Este estudo propõe um framework inteligente baseado em grafos com currículo emocional para o ensino visual impulsionado por IA na educação musical universitária. Utilizando um conjunto de dados baseado em simulação, o framework modela a aquisição de conhecimento, as dinâmicas emocionais e o engajamento. Os resultados indicam maior eficiência no aprendizado e redução do estresse em comparação com modelos convencionais, demonstrando o potencial para sistemas educacionais adaptativos e atentos à saúde mental.
Artigo de investigação
Avaliação Baseada em Simulação do Design de Ensino Visual Integrado por Inteligência Artificial para a Promoção da Saúde Mental em Disciplinas de Música no Ensino Superior
Neste artigo
Resumo
Resumo
O design do ensino visual na educação musical universitária tem atraído crescente atenção devido ao seu potencial para aumentar o engajamento dos estudantes e promover o bem-estar mental. No entanto, as abordagens instrucionais convencionais frequentemente carecem da adaptabilidade necessária para responder aos estados cognitivos e emocionais em evolução dos alunos, limitando sua eficácia no apoio tanto à realização acadêmica quanto ao equilíbrio psicológico. O objetivo principal deste estudo baseado em simulação é desenvolver e avaliar um framework impulsionado por inteligência artificial que integre estratégias de ensino visual com modelagem emocional baseada em grafos para otimizar os resultados de aprendizagem em cursos universitários de música. É proposto um novo framework de inteligência curricular emocional baseado em grafos (GECIF), que representa o ambiente de aprendizagem como um grafo interconectado de nós de conhecimento, atividade e emoção. O framework incorpora aprendizado representacional baseado em grafos, modelagem dinâmica de estados e mecanismos de aprendizagem adaptativa para simular a evolução da aquisição de conhecimento, engajamento, estabilidade emocional e estresse ao longo do tempo. Um conjunto de dados sintético composto por registros de interação, indicadores emocionais e variáveis de desempenho acadêmico foi gerado por meio de um pipeline de simulação controlado no MATLAB para garantir a reprodutibilidade. O GECIF foi avaliado em comparação com um modelo de referência convencional não adaptativo sob condições experimentais idênticas ao longo de etapas de simulação normalizadas. O desempenho foi avaliado utilizando métricas de simulação normalizadas, incluindo ganho de conhecimento, estabilidade emocional, redução de estresse, nível de engajamento e robustez. O framework proposto superou consistentemente o modelo de referência, demonstrando maior aquisição simulada de conhecimento, melhor regulação emocional, maior engajamento, redução do estresse simulado e maior robustez. A análise estatística baseada em valores médios, desvios padrão e intervalos de confiança de 95% confirmou melhorias consistentes em todas as métricas de avaliação. Esses resultados demonstram o potencial de estratégias de ensino visual com inteligência artificial e sensíveis às emoções para a educação musical adaptativa, ao mesmo tempo que fornecem um framework computacional escalável e reprodutível para apoiar pesquisas futuras em sistemas educacionais inteligentes.
Introdução
A integração da inteligência artificial (AI) em sistemas educacionais transformou significativamente os paradigmas tradicionais de ensino, permitindo experiências de aprendizagem mais adaptativas, personalizadas e orientadas por dados1,2,3. Nos últimos anos, o design visual do ensino emergiu como uma abordagem pedagógica eficaz, especialmente em disciplinas como a educação musical, onde conceitos abstratos, expressão emocional e compreensão perceptiva desempenham um papel central4,5,6,7. Representações visuais, incluindo interfaces gráficas, simulações interativas e elementos multimídia, facilitam um processamento cognitivo mais profundo e aumentam o engajamento dos alunos8,9,10,11. No entanto, apesar desses avanços, os métodos visuais de ensino existentes frequentemente permanecem estáticos e carecem da capacidade de responder dinamicamente aos estados cognitivos e emocionais em evolução dos alunos12,13,14. A educação musical, especialmente no nível universitário, apresenta desafios únicos devido à sua natureza inerentemente multidimensional15,16,17. Os resultados de aprendizagem são influenciados não apenas pela compreensão cognitiva da teoria musical e das técnicas de execução, mas também por fatores emocionais como motivação, estresse, engajamento e bem-estar psicológico18. Estudos anteriores destacaram a forte relação entre estados emocionais e eficácia da aprendizagem, indicando que estudantes que experimentam altos níveis de estresse ou baixo engajamento tendem a apresentar desempenho acadêmico reduzido19,20,21. Embora diversos sistemas educacionais baseados em IA tenham sido propostos para aprimorar a personalização do ensino, a maioria deles concentra-se principalmente em métricas de desempenho cognitivo e negligencia o papel fundamental da dinâmica emocional na formação do processo de aprendizagem22.
Desenvolvimentos recentes em sistemas inteligentes de aprendizagem introduziram representações baseadas em grafos e técnicas de aprendizado profundo para modelar relações complexas entre componentes educacionais23,24,25. Estruturas de aprendizagem baseadas em grafos, incluindo redes neurais em grafos (GNNs), demonstraram grande capacidade em capturar dependências estruturais entre elementos de conhecimento, interações do aluno e fatores contextuais26. Além disso, a computação com percepção emocional ganhou destaque por sua capacidade de incorporar sinais psicológicos em ambientes adaptativos de aprendizagem27. No entanto, a integração dessas abordagens em uma estrutura unificada para o ensino de música permanece limitada28,29,30. Os trabalhos existentes frequentemente tratam as variáveis emocionais como características auxiliares, e não como componentes centrais, e raramente oferecem mecanismos para adaptação contínua com base na interação entre cognição e emoção31.
Além disso, a aplicação de IA na educação com foco em saúde mental tem se baseado predominantemente em dados empíricos ou baseados em sensores coletados de participantes reais32. No entanto, tais abordagens exigem amplas aprovações éticas, instrumentos padronizados de medição e condições experimentais controladas, o que nem sempre é viável em pesquisas de fase inicial33. Como resultado, metodologias baseadas em simulação surgiram como uma alternativa para explorar dinâmicas educacionais complexas de maneira controlada e reprodutível34. Ao gerar conjuntos de dados sintéticos que imitam registros de interação, indicadores emocionais e métricas de desempenho de aprendizagem, os pesquisadores podem avaliar o comportamento dos modelos propostos em diversos cenários, mantendo controle total sobre parâmetros e suposições do sistema35.
Apesar desses avanços, várias lacunas de pesquisa ainda permanecem36. Primeiro, há uma falta de estruturas unificadas que modelam simultaneamente a aquisição de conhecimento, a evolução emocional e o engajamento no aprendizado dentro de uma representação estruturada37. Segundo, os sistemas visuais de ensino atuais não aproveitam efetivamente a inteligência baseada em grafos para capturar as interdependências entre conceitos musicais, atividades de aprendizagem e estados psicológicos38. Terceiro, pouca atenção tem sido dada ao desenvolvimento de pipelines de simulação escaláveis e reproduzíveis que permitam a avaliação sistemática de modelos educacionais orientados por IA39,40,41. Por fim, as abordagens existentes frequentemente não conseguem fornecer uma visão holística do aprendizado que integre tanto as dimensões cognitivas quanto emocionais de maneira dinamicamente adaptativa42.
