В данном исследовании предлагается основа эмоционального учебного плана на базе графов для визуального обучения с помощью ИИ в музыкальном образовании в колледжах. Используя набор данных на основе симуляции, данная структура моделирует процесс усвоения знаний, эмоциональную динамику и вовлеченность. Результаты указывают на повышение эффективности обучения и снижение уровня стресса по сравнению с традиционными моделями, что демонстрирует потенциал для создания адаптивных образовательных систем, учитывающих состояние психического здоровья.
Исследовательская статья
Оценка на основе симуляции визуального дизайна обучения с интеграцией искусственного интеллекта для укрепления психического здоровья в рамках курсов музыки в колледжах
В этой статье
Краткое содержание
Аннотация
Визуальный дизайн обучения в музыкальном образовании в колледжах привлекает все больше внимания благодаря своему потенциалу повышать вовлеченность студентов и способствовать их психологическому благополучию. Однако традиционные методики обучения часто не обладают адаптивностью, необходимой для реагирования на меняющиеся когнитивные и эмоциональные состояния учащихся, что ограничивает их эффективность в поддержке как академической успеваемости, так и психологического равновесия. Основная цель данного исследования, основанного на симуляции, заключается в разработке и оценке управляемой искусственным интеллектом системы, которая интегрирует стратегии визуального обучения с графовым моделированием эмоций для оптимизации результатов обучения на музыкальных курсах в колледжах. Предложена новая интеллектуальная система эмоционального учебного плана на основе графов (GECIF), представляющая образовательную среду в виде взаимосвязанного графа узлов знаний, деятельности и эмоций. Система включает в себя обучение представлениям на основе графов, динамическое моделирование состояний и механизмы адаптивного обучения для симуляции эволюции процесса приобретения знаний, вовлеченности, эмоциональной стабильности и стресса с течением времени. Для обеспечения воспроизводимости с помощью контролируемого конвейера симуляции на базе MATLAB был создан синтетический набор данных, включающий журналы взаимодействий, эмоциональные показатели и переменные успеваемости. GECIF оценивалась в сравнении с традиционной неадаптивной базовой моделью при идентичных экспериментальных условиях на нормализованных этапах симуляции. Эффективность оценивалась с помощью нормализованных метрик симуляции, включая прирост знаний, эмоциональную стабильность, снижение стресса, уровень вовлеченности и робастность. Предложенная система последовательно превосходила базовую модель, демонстрируя более высокие показатели симулированного приобретения знаний, улучшенную эмоциональную регуляцию, большую вовлеченность, снижение симулированного стресса и повышенную робастность. Статистический анализ, основанный на средних значениях, стандартных отклонениях и 95% доверительных интервалах, подтвердил стабильные улучшения по всем метрикам оценки. Эти результаты демонстрируют потенциал управляемых ИИ и учитывающих эмоции стратегий визуального обучения для адаптивного музыкального образования, предоставляя масштабируемую и воспроизводимую вычислительную систему для поддержки будущих исследований в области интеллектуальных образовательных систем.
Введение
Интеграция искусственного интеллекта (ИИ) в образовательные системы значительно трансформировала традиционные парадигмы обучения, обеспечив возможность создания более адаптивного, персонализированного и основанного на данных образовательного опыта1,2,3. В последние годы визуальное проектирование обучения стало эффективным педагогическим подходом, особенно в таких дисциплинах, как музыкальное образование, где центральную роль играют абстрактные концепции, эмоциональное выражение и перцептивное понимание4,5,6,7. Визуальные репрезентации, включая графические интерфейсы, интерактивные симуляции и мультимедийные элементы, способствуют более глубокой когнитивной обработке информации и повышают вовлеченность учащихся8,9,10,11. Однако, несмотря на эти достижения, существующие методы визуального обучения часто остаются статичными и не обладают способностью динамически реагировать на меняющиеся когнитивные и эмоциональные состояния учащихся12,13,14. Музыкальное образование, особенно на уровне колледжей, ставит уникальные задачи в силу своей изначально многомерной природы15,16,17. На результаты обучения влияют не только когнитивное понимание музыкальной теории и техники исполнения, но и эмоциональные факторы, такие как мотивация, стресс, вовлеченность и психологическое благополучие18. Предыдущие исследования подчеркнули сильную связь между эмоциональными состояниями и эффективностью обучения, указывая на то, что студенты, испытывающие высокий уровень стресса или низкую вовлеченность, склонны демонстрировать более низкую академическую успеваемость19,20,21. Хотя было предложено несколько образовательных систем на базе ИИ для повышения персонализации обучения, большинство из них сосредоточены преимущественно на показателях когнитивной деятельности и игнорируют критическую роль эмоциональной динамики в формировании процесса обучения22.
Последние достижения в области интеллектуальных систем обучения привели к внедрению графовых представлений и методов глубокого обучения для моделирования сложных взаимосвязей между образовательными компонентами23,24,25. Графовые структуры обучения, включая графовые нейронные сети (GNN), продемонстрировали высокую эффективность в выявлении структурированных зависимостей между элементами знаний, взаимодействиями учащихся и контекстуальными факторами26. Кроме того, внимание привлекли вычисления с учетом эмоционального состояния благодаря их способности интегрировать психологические сигналы в адаптивные среды обучения27. Тем не менее, интеграция этих подходов в рамках единой системы музыкального образования остается ограниченной28,29,30. В существующих работах эмоциональные переменные часто рассматриваются как вспомогательные признаки, а не как основные компоненты, и в них редко представлены механизмы непрерывной адаптации, основанные на взаимодействии когнитивных и эмоциональных процессов31.
Более того, применение ИИ в образовании с учетом ментального здоровья преимущественно опиралось на эмпирические данные или данные датчиков, собранные у реальных участников32. Однако такие подходы требуют обширных этических согласований, стандартизированных инструментов измерения и контролируемых экспериментальных условий, что не всегда возможно реализовать на ранних этапах исследований33. В результате в качестве альтернативы для изучения сложных образовательных динамик в контролируемом и воспроизводимом режиме появились методологии, основанные на симуляции34. Создавая синтетические наборы данных, которые имитируют логи взаимодействий, эмоциональные показатели и метрики успеваемости в обучении, исследователи могут оценивать поведение предлагаемых моделей в различных сценариях, сохраняя при этом полный контроль над параметрами и допущениями системы35.
Несмотря на эти достижения, сохраняется ряд пробелов в исследованиях36. Во-первых, отсутствуют единые концепции, которые одновременно моделировали бы процесс приобретения знаний, эмоциональную эволюцию и вовлеченность в обучение в рамках структурированного представления37. Во-вторых, современные системы визуального обучения не используют эффективно графовый интеллект для фиксации взаимозависимостей между музыкальными концепциями, учебной деятельностью и психологическими состояниями38. В-третьих, недостаточно внимания уделялось разработке масштабируемых и воспроизводимых конвейеров симуляции, позволяющих систематически оценивать образовательные модели на базе ИИ39,40,41. Наконец, существующие подходы зачастую не позволяют сформировать целостный взгляд на обучение, который объединял бы когнитивные и эмоциональные аспекты динамически адаптивным способом42.
