Pesquisa sobre Integração de Simulação Narrativa e IA Visual na Gestão do Ensino para Desenvolver Capacidade de Saúde Mental nas Universidades

Resumo

Este estudo integra simulação narrativa e IA visual nos sistemas de gestão do ensino para melhorar a saúde mental, a resiliência emocional e o engajamento dos estudantes universitários.

Resumo

Estudantes universitários enfrentam cada vez mais desafios de saúde mental, incluindo ansiedade, depressão e estresse, mas a maioria dos ambientes de ensino superior carece de sistemas proativos para monitoramento e apoio emocional. Este estudo teve como objetivo projetar, implementar e avaliar um sistema híbrido de gestão de ensino que integra simulação narrativa com inteligência artificial visual (IA) para promover a alfabetização em saúde mental e a resiliência emocional entre os estudantes. O sistema inclui um módulo de tomada de decisão narrativa que simula cenários de estresse e uma ferramenta de reconhecimento emocional alimentada por IA (baseada em detecção de expressões faciais) incorporada em ambientes de sala de aula. Um projeto de métodos mistos foi empregado com 332 estudantes de graduação e 15 professores de várias universidades. Pesquisas pré e pós-intervenção, registros de uso e dados emocionais em tempo real provenientes de IA visual foram coletados. Dados quantitativos foram analisados usando estatística descritiva, testes t pareados, ANOVA e regressão linear múltipla. Os resultados indicaram melhorias estatisticamente significativas nas pontuações de saúde mental dos alunos (p < 0,01), consciência emocional e confiança na tomada de decisões. Essa abordagem integrada demonstra tanto usabilidade quanto escalabilidade, oferecendo aos instrutores uma visão emocional precoce e aos alunos um ambiente de aprendizagem reflexiva. O método é mais adequado para instituições equipadas com salas de aula capazes de IA e supervisão ética treinada.

Introdução

A saúde mental tornou-se uma preocupação urgente no ensino superior, com níveis crescentes de ansiedade, depressão e esgotamento relatados entre estudantes universitários ao redor^{do mundo 1}. Esses encargos psicológicos, frequentemente ligados à sobrecarga acadêmica, pressões sociais e incerteza financeira, impactam negativamente o desempenho acadêmico, a retenção e o bem-estar a longo^{prazo 2}. Embora muitas instituições tenham implementado serviços de aconselhamento e intervenções em crises, tais abordagens tendem a ser reativas e limitadas no^{alcance 3}. Há uma demanda crescente por estratégias proativas, escaláveis e incorporadas que apoiem a resiliência psicológica dos alunos nos ambientes de aprendizagem do dia a dia.

Avanços recentes na tecnologia educacional oferecem novas oportunidades para integrar o apoio emocional diretamente aos sistemas de ensino. Duas abordagens promissoras são a simulação narrativa e a inteligência artificial visual (IA). Simulação narrativa refere-se a módulos interativos e orientados pela narrativa que colocam os alunos em cenários emocionalmente complexos, incentivando reflexão, empatia e tomada de decisão. Fundamentadas na teoria da aprendizagem experiencial, essas simulações permitem que os aprendizes ensaiem respostas a desafios como ansiedade em provas, gerenciamento de tempo ou conflito entre colegas em um ambiente seguro e^{guiado 4,5}. A Teoria da Aprendizagem Experiencial sugere ainda que a reflexão e a experimentação ativa são cruciais para transformar a experiência em aprendizado duradouro, tornando a simulação narrativa um meio viável para fomentar a inteligência emocional e o enfrentamento adaptativo.

A IA Visual utiliza modelos de aprendizado de máquina para inferir estados emocionais dos alunos em tempo real, por exemplo, a partir de expressões faciais, olhar ou^{postura 6}. Quando implantados de forma ética e com consentimento informado, tais sistemas podem funcionar como ferramentas de alerta precoce, identificando estresse ou desengajamento antes da^{escalada 7}. Incorporada em plataformas de gestão de ensino, a IA visual pode fornecer feedback oportuno aos instrutores, apoiando respostas acadêmicas ou emocionais personalizadas. Essa integração está alinhada com a Teoria Cognitivo-Comportamental, que enfatiza que aumentar a consciência das cognições desadaptativas e reestrutura-las pode melhorar os resultados emocionais.