Para enfrentar esses desafios, este estudo propõe um framework inteligente curricular emocional baseado em grafos (GECIF) para o design de ensino visual orientado por IA na educação musical universitária. Tabela 1 fornece definições essenciais para componentes de grafos, estados de nós e parâmetros do modelo. Esta tabela garante que a metodologia seja clara e reproduzível. O framework proposto modela o ambiente educacional como um grafo interconectado composto por nós de conhecimento, nós de atividade e nós emocionais, permitindo uma representação abrangente da dinâmica de aprendizagem. Um conjunto de dados baseado em simulação é gerado por meio de um pipeline computacional controlado que inclui registros de interação, indicadores emocionais e métricas de desempenho, assegurando reprodutibilidade e escalabilidade. O framework incorpora mecanismos de aprendizagem adaptativa, modelagem de estados emocionais e otimização baseada em grafos para simular a evolução dos resultados de aprendizagem e das condições psicológicas ao longo do tempo. Uma avaliação comparativa com um modelo de aprendizagem convencional é realizada utilizando múltiplas métricas de desempenho, incluindo ganho de conhecimento, estabilidade emocional, redução de estresse, engajamento e robustez.
O principal objetivo deste estudo é desenvolver e avaliar um framework visual de ensino baseado em simulação e impulsionado por inteligência artificial, que integre modelagem baseada em grafos e inteligência emocional para aprimorar a eficiência da aprendizagem e apoiar a educação com atenção à saúde mental em cursos universitários de música.
Protocolo
Este estudo é uma investigação baseada em computação e simulação que não envolve participantes humanos, dados clínicos ou informações pessoais. Todos os dados utilizados nesta pesquisa foram gerados sinteticamente por meio de processos de simulação controlados. Por isso, não foi necessária aprovação ética por um comitê de ética nem consentimento informado. O estudo segue as diretrizes padrão para pesquisas computacionais e garante total reprodutibilidade e transparência da metodologia.
Enquadramento teórico e justificativa
A proposta de estrutura de inteligência curricular emocional baseada em grafos (GECIF) fundamenta-se na integração da inteligência artificial, da aprendizagem baseada em grafos, da computação emocional e da pedagogia visual, com o objetivo de modelar a aprendizagem como um processo dinâmico e multidimensional que capta simultaneamente o desenvolvimento cognitivo, a evolução emocional e o engajamento comportamental. As abordagens instrucionais tradicionais frequentemente assumem uma progressão linear na aquisição de conhecimento e não refletem adequadamente as interações complexas entre desempenho cognitivo e estados psicológicos. Essa limitação é particularmente crítica na educação musical universitária, onde a expressão emocional, a motivação e a criatividade estão indissociavelmente ligadas à aprendizagem técnica e teórica. Nesse contexto, a estrutura conceitua o processo educacional como um sistema interconectado no qual elementos de conhecimento, atividades de aprendizagem e estados emocionais influenciam-se mutuamente de forma contínua. A modelagem baseada em grafos permite uma representação estruturada e escalável dessas relações, possibilitando captar eficazmente dependências diretas e indiretas. As dinâmicas emocionais são incorporadas como componentes intrínsecos, e não como variáveis auxiliares, permitindo simular como as condições psicológicas evoluem e se propagam durante o processo de aprendizagem. A integração do design de ensino visual potencializa ainda mais a interpretabilidade, transformando interações computacionais abstratas em representações gráficas intuitivas.
Metodologia e desenho do estudo de simulação
Este estudo adota um delineamento baseado em simulação computacional, no qual não há participação de seres humanos, e todos os dados são gerados sinteticamente por meio de um pipeline controlado e reprodutível. Os resultados relatados, portanto, representam avaliações baseadas em modelos, e não observações empíricas derivadas de aprendizes reais. Melhorias no desempenho de aprendizagem, engajamento, estabilidade emocional e redução do estresse são interpretadas como efeitos simulados ou potenciais do framework proposto. O ambiente de simulação aproxima-se de condições reais de aprendizagem ao incorporar dependências temporais, variabilidade nos padrões de interação e estados emocionais em evolução. Uma configuração experimental comparativa é implementada, na qual o framework proposto GECIF é avaliado frente a um modelo de referência convencional que representa um sistema de aprendizagem não adaptativo, no qual o conhecimento evolui exclusivamente com base na intensidade da interação, sem representação baseada em grafos, modelagem emocional ou otimização do currículo. Ambos os modelos são executados sob condições idênticas de simulação para garantir uma comparação consistente e imparcial.
Geração e estrutura do conjunto de dados
Um conjunto de dados em larga escala foi construído para simular dinâmicas de aprendizagem na educação musical universitária, integrando registros de interação, indicadores emocionais e métricas de desempenho acadêmico em um quadro temporal unificado. O conjunto de dados foi derivado e expandido a partir do conjunto de dados de desempenho de estudantes de acesso público (Repositório de Aprendizado de Máquina UCI), que fornece dados de desempenho acadêmico juntamente com atributos demográficos e comportamentais. Esse conjunto de dados serviu como referência fundamental para modelar padrões de aprendizagem realistas. Os registros de interação representam o engajamento simulado em atividades de aprendizagem, como sessões de prática, exercícios auditivos e tarefas de aprendizagem visual. Os indicadores emocionais capturam estados psicológicos, incluindo estresse, engajamento e motivação, enquanto o desempenho na aprendizagem reflete a aquisição de conhecimento e o progresso ao longo do tempo. Para enriquecer o conjunto de dados e incorporar dependências temporais, foi empregado um pipeline de simulação baseado em MATLAB com inicialização de semente aleatória fixa para garantir reprodutibilidade. A continuidade temporal foi introduzida por meio de processos autorregressivos, permitindo que o comportamento de interação e os estados emocionais evoluíssem gradualmente ao longo do tempo. O conjunto de dados final inclui mil alunos simulados observados ao longo de quinhentos passos temporais, com múltiplas características de interação representando comportamentos diversos de aprendizagem. Todas as variáveis são normalizadas dentro do intervalo [0,1] para garantir consistência e comparabilidade. O conjunto de dados é dividido em subconjuntos de treinamento, validação e teste usando uma divisão de 70%–15%–15% para assegurar avaliação imparcial do modelo.
Construção e representação de grafos
O ambiente de aprendizagem é modelado como um grafo ponderado definido como:
G = (V,E,W) (1)
onde denota o conjunto de nós, representa o conjunto de arestas, e é a matriz de adjacência ponderada que descreve a intensidade das relações entre os nós. O conjunto de nós é decomposto como:
V = Vk∪Va∪Ve (2)
em que Vk, Va e Ve correspondem aos nós de conhecimento, nós de atividade e nós emocionais, respectivamente. Os pesos das arestas são calculados como:
Wij = α Sc(i,j) + βSe(i,j) (3)
em que Sc(i,j) representa a similaridade cognitiva entre os nós, Se(i,j) representa a correlação emocional, e α e β são coeficientes de ponderação que controlam sua influência relativa. A Equação (3) define como as relações estruturais e emocionais determinam conjuntamente a conectividade do grafo.
Representação do estado do nó e aprendizado em grafos
Cada nó está associado a um vetor de estado dinâmico definido como:
xi(t) = [ki(t),ei(t),ai(t)] (4)
onde ki(t), ei(t) e ai(t) denotam o nível de conhecimento, estado emocional e nível de engajamento no tempo t, respectivamente. As representações dos nós são atualizadas utilizando agregação baseada em grafos:
(5)
em que 
é a incorporação do nó i na camada l, σ é uma função de ativação não linear e N(i) denota o conjunto de nós vizinhos. A Equação (5) descreve como cada nó integra informações de seus vizinhos. Um mecanismo de atenção é ainda introduzido:
(6)
em que αij é o coeficiente de atenção e ∅(·) é uma função de similaridade. A Equação (6) permite a ponderação adaptativa das contribuições dos nós vizinhos.
