Niniejsze badanie proponuje oparty na grafach inteligentny model programowy uwzględniający aspekty emocjonalne, przeznaczony do wizualnej nauki wspomaganej przez AI w edukacji muzycznej na poziomie akademickim. Wykorzystując zbiór danych oparty na symulacji, model ten odwzorowuje proces przyswajania wiedzy, dynamikę emocjonalną oraz zaangażowanie. Wyniki wskazują na poprawę efektywności uczenia się i redukcję stresu w porównaniu z modelami konwencjonalnymi, co wykazuje potencjał w tworzeniu adaptacyjnych systemów edukacyjnych uwzględniających stan zdrowia psychicznego.
Artykuł badawczy
Symulacyjna ocena projektowania wizualnego nauczania zintegrowanego ze sztuczną inteligencją w celu promocji zdrowia psychicznego w ramach zajęć z muzyki na poziomie akademickim
W tym artykule
Podsumowanie
Streszczenie
Projektowanie wizualnych metod nauczania w edukacji muzycznej na poziomie akademickim przyciąga coraz większą uwagę ze względu na potencjał w zwiększaniu zaangażowania studentów i promowaniu dobrostanu psychicznego. Jednak konwencjonalne podejścia dydaktyczne często wykazują brak elastyczności niezbędnej do reagowania na ewoluujące stany poznawcze i emocjonalne uczniów, co ogranicza ich skuteczność w wspieraniu zarówno osiągnięć akademickich, jak i równowagi psychologicznej. Głównym celem niniejszego badania opartego na symulacji jest opracowanie i ocena frameworku napędzanego przez sztuczną inteligencję, który integruje wizualne strategie nauczania z modelowaniem emocjonalnym opartym na grafach, aby zoptymalizować efekty uczenia się w ramach kursów muzycznych na uczelniach. Zaproponowano nowatorski grafowy framework inteligencji programu nauczania emocjonalnego (GECIF), który reprezentuje środowisko uczenia się jako połączony graf węzłów wiedzy, aktywności i emocji. Framework ten zawiera uczenie reprezentacji oparte na grafach, dynamiczne modelowanie stanów oraz adaptacyjne mechanizmy uczenia się w celu symulacji ewolucji przyswajania wiedzy, zaangażowania, stabilności emocjonalnej i stresu w czasie. W celu zapewnienia powtarzalności, za pomocą kontrolowanego potoku symulacyjnego opartego na programie MATLAB, wygenerowano syntetyczny zbiór danych obejmujący logi interakcji, wskaźniki emocjonalne i zmienne wydajności uczenia się. GECIF został oceniony w odniesieniu do konwencjonalnego, nieadaptacyjnego modelu bazowego w identycznych warunkach eksperymentalnych w ramach znormalizowanych kroków symulacji. Wydajność oceniono za pomocą znormalizowanych metryk symulacyjnych, w tym przyrostu wiedzy, stabilności emocjonalnej, redukcji stresu, poziomu zaangażowania oraz odporności. Zaproponowany framework konsekwentnie przewyższał model bazowy, wykazując wyższe symulowane przyswajanie wiedzy, lepszą regulację emocjonalną, większe zaangażowanie, zredukowany symulowany stres oraz zwiększoną odporność. Analiza statystyczna oparta na wartościach średnich, odchyleniach standardowych i 95-procentowych przedziałach ufności potwierdziła spójną poprawę we wszystkich metrykach oceny. Wyniki te demonstrują potencjał strategii wizualnego nauczania opartych na AI i świadomych emocji w adaptacyjnej edukacji muzycznej, dostarczając jednocześnie skalowalny i powtarzalny framework obliczeniowy wspierający przyszłe badania nad inteligentnymi systemami edukacyjnymi.
Wprowadzenie
Integracja sztucznej inteligencji (AI) z systemami edukacyjnymi znacząco przekształciła tradycyjne paradygmaty nauczania, umożliwiając bardziej adaptacyjne, spersonalizowane i oparte na danych doświadczenia edukacyjne1,2,3. W ostatnich latach projektowanie nauczania wizualnego wyłoniło się jako skuteczna metoda pedagogiczna, szczególnie w dyscyplinach takich jak edukacja muzyczna, w której centralną rolę odgrywają pojęcia abstrakcyjne, ekspresja emocjonalna i zrozumienie percepcyjne4,5,6,7. Reprezentacje wizualne, w tym interfejsy graficzne, interaktywne symulacje i elementy multimedialne, ułatwiają głębsze przetwarzanie poznawcze i zwiększają zaangażowanie uczniów8,9,10,11. Jednak mimo tych postępów, istniejące metody nauczania wizualnego często pozostają statyczne i nie posiadają zdolności do dynamicznego reagowania na ewoluujące stany poznawcze i emocjonalne uczniów12,13,14. Edukacja muzyczna, zwłaszcza na poziomie akademickim, stawia unikalne wyzwania ze względu na swoją z natury wielowymiarową charakterystykę15,16,17. Na efekty uczenia się wpływa nie tylko poznawcze zrozumienie teorii muzyki i technik wykonawczych, ale także czynniki emocjonalne, takie jak motywacja, stres, zaangażowanie i dobrostan psychiczny18. Poprzednie badania podkreśliły silny związek między stanami emocjonalnymi a efektywnością nauki, wskazując, że studenci doświadczający wysokiego poziomu stresu lub niskiego zaangażowania mają tendencję do gorszych wyników w nauce19,20,21. Chociaż zaproponowano kilka systemów edukacyjnych opartych na AI w celu zwiększenia personalizacji nauki, większość z nich skupia się głównie na wskaźnikach wydajności poznawczej i pomija krytyczną rolę dynamiki emocjonalnej w kształtowaniu procesu uczenia się22.
Ostatnie osiągnięcia w dziedzinie inteligentnych systemów uczenia wprowadziły reprezentacje oparte na grafach oraz techniki głębokiego uczenia w celu modelowania złożonych relacji między komponentami edukacyjnymi23,24,25. Struktury uczenia oparte na grafach, w tym grafowe sieci neuronowe (GNN), wykazały wysoką skuteczność w uchwyceniu ustrukturyzowanych zależności między elementami wiedzy, interakcjami uczących się a czynnikami kontekstowymi26. Ponadto uwagę zwrócono na obliczenia uwzględniające emocje ze względu na ich zdolność do włączania sygnałów psychologicznych do adaptacyjnych środowisk uczenia się27. Niemniej jednak integracja tych podejść w ramach jednolitego systemu dla edukacji muzycznej pozostaje ograniczona28,29,30. Istniejące prace często traktują zmienne emocjonalne jako cechy pomocnicze, a nie kluczowe komponenty, i rzadko oferują mechanizmy ciągłej adaptacji opartej na współoddziaływaniu poznania i emocji31.
Ponadto zastosowanie AI w edukacji uwzględniającej zdrowie psychiczne opierało się przede wszystkim na danych empirycznych lub sensorowych zbieranych od rzeczywistych uczestników32. Jednak takie podejścia wymagają szeroko zakrojonych zgód etycznych, ustandaryzowanych narzędzi pomiarowych oraz kontrolowanych warunków eksperymentalnych, co na wczesnych etapach badań nie zawsze jest możliwe do zrealizowania33. W związku z tym alternatywą w badaniu złożonej dynamiki edukacyjnej w sposób kontrolowany i powtarzalny stały się metodologie oparte na symulacjach34. Poprzez generowanie syntetycznych zbiorów danych naśladujących logi interakcji, wskaźniki emocjonalne oraz mierniki osiągnięć w nauce, badacze mogą oceniać działanie proponowanych modeli w różnych scenariuszach, zachowując pełną kontrolę nad parametrami i założeniami systemu35.
Pomimo tych postępów, wciąż istnieje kilka luk badawczych36. Po pierwsze, brakuje jednolitych ram, które jednocześnie modelowałyby przyswajanie wiedzy, ewolucję emocjonalną oraz zaangażowanie w naukę w obrębie ustrukturyzowanej reprezentacji37. Po drugie, obecne systemy nauczania wizualnego nie wykorzystują efektywnie inteligencji opartej na grafach w celu uchwycenia współzależności między koncepcjami muzycznymi, działaniami edukacyjnymi a stanami psychologicznymi38. Po trzecie, ograniczoną uwagę poświęcono opracowaniu skalowalnych i reprodukowalnych potoków symulacyjnych, które umożliwiałyby systematyczną ewaluację modeli edukacyjnych opartych na AI39,40,41. Wreszcie, istniejące podejścia często nie zapewniają holistycznego spojrzenia na proces uczenia się, które w sposób dynamicznie adaptacyjny integrowałoby wymiary poznawcze i emocjonalne42.
