Исследования по интеграции нарративной симуляции и визуального ИИ в управление преподаванием для развития потенциала в области психического здоровья в университетах

Краткое содержание

В этом исследовании интегрируются нарративная симуляция и визуальный ИИ в системы управления обучением для улучшения психического здоровья, эмоциональной устойчивости и вовлечённости студентов университетов.

Аннотация

Студенты университета всё чаще сталкиваются с проблемами психического здоровья, включая тревожность, депрессию и стресс, однако в большинстве сред высшего образования отсутствуют проактивные системы эмоционального мониторинга и поддержки. Целью данного исследования было разработка, внедрение и оценка гибридной системы управления преподаванием, которая интегрирует нарративную симуляцию с визуальным искусственным интеллектом (ИИ) для повышения грамотности в области психического здоровья и эмоциональной устойчивости среди учащихся. Система включает нарративный модуль принятия решений, моделирующий стрессовые сценарии, и инструмент распознавания эмоций на базе искусственного интеллекта (на основе обнаружения мимики), встроенный в классные помещения. Была использована схема с использованием смешанных методов с участием 332 студентов бакалавриата и 15 преподавателей из нескольких университетов. Были собраны опросы до и после вмешательства, журналы использования и эмоциональные данные в реальном времени с помощью визуального ИИ. Количественные данные анализировались с помощью описательной статистики, парных t-тестов, ANOVA и множественной линейной регрессии. Результаты показали статистически значимое улучшение показателей психического здоровья учеников (p < 0,01), эмоциональной осознанности и уверенности в принятии решений. Такой интегрированный подход демонстрирует как удобство использования, так и масштабируемость, предоставляя преподавателям раннее эмоциональное понимание и студентам рефлексивную учебную среду. Этот метод лучше всего подходит для учреждений, оснащённых классами с поддержкой ИИ и обученным этическим контролем.

Введение

Психическое здоровье стало острой проблемой в высшем образовании, при этом среди студентов университетов по всему миру сообщается рост уровня тревожности, депрессии и выгорания^. Эти психологические нагрузки, часто связанные с академической перегрузкой, социальным давлением и финансовой неопределённостью, негативно влияют на академическую успеваемость, удержание кадров и долгосрочное^{благополучие 2}. Хотя многие учреждения внедрили консультационные услуги и кризисные вмешательства, такие подходы, как правило, реактивны и имеют ограниченный диапазон³. Растёт спрос на проактивные, масштабируемые и встроенные стратегии, поддерживающие психологическую устойчивость студентов в повседневной учебной среде.

Недавние достижения в образовательных технологиях открывают новые возможности для непосредственной интеграции эмоциональной поддержки в учебные системы. Два перспективных подхода — это нарративное моделирование и визуальный искусственный интеллект (ИИ). Нарративная симуляция — это интерактивные, сюжетно-ориентированные модули, которые помещают студентов в эмоционально сложные ситуации, поощряя размышления, эмпатию и принятие решений. Основанные на теории опытного обучения, эти симуляции позволяют учащимся репетировать ответы на такие задачи, как тревога перед тестами, управление временем или конфликт со сверстниками в безопасной, направляемой^{среде 4,5}. Теория опытного обучения также предполагает, что рефлексия и активные эксперименты имеют решающее значение для превращения опыта в устойчивое обучение, делая нарративную симуляцию жизнеспособным способом развития эмоционального интеллекта и адаптивного совладания.

Визуальный ИИ использует модели машинного обучения для определения эмоционального состояния учащихся в реальном времени, например, по выражению лица, взгляду или^{осанке 6}. При этичном внедрении и с информированным согласием такие системы могут служить инструментом раннего предупреждения, выявляя стресс или отстранение до^{эскалации 7}. Встроенный в платформы управления преподаванием и управлением, визуальный ИИ может своевременно предоставлять обратную связь преподавателям, поддерживая персонализированные академические или эмоциональные реакции. Эта интеграция согласуется с когнитивно-поведенческой теорией, которая подчёркивает, что повышение осведомлённости о неадаптивных когнициях и их перестройка может улучшить эмоциональные результаты.

Этот подход также соответствует современным представлениям о преподавании как на организацию опыта студентов в цифровых и очных условиях. Внедряя поддержку психического здоровья в эту инфраструктуру, обучение устойчивости становится частью академического процесса, а не необязательным^{дополнением 8}. Она также соответствует транзакционной модели стресса и преодоления ситуации, которая рассматривает регуляцию эмоций как динамическое взаимодействие между стратегиями оценки и преодоления ситуации; здесь визуальный ИИ вносит вклад в первичную оценку (обнаружение сигналов), тогда как нарративная симуляция поддерживает вторичную оценку (исследование альтернатив совладания) в психологически безопасном пространстве.

