Artigo de investigação

Plataforma de Música de Inteligência Artificial para Estudantes de Piano Melhora o Aprendizado e Reduz a Ansiedade: Estudo Randomizado com Pistas de Variabilidade da Frequência Cardíaca

246 vistas

⸱

DOI:

10.3791/69106

⸱

21 de abril de 2026

1School of Arts, Jingchu Technology University

Neste artigo

Resumo

Esse protocolo descreve um fluxo de trabalho aleatório no qual uma plataforma de educação musical baseada em IA, com microintervenções informadas por HRV e feedback baseado em visualização, é usada para melhorar o aprendizado de teoria musical e reduzir a ansiedade de estado em estudantes de graduação em piano.

Resumo

A inteligência artificial (IA) é cada vez mais aplicada na pedagogia musical, mas fluxos de trabalho reprodutíveis que avaliam conjuntamente a aquisição de conhecimento e a regulação da ansiedade continuam limitados. Este protocolo descreve um fluxo de trabalho randomizado e controlado para implementar uma plataforma de educação musical baseada em IA dentro do ensino rotineiro em aulas de estúdio e avaliar seus efeitos em estudantes de piano de graduação. Os participantes são selecionados e alocados aleatoriamente para uma plataforma orientada por IA ou instrução tradicional por 2 semanas (doze sessões de 30 minutos). Os resultados incluem um teste estruturado de teoria musical/análise e o Inventário de Ansiedade por Traços de Estado–Estado (STAI-S; 20 itens, escala de 4 pontos; total 20–80). A variabilidade da frequência cardíaca (VFC) é registrada durante um descanso sentado de 5 minutos e um segmento de prática padronizada de 5 minutos; os índices primários incluem a raiz quadrática média das diferenças sucessivas de intervalos normais a normais (RMSSD; atividade vagal de curto prazo), o desvio padrão dos intervalos normais a normais (SDNN; variabilidade geral) e a potência de alta frequência (HF) (componente espectral parasimpático). O protocolo permite que instrutores e pesquisadores implantem a plataforma e sigam uma sequência padronizada que abrange triagem dos participantes, execução por randomização, configuração/configuração da plataforma, posicionamento e registro do sensor HRV, manuseio de artefatos e cálculo HRV, administração/pontuação de todas as medidas de resultado, exportação final de dados, nomeação de arquivos e armazenamento seguro para análise estatística. As análises utilizam testes t com amostras independentes e análise de covariância (ANCOVA) com a linha de base como covariável. Resultados representativos mostram maior desempenho ajustado na teoria pós-teste no braço impulsionado por IA (η parcial2 = 0,206) e menor ansiedade pós-intervenção (t(38) = −3,486, p = 0,001; Cohen's d ≈ 1,10) do que os controles, com padrões de VFC fornecendo contexto fisiológico e desfechos secundários de carga cognitiva indicando redução da carga extranesa.

Introdução

No ensino musical superior contemporâneo, os objetivos instrucionais vão além da transmissão de conhecimento, incluindo o bem-estar psicológico dos estudantes e o desenvolvimento sustentável como intérpretes. Estudantes de piano treinam rotineiramente sob pressão avaliativa repetida de júris, concursos, audições e recitais públicos, onde a ansiedade pode atrapalhar o controle da atenção e degradar a qualidade da performance1.

Ansiedade de desempenho musical (MPA) e ansiedade relacionada a exames são relatadas de forma consistente em amostras de conservatórios e universidades, e estimativas de alta prevalência foram documentadas em diferentes coortes e abordagensde medição 2. Além do sofrimento subjetivo, a ansiedade está associada à excitação fisiológica, distração atencional e redução da autoeficácia, o que pode se traduzir em instabilidade de altura/timing e desempenho inconsistente na avaliação3.

Avanços recentes em inteligência artificial (IA) oferecem um caminho para um suporte mais direcionado nesse contexto. A personalização impulsionada por IA pode adaptar a dificuldade do conteúdo, o ritmo e o feedback às necessidades em evolução dos alunos e pode reduzir a dependência de instrução única no ensino emestúdio 4. Paralelamente, a computação afetiva pode inferir estados emocionais momentâneos a partir de pistas multimodais (por exemplo, expressão facial, fala e sinais fisiológicos), permitindo que o sistema responda a flutuações de ansiedade durante aprática 5.

Um marcador fisiológico-chave nesse domínio é a variabilidade da frequência cardíaca (VFC), que é comumente usada como um índice não invasivo relacionado à regulação autonômica e à resposta aoestresse 6. Quando incorporados na instrução, os estímulos informados sobre HRV podem apoiar microintervenções just-in-time (por exemplo, respiração rápida e acelerada ou sinais de mindfulness) que visam reduzir a ansiedade aguda durante a prática7.

Um segundo pilar de design é o feedback baseado em visualização. Painéis que exibem curvas de progresso, mapas de localização de erros ou indicadores informados sobre HRV podem fortalecer a autoavaliação e a co-regulação professor-aluno, tornando o comportamento prático e a carga cognitivo-afetiva maistransparentes 8. Do ponto de vista da ciência da aprendizagem, essas escolhas de design estão alinhadas com a Teoria da Carga Cognitiva, que enfatiza a redução da carga supérflua por meio de apresentação simplificada, segmentação e design de feedback, ao mesmo tempo em que apoia a construção de esquemas por meio do processamentorelevante 9.

Apesar do rápido desenvolvimento de ferramentas de aprendizado musical baseadas em IA, relativamente poucos estudos em ensino musical superior integram personalização impulsionada por IA, monitoramento fisiológico (HRV) e feedback orientado por visualização em uma única plataforma e avaliam o fluxo de trabalho completo sob condiçõesaleatórias 10. Além disso, muitos relatórios enfatizam resultados sem especificar procedimentos filmáveis em nível de parâmetro para gravação de sensores, manuseio de artefatos e exportação de dados, limitando a reprodutibilidade e a replicação entre locais. O presente trabalho aborda essa lacuna apresentando um protocolo passo a passo para implantar uma plataforma de educação musical orientada por IA em rotinas de estúdio e avaliar seus efeitos no desempenho em teoria musical/análise e ansiedade de estado (STAI-S), com índices de VFC registrados durante segmentos padronizados de descanso e prática para fornecer contexto fisiológico.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

O protocolo de estudo foi aprovado pelo Conselho de Revisão Institucional da Escola de Artes da Universidade de Tecnologia Jingchu (Aprovação nº: JCTU-ARTS-2025-013). Consentimento informado por escrito foi obtido de todos os participantes antes da inscrição.

Registro dos participantes
Obtenha consentimento informado por escrito antes da inscrição, após cada participante receber uma explicação escrita e oral dos objetivos do estudo, procedimentos, riscos e benefícios potenciais, confidencialidade e acordos de tratamento de dados. Armazene formulários de consentimento assinados separadamente dos dados de pesquisa em um armário trancado ou em um arquivo digital criptografado com acesso restrito limitado ao investigador principal e a um gerente de dados designado. Registre o número de aprovação, a data de aprovação e a data de consentimento de cada participante em um registro do estudo para apoiar a transparência de relatórios ereplicação 11. Registre o protocolo do estudo em um registro de ensaios apropriado, se exigido por política institucional ou orientação do periódico, e registre o identificador e a data de registro no registro12 do estudo.

Elegibilidade para participantes e recrutamento
Selecionar e recrutar participantes
Recrute 40 estudantes de graduação em piano com idades entre 18 e 22 anos de um conservatório ou programa universitário de música, buscando uma proporção de sexo aproximadamente equilibrada com um desvio alvo de no máximo 60:40. Verifique se cada candidato completou pelo menos 6 meses de estudo formal de piano, sabe ler a notação da pauta fluentemente e possui conhecimento introdutório de teoria musical suficiente para concluir o teste de base. Convide os candidatos interessados para uma visita de triagem e forneça informações escritas do estudo descrevendo compromissos de tempo, procedimentos de coleta de dados e proteções de confidencialidade pelo menos 24 horas antes da triagem.