Modelagem da dinâmica emocional
A evolução temporal dos estados emocionais é modelada como:
(7)
onde γ é o coeficiente de retenção emocional. A Equação (7) descreve tanto a persistência quanto a propagação da influência emocional. A estabilidade emocional é quantificada como:
(8)
onde E+(t) e E-(t) denotam componentes emocionais positivos e negativos, e 
é uma constante pequena que evita a divisão por zero. O acúmulo de estresse é definido como:
(9)
onde λ(τ) representa a intensidade de tensão instantânea. A Equação (9) modela a tensão acumulada ao longo do tempo.
Otimização da aprendizagem e design de currículo adaptativo
O processo de aprendizagem é regido por uma função de otimização multiobjetivo:
J = λ1K + λ2K - λ3S (10)
em que K denota o ganho de conhecimento, E denota a estabilidade emocional e S denota o nível de estresse, enquanto λ1, λ2, λ3 são coeficientes de ponderação. A Equação (10) equilibra objetivos cognitivos e emocionais. A reconfiguração adaptativa do currículo é definida como:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
em que η é a taxa de aprendizado e Δij(t) representa os ajustes de atualização impulsionados pela dinâmica de aprendizado. A Equação (11) permite que a estrutura do grafo evolua ao longo do tempo.
Escala temporal e duração da simulação
Todas as simulações são conduzidas usando passos de tempo normalizados em vez de unidades de tempo reais. Intervalos curtos correspondem a passos de simulação escalonados que representam a evolução do sistema, enquanto simulações prolongadas por mais de quinhentos passos são utilizadas para avaliar o comportamento de longo prazo, convergência e robustez.
Métricas de avaliação e análise estatística
A estrutura é avaliada utilizando métricas normalizadas, incluindo ganho de conhecimento, estabilidade emocional, nível de estresse, nível de engajamento e robustez. A análise estatística é realizada usando funções estatísticas do MATLAB, com valores médios, desvios padrão e intervalos de confiança de 95% calculados para cada métrica. As suposições de normalidade são verificadas antes da aplicação de testes t pareados. A avaliação comparativa entre a estrutura proposta e o modelo de referência é realizada em n = 1000 alunos simulados, sendo a significância estatística definida como p < 0,05.
Reprodutibilidade e detalhes de implementação
Todas as simulações, pipelines de processamento de dados e procedimentos de avaliação são totalmente reproduzíveis. O processo de geração do conjunto de dados, os parâmetros de construção do grafo, as configurações do modelo e as definições de otimização são explicitamente definidos. A inicialização da semente aleatória é fixada para garantir saídas consistentes em execuções repetidas. Todos os hiperparâmetros, scripts e descrições dos conjuntos de dados estão fornecidos nos materiais suplementares, permitindo a réplica completa do estudo utilizando MATLAB ou ferramentas computacionais equivalentes.
Todas as simulações, pipelines de processamento de dados e scripts de avaliação estão disponíveis no Arquivo Suplementar 1. O conjunto de dados inclui registros brutos de interação, indicadores emocionais e métricas de desempenho de aprendizagem. Os parâmetros de construção do grafo e as configurações de otimização são totalmente documentados. O sistema pode ser reproduzido utilizando estruturas padrão de aprendizado de máquina. A inicialização da semente aleatória é fixa para garantir consistência. Todos os hiperparâmetros são relatados explicitamente. O protocolo assegura transparência e reprodutibilidade completas.
Resultados
O desempenho do framework proposto de inteligência curricular emocional baseado em grafos (GECIF) foi avaliado utilizando um conjunto de dados baseado em simulação, composto por n = 1000 alunos ao longo de T = 500 etapas de tempo normalizadas. Figura 1 ilustra a arquitetura conceitual do GECIF para educação musical visual orientada por IA e promoção da saúde mental. Todas as métricas são apresentadas em escalas normalizadas dentro do intervalo [0,1]. A avaliação estatística inclui valores médios, desvios padrão (DP) e intervalos de confiança de 95% (IC), com significância avaliada por meio de testes t pareados (p < 0,05). Todas as comparações são calculadas ao longo de toda a população simulada. Figura 2 ilustra a dinâmica de treinamento e o comportamento de aquisição de conhecimento do framework proposto em comparação com o modelo de referência. O framework GECIF alcança um ganho de conhecimento de 0,88 ± 0,04 (IC 95%: 0,84–0,92), enquanto o modelo de referência alcança 0,65 ± 0,06 (IC 95%: 0,59–0,71), com diferença estatisticamente significativa (p < 0,001). A curva de aprendizagem mostra uma taxa de crescimento mais acentuada e convergência estável, sem comportamento oscilatório.
Figura 3 apresenta a evolução temporal da estabilidade emocional. O modelo proposto alcança um Índice de Estabilidade Emocional de 0,92 ± 0,03, comparado a 0,70 ± 0,05 no modelo de referência (p < 0,01). A variabilidade é reduzida, com valores menores de desvio padrão observados ao longo do tempo. Figura 4 mostra a dinâmica do estresse ao longo do tempo. O modelo proposto mantém um nível de estresse mais baixo de 0,15 ± 0,05, comparado a 0,45 ± 0,07 no modelo de referência (p < 0,001). A taxa de acumulação permanece consistentemente menor ao longo da duração da simulação. Figura 5 apresenta a distribuição do desempenho de aprendizagem entre os aprendizes. O modelo proposto mostra uma distribuição centrada em valores mais altos com dispersão reduzida em comparação ao modelo de referência, indicando menor variância nos resultados. Figura 6 ilustra a evolução dos embeddings dos nós dentro do grafo. As representações de características exibem transições contínuas ao longo das iterações, sem mudanças bruscas observadas, indicando atualizações estáveis. Figura 7 mostra a intensidade da interação entre os nós de conhecimento, atividade e emocional. O mapa de calor revela correlações estatisticamente significativas (p < 0,05) entre as categorias de nós, com magnitudes variáveis de interação.
Figura 8 apresenta a relação entre o ganho de conhecimento normalizado e a estabilidade emocional ao longo do processo simulado de aprendizagem. O framework GECIF proposto demonstra uma forte correlação positiva entre as duas variáveis (r = 0,82), em comparação com uma correlação positiva moderada observada no modelo de linha de base convencional (r = 0,65). Ambas as correlações foram estatisticamente significativas (p < 0,05), indicando que as melhorias na aquisição de conhecimento são acompanhadas por uma estabilidade emocional aprimorada, refletindo, assim, a integração equilibrada do desenvolvimento cognitivo e da regulação emocional alcançada pela estrutura proposta. Figura 9 mostra a contribuição combinada dos componentes cognitivo e emocional ao longo do tempo. Os valores cognitivos aumentam progressivamente, enquanto a variabilidade emocional diminui, com tendências consistentes observadas em todas as etapas da simulação. Figura 10 compara as distribuições de ganho de conhecimento obtidas pela estrutura GECIF proposta e pela linha de base convencional, utilizando gráficos de caixa (box-and-whisker). A estrutura proposta obteve um ganho médio de conhecimento significativamente maior (9,87 ± 3,46) do que o modelo convencional (6,90 ± 2,88), com amostras independentes t-teste confirmando uma diferença estatisticamente significativa (p < 0,0001; de Cohen d = 1,43). Embora o framework GECIF tenha exibido maior variabilidade, refletida em seu desvio padrão e amplitude interquartílica maiores, toda a distribuição foi deslocada para valores mais altos de ganho de conhecimento, indicando que a dispersão aumentada acompanha um desempenho geral melhorado, e não uma estabilidade reduzida. Esses resultados demonstram que o framework proposto mantém um desempenho robusto de aprendizagem, ao mesmo tempo que acomoda efetivamente respostas diversas de aprendizes simulados. Figura 11 apresenta a dinâmica do engajamento ao longo do tempo. O framework proposto alcança um nível de engajamento de 0,90 ± 0,04, comparado a 0,68 ± 0,06 para o modelo de linha de base (p < 0,01), com variabilidade reduzida. Figura 12 mostra comportamento de engajamento em forma cíclica. A amplitude das flutuações é menor na estrutura proposta, indicando variabilidade reduzida em comparação com a linha de base.