Essa abordagem também ressoa com visões contemporâneas da gestão do ensino como a orquestração da experiência do estudante em ambientes digitais e presenciais. Ao incorporar o suporte à saúde mental nessa infraestrutura, o treinamento em resiliência se torna parte do processo acadêmico, e não um complemento opcional^. Além disso, está de acordo com o Modelo Transacional de Estresse e Enfrentamento, que enquadra a regulação emocional como uma interação dinâmica entre estratégias de avaliação e enfrentamento; aqui, a IA visual contribui para a avaliação primária (detectar sinais), enquanto a simulação narrativa sustenta a avaliação secundária (explorando alternativas de enfrentamento) em um espaço psicologicamente seguro.

Apesar do interesse crescente, poucos estudos empíricos avaliaram o uso combinado de IA visual e simulação narrativa para suporte à saúde mental no ensino superior. Além disso, construtos-chave como a alfabetização em saúde mental, "o conhecimento e as crenças que auxiliam no reconhecimento, gestão ou prevenção de transtornos mentais" ^e resiliência emocional, a capacidade de se adaptar ao estresse^{psicológico 10}, frequentemente são suboperacionalizados. Este estudo aborda essas lacunas ao projetar e testar um sistema integrado de ensenhamento e gestão que combina simulação narrativa com componentes de IA visual para promover a identificação precoce de sofrimento e fomentar a autorregulação dos alunos.

Objetivo e contribuição chave

Este estudo explora como a simulação narrativa e a IA visual podem ser integradas de forma significativa aos sistemas de gestão de ensino para abordar preocupações de saúde mental entre estudantes universitários. Em vez de tratar a saúde mental como um serviço externo, o objetivo é incorporar o engajamento emocional e o apoio psicológico precoce ao aprendizado rotineiro. Combinar cenários interativos de tomada de decisão com monitoramento emocional em tempo real oferece aos alunos oportunidades de prática reflexiva, ao mesmo tempo em que permite que os instrutores respondam com sensibilidade a sinais de sofrimento.

O sistema é conceitualmente fundamentado na aprendizagem experiencial, destacando prática, feedback e envolvimento emocional como motores da mudança comportamental. Simulações narrativas apresentam estressores acadêmicos familiares (por exemplo, pressão de tempo, tensão entre pares) que exigem escolhas emocionalmente relevantes. Paralelamente, uma ferramenta de IA visual calibrada para inferência de expressão facial monitora mudanças momento a momento durante as sessões de ensino. A abordagem também se baseia na teoria da Inteligência Emocional, que identifica autoconsciência, empatia e regulação como competências centrais de resiliência.

A pesquisa envolveu 332 estudantes de graduação e 15 professores em três áreas temáticas. Utilizando um desenho de métodos mistos, avaliamos se ansiedade, depressão e estresse diminuíram, e se a consciência emocional e a confiança na decisão dos alunos melhoraram. Modelagem estatística e análises qualitativas informam conjuntamente como tecnologias conscientes das emoções podem apoiar o bem-estar dos estudantes, não como substituto do cuidado profissional, mas como um componente preventivo e escalável da vida acadêmica cotidiana.

Visão geral do sistema

Este estudo é estruturado em cinco seções principais. A introdução apresenta o contexto e a motivação para enfrentar desafios de saúde mental no ensino superior. A segunda seção revisa a literatura existente sobre simulação narrativa, IA visual e suas aplicações em contextos educacionais. A terceira seção descreve o desenho da pesquisa, incluindo a abordagem de métodos mistos, recrutamento de participantes e técnicas analíticas. A quarta seção apresenta os principais achados, tanto quantitativos quanto qualitativos, focando nas mudanças na resiliência emocional dos estudantes e na conscientização sobre saúde mental. Por fim, a conclusão discute as implicações mais amplas dos achados e sugere direções futuras para a integração de tecnologias conscientes das emoções na prática de ensino.