Для решения этих задач в данной работе предлагается интеллектуальная структура эмоционаческого учебного плана на основе графов (GECIF) для проектирования визуального обучения с использованием ИИ в музыкальном образовании в колледжах. В Таблице 1 приведены основные определения компонентов графа, состояний узлов и параметров модели. Эта таблица обеспечивает ясность и воспроизводимость методологии. Предлагаемая структура моделирует образовательную среду как взаимосвязанный граф, состоящий из узлов знаний, узлов активности и эмоциональных узлов, что позволяет комплексно представить динамику обучения. Набор данных на основе симуляции создается с помощью контролируемого вычислительного конвейера, который включает логи взаимодействия, эмоциональные индикаторы и показатели успеваемости, что обеспечивает воспроизводимость и масштабируемость. Структура включает механизмы адаптивного обучения, моделирование эмоционального состояния и оптимизацию на основе графов для имитации эволюции результатов обучения и психологического состояния с течением времени. Сравнительная оценка по отношению к традиционной модели обучения проводится с использованием нескольких показателей эффективности, включая прирост знаний, эмоциональную стабильность, снижение уровня стресса, вовлеченность и устойчивость.
Основная цель данного исследования заключается в разработке и оценке основанной на симуляциях системы визуального обучения на базе ИИ, которая объединяет графовое моделирование и эмоциональный интеллект для повышения эффективности обучения и поддержки образовательного процесса с учетом ментального здоровья в рамках курсов музыки в колледже.
Протокол
Данное исследование представляет собой вычислительный анализ и моделирование, которое не предполагает участия людей, использования клинических данных или персональной информации. Все данные, использованные в этой работе, были синтетически сгенерированы с помощью контролируемых процессов симуляции. Следовательно, этическое одобрение институционального наблюдательного совета и информированное согласие не требовались. Исследование соответствует стандартным рекомендациям для вычислительных исследований и обеспечивает полную воспроизводимость и прозрачность методологии.
Теоретическая база и обоснование
Предлагаемая концепция интеллектуального эмоционального учебного плана на основе графов (GECIF) базируется на интеграции искусственного интеллекта, обучения на основе графов, эмоциональных вычислений и визуальной педагогики с целью моделирования обучения как динамичного и многомерного процесса, который одновременно охватывает когнитивное развитие, эмоциональную эволюцию и поведенческую вовлеченность. Традиционные методы обучения часто предполагают линейное развитие процесса приобретения знаний и недостаточно отражают сложные взаимодействия между когнитивной эффективностью и психологическим состоянием. Это ограничение особенно критично в музыкальном образовании в колледжах, где эмоциональное выражение, мотивация и творчество неотделимы от технического и теоретического обучения. В данном контексте концепция представляет образовательный процесс как взаимосвязанную систему, в которой элементы знаний, учебная деятельность и эмоциональные состояния непрерывно влияют друг на друга. Моделирование на основе графов обеспечивает структурированное и масштабируемое представление этих связей, позволяя эффективно фиксировать как прямые, так и косвенные зависимости. Эмоциональная динамика включена в качестве внутренних компонентов, а не вспомогательных переменных, что позволяет моделировать то, как психологические состояния развиваются и распространяются в процессе обучения. Интеграция визуального проектирования обучения дополнительно повышает интерпретируемость, преобразуя абстрактные вычислительные взаимодействия в интуитивно понятные графические представления.
Методология и дизайн симуляционного исследования
В данном исследовании используется дизайн на основе компьютерного моделирования, в котором не задействованы люди, а все данные синтезируются с помощью контролируемого и воспроизводимого конвейера. Таким образом, представленные результаты являются модельной оценкой, а не эмпирическими наблюдениями, полученными от реальных учащихся. Улучшения в успеваемости, вовлеченности, эмоциональной стабильности и снижении стресса интерпретируются как симулированные или потенциальные эффекты предлагаемой структуры. Среда моделирования приближает реальные условия обучения за счет учета временных зависимостей, вариативности паттернов взаимодействия и меняющихся эмоциональных состояний. Реализована сравнительная экспериментальная конфигурация, в которой предлагаемая структура GECIF оценивается в сравнении с традиционной базовой моделью, представляющей неадаптивную систему обучения, где знания развиваются исключительно на основе интенсивности взаимодействия без графового представления, эмоционального моделирования или оптимизации учебного плана. Обе модели выполняются при идентичных условиях моделирования для обеспечения согласованного и непредвзятого сравнения.
Генерация и структура набора данных
Был создан масштабный набор данных для моделирования динамики обучения в рамках музыкального образования в колледже путем интеграции логов взаимодействия, эмоциональных показателей и метрик успеваемости в единую временную структуру. Набор данных был получен и расширен на основе общедоступного датасета успеваемости студентов (UCI Machine Learning Repository), который содержит данные об академической успеваемости, а также демографические и поведенческие характеристики. Этот набор данных служил базовым ориентиром для моделирования реалистичных паттернов обучения. Логи взаимодействия представляют собой симуляцию вовлеченности в учебную деятельность, такую как практические занятия, упражнения по развитию слуха и визуальные обучающие задачи. Эмоциональные показатели отражают психологические состояния, включая стресс, вовлеченность и мотивацию, в то время как успеваемость отражает процесс усвоения знаний и прогресс с течением времени. Для обогащения набора данных и учета временных зависимостей был использован конвейер симуляции на базе MATLAB с фиксированной инициализацией случайного seed для обеспечения воспроизводимости. Временная непрерывность была реализована с помощью авторегрессионных процессов, что позволило поведению при взаимодействии и эмоциональным состояниям эволюционировать постепенно. Итоговый набор данных включает одну тысячу симулированных учащихся, наблюдение за которыми велось на протяжении пятисот временных шагов, с множеством признаков взаимодействия, представляющих различные формы учебного поведения. Все переменные нормализованы в диапазоне [0,1] для обеспечения согласованности и сопоставимости. Набор данных разделен на обучающую, валидационную и тестовую выборки в пропорции 70%–15%–15% для обеспечения несмещенной оценки модели.
Построение и представление графа
Обучающая среда моделируется как взвешенный граф, определяемый следующим образом:
G = (V,E,W) (1)
где обозначает множество узлов, представляет множество ребер, а является взвешенной матрицей смежности, описывающей силу связей между узлами. Множество узлов разлагается следующим образом:
V = Vk∪Va∪Ve (2)
где Vk, Va и Ve соответствуют узлам знаний, узлам деятельности и эмоциональным узлам соответственно. Веса ребер вычисляются следующим образом:
Wij = α Sc(i,j) + βSe(i,j) (3)
где Sc(i,j) представляет когнитивное сходство между узлами, Se(i,j) — эмоциональную корреляцию, а α и β являются весовыми коэффициентами, контролирующими их относительное влияние. Уравнение (3) определяет, как структурные и эмоциональные связи совместно определяют связность графа.