Figura 13 ilustra a intensidade da característica espacial ao longo do grafo. A distribuição das características mostra variação contínua com picos e vales identificáveis, indicando padrões heterogêneos de ativação. Figura 14 apresenta o fluxo direcional da transferência de conhecimento. O campo vetorial mostra padrões de propagação organizados, com regiões de convergência correspondendo a maior acúmulo de valores. Figura 15 mostra a evolução da topologia do grafo ao longo do tempo. As atualizações estruturais ocorrem gradualmente, com transições suaves nos valores das características ao longo das iterações. Figura 16 apresenta a análise de interdependência entre características. O mapa de calor de correlação indica relações de moderadas a fortes entre as características, sem redundância dominante observada. Figura 17 ilustra a contribuição de características multidimensionais. Os níveis de contribuição variam entre os nós, indicando padrões heterogêneos de influência. Figura 18 mostra a evolução conjunta do conhecimento e dos estados emocionais. Os valores de conhecimento aumentam de forma constante, enquanto a variabilidade emocional diminui ao longo do tempo, com tendências consistentes ao longo de todo o período de simulação. Um resumo quantitativo desses resultados é fornecido na Tabela 2, onde todas as métricas, incluindo ganho de conhecimento, estabilidade emocional, nível de estresse, engajamento e robustez, são relatadas com medidas estatísticas. Os resultados mostram diferenças consistentes entre o framework proposto e o modelo de referência em todas as métricas avaliadas. A análise estatística confirma que essas diferenças são significativas na população simulada. No geral, os resultados da simulação demonstram consistentemente que o framework GECIF proposto supera o modelo de referência convencional em todas as métricas de desempenho normalizadas avaliadas. Esses achados apoiam o objetivo e a hipótese do estudo de que a integração da inteligência emocional baseada em grafos com o ensino visual impulsionado por IA pode melhorar o desempenho simulado de aprendizagem, a estabilidade emocional, o engajamento e o gerenciamento de estresse dentro de um ambiente computacional reproduzível.
DISPONIBILIDADE DE DADOS:
Todos os dados e procedimentos computacionais utilizados neste estudo são totalmente reprodutíveis e de acesso aberto. O código completo para a geração do conjunto de dados, juntamente com representações estruturadas dos dados, está fornecido no Arquivo Suplementar 1.
Figura 1: Arquitetura conceitual do framework de inteligência curricular emocional baseado em grafos (GECIF) para educação musical visual orientada por IA e promoção da saúde mental. Esta figura apresenta a estrutura completa do sistema, incluindo a construção do grafo conhecimento–emoção, análise por rede neural de grafos, otimização de caminhos emocionais, reconfiguração adaptativa do currículo, interface de aprendizagem visual e otimização multiobjetivo. Ilustra como os componentes cognitivos e emocionais são integrados a um sistema unificado de aprendizagem adaptativa. Clique aqui para visualizar uma versão ampliada desta figura.
Figura 2: Evolução da aquisição de conhecimento sob aprendizado adaptativo baseado em grafos em comparação com o modelo convencional de referência. A figura ilustra a progressão do ganho de conhecimento normalizado ao longo de etapas de simulação normalizadas, demonstrando convergência mais rápida e maior eficiência simulada de aprendizado para o framework proposto GECIF. As comparações estatísticas entre os modelos proposto e de referência foram realizadas utilizando um teste t pareado em n = 1000 aprendizes simulados. Quando mostradas, as barras de erro representam intervalos de confiança de 95% (95% CI) do ganho médio de conhecimento normalizado. Diferenças estatisticamente significativas foram consideradas em p < 0,05. Clique aqui para visualizar uma versão maior desta figura.
Figura 3: Melhora temporal da estabilidade emocional por meio da adaptação inteligente do currículo. A figura ilustra a evolução do Índice de Estabilidade Emocional normalizado ao longo de etapas de simulação normalizadas, demonstrando uma estabilização mais suave e flutuações emocionais reduzidas para o framework proposto GECIF em comparação com o modelo convencional de referência. As comparações estatísticas foram realizadas utilizando um teste t pareado em n = 1000 alunos simulados. Quando barras de erro são apresentadas, elas representam os intervalos de confiança de 95% (IC 95%) da média do Índice de Estabilidade Emocional normalizado. As diferenças foram consideradas estatisticamente significativas em p < 0,05. Clique aqui para visualizar uma versão maior desta figura.
Figura 4: Redução dos níveis de estresse por meio de vias de aprendizagem com reconhecimento emocional. A figura ilustra a evolução temporal dos níveis de estresse normalizados ao longo de etapas de simulação normalizadas, mostrando que a estrutura proposta GECIF mantém níveis de estresse simulados mais baixos e mais estáveis do que o modelo convencional de referência, indicando uma melhor regulação emocional ao longo do processo de aprendizagem. As comparações estatísticas foram realizadas utilizando um teste t pareado em n = 1000 aprendizes simulados. Quando mostradas, as barras de erro representam os intervalos de confiança de 95% (IC 95%) do nível médio de estresse normalizado. As diferenças foram consideradas estatisticamente significativas em p < 0,05. Clique aqui para visualizar uma versão maior desta figura.
Figura 5: Distribuição dos resultados de aprendizagem entre os alunos simulados. A figura ilustra a distribuição do ganho de conhecimento normalizado para o framework proposto GECIF e o modelo convencional de referência. O framework proposto demonstra uma distribuição deslocada para ganhos de conhecimento normalizados mais altos, com menor variabilidade, enquanto o modelo de referência está concentrado em níveis mais baixos de desempenho. As comparações estatísticas entre as duas distribuições foram realizadas utilizando um teste t pareado em n = 1000 alunos simulados, sendo considerada significância estatística quando p < 0,05. Nenhuma barra de erro é apresentada, pois a figura exibe distribuições de frequência, e não estatísticas resumidas. Clique aqui para visualizar uma versão maior desta figura.
Figura 6: Evolução das representações de conhecimento baseadas em grafos ao longo de iterações de aprendizado. A figura ilustra a evolução temporal dos embeddings dos nós do grafo ao longo de etapas de simulação normalizadas. Os picos representam ativações de características mais fortes, enquanto os vales indicam representações de características mais fracas, demonstrando a adaptação e refinamento contínuos do grafo de conhecimento durante o processo de simulação. Esta visualização apresenta a evolução das representações de características aprendidas e não inclui barras de erro. As comparações estatísticas relatadas no estudo foram realizadas utilizando um teste t pareado em n = 1000 aprendizes simulados, com significância estatística definida como p < 0,05. Clique aqui para visualizar uma versão maior desta figura.