Trabalhos relacionados

Universidades já testaram abordagens diversas para apoiar a saúde mental, incluindo divulgação liderada por pares, campanhas digitais e intervenções em sala^{de aula 11}. A comunicação em todo o campus, combinada com o apoio entre pares dos estudantes, pode melhorar o engajamento e a conscientização sobre o serviço, embora a adaptação a populações diversas continue sendo^{desafiadora 12}. No nível populacional, a pesquisa frequentemente se baseia em pesquisas de autorrelato baseadas no critério^{diagnóstico 13}, que limita a inferência causal e ignora indicadores em tempo real da^{cepa 14,15}.

Uma linha de trabalho crescente examina a inteligência emocional (IE) como preditor do bem-estar dos estudantes; Traços como autoconsciência, clareza e reparação emocional estão associados a melhores resultados, sendo o pertencimento frequentemente identificado como^{mediador 16}. No entanto, muitos achados se baseiam em pesquisas pontuais, carecendo de feedback dinâmico para suporte contínuo. Incorporar princípios informados por EI na simulação narrativa oferece um caminho para aprofundar a empatia, a reflexão e a autorregulação.

Paralelamente, pesquisadores educacionais integram cada vez mais IA em ambientes^{de aprendizagem 17}. Ferramentas de IA Visual que detectam expressões faciais ou microexpressões relacionadas ao estresse foram empregadas em exames e tutorias, com resultados promissores para feedback^{adaptativo 18}. Simulações narrativas são bem estabelecidas na educação em enfermagem/medicina para a prática de decisões carregadas de emoção¹⁹, mas essas aplicações são frequentemente específicas de domínio e raramente integradas a sistemas gerais de ensino-gestão²⁰. Um pequeno conjunto de trabalhos propõe estruturas para colaboração entre alunos e IA e design instrucional orientado por^{IA 21,22}, enfatizando ética, lacunas de implementação e a necessidade de modelos escaláveis que entreguem valor pedagógico e psicológico além da novidade.

Este estudo avança a área ao integrar simulação narrativa com computação afetiva em tempo real para criar uma resposta proativa e incorporada aos desafios de saúde mental em ambientes de aprendizagem universitária.

Lacunas de pesquisa e considerações práticas de implementação

Embora as ferramentas digitais para saúde mental dos estudantes estejam se proliferando, muitos estudos dependem de auto-relatos e intervenções de curto prazo fora do contexto da sala de aula, limitando o impacto e a pontualidade a longo prazo. Poucos esforços conectam construtos como IE ou alfabetização em saúde mental a feedback em tempo real ou comportamento observável em sala de aula. A IA Visual e a simulação narrativa foram exploradas separadamente, mas raramente combinadas em um único sistema que acompanhe e responda a estados emocionais durante a atividade acadêmica. Este estudo aborda essa lacuna ao combinar reflexão emocional baseada em simulação com o reconhecimento impulsionado por IA dentro do próprio ambiente de aprendizagem.

Considerações práticas de implementação

A implantação eficaz depende da infraestrutura (internet estável, câmeras integradas), supervisão ética e calibração de algoritmos para proteger os participantes e reduzir vieses, especialmente quando está envolvida análise facial. O treinamento dos professores também é necessário para interpretar as pistas geradas por IA de forma responsável e integrá-las às decisões pedagógicas. Consequentemente, a abordagem se adequa melhor às universidades com infraestruturas digitais estabelecidas e comitês institucionais de ética, onde pode funcionar como uma estrutura proativa e escalável para o empoderamento da saúde mental dos estudantes.

