Badania nad integracją symulacji narracyjnej i wizualnej sztucznej inteligencji w nauczaniu zarządzania w celu budowania potencjału zdrowia psychicznego na uniwersytetach

Podsumowanie

Badanie integruje symulację narrację i wizualną sztuczną inteligencję z systemami zarządzania nauczaniem, aby poprawić zdrowie psychiczne, odporność emocjonalną i zaangażowanie studentów uniwersytetów.

Streszczenie

Studenci uczelni coraz częściej mierzą się z wyzwaniami zdrowia psychicznego, w tym lękiem, depresją i stresem, jednak większość środowisk szkolnictwa wyższego nie ma proaktywnych systemów monitorowania i wsparcia emocjonalnego. Celem tego badania było zaprojektowanie, wdrożenie i ocena hybrydowego systemu zarządzania nauczaniem, który integruje symulację narracji z wizualną sztuczną inteligencją (AI), aby promować umiejętności czytania i umiejętności zdrowia psychicznego oraz odporności emocjonalnej wśród uczniów. System zawiera moduł narracyjnego podejmowania decyzji symulujący scenariusze stresu oraz narzędzie do rozpoznawania emocji oparte na sztucznej inteligencji (oparte na wykrywaniu mimiki) wbudowane w środowiska klasowe. Zastosowano projekt metod mieszanych, obejmujący 332 studentów studiów licencjackich oraz 15 wykładowców z różnych uniwersytetów. Zebrano ankiety przed i po interwencji, logi użytkowania oraz dane emocjonalne w czasie rzeczywistym z wizualnej AI. Dane ilościowe analizowano za pomocą statystyki opisowej, testów t-sparowanych, ANOVA oraz regresji wielokrotnej liniowej. Wyniki wskazywały na statystycznie istotne poprawy w wynikach zdrowia psychicznego uczniów (s. < 0,01), świadomości emocjonalnej oraz pewności siebie w podejmowaniu decyzji. To zintegrowane podejście pokazuje zarówno użyteczność, jak i skalowalność, oferując instruktorom wczesne wglądy emocjonalne oraz uczniom refleksyjne środowisko nauki. Metoda ta najlepiej sprawdza się w instytucjach wyposażonych w sale lekcyjne z obsługą AI oraz wykwalifikowany nadzór etyczny.

Wprowadzenie

Zdrowie psychiczne stało się palącym problemem w szkolnictwie wyższym, a wśród studentów na całym świecie zgłaszany jest wzrost poziomu lęku, depresji i wypalenia zawodowego¹. Te obciążenia psychologiczne, często powiązane z przeciążeniem akademickim, presją społeczną i niepewnością finansową, negatywnie wpływają na wyniki w nauce, zapamiętywanie uczniów oraz długoterminowe dobrostanie². Chociaż wiele instytucji wdrożyło usługi doradcze i interwencje kryzysowe, takie podejścia mają tendencję do reaktywności i mają ograniczony zasięg³. Rośnie zapotrzebowanie na proaktywne, skalowalne i wbudowane strategie, które wspierają odporność psychiczną uczniów w codziennych środowiskach nauki.

Najnowsze osiągnięcia w technologii edukacyjnej dają nowe możliwości bezpośredniej integracji wsparcia emocjonalnego z systemami nauczania. Dwa obiecujące podejścia to symulacja narracji oraz sztuczna inteligencja wizualna (AI). Symulacja narracji odnosi się do interaktywnych, opowiedzianych modułów, które umieszczają uczniów w emocjonalnie złożonych sytuacjach, zachęcając do refleksji, empatii i podejmowania decyzji. Oparte na teorii uczenia się przez doświadczenie, symulacje te pozwalają uczniom ćwiczyć odpowiedzi na wyzwania takie jak lęk przed testami, zarządzanie czasem czy konflikty z rówieśnikami w bezpiecznym, prowadzonym środowisku ^4,5. Teoria uczenia się doświadczalnego sugeruje również, że refleksja i aktywne eksperymentowanie są kluczowe dla przekształcenia doświadczenia w trwałe uczenie się, czyniąc symulację narrracyjną realnym sposobem na rozwijanie inteligencji emocjonalnej i adaptacyjnego radzenia sobie.