Critérios de inclusão para aplicar
Administre o questionário de Transtorno de Ansiedade Generalizada-7 (GAD-7) a cada candidato e avalie de acordo com o manualde instrumentos 13. Realize uma breve entrevista semiestruturada de 5 a 8 minutos para confirmar que o candidato pode entender as instruções, tolerar procedimentos e participar de todas as sessões. Inclua participantes apenas se todos os critérios forem atendidos: idade de 18 a 22 anos, pelo menos 6 meses de treinamento formal de piano, escore de GAD-7 entre 5 e 14, indicando ansiedade leve amoderada 14, disposição para completar todos os procedimentos de intervenção e avaliação, e provisão de consentimento informado por escrito.

Aplicar critérios de exclusão
Exclua candidatos com transtornos mentais graves atuais ou tratamento psiquiátrico em andamento que possam interferir na participação ou na validade do resultado. Exclua candidatos que tenham participado de estudos semelhantes de treinamento musical impulsionados por IA nos três meses anteriores, definidos como qualquer estudo de intervenção envolvendo orientação prática orientada por algoritmos ou feedback automatizado por ≥3 sessões. Exclua candidatos que não estejam familiarizados com o repertório-alvo e que não consigam alcançar um desempenho de base estável após um período padronizado de familiarização de 15 minutos com o trecho. Exclua candidatos com deficiências motoras, visuais ou auditivas graves que possam interferir na performance do piano ou na gravação da variabilidade da frequência cardíaca (VFC). Considere excluir candidatos com condições ou fatores que comprometam substancialmente a qualidade da medição da VFC (por exemplo, arritmias conhecidas, marcapassos implantados ou medicamentos que afetam significativamente a função autonômica), e documente a justificativa no registro de triagem quando aplicável15. Documente todas as decisões de inclusão e exclusão, incluindo os motivos da exclusão, em um registro de triagem identificado por IDs de participantes anonimizados, e armazene o registro separadamente dos dados de resultado.

Randomização e ocultação de alocação
Preparação da sequência de randomização
Use software estatístico para gerar uma sequência de randomização 1:1 em blocos permutados, atribuindo os participantes ao braço experimental (plataforma movida por IA) ou ao braço de controle (instrução tradicional). Predefina o tamanho do bloco usado para blocos permutados como 4, e registre o nome do software, a versão e um valor semente aleatório fixo de 20250113 em um log de randomização para garantir a reprodutibilidade16. Certifique-se de que o pesquisador que gera a sequência não esteja envolvido na avaliação dos participantes, na avaliação de resultados ou no ensino. Imprima as tarefas individuais em folhetos idênticos (aproximadamente 5 cm x 2 cm) e coloque cada tarefa em um envelope sequencialmente numerado, opaco e lacrado. Registre os detalhes da preparação do envelope em um registro de auditoria (data, preparador, envelopes totais = 40) e armazene o registro de auditoria separadamente dos dados de resultado.

Implementação do ocultamento de alocação
Armazene envelopes lacrados em um local seguro acessível apenas para o pessoal responsável pela alocação. Ao final da sessão de referência de cada participante, retire-se o próximo envelope em ordem numérica. Abra o envelope na presença do participante e registre a alocação revelada em um registro de alocação (ID do participante, número do envelope, data/hora, assinatura do alocador). Mantenha todos os envelopes restantes selados até o uso para preservar a ocultação da alocação.

Mantendo o cegamento dos avaliadores de desempenho
Atribua a cada participante um ID anonimizado que não codifique a alocação de grupos usando o formato P001–P040. Rotule todas as gravações de áudio e vídeo apenas com o ID do participante e o horário (antes ou pós-intervenção). Fornecer aos avaliadores de desempenho um conjunto de gravações desidentificadas e contrabalançadas, sem informações sobre alocação de grupos e com metadados de arquivo removidos antes do compartilhamento.

Repertório e configuração
Seleção do repertório de alvo
Use a Sonata para Piano em Sol maior, K.283, Movimento II (Andante) de Mozart como peça comum de treinamento e avaliação. Use os compassos 1–32 como trecho padronizado para treinamento e avaliação, e confirme que esse comprimento e dificuldade do trecho são adequados para pianos de nível intermediário, permitindo metas de tempo estáveis e exigências consistentes de fraseado ao longo dassessões 17.

Padronização do ambiente físico
Realize todas as sessões em um estúdio silencioso, com iluminação estável e temperatura mantidas em 22 ± 1 °C. Posicione um piano digital de teclas pesadas ou um piano acústico com ação de teclas comparável em um local fixo da sala e mantenha a altura da bancada constante para cada participante durante as visitas. Coloque um microfone a 0,8 m do instrumento em uma altura fixa de 1,2 m, inclinado 45° em direção à mesa harmónica ou teclado para capturar um sinal claro sem clipping. Monte uma câmera em um tripé a 1,8 m do performer a uma altura de 1,4 m, capturando as mãos e a parte superior do corpo em um ângulo consistente em todas as sessões.

Calibração dos equipamentos antes de cada dia de teste
Ajuste e teste o volume do metrônomo para que ele seja claramente audível para o participante, mas não domine a gravação de áudio, visando um nível de reprodução de aproximadamente 60–65 dB na posição bancada. Ajuste o ganho de gravação na interface de áudio ou dispositivo de gravação para evitar clipping enquanto preserva uma alta relação sinal-ruído, mirando níveis de pico entre −12 dB e −6 dB durante passagens forte. Verifique o enquadramento e o foco da câmera para garantir que o teclado, as mãos e a parte superior do tronco estejam sempre à vista. Verifique a conectividade do dispositivo HRV e a qualidade do sinal observando a exibição em tempo real e confirmando a detecção estável de intervalos R–R (ou forma de onda estável do ECG) por pelo menos 30 s antes de iniciar a coleta de dados. Se ocorrer clipping de áudio, reduza o ganho de entrada em 3–6 dB, repita uma gravação de teste de 10 s e prossiga somente depois que os níveis de pico permanecerem abaixo do limiar de cliping. Se a detecção R–R for instável, aumente o contato com a pele apertando a faixa torácica e umedecendo as almofadas de contato (ou reposicione os eletrodos do ECG conforme orientação do fabricante), repita a verificação do sinal de 30 s e prossiga somente após obter um traço estável.

Medidas de resultado
Conhecimento e análise (principal resultado cognitivo)
Desenvolver duas formas paralelas (Forma A e Forma B) de um teste estruturado de teoria musical e análise de peças, combinadas em domínios de conteúdo e dificuldade18. Inclua 20 itens cobrindo harmonia (8 itens), segmentação rítmica (4 itens), reconhecimento motivico (4 itens) e análise formal (4 itens) do repertório alvo e materiais relacionados. Em cada ponto de avaliação, coloque o participante sozinho em uma sala silenciosa e forneça o Formulário A (base) ou o Formulário B (pós-teste), de acordo com um cronograma pré-definido. Instrua o participante a completar o teste em até 30 minutos sem usar instrumentos, livros didáticos ou recursos eletrônicos. Colete a folha de resposta ao final do teste e registre o tempo de conclusão em minutos. Pontue cada resposta usando uma chave de respostas padronizada e calcule a pontuação total de precisão (0–100) como o principal resultado cognitivo, concedendo 5 pontos por item. Armazene a pontuação total e o tempo de conclusão sob o ID anonimizado do participante.