Protocolo

Antes da coleta de dados, a aprovação ética era obtida do Conselho de Revisão Institucional da Universidade dos Correios e Telecomunicações de Nanjing (Código de Aprovação: NJUPT-IRB-2024-0312). Todos os participantes forneceram consentimento informado por escrito após serem informados sobre o escopo do estudo, a natureza voluntária da participação, o uso de IA visual para rastreamento emocional e procedimentos de confidencialidade de dados. A participação podia ser descontinuada a qualquer momento sem penalidade. O software e os equipamentos utilizados estão listados na Tabela de Materiais.

1. Preparação para os estudos

1. Definição do cronograma operacional e do fluxo de ponta a ponta
   Dois pontos de avaliação foram estabelecidos: T1 (pré-intervenção), imediatamente após o primeiro exame, e T2 (pós-intervenção), após um breve feedback fornecido por instrutores guiados por sinais emocionais de IA. Uma simulação narrativa foi agendada após o período de exames, e uma segunda simulação alguns dias depois para avaliar mudanças na forma de lidar com o corpo. O pipeline de ponta a ponta, que abrange entrada de câmeras em sala de aula, API de reconhecimento de emoções, feedback dos instrutores, coleta de pesquisas, integração de dados e análise, está ilustrado na Figura 1A.
2. Recrutamento e documentação dos participantes
   Um total de 347 participantes foram recrutados por meio de matrícula voluntária de cursos existentes, incluindo 332 estudantes de graduação (idades de 18 a 22 anos; 140 homens, 192 mulheres) e 15 membros do corpo docente (idades de 27 a 45 anos; 10 mulheres, 5 homens). As distribuições por ano acadêmico e departamentos foram registradas. A demografia dos alunos e professores está apresentada na Tabela 1 e na Tabela 2, respectivamente.
3. Preparação de salas de aula e materiais
   Cada cômodo estava equipado com um computador (Intel i5 ou superior, ≥ 8 GB de RAM), uma webcam HD (≥ 720p) e conectividade estável à internet (≥ 10 Mbps). A webcam foi posicionada na altura dos olhos sob iluminação frontal uniforme para garantir visibilidade facial clara em ≥ 640 × 480 px. Um aviso indicava que o rastreamento emocional estava ativo. A estrutura e a iluminação eram verificadas antes de cada sessão, e a configuração do software era iniciada assim que a estabilidade da detecção era confirmada.

2. Configuração Visual de IA

1. Disponibilização do serviço de reconhecimento emocional
   Uma conta na nuvem foi criada e a API de reconhecimento de emoções foi ativada. A chave API e a URL do endpoint eram geradas, com credenciais armazenadas em forma criptografada sob controle de acesso baseado em funções. Para reprodutibilidade, foi empregada a Microsoft Azure Face API (Emotion, v3.2, região do Leste Asiático). O cliente autenticava via HTTPS usando um token de portador e retornava objetos JSON por face contendo {faceId, faceRectangle, emotions: {raiva, medo, tristeza, nojo, felicidade, surpresa, neutro}, timestamp} aproximadamente 25-30 fps.
2. Conexão da câmera e calibração da detecção
   O fluxo de webcam da sala de aula estava vinculado ao cliente da API (Python ou REST). A taxa de amostragem foi ajustada para 25-30 fps com resolução de quadros de 640 × 480 px. Um fluxo de teste foi iniciado, e a conectividade foi confirmada ao receber uma resposta HTTP 200 OK com JSON válido com carimbo de data. O ângulo da câmera e a iluminação eram ajustados até que rostos fossem detectados dentro de um segundo após a entrada do quadro. A posição final da câmera e os parâmetros de iluminação foram documentados. A calibração foi evidenciada por uma tela de confirmação exibindo caixas delimitadoras, o indicador 200 OK e campos JSON, como ilustrado na Figura 1B.
3. Definição de limiares de classificação e regras de registro
   Cada saída JSON incluía carimbos de data ISO 8601, etiquetas de emoção e valores de confiança. Um composto de efeito negativo por quadro foi definido como a média das pontuações de confiança {raiva, medo, tristeza, nojo}. Uma bandeira de tensão era acionada quando o composto permanecia ≥ 0,75 por pelo menos 5 s (janela móvel). Foi realizada uma corrida piloto de 10 minutos para otimizar limiares, almejando uma taxa de falsos positivos por sessão de ≤5%. O registro foi configurado para agregar resumos em nível de sessão em vez de armazenar quadros identificáveis.
4. Implementação de controles de privacidade e minimização de dados
   Identificadores pseudônimos (S001-S332 para estudantes e F001-F015 para professores) foram atribuídos, mantendo o arquivo da chave de ID em um servidor criptografado sob controle de acesso baseado em funções. O cache de vídeo local foi desativado. Quando era necessário cache temporário para garantia de qualidade, os quadros em cache eram excluídos em até 24 horas após a verificação. A precisão da detecção por sessão, a latência média e as taxas de erro foram registradas para apresentação posterior na seção de Resultados.
5. Verificação da prontidão da IA (checkpoint procedimental)
   Detecção estável de rostos em 25-30 fps, recebimento de respostas HTTP 200 OK, campos JSON válidos, configurações de limiar documentadas e armazenamento seguro de credenciais foram confirmados. Todo o pipeline foi relatado como tendo passado pelas verificações de prontidão, consistentes com a representação de calibração na Figura 1B.