Wizualna AI wykorzystuje modele uczenia maszynowego do wnioskowania stanów emocjonalnych uczniów w czasie rzeczywistym, np. na podstawie mimiki, spojrzenia lub postawy⁶. Stosowane etycznie i za świadomą zgodą, takie systemy mogą pełnić funkcję narzędzi wczesnego ostrzegania, wykrywając stres lub wycofanie się przed eskalacją⁷. Wbudowana w platformy zarządzania nauczaniem, wizualna AI może dostarczać wykładowcom szybką informację zwrotną, wspierając spersonalizowane reakcje akademickie lub emocjonalne. Ta integracja jest zgodna z teorią poznawczo-behawioralną, która podkreśla, że zwiększenie świadomości o nieadaptacyjnych funkcjach poznawczych i ich restrukturyzacja może poprawić wyniki emocjonalne.

To podejście rezonuje również ze współczesnym postrzeganiem zarządzania nauczaniem jako orkiestracji doświadczenia ucznia w środowiskach cyfrowych i stacjonarnych. Dzięki wdrożeniu wsparcia zdrowia psychicznego w tej infrastrukturze, szkolenie z odporności staje się częścią procesu akademickiego, a nie opcjonalnym dodatkiem⁸. Jest to również zgodne z Transakcyjnym Modelem Stresu i Radzenia sobie z Procesem, który przedstawia regulację emocji jako dynamiczną interakcję między strategiami oceny i radzenia sobie; tutaj wizualna SI przyczynia się do oceny pierwotnej (wykrywania sygnałów), podczas gdy symulacja narracji wspiera wtórną ocenę (eksplorację alternatyw radzenia sobie) w psychologicznie bezpiecznej przestrzeni.

Pomimo rosnącego zainteresowania, niewiele badań empirycznych oceniło połączenie wykorzystania wizualnej sztucznej inteligencji i symulacji narracyjnej do wsparcia zdrowia psychicznego w szkolnictwie wyższym. Ponadto kluczowe konstrukty, takie jak umiejętność czytania i pisania ze strony zdrowia psychicznego, "wiedza i przekonania wspierające rozpoznawanie, zarządzanie lub zapobieganie zaburzeniom psychicznym"⁹ oraz odporność emocjonalna, czyli zdolność do adaptacji do stresu psychicznego¹⁰, są często niedostatecznie operacjonalizowane. Niniejsze badanie rozwiązuje te luki, projektując i testując zintegrowany system nauczania i zarządzania, który łączy symulację narracji z komponentami wizualnej AI, aby wspierać wczesne wykrywanie problemów i wspierać samoregulację uczniów.

Cel i kluczowy wkład

Niniejsze badanie analizuje, jak symulacja narracji i wizualna sztuczna inteligencja mogą być znacząco zintegrowane z systemami nauczania i zarządzania, aby rozwiązywać problemy zdrowia psychicznego wśród studentów uniwersytetów. Zamiast traktować zdrowie psychiczne jako usługę zewnętrzną, celem jest włączenie zaangażowania emocjonalnego i wczesnego wsparcia psychologicznego w rutynową naukę. Połączenie interaktywnych scenariuszy podejmowania decyzji z monitorowaniem emocji w czasie rzeczywistym daje uczniom możliwość refleksyjnej praktyki, jednocześnie umożliwiając instruktorom wrażliwą reakcję na oznaki niepokoju.

System jest koncepcyjnie oparty na uczeniu się doświadczalnym, podkreślając praktykę, informację zwrotną i zaangażowanie emocjonalne jako czynniki napędzające zmiany zachowania. Symulacje narracyjne przedstawiają znane akademickie stresory (np. presję czasu, napięcie rówieśnicze), które wymagają emocjonalnie istotnych wyborów. Równolegle narzędzie wizualnej AI skalibrowane do wnioskowania mimiki twarzy monitoruje zmiany chwilowe podczas lekcji nauczania. Podejście to opiera się również na teorii inteligencji emocjonalnej, która identyfikuje samoświadomość, empatię i regulację jako kluczowe kompetencje odporności.

