele stabiliteit door intelligente aanpassing van het curriculum. De figuur illustreert de evolutie van de genormaliseerde Emotional Stability Index over genormaliseerde simulatiestappen, wat een soepelere stabilisatie en verminderde emotionele schommelingen aantoont voor het voorgestelde GECIF-framework in vergelijking met het conventionele baselinemodel. Statistische vergelijkingen werden uitgevoerd met behulp van een gepaarde t-test over n = 1000 gesimuleerde lerenden. Waar foutenbalken worden weergegeven, vertegenwoordigen deze de 95% betrouwbaarheidsintervallen (95% CI) van de gemiddelde genormaliseerde Emotional Stability Index. Verschillen werden als statistisch significant beschouwd bij p < 0.05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 4: Vermindering van stressniveaus via emotiebewuste leerpaden. De figuur illustreert de temporele evolutie van genormaliseerde stressniveaus over genormaliseerde simulatiestappen, wat aantoont dat het voorgestelde GECIF-framework lagere en stabielere gesimuleerde stress handhaaft dan het conventionele basismodel, wat wijst op een verbeterde emotionele regulatie gedurende het leerproces. Statistische vergelijkingen werden uitgevoerd met een gepaarde t-toets over n = 1000 gesimuleerde lerenden. Waar foutenbalken worden weergegeven, vertegenwoordigen deze de 95% betrouwbaarheidsintervallen (95% BI) van het gemiddelde genormaliseerde stressniveau. Verschillen werden als statistisch significant beschouwd bij p < 0,05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 5: Distributie van leerresultaten over gesimuleerde leerlingen.De figuur illustreert de distributie van de genormaliseerde kennistoename voor het voorgestelde GECIF-framework en het conventionele basismodel. Het voorgestelde framework vertoont een distributie die verschoven is naar een hogere genormaliseerde kennistoename met een verminderde variabiliteit, terwijl het basismodel geconcentreerd is op lagere prestatieniveaus. Statistische vergelijkingen tussen de twee distributies werden uitgevoerd met een gepaarde t-toets over n = 1000 gesimuleerde leerlingen, waarbij statistische significantie is gedefinieerd als p < 0,05. Er worden geen foutenbalken weergegeven omdat de figuur frequentiedistributies toont in plaats van samenvattende statistieken. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 6: Evolutie van graafgebaseerde kennisrepresentaties over leeriteraties. De figuur illustreert de temporele evolutie van graafknooppunt-embeddings over genormaliseerde simulatiestappen. Pieken vertegenwoordigen sterkere kenmerkactivaties, terwijl dalen duiden op zwakkere kenmerkrepresentaties, wat de continue aanpassing en verfijning van de kennisgraaf tijdens het simulatieproces aantoont. Deze visualisatie presenteert de evolutie van geleerde kenmerkrepresentaties en bevat geen foutenbalken. Statistische vergelijkingen die in de studie worden gerapporteerd, zijn uitgevoerd met een gepaarde t-toets over n = 1000 gesimuleerde lerenden, waarbij statistische significantie is gedefinieerd als p < 0,05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 7: Sterkte van de relaties tussen kennis- en emotionele knooppunten in de leergrafiek. De figuur visualiseert de genormaliseerde interactiesterktes tussen cognitieve en emotionele knooppunten binnen het grafiekgebaseerde leerframework. Hogere waarden duiden op sterkere cognitief-emotionele afhankelijkheden, terwijl lagere waarden zwakkere relaties vertegenwoordigen, wat de complexe onderling verbonden structuur en adaptieve evolutie van de leergrafiek gedurende de simulatie aantoont. Deze visualisatie presenteert grafiekconnectiviteitspatronen en bevat geen foutenbalken. Statistische vergelijkingen die elders in de studie worden gerapporteerd, werden uitgevoerd met een gepaarde t-test over n = 1000 gesimuleerde lerenden, waarbij statistische significantie werd gedefinieerd als p < 0,05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 8: Relatie tussen leerprogressie en emotioneel welzijn in adaptieve curriculumomgevingen. De figuur illustreert de positieve relatie tussen genormaliseerde kenniswinst en emotionele stabiliteit gedurende het gesimuleerde leerproces. Naarmate de kennisverwerving toeneemt, verbetert ook de emotionele stabiliteit, wat duidt op een effectieve integratie van cognitieve ontwikkeling en emotionele regulatie binnen het voorgestelde GECIF-framework. Statistische vergelijkingen werden uitgevoerd met behulp van een gepaarde t-test over n = 1000 gesimuleerde lerenden. Waar foutbalken worden weergegeven, representeren deze 95% betrouwbaarheidsintervallen (95% CI) van de gemiddelde genormaliseerde prestatiewaarden. Verschillen werden als statistisch significant beschouwd bij p < 