Несмотря на растущий интерес, немногие эмпирические исследования оценивали совместное использование визуального ИИ и нарративного моделирования для поддержки психического здоровья в высшем образовании. Кроме того, ключевые конструкции, такие как грамотность в области психического здоровья, «знания и убеждения, помогающие распознавать, управлять или профилактике психических расстройств»⁹, а также эмоциональная устойчивость — способность адаптироваться к психологическому^{стрессу 10}, часто недостаточно эффективны. Это исследование устраняет эти пробелы, разрабатывая и тестируя интегрированную систему управления преподаванием, которая сочетает нарративную симуляцию с компонентами визуального ИИ для стимулирования раннего выявления страданий и стимулирования саморегуляции учеников.

Цель и ключевой вклад

В данном исследовании рассматривается, как нарративная симуляция и визуальный ИИ могут быть осмысленно интегрированы в системы обучения и управления для решения проблем психического здоровья среди студентов университетов. Вместо того чтобы рассматривать психическое здоровье как внешнюю услугу, цель — интегрировать эмоциональную вовлечённость и раннюю психологическую поддержку в рутинное обучение. Сочетание интерактивных сценариев принятия решений с эмоциональным мониторингом в реальном времени даёт студентам возможности для рефлексивной практики, одновременно позволяя преподавателям чутко реагировать на признаки стресса.

Система концептуально основана на опытном обучении, выделяя практику, обратную связь и эмоциональное вовлечение как драйверы изменения поведения. Нарративные симуляции демонстрируют знакомые академические стрессоры (например, давление времени, напряжение со сверстниками), требующие эмоционально значимых решений. Параллельно инструмент визуального искусственного интеллекта, откалиброванный для вывода по выражению лица, отслеживает изменения в момент времени во время учебных занятий. Подход также опирается на теорию эмоционального интеллекта, которая определяет самосознание, эмпатию и регуляцию как ключевые компетенции устойчивости.

В исследовании приняли участие 332 студента бакалавриата и 15 преподавателей по трём предметным направлениям. Используя смешанную методику, мы оценили, уменьшились ли тревожность, депрессия и стресс, а также улучшились ли эмоциональная осознанность и уверенность в принятии решений у студентов. Статистическое моделирование и качественный анализ совместно информируют, как эмоционально-осознанные технологии могут поддерживать благополучие студентов не как замена профессиональной помощи, а как профилактический, масштабируемый компонент повседневной академической жизни.

Обзор системы

Это исследование структурировано на пять основных разделов. Введение представляет предысторию и мотивацию для решения проблем психического здоровья в высшем образовании. Второй раздел рассматривает существующую литературу по нарративному моделированию, визуальному ИИ и их применению в образовательных контекстах. Третий раздел описывает дизайн исследования, включая подход смешанных методов, набор участников и аналитические методы. В четвёртом разделе представлены ключевые выводы, как количественные, так и качественные, сосредоточенные на изменениях в эмоциональной устойчивости учащихся и осведомлённости о психическом здоровье. Наконец, заключение рассматривает более широкие последствия результатов и предлагает будущие направления интеграции эмоционально-осознанных технологий в практику преподавания.

Связанные работы

Университеты испытывали различные подходы к поддержке психического здоровья, включая взаимодействие с коллегами, цифровые кампании и интервенции в^{классах 11}. Общеобразовательные сообщения в сочетании с поддержкой студентов могут повысить вовлечённость и осведомлённость о служении, хотя адаптация для разных групп по-прежнему^{сложна 12}. На уровне популяции исследования часто опираются на самооценочные опросы, основанные на диагностических^{критериях 13}, которые ограничивают причинно-следственные выводы и упускают из виду индикаторы штама в реальном^{времени 14,15}.

Всё больше направления исследований изучает эмоциональный интеллект (ЭИ) как предиктор благополучия студентов; Такие качества, как самосознание, ясность и эмоциональное восстановление, связаны с лучшими результатами, при этом принадлежность часто определяется как^{медиатор 16}. Тем не менее, многие результаты основаны на единичных опросах, не имеющих динамической обратной связи для устойчивой поддержки. Включение принципов, основанных на EI, в нарративное моделирование открывает путь к углублению эмпатии, размышлений и саморегуляции.