Rubrica de desempenho (resultado de habilidade secundária)
Grave uma performance áudio-vídeo do trecho alvo para cada participante, tanto antes quanto depois da intervenção, usando o instrumento padronizado, a posição do microfone e o ângulo da câmera. Use uma rubrica de performance com quatro dimensões: fluência melódica, precisão rítmica, coordenação e técnica, e interpretação expressiva. Avalie cada dimensão em uma escala de 1 a 5 para obter uma pontuação total entre 4 e 20. Treine pelo menos dois avaliadores independentes usando um documento detalhado de rubrica e um conjunto de 6 gravações piloto (3 de linha de base e 3 gravações pós-teste de estudantes não estudantes) até que um acordo aceitável seja alcançado em todas as dimensões. Forneça aos avaliadores o conjunto completo de gravações rotuladas apenas por ID anonimizado e ponto de tempo, sem informações de grupo. Instrua os avaliadores a avaliarem as gravações de forma independente e a registrarem suas pontuações em uma folha de pontuação ou banco de dados seguro. Identificar quaisquer discrepâncias maiores que 2 pontos em uma única dimensão e resolvê-las por meio de discussão; se não houver consenso, obtenha o julgamento de um terceiro avaliador. Antes da pontuação completa, estime a confiabilidade entre avaliadores usando o coeficiente de correlação intraclasse (ICC) nas 6 gravações piloto e confirme que o ICC é pelo menos 0,8019. Resuma as pontuações das rubricas em nível de grupo (total e quatro dimensões) no pré-teste e pós-teste na Tabela Suplementar 1, e relate estatísticas de confiabilidade entre avaliadores (ICC com intervalos de confiança de 95%) na Tabela Suplementar 2.

Ansiedade do estado e variabilidade da frequência cardíaca (desfechos afetivos/fisiológicos secundários)
Administre o Inventário de Ansiedade por Traços de Estado–Estado (STAI-S; 20 itens, escala de Likert de 4 pontos, pontuação total 20–80) tanto antes quanto pósintervenção 20. Instrua os participantes a responderem com base em como se sentem no momento e a responder a todos os pontos. Verifique cada questionário para respostas faltantes e, se necessário, peça ao participante que preencha quaisquer itens omitidos antes de sair. Calcule a pontuação total do STAI-S de acordo com o manual de instrumentos. Se um subconjunto validado de 10 itens ou formato adaptado for usado para visualização ou análise exploratória, documente a regra de adaptação e seleção, forneça justificativas e referências, e relate o α de Cronbach tanto para a escala total quanto para o subconjunto nosresultados 21. Instrua os participantes a abster-se de exercícios vigorosos, cafeína e refeições pesadas por pelo menos 2 horas antes da gravação da VFC e a evitar álcool por pelo menos 12 horas antes de cada consulta; Confirme a conformidade verbalmente e registre a conformidade como sim/não no logde sessão 22. Registre a VFC usando (i) um sensor de ECG com faixa torácica ou (ii) um sistema de ECG de três derivações. Use intervalos R–R derivados do ECG com frequência de amostragem de 1000 Hz para todas as gravações, e registre a modalidade (ECG), frequência de amostragem (1000 Hz) e data/hora de registro no registro da sessão. Para gravação com a faixa peitoral, posicione a faixa no nível do processo xifoide com contato firme com a pele; para gravação de ECG, coloque eletrodos em configuração padrão de derivação II e verifique a detecção estável de ondas R antes de iniciar. Para a VFC em repouso, sente-se confortavelmente com os pés no chão e as mãos apoiadas nas coxas; instruir para estar acordado em silêncio, com movimento mínimo e sem falar por 5 minutos; Comece a gravar após um período de estabilização de 60 s e analise o segmento subsequente de 300 s.

Para a prática da VFC, instrua o participante a executar a passagem-alvo por 5 minutos em um tempo fixo de 76 batidas por minuto e um alvo dinâmico fixo de mezzo-forte; Use um metrônomo para manter o tempo e comece a análise após os primeiros 30 s, analisando o segmento subsequente de 270 s. Após cada gravação, exporte a série bruta de intervalos R–R como um arquivo de valores separados por vírgulas (CSV) contendo no mínimo dois campos (carimbo de tempo em ms; intervalo R–R em ms), e inspecionar o traço usando o software de gravação e a inspeção visual para identificar perda de sinal, artefatos e batimentos ectópicos.

Aplique um fluxo de trabalho pré-especificado de correção de artefatos e registre a proporção de batidas corrigidas para cada segmento no logde sessão 23.
Regra de detecção de artefatos: sinalize um intervalo R–R como artefato se ele desviar mais de 20% da mediana dos 5 intervalos normais anteriores, ou se os valores absolutos R–R estiverem fora de 300–2000 ms. Método de correção: substituir intervalos sinalizados usando interpolação cúbica de intervalos normais adjacentes após a remoção de batimentos ectópicos.
Limiar de controle de qualidade: repita o segmento de gravação se a proporção de batidas corrigidas exceder 5,0% ou se houver qualquer perda contínua de sinal superior a 5 s.


Calcule índices no domínio do tempo, incluindo RMSSD e SDNN, usando software de análise versão 1.3.0, e armazene as saídas em um arquivo de resultados estruturados (CSV) vinculado ao ID do participante, ponto de tempo e tipo de segmento (descanso ou prática). Calcular índices no domínio da frequência, incluindo potência HF na faixa de 0,15–0,40 Hz, usando um periodograma de Welch com comprimento de janela de 120 s, sobreposição de 50%, janela de Hamming e reamostragem de 4 Hz da série interpolada R–R; reportar HF em ms2 e transformar o HF logarítmico antes da análise inferencial. Opcionalmente, calcule a potência do LF (0,04–0,15 Hz) e a razão LF/HF e reporte esses detalhes de forma descritiva com o devido cuidado24.

Carga cognitiva (resultado exploratório secundário)
Administrar o questionário de carga cognitiva multidimensional desenvolvido por Leppink e colegas nopós-teste 25. Apresente os 10 itens que formam três subescalas: carga extraínseca (3 itens), carga intrínseca (3 itens) e carga pertinente (4 itens), cada um avaliado em uma escala Likert de 7 pontos, de 1 (discordo fortemente) a 7 (concordo fortemente). Para cada subescala, calcule a média dos itens correspondentes para obter uma pontuação entre 1 e 7; Considere valores ausentes como inválidos e exige respostas completas para pontuação. Interprete maior carga externa como maior processamento irrelevante, maior carga intrínseca como maior complexidade inerente da tarefa, e maior carga relevante como maior esforço produtivo de construção de esquemas. Ao usar uma versão não em inglês, realizar tradução e retrotradução por dois especialistas bilíngues independentes, testar o instrumento traduzido em 10 alunos de piano que não estejam em estudo e calcular a α de Cronbach para cada subescala; adote α ≥ 0,70 como critériode adequação 26. Relate valores de α específicos de subescala nos Resultados e analise as três subescalas separadamente, aplicando o ajuste de Holm–Bonferroni para múltiplas comparações com um α familiar = 0,0527. Se desejado, derive um índice de carga cognitiva composto como a média aritmética de todos os 10 itens.

Linha de base (pré-teste; Semana 1)
Confirme a elegibilidade e o consentimento informado no início da sessão de referência e apresente ao participante uma identidade anonimizada. Registre informações demográficas e histórico de treinamento, incluindo idade, sexo, anos de estudo de piano e horas típicas semanais de prática, em um formulário de dados de referência. Administrar o teste de conhecimento e análise (Formulário A) em um ambiente silencioso, aplicar o limite de tempo de 30 minutos e registrar a pontuação total e o tempo de conclusão sob o ID do participante. Conecte o sensor de HRV e registre um segmento de HRV em repouso de 5 minutos, seguido por um segmento padronizado de HRV de prática de 5 minutos do trecho do alvo a 76 batidas por minuto e alvo dinâmico mezzo-forte.