3. Administração de levantamento

1. Configuração dos instrumentos e âncoras
   Uma escala de Likert de 5 pontos foi empregada para medir depressão, ansiedade e estresse, utilizando itens adaptados do DASS-21 para alinhar com o contexto acadêmico. Os códigos de item e âncoras seguiram o layout do instrumento apresentado na Tabela 3.
2. Administração de T1 (pré-teste)
   A pesquisa foi aplicada imediatamente após o exame inicial e antes de qualquer feedback informado pela IA. Um formulário online seguro foi implementado com todos os campos definidos como obrigatórios e evitando envios duplicados. O conjunto de dados foi exportado em formato CSV com campos para ID do participante, ponto de tempo (T1) e pontuações de itens.
3. Entrega de feedback breve do instrutor
   Dentro de 24 horas após o T1, orientações não clínicas foram fornecidas aos estudantes identificados por IA. O feedback incluiu exercícios curtos de relaxamento (3-5 min), ajustes no plano de estudo ou sugestões de gerenciamento de tempo. Nenhuma anotação clínica foi registrada no conjunto de dados de pesquisa. Estudantes que apresentavam grande sofrimento eram encaminhados para os serviços de aconselhamento do campus de acordo com a política institucional.
4. Administração de T2 (pós-teste)
   A mesma pesquisa foi reaplicada após a segunda sessão de exames e o feedback subsequente. Os dados foram exportados em formato CSV com o ponto de tempo (T2) e correspondidos às respostas T1 usando IDs de participante.
5. Bloqueio dos dados de levantamento (checkpoint procedimental)
   As taxas de resposta e os padrões de dados ausentes foram verificados, e o banco de dados da pesquisa foi bloqueado antes da fusão de dados. Estatísticas descritivas foram planejadas para inclusão na seção de Resultados.

4. Exercícios de simulação narrativa

1. Execução da Simulação 1
   Foi apresentado um cenário de estresse acadêmico, retratando situações como receber uma nota baixa ou perceber um feedback injusto. Cada aluno foi instruído a escolher uma de três opções de resposta: internalizar frustração, culpar publicamente o instrutor ou refletir e buscar esclarecimentos. Uma duração de 3 a 5 minutos foi destinada para a seleção das respostas, seguida por uma justificativa escrita de 150 a 200 palavras. A interface de simulação que exibe o prompt de temporização e as opções de resposta é mostrada na Figura 1C.
2. Condução de entrevistas curtas
   Imediatamente após a Simulação 1, entrevistas curtas de 5 a 7 minutos foram conduzidas para explorar as avaliações dos participantes, intenções de enfrentamento e gatilhos emocionais percebidos. As anotações da entrevista foram registradas e vinculadas aos documentos de identificação dos participantes.
3. Execução da Simulação 2
   Uma segunda simulação foi realizada alguns dias depois, seguindo o mesmo procedimento da Simulação 1, mas usando um cenário paralelo. Esta sessão teve como objetivo observar mudanças na consciência emocional e no comportamento de enfrentamento. A escolha, a justificativa e as anotações da entrevista foram registradas como na Simulação 1.
4. Confirmação dos registros de simulação (checkpoint procedimental)
   Cada participante foi verificado com uma escolha registrada, uma justificativa contendo pelo menos 150 palavras e uma nota correspondente para a entrevista. Um modelo de resumo de codificação foi preparado para análise temática subsequente.