0.05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 9: Bijdrage van kennisverwerving en emotionele dynamiek aan de algehele leerprestaties over genormaliseerde simulatiestappen. De figuur illustreert de temporele bijdragen van genormaliseerde kenniswinst en emotionele dynamiek aan de algehele gesimuleerde leerprestaties. Kennisverwerving vertoont een dominante en aanhoudende toename gedurende de simulatie, terwijl de invloed van emotionele dynamiek geleidelijk stabiliseert, wat de effectieve integratie van cognitieve en emotionele processen binnen het voorgestelde GECIF-framework aantoont. Statistische vergelijkingen werden uitgevoerd met een gepaarde t-test over n = 1000 gesimuleerde lerenden. Waar foutenbalken worden weergegeven, vertegenwoordigen deze de 95% betrouwbaarheidsintervallen (95% CI) van de gemiddelde genormaliseerde prestatiewaarden. Verschillen werden als statistisch significant beschouwd bij p < 0.05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 10: Variabiliteit en robuustheid van leerprestaties bij adaptieve en conventionele modellen. De figuur presenteert boxplots waarin de distributies van de genormaliseerde kenniswinst voor het voorgestelde GECIF-framework en het conventionele baselinemodel worden vergeleken. Het voorgestelde framework vertoont een hogere mediane kenniswinst en een algehele distributie die is verschoven naar hogere prestatiewaarden, terwijl het tevens een breder interkwartielbereik en een grotere algehele spreiding vertoont, wat duidt op een grotere variabiliteit tussen de gesimuleerde lerenden. Ondanks deze toegenomen variabiliteit demonstreert de consistent hogere distributie van de kenniswinst dat het voorgestelde framework een robuuste leerprestatie behoudt onder diverse condities van de lerenden. Statistische vergelijkingen werden uitgevoerd met behulp van een onafhankelijke-steekproeven t-test over n = 1000 gesimuleerde leerlingen per model. De boxen representeren het interkwartielbereik (IQR), de horizontale lijn in elke box geeft de mediaan aan en de whiskers strekken zich uit tot 1,5 × IQR. Het voorgestelde raamwerk behaalde een significant hogere gemiddelde kenniswinst dan het conventionele model (p < 0,0001; Cohen's d = 1,43). Er worden geen foutenbalken weergegeven, omdat de boxplot de datadistributies samenvat met behulp van kwartielen en whiskers in plaats van betrouwbaarheidsintervallen. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 11: Dynamische veranderingen in de betrokkenheid van studenten tijdens het leerproces. De figuur illustreert de temporele evolutie van de genormaliseerde Student Engagement Index over genormaliseerde simulatiestappen, wat aantoont dat het voorgestelde GECIF-framework een hogere en adaptievere betrokkenheid bereikt dan het conventionele referentiemodel gedurende het gesimuleerde leerproces. Statistische vergelijkingen tussen het voorgestelde model en het referentiemodel werden uitgevoerd met een gepaarde t-test over n = 1000 gesimuleerde lerenden. Waar foutenbalken worden weergegeven, vertegenwoordigen deze de 95% betrouwbaarheidsintervallen (95% CI) van de gemiddelde genormaliseerde Student Engagement Index. Verschillen werden als statistisch significant beschouwd bij p < 0.05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 12: Cyclische patronen van studentbetrokkenheid in adaptieve leeromgevingen. De figuur illustreert de temporele evolutie van de genormaliseerde Student Engagement Index over genormaliseerde simulatiestappen, waarbij periodieke maar stabiele schommelingen in betrokkenheid zichtbaar zijn; dit geeft aan dat het voorgestelde GECIF-framework een gebalanceerd en adaptief ritme van interactie door de lerende handhaaft gedurende het gesimuleerde leerproces. Statistische vergelijkingen zijn uitgevoerd met een gepaarde t-test over n = 1000 gesimuleerde lerenden. Waar foutbalken worden weergegeven, vertegenwoordigen deze de 95% betrouwbaarheidsintervallen (95% CI) van de gemiddelde genormaliseerde Student Engagement Index. Verschillen werden als statistisch significant beschouwd bij p < 0.05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 13: Ruimtelijke variatie van kenmerkintensiteit over de structuur van de leergraph. De figuur visualiseert de genormaliseerde ruimtelijke distributie van kenmerkactivatie over het op graphs gebaseerde leerframework. Regio's met een hogere intensiteit duiden op sterkere kenmerkactivaties, terwijl regio's met een lagere intensiteit zwakkere activaties vertegenwoordigen, wat de gestructureerde, niet-lineaire organisatie van kennisrepresentaties en hun adaptieve relaties binnen de leergraph tijdens de simulatie onthult. Deze visualisatie toont ruimtelijke kenmerkpatronen en bevat geen foutenbalken. Statistische