Monitorar a qualidade do sinal durante a aquisição e repetir qualquer segmento com artefatos excessivos após ajustar a tensão da correia ou o posicionamento dos eletrodos; Repita quando a proporção de batidas corrigidas exceder 5,0% ou quando a perda contínua de sinal exceder 5 s, e documente a repetição e o motivo no registro de sessão. Resuma os indicadores de qualidade dos dados da VFC (proporção de batidas corrigida por artefatos, segmentos repetidos e exclusões) na Tabela Suplementar 3. Administre o STAI-S e calcule a pontuação total (20–80) de acordo com a chave de pontuação. Grave uma performance básica de áudio–vídeo do trecho alvo usando o instrumento, microfone e configuração de câmera pré-definidos, garantindo enquadramento e níveis de áudio consistentes. Rotule todos os arquivos de dados (testes, gravações de HRV, questionários e vídeos de desempenho) com ID de participante anonimizado e o indicador pré-ponto de tempo, e armazene-os em um diretório seguro, controlado por acesso e com backup, usando a seguinte convenção de nomeação de arquivos: P###_TP(pré/pós)_MOD(teste/HRVrest/HRVprac/STAI/perf)_YYYYMMDD_HHMM28.

Sessões de intervenção (Semanas 2–3)
Programação
Programe 12 sessões supervisionadas de 30 minutos para cada participante do grupo experimental ao longo de um período de 2 semanas. Agende as sessões em horários relativamente consistentes do dia para cada participante dentro de uma janela fixa de ±2 horas em relação ao início da primeira sessão desse participante, e registre o horário de início e o término de cada sessão para reduzir e quantificar a variação diurna da VFC e ansiedade. Registre a frequência, motivos para sessões perdidas/reagendadas e quaisquer desvios de protocolo em um registro de aderência. Padronize as condições pré-sessão confirmando que os participantes cumpriram as restrições de pré-registro para cafeína, exercícios vigorosos, refeições pesadas e álcool, e registre a conformidade como sim/não com notas breves quando onúmero 29.

Braço experimental: Plataforma assistida por IA (Figura 1)
No início de cada sessão, instrua o participante a fazer login na plataforma de IA usando o ID do participante anonimizado e confirme que nenhuma informação pessoalmente identificável é exibida na interface. Carregue o trecho da sonata de Mozart na interface interativa da partitura e verifique se a peça correta, os limites do trecho (compassos 1–32) e as configurações de dificuldade estão exibidos. Configure a plataforma para registrar a telemetria de prática no nível da nota e do compasso, incluindo precisão de afinação (%), desvio do tempo de início (ms), desvio do tempo em relação ao metrônomo (%), localizações de erro em nível de compasso e contagens de repetições para cada segmento em loop; Defina o intervalo de atualização de telemetria para 200 ms e o intervalo de agregação em nível de barra para 1 bar. Execute uma reprodução calibrada de 45 segundos do trecho para confirmar que a plataforma captura eventos de nota e alinha as notas detectadas às posições de pontuação; Repetir calibração se erros de alinhamento excederem qualquer uma das seguintes tolerâncias: descompasso de início mediano maior que 80 ms em qualquer janela de 10 notas ou desalinhamento repetido em nível de barra em 2 barras consecutivas.

Habilitar o módulo de treinamento personalizado para que ele absorva características de desempenho dentro da sessão e produza metas em nível de segmento usando uma regra fixa: selecionar as duas barras com a maior pontuação de erro combinada, onde pontuação combinada = 0,5 x taxa de erro de afinação + 0,3 x desvio absoluto de tempo + 0,2 x desvio de tempo; Registre barras selecionadas e os três principais drivers de erro no log de sessão. Instrua o participante a praticar segmentos direcionados enquanto a partitura interativa destaca notas em tempo real, suporta looping de passagens difíceis e toca exemplares MIDI de segmentos-alvo no tempo alvo (76 bpm) e em um tempo reduzido de 60 bpm para andaimes. Aloque o tempo da sessão usando uma estrutura fixa e registre as minutos realizados para cada fase: 3 minutos de login/calibração, 21 minutos de prática segmentada direcionada, 5 minutos de reflexão com o parceiro de conversa (Seção 7.3) e 1 minuto de encerramento/exportação e notas30.

Parceiro de prática conversacional
Ative o parceiro de prática conversacional alimentado por um grande modelo de linguagem (LLM) por meio de uma conexão segura de API, e registre a versão do modelo como LLM-PracticePartner v2.1 (build 2025-01-15), o tipo de endpoint de inferência como nuvem e o método de controle de acesso como autenticação baseada em token no log do estudo. Configure o parceiro com um prompt fixo do sistema que restringa as saídas a conteúdos relacionados à prática (fraseado, intenções de cor de tom, decisões de pedal, diagnóstico de erros e sugestões de próximo passo) e desative quaisquer funções que solicitem dados pessoais.

Após cada segmento de prática direcionada, peça ao participante que descreva escolhas de frase, intenções de cor de tom, decisões de pedal, dificuldades percebidas e nível de ansiedade percebido em uma escala de autorrelato de 0 a 10, e registre as respostas como campos estruturados no registro da sessão. Configure o parceiro para devolver sugestões curtas específicas de segmento alinhadas aos objetivos atuais usando parâmetros de geração fixos: comprimento máximo de resposta 80 palavras, máximo 2 voltas por segmento, temperatura 0,2 e tempo de resposta de 2 s; Registre o número de trocas e a duração total do diálogo por sessão. Garanta que o tempo de diálogo permaneça secundário ao jogo, limitando o tempo total de diálogo por sessão a 6 minutos e aplicando esse limite desativando outros prompts assim que esse limite for atingido.

Privacidade e segurança: armazene logs de conversa usando IDs anonimizados, criptografe durante o trânsito usando TLS 1.2 ou posterior e em repouso usando AES-256, restreina o acesso apenas a pessoal autorizado, defina a retenção bruta de transcrições para 24 meses e registre a data de exclusão de cada transcrição de participante definida no plano de gerenciamentode dados 31.

Reconhecimento multimodal de emoções e microintervenções
Ative o módulo multimodal de reconhecimento emocional e registre as modalidades de entrada e as taxas de amostragem/atualização no registro de sessão da seguinte forma: vídeo facial a 30 quadros por segundo, áudio de voz a 16 kHz mono e fluxo de HRV atualizado a 1 Hz usando intervalos R–R derivados do ECG. Defina estresse elevado usando lógica de gatilho pré-especificada e registre os parâmetros exatos.
Gatilho HRV: O RMSSD fica pelo menos 1 desvio padrão dentro da linha de base dos participantes abaixo do RMSSD em repouso e permanece abaixo desse limite por pelo menos 60 segundos consecutivos durante a prática, calculado em uma janela móvel de 30 s atualizada a cada 1 s.
Gatilho de desempenho: a taxa de erro de execução excede a taxa média de erro do participante nas três sessões anteriores em pelo menos 20% durante uma janela contínua de pelo menos 60 s, onde a taxa de erro de execução é calculada em uma janela móvel de 20 notas atualizada a cada 5 notas.
Regra de confirmação multimodal: o gatilho requer ou apenas o gatilho da VFC ou o gatilho de desempenho mais pelo menos um sinal corroborador a partir de características faciais/voz, definido como diminuição da pontuação de valência facial em pelo menos 0,30 em relação ao nível base do participante durante a sessão por pelo menos 10 segundos consecutivos ou aumento do tremor de voz em pelo menos 15% em relação ao nível base dentro da sessão por pelo menos 10 segundos consecutivos, com referências calculadas a partir dos primeiros 2 minutos da sessão.