Параллельно исследователи в области образования всё чаще интегрируют ИИ в учебные^{среды 17}. Инструменты визуального ИИ, которые распознают мимику или микровыражения, связанные со стрессом, были внедрены в экзаменах и репетиторстве, с обнадёживающими результатами для адаптивной обратной^{связи 18}. Нарративные симуляции хорошо зарекомендованы в сестринском деле/медицинском образовании для практики эмоционально заряженных^{решений 19}, но эти применения часто специфичны для каждой области и редко интегрируются в общие системы обучения^{и управления 20}. Небольшой корпус работ предлагает рамки для сотрудничества студентов и ИИ и учебного дизайна на основе^{ИИ 21,22}, подчёркивая этику, пробелы в реализации и необходимость масштабируемых моделей, которые приносят педагогическую и психологическую ценность, выходящую за рамки новизны.

Это исследование продвигает область, интегрируя нарративную симуляцию с аффективными вычислениями в реальном времени для создания проактивного, встроенного ответа на проблемы психического здоровья в университетских учебных условиях.

Вопросы о пробелах в исследованиях и практической реализации

Хотя цифровые инструменты для психического здоровья учащихся распространяются, многие исследования опираются на самоотчёт и краткосрочные вмешательства вне учебных условий, что ограничивает долгосрочное воздействие и своевременность. Мало какие усилия связывают такие понятия, как EI или грамотность в области психического здоровья, с обратной связью в реальном времени или наблюдаемым поведением в классе. Визуальный ИИ и нарративная симуляция исследовались отдельно, но редко объединялись в единую систему, которая одновременно отслеживает и реагирует на эмоциональные состояния во время учебной деятельности. Это исследование устраняет этот разрыв, сочетая эмоциональную рефлексию на основе симуляции с распознаванием на основе ИИ внутри самой учебной среды.

Практические аспекты реализации

Эффективное внедрение зависит от инфраструктуры (стабильного интернета, интегрированных камер), этического контроля и калибровки алгоритмов для защиты участников и снижения предвзятости, особенно при анализе лиц. Обучение преподавателей также необходимо для ответственной интерпретации сигналов, созданных ИИ, и их интеграции в педагогические решения. Таким образом, этот подход лучше всего подходит университетам с установленной цифровой инфраструктурой и институциональными этическими комитетами, где он может служить проактивной, масштабируемой структурой для расширения возможностей студентов в области психического здоровья.

Протокол

До сбора данных этическое одобрение получалось от Институционального обзорного совета Нанкинского университета почты и телекоммуникаций (код одобрения: NJUPT-IRB-2024-0312). Все участники предоставили письменное информированное согласие после ознакомления с объёмом исследования, добровольным характером участия, использованием визуального ИИ для отслеживания эмоций и процедурами конфиденциальности данных. Участие могло быть прекращено в любое время без штрафа. Используемое программное обеспечение и оборудование указаны в Таблице материалов.

1. Подготовка к учебе

1. Определение операционной линии и сквозного потока
   Были установлены два пункта оценки: T1 (прединтервенционный) сразу после первого экзамена и T2 (после вмешательства), после краткой обратной связи инструкторов, руководствуемых эмоциональными сигналами ИИ. Одна нарративная симуляция была запланирована после экзаменационного периода, а вторая симуляция через несколько дней для оценки изменений в совладании. Сквозной конвейер, включающий ввод камер в классе, API распознавания эмоций, обратную связь преподавателей, сбор опросов, интеграцию и анализ данных, иллюстрируется на рисунке 1A.
2. Набор и документирование участников
   Всего было привлечено 347 участников по добровольному зачислению из существующих курсов, включая 332 студента бакалавриата (возраст 18-22 года; 140 мужчин, 192 женщины) и 15 преподавателей (возраст 27-45 лет; 10 женщин, 5 мужчин). Фиксировались распределения по учебным годам и кафедрам. Демографические данные студентов и преподавателей представлены соответственно в таблице 1 и 2.
3. Подготовка учебных классов и материалов
   Каждая комната была оснащена компьютером (Intel i5 и выше, ≥ 8 ГБ оперативной памяти), HD-веб-камерой (≥ 720p) и стабильным интернет-соединением (≥ 10 Мбит/с). Веб-камера была размещена на уровне глаз при равномерном фронтальном освещении для обеспечения чёткой видимости лица ≥ 640 × 480 пикселей. В уведомлении было указано, что отслеживание эмоций активно. Кадрирование и освещение проверялись перед каждой сессией, а настройка программного обеспечения запускалась после подтверждения стабильности обнаружения.