Представление состояния узла и обучение графам
Каждый узел связан с динамическим вектором состояния, который определяется следующим образом:
xi(t) = [ki(t),ei(t),ai(t)] (4)
где ki(t), ei(t) и ai(t) обозначают уровень знаний, эмоциональное состояние и уровень вовлеченности в момент времени t соответственно. Представления узлов обновляются с использованием агрегации на основе графа:
(5)
где 
— это вложение узла i на слое l, σ — нелинейная функция активации, а N(i) обозначает набор соседних узлов. Уравнение (5) описывает, как каждый узел интегрирует информацию от своих соседей. Далее вводится механизм внимания:
(6)
где αij — коэффициент внимания, а ∅(·) — функция сходства. Уравнение (6) позволяет осуществлять адаптивное взвешивание вкладов соседних узлов.
Моделирование эмоциональной динамики
Временная эволюция эмоциональных состояний моделируется следующим образом:
(7)
где γ — коэффициент сохранения эмоций. Уравнение (7) отражает как устойчивость, так и распространение эмоционального влияния. Эмоциональная стабильность количественно определяется следующим образом:
(8)
где E+(t) и E-(t) обозначают положительный и отрицательный эмоциональные компоненты, а 
представляет собой малую константу, предотвращающую деление на ноль. Накопление стресса определяется следующим образом:
(9)
где λ(τ) представляет собой мгновенный коэффициент интенсивности напряжений. Уравнение (9) моделирует кумулятивное напряжение с течением времени.
Оптимизация обучения и адаптивное проектирование учебных программ
Процесс обучения управляется многоцелевой функцией оптимизации:
J = λ1K + λ2K - λ3S (10)
где K обозначает прирост знаний, E — эмоциональную стабильность, а S — уровень стресса, в то время как λ1, λ2, λ3 являются весовыми коэффициентами. Уравнение (10) уравновешивает когнитивные и эмоциональные цели. Адаптивная перестройка учебной программы определяется следующим образом:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
где η — скорость обучения, а Δij(t) представляет собой корректировки обновления, обусловленные динамикой обучения. Уравнение (11) позволяет структуре графа эволюционировать с течением времени.
Временной масштаб и продолжительность симуляции
Все симуляции проводятся с использованием нормализованных временных шагов, а не единиц реального времени. Короткие интервалы соответствуют масштабированным шагам симуляции, представляющим эволюцию системы, в то время как длительные симуляции продолжительностью пятьсот шагов используются для оценки долгосрочного поведения, сходимости и устойчивости.
Метрики оценки и статистический анализ
Эффективность разработанной структуры оценивается с помощью нормализованных показателей, включая прирост знаний, эмоциональную стабильность, уровень стресса, уровень вовлеченности и робастность. Статистический анализ выполняется с использованием статистических функций MATLAB; для каждого показателя рассчитываются средние значения, стандартные отклонения и 95% доверительные интервалы. Перед применением парных t-критериев проверяется допущение о нормальности распределения. Сравнительный анализ предлагаемой структуры и базовой модели проводится на выборке из n = 1000 симулированных учащихся, при этом статистическая значимость определяется как p < 0,05.
Воспроизводимость и детали реализации
Все симуляции, конвейеры обработки данных и процедуры оценки полностью воспроизводимы. Процесс генерации набора данных, параметры построения графа, конфигурации моделей и настройки оптимизации определены явным образом. Инициализация случайного числа (seed) зафиксирована для обеспечения согласованности результатов при повторных запусках. Все гиперпараметры, скрипты и описания наборов данных представлены в дополнительных материалах, что позволяет полностью воспроизвести исследование с использованием MATLAB или эквивалентных вычислительных инструментов.
Все симуляции, конвейеры обработки данных и скрипты оценки представлены в Дополнительном файле 1. Набор данных включает необработанные журналы взаимодействий, эмоциональные индикаторы и метрики успеваемости в обучении. Параметры построения графов и настройки оптимизации полностью задокументированы. Система может быть воспроизведена с использованием стандартных сред машинного обучения. Для обеспечения согласованности зафиксирована инициализация случайного числа (random seed). Все гиперпараметры указаны явным образом. Данный протокол обеспечивает полную прозрачность и воспроизводимость.
Результаты
Эффективность предлагаемой структуры эмоционального учебного плана на основе графов (Graph-based emotional curriculum intelligence framework, GECIF) была оценена с использованием набора данных на основе симуляции, состоящего из n = 1000 учащихся на протяжении T = 500 нормализованных временных шагов. На рисунке 1 представлена концептуальная архитектура GECIF для визуального музыкального образования на базе ИИ и укрепления психического здоровья. Все показатели представлены в нормализованных шкалах в диапазоне [0,1]. Статистическая оценка включает средние значения, стандартные отклонения (SD) и 95% доверительные интервалы (CI), при этом значимость оценивалась с помощью парных t-критериев (p < 0.05). Все сравнения рассчитаны для всей симулируемой популяции. На рисунке 2 показаны динамика обучения и поведение при усвоении знаний предлагаемой структуры в сравнении с базовой моделью. Структура GECIF обеспечивает прирост знаний 0,88 ± 0,04 (95% CI: 0,84–0,92), в то время как базовая модель достигает 0,65 ± 0,06 (95% CI: 0,59–0,71), при статистически значимой разнице (p < 0.001). Кривая обучения демонстрирует более высокую скорость роста и стабильную сходимость без осцилляторного поведения.
Рисунок 3 демонстрирует временную эволюцию эмоциональной стабильности. Предложенная структура обеспечивает индекс эмоциональной стабильности 0.92 ± 0.03 по сравнению с 0.70 ± 0.05 в базовой модели (p < 0.01). Вариабельность снижена, что подтверждается более низкими значениями стандартного отклонения с течением времени. Рисунок 4 показывает динамику стресса во времени. Предложенная модель поддерживает более низкий уровень стресса 0.15 ± 0.05 по сравнению с 0.45 ± 0.07 для базовой модели (p < 0.001). Скорость накопления остается стабильно более низкой на протяжении всего периода симуляции. Рисунок 5 представляет распределение показателей обучения среди учащихся. Предложенная структура демонстрирует распределение, центрированное на более высоких значениях, с меньшим разбросом по сравнению с базовой моделью, что указывает на более низкую дисперсию результатов. Рисунок 6 иллюстрирует эволюцию эмбеддингов узлов внутри графа. Представления признаков демонстрируют непрерывные переходы между итерациями без резких изменений, что свидетельствует о стабильности обновлений. Рисунок 7 показывает силу взаимодействия между узлами знаний, активности и эмоций. Тепловая карта выявляет статистически значимые корреляции (p < 0.05) между категориями узлов с различной величиной взаимодействия.