Especifique se a fusão multimodal é limiar baseado em regras ou um classificador treinado. Use limiares baseados em regras para esse protocolo e registre todos os limiares no arquivo de configuração32 da plataforma. Programe o sistema para pausar a prática quando o limiar de estresse for atingido e para acionar uma microintervenção selecionada de uma biblioteca pré-especificada. Registre o tipo de intervenção, horário de início, duração e status de conclusão no registro de sessões.
Respiração acelerada: 90 s roteirizado com uma cadência fixa de respiração de 6 respirações por minuto, entregue pelo temporizador na tela e pelo sinalde áudio 33.
Breve sinal de atenção plena: instrução de atenção guiada de 75 s com redação fixa, apresentada como texto na tela com narração em áudio.
Música de fundo para baixa excitação: reprodução em 90 s de uma faixa pré-especificada de baixa excitação com um alvo fixo de volume de 55–60 dB na posição de banco, com um identificador de faixa registrado como Track-LA-01 no registro de sessão.

Após a microintervenção, retome a passagem interrompida e reduza o tempo em 8% nos primeiros 60 segundos de reengajamento quando o gatilho foi baseado em HRV, e depois retorne ao tempo alvo se a taxa de erro de corrida voltar a estar dentro de 10% da média do participante nas três sessões anteriores por pelo menos 30 segundos consecutivos.
Controle de qualidade: registre o número de gatilhos, o número de microintervenções concluídas e o número de intervenções abortadas por sessão, e calcule uma razão de conformidade para cada participante como gatilhos concluídos dividida pelo total de gatilhos.

Valide o desempenho do gatilho resumindo eventos falso-positivos e falsos-negativos usando critérios pré-especificados.
Falso positivo: um gatilho ocorre quando o participante relata baixa ansiedade (≤10/2) no próximo prompt e a taxa de erro corrente permanece dentro de 10% da média do participante nas três sessões anteriores nos 60 s seguintes.
Falso negativo: o participante relata alta ansiedade (≥7/10) no próximo prompt durante um segmento sem gatilho, apesar de a taxa de erro de execução ter excedido a média do participante nas três sessões anteriores em pelo menos 20% por pelo menos 60 segundos ou apesar da VFC atender ao critério de gatilho da VFC.

Resuma as contagens e taxas de falsos positivos e falsos negativos por participante e por sessão na Tabela Suplementar 434. Relate o índice composto de carga cognitiva de forma descritiva na Tabela Suplementar 4.

Registro e adesão
Configure a plataforma para registrar todos os eventos e saídas de prática como registros estruturados vinculados a ID anonimizado, número de sessão e carimbo de data no formato ISO 8601. Os campos obrigatórios incluem barras direcionadas, contagens de loops, métricas de precisão, desvio de tempo, contagem de diálogos e duração total do diálogo em segundos, eventos de gatilho, tipo e duração de intervenção em segundos, e quaisquer overries manuais feitas pelos instrutores. Exporte resumos em nível de sessão às 20:00 de cada dia e armazene tanto os logs brutos quanto as tabelas resumidas em um servidor seguro com backups automatizados agendados uma vez ao dia às 02:00. Use uma convenção padronizada de nomes de arquivos para todas as exportações formatadas como StudyID_Group_ID_Session##_YYYYMMDD_HHMM e salve em formatos não proprietários da seguinte forma: CSV para logs, WAV para gravações de áudio, MP4 para gravações de vídeo e PDF para relatórios de sessão. Registre o caminho de exportação, arquivo de soma de verificação usando SHA-256 e confirmação de backup no log do estudo para suportar a rastreabilidade35.

Braço de controle: instrução tradicional
Agende doze sessões guiadas por professores de 30 minutos ao longo de 2 semanas para cada participante do braço de controle, igualando o tempo total de contato supervisionado do braçoexperimental 36. Use o mesmo repertório, conteúdo de ensino e instrutores do braço experimental para controlar os efeitos do professore do material 37. Conduza cada sessão usando a pedagogia padrão de estúdio, incluindo demonstração do professor, explicação verbal e exercícios direcionados no trecho. Atribua tarefas de prática doméstica usando instruções verbais ou escritas convencionais, sem prompts gerados por IA ou análises, e defina a tarefa doméstica como um bloco de 20 minutos de autoprática por dia, focado nos compassos 1–32. Oculte análises individualizadas, prompts automatizados, painéis e microintervenções dos participantes do Control. Forneça a cada participante do Controle um breve registro em papel ou eletrônico de prática e instrua a registrar a data e a duração aproximada da prática adicional não supervisionada em minutos. Colete os registros ao final da intervenção e insira o tempo total de prática não supervisionada do trecho alvo no banco de dados do estudo.

Via de feedback visual e autorregulação (braço experimental)
Ativem um sistema gráfico de feedback que ligue comportamento de prática, flutuações emocionais e carga fisiológica em um eixo de tempocompartilhado 38. Calcule mapas de calor emocionais com base em entradas multimodais, incluindo características de voz, tendências de VFC e anomalias no comportamento de desempenho, como picos de erro ou instabilidade de tempo39. Configure resumos diários para sinalizar pontos quentes definidos como qualquer intervalo de 30 s em que a taxa de erro esteja dentro dos 20% superiores daquela sessão e pelo menos um marcador de estresse esteja presente (gatilho HRV atingido ou confirmação multimodal), e registre pontos quentes sinalizados para sessõesseguintes 40. Gerar gráficos de tendência de HRV resumindo a potência RMSSD e HF para três épocas fixas por sessão: pré-prática (primeiros 60 s), meio do treino (minutos 3–4) e pós-treino (últimos 60 s), usando unidades consistentes e escalonamento por eixos entreos participantes 41. Identificar quedas marcantes na potência RMSSD ou HF definidas como uma queda de pelo menos 15% em relação à época pré-prática da sessão alinhada com um ponto quente sinalizado e tratar esses padrões como candidatos a intervenções guiadas pela plataforma; Registre se uma intervenção foi acionada econcluída 42.

Plote curvas de progresso para precisão de altura, precisão rítmica, completude musical e taxas de erro entre sessões usando médias em nível de sessão e faixas de confiança de 95% calculadas entre os participantes de cadagrupo 43. Sobrepor curvas desempenho-progresso com o mapa de calor emocional para apoiar a reflexão sobre o acoplamento emoção–desempenho e o controlemetacognitivo 44. Forneça painéis para o instrutor exibindo as mesmas informações em níveis individuais e de grupo, atualizando os painéis ao final de cada sessão dentro de 5 minutos após o término da sessão e destacando picos de ansiedade ou instabilidade de desempenho45. Use painéis para informar respostas pedagógicas personalizadas documentadas nas anotações do instrutor, incluindo redução temporária de tempo, exposição graduada a barras difíceis, incentivo verbal adicional ou um breve treinamento individual focado em pontos críticosidentificados 46.

Sessão pós-intervenção (pós-teste; final da Semana 3)
Agende a avaliação pós-intervenção ao final da Semana 3 e combine as condições de base o mais próximo possível, incluindo sala, equipamentos e horário do dia, dentro de ±2 horas do início da sessão inicial. Conecte o sensor de VFC e registre um segmento de VFC em repouso de 5 minutos, seguido por um segmento padronizado de VFC de prática de 5 minutos, usando a mesma posição, configurações de amostragem e regras de manejo de artefatos da linha de base, e use o mesmo alvo de tempo de 76 batidas por minuto e o alvo dinâmico mezzo-forte47.

Administrar o teste de conhecimento e análise (Formulário B) sob as mesmas condições e limite de tempo usado na linha de partida e registrar a pontuação total e o tempo de conclusão48. Administre o STAI-S e calcule a pontuação total (20–80) de acordo com a chavede pontuação 49. Grave uma performance áudio–vídeo pós-intervenção do trecho usando o mesmo microfone e configuração de câmera, instrumento e enquadramento que nalinha inicial 50. Administrar o questionário de carga cognitiva e registrar escores subscale para carga extraínseca, intrínseca erelevante 51.