Badania obejmowały 332 studentów studiów licencjackich oraz 15 wykładowców z trzech dziedzin. Stosując projekt metod mieszanych, oceniliśmy, czy lęk, depresja i stres zmniejszyły się oraz czy poprawiła się świadomość emocjonalna i pewność siebie w decyzjach uczniów. Modelowanie statystyczne i analizy jakościowe wspólnie pokazują, jak technologie uwzględniające emocje mogą wspierać dobrostan uczniów, nie jako zamiennik profesjonalnej opieki, lecz jako profilaktyczny, skalowalny element codziennego życia akademickiego.

Przegląd systemu

Studium podzielone jest na pięć głównych części. Wstęp przedstawia tło i motywację do radzenia sobie z wyzwaniami zdrowia psychicznego w szkolnictwie wyższym. Druga sekcja omawia istniejącą literaturę na temat symulacji narracyjnej, wizualnej sztucznej inteligencji oraz ich zastosowań w kontekście edukacyjnym. Trzecia część przedstawia projekt badawczy, w tym podejście metod mieszanych, rekrutację uczestników oraz techniki analityczne. Czwarta część przedstawia kluczowe wyniki, zarówno ilościowe, jak i jakościowe, koncentrując się na zmianach w odporności emocjonalnej uczniów i świadomości zdrowia psychicznego. Na koniec konkluzja omawia szersze konsekwencje tych ustaleń i sugeruje przyszłe kierunki integracji technologii świadomych emocji w praktyce nauczania.

Powiązane dzieła

Uniwersytety testowały różnorodne podejścia wspierające zdrowie psychiczne, w tym działania prowadzone przez rówieśników, kampanie cyfrowe oraz^{interwencje w} klasie. Komunikacja na całym kampusie w połączeniu ze wsparciem rówieśniczym może zwiększyć zaangażowanie i świadomość w usługach, choć dostosowywanie się do różnorodnych grup pozostaje wyzwaniem¹². Na poziomie populacji badania często opierają się na ankietach samooceny opartych na kryteriach diagnostycznych¹³, które ograniczają wnioskowanie przyczynowe i pomijają wskaźniki w czasie rzeczywistym szczepu^14,15.

Coraz więcej badań bada inteligencję emocjonalną (EI) jako czynnik predyktora dobrostanu uczniów; cechy takie jak samoświadomość, jasność i naprawa emocjonalna wiążą się z lepszymi rezultatami, a przynależność często jest identyfikowana jako mediator¹⁶. Jednak wiele wyników opiera się na jednorazowych ankietach, pozbawionych dynamicznej informacji zwrotnej dla trwałego wsparcia. Włączanie zasad opartych na EI do symulacji narracyjnej daje drogę do pogłębienia empatii, refleksji i samoregulacji.

Równolegle badacze edukacyjni coraz częściej integrują AI z środowiskami edukacyjnymi¹⁷. Narzędzia wizualnej AI wykrywające mimikę lub mikroekspresje związane ze stresem zostały wykorzystane podczas badań i korepetycji, przynosząc obiecujące wyniki w zakresie adaptacyjnej informacji zwrotnej¹⁸. Symulacje narracyjne są dobrze ugruntowane w edukacji pielęgniarskiej/medycznej do podejmowania emocjonalnie naładowanych decyzji¹⁹, ale te zastosowania są często specyficzne dla danej dziedziny i rzadko integrowane z ogólnymi systemami nauczania i zarządzania²⁰. Niewielka część prac proponuje ramy współpracy ze studentami i AI oraz projektowania nauczania opartego na AI^21,22, podkreślając etykę, luki wdrożeniowe oraz potrzebę skalowalnych modeli, które dostarczają wartości pedagogicznej i psychologicznej wykraczającej poza nowość.

Badanie to rozwija tę dziedzinę, integrując symulację narracji z obliczeniami afektywnymi w czasie rzeczywistym, aby stworzyć proaktywną, wbudowaną odpowiedź na wyzwania związane ze zdrowiem psychicznym w środowiskach nauki uniwersyteckiej.