Рисунок 8 представляет взаимосвязь между нормированным приростом знаний и эмоциональной стабильностью на протяжении симулированного процесса обучения. Предложенная структура GECIF демонстрирует сильную положительную корреляцию между этими двумя переменными (r = 0,82) по сравнению с умеренной положительной корреляцией, наблюдаемой для традиционной базовой модели (r = 0,65). Обе корреляции были статистически значимыми (p < 0,05), что указывает на то, что улучшение процесса усвоения знаний сопровождается повышением эмоциональной стабильности, отражая тем самым сбалансированную интеграцию когнитивного развития и эмоциональной регуляции, достигнутую с помощью предлагаемой структуры. Рисунок 9 показывает совокупный вклад когнитивного и эмоционального компонентов с течением времени. Значения когнитивного компонента прогрессивно растут, в то время как эмоциональная вариабельность снижается; при этом на всех этапах симуляции наблюдаются устойчивые тенденции. Рисунок 10 сравнивает распределения прироста знаний, достигнутого с помощью предлагаемой структуры GECIF и стандартного базового метода, с использованием диаграмм «ящик с усами». Предлагаемая структура обеспечила значительно более высокий средний прирост знаний (9,87 ± 3,46), чем традиционная модель (6,90 ± 2,88), с использованием t-критерия для независимых выборок Пожалуйста, предоставьте текст для перевода.—тест, подтверждающий статистически значимое различие (p < 0,0001; Коэна д = 1,43). Несмотря на то, что структура GECIF демонстрировала большую вариабельность, о чем свидетельствуют более высокие значения стандартного отклонения и межквартильного размаха, всё распределение было смещено в сторону более высоких значений прироста знаний. Это указывает на то, что повышенная дисперсия сопровождается улучшением общих показателей эффективности, а не снижением стабильности. Данные результаты демонстрируют, что предлагаемая структура обеспечивает устойчивую эффективность обучения, эффективно учитывая при этом разнообразные ответы симулированных учащихся. Рисунок 11 представляет динамику вовлеченности с течением времени. Предложенная структура позволяет достичь уровня вовлеченности 0,90 ± 0,04 по сравнению с 0,68 ± 0,06 для базовой модели (p < 0,01) при сниженной вариабельности. Рисунок 12 демонстрирует поведение взаимодействия в циклической форме. Амплитуда колебаний в предлагаемой структуре ниже, что указывает на снижение вариабельности по сравнению с базовым уровнем.
Рисунок 13 иллюстрирует интенсивность пространственных признаков по всему графу. Распределение признаков демонстрирует непрерывную вариативность с выраженными пиками и спадами, что указывает на гетерогенные паттерны активации. Рисунок 14 представляет направленный поток передачи знаний. Векторное поле демонстрирует организованные паттерны распространения, при этом области конвергенции соответствуют более высокому накоплению значений. Рисунок 15 показывает эволюцию топологии графа во времени. Структурные обновления происходят постепенно, с плавными переходами значений признаков между итерациями. Рисунок 16 представляет анализ взаимозависимости признаков. Тепловая карта корреляций указывает на умеренную или сильную связь между признаками, при этом доминирующая избыточность не наблюдается. Рисунок 17 иллюстрирует вклад многомерных признаков. Уровни вклада различаются между узлами, что свидетельствует о гетерогенных паттернах влияния. Рисунок 18 показывает совместную эволюцию знаний и эмоциональных состояний. Значения знаний устойчиво растут, в то время как эмоциональная вариабельность со временем снижается, причем данные тенденции сохраняются на протяжении всего периода симуляции. Количественное резюме этих результатов приведено в Таблице 2, где все показатели, включая прирост знаний, эмоциональную стабильность, уровень стресса, вовлеченность и робастность, представлены с указанием статистических мер. Результаты демонстрируют устойчивые различия между предлагаемым фреймворком и базовой моделью по всем оцениваемым метрикам. Статистический анализ подтверждает, что эти различия являются значимыми для всей симулируемой популяции. В целом, результаты симуляции последовательно доказывают, что предлагаемый фреймворк GECIF превосходит традиционную базовую модель по всем оцениваемым нормализованным показателям эффективности. Эти выводы подтверждают цель и гипотезу исследования о том, что интеграция основанного на графах эмоционального интеллекта с визуальным обучением на базе ИИ может повысить эффективность симулированного обучения, эмоциональную стабильность, вовлеченность и управление стрессом в воспроизводимой вычислительной среде.
ДОСТУПНОСТЬ ДАННЫХ:
Все данные и вычислительные процедуры, использованные в данном исследовании, полностью воспроизводимы и находятся в открытом доступе. Полный код для генерации набора данных вместе со структурированными представлениями данных представлены в Дополнительном файле 1.
Рисунок 1: Концептуальная архитектура интеллектуальной системы эмоционального учебного плана на основе графов (GECIF) для визуального музыкального образования и укрепления психического здоровья с помощью ИИ. На данном рисунке представлена полная структура системы, включая построение графа «знания–эмоции», анализ с помощью графовых нейронных сетей, оптимизацию эмоциональных путей, адаптивную перестройку учебного плана, визуальный интерфейс обучения и многокритериальную оптимизацию. Здесь показано, как когнитивные и эмоциональные компоненты интегрированы в единую адаптивную систему обучения. Пожалуйста, нажмите здесь, чтобы просмотреть этот рисунок в большем размере.
Рисунок 2: Эволюция процесса приобретения знаний при адаптивном обучении на основе графов в сравнении с традиционной базовой моделью. На рисунке показана динамика нормированного прироста знаний в зависимости от нормированного количества шагов симуляции, что демонстрирует более быструю сходимость и более высокую эффективность симулированного обучения для предлагаемого фреймворка GECIF. Статистическое сравнение предлагаемой и базовой моделей проводилось с использованием парного t-критерия для n = 1000 симулированных учащихся. Планки погрешностей, где они представлены, соответствуют 95% доверительным интервалам (95% CI) среднего нормированного прироста знаний. Статистически значимыми считались различия при p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 3: Временная динамика улучшения эмоциональной стабильности за счет интеллектуальной адаптации учебного плана. На рисунке показана эволюция нормализованного индекса эмоциональной стабильности в зависимости от нормализованных шагов симуляции, что демонстрирует более плавную стабилизацию и снижение эмоциональных колебаний для предложенной структуры GECIF по сравнению с традиционной базовой моделью. Статистическое сравнение проводилось с использованием парного t-критерия для n = 1000 симулируемых учащихся. Планки погрешностей, если они указаны, представляют собой 95% доверительные интервалы (95% CI) среднего нормализованного индекса эмоциональной стабильности. Различия считались статистически значимыми при p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 4: Снижение уровня стресса посредством образовательных траекторий с учетом эмоционального состояния. На рисунке показана временная эволюция нормализованных уровней стресса в зависимости от нормализованных шагов симуляции; видно, что предлагаемая структура GECIF поддерживает более низкий и стабильный симулированный уровень стресса по сравнению с традиционной базовой моделью, что свидетельствует об улучшении эмоциональной регуляции на протяжении всего процесса обучения. Статистические сравнения проводились с помощью парного t-критерия для n = 1000 симулированных учащихся. Планки погрешностей представляют собой 95% доверительные интервалы (95% CI) среднего нормализованного уровня стресса. Различия считались статистически значимыми при p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 5: Распределение результатов обучения среди симулированных учащихся.