2. Конфигурация визуального ИИ

1. Предоставление сервиса распознавания эмоций
   Был создан облачный аккаунт и активирован API распознавания эмоций. Были сгенерированы ключ API и URL конечной точки, а учетные данные хранятся в зашифрованной форме под управлением доступа на основе ролей. Для воспроизводимости использовался Microsoft Azure Face API (Emotion, v3.2, регион Восточной Азии). Клиент аутентифицировался через HTTPS с помощью токена предъявлятеля и возвращал JSON-объекты на лицо, содержащие {faceId, faceRectangle, эмоции: {гнев, страх, печаль, отвращение, счастье, удивление, нейтрально}, временная метка} примерно на 25-30 кадрах в секунду.
2. Подключение камеры и калибровка обнаружения
   Поток веб-камеры в классе был связан с API-клиентом (Python или REST). Частота дискретизации была установлена на уровне 25-30 кадров в секунду с разрешением кадров 640 × 480 пикселей. Был инициирован тестовый поток, и подключение подтверждалось получением ответа HTTP 200 OK с действительным временной меткой JSON. Угол камеры и освещение регулировались до тех пор, пока лица не были обнаружены в течение одной секунды после входа в кадр. Окончательное положение камеры и параметры освещения были задокументированы. Калибровка подтверждалась экраном подтверждения с ограничивающими рамками, индикатором 200 OK и полями JSON, как показано на рисунке 1B.
3. Определение порогов классификации и правил логирования
   Каждый вывод JSON содержал временные метки ISO 8601, метки эмоций и значения доверия. Композит негативного аффекта на кадр определялся как среднее значение {гнев, страх, грусть, отвращение} доверия. Флаг напряжения срабатывал, когда композит оставался ≥ 0,75 не менее 5 секунд (скользящее окно). Был проведён 10-минутный пилотный запуск для оптимизации порогов с целью достигать уровня ложных положительных результатов за сессию ≤5%. Логирование было настроено на агрегирование сводок на уровне сессии вместо хранения идентифицируемых кадров.
4. Внедрение контроля конфиденциальности и минимизации данных
   Присваивались псевдонимные идентификаторы (S001-S332 для студентов и F001-F015 для преподавателей), при этом файл ID-ключа хранился на зашифрованном сервере под контролем доступа по ролям. Локальное кэширование видео было отключено. Когда для обеспечения качества требовалось временное кэширование, кэшированные кадры удалялись в течение 24 часов после проверки. Точность обнаружения за сессию, средняя задержка и уровень ошибок были зафиксированы для последующего представления в разделе «Результаты».
5. Проверка готовности ИИ (процедурный контрольный пункт)
   Подтверждено стабильное обнаружение лиц при частоте 25-30 кадров в секунду, получение ответов HTTP 200 OK, корректные JSON-поля, задокументированные пороговые настройки и защищённое хранение учетных данных. Весь трубопровод прошёл проверки готовности, соответствующие калибровочному изображению на рисунке 1B.

3. Администрирование обследований

1. Конфигурация приборов и якорей
   Для измерения депрессии, тревоги и стресса была использована 5-балльная шкала Ликерта с использованием элементов, адаптированных из DASS-21, чтобы соответствовать академическому контексту. Коды элементов и анкеры соответствовали компоновке приборов, представленной в таблице 3.
2. Введение T1 (предтест)
   Опрос проводился сразу после первого экзамена и до получения обратной связи, основанной на ИИ. Была развернута защищённая онлайн-форма, все поля были установлены как обязательные, а дублирующие подачи были предотвращены. Набор данных экспортировался в формате CSV с полями для идентификатора участника, временной точки (T1) и оценок элементов.
3. Краткая обратная связь от преподавателя
   В течение 24 часов после T1 студентам, выявленным ИИ, предоставлялось неклиническое руководство. Обратная связь включала короткие упражнения на расслабление (3-5 минут), корректировка учебного плана или рекомендации по тайм-менеджменту. В исследовательском наборе данных не было зафиксировано клинических записей. Студенты, проявлявшие сильный стресс, направлялись в консультационные службы на кампусе в соответствии с политикой учреждения.
4. Введение T2 (после теста)
   Тот же опрос был повторно проведен после второй сессии экзамена и последующей обратной связи. Данные экспортировались в формате CSV с временной точкой (T2) и сопоставлены с ответами T1 с помощью идентификаторов участников.
5. Блокировка данных обследования (процедурный контрольный пункт)
   Были проверены показатели откликов и отсутствующие закономерности данных, а база данных опроса была заблокирована до слияния данных. Описательная статистика планировалась для включения в раздел «Результаты».