vergelijkingen die elders in de studie worden gerapporteerd, zijn uitgevoerd met een gepaarde t-test over n = 1000 gesimuleerde lerenden, waarbij statistische significantie is gedefinieerd als p < 0,05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 14: Richtinggevende stroom van kennisoverdracht binnen de curriculumgraaf. De figuur illustreert de genormaliseerde propagatie van kennis over onderling verbonden knopen binnen het op grafen gebaseerde curriculumkader. De directionele paden representeren de georganiseerde informatiestroom door de leergraaf, waarbij de efficiënte verspreiding van kennis en adaptieve informatie-uitwisseling tussen curriculumcomponenten tijdens de simulatie worden benadrukt. Deze visualisatie beeldt patronen van kennispropagatie uit en bevat geen foutenbalken. Statistische vergelijkingen die elders in de studie worden gerapporteerd, zijn uitgevoerd met een gepaarde t-toets over n = 1000 gesimuleerde lerenden, waarbij statistische significantie is gedefinieerd als p < 0,05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 15: Structurele evolutie van de leergraaf in de loop van de tijd door adaptieve kenmerktransformatie. De figuur illustreert de progressieve evolutie van de graaftopologie tijdens genormaliseerde simulatiestappen, waarbij adaptieve kenmerktransformatie de relaties tussen kennisknopen continu verfijnt. De dynamische structurele veranderingen weerspiegelen het vermogen van het raamwerk om leerpaden te reorganiseren en te optimaliseren, wat resulteert in steeds coherente en adaptieve graafrepresentaties gedurende het gesimuleerde leerproces. Deze visualisatie toont de evolutie van de graaftopologie en bevat geen foutenbalken. Statistische vergelijkingen elders in de studie gerapporteerd, zijn uitgevoerd met een gepaarde t-test over n = 1000 gesimuleerde lerenden, waarbij statistische significantie werd gedefinieerd als p < 0.05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 16: Interdependentiepatronen tussen geëxtraheerde leerkenmerken in het adaptieve raamwerk. De figuur visualiseert de genormaliseerde interdependentiepatronen tussen de geëxtraheerde leerkenmerken binnen het voorgestelde GECIF-raamwerk. Sterkere relaties duiden op hogere correlaties en effectievere interacties tussen kenmerkdimensies, terwijl zwakkere relaties lagere afhankelijkheden vertegenwoordigen, wat de complexe multidimensionale organisatie van cognitieve en emotionele representaties aantoont die door het adaptieve grafiekgebaseerde raamwerk zijn aangeleerd. Deze visualisatie presenteert interactiepatronen van kenmerken en bevat geen foutenbalken. Statistische vergelijkingen die elders in de studie worden gerapporteerd, zijn uitgevoerd met een gepaarde t-toets over n = 1000 gesimuleerde lerenden, waarbij statistische significantie is gedefinieerd als p < 0,05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 17: Bijdrage van multidimensionale kenmerken aan de prestaties van kennisverwerving. De figuur illustreert de genormaliseerde bijdragen van meerdere kenmerkdimensies aan de kennisverwerving binnen het op grafen gebaseerde leerframework. Variaties in het belang van kenmerken tussen grafenknopen benadrukken de heterogene aard van cognitieve en emotionele leerfactoren, wat aantoont hoe verschillende kenmerken interageren en bijdragen aan adaptieve kennisverwerving binnen het voorgestelde GECIF-framework. Deze visualisatie presenteert patronen van multidimensionale kenmerkbijdragen en bevat geen foutenbalken. Statistische vergelijkingen die elders in de studie worden gerapporteerd, zijn uitgevoerd met een gepaarde t-toets over n = 1000 gesimuleerde lerenden, waarbij statistische significantie is gedefinieerd als p < 0,05. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 18: Simultane evolutie van cognitieve en emotionele toestanden tijdens adaptief leren. De figuur illustreert de temporele evolutie van de genormaliseerde kenniswinst en emotionele stabiliteit over genormaliseerde simulatiestappen, wat een gestage cognitieve verbetering aantoont vergezeld door progressief afnemende emotionele fluctuaties. De gecoördineerde progressie van deze twee leerdimensies geeft aan dat het voorgestelde GECIF-framework effectief een gebalanceerde integratie van cognitieve ontwikkeling en emotionele regulatie handhaaft gedurende het gesimuleerde leerproces. Statistische vergelijkingen werden uitgevoerd met een gepaarde t-test over n = 1000 gesimuleerde lerenden. Waar foutbalken worden getoond, vertegenwoordigen deze de 95% betrouwbaarheidsintervallen (95% CI) van de gemiddelde genormaliseerde prestatiewaarden. Verschillen werden als statistisch significant beschouwd bij p < 0.05. Klik hier om een grotere versie van deze figuur te bekijken.
