Üniversitelerde ruh sağlığı kapasitesini artırmak için anlatı simülasyonu ve görsel yapay zekanın öğretim yönetimine entegre edilmesi üzerine araştırmalar

Özet

Bu çalışma, anlatı simülasyonu ve görsel yapay zekayı öğretim yönetim sistemlerine entegre ederek üniversite öğrencilerinin ruh sağlığını, duygusal dayanıklılığını ve katılımını geliştiriyor.

Özet

Üniversite öğrencileri giderek daha fazla anksiyete, depresyon ve stres gibi ruh sağlığı sorunlarıyla karşılaşırken, çoğu yükseköğretim ortamında duygusal izleme ve destek için proaktif sistemler yok. Bu çalışma, anlatı simülasyonunu görsel yapay zeka (YZE) ile entegre eden hibrit bir öğretim yönetim sistemi tasarlamak, uygulamak ve değerlendirmeyi amaçlar; böylece öğrenciler arasında ruh sağlığı okuryazarlığı ve duygusal dayanıklılık geliştirilmiştir. Sistem, stres senaryolarını simüle eden anlatı karar verme modülü ve sınıf ortamlarına gömülü yapay zeka tabanlı bir duygu tanıma aracı (yüz ifadesi algısına dayanan) yer alıyor. Karma yöntemli bir tasarım 332 lisans öğrencisi ve birden fazla üniversiteden 15 öğretim üyesi ile kullanıldı. Müdahale öncesi ve sonrası anketler, kullanım kayıtları ve görsel yapay zekadan gerçek zamanlı duygusal veriler toplandı. Kantif veriler, tanımlayıcı istatistikler, çift t-testleri, ANOVA ve çoklu doğrusal regresyon kullanılarak analiz edildi. Sonuçlar, öğrencilerin ruh sağlığı puanlarında (p < 0.01), duygusal farkındalık ve karar alma özgüveninde istatistiksel olarak anlamlı iyileşmeler gösterdi. Bu entegre yaklaşım hem kullanılabilirliği hem de ölçeklenebilirliği gösterir; öğretmenlere erken duygusal içgörüler ve öğrencilere yansıtıcı bir öğrenme ortamı sunar. Bu yöntem, yapay zeka destekli sınıflara ve eğitimli etik denetime sahip kurumlar için en uygundur.

Giriş

Ruh sağlığı, üniversite öğrencileri arasında dünya çapında artan kaygı, depresyon ve tükenmişlik seviyeleriyle yükseköğretimde acil bir endişe^{haline geldi 1}. Bu psikolojik yükler, genellikle akademik aşırı yük, sosyal baskılar ve finansal belirsizlikle ilişkilendirilir ve akademik performans, kalıcılık ve uzun vadeli iyilik halini olumsuz^{etkiler 2}. Birçok kurum danışmanlık hizmetleri ve kriz müdahaleleri uygulamış olsa da, bu yaklaşımlar genellikle tepkisel ve sınırlı^{erişime sahiptir 3}. Öğrencilerin günlük öğrenme ortamlarında psikolojik dayanıklılığını destekleyen proaktif, ölçeklenebilir ve gömülü stratejilere olan talep giderek artmaktadır.

Eğitim teknolojisindeki son gelişmeler, duygusal desteği doğrudan öğretim sistemlerine entegre etmek için yeni fırsatlar sunmaktadır. İki umut vadeden yaklaşım anlatı simülasyonu ve görsel yapay zeka (AI)'dır. Anlatı simülasyonu, öğrencileri duygusal olarak karmaşık senaryolara yerleştiren, yansıtmayı, empatiyi ve karar vermeyi teşvik eden etkileşimli, hikaye odaklı modülleri ifade eder. Deneyimsel öğrenme teorisine dayanan bu simülasyonlar, öğrencilerin sınav kaygısı, zaman yönetimi veya akran çatışması gibi zorluklara karşı tepkileri güvenli ve rehberli bir ortamda prova etmelerine^{olanak tanır 4,5}. Deneyimsel Öğrenme Teorisi, deneyimin kalıcı öğrenmeye dönüştürülmesinde yansıma ve aktif deneylerin kritik olduğunu öne sürer ve anlatı simülasyonunu duygusal zeka ve uyarlanabilir başa çıkma için uygulanabilir bir araç haline getirir.