Luka badawcza i praktyczne aspekty wdrożenia

Chociaż cyfrowe narzędzia dla zdrowia psychicznego uczniów rosną, wiele badań opiera się na samoocenach i krótkoterminowych interwencjach poza kontekstem klasowym, co ogranicza długoterminowy wpływ i terminowość. Niewiele działań łączy takie konstrukcje jak EI czy umiejętność zdrowia psychicznego z informacją zwrotną w czasie rzeczywistym lub obserwowalnym zachowaniem w klasie. Wizualna sztuczna inteligencja i symulacja narracji były badane osobno, ale rzadko łączone w jeden system, który jednocześnie śledzi i reaguje na stany emocjonalne podczas aktywności akademickiej. Niniejsze badanie wypełnia tę lukę, łącząc refleksję emocjonalną opartą na symulacji z rozpoznawaniem opartym na sztucznej inteligencji w samym środowisku uczenia się.

Praktyczne aspekty implementacyjne

Skuteczne wdrożenie zależy od infrastruktury (stabilny internet, zintegrowane kamery), nadzoru etycznego oraz kalibracji algorytmów, aby chronić uczestników i ograniczać stronniczość, zwłaszcza gdy w grę wchodzi analiza twarzy. Szkolenie kadry jest również niezbędne do odpowiedzialnego interpretowania sygnałów generowanych przez AI i ich integracji z decyzjami pedagogicznymi. W związku z tym podejście najlepiej pasuje do uniwersytetów z ugruntowaną infrastrukturą cyfrową i instytucjonalnymi komisjami etyki, gdzie może pełnić rolę proaktywnego, skalowalnego ram wzmacniania zdrowia psychicznego studentów.

Protokół

Przed zebraniem danych uzyskano etyczną zgodę od Instytucjonalnej Rady Przeglądu Uniwersytetu Pocztowego i Telekomunikacyjnego w Nankinie (Kod zatwierdzenia: NJUPT-IRB-2024-0312). Wszyscy uczestnicy wyrazili pisemną świadomą zgodę po zapoznaniu się z zakresem badania, dobrowolnym charakterem uczestnictwa, wykorzystaniem wizualnej sztucznej inteligencji do śledzenia emocji oraz procedurami poufności danych. Udział mógł zostać przerwany w dowolnym momencie bez kary. Oprogramowanie i sprzęt użyte są wymienione w Tabeli Materiałów.

1. Przygotowanie do nauki

1. Definicja harmonogramu operacyjnego i przebiegu od końca do końca
   Ustalono dwa punkty oceny: T1 (przed interwencją), bezpośrednio po pierwszym badaniu, oraz T2 (po interwencji), po krótkim feedbacku przekazanym przez instruktorów pod wpływem sygnałów emocjonalnych AI. Jedna symulacja narracji została zaplanowana po okresie egzaminu, a druga kilka dni później, aby ocenić zmiany w radzeniu sobie. Kompleksowy proces obejmujący wprowadzanie danych z kamery w klasie, API rozpoznawania emocji, feedback od instruktorów, zbieranie ankiet, integrację danych oraz analizę, jest przedstawiony na Rysunku 1A.
2. Rekrutacja i dokumentacja uczestników
   Łącznie 347 uczestników zostało zrekrutowanych poprzez dobrowolne zapisy z istniejących kursów, w tym 332 studentów studiów licencjackich (w wieku 18-22 lata; 140 mężczyzn, 192 kobiety) oraz 15 wykładowców (w wieku 27-45 lat; 10 kobiet, 5 mężczyzn). Rejestrowano rozkłady na rok akademicki i wydziałowe. Demografia studentów i wykładowców przedstawiona jest odpowiednio w Tabeli 1 i Tabeli 2.
3. Przygotowanie sal lekcyjnych i materiałów
   Każdy pokój był wyposażony w komputer (Intel i5 lub nowszy, ≥ 8 GB RAM), kamerę internetową HD (≥ 720p) oraz stabilne łącze internetowe (≥ 10 Mbps). Kamera została ustawiona na wysokości oczu przy jednolitym oświetleniu frontowym, aby zapewnić wyraźną widoczność twarzy w ≥ 640 × 480 px. Powiadomienie wskazywało, że aktywne jest śledzenie emocji. Przed każdą sesją weryfikowano kadrowanie i oświetlenie, a konfiguracja oprogramowania była uruchamiana po potwierdzeniu stabilności detekcji.