Aby sprostać tym wyzwaniom, w niniejszej pracy zaproponowano grafową inteligentną strukturę programu emocjonalnego (GECIF) dla projektowania wizualnego nauczania wspieranego przez AI w edukacji muzycznej na poziomie akademickim. Tabela 1 zawiera kluczowe definicje komponentów grafu, stanów węzłów oraz parametrów modelu. Tabela ta zapewnia przejrzystość i powtarzalność zastosowanej metodologii. Zaproponowana struktura modeluje środowisko edukacyjne jako połączony graf składający się z węzłów wiedzy, węzłów aktywności oraz węzłów emocjonalnych, co umożliwia kompleksową reprezentację dynamiki uczenia się. Zestaw danych oparty na symulacji został wygenerowany przy użyciu kontrolowanego potoku obliczeniowego obejmującego logi interakcji, wskaźniki emocjonalne oraz mierniki wydajności, co zapewnia powtarzalność i skalowalność. Struktura ta integruje adaptacyjne mechanizmy uczenia się, modelowanie stanu emocjonalnego oraz optymalizację opartą na grafach, aby symulować ewolucję efektów uczenia się i warunków psychologicznych w czasie. Ewaluacja porównawcza z konwencjonalnym modelem uczenia się została przeprowadzona z wykorzystaniem wielu mierników wydajności, w tym przyrostu wiedzy, stabilności emocjonalnej, redukcji stresu, zaangażowania oraz odporności systemu.
Głównym celem niniejszego badania jest opracowanie i ocena opartego na symulacjach i sterowanego przez AI wizualnego modelu nauczania, który integruje modelowanie grafowe oraz inteligencję emocjonalną w celu zwiększenia efektywności nauki i wspierania edukacji uwzględniającej zdrowie psychiczne na zajęciach z muzyki na poziomie akademickim.
Protokół
Niniejsza praca jest badaniem obliczeniowym i symulacyjnym, które nie obejmuje uczestników będących ludźmi, danych klinicznych ani informacji osobowych. Wszystkie dane wykorzystane w tych badaniach zostały wygenerowane syntetycznie poprzez kontrolowane procesy symulacyjne. W związku z tym nie wymagano zgody komisji bioetycznej ani świadomej zgody uczestników. Badanie jest zgodne ze standardowymi wytycznymi dotyczącymi badań obliczeniowych i zapewnia pełną odtwarzalność oraz przejrzystość zastosowanej metodologii.
Podstawy teoretyczne i uzasadnienie
Proponowany framework inteligencji programowej opartej na grafach i emocjach (GECIF) opiera się na integracji sztucznej inteligencji, uczenia opartego na grafach, obliczeń afektywnych oraz pedagogiki wizualnej, a jego celem jest modelowanie uczenia się jako dynamicznego i wielowymiarowego procesu, który jednocześnie obejmuje rozwój poznawczy, ewolucję emocjonalną i zaangażowanie behawioralne. Tradycyjne podejścia dydaktyczne często zakładają linearny postęp w przyswajaniu wiedzy i nie odzwierciedlają w sposób wystarczający złożonych interakcji między wynikami poznawczymi a stanami psychologicznymi. Ograniczenie to jest szczególnie istotne w akademickiej edukacji muzycznej, gdzie ekspresja emocjonalna, motywacja i kreatywność są nierozerwalnie związane z nauką techniczną i teoretyczną. W tym kontekście framework konceptualizuje proces edukacyjny jako system powiązań, w którym elementy wiedzy, działania edukacyjne i stany emocjonalne nieustannie na siebie wpływają. Modelowanie oparte na grafach umożliwia ustrukturyzowaną i skalowalną reprezentację tych relacji, pozwalając na skuteczne uchwycenie zależności zarówno bezpośrednich, jak i pośrednich. Dynamika emocjonalna jest włączona jako integralny komponent, a nie zmienna pomocnicza, co umożliwia symulację sposobu, w jaki warunki psychologiczne ewoluują i rozprzestrzeniają się w trakcie procesu uczenia się. Integracja wizualnego projektu nauczania dodatkowo zwiększa interpretowalność poprzez przekształcanie abstrakcyjnych interakcji obliczeniowych w intuicyjne reprezentacje graficzne.
Metodologia i projekt badania symulacyjnego
W niniejszym badaniu zastosowano projekt oparty na symulacji komputerowej, w którym nie biorą udziału uczestnicy będący ludźmi, a wszystkie dane są generowane syntetycznie za pomocą kontrolowanego i reprodukowalnego rurociągu przetwarzania. Przedstawione wyniki stanowią zatem oceny oparte na modelu, a nie obserwacje empiryczne pochodzące od rzeczywistych uczniów. Poprawy w zakresie wyników uczenia się, zaangażowania, stabilności emocjonalnej i redukcji stresu interpretuje się jako symulowane lub potencjalne efekty proponowanego modelu. Środowisko symulacyjne przybliża realistyczne warunki nauki poprzez uwzględnienie zależności czasowych, zmienności wzorców interakcji oraz ewoluujących stanów emocjonalnych. Zaimplementowano porównawczą konfigurację eksperymentalną, w której proponowany model GECIF jest oceniany w zestawieniu z konwencjonalnym modelem bazowym reprezentującym nieadaptacyjny system nauczania, w którym wiedza rozwija się wyłącznie na podstawie intensywności interakcji, bez reprezentacji grafowej, modelowania emocji czy optymalizacji programu nauczania. Oba modele są uruchamiane w identycznych warunkach symulacji, aby zapewnić spójne i bezstronne porównanie.
Generowanie i struktura zbioru danych
Stworzono wielkoskalowy zbiór danych do symulacji dynamiki uczenia się w edukacji muzycznej na poziomie akademickim poprzez integrację logów interakcji, wskaźników emocjonalnych i mierników wyników uczenia się w ramach ujednoliconej struktury czasowej. Zbiór danych został wyprowadzony i rozszerzony na podstawie publicznie dostępnego zbioru danych dotyczących wyników studentów (UCI Machine Learning Repository), który dostarcza danych o osiągnięciach akademickich wraz z atrybutami demograficznymi i behawioralnymi. Zbiór ten posłużył jako podstawowy punkt odniesienia do modelowania realistycznych wzorców uczenia się. Logi interakcji reprezentują symulowane zaangażowanie w działania edukacyjne, takie jak sesje ćwiczeń, ćwiczenia słuchowe i zadania z zakresu uczenia się wizualnego. Wskaźniki emocjonalne oddają stany psychologiczne, w tym stres, zaangażowanie i motywację, natomiast wyniki uczenia się odzwierciedlają nabywanie wiedzy i postępy w czasie. Aby wzbogacić zbiór danych i uwzględnić zależności czasowe, zastosowano potok symulacyjny oparty na programie MATLAB z ustalonym ziarnem generatora liczb losowych w celu zapewnienia powtarzalności. Ciągłość czasową wprowadzono za pomocą procesów autoregresyjnych, co pozwoliło na stopniową ewolucję zachowań interakcyjnych i stanów emocjonalnych w czasie. Końcowy zbiór danych obejmuje tysiąc symulowanych uczniów obserwowanych przez pięćset kroków czasowych, z wieloma cechami interakcji reprezentującymi różnorodne zachowania edukacyjne. Wszystkie zmienne zostały znormalizowane w zakresie [0,1] w celu zapewnienia spójności i porównywalności. Zbiór danych został podzielony na podzbiory treningowy, walidacyjny i testowy w proporcji 70%–15%–15%, aby zapewnić obiektywną ocenę modelu.
Konstrukcja i reprezentacja grafu
Środowisko uczenia się jest modelowane jako graf ważony zdefiniowany jako:
G = (V,E,W) (1)
gdzie oznacza zbiór węzłów, reprezentuje zbiór krawędzi, a jest ważoną macierzą sąsiedztwa opisującą siłę relacji między węzłami. Zbiór węzłów jest rozkładany jako:
V = Vk∪Va∪Ve (2)
gdzie Vk, Va oraz Ve odpowiadają odpowiednio węzłom wiedzy, węzłom aktywności i węzłom emocjonalnym. Wagi krawędzi oblicza się następująco:
Wij = α Sc(i,j) + βSe(i,j) (3)
gdzie Sc(i,j) reprezentuje podobieństwo poznawcze między węzłami, Se(i,j) reprezentuje korelację emocjonalną, a α i β są współczynnikami wagowymi kontrolującymi ich wzglupły wpływ. Równanie (3) definiuje, w jaki sposób relacje strukturalne i emocjonalne wspólnie określają spójność grafu.