5. Exportação de logs de IA e mescagem de conjuntos de dados

1. Exportação de resumos emocionais em nível de sessão
   Resumos de emoções em nível de sessão foram exportados em formato CSV, incluindo ID do participante, ID da sessão, carimbo de data ISO 8601, rótulo de emoção, valor de confiança e o indicador de bandeira de estresse. Quadros de vídeo brutos não foram salvos.
2. Fusão de logs de IA com arquivos de pesquisa
   Arquivos de log de IA foram fundidos com conjuntos de dados de pesquisa T1 e T2 usando o ID do participante e a data da sessão como variáveis-chave. Variáveis derivadas, como ΔAnxiety = Anxiety_T2 − Anxiety_T1, foram calculadas para avaliar mudanças ao longo do tempo. Foi realizada uma auditoria de 5% dos registros mesclados para verificar o alinhamento dos identificadores e a consistência cronológica.
3. Confirmação da integridade da fusão (checkpoint procedimental)
   Foram confirmados a correspondência de identificação um a um e a ordem temporal correta, com T1 precedendo T2 para cada participante. Quaisquer discrepâncias identificadas foram resolvidas antes da realização da análise estatística.

6. Análise quantitativa (fluxo de trabalho SPSS)

1. Importação de dados e definição de variáveis
   Arquivos de dados eram abertos no SPSS 27.0, e conjuntos de dados CSV eram importados. Rótulos e tipos de variáveis foram definidos, e regras de valor faltante foram estabelecidas. Arquivos mestres eram salvos em .sav formato para análises subsequentes.
2. Avaliação de confiabilidade e estatísticas descritivas
   A α de Cronbach foi calculada para cada construto para avaliar a consistência interna. Estatísticas descritivas, incluindo média (M) e desvio padrão (DS), foram geradas para todas as variáveis. Os resultados resultantes foram mantidos para inclusão na seção de Resultados.
3. Execução de testes t de amostras pareadas
   Testes t com amostras pareadas foram realizados para comparar escores de T1 e T2 para ansiedade, depressão e estresse. Os resultados incluíram t, graus de liberdade (df), valor p, d de Cohen e intervalo de confiança (IC) de 95%, todos apresentados na seção de Resultados.
4. Execução de medidas repetidas ANOVA
   O tempo (T1, T2) foi especificado como um fator dentro do sujeito em uma ANOVA de medidas repetidas. O teste de esfericidade de Mauchly foi avaliado, e a correção Greenhouse-Geisser foi aplicada quando as suposições foram violadas. A análise apresentou valores de F, df, p, η² e IC de 95% para inclusão nos Resultados.
5. Ajuste de múltiplos modelos de regressão linear
   Múltiplos modelos de regressão linear foram ajustados com desfechos de T2 regressados em escores de T1, taxa de alerta de estresse da IA e escolha narrativa (codificada por dummy). Os resultados do modelo foram resumidos por β de reporte, erro padrão (SE), valor t, valor p e^{R 2}.
6. Manutenção de padrões unitários e de notação
   Todos os valores numéricos seguiram as convenções da unidade SI, com um espaço entre número e unidade (por exemplo, 10 min, 25 fps, 640 × 480 px). As equações foram inseridas usando a ferramenta Equation do Word quando apropriado, e a notação estatística foi mantida consistente em todas as seções.