2. Konfiguracja wizualnej AI

1. Udostępnianie usługi rozpoznawania emocji
   Utworzono konto w chmurze, a API rozpoznawania emocji zostało włączone. Klucz API i adres URL endpoint zostały wygenerowane, a poświadczenia były przechowywane w formie zaszyfrowanej w ramach kontroli dostępu opartej na rolach. Dla reprodukcji zastosowano Microsoft Azure Face API (Emotion, v3.2, region Azji Wschodniej). Klient uwierzytelnił się przez HTTPS za pomocą tokena nosiciela i zwracał obiekty JSON na twarz zawierające {faceId, faceRectangle, emotions: {anger, fear, smutness, disgust, happiness, surprise, neutral}, timestamp} z prędkością około 25-30 fps.
2. Podłączenie kamery i kalibracja detekcji
   Strumień kamery w klasie był powiązany z klientem API (Python lub REST). Częstotliwość próbkowania została ustawiona na 25-30 fps przy rozdzielczości klatek 640 × 480 px. Inicjowano strumień testowy, a łączność potwierdzono poprzez otrzymanie odpowiedzi HTTP 200 OK z ważnym JSON-em ze znacznikiem czasowym. Kąt kamery i oświetlenie były regulowane do momentu, gdy twarze były wykrywane w ciągu jednej sekundy od wejścia na klatkę. Udokumentowano ostateczną pozycję kamery i parametry oświetlenia. Kalibrację potwierdzał ekran potwierdzający wyświetlający ramki ograniczające, wskaźnik 200 OK oraz pola JSON, jak pokazano na rysunku 1B.
3. Definicja progów klasyfikacji i reguł logowania
   Każdy wynik JSON zawierał znaczniki czasu ISO 8601, etykiety emocji oraz wartości zaufania. Kompozyt negatywnego afektu na klatkę został zdefiniowany jako średnia wskaźników pewności siebie {złość, strach, smutek, obrzydzenie}. Flaga stresu była uruchamiana, gdy kompozyt utrzymywał się ≥ 0,75 przez co najmniej 5 sekund (okno przesuwane). Przeprowadzono 10-minutowy pilotaż, aby zoptymalizować progi, z celem w wskaźnik fałszywych zasytuacji na sesję na poziomie ≤5%. Logowanie zostało skonfigurowane tak, aby agregować podsumowania na poziomie sesji zamiast przechowywać rozpoznawalne ramki.
4. Wdrożenie kontroli prywatności i minimalizacji danych
   Przypisano identyfikatory pseudonimowe (S001-S332 dla studentów i F001-F015 dla wykładowców), a plik klucza ID był utrzymywany na zaszyfrowanym serwerze pod kontrolą dostępu opartą na rolach. Lokalne buforowanie wideo zostało wyłączone. Gdy wymagane było tymczasowe buforowanie dla zapewnienia jakości, ramki w pamięci podręcznej były usuwane w ciągu 24 godzin od weryfikacji. Dokładność wykrywania na sesję, średnie opóźnienia oraz wskaźniki błędów zostały zapisane do późniejszej prezentacji w sekcji Rezultaty.
5. Weryfikacja gotowości AI (punkt kontrolny proceduralny)
   Potwierdzono stabilne wykrywanie twarzy przy 25-30 fps, otrzymanie odpowiedzi HTTP 200 OK, poprawne pola JSON, udokumentowane ustawienia progowe oraz bezpieczne przechowywanie danych uwierzytelniających. Cały potok został zgłoszony jako przeszedł kontrole gotowości zgodne z kalibracją przedstawioną na rysunku 1B.