| Symbool | Beschrijving | Categorie |
| G | Grafiek die het volledige learningsysteem representeert | Grafiekcomponent |
| V | Verzameling van alle knooppunten | Grafiekcomponent |
| E | Set van randen (relaties) | Grafiekcomponent |
| W | Gewichtsmatrix die de sterkte van de relatie representeert | Grafiekcomponent |
| V_k | Kennisknopen (muzikale concepten) | Knooppunttype |
| V_a | Activiteitsknopen (leeracties) | Knooppunttype |
| V_e | Emotienodes (psychologische toestanden) | Knooppunttype |
| W_ij | Gewicht tussen knoop i en j | Randparameter |
| S_c(i,j) | Cognitieve gelijkenis tussen knooppunten | Randparameter |
| S_e(i,j) | Emotionele correlatie tussen knooppunten | Randparameter |
| alpha | Gewicht voor cognitieve gelijkenis | Modelparameter |
| beta | Weging voor emotionele correlatie | Modelparameter |
| x_i(t) | Toestandsvector van knoop i op tijdstip t | Knooppuntstatus |
| k_i(t) | Kennisniveau van knoop i | Knooppunttoestand |
| e_i(t) | Emotionele toestand van knoop i | Knooppuntstatus |
| a_i(t) | Activiteitsbetrokkenheid van knoop i | Knooppuntstatus |
| h_i | Knoop-embedding-representatie | GNN-parameter |
| gamma | Emotionele vervalfactor | Modelparameter |
| eta | Leer-/adaptatiesnelheid | Modelparameter |
| J | Multi-objectieve optimalisatiefunctie | Optimalisatie |
Tabel 1: Overzicht van variabelen, parameters en notaties gebruikt in het Graph-based emotional curriculum intelligence framework (GECIF). Deze tabel biedt definities voor graafcomponenten, knooppuntenstatussen en modelparameters, ter ondersteuning van de reproduceerbaarheid en duidelijkheid van de voorgestelde methodologie.
| Metriek | Voorgestelde GECIF (gemiddelde) | Voorgestelde SD | Voorgesteld 95% BI | Conventioneel (Gemiddelde) | Conventionele SD | Conventioneel 95% BI | Verbetering (%) | p-waarde |
| Kenniswinst | 0.88 | 0.04 | 0.84–0.92 | 0.65 | 0.06 | 0.59–0.71 | 35 | 0.001 |
| Emotionele stabiliteit | 0.92 | 0.03 | 0.89–0.95 | 0.7 | 0.05 | 0.65–0.75 | 31 | 0.002 |
| Stressvermindering | 0.85 | 0.05 | 0.80–0.90 | 0.55 | 0.07 | 0.48–0.62 | 54 | 0.0005 |
| Betrokkenheidsniveau | 0.9 | 0.04 | 0.86–0.94 | 0.68 | 0.06 | 0.62–0.74 | 32 | 0.0015 |
| Robuustheid | 0.87 | 0.03 | 0.84–0.90 | 0.66 | 0.05 | 0.61–0.71 | 32 | 0.002 |
| Leerefficiëntie | 0.91 | 0.04 | 0.87–0.95 | 0.69 | 0.06 | 0.63–0.75 | 32 | 0.001 |
| Convergentiesnelheid | 0.89 | 0.03 | 0.86–0.92 | 0.67 | 0.05 | 0.62–0.72 | 33 | 0.001 |
| Voorspellingsnauwkeurigheid | 0.93 | 0.02 | 0.91–0.95 | 0.72 | 0.05 | 0.67–0.77 | 29 | 0.0008 |
| Reductie van emotionele variantie | 0.86 | 0.04 | 0.82–0.90 | 0.6 | 0.06 | 0.54–0.66 | 43 | 0.0012 |
| Aanpassingsscore | 0.9 | 0.03 | 0.87–0.93 | 0.68 | 0.05 | 0.63–0.73 | 32 | 0.001 |
Tabel 2: Vergelijkende prestatiemetrieken tussen het voorgestelde GECIF-framework en het conventionele leermodel. De tabel vat de verbeteringen in kenniswinst, emotionele stabiliteit, stressvermindering, betrokkenheid, robuustheid en algemene leerefficiëntie samen, wat de superioriteit van de voorgestelde aanpak aantoont.