Reprezentacja stanu węzła i uczenie grafowe
Każdy węzeł jest powiązany z dynamicznym wektorem stanu zdefiniowanym jako:
xi(t) = [ki(t),ei(t),ai(t)] (4)
gdzie ki(t), ei(t) oraz ai(t) oznaczają odpowiednio poziom wiedzy, stan emocjonalny i poziom zaangażowania w czasie t. Reprezentacje węzłów są aktualizowane przy użyciu agregacji opartej na grafach:
(5)
gdzie 
to osadzanie węzła i w warstwie l, σ to nieliniowa funkcja aktywacji, a N(i) oznacza zbiór węzłów sąsiednich. Równanie (5) opisuje sposób, w jaki każdy węzeł integruje informacje od swoich sąsiadów. Następnie wprowadzono mechanizm uwagi:
(6)
gdzie αij to współczynnik uwagi, a ∅(·) to funkcja podobieństwa. Równanie (6) umożliwia adaptacyjne ważenie wkładów sąsiednich węzłów.
Modelowanie dynamiki emocjonalnej
Ewolucję czasową stanów emocjonalnych modeluje się następująco:
(7)
gdzie γ jest współczynnikiem retencji emocjonalnej. Równanie (7) opisuje zarówno trwałość, jak i propagację wpływu emocjonalnego. Stabilność emocjonalną określa się jako:
(8)
gdzie E+(t) oraz E-(t) oznaczają dodatnie i ujemne komponenty emocjonalne, a 
jest małą stałą zapobiegającą dzieleniu przez zero. Akumulacja stresu jest definiowana jako:
(9)
gdzie λ(τ) oznacza chwilowy współczynnik intensywności naprężeń. Równanie (9) modeluje skumulowane naprężenia w czasie.
Optymalizacja uczenia się i adaptacyjny projekt programów nauczania
Proces uczenia jest sterowany przez wielokryterialną funkcję optymalizacji:
J = λ1K + λ2K - λ3S (10)
gdzie K oznacza przyrost wiedzy, E oznacza stabilność emocjonalną, a S oznacza poziom stresu, podczas gdy λ1, λ2, λ3 są współczynnikami wagowymi. Równanie (10) równoważy cele poznawcze i emocjonalne. Adaptacyjną rekonfigurację programu nauczania definiuje się jako:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
gdzie η to szybkość uczenia, a Δij(t) reprezentuje korekty aktualizacji wynikające z dynamiki uczenia. Równanie (11) pozwala na ewolucję struktury grafu w czasie.
Skala czasowa i czas trwania symulacji
Wszystkie symulacje przeprowadzono z wykorzystaniem znormalizowanych kroków czasowych zamiast jednostek czasu rzeczywistego. Krótkie odstępy odpowiadają przeskalowanym krokom symulacji reprezentującym ewolucję systemu, natomiast rozszerzone symulacje obejmujące pięćset kroków są wykorzystywane do oceny zachowania długoterminowego, zbieżności oraz robustności.
Metryki oceny i analiza statystyczna
Struktura zostaje oceniona przy użyciu znormalizowanych metryk, w tym przyrostu wiedzy, stabilności emocjonalnej, poziomu stresu, poziomu zaangażowania oraz odporności. Analiza statystyczna jest przeprowadzana z wykorzystaniem funkcji statystycznych programu MATLAB, przy czym dla każdej metryki obliczono wartości średnie, odchylenia standardowe oraz 95-procentowe przedziały ufności. Przed zastosowaniem parzystych testów t zweryfikowano założenia o normalności rozkładu. Ewaluacja porównawcza proponowanej struktury i modelu bazowego została przeprowadzona na grupie n = 1000 symulowanych uczniów, przyjmując istotność statystyczną na poziomie p < 0,05.
Powtarzalność i szczegóły implementacji
Wszystkie symulacje, potoki przetwarzania danych i procedury ewaluacyjne są w pełni reprodukowalne. Proces generowania zbioru danych, parametry konstrukcji grafu, konfiguracje modeli oraz ustawienia optymalizacji zostały ściśle zdefiniowane. Inicjalizacja ziarna liczb pseudolosowych jest stała, aby zapewnić spójne wyniki w kolejnych uruchomieniach. Wszystkie hiperparametry, skrypty i opisy zbiorów danych znajdują się w materiałach uzupełniających, co umożliwia pełną replikację badania przy użyciu oprogramowania MATLAB lub równoważnych narzędzi obliczeniowych.
Wszystkie symulacje, potoki przetwarzania danych i skrypty ewaluacyjne znajdują się w Pliku uzupełniającym 1. Zbiór danych obejmuje surowe logi interakcji, wskaźniki emocjonalne i metryki wyników uczenia się. Parametry konstrukcji grafu oraz ustawienia optymalizacji są w pełni udokumentowane. System można odtworzyć, korzystając ze standardowych frameworków uczenia maszynowego. Inicjalizacja ziarna losowego jest stała, aby zapewnić spójność. Wszystkie hiperparametry zostały raportowane w sposób jawny. Protokół zapewnia pełną przejrzystość i powtarzalność.
Wyniki
Wydajność proponowanego grafowego modelu inteligencji programowej w zakresie emocji (GECIF) została oceniona przy użyciu zbioru danych symulacyjnych obejmującego n = 1000 uczniów w T = 500 znormalizowanych krokach czasowych. Rysunek 1 przedstawia koncepcyjną architekturę GECIF dla edukacji muzycznej z wykorzystaniem wizualizacji napędzanej przez AI oraz promocji zdrowia psychicznego. Wszystkie wskaźniki zostały przedstawione w skalach znormalizowanych w zakresie [0,1]. Ewaluacja statystyczna obejmuje wartości średnie, odchylenia standardowe (SD) i 95% przedziały ufności (CI), a istotność oceniono za pomocą sparowanych testów t (p < 0,05). Wszystkie porównania obliczono dla całej symulowanej populacji. Rysunek 2 ilustruje dynamikę uczenia się i zachowanie w zakresie nabywania wiedzy w proponowanym modelu w porównaniu z modelem bazowym. Model GECIF osiąga przyrost wiedzy na poziomie 0,88 ± 0,04 (95% CI: 0,84–0,92), podczas gdy model bazowy osiąga 0,65 ± 0,06 (95% CI: 0,59–0,71), przy statystycznie istotnej różnicy (p < 0,001). Krzywa uczenia się wykazuje gwałtowniejszy wzrost i stabilną zbieżność bez zachowań oscylacyjnych.
Rysunek 3 przedstawia ewolucję czasową stabilności emocjonalnej. Zaproponowany model osiąga wskaźnik stabilności emocjonalnej na poziomie 0.92 ± 0.03, w porównaniu do 0.70 ± 0.05 w modelu bazowym (p < 0.01). Zmienność uległa zmniejszeniu, co objawia się niższymi wartościami odchylenia standardowego w czasie. Rysunek 4 pokazuje dynamikę stresu w czasie. Zaproponowany model utrzymuje niższy poziom stresu wynoszący 0.15 ± 0.05, w porównaniu do 0.45 ± 0.07 dla modelu bazowego (p < 0.001). Tempo akumulacji pozostaje konsekwentnie niższe przez cały czas trwania symulacji. Rysunek 5 przedstawia rozkład wyników uczenia się wśród uczniów. Zaproponowany model wykazuje rozkład skoncentrowany wokół wyższych wartości przy mniejszym rozproszeniu w porównaniu do modelu bazowego, co wskazuje na mniejszą wariancję wyników. Rysunek 6 ilustruje ewolucję osadzeń węzłów w grafie. Reprezentacje cech wykazują ciągłe przejścia między iteracjami, bez obserwowanych gwałtownych zmian, co świadczy o stabilności aktualizacji. Rysunek 7 pokazuje siłę interakcji między węzłami wiedzy, aktywności i emocji. Mapa ciepła ujawnia statystycznie istotne korelacje (p < 0.05) pomiędzy kategoriami węzłów, o zróżnicowanej sile interakcji.