Figura 7: Força das relações entre os nós cognitivos e emocionais no grafo de aprendizagem. A figura visualiza as forças normalizadas das interações entre os nós cognitivos e emocionais dentro da estrutura de aprendizagem baseada em grafos. Valores mais altos indicam dependências cognitivo-emocionais mais fortes, enquanto valores mais baixos representam relações mais fracas, demonstrando a estrutura interconectada complexa e a evolução adaptativa do grafo de aprendizagem ao longo da simulação. Esta visualização apresenta padrões de conectividade do grafo e não inclui barras de erro. As comparações estatísticas relatadas em outras partes do estudo foram realizadas utilizando um teste t pareado em n = 1000 aprendizes simulados, com significância estatística definida como p < 0,05. Clique aqui para visualizar uma versão maior desta figura.
Figura 8: Relação entre o progresso de aprendizagem e o bem-estar emocional em ambientes curriculares adaptativos. A figura ilustra a relação positiva entre o ganho de conhecimento normalizado e a estabilidade emocional ao longo do processo de aprendizagem simulado. À medida que a aquisição de conhecimento aumenta, a estabilidade emocional também melhora, indicando uma integração eficaz do desenvolvimento cognitivo e da regulação emocional dentro do framework proposto GECIF. As comparações estatísticas foram realizadas utilizando um teste t pareado em n = 1000 alunos simulados. Quando apresentadas, as barras de erro representam os intervalos de confiança de 95% (IC 95%) dos valores médios de desempenho normalizados. As diferenças foram consideradas estatisticamente significativas em p < 0,05. Clique aqui para visualizar uma versão ampliada desta figura.
Figura 9: Contribuição da aquisição de conhecimento e das dinâmicas emocionais para o desempenho geral de aprendizagem ao longo de etapas de simulação normalizadas. O gráfico ilustra as contribuições temporais do ganho de conhecimento normalizado e das dinâmicas emocionais para o desempenho simulado geral de aprendizagem. A aquisição de conhecimento apresenta um aumento dominante e sustentado ao longo da simulação, enquanto a influência das dinâmicas emocionais se estabiliza gradualmente, demonstrando a integração eficaz dos processos cognitivos e emocionais dentro do framework proposto GECIF. As comparações estatísticas foram realizadas utilizando um teste t pareado em n = 1000 aprendizes simulados. Quando indicadas, as barras de erro representam os intervalos de confiança de 95% (IC 95%) dos valores médios de desempenho normalizados. As diferenças foram consideradas estatisticamente significativas em p < 0,05. Clique aqui para visualizar uma versão ampliada desta figura.
Figura 10: Variabilidade e robustez do desempenho de aprendizado em modelos adaptativos e convencionais. A figura apresenta gráficos de caixa (box-and-whisker) comparando as distribuições do ganho de conhecimento normalizado para o framework proposto GECIF e o modelo convencional de referência. O framework proposto exibe um ganho de conhecimento mediano mais alto e uma distribuição geral deslocada para valores de desempenho superiores, além de apresentar uma amplitude interquartil mais ampla e maior dispersão geral, refletindo maior variabilidade entre os alunos simulados. Apesar dessa variabilidade aumentada, a distribuição consistentemente mais alta do ganho de conhecimento demonstra que o framework proposto mantém um desempenho de aprendizagem robusto em diversas condições de alunos. As comparações estatísticas foram realizadas utilizando uma amostra independente t-teste em n = 1000 alunos simulados por modelo. As caixas representam a amplitude interquartil (AIQ), a linha horizontal dentro de cada caixa indica a mediana, e os traços (whiskers) se estendem até 1,5 × IQR. O framework proposto alcançou um ganho de conhecimento médio significativamente maior do que o modelo convencional (p < 0,0001; de Cohen d = 1,43). Não são apresentadas barras de erro porque o gráfico de caixa e bigodes resume as distribuições dos dados utilizando quartis e bigodes, e não intervalos de confiança. Clique aqui para visualizar uma versão maior desta figura.
Figura 11: Mudanças dinâmicas no engajamento dos alunos durante o processo de aprendizagem. A figura ilustra a evolução temporal do Índice de Engajamento do Aluno normalizado ao longo de etapas normalizadas de simulação, demonstrando que a estrutura proposta GECIF alcança um engajamento mais alto e adaptativo do que o modelo convencional de referência ao longo de todo o processo de aprendizagem simulado. As comparações estatísticas entre os modelos proposto e de referência foram realizadas utilizando um teste t pareado em n = 1000 alunos simulados. Quando mostradas, as barras de erro representam intervalos de confiança de 95% (IC 95%) da média do Índice de Engajamento do Aluno normalizado. As diferenças foram consideradas estatisticamente significativas em p < 0,05. Clique aqui para visualizar uma versão ampliada desta figura.
Figura 12: Padrões cíclicos do engajamento do aluno em ambientes de aprendizagem adaptativa. A figura ilustra a evolução temporal do Índice de Engajamento do Aluno normalizado ao longo de etapas de simulação normalizadas, mostrando flutuações periódicas porém estáveis que indicam que o framework proposto GECIF mantém um ritmo equilibrado e adaptativo de interação do aluno durante todo o processo de aprendizagem simulado. As comparações estatísticas foram realizadas utilizando um teste t pareado em n = 1000 alunos simulados. Quando barras de erro são mostradas, elas representam intervalos de confiança de 95% (IC 95%) da média do Índice de Engajamento do Aluno normalizado. As diferenças foram consideradas estatisticamente significativas em p < 0,05. Clique aqui para visualizar uma versão ampliada desta figura.
Figura 13: Variação espacial da intensidade do recurso ao longo da estrutura do grafo de aprendizagem. A figura visualiza a distribuição espacial normalizada da ativação de recursos no âmbito da estrutura de aprendizagem baseada em grafos. Regiões com maior intensidade indicam ativações mais fortes dos recursos, enquanto regiões de baixa intensidade representam ativações mais fracas, revelando a organização estruturada e não linear das representações do conhecimento e suas relações adaptativas dentro do grafo de aprendizagem durante a simulação. Esta visualização apresenta padrões espaciais dos recursos e não inclui barras de erro. As comparações estatísticas relatadas em outras partes do estudo foram realizadas utilizando um teste t pareado em n = 1000 aprendizes simulados, sendo a significância estatística definida como p < 0,05. Clique aqui para visualizar uma versão maior desta figura.
Figura 14: Fluxo direcional da transferência de conhecimento dentro do grafo curricular. A figura ilustra a propagação normalizada do conhecimento entre os nós interconectados na estrutura curricular baseada em grafos. Os caminhos direcionais representam o fluxo organizado de informações ao longo do grafo de aprendizagem, destacando a disseminação eficiente do conhecimento e a troca adaptativa de informações entre os componentes curriculares durante a simulação. Esta visualização mostra os padrões de propagação do conhecimento e não inclui barras de erro. As comparações estatísticas relatadas em outras partes do estudo foram realizadas utilizando um teste t pareado em n = 1000 aprendizes simulados, com significância estatística definida como p < 0,05. Clique aqui para visualizar uma versão maior desta figura.