Aanvullend bestand 1: Code voor datasetgeneratie en gestructureerde datarepresentaties. Samenvatting van de op MATLAB gebaseerde datasetgeneratie, verwerkingspijplijn en evaluatieprocedures die zijn gebruikt in het Graph-based emotional curriculum intelligence framework (GECIF). Dit bestand biedt een overzicht van de simulatiestadia, waaronder de generatie van interactielogboeken, modellering van emotionele indicatoren, berekening van leerprestaties, graafconstructie, feature engineering, statistische analyse, validatiecontroles en data-exportprocedures, ter ondersteuning van de reproduceerbaarheid, transparantie en duidelijkheid van de voorgestelde methodologie.Klik hier om dit bestand te downloaden.
Discussie
De huidige studie stelde een op grafen gebaseerd emotioneel curriculum-intelligentiekader (GECIF) voor, dat op grafen gebaseerd representatieleren, modellering van de emotionele toestand, adaptieve curriculumoptimalisatie en AI-gestuurd visueel onderwijs integreert in een uniform computationeel kader voor muziekonderwijs in het hoger onderwijs. In tegenstelling tot conventionele AI-ondersteunde educatieve modellen die primair de academische prestaties optimaliseren, modelleert het voorgestelde kader gelijktijdig de interacties tussen kennisverwerving, emotionele regulatie, betrokkenheid van de lerende en adaptieve curricultumevolutie. De simulatieresultaten toonden consistent superieure prestaties van het voorgestelde kader ten opzichte van de conventionele baseline over meerdere evaluatiemetrieken, waaronder kenniswinst, emotionele stabiliteit, betrokkenheid van de lerende en stressreductie. Deze bevindingen suggereren dat de integratie van relationele graafstructuren met emotiebewust leren een uitgebreidere computationele representatie van educatieve processen biedt dan benaderingen die uitsluitend vertrouwen op cognitieve adaptatie.
De waargenomen verbeteringen in de gesimuleerde leerprestaties zijn consistent met recente ontwikkelingen in AI-gestuurd adaptief onderwijs. AI-technologieën worden in toenemende mate erkend als effectieve instrumenten voor het ontwikkelen van gepersonaliseerde en adaptieve leeromgevingen die in staat zijn te reageren op de kenmerken van de lerende en de onderwijsbehoeften18,19,20. In het bijzonder is aangetoond dat adaptief curriculumontwerp, ondersteund door kunstmatige intelligentie, de instructieve flexibiliteit, de leerlinggerichte besluitvorming en de onderwijseffectiviteit verbetert19,20. Bovendien hebben AI-ondersteunde assessments en intelligente feedbacksystemen een aanzienlijk potentieel aangetoond voor het verhogen van de prestaties van studenten door middel van continue evaluatie en adaptieve instructieve ondersteuning21,22,23. Vergeleken met deze eerdere studies breidt het voorgestelde GECIF-framework bestaande methodologieën uit door cognitieve kennis, emotionele dynamiek en adaptieve leergedragingen te integreren binnen één enkele graafgebaseerde computationele architectuur. Bijgevolg biedt het huidige framework een uniforme representatie van onderwijsprocessen, in plaats van cognitieve prestaties en de aanpassing van de lerende als afzonderlijke componenten te behandelen.