Para o braço Experimental, conduza uma breve entrevista semiestruturada de 6 a 8 minutos sobre a usabilidade da plataforma e efeitos percebidos na regulação e aprendizagem da ansiedade, usando um guia fixo de entrevista e incentivosconsistentes 52. Gravar entrevistas em áudio com consentimento e transcrever palavra por palavra para análise qualitativa.

Análise estatística
Realize uma análise de potência a priori antes do recrutamento usando GPower (versão 3.1 ou posterior) e registre a família de testes como testes F e o teste estatístico como ANCOVA: Efeitos fixos, efeitos principais e interações. Especifique o modelo ANCOVA com dois grupos, escore de referência como covariável, α = 0,05, potência desejada = 0,80, e assuma um tamanho de efeito f = 0,30 para o resultado cognitivo primário com base na literatura anterior e nas restrições de viabilidade. Se o efeito assumido for expresso como η parcial2, converta para f de Cohen usando a conversão pré-especificada f = √(η2 / (1 − η2)) e registre o métodode cálculo 53.

Documente o tamanho da amostra necessário e confirme se n = 40 atinge ou se aproxima do alvo sob as suposições declaradas; Manter o arquivo de saída de análise de potência nos registros do estudo. Realize análises no SPSS 26.0 ou software equivalente e registre o nome/versão do software no log de análise. Resuma os resultados contínuos como média ± desvio padrão e as variáveis categóricas como contagens e percentagens.

Avalie a eficácia primária usando comparações entre grupos dos resultados pós-teste com a linha basal como covariável (ANCOVA) e relate médias ajustadas, intervalos de confiança η parciais2 e 95%54. Use testes t com amostras independentes para comparações entre grupos quando apropriado e testes t pareados para mudanças dentro do grupo; Aplicar alternativas não paramétricas quando suposições forem violadas. Verifique normalidade e homocedasticidade; Transformar as variáveis espectrais de HRV torcidas log-transformadas antes da análise e relatar detalhes da transformação.

Quando métodos robustos são usados, especifique o método exato e a justificativa. Relate valores p bilaterais com α = 0,05 e acompanhe testes de hipótese com tamanhos de efeito (d de Cohen, η parcial2) e intervalos de confiança de 95%. Realizar análises exploratórias no braço experimental examinando associações entre métricas de uso de plataforma (minutos totais de plataforma, contagem de microintervenções, índice de aderência) e desfechos cognitivos, afetivos e de VFC.

Qualidade e segurança dos dados
Inspecione sinais fisiológicos durante cada registro de VFC em busca de artefatos ou detecção instável de R–R usando exibição em tempo real. Repita qualquer segmento de HRV com baixa qualidade de sinal após ajustar a tensão da correia ou a colocação dos eletrodos, e repita quando a proporção de batimentos corrigidos ultrapassar 5,0% ou a perda contínua de sinal ultrapassar 5 s; Registre repetição e causa suspeita no registro de sessão. Calibre os níveis de áudio e as configurações do metrônomo no início de cada visita para evitar clipping e manter o volume comparável entre as gravações, mirando picos entre −12 dB e −6 dB.

Monitore os participantes para eventos adversos, fadiga excessiva ou desconforto relacionado à prática ou sensores e registre os eventos em um registro de segurança. Permita pausas adicionais ou encurta a sessão se o participante relatar fadiga, ansiedade ou desconforto excessivos, e registre modificações como desvios do protocolo. Registre todas as desviações do protocolo (sessões perdidas, registros incompletos da VFC, grandes desvios) e considere desvios nas análises de sensibilidade.

Tratamento de dados e cegueira
Atribua a cada participante um ID anonimizado único e use esse ID para rotular todas as gravações, questionários e arquivos de dados. Armazene todos os dados em drives controlados de acesso com backups automatizados regulares agendados uma vez por dia às 02:00, conforme as políticas institucionais de proteção de dados. Mantenha um arquivo de ligação separado mapeando IDs dos participantes a identificadores pessoais em um local criptografado acessível apenas a pessoal autorizado. Mantenha os avaliadores de desempenho cegos fornecendo clipes de áudio e vídeo anônimos e embaralhados no tempo, além de reter informações de alocação de grupos.

Finalize a rubrica de avaliação antes do início da avaliação e forneça instruções escritas e gravaçõesexemplares 55. Verifique novamente a confiabilidade entre avaliadores em um subconjunto piloto de 6 gravações antes da pontuação completa e confirme ICC ≥ 0,80.

Certifique-se de que, no mínimo, as seguintes especificações funcionais sejam reportadas: frequência de amostragem HRV = 1000 Hz, captura de vídeo facial = 30 quadros por segundo em resolução 1920 × 1080, captura de áudio por voz = 16 kHz mono e intervalo de atualização de telemetria da plataforma = 200 ms.

Tempo e adesão
Defina o limite de adesão por protocolo como a conclusão de pelo menos dez das doze sessões supervisionadas nas Semanas 2–3, com cada sessão concluída definida como uma sessão supervisionada com duração de pelo menos 27 minutos de participação ativa dentro do intervalo planejado de 30 minutos. Registre o número de sessões supervisionadas concluídas e o total de minutos supervisionados de cada participante em um registro de aderência, e calcule a observância dos minutos supervisionados como o total de minutos supervisionados dividido por 360 minutos planejados expressos em porcentagem. Registre o tempo adicional de prática autorrelatado a partir dos registros dos participantes e insira os totais no banco de dados como minutos por dia e minutos totais durante o período de intervenção de 2 semanas, e sinalize qualquer valor diário acima de 120 min para verificação.

Para o braço Experimental, registre o número, tipo, horário de início e duração das microintervenções desencadeadas pelo sistema por sessão a partir dos logs da plataforma, e calcule um índice de exposição à intervenção como a duração total da intervenção em segundos por sessão. Incluir todos os participantes randomizados em análises de intenção de tratar, e tratar os resultados pós-testes ausentes usando a última observação levada adiante para os resultados do questionário e análise completa de casos para registros de desempenho quando não for possível regravar; Registre a regra de manuseio no registro de análise. Realizar análises de sensibilidade restritas a participantes que atingem o limite por protocolo e, adicionalmente, realizar uma análise de sensibilidade excluindo sessões com desvios de protocolo classificados como maiores, definidos como um segmento de registro de HRV perdido ou uma sessão encurtada em mais de 5 minutos.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Efeitos na cognição da teoria musical
Como mostrado na Tabela 1, o grupo experimental (M = 72,45, DS = 6,83, n = 20) e o grupo Controle (M = 71,30, DS = 7,14, n = 20) não diferiram no pré-teste, t(38) = 0,625, p = 0,604, indicando a comparabilidade inicial para o principal ponto cognitivo. Após a intervenção, o ANCOVA, controlando as pontuações pré-teste, apresentou médias ajustadas pós-teste mais altas no grupo experimental do que no grupo controle (...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Este estudo randomizado avaliou uma plataforma de educação musical impulsionada por IA que integra análises personalizadas da prática, reconhecimento multimodal de emoções com microintervenções just-in-time e feedback baseado em visualização. Em relação à instrução tradicional, o braço experimental apresentou um ganho moderado a grande no desempenho em teoria musical e análise (η parcial2 = 0,206) e uma grande redução na ansiedade de estado (t = −3,486, p = 0,001; d ≈ 1,10), a...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

O autor declara não haver interesses financeiros concorrentes.