На рисунке показано распределение нормализованного прироста знаний для предлагаемой структуры GECIF и традиционной базовой модели. Предлагаемая структура демонстрирует распределение, смещенное в сторону более высокого нормализованного прироста знаний с меньшей вариабельностью, в то время как базовая модель сосредоточена на более низких уровнях эффективности. Статистические сравнения двух распределений проводились с использованием парного t-критерия для n = 1000 симулированных учащихся, при этом статистическая значимость определялась как p < 0.05. Планки погрешностей не представлены, так как на рисунке отображены распределения частот, а не сводная статистика. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 6: Эволюция графовых представлений знаний в ходе итераций обучения.На рисунке показана временная эволюция эмбеддингов узлов графа по нормализованным шагам симуляции. Пики соответствуют более сильной активации признаков, в то время как впадины указывают на более слабые представления признаков, что демонстрирует непрерывную адаптацию и уточнение графа знаний в процессе симуляции. Данная визуализация представляет эволюцию изученных представлений признаков и не включает планки погрешностей. Статистические сравнения, представленные в исследовании, проводились с использованием парного t-критерия для n = 1000 симулированных учащихся, при этом статистическая значимость определялась как p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 7: Сила взаимосвязей между когнитивными и эмоциональными узлами в графе обучения. На рисунке визуализирована нормализованная сила взаимодействий между когнитивными и эмоциональными узлами в рамках обучения на основе графов. Более высокие значения указывают на более сильные когнитивно-эмоциональные зависимости, тогда как более низкие значения представляют более слабые связи, что демонстрирует сложную взаимосвязанную структуру и адаптивную эволюцию графа обучения на протяжении всего процесса симуляции. Данная визуализация представляет паттерны связности графа и не содержит планок погрешностей. Статистические сравнения, приведенные в других частях исследования, были выполнены с использованием парного t-критерия для n = 1000 симулированных обучающихся, при этом статистическая значимость определялась как p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 8: Взаимосвязь между прогрессом в обучении и эмоциональным благополучием в условиях адаптивной учебной программы. На рисунке показана положительная взаимосвязь между нормализованным приростом знаний и эмоциональной стабильностью на протяжении симулированного процесса обучения. По мере увеличения объема усвоенных знаний эмоциональная стабильность также повышается, что указывает на эффективную интеграцию когнитивного развития и эмоциональной регуляции в рамках предложенной структуры GECIF. Статистические сравнения проводились с использованием парного t-критерия для n = 1000 симулированных учащихся. Планки погрешностей, где они указаны, представляют собой 95% доверительные интервалы (95% CI) средних нормализованных значений показателей. Различия считались статистически значимыми при p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 9: Вклад приобретения знаний и эмоциональной динамики в общую эффективность обучения по нормализованным шагам симуляции.На рисунке показан временной вклад нормализованного прироста знаний и эмоциональной динамики в общую симулированную эффективность обучения. Приобретение знаний демонстрирует доминирующий и устойчивый рост на протяжении всей симуляции, в то время как влияние эмоциональной динамики постепенно стабилизируется, что свидетельствует об эффективной интеграции когнитивных и эмоциональных процессов в рамках предложенной структуры GECIF. Статистические сравнения проводились с использованием парного t-критерия для n = 1000 симулированных учащихся. Планки погрешностей, где они представлены, соответствуют 95%-ным доверительным интервалам (95% CI) средних нормализованных значений эффективности. Различия считались статистически значимыми при p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 10: Вариативность и устойчивость показателей обучения в адаптивных и традиционных моделях. На рисунке представлены диаграммы размаха («ящик с усами»), сравнивающие распределения нормализованного прироста знаний для предлагаемой структуры GECIF и традиционной базовой модели. Предлагаемая структура демонстрирует более высокую медиану прироста знаний и общее смещение распределения в сторону более высоких значений производительности, при этом наблюдается более широкий межквартильный размах и большая общая дисперсия, что отражает более высокую вариативность среди симулированных учащихся. Несмотря на эту повышенную вариативность, стабильно более высокое распределение прироста знаний показывает, что предлагаемая структура обеспечивает устойчивые показатели обучения при различных условиях учащихся. Статистические сравнения проводились с использованием метода независимых выборок т-тест на выборке из n = 1000 симулированных учащихся для каждой модели. Прямоугольники обозначают межквартильный размах (IQR), горизонтальная линия внутри каждого прямоугольника указывает медиану, а «усы» простираются до 1,5 × МКИ (межквартильный размах). Предложенная структура обеспечила значимо более высокий средний прирост знаний по сравнению с традиционной моделью (p < 0,0001; коэффициент Коэна д = 1,43). Планки погрешностей не представлены, поскольку диаграмма «ящик с усами» обобщает распределение данных с помощью квартилей и «усов», а не доверительных интервалов. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 11: Динамические изменения вовлеченности студентов в процессе обучения. На рисунке представлена временная эволюция нормализованного индекса вовлеченности студентов (Student Engagement Index) в зависимости от нормализованных шагов симуляции, что демонстрирует, что предлагаемая структура GECIF обеспечивает более высокий и адаптивный уровень вовлеченности по сравнению с традиционной базовой моделью на протяжении всего моделируемого процесса обучения. Статистическое сравнение предлагаемой и базовой моделей проводилось с использованием парного t-критерия для n = 1000 смоделированных учащихся. Планки погрешностей, где они указаны, представляют собой 95% доверительные интервалы (95% CI) среднего нормализованного индекса вовлеченности студентов. Различия считались статистически значимыми при p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 12: Циклические закономерности вовлеченности учащихся в адаптивных обучающих средах. На рисунке представлена временная эволюция нормализованного индекса вовлеченности учащихся (Student Engagement Index) в зависимости от нормализованных шагов симуляции; периодические, но стабильные колебания вовлеченности указывают на то, что предлагаемая структура GECIF поддерживает сбалансированный и адаптивный ритм взаимодействия учащегося на протяжении всего процесса симулированного обучения. Статистические сравнения проводились с использованием парного t-критерия для n = 1000 симулированных учащихся. Планки погрешностей, где они представлены, соответствуют 95%-ным доверительным интервалам (95% CI) среднего значения нормализованного индекса вовлеченности учащихся. Различия считались статистически значимыми при p < 0,05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 13: Пространственная вариация интенсивности признаков в структуре графа обучения. На рисунке визуализировано нормированное пространственное распределение активации признаков в рамках графовой структуры обучения. Области с более высокой интенсивностью указывают на более сильную активацию признаков, тогда как области с низкой интенсивностью представляют более слабую активацию, что раскрывает структурированную нелинейную организацию представлений знаний и их адаптивные связи внутри графа обучения в процессе симуляции. Данная визуализация демонстрирует пространственные паттерны признаков и не включает планки погрешностей. Статистические сравнения, приведенные в других разделах исследования, проводились с использованием парного t-критерия для n = 1000 симулированных учащихся, при этом статистическая значимость определялась как p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 14: Направленный поток передачи знаний в графе учебной программы. На рисунке показано нормализованное распространение знаний между взаимосвязанными узлами в структуре учебной программы на основе графа. Направленные пути представляют собой организованный поток информации через обучающий граф, что подчеркивает эффективное распространение знаний и адаптивный обмен информацией между компонентами программы в ходе симуляции. Данная визуализация отображает паттерны распространения знаний и не содержит планок погрешностей. Статистические сравнения, представленные в других частях исследования, проводились с использованием парного t-критерия для n = 1000 симулированных учащихся, при этом статистическая значимость определялась как p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 15: Структурная эволюция графа обучения с течением времени посредством адаптивной трансформации признаков.