Figura 15: Evolução estrutural do grafo de aprendizagem ao longo do tempo por meio da transformação adaptativa de características. A figura ilustra a evolução progressiva da topologia do grafo durante etapas de simulação normalizadas, à medida que a transformação adaptativa de características aprimora continuamente as relações entre os nós de conhecimento. As mudanças estruturais dinâmicas refletem a capacidade do framework de reorganizar e otimizar os caminhos de aprendizagem, resultando em representações gráficas cada vez mais coerentes e adaptativas ao longo do processo de aprendizagem simulado. Esta visualização mostra a evolução da topologia do grafo e não inclui barras de erro. As comparações estatísticas relatadas em outras partes do estudo foram realizadas utilizando um teste t pareado em n = 1000 aprendizes simulados, com significância estatística definida como p < 0,05. Clique aqui para visualizar uma versão ampliada desta figura.
Figura 16: Padrões de interdependência entre as características de aprendizagem extraídas na estrutura adaptativa. A figura visualiza os padrões normalizados de interdependência entre as características de aprendizagem extraídas dentro da estrutura proposta GECIF. Relações mais fortes indicam correlações mais altas e interações mais eficazes entre as dimensões das características, enquanto relações mais fracas representam dependências menores, demonstrando a organização multidimensional complexa das representações cognitivas e emocionais aprendidas pela estrutura adaptativa baseada em grafos. Esta visualização apresenta padrões de interação entre características e não inclui barras de erro. As comparações estatísticas relatadas em outras partes do estudo foram realizadas utilizando um teste t pareado em n = 1000 alunos simulados, com significância estatística definida como p < 0,05. Clique aqui para visualizar uma versão maior desta figura.
Figura 17: Contribuição de características multidimensionais para o desempenho na aquisição de conhecimento. A figura ilustra as contribuições normalizadas de múltiplas dimensões de características para a aquisição de conhecimento ao longo do framework de aprendizagem baseado em grafos. As variações na importância das características entre os nós do grafo destacam a natureza heterogênea dos fatores cognitivos e emocionais de aprendizagem, demonstrando como diferentes características interagem e contribuem para a aquisição adaptativa de conhecimento dentro do framework GECIF proposto. Esta visualização apresenta padrões de contribuição de características multidimensionais e não inclui barras de erro. As comparações estatísticas relatadas em outras partes do estudo foram realizadas utilizando um teste t pareado entre n = 1000 aprendizes simulados, com significância estatística definida como p < 0,05. Clique aqui para visualizar uma versão maior desta figura.
Figura 18: Evolução simultânea dos estados cognitivos e emocionais durante a aprendizagem adaptativa. A figura ilustra a evolução temporal do ganho de conhecimento normalizado e da estabilidade emocional ao longo de etapas normalizadas de simulação, demonstrando uma melhoria cognitiva constante acompanhada por flutuações emocionais progressivamente reduzidas. A progressão coordenada dessas duas dimensões de aprendizagem indica que o framework proposto GECIF mantém efetivamente uma integração equilibrada entre desenvolvimento cognitivo e regulação emocional ao longo do processo de aprendizagem simulado. As comparações estatísticas foram realizadas utilizando um teste t pareado em n = 1000 aprendizes simulados. Quando barras de erro são mostradas, elas representam os intervalos de confiança de 95% (IC 95%) dos valores médios de desempenho normalizados. As diferenças foram consideradas estatisticamente significativas em p < 0,05. Clique aqui para visualizar uma versão maior desta figura.
| Símbolo | Descrição | Categoria |
| G | Grafo que representa todo o sistema de aprendizagem | Componente do Grafo |
| V | Conjunto de todos os nós | Componente do Grafo |
| E | Conjunto de arestas (relações) | Componente do Grafo |
| W | Matriz de pesos que representa a intensidade das relações | Componente do Grafo |
| V_k | Nós de conhecimento (conceitos musicais) | Tipo de Nó |
| V_a | Nós de atividade (ações de aprendizagem) | Tipo de Nó |
| V_e | Nós de emoção (estados psicológicos) | Tipo de Nó |
| W_ij | Peso entre o nó i e o nó j | Parâmetro de Aresta |
| S_c(i,j) | Similaridade cognitiva entre nós | Parâmetro de Aresta |
| S_e(i,j) | Correlação emocional entre nós | Parâmetro de Aresta |
| alpha | Peso para a similaridade cognitiva | Parâmetro do Modelo |
| beta | Peso para a correlação emocional | Parâmetro do Modelo |
| x_i(t) | Vetor de estado do nó i no tempo t | Estado do Nó |
| k_i(t) | Nível de conhecimento do nó i | Estado do Nó |
| e_i(t) | Estado emocional do nó i | Estado do Nó |
| a_i(t) | Engajamento em atividades do nó i | Estado do Nó |
| h_i | Representação incorporada do nó | Parâmetro da GNN |
| gamma | Fator de decaimento emocional | Parâmetro do Modelo |
| eta | Taxa de aprendizagem/adietação | Parâmetro do Modelo |
| J | Função de otimização multiobjetivo | Otimização |
Tabela 1: Resumo das variáveis, parâmetros e notações utilizadas na estrutura de inteligência curricular emocional baseada em grafos (GECIF). Esta tabela fornece definições para componentes do grafo, estados dos nós e parâmetros do modelo, apoiando a reprodutibilidade e a clareza da metodologia proposta.
| Métrica | GECIF Proposto (Média) | Desvio Padrão Proposto | IC 95% Proposto | Convencional (Média) | Desvio Padrão Convencional | IC 95% Convencional | Melhoria (%) | valor-p |
| Ganho de Conhecimento | 0.88 | 0.04 | 0.84–0.92 | 0.65 | 0.06 | 0.59–0.71 | 35 | 0.001 |
| Estabilidade Emocional | 0.92 | 0.03 | 0.89–0.95 | 0.7 | 0.05 | 0.65–0.75 | 31 | 0.002 |
| Redução de Estresse | 0.85 | 0.05 | 0.80–0.90 | 0.55 | 0.07 | 0.48–0.62 | 54 | 0.0005 |
| Nível de Engajamento | 0.9 | 0.04 | 0.86–0.94 | 0.68 | 0.06 | 0.62–0.74 | 32 | 0.0015 |
| Robustez | 0.87 | 0.03 | 0.84–0.90 | 0.66 | 0.05 | 0.61–0.71 | 32 | 0.002 |
| Eficiência de Aprendizagem | 0.91 | 0.04 | 0.87–0.95 | 0.69 | 0.06 | 0.63–0.75 | 32 | 0.001 |
| Velocidade de Convergência | 0.89 | 0.03 | 0.86–0.92 | 0.67 | 0.05 | 0.62–0.72 | 33 | 0.001 |
| Precisão de Predição | 0.93 | 0.02 | 0.91–0.95 | 0.72 | 0.05 | 0.67–0.77 | 29 | 0.0008 |
| Redução da Variância Emocional | 0.86 | 0.04 | 0.82–0.90 | 0.6 | 0.06 | 0.54–0.66 | 43 | 0.0012 |
| Pontuação de Adaptabilidade | 0.9 | 0.03 | 0.87–0.93 | 0.68 | 0.05 | 0.63–0.73 | 32 | 0.001 |
Tabela 2: Métricas comparativas de desempenho entre o framework GECIF proposto e o modelo de aprendizagem convencional. A tabela resume as melhorias no ganho de conhecimento, estabilidade emocional, redução de estresse, engajamento, robustez e eficiência geral de aprendizagem, demonstrando a superioridade da abordagem proposta.