Agradecimentos

Agradecemos aos estudantes participantes e aos instrutores do estúdio pelo tempo e dedicação, e à equipe técnica do conservatório pela ajuda com a instrumentação e o agendamento das salas.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Plataforma de educação musical baseada em IA (build de pesquisa)Interno / InstitucionalID da build da plataforma: v2.1 (build 2025-01-15)Pontuação interativa + telemetria de prática + dashboards + motor de gatilho baseado em regras; intervalo de atualização de telemetria = 200 ms; logs de exportação como CSV.
Lenços umedecidos com álcool (preparação da pele)NA (qualquer fornecedor de serviços médicos)NAPara melhorar o contato eletrodo/correia e a estabilidade do sinal; Registre o lote, se houver.
Sensor ECG de faixa torácica (1000 Hz)Polar ElectroPolar H10; Parte nº 92075957R&ndash derivado do ECG; intervalos R; frequência de amostragem = 1000 Hz (conforme seu protocolo); Usado para segmentos de prática padronizada de 5 minutos de descanso + 5 minutos.
Questionário de Carga Cognitiva (Leppink, 10 itens)NA (fonte da publicação)NALikert de 7 pontos; calcular 3 subescalas; se traduzido: tradução&ntraço; retrotradução + piloto n=10; relatório Cronbach' s & alpha; por subescala.
Computador para operação e registro de plataformasNANAQualquer laptop/desktop moderno; gravar versão do sistema operacional; Garanta sincronização de tempo para os registros de data.
Armazenamento de dados (drive criptografado / servidor seguro)NANAControle de acesso; backups automatizados; Nomes do arquivo: " P###_TP(pré/pós)_MOD(…)_YYYYMMDD_HHMM"; Armazene Raw + Saídas Derivadas.
Gel eletrodo de ECG / gel condutor (opcional)NA (qualquer fornecedor de serviços médicos)NAUse se a qualidade do sinal for instável; Uso do documento sim/não no registro de sessão.
Microfone externo (se usar microfone + interface em vez de gravador)Audio-TechnicaAT2020Alternativa opcional ao gravador portátil; manter a distância do microfone 0,8 m; evitar clipping; Configurações de ganho do documento.
Software de processamento de HRVKubios (ou equivalente)NADeve suportar detecção + interpolação de artefatos, RMSSD/SDNN, HF Welch (0.15– 0,40 Hz) com janela 120-s, 50% de sobreposição, janela de Hamming, reamostragem de 4 Hz; Registre nome/versão do software utilizado.
MetrónomoKorgMA-2 BLBKUsado para padronizar o tempo de prática (76 bpm) e suportar o tempo consistente entre as sessões.
Gravador de áudio portátil (captura de voz)ZoomH1nGravar captura de áudio de voz em mono de 16 kHz (amostragem para baixo se gravada mais alta); armazenar como WAV; Mantenha a posição do microfone constante.
Software de análise de potênciaG*Power3.1 (ou posterior)Usado para análise de potência a priori; Registre as configurações da família/modelo de teste no arquivo de saída de análise de energia.
Serviço de modelo de linguagem grande (LLM) com parceiro de práticaProvedor institucional / Seguro de APILLM-PracticePartner v2.1 (build 2025-01-15)Tipo de endpoint: nuvem; autenticação baseada em token; armazenar apenas IDs anonimizados; Solicita/saída de log como texto criptografado.
Questionário: GAD-7NA (fonte licenciada/publicação)NAUse a versão validada da língua; pontuação por manual; guarde cópias em fichário de estudo; armazenar respostas por ID anonimizado.
Questionário: STAI-S (20 itens)NA (licenciado/publicador)NAUse a versão oficial/validada da língua; total 20– 80; se mostrar um subconjunto de 10 itens para figuras, regra de seleção de documentos + confiabilidade em Resultados.
Software de análise estatísticaIBMEstatísticas SPSS 26.0Usado para ANCOVA e testes t; Registre a versão exata/build no log de análise.
Tripé / suporte de câmeraManfrotto (ou equivalente)NAQualquer tripé estável é aceito; Fixe distância/altura entre sessões (por exemplo, distância de 1,8 m, altura de 1,4 m). Se você tiver um modelo confirmado, substitua o NA pelo seu laboratório. S.
Interface de áudio USB (se usar microfone + interface)FocusriteScarlett 2i2 (3ª Geração)Opcional; O registro de alvos atinge o pico entre e menos; 12 dB e − 6 dB durante passagens fortes (conforme seu texto do protocolo).
Câmera de vídeo (1080p, 30 fps)LogitechC920; Parte nº 960-001055Captura de vídeo facial = 1920 e vezes; 1080, 30 fps (conforme especificado no protocolo); Certifique-se de que nenhuma informação identificável seja exibida.
Piano digital de teclas pesadas (ou piano acústico)NANAAção ponderada de 88 teclas recomendada; Mantenha o mesmo instrumento em todas as sessões; Documente o tipo de instrumento e a ação da tecla.