De integratie van emotionele modellering binnen het voorgestelde raamwerk wordt ook ondersteund door eerdere onderzoeken in muziekeducatie en affectief leren. Li1 toonde aan dat emotionele visualisatie in combinatie met deep learning het onderwijs in muziekesthetiek verbetert door de interactie tussen lerenden en educatieve inhoud te versterken. Op soortgelijke wijze rapporteerde Zhao3 dat de integratie van cognitieve mapping met audiovisuele muziektherapie angst bij universiteitsstudenten effectief vermindert, waarbij de nauwe relatie tussen emotionele regulatie en leerresultaten werd benadrukt. Iyendo et al.4 toonden verder aan dat audiovisuele kunst- en muziekinterventies het psychologisch welzijn aanzienlijk verbeteren door symptomen geassocieerd met emotionele stress te verminderen. De verbeteringen in emotionele stabiliteit die in de huidige simulatie zijn waargenomen, komen daarom overeen met eerder bewijs dat aangeeft dat emotioneel bewustzijn een essentieel onderdeel vormt van succesvol muziekonderwijs. In tegenstelling tot eerdere studies die emotionele interventies voornamelijk onderzochten als onafhankelijke onderwijstrategieën, bedingt het voorgestelde raamwerk emotionele dynamiek direct in grafiekgebaseerde curriculumoptimalisatie, waardoor emotionele toestanden continu invloed kunnen uitoefenen op adaptieve instructieve beslissingen gedurende het leerproces.
De gesimuleerde vermindering van stress bij de lerende is op vergelijkbare wijze consistent met recente literatuur over de geestelijke gezondheid van studenten in het hoger onderwijs. Academische stress is geïdentificeerd als een belangrijke voorspeller van een verminderd psychologisch welzijn en verslechterde educatieve prestaties bij universiteitsstudenten28,29,30. Systematische reviews hebben verder aangetoond dat gestructureerde interventies voor stressmanagement zowel het academisch functioneren als de psychologische gezondheid significant verbeteren27. Recentelijk hebben AI-ondersteunde digitale interventies effectiviteit aangetoond bij het bevorderen van stressmanagement en adaptieve zelfregulatie bij universiteitsstudenten29. Het huidige raamwerk verschilt van deze interventiegebaseerde benaderingen omdat stressvermindering voortvloeit uit de adaptieve optimalisatie van cognitieve en emotionele interacties, in plaats van via afzonderlijke therapeutische mechanismen. Bijgevolg suggereren de lagere stressniveaus die in het voorgestelde raamwerk zijn waargenomen dat een emotioneel adaptief curriculumontwerp zelf kan bijdragen aan het verminderen van cognitieve overbelasting, terwijl het gelijktijdig een verbeterde leerprestatie ondersteunt.
De verhoogde betrokkenheid van de lerende die in de huidige studie is waargenomen, wordt evenzo ondersteund door eerder onderzoek naar AI-ondersteund visueel onderwijs en gepersonaliseerde instructietechnologieën. Bian et al.12 toonden aan dat AI-gegenereerde visuele inhoud de betrokkenheid in de klas, de eigen effectiviteit van de lerende en de cognitieve prestaties in educatieve omgevingen significant verbetert. In dezelfde lijn rapporteerden Johnson et al.34 dat digitale visuele leeromgevingen de betrokkenheid van studenten versterken en een grotere participatie bevorderen onder stressvolle educatieve omstandigheden. Specifiek binnen het muziekonderwijs is aangetoond dat AI-ondersteunde instructietechnologieën gepersonaliseerde leertrajecten faciliteren en educatieve innovatie verbeteren41. Het voorgestelde GECIF-framework vult deze bevindingen aan door adaptief visueel onderwijs te combineren met grafiekgebaseerde emotionele modellering, waardoor de betrokkenheid van de lerende, emotionele regulatie en cognitieve ontwikkeling gelijktijdig kunnen evolueren gedurende het leerproces.