3. Zarządzanie geodezją

1. Konfiguracja instrumentów i kotwic
   Zastosowano 5-punktową skalę Likerta do pomiaru depresji, lęku i stresu, wykorzystując elementy dostosowane z DASS-21, aby dostosować je do kontekstu akademickiego. Kody pozycji i kotwicy odpowiadały układowi instrumentów przedstawionym w Tabeli 3.
2. Podawanie T1 (przed testem)
   Ankieta została przeprowadzona bezpośrednio po pierwszym badaniu i przed jakąkolwiek opinią opartą na AI. Wprowadzono bezpieczny formularz online z ustawieniem wszystkich pól jako obowiązkowych i zapobieganiem duplikatom zgłoszeń. Zbiór danych został wyeksportowany w formacie CSV z polami dla identyfikatora uczestnika, punktu czasu (T1) oraz wyników pozycji.
3. Przekazywanie krótkiej informacji zwrotnej od wykładowców
   W ciągu 24 godzin po T1 studentom zidentyfikowanym przez AI zapewniono niekliniczne wskazówki. Informacja zwrotna obejmowała krótkie ćwiczenia relaksacyjne (3-5 minut), korekty planu nauki lub sugestie dotyczące zarządzania czasem. W zbiorze danych badawczych nie odnotowano notatek klinicznych. Studenci wykazujący poważny stres byli kierowani do usług doradztwa kampusowego zgodnie z polityką instytucji.
4. Podawanie T2 (po teście)
   Ta sama ankieta została przeprowadzona ponownie po drugiej sesji egzaminacyjnej i otrzymaniu kolejnych opinii. Dane były eksportowane w formacie CSV z punktem czasowym (T2) i dopasowywane do odpowiedzi T1 za pomocą identyfikatorów uczestników.
5. Blokowanie danych geodezyjnych (punkt kontrolny proceduralny)
   Weryfikowano wskaźniki odpowiedzi i brakujące wzorce danych, a baza danych ankiety została zablokowana przed połączeniem danych. Statystyki opisowe planowano do włączenia do sekcji Wyników.

4. Ćwiczenia symulacyjne narracyjne

1. Wykonanie symulacji 1
   Przedstawiono scenariusz stresu akademickiego, przedstawiający takie sytuacje jak otrzymanie niskiej oceny lub postrzeganie niesprawiedliwej informacji zwrotnej. Każdy uczeń miał wybrać jedną z trzech opcji odpowiedzi: internalizację frustracji, publiczne obwinianie wykładowcy lub refleksję i poszukiwanie wyjaśnień. Na wybór odpowiedzi wyznaczono czas 3-5 minut, po czym nastąpiło pisemne uzasadnienie 150-200 słów. Interfejs symulacyjny wyświetlający opcje promptu i odpowiedzi czasowej przedstawiono na Rysunku 1C.
2. Przeprowadzanie krótkich wywiadów
   Bezpośrednio po symulacji 1 przeprowadzono krótkie wywiady trwające 5-7 minut, aby zbadać oceny uczestników, intencje radzenia sobie oraz postrzegane wyzwalacze emocjonalne. Notatki z wywiadów zostały zarejestrowane i powiązane z identyfikatorami uczestników.
3. Wykonanie symulacji 2
   Druga symulacja została przeprowadzona kilka dni później, według tej samej procedury co Symulacja 1, ale z wykorzystaniem scenariusza równoległego. Celem tej sesji było obserwowanie zmian w świadomości emocjonalnej i zachowaniach radzenia sobie. Wybór, uzasadnienie i notatki z wywiadu zostały zarejestrowane tak jak w Symulacji 1.
4. Potwierdzenie rekordów symulacji (punkt kontrolny proceduralny)
   Każdy uczestnik został zweryfikowany jako posiadający jeden zarejestrowany wybór, jedno uzasadnienie zawierające co najmniej 150 słów oraz odpowiadającą mu notatkę z wywiadu. Przygotowano szablon podsumowania kodowania do dalszej analizy tematycznej.