Rysunek 8 przedstawia zależność między znormalizowanym przyrostem wiedzy a stabilnością emocjonalną w trakcie symulowanego procesu uczenia się. Zaproponowany model GECIF wykazuje silną dodatnią korelację między tymi dwiema zmiennymi (r = 0,82), w porównaniu z umiarkowaną dodatnią korelacją zaobserwowaną w przypadku konwencjonalnego modelu bazowego (r = 0,65). Obie korelacje były istotne statystycznie (p < 0,05), co wskazuje, że poprawa w nabywaniu wiedzy idzie w parze ze zwiększoną stabilnością emocjonalną, odzwierciedlając tym samym zrównoważoną integrację rozwoju poznawczego i regulacji emocjonalnej osiągniętą dzięki proponowanym ramom. Rysunek 9 przedstawia łączny wkład komponentów wiedzy i emocji w czasie. Wartości wiedzy wzrastają progresywnie, podczas gdy zmienność emocjonalna maleje, przy czym spójne trendy obserwuje się we wszystkich krokach symulacji. Rysunek 10 porównuje rozkłady przyrostu wiedzy osiągnięte przez proponowany framework GECIF oraz konwencjonalny wariant bazowy przy użyciu wykresów pudełkowych. Proponowany framework osiągnął znacząco wyższą średnią wartość przyrostu wiedzy (9,87 ± 3,46) niż w modelu konwencjonalnym (6,90 ± 2,88), przy zastosowaniu testu dla prób niezależnych t-test potwierdzający różnicę istotną statystycznie (p < 0,0001; d Cohena d = 1,43). Chociaż struktura GECIF wykazała większą zmienność, o czym świadczy większe odchylenie standardowe oraz rozstęp międzykwartylowy, cały rozkład był przesunięty w stronę wyższych wartości przyrostu wiedzy, co wskazuje, że zwiększone rozproszenie towarzyszy lepszym ogólnym wynikom, a nie zmniejszonej stabilności. Wyniki te dowodzą, że proponowana struktura utrzymuje wysoką efektywność nauczania, skutecznie dostosowując się jednocześnie do zróżnicowanych odpowiedzi symulowanych uczniów. Rysunek 11 przedstawia dynamikę zaangażowania w czasie. Zaproponowany model osiąga poziom zaangażowania wynoszący 0,90 ± 0,04 w porównaniu do 0,68 ± 0,06 dla modelu bazowego (p < 0,01), przy zmniejszonej zmienności. Rysunek 12 wykazuje zachowania zaangażowania w formie cyklicznej. Amplituda fluktuacji jest niższa w proponowanym modelu, co wskazuje na zmniejszoną zmienność w porównaniu z poziomem bazowym.
Rysunek 13 ilustruje intensywność cech przestrzennych na grafie. Rozkład cech wykazuje ciągłą zmienność z wyraźnymi szczytami i spadkami, co wskazuje na heterogeniczne wzorce aktywacji. Rysunek 14 przedstawia kierunkowy przepływ transferu wiedzy. Pole wektorowe wykazuje zorganizowane wzorce propagacji, przy czym regiony zbieżności odpowiadają wyższej akumulacji wartości. Rysunek 15 pokazuje ewolucję topologii grafu w czasie. Aktualizacje strukturalne następują stopniowo, z płynnymi przejściami wartości cech pomiędzy iteracjami. Rysunek 16 przedstawia analizę współzależności cech. Mapa ciepła korelacji wskazuje na umiarkowane do silnych zależności między cechami, bez zaobserwowania dominującej redundancji. Rysunek 17 ilustruje wkład cech wielowymiarowych. Poziomy wkładu różnią się w zależności od węzłów, co wskazuje na heterogeniczne wzorce wpływu. Rysunek 18 pokazuje wspólną ewolucję wiedzy i stanów emocjonalnych. Wartości wiedzy stale rosną, podczas gdy zmienność emocjonalna z czasem maleje, przy zachowaniu spójnych trendów przez cały okres symulacji. Ilościowe podsumowanie tych wyników przedstawiono w Tabeli 2, gdzie wszystkie metryki, w tym przyrost wiedzy, stabilność emocjonalna, poziom stresu, zaangażowanie oraz odporność, są raportowane wraz z miarami statystycznymi. Wyniki wykazują spójne różnice między proponowanym frameworkiem a modelem bazowym we wszystkich ocenianych metrykach. Analiza statystyczna potwierdza, że różnice te są istotne w całej symulowanej populacji. Ogólnie rzecz biorąc, wyniki symulacji konsekwentnie wykazują, że proponowany framework GECIF przewyższa konwencjonalny model bazowy we wszystkich ocenianych znormalizowanych metrykach wydajności. Wyniki te potwierdzają cel badania i hipotezę, że integracja inteligencji emocjonalnej opartej na grafach z wizualną nauką sterowaną przez AI może poprawić symulowane wyniki uczenia się, stabilność emocjonalną, zaangażowanie oraz zarządzanie stresem w odtwarzalnym środowisku obliczeniowym.
DOSTĘPNOŚĆ DANYCH:
Wszystkie dane i procedury obliczeniowe wykorzystane w niniejszym badaniu są w pełni reprodukowalne i ogólnodostępne. Pełny kod do generowania zbioru danych wraz ze ustrukturyzowanymi reprezentacjami danych znajduje się w Pliku uzupełniającym 1.
Rysunek 1: Koncepcyjna architektura ramy inteligentnego programu nauczania emocjonalnego opartego na grafach (GECIF) dla edukacji muzycznej opartej na obrazach sterowanej przez AI oraz promocji zdrowia psychicznego. Ten rysunek przedstawia pełną strukturę systemu, obejmującą konstrukcję grafu wiedza-emocje, analizę grafowych sieci neuronowych, optymalizację ścieżek emocjonalnych, adaptacyjne przekształcanie programu nauczania, interfejs uczenia wizualnego oraz optymalizację wielokryterialną. Ilustruje on sposób, w jaki komponenty poznawcze i emocjonalne są zintegrowane w jednolity adaptacyjny system uczenia się. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 2: Ewolucja przyswajania wiedzy w ramach adaptacyjnego uczenia opartego na grafach w porównaniu z konwencjonalnym modelem bazowym. Rycina przedstawia postęp znormalizowanego przyrostu wiedzy w funkcji znormalizowanych kroków symulacji, wykazując szybszą zbieżność i wyższą symulowaną efektywność uczenia dla proponowanego frameworku GECIF. Porównania statystyczne między proponowanym a bazowym modelem przeprowadzono za pomocą sparowanego testu t dla n = 1000 symulowanych uczniów. W miejscach, w których naniesiono słupki błędów, reprezentują one 95% przedziały ufności (95% CI) średniego znormalizowanego przyrostu wiedzy. Różnice uznano za statystycznie istotne przy p < 0,05. Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Rysunek 3: Poprawa stabilności emocjonalnej w czasie dzięki inteligentnej adaptacji programu nauczania. Rysunek przedstawia ewolucję znormalizowanego wskaźnika stabilności emocjonalnej w funkcji znormalizowanych kroków symulacji, wykazując łagodniejszą stabilizację i mniejsze wahania emocjonalne dla proponowanego modelu GECIF w porównaniu z konwencjonalnym modelem bazowym. Porównania statystyczne przeprowadzono za pomocą sparowanego testu t dla n = 1000 symulowanych uczniów. Słupki błędu, tam gdzie są przedstawione, reprezentują 95% przedziały ufności (95% CI) średniego znormalizowanego wskaźnika stabilności emocjonalnej. Różnice uznano za istotne statystycznie przy p < 0.05. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 4: Redukcja poziomów stresu poprzez ścieżki uczenia uwzględniające emocje. Rycina ilustruje ewolucję czasową znormalizowanych poziomów stresu w funkcji znormalizowanych kroków symulacji, wykazując, że proponowany framework GECIF utrzymuje niższy i bardziej stabilny symulowany stres niż konwencjonalny model bazowy, co wskazuje na poprawę regulacji emocjonalnej w całym procesie uczenia. Porównania statystyczne przeprowadzono przy użyciu sparowanego testu t dla n = 1000 symulowanych uczniów. Słupki błędów reprezentują 95% przedziały ufności (95% CI) średniego znormalizowanego poziomu stresu. Różnice uznano za istotne statystycznie przy p < 0.05. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 5: Rozkład efektów uczenia się wśród symulowanych uczniów. Rycina przedstawia rozkład znormalizowanego przyrostu wiedzy dla proponowanego frameworka GECIF oraz konwencjonalnego modelu bazowego. Proponowany framework wykazuje rozkład przesunięty w stronę wyższego znormalizowanego przyrostu wiedzy przy zredukowanej zmienności, podczas gdy model bazowy koncentruje się na niższych poziomach wydajności. Porównania statystyczne między dwoma rozkładami przeprowadzono za pomocą sparowanego testu t dla n = 1000 symulowanych uczniów, przyjmując istotność statystyczną na poziomie p < 0.05. Nie przedstawiono słupków błędu, ponieważ rycina obrazuje rozkłady częstotliwości, a nie statystyki podsumowujące. Kliknij tutaj, aby wyświetlić rycinię w większym rozmiarze.