De relatie tussen emotionele regulatie en leerprestaties die in de huidige studie is waargenomen, wordt ook ondersteund door breder onderzoek naar de geestelijke gezondheidszorg. Emotionele regulatie is geïdentificeerd als een fundamentele determinant van psychologisch welzijn en gezond educatief functioneren32. Evenzo benadrukken modellen voor het welzijn van studenten dat emotionele veerkracht en psychologische stabiliteit nauw verbonden zijn met succesvolle academische resultaten15,16,17. Studies onder universiteitsstudenten hebben consistent gerapporteerd dat het bevorderen van de geestelijke gezondheid de veerkracht, betrokkenheid en educatieve prestaties op de lange termijn verbetert14,15,16,17. De huidige simulatie toonde een soortgelijk computationeel gedrag, waarbij verbeteringen in emotionele stabiliteit gepaard gingen met een hogere kennisverwerving en een sterkere betrokkenheid van de lerende. Hoewel het huidige onderzoek volledig is gebaseerd op simulaties en daarom geen causale relaties bij echte lerenden kan vaststellen, versterken de computationele resultaten de groeiende consensus dat emotionele regulatie direct in intelligente educatieve systemen moet worden geïntegreerd, in plaats van te worden behandeld als een onafhankelijk educatief resultaat.
Vergeleken met bestaande computationele benaderingen biedt het voorgestelde raamwerk verschillende conceptuele voordelen. Hedendaagse op AI gebaseerde educatieve systemen maken in toenemende mate gebruik van adaptieve toetsing, gepersonaliseerde feedback en intelligente beslissingsondersteuning om de effectiviteit van het leren te verbeteren21,22,23. Op soortgelijke wijze leggen AI-gestuurde adaptieve curriculummodellen de nadruk op personalisatie voor de lerende en dynamische instructieplanning18,19,20. Deze benaderingen evalueren echter over het algemeen de prestaties van de lerende primair via cognitieve indicatoren, terwijl emotionele informatie afzonderlijk wordt weergegeven of geheel wordt weggelaten. In tegenstelling hiermee modelleert het voorgestelde GECIF-raamwerk gelijktijdig de kennisverwerving, emotionele dynamiek, de betrokkenheid van de lerende en de adaptieve evolutie van het curriculum binnen een uniforme graafrepresentatie. Deze geïntegreerde modelleringsstrategie maakt een continue interactie mogelijk tussen cognitieve, gedragsmatige en emotionele variabelen, waardoor een uitgebreidere computationele beschrijving van educatieve processen wordt geboden dan conventionele AI-gestuurde educatieve systemen.
Het raamwerk is bijzonder relevant voor muziekeducatie, omdat muzikaal leren inherent een combinatie is van technische vaardigheidsverwerving, emotionele expressie, creativiteit en de betrokkenheid van de lerende. Eerdere onderzoeken hebben aangetoond dat de integratie van muziek, beeldende kunst en creatieve educatieve activiteiten bijdraagt aan de psychologische ontwikkeling, het emotionele welzijn en de educatieve motivatie36,37. Bovendien ervaren muziekstudenten vaak een aanzienlijke academische werklast en psychologische stress, wat het belang van adaptieve educatieve ondersteuningsmechanismen onderstreept25,26. Het voorgestelde raamwerk breidt deze educatieve perspectieven uit door een computationeel mechanisme te bieden dat in staat is om gelijktijdig de technische leerprogressie, emotionele adaptatie en adaptieve instructie-optimalisatie weer te geven binnen één enkel grafisch model. Bijgevolg biedt het raamwerk een interpreteerbare computationele basis voor toekomstige intelligente muziekeducatiesystemen die erop gericht zijn zowel de educatieve prestaties als het welzijn van de lerende te optimaliseren.
Er moeten niettemin enkele beperkingen worden erkend. Ten eerste is het raamwerk uitsluitend geëvalueerd met behulp van synthetische gegevens die zijn gegenereerd binnen een gecontroleerde computationele simulatie; de gerapporteerde verbeteringen weerspiegelen daarom de algoritmische prestaties in plaats van empirisch bewijs verkregen uit echte studentenpopulaties. Ten tweede werden emotionele variabelen weergegeven met behulp van wiskundige abstracties die de complexiteit van authentieke menselijke emotionele processen vereenvoudigen. Ten derde zijn vooraf gedefinieerde grafstructuren en optimalisatieparameters mogelijk niet volledig representatief voor de diversiteit aan onderwijsomgevingen die in de praktijk worden aangetroffen. Ten slotte introduceert grafgebaseerde optimalisatie extra computationele complexiteit die mogelijk verdere optimalisatie vereist voordat grootschalige implementatie in intelligente onderwijssystemen kan plaatsvinden.