5. Eksport logów AI i łączenie zbiorów danych

1. Eksport podsumowań emocji na poziomie sesji
   Podsumowania emocji na poziomie sesji zostały wyeksportowane w formacie CSV, w tym identyfikator uczestnika, identyfikator sesji, znacznik czasu ISO 8601, etykietę emocji, wartość zaufania oraz wskaźnik stresu. Surowe klatki wideo nie zostały zapisane.
2. Łączenie logów AI z plikami ankietowymi
   Pliki logów AI zostały połączone z zestawami danych ankiet T1 i T2, wykorzystując identyfikator uczestnika i datę sesji jako kluczowe zmienne. Obliczano zmienne pochodne, takie jak ΔAnxiety = Anxiety_T2 − Anxiety_T1, aby ocenić zmiany w czasie. Przeprowadzono audyt 5% połączonych rekordów w celu weryfikacji zgodności identyfikatorów i spójności chronologicznej.
3. Potwierdzenie integralności połączenia (punkt kontrolny proceduralny)
   Potwierdzono dopasowanie ID jeden do jednego oraz poprawne uporządkowanie czasowe, z T1 przed T2 dla każdego uczestnika. Wszelkie zidentyfikowane rozbieżności zostały rozwiązane przed przeprowadzeniem analizy statystycznej.

6. Analiza ilościowa (workflow SPSS)

1. Import danych i definicja zmiennych
   Pliki danych zostały otwarte w SPSS 27.0, a zestawy danych CSV zostały zaimportowane. Zdefiniowano etykiety i typy zmiennych oraz ustalono, że wprowadzono reguły dotyczące brakujących wartości. Pliki główne zostały zapisane w .sav formacie do dalszych analiz.
2. Ocena wiarygodności i statystyki opisowej
   α Cronbacha obliczono dla każdego konstruktu, aby ocenić wewnętrzną spójność. Statystyki opisowe, w tym średnia (M) i odchylenie standardowe (SD), zostały wygenerowane dla wszystkich zmiennych. Uzyskane wyniki zostały zachowane do sekcji Wyników.
3. Wykonywanie testów t z parowanymi próbkami
   Testy t z próbkami parowanymi przeprowadzono w celu porównania wyników T1 i T2 dla lęku, depresji i stresu. Wyniki obejmowały t, stopnie swobody (df), wartość p, d Cohena oraz 95% przedział ufności (CI), które wszystkie zostały przedstawione w sekcji Rezultaty.
4. Wykonanie powtarzalnych miar ANOVA
   Czas (T1, T2) został określony jako czynnik wewnątrz podmiotu w ANOVA z powtarzanymi pomiarami. Test kulistości Mauchly'ego został oceniony, a korekta Greenhouse-Geissera zastosowana była w przypadku naruszenia założeń. Analiza wykazała wartości F, df, p,^{η 2} oraz 95% CI do uwzględnienia w wynikach.
5. Dopasowywanie wielu modeli regresji liniowej
   Wiele modeli regresji liniowej zostało wyposażonych w wyniki T2 regresowane na podstawie wyników T1, wskaźnika stresu AI oraz wyboru narracyjnego (kodowanego dummy). Wyniki modelu podsumowano według raportowania β, błędu standardowego (SE), wartości t, wartości p oraz R².
6. Utrzymanie standardów jednostek i notacji
   Wszystkie wartości liczbowe spełniały konwencje jednostek SI, z odstępem między liczbą a jednostką (np. 10 min, 25 fps, 640 × 480 px). Równania były wstawiane za pomocą narzędzia Równania w Wordzie tam, gdzie było to stosowne, a notacja statystyczna była zachowana zgodnie we wszystkich sekcjach.

7. Przepływ pracy analizy tematycznej

1. Opracowanie korpusu jakościowego
   Notatki z wywiadów zostały przepisane, a uzasadnienia narracyjne zebrane w jeden korpus oznaczony identyfikatorem uczestnika i punktem czasu (Sim1 lub Sim2). Ten korpus służył jako zbiór danych do analizy jakościowej.
2. Opracowanie podręcznika kodów i szkolenie programistów
   Opracowano kodeks koncentrujący się na zaangażowaniu emocjonalnym, jakości podejmowania decyzji oraz wskaźnikach inteligencji emocjonalnej, w tym samoświadomości, empatii i regulacji emocji. Dwóch koderów zostało przeszkolonych na 10% korpusu, aby zapewnić spójną interpretację kodów i kryteriów analitycznych.
3. Ustalenie wiarygodności analizatora i zakończenie kodowania
   Niezawodność interratera oceniono przy κ Cohena co najmniej 0,75. Wszelkie niezgodności były omawiane i rozwiązane przed ostatecznym opracowaniem kodeksu. Pozostałe korpusy zostały następnie w pełni zakodowane. Podsumowano częstotliwości przewodnich, a reprezentatywna mapa tematyczna została przygotowana do prezentacji w sekcji Wyników. Wybrano jeden reprezentatywny cytat, aby zilustrować każdy główny motyw.