4. Упражнения по наративному симуляцию

1. Выполнение симуляции 1
   Был представлен сценарий академического стресса, показывающий такие ситуации, как получение низкой оценки или восприятие несправедливой обратной связи. Каждому студенту было поручено выбрать один из трёх вариантов ответа: внутреннее разочарование, публичное обвинение преподавателя или размышления и поиск разъяснений. Для выбора ответа выделялась продолжительность 3-5 минут, после чего следовало письменное объяснение 150–200 слов. Интерфейс симуляции, отображающий тайминг-подсказку и варианты ответа, показан на рисунке 1C.
2. Проведение коротких интервью
   Сразу после Симуляции 1 проводились короткие интервью продолжительностью 5–7 минут, чтобы изучить оценки участников, намерения в преодолении ситуации и воспринимаемые эмоциональные триггеры. Записи интервью записывались и связывались с идентификаторами участников.
3. Выполнение Simulation 2
   Вторая симуляция была проведена через несколько дней, по той же процедуре, что и в Симуляции 1, но с использованием параллельного сценария. Целью этой сессии было наблюдать изменения в эмоциональной осознанности и поведении при преодолении совладания. Выбор, обоснование и заметки интервью были записаны как в Симуляции 1.
4. Подтверждение записей симуляции (процедурный контрольный пункт)
   Каждому участнику было подтверждено наличие одного записанного выбора, одного объяснения не менее 150 слов и соответствующей заметки для интервью. Для последующего тематического анализа был подготовлен шаблон сводки по программированию.

5. Экспорт журналов ИИ и объединение наборов данных

1. Экспорт резюме эмоций на уровне сессии
   Резюме эмоций на уровне сессии экспортировались в формате CSV, включая идентификатор участника, идентификатор сессии, временную метку ISO 8601, метку эмоций, значение доверия и индикатор флага стресса. Raw видеокадры не сохранялись.
2. Объединение AI-логов с файлами опроса
   Файлы журналов ИИ объединялись с наборами опросов T1 и T2, используя идентификатор участника и дату сессии в качестве ключевых переменных. Производные переменные, такие как ΔAnxiety = Anxiety_T2 − Anxiety_T1, были вычислены для оценки изменений со временем. Был проведён аудит 5% объединённых записей для проверки согласованности идентификаторов и хронологической согласованности.
3. Подтверждение целостности слияния (процедурный контрольный пункт)
   Было подтверждено совпадение идентификаторов один к одному и правильное временное упорядочение, при этом T1 предшествует T2 для каждого участника. Любые выявленные расхождения были устранены до проведения статистического анализа.

6. Количественный анализ (рабочий процесс SPSS)

1. Импорт данных и определение переменных
   Файлы данных открывались в SPSS 27.0, а наборы данных CSV импортировались. Были определены метки и типы переменных, а также установлены правила отсутствующего значения. Мастер-файлы сохранялись в .sav формате для последующих анализов.
2. Оценка надёжности и описательная статистика
   α Кронбаха вычислялся для каждой конструкции для оценки внутренней согласованности. Для всех переменных была сгенерирована описательная статистика, включая среднее (M) и стандартное отклонение (SD). Полученные результаты сохранялись для включения в раздел Результаты.
3. Выполнение t-тестов парных выборок
   Были проведены парные t-тесты для сравнения баллов T1 и T2 по тревоге, депрессии и стрессу. Результаты включали t, степени свободы (df), p-значение, коэна d и 95% доверительный интервал (CI), все из которых были представлены в разделе «Результаты».
4. Исполнение повторных мер ANOVA
   Время (T1, T2) было задано как фактор внутри субъекта в ANOVA с повторяющимися измерениями. Тест сферичности Мокли был оценен, а коррекция Гринхауса-Гейссера применялась при нарушении предположений. Анализ показал значения F, df, p,^{η 2} и 95% CI для включения в результаты.
5. Подгонка множественных линейных регрессионных моделей
   Несколько линейных регрессионных моделей были оснащены с результатами T2, регрессированными по T1, частоте стресс-флагов ИИ и выбору повествования (фиктивный код). Результаты моделей суммировались с помощью β, стандартной ошибки (SE), t-значения, p-значения и^R2.
6. Поддержание стандартов единиц и нотации
   Все числовые значения соответствовали условностям SI, с интервалом между числом и единицей (например, 10 минут, 25 кадров в секунду, 640 × 480 пикселей). Уравнения вставлялись с помощью инструмента уравнений Word по мере необходимости, а статистическая нотация сохранялась единообразной во всех разделах.