7. Fluxo de trabalho de análise temática

1. Montagem do corpus qualitativo
   As anotações da entrevista foram transcritas, e as justificativas narrativas foram compiladas em um único corpus rotulado por ID do participante e ponto de tempo (Sim1 ou Sim2). Esse corpus serviu como conjunto de dados para análise qualitativa.
2. Desenvolvimento do livro de códigos e treinamento de programadores
   Foi desenvolvido um livro de códigos com foco no engajamento emocional, qualidade da tomada de decisão e indicadores de inteligência emocional, incluindo autoconsciência, empatia e regulação emocional. Dois codificadores foram treinados em 10% do corpus para garantir a interpretação consistente dos códigos e critérios analíticos.
3. Estabelecimento da confiabilidade do interrator e conclusão da codificação
   A confiabilidade do interratador foi avaliada com um κ de Cohen alvo de pelo menos 0,75. Quaisquer discrepâncias foram discutidas e resolvidas antes de finalizar o livro de códigos. O corpus restante foi então totalmente codificado. As frequências dos temas foram resumidas e um mapa temático representativo foi preparado para apresentação na seção de Resultados. Uma citação representativa foi selecionada para ilustrar cada tema central.

8. Controle de qualidade, solução de problemas e arquivamento

1. Resolução de questões técnicas
   Quando as taxas de detecção facial eram baixas, a iluminação frontal era melhorada e o ângulo da câmera ajustado. As taxas de quadros foram verificadas para permanecer entre 25-30 fps. Nos casos em que foram observados flags de estresse excessivos, o limiar de detecção foi aumentado para 0,80 ou a janela de detecção foi estendida para pelo menos 8 s para estabilizar os resultados.
2. Garantia da consistência dos dados
   Os IDs dos participantes e os pontos de tempo foram validados antes da análise dos dados. Os codificadores eram recalibrados a cada 50 transcrições para evitar desvios de codificação. Uma lista de verificação de controle de qualidade em nível de sessão era mantida e assinada tanto pelo líder da sessão quanto pelo responsável pelos dados para documentar a integridade processual.
3. Arquivamento de conjuntos de dados e documentação
   Todos os arquivos analíticos foram desidentificados substituindo os identificadores diretos por IDs de participantes. Os formulários de consentimento foram armazenados separadamente dos dados de pesquisa. Conjuntos de dados finais, arquivos de sintaxe SPSS, livros de códigos e registros de controle de qualidade foram arquivados em um servidor seguro sob acesso restrito.

Resultados

Análise descritiva

Comparações pré-pós-pós-análise indicaram quedas consistentes no efeito adverso após a implementação. As médias pós-teste diminuíram para 2,87 para ansiedade, 2,74 para depressão e 2,69 para estresse, a partir das médias pré-teste de 3,25, 3,11 e 3,08, respectivamente (Figura 2). Os resultados descritivos são resumidos na Tabela 4, e a estrutura dos instrumentos em nível de item...

Discussão

O estudo demonstra que, quando a simulação narrativa é combinada com IA visual, a consciência emocional se torna um processo compartilhado, e não uma intervenção unidirecional. Os estudantes não estavam apenas respondendo a uma ferramenta digital; Eles estavam envolvidos em uma reflexão emocional estruturada que conectava a avaliação cognitiva à experiência incorporada. Em todo o conjunto de dados, tanto resultados quantitativos quanto qualitativos revelaram um padrão consistente de redu...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Hardware	Câmera de Reconhecimento Facial	Logitech (ou similar)	C920 HD Webcam
Instrumento	Coleção de Transcrições de Entrevistas	Entrada manual	Gravações de áudio/texto
Questionário	Escala DASS-21 modificada	Adaptado pelos autores	Formato Likert de 5 pontos
Software	Microsoft Azure Emotion API	Microsoft	Emotion API v3 (Cloud)
Software	Estatísticas SPSS	IBM	Versão 26
Software	Sistema de Simulação Narrativa	Autodesenvolvido	Baseado na web (HTML5)
Plataforma do Sistema	Sistema de Gestão do Ensino Universitário	Plataforma interna	Integrado ao módulo de IA