Referências

  1. Eysenck, M. W., Derakshan, N., Santos, R., Calvo, M. G. Anxiety and cognitive performance: attentional control theory. Emotion. 7 (2), 336-353 (2007).
  2. Gómez-López, B., Sánchez-Cabrero, R. Current trends in music performance anxiety intervention. Behav Sci (Basel). 13 (9), 720(2023).
  3. Turan, B., Hurst-Wajszczuk, K., Edwards, D. A. Hormone and enzyme reactivity before, during, and after a music performance: Cortisol, testosterone, and alpha-amylase. Psychoneuroendocrinol. 9, 100111(2022).
  4. du Plooy, E., Casteleijn, D., Franzsen, D. Personalized adaptive learning in higher education: A scoping review of key characteristics and impact on academic performance and engagement. Heliyon. 10 (21), e39630(2024).
  5. Zhang, J., et al. Real-time mental stress detection using multimodality expressions with a deep learning framework. Neurosci. 16, 947168(2022).
  6. Laborde, S., Mosley, E., Thayer, J. F. Heart rate variability and cardiac vagal tone in psychophysiological research - recommendations for experiment planning, data analysis, and data reporting. Front Psychol. 8, 213(2017).
  7. Chung, A. H., Gevirtz, R. N., Gharbo, R. S., Thiam, M. A., Ginsberg, J. P. J. Pilot study on reducing symptoms of anxiety with a heart rate variability biofeedback wearable and remote stress management coach. Appl Psychophysiol Biofeedback. 46 (4), 347-358 (2021).
  8. Susnjak, T., Ramaswami, G. S., Mathrani, A. Learning analytics dashboard: a tool for providing actionable insights to learners. J Educ Technol High Educ. 19 (1), 12(2022).
  9. Paas, F., Renkl, A., Sweller, J. Cognitive load theory and instructional design: recent developments. Educ Psychol. 38 (1), 1-4 (2003).
  10. Hirten, R. P., et al. Remote short sessions of heart rate variability biofeedback monitored with wearable technology: open-label prospective feasibility study. JMIR Ment Health. 11, e55552(2024).
  11. Chan, A. W., et al. SPIRIT 2013 statement: defining standard protocol items for clinical trials. Ann Intern Med. 158 (3), 200-207 (2013).
  12. Schulz, K. F., Altman, D. G., Moher, D. CONSORT Group. CONSORT 2010 statement: updated guidelines for reporting parallel group randomised trials. Trials. 11, 32(2010).
  13. Plummer, F., Manea, L., Trepel, D., McMillan, D. Screening for anxiety disorders with the GAD-7 and GAD-2: a systematic review and diagnostic metaanalysis. Hosp Psychiatry. 39, 24-31 (2016).
  14. Spitzer, R. L., Kroenke, K., Williams, J. B., Löwe, B. A brief measure for assessing generalized anxiety disorder: the GAD-7. Arch Intern Med. 166 (10), 1092-1097 (2006).
  15. Ernst, G. Hidden signals-the history and methods of heart rate variability. Front Public Health. 5, 265(2017).
  16. Schulz, K. F., Grimes, D. A. Generation of allocation sequences in randomised trials: chance, not choice. The Lancet. 359 (9305), 515-519 (2002).
  17. Park, J., et al. Piano performance evaluation dataset with multilevel perceptual features. Sci Rep. 14, 23002(2024).
  18. Ali, U. S., van Rijn, P. W. An evaluation of different statistical targets for assembling parallel forms in item response theory. Appl Psychol Meas. 40 (3), 163-179 (2016).
  19. Koo, T. K., Li, M. Y. A guideline of selecting and reporting intraclass correlation coefficients for reliability research. J Chiropr Med. 15 (2), 155-163 (2016).
  20. Julian, L. J. Measures of anxiety: State-Trait Anxiety Inventory (STAI), Beck Anxiety Inventory (BAI), and Hospital Anxiety and Depression Scale-Anxiety (HADS-A). Arthritis Care Res (Hoboken). 63 (Suppl 11), S467-S472 (2011).
  21. Gagnier, J. J., Lai, J., Mokkink, L. B., Terwee, C. B. COSMIN reporting guideline for studies on measurement properties of patient-reported outcome measures. Qual Life Res. 30 (8), 2197-2218 (2021).
  22. Damoun, N., Amekran, Y., Taiek, N., Hangouche, A. J. E. Heart rate variability measurement and influencing factors: Towards the standardization of methodology. Cardiol Sci Pract. 2024 (4), e202435(2024).
  23. Quintana, D. S., Alvares, G. A., Heathers, J. A. Guidelines for reporting articles on psychiatry and heart rate variability (GRAPH): recommendations to advance research communication. Transl Psychiatry. 6 (5), e803(2016).
  24. Shaffer, F., Ginsberg, J. P. An overview of heart rate variability metrics and norms. Front Public Health. 5, 258(2017).
  25. Leppink, J., Paas, F., Van der Vleuten, C. P., Van Gog, T., Van Merriënboer, J. J. Development of an instrument for measuring different types of cognitive load. Behav Res Methods. 45 (4), 1058-1072 (2013).
  26. Beaton, D. E., Bombardier, C., Guillemin, F., Ferraz, M. B. Guidelines for the process of cross-cultural adaptation of self-report measures. Spine (Phila Pa 1976). 25 (24), 3186-3191 (2000).
  27. Tavakol, M., Dennick, R. Making sense of Cronbach's alpha. J Med Educ. 2, 53(2011).
  28. Wilkinson, M. D., et al. The FAIR guiding principles for scientific data management and stewardship. Sci Data. 3 (1), 1-9 (2016).
  29. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Heart rate variability: standards of measurement, physiological interpretation, and clinical use. Circulation. 93 (5), 1043-1065 (1996).
  30. Chan, A. W., et al. SPIRIT 2013 explanation and elaboration: guidance for protocols of clinical trials. BMJ. 346, e7586(2013).
  31. Scarfone, K., Souppaya, M., Sexton, M. Guide to storage encryption technologies for end user devices. NIST Special Publication. , 800-111 (2007).
  32. Lian, H., et al. A survey of deep learning-based multimodal emotion recognition: speech, text, and face. Entropy (Basel). 25 (10), 1440(2023).
  33. Steffen, P. R., Austin, T., DeBarros, A., Brown, T. The impact of resonance frequency breathing on measures of heart rate variability, blood pressure, and mood. Front Public Health. 5, 222(2017).
  34. Cohen, J. F., et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 6 (11), e012799(2016).
  35. National Institute of Standards and Technology. FIPS 180-4: Secure hash standard (SHS). NIST. , (2015).
  36. Hoffmann, T. C., et al. Better reporting of interventions: template for intervention description and replication (TIDieR) checklist and guide. BMJ. 348, g1687(2014).
  37. Eldridge, S. M., et al. CONSORT 2010 statement: extension to randomised pilot and feasibility trials. BMJ. 355, i5239(2016).
  38. Sokolovskis, J., Herremans, D., Chew, E. A novel interface for the graphical analysis of music practice behaviors. Front Psychol. 9, 2292(2018).
  39. Wu, Y., Mi, Q., Gao, T. A comprehensive review of multimodal emotion recognition: techniques, challenges, and future directions. Biomimetics (Basel). 10 (7), 418(2025).
  40. Nahum-Shani, I., et al. Just-in-time adaptive interventions (JITAIs) in mobile health: key components and design principles for ongoing health behavior support. Ann Behav Med. 52 (6), 446-462 (2018).
  41. Burma, J. S., et al. The validity and reliability of ultra-short-term heart rate variability parameters and the influence of physiological covariates. J Appl Physiol. 130 (6), 1848-1867 (2021).
  42. Nunan, D., Sandercock, G. R., Brodie, D. A. A quantitative systematic review of normal values for short-term heart rate variability in healthy adults. Pacing Clin Electrophysiol. 33 (11), 1407-1417 (2010).
  43. Cumming, G. Understanding the new statistics: effect sizes, confidence intervals, and meta-analysis. , Routledge. New York, NY. (2013).
  44. Ou, J., Nogueira, J., Qin, C. Exploring the impact of AI-assisted practice applications on music learners’ performance, self-efficacy, and self-regulated learning. Front Psychol. 16, 1675762(2025).
  45. Hunter, J. F., et al. Effect of brief biofeedback via a smartphone app on stress recovery: randomized experimental study. JMIR Serious Games. 7 (4), e15974(2019).
  46. Kaliisa, R., Dolonen, J. A. CADA: a teacher-facing learning analytics dashboard to foster teachers’ awareness of students’ participation and discourse patterns in online discussions. Technol Knowl Learn. 28, 937-958 (2022).
  47. Lipponen, J. A., Tarvainen, M. P. A robust algorithm for heart rate variability time series artefact correction using novel beat classification. J Med Eng Technol. 43 (3), 173-181 (2019).
  48. Chan, A. W., et al. SPIRIT 2025 statement: updated guideline for protocols of randomised trials. The Lancet. 405 (10491), e19-e27 (2025).
  49. Zigmond, A. S., Snaith, R. P. The hospital anxiety and depression scale. Acta Psychiatr Scand. 67 (6), 361-370 (1983).
  50. Boutron, I., et al. CONSORT statement for randomized trials of nonpharmacologic treatments: a 2017 update and a CONSORT extension for nonpharmacologic trial abstracts. Ann Intern Med. 167 (1), 40-47 (2017).
  51. Paas, F. G. W. C. Training strategies for attaining transfer of problem-solving skill in statistics: a cognitive-load approach. J Educ Psychol. 84 (4), 429(1992).
  52. Kallio, H., Pietilä, A. -M., Johnson, M., Kangasniemi, M. Systematic methodological review: developing a framework for a qualitative semi-structured interview guide. J Adv Nurs. 72 (12), 2954-2965 (2016).
  53. Kim, H. Y. Statistical notes for clinical researchers: sample size calculation 3. Comparison of several means using one-way ANOVA. Restor Dent Endod. 41 (3), 231-234 (2016).
  54. Vickers, A. J., Altman, D. G. Statistics notes: analysing controlled trials with baseline and follow up measurements. BMJ. 323 (7321), 1123-1124 (2001).
  55. Robertson, R. L., Vergis, A., Gillman, L. M., Park, J. Effect of rater training on the reliability of technical skill assessments: a randomized controlled trial. Can J Surg. 61 (6), 405-411 (2018).
  56. Van Merrienboer, J. J. G., Sweller, J. Cognitive load theory and complex learning: recent developments and future directions. Edu Psychol Rev. 17 (2), 147-177 (2005).
  57. Bentley, T. G. K., et al. Breathing practices for stress and anxiety reduction: conceptual framework of implementation guidelines based on a systematic review of the published literature. Brain Sci. 13 (12), 1612(2023).
  58. Panadero, E. A review of self-regulated learning: six models and four directions for research. Front Psychol. 8, 422(2017).
  59. NIST Privacy Framework: A Tool for Improving Privacy through Enterprise Risk Management, Version 1.0. NIST. , National Institute of Standards and Technology. (2020).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Pedagogia MusicalEstudo Controlado AleatorizadoRegula o da AnsiedadeTeste de Teoria MusicalAnsiedade Estado Tra oMedi o de VFCCarga Cognitiva

Artigos relacionados