Rysunek 6: Ewolucja reprezentacji wiedzy opartych na grafach w kolejnych iteracjach uczenia. Rysunek ilustruje ewolucję czasową osadzeń węzłów grafu w znormalizowanych krokach symulacji. Szczyty reprezentują silniejszą aktywację cech, natomiast doliny wskazują słabsze reprezentacje cech, co demonstruje ciągłą adaptację i udoskonalanie grafu wiedzy podczas procesu symulacji. Wizualizacja ta przedstawia ewolucję wyuczonych reprezentacji cech i nie zawiera słupków błędów. Porównania statystyczne opisane w badaniu przeprowadzono za pomocą sparowanego testu t dla n = 1000 symulowanych uczniów, przyjmując istotność statystyczną na poziomie p < 0,05. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 7: Siła relacji między węzłami wiedzy a węzłami emocjonalnymi w grafie uczenia. Rysunek przedstawia znormalizowaną siłę interakcji między węzłami kognitywnymi a emocjonalnymi w ramach uczenia opartego na grafach. Wyższe wartości wskazują na silniejsze zależności kognitywno-emocjonalne, natomiast niższe wartości reprezentują słabsze relacje, co demonstruje złożoną, wzajemnie powiązaną strukturę i adaptacyjną ewolucję grafu uczenia podczas symulacji. Wizualizacja ta przedstawia wzorce łączności grafu i nie zawiera słupków błędów. Porównania statystyczne raportowane w innych częściach badania przeprowadzono przy użyciu parowego testu t dla n = 1000 symulowanych uczniów, przyjmując istotność statystyczną na poziomie p < 0,05. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 8Zależność między postępami w nauce a dobrostanem emocjonalnym w środowiskach adaptacyjnych programów nauczania. Rysunek przedstawia pozytywną korelację między znormalizowanym przyrostem wiedzy a stabilnością emocjonalną w trakcie symulowanego procesu uczenia się. Wraz ze wzrostem przyswajania wiedzy poprawia się również stabilność emocjonalna, co wskazuje na efektywną integrację rozwoju poznawczego i regulacji emocjonalnej w ramach zaproponowanego modelu GECIF. Porównania statystyczne przeprowadzono przy użyciu testu sparowanego t-test przeprowadzony na grupie n = 1000 symulowanych uczniów. Słupki błędów reprezentują 95-procentowe przedziały ufności (95% CI) średnich znormalizowanych wartości wyników. Różnice uznano za istotne statystycznie przy p < 0.05. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 9: Wkład przyswajania wiedzy i dynamiki emocjonalnej w ogólną efektywność uczenia się w funkcji znormalizowanych kroków symulacji. Rycina przedstawia czasowy wkład znormalizowanego przyrostu wiedzy oraz dynamiki emocjonalnej w ogólną symulowaną efektywność uczenia się. Przyswajanie wiedzy wykazuje dominujący i trwały wzrost w trakcie całej symulacji, podczas gdy wpływ dynamiki emocjonalnej stopniowo się stabilizuje, co demonstruje skuteczną integrację procesów poznawczych i emocjonalnych w ramach proponowanego modelu GECIF. Porównania statystyczne przeprowadzono przy użyciu testu t dla prób zależnych dla n = 1000 symulowanych uczących się. Słupki błędów, jeśli są przedstawione, reprezentują 95% przedziały ufności (95% CI) dla średnich znormalizowanych wartości efektywności. Różnice uznano za istotne statystycznie przy p < 0.05. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 10: Zmienność i stabilność wyników uczenia się w modelach adaptacyjnych i konwencjonalnych. Rysunek przedstawia wykresy pudełkowe porównujące rozkłady znormalizowanego przyrostu wiedzy dla proponowanego frameworka GECIF oraz konwencjonalnego modelu bazowego. Proponowany framework wykazuje wyższą medianę przyrostu wiedzy oraz ogólny rozkład przesunięty w stronę wyższych wartości wyników, wykazując jednocześnie szerszy rozstęp międzykwartylowy i większą ogólną dyspersję, co odzwierciedla większą zmienność wśród symulowanych uczniów. Pomimo tej zwiększonej zmienności, konsekwentnie wyższy rozkład przyrostu wiedzy dowodzi, że proponowany framework utrzymuje stabilną efektywność uczenia się w różnych warunkach uczniów. Porównania statystyczne przeprowadzono przy użyciu testu t dla prób niezależnych dla n = 1000 symulowanych uczniów na model. Pudełka reprezentują rozstęp międzykwartylowy (IQR), pozioma linia wewnątrz każdego pudełka wskazuje medianę, a wąsy sięgają do 1,5 × IQR. Proponowany framework osiągnął istotnie wyższą średnią wartość przyrostu wiedzy niż model konwencjonalny (p < 0,0001; Cohen's d = 1,43). Nie przedstawiono słupków błędów, ponieważ wykres pudełkowy podsumowuje rozkłady danych za pomocą kwartyli i wąsów, a nie przedziałów ufności. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 11: Dynamiczne zmiany w zaangażowaniu studentów podczas procesu uczenia się. Rysunek ilustruje ewolucję czasową znormalizowanego wskaźnika zaangażowania studentów (Student Engagement Index) w funkcji znormalizowanych kroków symulacji, wykazując, że proponowany framework GECIF zapewnia wyższy i bardziej adaptacyjny poziom zaangażowania niż konwencjonalny model bazowy w trakcie całego symulowanego procesu uczenia się. Porównania statystyczne między proponowanym a bazowym modelem przeprowadzono przy użyciu testu t dla prób zależnych dla n = 1000 symulowanych uczniów. Słupki błędów reprezentują 95% przedziały ufności (95% CI) średniego znormalizowanego wskaźnika zaangażowania studentów. Różnice uznano za statystycznie istotne przy p < 0,05. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 12: Cykliczne wzorce zaangażowania studentów w adaptacyjnych środowiskach uczenia się. Rycina ilustruje ewolucję czasową znormalizowanego wskaźnika zaangażowania studentów (Student Engagement Index) w funkcji znormalizowanych kroków symulacji, wykazując okresowe, lecz stabilne fluktuacje zaangażowania, co wskazuje, że proponowany framework GECIF utrzymuje zrównoważony i adaptacyjny rytm interakcji uczącego się w trakcie symulowanego procesu uczenia się. Porównania statystyczne przeprowadzono za pomocą sparowanego testu t dla n = 1000 symulowanych uczniów. Słupki błędów, w miejscach gdzie są przedstawione, reprezentują 95% przedziały ufności (95% CI) średniego znormalizowanego wskaźnika zaangażowania studentów. Różnice uznano za istotne statystycznie przy p < 0.05. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 13: Zmienność przestrzenna intensywności cech w strukturze grafu uczenia. Rysunek wizualizuje znormalizowany przestrzenny rozkład aktywacji cech w ramach uczenia opartego na grafach. Obszary o wyższej intensywności wskazują na silniejsze aktywacje cech, natomiast obszary o niższej intensywności reprezentują słabsze aktywacje, co ujawnia ustrukturyzowaną, nieliniową organizację reprezentacji wiedzy oraz ich adaptacyjne relacje w obrębie grafu uczenia podczas symulacji. Wizualizacja ta przedstawia przestrzenne wzorce cech i nie zawiera słupków błędów. Porównania statystyczne przedstawione w innych częściach badania przeprowadzono przy użyciu testu t dla prób zależnych dla n = 1000 symulowanych uczniów, przyjmując istotność statystyczną przy p < 0,05. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 14: Kierunkowy przepływ transferu wiedzy w obrębie grafu programu nauczania. Rysunek przedstawia znormalizowaną propagację wiedzy pomiędzy połączonymi węzłami w ramach opartego na grafie programu nauczania. Ścieżki kierunkowe reprezentują zorganizowany przepływ informacji przez graf uczenia się, podkreślając efektywne rozpowszechnianie wiedzy i adaptacyjną wymianę informacji pomiędzy komponentami programu podczas symulacji. Wizualizacja ta obrazuje wzorce propagacji wiedzy i nie zawiera słupków błędów. Porównania statystyczne przedstawione w innych częściach badania przeprowadzono przy użyciu sparowanego testu t dla n = 1000 symulowanych uczniów, przyjmując istotność statystyczną na poziomie p < 0.05. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rycina 15: Ewolucja strukturalna grafu uczenia w czasie poprzez adaptacyjną transformację cech. Rycina ilustruje progresywną ewolucję topologii grafu podczas znormalizowanych kroków symulacji, gdy adaptacyjna transformacja cech stale doprecyzowuje relacje między węzłami wiedzy. Dynamiczne zmiany strukturalne odzwierciedlają zdolność frameworka do reorganizacji i optymalizacji ścieżek uczenia, co skutkuje coraz bardziej spójnymi i adaptacyjnymi reprezentacjami grafu w całym symulowanym procesie uczenia. Wizualizacja ta przedstawia ewolucję topologii grafu i nie zawiera słupków błędów. Porównania statystyczne raportowane w innych częściach badania przeprowadzono przy użyciu testu t dla prób zależnych na grupie n = 1000 symulowanych uczniów, przyjmując istotność statystyczną na poziomie p < 0.05. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 16: Wzorce współzależności między wyekstrahowanymi cechami uczenia w ramach struktury adaptacyjnej. Rycina wizualizuje znormalizowane wzorce współzależności między wyekstrahowanymi cechami uczenia w proponowanym frameworku GECIF. Silniejsze relacje wskazują na wyższe korelacje i bardziej efektywne interakcje między wymiarami cech, natomiast słabsze relacje reprezentują niższe zależności, co demonstruje złożoną, wielowymiarową organizację reprezentacji poznawczych i emocjonalnych nabytych przez adaptacyjną strukturę opartą na grafach. Wizualizacja ta przedstawia wzorce interakcji cech i nie zawiera słupków błędów. Porównania statystyczne opisane w innym miejscu badania przeprowadzono przy użyciu testu t dla prób zależnych dla n = 1000 symulowanych uczniów, przyjmując istotność statystyczną na poziomie p < 0,05. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 17: Wkład cech wielowymiarowych w efektywność przyswajania wiedzy. Rycina ilustruje znormalizowany wkład wielu wymiarów cech w przyswajanie wiedzy w ramach struktury uczenia opartego na grafach. Zróżnicowanie istotności cech pomiędzy węzłami grafu podkreśla heterogeniczną naturę poznawczych i emocjonalnych czynników uczenia się, demonstrując, w jaki sposób różne cechy oddziałują na siebie i przyczyniają się do adaptacyjnego przyswajania wiedzy w proponowanej strukturze GECIF. Wizualizacja ta przedstawia wzorce wkładu cech wielowymiarowych i nie zawiera słupków błędów. Porównania statystyczne przedstawione w innych częściach badania przeprowadzono przy użyciu testu t dla prób zależnych na grupie n = 1000 symulowanych uczniów, przyjmując istotność statystyczną na poziomie p < 0.05. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 18: Symultaniczna ewolucja stanów poznawczych i emocjonalnych podczas uczenia się adaptacyjnego. Rysunek ilustruje ewolucję czasową znormalizowanego przyrostu wiedzy oraz stabilności emocjonalnej w funkcji znormalizowanych kroków symulacji, wykazując stałą poprawę poznawczą przy jednoczesnym stopniowym zmniejszaniu się fluktuacji emocjonalnych. Skoordynowany postęp tych dwóch wymiarów uczenia się wskazuje, że proponowany framework GECIF skutecznie utrzymuje zrównoważoną integrację rozwoju poznawczego i regulacji emocjonalnej w całym procesie symulowanego uczenia się. Porównania statystyczne przeprowadzono przy użyciu testu t dla prób zależnych dla n = 1000 symulowanych uczniów. Słupki błędów reprezentują 95% przedziały ufności (95% CI) średnich znormalizowanych wartości wydajności. Różnice uznano za statystycznie istotne przy p < 0,05. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
| Symbol | Opis | Kategoria |
| G | Graf reprezentujący cały system uczenia się | Komponent grafu |
| V | Zbiór wszystkich węzłów | Komponent grafu |
| E | Zbiór krawędzi (relacji) | Komponent grafu |
| W | Macierz wag reprezentująca siłę relacji | Komponent grafu |
| V_k | Węzły wiedzy (koncepcje muzyczne) | Typ węzła |
| V_a | Węzły aktywności (działania edukacyjne) | Typ węzła |
| V_e | Węzły emocji (stany psychologiczne) | Typ węzła |
| W_ij | Waga między węzłem i a j | Parametr krawędzi |
| S_c(i,j) | Podobieństwo poznawcze między węzłami | Parametr krawędzi |
| S_e(i,j) | Korelacja emocjonalna między węzłami | Parametr krawędzi |
| alpha | Waga podobieństwa poznawczego | Parametr modelu |
| beta | Waga korelacji emocjonalnej | Parametr modelu |
| x_i(t) | Wektor stanu węzła i w czasie t | Stan węzła |
| k_i(t) | Poziom wiedzy węzła i | Stan węzła |
| e_i(t) | Stan emocjonalny węzła i | Stan węzła |
| a_i(t) | Zaangażowanie w aktywność węzła i | Stan węzła |
| h_i | Reprezentacja osadzania węzła (embedding) | Parametr GNN |
| gamma | Współczynnik zaniku emocjonalnego | Parametr modelu |
| eta | Szybkość uczenia się/adaptacji | Parametr modelu |
| J | Wielokryterialna funkcja optymalizacji | Optymalizacja |
Tabela 1: Podsumowanie zmiennych, parametrów i oznaczeń stosowanych w ramach inteligencji programu nauczania emocjonalnego opartego na grafach (GECIF). Tabela ta zawiera definicje komponentów grafu, stanów węzłów i parametrów modelu, co wspiera powtarzalność i przejrzystość proponowanej metodologii.
| Metryka | Proponowany GECIF (średnia) | Proponowane SD | Proponowany 95% przedział ufności (CI) | Konwencjonalna (średnia) | Konwencjonalne SD | Konwencjonalny 95% przedział ufności (CI) | Poprawa (%) | wartość p |
| Przyrost wiedzy | 0.88 | 0.04 | 0.84–0.92 | 0.65 | 0.06 | 0.59–0.71 | 35 | 0.001 |
| Stabilność emocjonalna | 0.92 | 0.03 | 0.89–0.95 | 0.7 | 0.05 | 0.65–0.75 | 31 | 0.002 |
| Redukcja stresu | 0.85 | 0.05 | 0.80–0.90 | 0.55 | 0.07 | 0.48–0.62 | 54 | 0.0005 |
| Poziom zaangażowania | 0.9 | 0.04 | 0.86–0.94 | 0.68 | 0.06 | 0.62–0.74 | 32 | 0.0015 |
| Odporność | 0.87 | 0.03 | 0.84–0.90 | 0.66 | 0.05 | 0.61–0.71 | 32 | 0.002 |
| Efektywność uczenia się | 0.91 | 0.04 | 0.87–0.95 | 0.69 | 0.06 | 0.63–0.75 | 32 | 0.001 |
| Szybkość zbieżności | 0.89 | 0.03 | 0.86–0.92 | 0.67 | 0.05 | 0.62–0.72 | 33 | 0.001 |
| Dokładność przewidywania | 0.93 | 0.02 | 0.91–0.95 | 0.72 | 0.05 | 0.67–0.77 | 29 | 0.0008 |
| Redukcja wariancji emocjonalnej | 0.86 | 0.04 | 0.82–0.90 | 0.6 | 0.06 | 0.54–0.66 | 43 | 0.0012 |
| Wskaźnik adaptacyjności | 0.9 | 0.03 | 0.87–0.93 | 0.68 | 0.05 | 0.63–0.73 | 32 | 0.001 |
Tabela 2: Porównawcze wskaźniki wydajności między proponowanym frameworkiem GECIF a konwencjonalnym modelem uczenia się. Tabela podsumowuje poprawę w zakresie przyrostu wiedzy, stabilności emocjonalnej, redukcji stresu, zaangażowania, odporności oraz ogólnej efektywności uczenia się, wykazując wyższość proponowanego podejścia.
Plik uzupełniający 1: Kod do generowania zbiorów danych i ustrukturyzowanych reprezentacji danych. Podsumowanie procesu generowania zbiorów danych w środowisku MATLAB, potoku przetwarzania oraz procedur ewaluacji wykorzystanych w grafowym inteligentnym systemie programowania emocjonalnego (GECIF). Plik ten zawiera przegląd etapów symulacji, w tym generowanie logów interakcji, modelowanie wskaźników emocjonalnych, obliczanie wyników uczenia się, konstrukcję grafu, inżynierię cech, analizę statystyczną, weryfikację poprawności oraz procedury eksportu danych, co zapewnia powtarzalność, przejrzystość i klarowność proponowanej metodologii.Prosimy kliknąć tutaj, aby pobrać ten plik.