7. Рабочий процесс тематического анализа

1. Сборка качественного корпуса
   Записи интервью были расшифрованы, а повествовательные обоснования собраны в единый корпус, помеченный идентификатором участника и временной точкой (Sim1 или Sim2). Этот корпус служил набором данных для качественного анализа.
2. Разработка кодовой книги и обучение программистов
   Была разработана кодовая книга, сосредоточенная на эмоциональной вовлечённости, качестве принятия решений и показателях эмоционального интеллекта, включая самосознание, эмпатию и эмоциональную регуляцию. Два кодировщика были обучены на 10% корпуса для обеспечения согласованной интерпретации кодов и аналитических критериев.
3. Установление надёжности интерратеров и завершение кодирования
   Надёжность интеррейтера оценивалась с κ для целевой Коэна не менее 0,75. Любые несоответствия обсуждались и устранялись до окончательного утверждения кодовой книги. Оставшийся корпус был полностью закодирован. Частоты тем были обобщены, а для презентации в разделе «Результаты» была подготовлена репрезентативная тематическая карта. Была выбрана одна представительная цитата для иллюстрации каждой основной темы.

8. Контроль качества, устранение неисправностей и архивирование

1. Решение технических вопросов
   При низком уровне распознавания лиц фронтальное освещение улучшалось, а угол камеры корректировали. Частота кадров была подтверждена на уровне 25-30 кадров в секунду. В случаях, когда наблюдались чрезмерные флаги напряжения, порог обнаружения увеличивался до 0,80 или увеличивался окно обнаружения не менее чем до 8 с для стабилизации результатов.
2. Обеспечение согласованности данных
   Идентификаторы участников и временные точки были проверены перед анализом данных. Кодеры перекалибровались после каждых 50 транскриптов, чтобы предотвратить дрейф кодирования. Чек-лист контроля качества на уровне сессии поддерживался и подписывался как руководителем сессии, так и управляющим данными для документирования целостности процедур.
3. Архивирование наборов данных и документация
   Все аналитические файлы были сняты с идентификации путём замены прямых идентификаторов на идентификаторы участников. Формы согласия хранились отдельно от данных исследований. Окончательные наборы данных, синтаксические файлы SPSS, кодовые книги и журналы контроля качества архивировались на защищённом сервере с ограниченным доступом.

Результаты

Описательный анализ

Сравнения до публикации показали стабильное снижение негативного эффекта после внедрения. Средние значения после теста снизились до 2,87 для тревожности, 2,74 для депрессии и 2,69 для стресса, с 3,25, 3,11 и 3,08 соответственно до теста (рисунок 2). Описательные результаты приведены в Таблице 4, а структура инструментов на уровне пункта приведена в Таблице 3. Д...

Обсуждение

Исследование показывает, что при сочетании нарративного симуляции с визуальным ИИ эмоциональное осознание становится общим процессом, а не однонаправленным вмешательством. Студенты реагировали не просто на цифровой инструмент; Они занимались структурированным эмоциональным рефлексием, связывая когнитивную оценку с воплощённым опытом. По всему набору данных как количественные, так и качественные результаты выявили стабильную закономерность снижения тревожности и улучшенную эмоциональную р...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Аппаратное обеспечение	Камера распознавания лиц	Logitech (или аналогичный)	Веб-камера C920 HD
Инструмент	Коллекция расшифровок интервью	Ручной ввод	Аудиозаписи/текст
Анкета	Модифицированная шкала DASS-21	Адаптация авторами	Формат Лайкерта с пятью точками
Программное обеспечение	Microsoft Azure Emotion API	Microsoft	Emotion API v3 (Облако)
Программное обеспечение	Статистика SPSS	IBM	Версия 26
Программное обеспечение	Система нарративного симуляции	Самостоятельно развившиеся	Веб-ориентированный (HTML5)
Системная платформа	Система управления преподаванием в университете	Внутренняя платформа	Интегрировано с модулем ИИ