На рисунке показана прогрессивная эволюция топологии графа в ходе нормализованных шагов симуляции, в процессе которых адаптивная трансформация признаков непрерывно уточняет связи между узлами знаний. Динамические структурные изменения отражают способность системы реорганизовывать и оптимизировать пути обучения, что приводит к созданию более согласованных и адаптивных представлений графа на протяжении всего процесса симулированного обучения. Данная визуализация отображает эволюцию топологии графа и не содержит планок погрешностей. Статистические сравнения, представленные в других частях исследования, проводились с использованием парного t-критерия для n = 1000 симулированных учащихся, при этом статистическая значимость определялась как p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 16: Паттерны взаимозависимости между извлеченными признаками обучения в адаптивной структуре.На рисунке визуализированы нормализованные паттерны взаимозависимости между извлеченными признаками обучения в рамках предлагаемой структуры GECIF. Более сильные связи указывают на более высокую корреляцию и более эффективное взаимодействие между измерениями признаков, в то время как более слабые связи представляют более низкую зависимость, что демонстрирует сложную многомерную организацию когнитивных и эмоциональных репрезентаций, изученных адаптивной структурой на основе графов. Данная визуализация представляет паттерны взаимодействия признаков и не содержит планок погрешностей. Статистические сравнения, приведенные в других частях исследования, выполнялись с использованием парного t-критерия для n = 1000 симулированных учащихся, при этом статистическая значимость определялась как p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 17: Вклад многомерных признаков в эффективность усвоения знаний. На рисунке показан нормализованный вклад нескольких измерений признаков в процесс усвоения знаний в рамках обучения на основе графов. Вариации значимости признаков между узлами графа подчеркивают гетерогенную природу когнитивных и эмоциональных факторов обучения, демонстрируя, как различные признаки взаимодействуют и способствуют адаптивному усвоению знаний в предлагаемой структуре GECIF. Данная визуализация представляет паттерны вклада многомерных признаков и не содержит планок погрешностей. Статистические сравнения, приведенные в других частях исследования, были выполнены с использованием парного t-критерия для n = 1000 симулированных учащихся, при этом статистическая значимость определялась как p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 18: Одновременная эволюция когнитивных и эмоциональных состояний в процессе адаптивного обучения. На рисунке представлена временная эволюция нормализованного прироста знаний и эмоциональной стабильности по нормализованным шагам симуляции, что демонстрирует устойчивое когнитивное улучшение, сопровождающееся постепенным снижением эмоциональных колебаний. Скоординированное развитие этих двух аспектов обучения указывает на то, что предлагаемая структура GECIF эффективно поддерживает сбалансированную интеграцию когнитивного развития и эмоциональной регуляции на протяжении всего процесса моделируемого обучения. Статистические сравнения проводились с использованием парного t-критерия для n = 1000 симулируемых учащихся. Планки погрешностей, где они указаны, представляют собой 95% доверительные интервалы (95% CI) средних нормализованных значений производительности. Различия считались статистически значимыми при p < 0.05. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
| Символ | Описание | Категория |
| G | Граф, представляющий всю систему обучения | Компонент графика |
| V | Множество всех узлов | Компонент графика |
| E | Множество ребер (связей) | Компонент графика |
| W | Матрица весов, представляющая силу взаимосвязи | Компонент графика |
| V_k | Узлы знаний (музыкальные концепции) | Тип узла |
| V_a | Узлы активности (обучающие действия) | Тип узла |
| V_e | Узлы эмоций (психологические состояния) | Тип узла |
| W_ij | Вес между узлами i и j | Параметр края |
| S_c(i,j) | Когнитивное сходство между узлами | Параметр края |
| S_e(i,j) | Эмоциональная корреляция между узлами | Параметр края |
| альфа | Вес когнитивного сходства | Параметр модели |
| бета | Вес для эмоциональной корреляции | Параметр модели |
| x_i(t) | Вектор состояния узла i в момент времени t | Состояние узла |
| k_i(t) | Уровень знаний узла i | Состояние узла |
| e_i(t) | Эмоциональное состояние узла i | Состояние узла |
| a_i(t) | Степень вовлеченности узла i в активность | Состояние узла |
| h_i | Векторное представление узлов | Параметр GNN |
| гамма | Коэффициент эмоционального затухания | Параметр модели |
| ЭТА (расчетное время прибытия) | Скорость обучения/адаптации | Параметр модели |
| J | Функция многокритериальной оптимизации | Оптимизация |
Таблица 1: Обзор переменных, параметров и обозначений, используемых в структуре эмоционального учебного интеллекта на основе графов (GECIF). В этой таблице приведены определения компонентов графа, состояний узлов и параметров модели, что обеспечивает воспроизводимость и ясность предлагаемой методологии.
| Метрика | Предлагаемый GECIF (среднее значение) | Предполагаемое стандартное отклонение (SD) | Предполагаемый 95% ДИ | Традиционный (средний) | Стандартное отклонение | Стандартный 95% ДИ | Улучшение (%) | p-значение |
| Приобретение знаний | 0.88 | 0.04 | 0.84–0.92 | 0.65 | 0.06 | 0.59–0.71 | 35 | 0.001 |
| Эмоциональная стабильность | 0.92 | 0.03 | 0.89–0.95 | 0.7 | 0.05 | 0.65–0.75 | 31 | 0.002 |
| Снижение стресса | 0.85 | 0.05 | 0.80–0.90 | 0.55 | 0.07 | 0.48–0.62 | 54 | 0.0005 |
| Уровень вовлеченности | 0.9 | 0.04 | 0.86–0.94 | 0.68 | 0.06 | 0.62–0.74 | 32 | 0.0015 |
| Робастность | 0.87 | 0.03 | 0.84–0.90 | 0.66 | 0.05 | 0.61–0.71 | 32 | 0.002 |
| Эффективность обучения | 0.91 | 0.04 | 0.87–0.95 | 0.69 | 0.06 | 0.63–0.75 | 32 | 0.001 |
| Скорость сходимости | 0.89 | 0.03 | 0.86–0.92 | 0.67 | 0.05 | 0.62–0.72 | 33 | 0.001 |
| Точность прогнозирования | 0.93 | 0.02 | 0.91–0.95 | 0.72 | 0.05 | 0.67–0.77 | 29 | 0.0008 |
| Снижение эмоциональной вариативности | 0.86 | 0.04 | 0.82–0.90 | 0.6 | 0.06 | 0.54–0.66 | 43 | 0.0012 |
| Показатель адаптивности | 0.9 | 0.03 | 0.87–0.93 | 0.68 | 0.05 | 0.63–0.73 | 32 | 0.001 |
Таблица 2: Сравнительные показатели эффективности предложенного фреймворка GECIF и традиционной модели обучения. В таблице обобщены улучшения в приросте знаний, эмоциональной стабильности, снижении уровня стресса, вовлеченности, устойчивости и общей эффективности обучения, что демонстрирует превосходство предложенного подхода.
Дополнительный файл 1: Код для генерации набора данных и структурированного представления данных. Обзор процесса генерации набора данных на базе MATLAB, конвейера обработки и процедур оценки, использованных в рамках графового интеллектуального эмоционального учебного плана (GECIF). В данном файле представлен обзор этапов моделирования, включая генерацию логов взаимодействия, моделирование эмоциональных индикаторов, расчет успеваемости в обучении, построение графа, проектирование признаков, статистический анализ, проверки валидации и процедуры экспорта данных, что обеспечивает воспроизводимость, прозрачность и ясность предлагаемой методологии.Пожалуйста, нажмите здесь, чтобы скачать этот файл.