Arquivo Suplementar 1: Código para geração do conjunto de dados e representações de dados estruturados. Resumo da geração do conjunto de dados baseado em MATLAB, do fluxo de processamento e dos procedimentos de avaliação utilizados na estrutura de inteligência curricular baseada em grafos (GECIF). Este arquivo fornece uma visão geral das etapas da simulação, incluindo a geração de registros de interação, modelagem de indicadores emocionais, cálculo do desempenho de aprendizagem, construção do grafo, engenharia de características, análise estatística, verificações de validação e procedimentos de exportação de dados, apoiando a reprodutibilidade, transparência e clareza da metodologia proposta.Clique aqui para baixar este arquivo.
Discussão
O presente estudo propõe um framework inteligente de currículo emocional baseado em grafos (GECIF) que integra aprendizado representacional baseado em grafos, modelagem de estados emocionais, otimização adaptativa de currículo e ensino visual impulsionado por IA em um framework computacional unificado para o ensino superior em música. Diferentemente dos modelos educacionais tradicionais apoiados por IA, que primariamente otimizam o desempenho acadêmico, o framework proposto modela simultaneamente as interações entre a aquisição de conhecimento, regulação emocional, engajamento do aluno e evolução adaptativa do currículo. Os resultados da simulação demonstraram consistentemente um desempenho superior do framework proposto em comparação com a linha de base convencional em múltiplas métricas de avaliação, incluindo ganho de conhecimento, estabilidade emocional, engajamento do aluno e redução de estresse. Esses achados sugerem que a integração de estruturas relacionais em grafos com aprendizado sensível às emoções fornece uma representação computacional mais abrangente dos processos educacionais do que abordagens baseadas exclusivamente na adaptação cognitiva.
As melhorias observadas no desempenho de aprendizagem simulada são consistentes com os recentes avanços na educação adaptativa impulsionada por IA. As tecnologias de IA têm sido cada vez mais reconhecidas como ferramentas eficazes para o desenvolvimento de ambientes de aprendizagem personalizados e adaptativos, capazes de responder às características dos alunos e às necessidades educacionais18,19,20. Em particular, o design adaptativo de currículos apoiado por inteligência artificial demonstrou melhorar a flexibilidade instrucional, a tomada de decisões centrada no aluno e a eficácia educacional19,20. Além disso, sistemas de avaliação assistida por IA e feedback inteligente têm demonstrado grande potencial para aprimorar o desempenho dos estudantes por meio de avaliação contínua e suporte instrucional adaptativo21,22,23. Em comparação com esses estudos anteriores, o framework proposto GECIF amplia as metodologias existentes ao integrar conhecimento cognitivo, dinâmicas emocionais e comportamentos adaptativos de aprendizagem dentro de uma única arquitetura computacional baseada em grafos. Consequentemente, o presente framework fornece uma representação unificada dos processos educacionais, em vez de tratar o desempenho cognitivo e a adaptação do aluno como componentes separados.
A integração da modelagem emocional dentro do framework proposto também é respaldada por investigações anteriores na educação musical e na aprendizagem afetiva. Li1 demonstrou que a visualização emocional combinada com aprendizado profundo melhora o ensino estético musical ao fortalecer a interação entre os alunos e o conteúdo educacional. De forma semelhante, Zhao3 relatou que a integração da mapeação cognitiva com terapia musical audiovisual reduz efetivamente a ansiedade entre estudantes universitários, enfatizando a estreita relação entre regulação emocional e resultados de aprendizagem. Iyendo et al.4 demonstraram ainda que intervenções artísticas audiovisuais e musicais melhoram significativamente o bem-estar psicológico ao reduzir sintomas associados ao estresse emocional. Os avanços na estabilidade emocional observados na presente simulação, portanto, estão de acordo com evidências anteriores que indicam que a consciência emocional constitui um componente essencial da educação musical bem-sucedida. Diferentemente de estudos anteriores que investigaram principalmente intervenções emocionais como estratégias educacionais independentes, o framework proposto incorpora diretamente as dinâmicas emocionais na otimização curricular baseada em grafos, permitindo que os estados emocionais influenciem continuamente as decisões instrucionais adaptativas ao longo do processo de aprendizagem.
A redução simulada no estresse do aluno é igualmente consistente com a literatura recente sobre saúde mental de estudantes no ensino superior. O estresse acadêmico tem sido identificado como um dos principais preditores de menor bem-estar psicológico e desempenho educacional reduzido entre estudantes universitários28,29,30. Revisões sistemáticas mostraram ainda que intervenções estruturadas de gerenciamento de estresse melhoram significativamente tanto o funcionamento acadêmico quanto a saúde psicológica27. Mais recentemente, intervenções digitais com apoio de IA demonstraram eficácia no estímulo ao gerenciamento de estresse e à autorregulação adaptativa entre estudantes universitários29. O presente modelo difere dessas abordagens baseadas em intervenção, pois a redução do estresse surge por meio da otimização adaptativa das interações cognitivas e emocionais, e não por mecanismos terapêuticos separados. Consequentemente, os níveis mais baixos de estresse observados no modelo proposto sugerem que o próprio desenho curricular adaptativo do ponto de vista emocional pode contribuir para reduzir a sobrecarga cognitiva, ao mesmo tempo que favorece um desempenho de aprendizagem melhorado.
O aumento do engajamento do aluno observado no presente estudo também é respaldado por pesquisas anteriores que investigam a educação visual assistida por IA e tecnologias instrucionais personalizadas. Bian et al.12 demonstraram que o conteúdo visual gerado por IA aumenta significativamente o engajamento em sala de aula, a autoeficácia do aluno e o desempenho cognitivo em ambientes educacionais. Da mesma forma, Johnson et al.34 relataram que ambientes digitais de aprendizagem visual fortalecem o engajamento do estudante e promovem maior participação em condições educacionais estressantes. Especificamente na educação musical, as tecnologias instrucionais assistidas por IA demonstraram facilitar trajetórias de aprendizagem personalizadas e melhorar a inovação educacional41. O framework GECIF proposto complementa esses achados ao combinar ensino visual adaptativo com modelagem emocional baseada em grafos, permitindo assim que o engajamento do aluno, a regulação emocional e o desenvolvimento cognitivo evoluam simultaneamente ao longo do processo de aprendizagem.
A relação entre regulação emocional e desempenho na aprendizagem observada no presente estudo também é respaldada por pesquisas mais amplas em saúde mental. A regulação emocional foi identificada como um determinante fundamental do bem-estar psicológico e do funcionamento educacional saudável32. Da mesma forma, modelos de bem-estar do estudante enfatizam que a resiliência emocional e a estabilidade psicológica estão estreitamente associadas a resultados acadêmicos bem-sucedidos15,16,17. Estudos com estudantes universitários relataram consistentemente que a promoção da saúde mental aumenta a resiliência, o engajamento e as conquistas educacionais de longo prazo14,15,16,17. A presente simulação demonstrou comportamento computacional semelhante, no qual melhorias na estabilidade emocional foram acompanhadas por maior aquisição de conhecimento e engajamento mais forte do aluno. Embora a investigação atual seja inteiramente baseada em simulação e, portanto, não possa estabelecer relações causais em aprendizes reais, os resultados computacionais reforçam o crescente consenso de que a regulação emocional deve ser incorporada diretamente em sistemas educacionais inteligentes, em vez de ser tratada como um resultado educacional independente.