Toekomstig onderzoek dient daarom het voorgestelde raamwerk te valideren met behulp van authentieke educatieve datasets en echte klasomgevingen. De integratie van multimodale educatieve informatie, waaronder gedragsmatige interactielogboeken, fysiologische metingen, audiovisuele observaties en digitale leerporen, kan het realisme van de schatting van de emotionele toestand en de optimalisatie van het adaptieve curriculum aanzienlijk verbeteren. Vergelijkende evaluaties met recente AI-gestuurde adaptieve learningsystemen 18,19,20,21,22 zouden de relatieve voordelen van grafiekgebaseerde emotionele modellering verder verduidelijken. Het uitbreiden van het raamwerk buiten het muziekonderwijs naar andere educatieve disciplines zou bovendien het bewijs voor de generaliseerbaarheid en praktische toepasbaarheid versterken. Het huidige simulatiegebaseerde onderzoek toont aan dat de integratie van grafiekgebaseerd relationeel leren met emotionele modellering een veelbelovende richting is voor intelligente educatieve systemen van de volgende generatie. De bevindingen zijn consistent met recente vorderingen in AI-ondersteund adaptief onderwijs, emotiebewuste muziekles, gepersonaliseerd leren en onderzoek naar de mentale gezondheid van studenten25,26,27,28,29,30. Hoewel validatie met echte leerlingen noodzakelijk blijft, biedt het voorgestelde GECIF-raamwerk een gestructureerde computationele basis voor toekomstige AI-gestuurde educatieve systemen die in staat zijn om gelijktijdig cognitieve prestaties, emotioneel welzijn, betrokkenheid van de leerling en adaptief curriculumontwerp te optimaliseren.
Openbaarmakingen
De auteur heeft geen belangenconflict.
Dankbetuigingen
De auteur spreekt zijn oprechte dank uit naar de faculteit Muziek van de Anqing Normal University voor het bieden van de academische omgeving en de institutionele ondersteuning die nodig waren voor het uitvoeren van dit onderzoek. Bijzondere waardering gaat uit naar de collega's en studenten die waardevolle inzichten en feedback hebben gegeven tijdens de ontwikkeling en evaluatie van het voorgestelde raamwerk. De auteur erkent daarnaast de ondersteuning van de Anqing Normal University bij het faciliteren van de toegang tot middelen en de onderzoeksinfrastructuur.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| 32 GB DDR4 RAM-module | Kingston Technology | NA | |
| CUDA Toolkit voor GPU-acceleratie (v11.8) | NVIDIA | version 1.18 | |
| Curriculum Adaptatie-engine | Custom Implementation | CAE003 | |
| Dataset: Emotionele Indicatoren | Generated Dataset | DEI006 | |
| Dataset: Leerprestatie-metrieken | Generated Dataset | DLPM007 | |
| Dataset: Interactielogs van Studenten | Generated Dataset | DIL005 | |
| Module voor Emotionele Toestandssimulatie | Custom Implementation | ESM002 | |
| GPU-workstation (NVIDIA RTX 3080) | NVIDIA | NA | |
| Implementatiemodule voor Graph Neural Networks | Custom Implementation | NA | |
| Intel Core i7 Processor (3.6 GHz) | Intel Corporation | NA | |
| Jupyter Notebook Omgeving (v6.5) | Project Jupyter | version 6.5 | |
| MATLAB Software (R2023a) | MathWorks | R2023a | |
| Matplotlib Visualisatiebibliotheek (v3.7) | Matplotlib | version 3.7 | |
| NetworkX Grafiekverwerkingsbibliotheek (v3.1) | NetworkX Developers | version 3.1 | |
| NumPy Numerieke Rekenbibliotheek (v1.24) | NumPy Developers | version 1.24 | |
| Optimalisatiemodule (Multi-objective Solver) | Custom Implementation | MOS008 | |
| Pandas Gegevensverwerkingsbibliotheek (v2.0) | Pandas Development Team | version 2.0 | |
| Python Programmeeromgeving (v3.10) | Python Software Foundation | version 3.10 | |
| PyTorch Deep Learning Framework (v2.0) | Meta AI | version 2.0 | |
| Script voor Random Seed Initialisatie | Custom Implementation | RSI009 | |
| Scikit-learn Machine Learning Bibliotheek (v1.3) | Scikit-learn | version 1.3 | |
| Seaborn Statistische Visualisatiebibliotheek (v0.12) | Seaborn | version 0.12 | |
| TensorFlow Bibliotheek (v2.12) | version 2.12 | ||
| Visual Learning Interface Toolkit | Custom Implementation | VLI004 | |
| Windows 11 Besturingssysteem | Microsoft | W11 |
Referenties
- 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.