Görsel Yapay Zeka, öğrencilerin duygusal durumlarını gerçek zamanlı olarak çıkarmak için makine öğrenimi modelleri kullanır; örneğin yüz ifadelerinden, bakışlarından veya^{duruşlarından 6}. Etik ve bilgilendirilmiş onayla uygulandığında, bu tür sistemler erken uyarı aracı olarak işlev görebilir ve tırmanmadan önce stresi veya kopmayı^{tespit edebilir 7}. Öğretim-yönetim platformlarına gömülü olarak görsel yapay zeka, eğitmenlere zamanında geri bildirim sağlayarak kişiselleştirilmiş akademik veya duygusal tepkileri destekleyebilir. Bu entegrasyon, uyumsuz bilişlerin farkındalığını artırmak ve yeniden yapılandırmanın duygusal sonuçları iyileştirebileceğini vurgulayan Bilişsel-Davranışçı Teori ile uyumludur.

Bu yaklaşım, öğrenci deneyiminin dijital ve yüz yüze ortamlarda düzenlenmesi olarak öğretim yönetimine dair çağdaş görüşlerle de uyum sağlar. Bu altyapıya zihinsel sağlık desteği entegre edilerek, dayanıklılık eğitimi isteğe bağlı bir^{ek 8} olmaktan ziyade akademik sürecin bir parçası haline gelir. Ayrıca, duygu düzenlemesini değerlendirme ve başa çıkma stratejileri arasında dinamik bir etkileşim olarak çerçeveleyen Stres ve Başa Çıkma Süreci Modeli ile uyum sağlar; burada görsel yapay zeka birincil değerlendirmeye (ipuçlarını tespit etmeye) katkıda bulunurken, anlatı simülasyonu ikincil değerlendirmeyi (başa çıkma alternatiflerini keşfetmeyi) psikolojik olarak güvenli bir alanda destekler.

Artan ilgiye rağmen, çok az ampirik çalışma yüksek öğrenimde ruh sağlığı desteği için görsel yapay zeka ve anlatı simülasyonunun birleşik kullanımını değerlendirmiştir. Ayrıca, ruh sağlığı okuryazarlığı, "zihinsel bozuklukların tanınması, yönetimi veya önlenmesine yardımcı olan bilgi ve inançlar"⁹ ve duygusal dayanıklılık, psikolojik strese uyum sağlama kapasitesi^gibi temel yapılar genellikle yeterince uygulanmamıştır. Bu çalışma, anlatı simülasyonunu görsel yapay zeka bileşenleriyle birleştirerek sıkıntının erken tanımlanmasını teşvik eden ve öğrencilerin öz kendini düzenlemesini teşvik eden entegre bir öğretim-yönetim sistemi tasarlayıp test ederek bu boşlukları gidermektedir.

Amaç ve temel katkı

Bu çalışma, anlatı simülasyonu ve görsel yapay zekanın üniversite öğrencileri arasında ruh sağlığı endişelerini ele almak için öğretim-yönetim sistemlerine anlamlı şekilde nasıl entegre edilebileceğini inceliyor. Amaç, ruh sağlığını dışsal bir hizmet olarak ele almak yerine, rutin öğrenmeye duygusal katılım ve erken psikolojik destek yerleştirmektir. Etkileşimli karar alma senaryolarını gerçek zamanlı duygusal izleme ile birleştirmek, öğrencilere yansıtıcı uygulama fırsatları sunarken, eğitmenlerin sıkıntı belirtilerine hassas bir şekilde yanıt vermesini sağlar.

Sistem, kavramsal olarak deneyimsel öğrenmeye dayanır ve davranış değişikliğinin itici güçleri olarak uygulama, geri bildirim ve duygusal katılımı vurgular. Anlatı simülasyonları, duygusal olarak belirgin seçimler gerektiren tanıdık akademik stres faktörleri (örneğin zaman baskısı, akran gerilimi) sunar. Paralel olarak, yüz ifadesi çıkarımı için kalibre edilmiş bir görsel yapay zeka aracı, öğretim oturumları sırasında anlık değişimleri izler. Yaklaşım ayrıca, dayanıklılık için temel yetkinlikler olarak öz-farkındalık, empati ve düzenlemeyi tanımlayan Duygusal Zeka teorisinden de yararlanır.