Em comparação com as abordagens computacionais existentes, o framework proposto oferece diversas vantagens conceituais. Sistemas educacionais baseados em IA contemporâneos empregam cada vez mais avaliação adaptativa, feedback personalizado e suporte inteligente à decisão para melhorar a eficácia do aprendizado21,22,23. De forma semelhante, modelos curriculares adaptativos impulsionados por IA enfatizam a personalização do aluno e o planejamento instrucional dinâmico18,19,20. No entanto, essas abordagens geralmente avaliam o desempenho do aluno principalmente por meio de indicadores cognitivos, representando as informações emocionais separadamente ou omitindo-as completamente. Em contraste, o framework GECIF proposto modela simultaneamente a aquisição de conhecimento, a dinâmica emocional, o engajamento do aluno e a evolução curricular adaptativa dentro de uma representação gráfica unificada. Essa estratégia de modelagem integrada permite a interação contínua entre variáveis cognitivas, comportamentais e emocionais, fornecendo, assim, uma descrição computacional mais abrangente dos processos educacionais do que os sistemas educacionais convencionais baseados em IA.
O framework é particularmente relevante para a educação musical porque a aprendizagem musical combina inerentemente a aquisição de habilidades técnicas, expressão emocional, criatividade e engajamento do aluno. Investigações anteriores demonstraram que a integração da música, das artes visuais e de atividades educacionais criativas contribui para o desenvolvimento psicológico, o bem-estar emocional e a motivação educacional36,37. Além disso, estudantes de música frequentemente enfrentam carga acadêmica substancial e estresse psicológico, destacando a importância de mecanismos adaptativos de apoio educacional25,26. O framework proposto amplia essas perspectivas educacionais ao fornecer um mecanismo computacional capaz de representar simultaneamente o progresso técnico da aprendizagem, a adaptação emocional e a otimização instrucional adaptativa dentro de um único modelo baseado em grafos. Consequentemente, o framework oferece uma base computacional interpretável para futuros sistemas inteligentes de educação musical que buscam otimizar tanto o desempenho educacional quanto o bem-estar do aluno.
Várias limitações devem, contudo, ser reconhecidas. Primeiro, a estrutura foi avaliada exclusivamente utilizando dados sintéticos gerados dentro de uma simulação computacional controlada; portanto, os aprimoramentos relatados refletem o desempenho algorítmico e não evidências empíricas obtidas de populações reais de estudantes. Segundo, as variáveis emocionais foram representadas por meio de abstrações matemáticas que simplificam a complexidade dos processos emocionais humanos autênticos. Terceiro, as estruturas de grafos pré-definidas e os parâmetros de otimização podem não representar plenamente a diversidade dos ambientes educacionais encontrados na prática. Por fim, a otimização baseada em grafos introduz uma complexidade computacional adicional que pode exigir mais aprimoramentos antes da implantação em larga escala em sistemas educacionais inteligentes.
Investigações futuras devem, portanto, validar o framework proposto utilizando conjuntos de dados educacionais autênticos e ambientes reais de sala de aula. A incorporação de informações educacionais multimodais, incluindo registros de interações comportamentais, medições fisiológicas, observações audiovisuais e rastros digitais de aprendizagem, pode melhorar substancialmente a realismo da estimativa de estados emocionais e da otimização adaptativa do currículo. Avaliações comparativas com sistemas recentes de aprendizagem adaptativa impulsionados por IA 18,19,20,21,22 esclareceriam ainda mais as vantagens relativas da modelagem emocional baseada em grafos. Estender o framework além da educação musical para outras disciplinas educacionais também fortaleceria as evidências de sua generalização e aplicabilidade prática. A presente investigação baseada em simulação demonstra que a integração da aprendizagem relacional baseada em grafos com modelagem emocional representa uma direção promissora para sistemas educacionais inteligentes de próxima geração. Os resultados são coerentes com avanços recentes na educação adaptativa apoiada por IA, no ensino de música sensível às emoções, na aprendizagem personalizada e na pesquisa sobre saúde mental de estudantes25,26,27,28,29,30. Embora a validação com alunos reais ainda seja necessária, o framework GECIF proposto fornece uma base computacional estruturada para futuros sistemas educacionais impulsionados por IA capazes de otimizar simultaneamente o desempenho cognitivo, o bem-estar emocional, o engajamento do aluno e o design adaptativo do currículo.
Divulgações
O autor não tem conflito de interesse.
Agradecimentos
O autor gostaria de expressar profunda gratidão ao Departamento de Música da Universidade Normal de Anqing pelo fornecimento do ambiente acadêmico e do apoio institucional necessários para a realização desta pesquisa. Agradece especialmente aos colegas e estudantes que contribuíram com percepções valiosas e feedback durante o desenvolvimento e a avaliação do framework proposto. O autor também reconhece o apoio da Universidade Normal de Anqing na facilitação do acesso a recursos e à infraestrutura de pesquisa.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Módulo de RAM DDR4 de 32 GB | Kingston Technology | NA | |
| CUDA Toolkit para Aceleração por GPU (v11.8) | NVIDIA | version 1.18 | |
| Motor de Adaptação Curricular | Implementação Personalizada | CAE003 | |
| Conjunto de Dados: Indicadores Emocionais | Conjunto de Dados Gerado | DEI006 | |
| Conjunto de Dados: Métricas de Desempenho de Aprendizagem | Conjunto de Dados Gerado | DLPM007 | |
| Conjunto de Dados: Registros de Interação do Estudante | Conjunto de Dados Gerado | DIL005 | |
| Módulo de Simulação de Estado Emocional | Implementação Personalizada | ESM002 | |
| Estação de Trabalho com GPU (NVIDIA RTX 3080) | NVIDIA | NA | |
| Módulo de Implementação de Redes Neurais em Grafos | Implementação Personalizada | NA | |
| Processador Intel Core i7 (3,6 GHz) | Intel Corporation | NA | |
| Ambiente Jupyter Notebook (v6.5) | Project Jupyter | version 6.5 | |
| Software MATLAB (R2023a) | MathWorks | R2023a | |
| Biblioteca de Visualização Matplotlib (v3.7) | Matplotlib | version 3.7 | |
| Biblioteca de Processamento de Grafos NetworkX (v3.1) | Desenvolvedores do NetworkX | version 3.1 | |
| Biblioteca de Computação Numérica NumPy (v1.24) | Desenvolvedores do NumPy | version 1.24 | |
| Módulo de Otimização (Resolvedor Multiobjetivo) | Implementação Personalizada | MOS008 | |
| Biblioteca de Processamento de Dados Pandas (v2.0) | Equipe de Desenvolvimento do Pandas | version 2.0 | |
| Ambiente de Programação Python (v3.10) | Python Software Foundation | version 3.10 | |
| Framework de Aprendizado Profundo PyTorch (v2.0) | Meta AI | version 2.0 | |
| Script de Inicialização de Semente Aleatória | Implementação Personalizada | RSI009 | |
| Biblioteca de Aprendizado de Máquina Scikit-learn (v1.3) | Scikit-learn | version 1.3 | |
| Biblioteca de Visualização Estatística Seaborn (v0.12) | Seaborn | version 0.12 | |
| Biblioteca TensorFlow (v2.12) | version 2.12 | ||
| Kit de Ferramentas de Interface de Aprendizado Visual | Implementação Personalizada | VLI004 | |
| Sistema Operacional Windows 11 | Microsoft | W11 |
Referências
- 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.