Обсуждение
В настоящем исследовании предложена концепция эмоционального учебного интеллекта на основе графов (GECIF), которая объединяет обучение представлениям на основе графов, моделирование эмоционального состояния, адаптивную оптимизацию учебной программы и визуальное обучение на базе ИИ в единую вычислительную систему для музыкального образования в колледжах. В отличие от традиционных образовательных моделей с поддержкой ИИ, которые в первую очередь оптимизируют академическую успеваемость, предлагаемая структура одновременно моделирует взаимодействия между усвоением знаний, эмоциональной регуляцией, вовлеченностью учащихся и адаптивной эволюцией учебного плана. Результаты симуляции последовательно продемонстрировали превосходство предлагаемой системы над традиционным базовым вариантом по нескольким метрикам оценки, включая прирост знаний, эмоциональную стабильность, вовлеченность учащихся и снижение уровня стресса. Эти данные свидетельствуют о том, что интеграция реляционных графовых структур с эмоционально-ориентированным обучением обеспечивает более полное вычислительное представление образовательных процессов, чем подходы, опирающиеся исключительно на когнитивную адаптацию.
Наблюдаемые улучшения показателей симулированного обучения согласуются с последними достижениями в области адаптивного образования на базе ИИ. Технологии ИИ все чаще признаются эффективными инструментами для создания персонализированных и адаптивных сред обучения, способных реагировать на характеристики учащихся и их образовательные потребности18,19,20. В частности, было показано, что адаптивное проектирование учебных программ при поддержке искусственного интеллекта повышает гибкость обучения, способствует принятию решений, ориентированных на учащегося, и увеличивает общую образовательную эффективность19,20. Кроме того, системы оценки с помощью ИИ и интеллектуальные системы обратной связи продемонстрировали значительный потенциал для повышения успеваемости студентов за счет непрерывного оценивания и адаптивной методической поддержки21,22,23. По сравнению с этими предыдущими исследованиями, предлагаемый фреймворк GECIF расширяет существующие методологии, интегрируя когнитивные знания, эмоциональную динамику и адаптивное поведение при обучении в рамках единой графовой вычислительной архитектуры. Таким образом, данный фреймворк обеспечивает унифицированное представление образовательных процессов, а не рассматривает когнитивные показатели и адаптацию учащегося как раздельные компоненты.
Интеграция эмоционального моделирования в предлагаемую структуру также поддерживается предыдущими исследованиями в области музыкального образования и аффективного обучения. Li1 продемонстрировал, что эмоциональная визуализация в сочетании с глубоким обучением улучшает преподавание музыкальной эстетики за счет усиления взаимодействия между учащимися и образовательным контентом. Аналогично, Zhao3 сообщил, что интеграция когнитивного картирования с аудиовизуальной музыкотерапией эффективно снижает уровень тревожности у студентов университетов, подчеркивая тесную связь между эмоциональной регуляцией и результатами обучения. Iyendo и др.4 далее показали, что аудиовизуальное искусство и музыкальные интервенции значительно улучшают психологическое благополучие, уменьшая симптомы, связанные с эмоциональным стрессом. Таким образом, улучшения эмоциональной стабильности, наблюдаемые в настоящем симуляционном эксперименте, согласуются с предыдущими данными, указывающими на то, что эмоциональная осознанность является важнейшим компонентом успешного музыкального образования. В отличие от предыдущих исследований, в которых эмоциональные интервенции изучались преимущественно как независимые образовательные стратегии, предлагаемая структура встраивает эмоциональную динамику непосредственно в оптимизацию учебного плана на основе графов, что позволяет эмоциональным состояниям непрерывно влиять на адаптивные инструкции в ходе всего процесса обучения.
Моделируемое снижение стресса учащихся аналогичным образом согласуется с современной литературой, касающейся психического здоровья студентов в высшем образовании. Академический стресс был определен как основной предиктор снижения психологического благополучия и ухудшения успеваемости студентов университетов28,29,30. Систематические обзоры дополнительно показали, что структурированные мероприятия по управлению стрессом значительно улучшают как академическое функционирование, так и психологическое здоровье27. В последнее время цифровые вмешательства с поддержкой ИИ продемонстрировали эффективность в содействии управлению стрессом и адаптивной саморегуляции среди студентов университетов29. Представленная концепция отличается от этих подходов, основанных на вмешательстве, тем, что снижение стресса происходит за счет адаптивной оптимизации когнитивных и эмоциональных взаимодействий, а не через отдельные терапевтические механизмы. Следовательно, более низкие уровни стресса, наблюдаемые в предлагаемой концепции, позволяют предположить, что сам эмоционально-адаптивный дизайн учебного плана может способствовать снижению когнитивной перегрузки, одновременно поддерживая повышение успеваемости в обучении.
Повышение вовлеченности учащихся, наблюдаемое в настоящем исследовании, также подтверждается предыдущими работами, посвященными визуальному образованию с поддержкой ИИ и персонализированным технологиям обучения. Bian и соавт.12 продемонстрировали, что визуальный контент, созданный ИИ, значительно повышает вовлеченность в учебном процессе, чувство самоэффективности учащихся и когнитивные показатели в образовательной среде. Аналогично, Johnson и соавт.34 сообщили, что цифровые среды визуального обучения усиливают вовлеченность студентов и способствуют более активному участию в стрессовых условиях обучения. В частности, в музыкальном образовании было показано, что поддерживаемые ИИ технологии обучения облегчают создание персонализированных образовательных траекторий и способствуют инновациям в обучении41. Предлагаемая платформа GECIF дополняет эти выводы, объединяя адаптивное визуальное обучение с графовым эмоциональным моделированием, что позволяет вовлеченности учащихся, эмоциональной регуляции и когнитивному развитию развиваться одновременно на протяжении всего процесса обучения.
Связь между эмоциональной регуляцией и эффективностью обучения, наблюдаемая в настоящем исследовании, также подтверждается более широкими исследованиями в области психического здоровья. Эмоциональная регуляция была определена как фундаментальный детерминант психологического благополучия и здорового функционирования в образовательном процессе32. Аналогичным образом, модели благополучия студентов подчеркивают, что эмоциональная устойчивость и психологическая стабильность тесно связаны с успешными академическими результатами15,16,17. Исследования студентов университетов последовательно показывают, что укрепление психического здоровья повышает устойчивость, вовлеченность и долгосрочные образовательные достижения14,15,16,17. Данное моделирование продемонстрировало аналогичное вычислительное поведение, при котором улучшение эмоциональной стабильности сопровождалось более интенсивным усвоением знаний и более высокой вовлеченностью обучающегося. Хотя настоящее исследование полностью основано на моделировании и, следовательно, не может установить причинно-следственные связи у реальных учащихся, полученные вычислительные результаты подкрепляют растущий консенсус о том, что эмоциональную регуляцию следует внедрять непосредственно в интеллектуальные образовательные системы, а не рассматривать ее как независимый результат обучения.