Araştırma, üç konu alanında 332 lisans öğrencisi ve 15 öğretim üyesini kapsıyordu. Karma yöntemler tasarımı kullanarak, kaygı, depresyon ve stresin azalıp azalmadığını, öğrencilerin duygusal farkındalığı ve karar özgüveninin artıp artmadığını değerlendirdik. İstatistiksel modelleme ve nitel analizler, duygu farkında teknolojilerin öğrenci refahını nasıl destekleyebileceğini birlikte bilgilendirir; bu, profesyonel bakımın yerine değil, günlük akademik yaşamın önleyici, ölçeklenebilir bir bileşeni olarak gerçekleşir.

Sistem genel görünümü

Bu çalışma beş ana bölüme ayrılmıştır. Giriş, yükseköğretimde ruh sağlığı sorunlarının ele alınmasının arka planını ve motivasyonunu sunar. İkinci bölüm, anlatı simülasyonu, görsel yapay zeka ve bunların eğitim bağlamlarındaki uygulamaları üzerine mevcut literatürü inceler. Üçüncü bölüm, karma yöntemler yaklaşımı, katılımcı seçimi ve analitik teknikler dahil olmak üzere araştırma tasarımını özetler. Dördüncü bölüm, hem nicel hem de niteliksel temel bulguları sunar ve öğrencilerin duygusal dayanıklılığı ile ruh sağlığı farkındalığındaki değişikliklere odaklanır. Son olarak, sonuç bulguların daha geniş sonuçlarını tartışır ve duygu farkında teknolojilerin öğretim pratiğine entegrasyonu için gelecekteki yönleri önerir.

İlgili çalışmalar

Üniversiteler, ruh sağlığını desteklemek için akran liderliğindeki iletişim, dijital kampanyalar ve sınıf müdahaleleri gibi çeşitli yaklaşımlar^{denedi 11}. Kampüs çapında mesajlaşma ve öğrenci akran desteği hizmete katılımı ve farkındalığı artırabilir, ancak farklı nüfuslara göre özelleştirme hâlâ zordur¹². Nüfus düzeyinde, araştırmalar genellikle tanı^{kriterleri 13'e} dayanan kendi raporlama anketlerine dayanır; bu da nedensel çıkarımı sınırlar ve^{gerçek zamanlı 14,15} suş göstergelerini göz ardı eder.

Artan bir çalışma alanı, duygusal zekayı (EI) öğrenci refahının öngörücüsü olarak inceliyor; Öz-farkındalık, netlik ve duygusal onarım gibi özellikler daha iyi sonuçlarla ilişkilendirilir; aidiyet genellikle arabulucu olarak^{tanımlanır 16}. Ancak birçok bulgu tek seferlik anketlere dayanıyor ve sürdürülebilir destek için dinamik geri bildirimden yoksun. EI bilgilendirilmiş ilkelerin anlatı simülasyonuna dahil edilmesi, empatiyi, düşünceyi ve kendini düzenlemeyi derinleştirmek için bir yol sunar.

Paralel olarak, eğitim araştırmacıları giderek daha fazla yapay zekayı öğrenme ortamlarına entegre^{ediyor 17}. Yüz ifadelerini veya stresle ilgili mikro ifadeleri tespit eden görsel yapay zeka araçları, sınavlarda ve özel derslerde kullanıldı ve uyarlanabilir geri bildirim için umut vadeden sonuçlar^{elde etti 18}. Anlatı simülasyonları, duygusal kararların uygulanması için hemşirelik/tıp eğitiminde iyi yerleşmiştir¹⁹, ancak bu uygulamalar genellikle alana özgür ve nadiren genel öğretim-yönetim sistemlerine entegre^{edilir 20}. Küçük bir çalışma serisi, öğrenci-yapay zeka iş birliği ve yapay zeka odaklı öğretim tasarımı için çerçeveler^{öneriyor 21,22}; etik, uygulama boşlukları ve yeniliğin ötesinde pedagojik ve psikolojik değer sunan ölçeklenebilir modellere olan ihtiyacı vurguluyor.

Bu çalışma, anlatı simülasyonunu gerçek zamanlı duygusal hesaplamayla entegre ederek üniversite öğrenme ortamlarında ruh sağlığı sorunlarına proaktif ve gömülü bir yanıt oluşturarak alanı ilerletmektedir.