8. Kontrola jakości, rozwiązywanie problemów i archiwizacja

1. Rozwiązywanie problemów technicznych
   Gdy wykrywalność twarzy była niska, oświetlenie przednie poprawiano i kąt kamery dostosowywano. Liczba klatek na sekundę została zweryfikowana jako utrzymująca się w granicach 25-30 fps. W przypadkach, gdy zaobserwowano nadmierne flagi stresu, próg wykrywania podnoszono do 0,80 lub okno wykrywania wydłużano do co najmniej 8 sekund, aby ustabilizować wyniki.
2. Zapewnienie spójności danych
   Identyfikatory uczestników i punkty czasowe były weryfikowane przed analizą danych. Koderzy byli kalibrowani po co 50 transkrypcjach, aby zapobiec dryfom kodowania. Lista kontrolna kontroli jakości na poziomie sesji była prowadzona i podpisywana zarówno przez lidera sesji, jak i opiekuna danych, aby dokumentować integralność proceduralną.
3. Archiwizacja zbiorów danych i dokumentacji
   Wszystkie pliki analityczne zostały odidentyfikowane przez zastąpienie bezpośrednich identyfikatorów identyfikatorami uczestników. Formularze zgody były przechowywane oddzielnie od danych badawczych. Ostateczne zbiory danych, pliki składni SPSS, podręczniki kodów oraz logi kontroli jakości były archiwizowane na bezpiecznym serwerze z ograniczonym dostępem.

Wyniki

Analiza opisowa

Porównania przed wdrożeniem wskazywały na stałe spadki negatywnych skutków po wdrożeniu. Średnie wartości po teście spadły do 2,87 dla lęku, 2,74 dla depresji i 2,69 dla stresu, z średnich 3,25, 3,11 i 3,08 odpowiednio (Rysunek 2). Wyniki opisowe są podsumowane w Tabeli 4, a struktura instrumentów na poziomie pozycji przedstawiona jest w Tabeli 3. Aby ocenić niezawodność AI w kontekście badania, Mi...

Dyskusja

Badanie pokazuje, że gdy symulacja narracji jest połączona ze sztuczną inteligencją wizualną, świadomość emocjonalna staje się procesem wspólnym, a nie jednokierunkową interwencją. Uczniowie nie reagowali jedynie na narzędzie cyfrowe; Prowadzili uporządkowaną refleksję emocjonalną, która łączyła ocenę poznawczą z ucieleśnionym doświadczeniem. W całym zbiorze danych zarówno ilościowe, jak i jakościowe wyniki wykazały spójny wzorzec redukcji lęku i poprawy regulacji emocji, co sugeruje, że protokół może pełnić funkcję emoc...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Sprzęt	Kamera rozpoznawająca twarz	Logitech (lub podobny)	Kamera internetowa C920 HD
Instrument	Kolekcja transkrypcji wywiadu	Wprowadzanie ręczne	Nagrania audio/tekst
Kwestionariusz	Zmodyfikowana skala DASS-21	Adaptacja autorów	Format Likerta 5-punktowy
Oprogramowanie	Microsoft Azure Emotion API	Microsoft	Emotion API v3 (Cloud)
Oprogramowanie	Statystyki SPSS	IBM	Wersja 26
Oprogramowanie	System symulacji narracyjnej	Samodzielnie rozwijany	Przeglądarka internetowa (HTML5)
Platforma systemowa	System zarządzania nauczaniem na uczelni	Platforma wewnętrzna	Zintegrowany z modułem AI