По сравнению с существующими вычислительными подходами, предлагаемая структура обладает несколькими концептуальными преимуществами. Современные образовательные системы на базе ИИ все чаще используют адаптивное оценивание, персонализированную обратную связь и интеллектуальную поддержку принятия решений для повышения эффективности обучения21,22,23. Аналогичным образом, адаптивные модели учебных программ на основе ИИ делают упор на персонализацию обучения и динамическое планирование инструкций18,19,20. Однако эти подходы в целом оценивают успеваемость учащихся преимущественно по когнитивным показателям, представляя эмоциональную информацию отдельно или полностью опуская ее. Напротив, предлагаемая структура GECIF одновременно моделирует усвоение знаний, эмоциональную динамику, вовлеченность учащихся и эволюцию адаптивной учебной программы в рамках единого графового представления. Эта стратегия интегрированного моделирования обеспечивает непрерывное взаимодействие между когнитивными, поведенческими и эмоциональными переменными, предоставляя тем самым более полное вычислительное описание образовательных процессов, чем традиционные образовательные системы на базе ИИ.
Данная концептуальная основа особенно актуальна для музыкального образования, поскольку процесс обучения музыке по своей сути сочетает в себе освоение технических навыков, эмоциональное выражение, творчество и вовлеченность учащегося. Предыдущие исследования показали, что интеграция музыки, изобразительного искусства и творческих образовательных мероприятий способствует психологическому развитию, эмоциональному благополучию и образовательной мотивации36,37. Более того, студенты музыкальных специальностей часто сталкиваются со значительной академической нагрузкой и психологическим стрессом, что подчеркивает важность адаптивных механизмов образовательной поддержки25,26. Предлагаемая концепция расширяет эти образовательные подходы, предоставляя вычислительный механизм, способный одновременно представлять прогресс технического обучения, эмоциональную адаптацию и адаптивную оптимизацию инструктажа в рамках единой графовой модели. Следовательно, данная основа создает интерпретируемый вычислительный базис для будущих интеллектуальных систем музыкального образования, направленных на оптимизацию как успеваемости, так и благополучия учащихся.
Тем не менее следует признать ряд ограничений. Во-первых, оценка структуры проводилась исключительно на синтетических данных, созданных в рамках контролируемого компьютерного моделирования; следовательно, зарегистрированные улучшения отражают эффективность алгоритма, а не эмпирические данные, полученные на реальных группах учащихся. Во-вторых, эмоциональные переменные были представлены с помощью математических абстракций, которые упрощают сложность подлинных эмоциональных процессов человека. В-третьих, предопределенные структуры графов и параметры оптимизации могут не в полной мере отражать разнообразие образовательных сред, встречающихся на практике. Наконец, оптимизация на основе графов вносит дополнительную вычислительную сложность, которая может потребовать дальнейшей доработки перед широкомасштабным внедрением в интеллектуальные образовательные системы.
Следовательно, в будущих исследованиях предложенная структура должна быть валидирована с использованием подлинных образовательных наборов данных и условий реальных учебных классов. Включение мультимодальной образовательной информации, в том числе логов поведенческого взаимодействия, физиологических измерений, аудиовизуальных наблюдений и цифровых следов обучения, может существенно повысить реалистичность оценки эмоционального состояния и оптимизации адаптивной учебной программы. Сравнительный анализ с современными адаптивными системами обучения на базе ИИ 18,19,20,21,22 позволил бы дополнительно прояснить относительные преимущества графового эмоционального моделирования. Расширение применения данной структуры за пределы музыкального образования на другие учебные дисциплины также укрепило бы доказательства ее обобщаемости и практической применимости. Настоящее исследование, основанное на симуляции, демонстрирует, что интеграция реляционного обучения на основе графов с эмоциональным моделированием представляет собой перспективное направление для интеллектуальных образовательных систем следующего поколения. Полученные результаты согласуются с последними достижениями в области адаптивного образования с поддержкой ИИ, обучения музыке с учетом эмоций, персонализированного обучения и исследований психического здоровья учащихся25,26,27,28,29,30. Несмотря на то, что валидация с участием реальных учащихся остается необходимой, предложенная структура GECIF обеспечивает структурированную вычислительную основу для будущих образовательных систем на базе ИИ, способных одновременно оптимизировать когнитивную производительность, эмоциональное благополучие, вовлеченность учащихся и адаптивный дизайн учебной программы.
Раскрытие информации
Авторы заявляют об отсутствии конфликта интересов.
Благодарности
Автор выражает искреннюю благодарность кафедре музыки университета Anqing Normal University за предоставление академической среды и институциональной поддержки, необходимых для проведения данного исследования. Особая признательность выражается коллегам и студентам, которые внесли ценный вклад и предоставили полезные отзывы в процессе разработки и оценки предлагаемой структуры. Автор также благодарит университет Anqing Normal University за содействие в доступе к ресурсам и исследовательской инфраструктуре.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Модуль оперативной памяти DDR4 объемом 32 ГБ | Kingston Technology | Н/Д | |
| CUDA Toolkit для ускорения вычислений на GPU (v11.8) | NVIDIA | версия 1.18 | |
| Механизм адаптации учебных программ | Индивидуальное внедрение | CAE003 | |
| Набор данных: Эмоциональные индикаторы | Сгенерированный набор данных | DEI006 | |
| Набор данных: показатели эффективности обучения | Сгенерированный набор данных | DLPM007 | |
| Набор данных: журналы взаимодействия студентов | Сгенерированный набор данных | DIL005 | |
| Модуль симуляции эмоционального состояния | Индивидуальное внедрение | ESM002 | |
| Рабочая станция с GPU (NVIDIA RTX 3080) | NVIDIA | НД | |
| Модуль реализации графовых нейронных сетей | Индивидуальная реализация | Нет данных | |
| процессор Intel Core i7 (3,6 ГГц) | Intel Corporation | Не применимо | |
| Среда Jupyter Notebook (v6.5) | Проект Jupyter | версия 6.5 | |
| Программное обеспечение MATLAB (R2023a) | MathWorks | R2023a | |
| Библиотека визуализации Matplotlib (v3.7) | Matplotlib | версия 3.7 | |
| Библиотека обработки графов NetworkX (v3.1) | Разработчики NetworkX | версия 3.1 | |
| Библиотека для численных вычислений NumPy (v1.24) | Разработчики NumPy | версия 1.24 | |
| Модуль оптимизации (Многокритериальный решатель) | Индивидуальная реализация | MOS008 | |
| Библиотека для обработки данных Pandas (v2.0) | Команда разработчиков Pandas | версия 2.0 | |
| Среда программирования Python (v3.10) | Python Software Foundation | версия 3.10 | |
| Фреймворк глубокого обучения PyTorch (v2.0) | Meta AI | версия 2.0 | |
| Скрипт инициализации случайного зерна (seed) | Индивидуальное внедрение | RSI009 | |
| Библиотека машинного обучения Scikit-learn (v1.3) | Scikit-learn | версия 1.3 | |
| Библиотека статистической визуализации Seaborn (v0.12) | Seaborn | версия 0.12 | |
| Библиотека TensorFlow (v2.12) | версия 2.12 | ||
| Инструментарий интерфейса визуального обучения | Индивидуальная реализация | VLI004 | |
| Операционная система Windows 11 | Microsoft | W11 |
Ссылки
- 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.