Dyskusja
W niniejszym badaniu zaproponowano opartą na grafach inteligentną strukturę programu nauczania uwzględniającą emocje (GECIF), która integruje uczenie reprezentacji oparte na grafach, modelowanie stanów emocjonalnych, adaptacyjną optymalizację programu nauczania oraz wspomagane przez AI nauczanie wizualne w ramach jednolitej struktury obliczeniowej dla edukacji muzycznej na poziomie akademickim. W przeciwieństwie do konwencjonalnych modeli edukacyjnych wspieranych przez AI, które optymalizują przede wszystkim wyniki w nauce, proponowana struktura jednocześnie modeluje interakcje między przyswajaniem wiedzy, regulacją emocjonalną, zaangażowaniem uczącego się a adaptacyjną ewolucją programu nauczania. Wyniki symulacji konsekwentnie wykazały wyższą skuteczność proponowanej struktury w porównaniu z konwencjonalną linią bazową we wszystkich mierzonych wskaźnikach, w tym w zakresie przyrostu wiedzy, stabilności emocjonalnej, zaangażowania uczącego się oraz redukcji stresu. Wyniki te sugerują, że integracja relacyjnych struktur grafowych z uczeniem uwzględniającym emocje zapewnia bardziej kompleksową reprezentację obliczeniową procesów edukacyjnych niż podejścia opierające się wyłącznie na adaptacji poznawczej.
Obserwowane poprawy w symulowanych wynikach uczenia się są zgodne z ostatnimi osiągnięciami w dziedzinie edukacji adaptacyjnej opartej na AI. Technologie AI są coraz częściej uznawane za skuteczne narzędzia do tworzenia spersonalizowanych i adaptacyjnych środowisk uczenia się, zdolnych do reagowania na charakterystykę uczącego się oraz potrzeby edukacyjne18,19,20. W szczególności wykazano, że projektowanie programów nauczania o charakterze adaptacyjnym, wspierane przez sztuczną inteligencję, zwiększa elastyczność instruktażową, podejmowanie decyzji skoncentrowane na uczącym się oraz efektywność edukacyjną19,20. Ponadto systemy oceny wspomagane przez AI oraz inteligentne systemy informacji zwrotnej wykazały znaczny potencjał w zakresie poprawy osiągnięć studentów poprzez ciągłą ewaluację i adaptacyjne wsparcie dydaktyczne21,22,23. W porównaniu z tymi wcześniejszymi badaniami proponowany model GECIF rozszerza istniejące metodologie poprzez integrację wiedzy poznawczej, dynamiki emocjonalnej i adaptacyjnych zachowań uczenia się w ramach jednej grafowej architektury obliczeniowej. W konsekwencji niniejszy model zapewnia ujednoliconą reprezentację procesów edukacyjnych, zamiast traktować wyniki poznawcze i adaptację uczącego się jako oddzielne komponenty.
Integracja modelowania emocjonalnego w proponowanych ramach jest również wspierana przez wcześniejsze badania w zakresie edukacji muzycznej i uczenia się afektywnego. Li1 wykazał, że wizualizacja emocji w połączeniu z głębokim uczeniem usprawnia nauczanie estetyki muzycznej poprzez wzmocnienie interakcji między uczącymi się a treścią edukacyjną. Podobnie Zhao3 zgłosił, że integracja mapowania poznawczego z audiowizualną terapią muzyczną skutecznie redukuje lęk u studentów, podkreślając bliski związek między regulacją emocjonalną a wynikami uczenia się. Iyendo i wsp.4 wykazali ponadto, że interwencje z zakresu sztuk audiowizualnych i muzyki znacząco poprawiają dobrostan psychiczny poprzez redukcję objawów związanych ze stresem emocjonalnym. Poprawy stabilności emocjonalnej zaobserwowane w niniejszej symulacji są zatem zgodne z wcześniejszymi dowodami wskazującymi, że świadomość emocjonalna stanowi kluczowy element skutecznej edukacji muzycznej. W przeciwieństwie do wcześniejszych badań, które badały interwencje emocjonalne głównie jako niezależne strategie edukacyjne, proponowane ramy włączają dynamikę emocjonalną bezpośrednio do optymalizacji programów nauczania opartej na grafach, co pozwala stanom emocjonalnym na ciągły wpływ na adaptacyjne decyzje instruktażowe w trakcie całego procesu uczenia się.
Symulowana redukcja stresu u uczących się jest w podobny sposób spójna z aktualną literaturą dotyczącą zdrowia psychicznego studentów w szkolnictwie wyższym. Stres akademicki został zidentyfikowany jako główny czynnik przewidujący obniżenie dobrostanu psychicznego i pogorszenie wyników w nauce wśród studentów uniwersytetów28,29,30. Przeglądy systematyczne wykazały ponadto, że ustrukturyzowane interwencje w zakresie zarządzania stresem znacząco poprawiają zarówno funkcjonowanie akademickie, jak i zdrowie psychiczne27. W ostatnim czasie cyfrowe interwencje wspierane przez AI wykazały skuteczność w promowaniu zarządzania stresem i adaptacyjnej samoregulacji wśród studentów29. Przedstawione ramy różnią się od tych podejść opartych na interwencjach, ponieważ redukcja stresu wynika z adaptacyjnej optymalizacji interakcji poznawczych i emocjonalnych, a nie z oddzielnych mechanizmów terapeutycznych. W konsekwencji, niższy poziom stresu zaobserwowany w proponowanych ramach sugeruje, że samo emocjonalnie adaptacyjne projektowanie programu nauczania może przyczyniać się do zmniejszenia przeciążenia poznawczego, jednocześnie wspierając poprawę wyników uczenia się.
Zwiększone zaangażowanie uczniów zaobserwowane w niniejszym badaniu jest również wspierane przez wcześniejsze badania nad edukacją wizualną wspomaganą przez AI oraz spersonalizowanymi technologiami instruktażowymi. Bian i wsp.12 wykazali, że treści wizualne generowane przez AI znacząco zwiększają zaangażowanie w klasie, poczucie własnej skuteczności uczniów oraz wyniki poznawcze w środowiskach edukacyjnych. Podobnie Johnson i wsp.34 donieśli, że cyfrowe środowiska uczenia się poprzez obraz wzmacniają zaangażowanie studentów i sprzyjają większemu uczestnictwu w stresujących warunkach edukacyjnych. W ramach edukacji muzycznej wykazano konkretnie, że technologie instruktażowe wspierane przez AI ułatwiają tworzenie spersonalizowanych ścieżek uczenia się i poprawiają innowacyjność edukacyjną41. Zaproponowany model GECIF uzupełnia te odkrycia, łącząc adaptacyjne nauczanie wizualne z grafowym modelowaniem emocji, co umożliwia jednoczesny rozwój zaangażowania ucznia, regulacji emocjonalnej i funkcji poznawczych w trakcie całego procesu uczenia się.
Związek między regulacją emocji a wynikami uczenia się zaobserwowany w niniejszym badaniu znajduje potwierdzenie w szerszych badaniach nad zdrowiem psychicznym. Regulacja emocji została zidentyfikowana jako fundamentalny czynnik determinujący dobrostan psychiczny i prawidłowe funkcjonowanie w procesie edukacyjnym32. Podobnie modele dobrostanu studentów podkreślają, że odporność emocjonalna i stabilność psychiczna są ściśle powiązane z sukcesami w nauce15,16,17. Badania przeprowadzone wśród studentów uniwersytetów konsekwentnie wskazują, że dbanie o zdrowie psychiczne zwiększa odporność, zaangażowanie oraz długoterminowe osiągnięcia edukacyjne14,15,16,17. Niniejsza symulacja wykazała podobne zachowanie obliczeniowe, w którym poprawa stabilności emocjonalnej wiązała się z większym przyrostem wiedzy i silniejszym zaangażowaniem uczącego się. Chociaż obecne badanie opiera się w całości na symulacji i w związku z tym nie może ustanowić związków przyczynowo-skutkowych u rzeczywistych uczniów, wyniki obliczeniowe wzmacniają rosnący konsensus, zgodnie z którym regulacja emocji powinna być bezpośrednio włączona do inteligentnych systemów edukacyjnych, a nie być traktowana jako niezależny efekt edukacyjny.
W porównaniu z istniejącymi podejściami obliczeniowymi, proponowany model oferuje kilka zalet koncepcyjnych. Współczesne systemy edukacyjne oparte na AI coraz częściej wykorzystują adaptacyjną ocenę, spersonalizowaną informację zwrotną oraz inteligentne wsparcie decyzji w celu zwiększenia efektywności uczenia się21,22,23. Podobnie modele adaptacyjnego programu nauczania sterowane przez AI kładą nacisk na personalizację ucznia oraz dynamiczne planowanie instruktażowe18,19,20. Jednak podejścia te zazwyczaj oceniają wyniki uczącego się głównie poprzez wskaźniki poznawcze, podczas gdy informacje emocjonalne są reprezentowane osobno lub całkowicie pomijane. W przeciwieństwie do nich, proponowany model GECIF jednocześnie modeluje przyswajanie wiedzy, dynamikę emocjonalną, zaangażowanie ucznia oraz adaptacyjną ewolucję programu nauczania w ramach jednolitej reprezentacji grafowej. Ta zintegrowana strategia modelowania umożliwia ciągłą interakcję między zmiennymi poznawczymi, behawioralnymi i emocjonalnymi, zapewniając tym samym bardziej kompleksowy opis obliczeniowy procesów edukacyjnych niż konwencjonalne systemy edukacyjne oparte na AI.
Przedstawione ramy są szczególnie istotne w edukacji muzycznej, ponieważ nauka muzyki z natury łączy nabywanie umiejętności technicznych, ekspresję emocjonalną, kreatywność oraz zaangażowanie ucznia. Poprzednie badania wykazały, że integrowanie muzyki, sztuk wizualnych i kreatywnych działań edukacyjnych przyczynia się do rozwoju psychologicznego, dobrostanu emocjonalnego oraz motywacji edukacyjnej36,37. Co więcej, studenci muzyki często mierzą się ze znacznym obciążeniem akademickim i stresem psychologicznym, co podkreśla znaczenie adaptacyjnych mechanizmów wsparcia edukacyjnego25,26. Proponowane ramy rozszerzają te perspektywy edukacyjne, dostarczając mechanizm obliczeniowy zdolny do jednoczesnej reprezentacji postępów w nauce technicznej, adaptacji emocjonalnej i optymalizacji instruktażowej w ramach jednego modelu opartego na grafach. W konsekwencji ramy te stanowią interpretowalną podstawę obliczeniową dla przyszłych inteligentnych systemów edukacji muzycznej, które dążą do optymalizacji zarówno wyników edukacyjnych, jak i dobrostanu uczących się.
Należy jednak przyznać, że istnieją pewne ograniczenia. Po pierwsze, ramy zostały ocenione wyłącznie przy użyciu danych syntetycznych wygenerowanych w kontrolowanej symulacji komputerowej; w związku z tym zgłoszone ulepszenia odzwierciedlają wydajność algorytmiczną, a nie dowody empiryczne uzyskane z rzeczywistych populacji uczniów. Po drugie, zmienne emocjonalne zostały przedstawione za pomocą abstrakcji matematycznych, które upraszczają złożoność autentycznych ludzkich procesów emocjonalnych. Po trzecie, zdefiniowane wcześniej struktury grafów i parametry optymalizacji mogą nie w pełni reprezentować różnorodność środowisk edukacyjnych spotykanych w praktyce. Wreszcie, optymalizacja oparta na grafach wprowadza dodatkową złożoność obliczeniową, która może wymagać dalszej optymalizacji przed wdrożeniem na szeroką skalę w inteligentnych systemach edukacyjnych.
Przyszłe badania powinny zatem zwalidować proponowane ramy, wykorzystując autentyczne zbiory danych edukacyjnych oraz rzeczywiste środowiska klasowe. Włączenie multimodalnych informacji edukacyjnych, w tym logów interakcji behawioralnych, pomiarów fizjologicznych, obserwacji audiowizualnych oraz cyfrowych śladów uczenia się, może znacząco poprawić realizm szacowania stanu emocjonalnego i optymalizacji adaptacyjnego programu nauczania. Ewaluacje porównawcze z nowoczesnymi systemami adaptacyjnego uczenia się opartymi na AI 18,19,20,21,22 pozwoliłyby dodatkowo wyjaśnić relatywne zalety grafowego modelowania emocji. Rozszerzenie tych ram poza edukację muzyczną na dodatkowe dyscypliny edukacyjne wzmocniłoby również dowody na ich generalizowalność i praktyczną zastosowalność. Niniejsze badanie oparte na symulacji wykazuje, że integracja relacyjnego uczenia się opartego na grafach z modelowaniem emocji stanowi obiecujący kierunek rozwoju inteligentnych systemów edukacyjnych nowej generacji. Wyniki są spójne z ostatnimi postępami w dziedzinie wspieranej przez AI edukacji adaptacyjnej, nauczania muzyki uwzględniającego emocje, spersonalizowanego uczenia się oraz badań nad zdrowiem psychicznym studentów25,26,27,28,29,30. Choć walidacja z udziałem rzeczywistych uczniów pozostaje konieczna, proponowane ramy GECIF stanowią ustrukturyzowany fundament obliczeniowy dla przyszłych systemów edukacyjnych opartych na AI, zdolnych do jednoczesnej optymalizacji wydajności poznawczej, dobrostanu emocjonalnego, zaangażowania ucznia oraz adaptacyjnego projektowania programu nauczania.
Oświadczenia
Autor nie ma konfliktu interesów.
Podziękowania
Autor pragnie wyrazić szczerą wdzięczność Wydziałowi Muzyki Uniwersytetu Normalnego w Anqing za zapewnienie środowiska akademickiego i wsparcia instytucjonalnego niezbędnego do przeprowadzenia niniejszych badań. Szczególne podziękowania kieruje do współpracowników i studentów, którzy przyczynili się cennymi spostrzeżeniami i opiniami podczas opracowywania i oceny proponowanego modelu. Autor dziękuje również Uniwersytetowi Normalnemu w Anqing za pomoc w uzyskaniu dostępu do zasobów i infrastruktury badawczej.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Moduł pamięci RAM 32 GB DDR4 | Kingston Technology | NA | |
| Zestaw narzędzi CUDA do akceleracji GPU (v11.8) | NVIDIA | version 1.18 | |
| Silnik adaptacji programu nauczania | Custom Implementation | CAE003 | |
| Zbiór danych: Wskaźniki emocjonalne | Generated Dataset | DEI006 | |
| Zbiór danych: Metryki wydajności uczenia się | Generated Dataset | DLPM007 | |
| Zbiór danych: Logi interakcji studentów | Generated Dataset | DIL005 | |
| Moduł symulacji stanu emocjonalnego | Custom Implementation | ESM002 | |
| Stacja robocza GPU (NVIDIA RTX 3080) | NVIDIA | NA | |
| Moduł implementacji grafowych sieci neuronowych | Custom Implementation | NA | |
| Procesor Intel Core i7 (3.6 GHz) | Intel Corporation | NA | |
| Środowisko Jupyter Notebook (v6.5) | Project Jupyter | version 6.5 | |
| Oprogramowanie MATLAB (R2023a) | MathWorks | R2023a | |
| Biblioteka wizualizacji Matplotlib (v3.7) | Matplotlib | version 3.7 | |
| Biblioteka przetwarzania grafów NetworkX (v3.1) | NetworkX Developers | version 3.1 | |
| Biblioteka obliczeń numerycznych NumPy (v1.24) | NumPy Developers | version 1.24 | |
| Moduł optymalizacji (rozwiązujący wielokryterialny) | Custom Implementation | MOS008 | |
| Biblioteka przetwarzania danych Pandas (v2.0) | Pandas Development Team | version 2.0 | |
| Środowisko programistyczne Python (v3.10) | Python Software Foundation | version 3.10 | |
| Framework głębokiego uczenia PyTorch (v2.0) | Meta AI | version 2.0 | |
| Skrypt inicjalizacji ziarna losowego | Custom Implementation | RSI009 | |
| Biblioteka uczenia maszynowego Scikit-learn (v1.3) | Scikit-learn | version 1.3 | |
| Biblioteka wizualizacji statystycznej Seaborn (v0.12) | Seaborn | version 0.12 | |
| Biblioteka TensorFlow (v2.12) | version 2.12 | ||
| Zestaw narzędzi interfejsu wizualnego uczenia się | Custom Implementation | VLI004 | |
| System operacyjny Windows 11 | Microsoft | W11 |
Bibliografia
- 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.