Araştırma boşluğu ve pratik uygulama değerlendirmeleri

Öğrenci ruh sağlığı için dijital araçlar çoğalmaktadır ancak birçok çalışma sınıf dışı kendi bildirim ve kısa vadeli müdahalelere dayanarak uzun vadeli etkiyi ve zamanında çalışmayı sınırlar. Çok az çaba EI veya ruh sağlığı okuryazarlığı gibi yapıları gerçek zamanlı geri bildirim veya gözlemlenebilir sınıf davranışlarıyla ilişkilendiriyor. Görsel yapay zeka ve anlatı simülasyonu ayrı ayrı incelenmiş, ancak akademik etkinlik sırasında duygusal durumları takip eden ve yanıt veren tek bir sistemde nadiren birleştirilmiştir. Bu çalışma, simülasyon tabanlı duygusal yansımayı öğrenme ortamı içindeki yapay zeka odaklı tanıma ile birleştirerek bu boşluğu kapatıyor.

Pratik uygulama değerlendirmeleri

Etkili dağıtım, katılımcıları korumak ve özellikle yüz analizi söz konusu olduğunda önyargıyı azaltmak için altyapıya (istikrarlı internet, entegre kameralar), etik denetim ve algoritma kalibrasyonuna bağlıdır. Öğretim üyeleri eğitimi, yapay zeka tarafından üretilen ipuçlarını sorumlu bir şekilde yorumlamak ve bunları pedagojik kararlara entegre etmek için gereklidir. Sonuç olarak, bu yaklaşım, yerleşik dijital altyapıları ve kurumsal etik komiteleri olan üniversitelere en iyi şekilde uyum sağlar; burada öğrenci ruh sağlığı güçlendirmesi için proaktif ve ölçeklenebilir bir çerçeve olarak işlev görebilir.

Protokol

Veri toplamadan önce, etik onay Nanjing Posta ve Telekomünikasyon Üniversitesi Kurumsal İnceleme Kurulu'ndan alınmıştır (Onay Kodu: NJUPT-IRB-2024-0312). Tüm katılımcılar, çalışma kapsamı, katılımın gönüllü doğası, duygusal takibi için görsel yapay zeka kullanımı ve veri gizliliği prosedürleri hakkında bilgilendirildikten sonra yazılı bilgilendirilmiş onay verdiler. Katılım herhangi bir zamanda ceza verilmeden durdurulabilirdi. Kullanılan yazılım ve ekipmanlar Materyaller Tablosu'nda listelenmiştir.

1. Çalışma Hazırlığı

1. Operasyonel zaman çizelgesinin ve uçtan uca akışın tanımı
   İki değerlendirme noktası belirlendi: T1 (müdahale öncesi), ilk sınavdan hemen sonra, ve T2 (müdahale sonrası), yapay zeka duygusal ipuçlarıyla yönlendirilen eğitmenlerin kısa geri bildirimi sonrası. Sınav döneminden sonra bir anlatı simülasyonu, birkaç gün sonra ise başa çıkma değişikliklerini değerlendirmek için ikinci bir simülasyon planlandı. Sınıf kamerası girişi, duygu tanıma API, eğitmen geri bildirimi, anket toplama, veri entegrasyonu ve analizi içeren uçtan uca boru hattı Şekil 1A'da gösterilmiştir.
2. Katılımcıların işe alınması ve belgelenmesi
   Mevcut kurslardan gönüllü kayıtla toplam 347 katılımcı seçildi; bunların arasında 332 lisans öğrencisi (18-22 yaş; 140 erkek, 192 kadın) ve 15 öğretim üyesi (27-45 yaş; 10 kadın, 5 erkek) bulunuyordu. Akademik yıl ve bölüm dağılımları kaydedildi. Öğrenci ve öğretim üyesi demografisi sırasıyla Tablo 1 ve Tablo 2'de sunulmaktadır.
3. Sınıfların ve malzemelerin hazırlanması
   Her odada bir bilgisayar (Intel i5 veya üzeri, 8 GB RAM ≥), HD web kamerası (≥ 720p) ve stabil internet bağlantısı (≥ 10 Mbps) ile donatılmıştı. Web kamerası, net yüz görüşünü sağlamak için ≥ 640 × 480 piksel ışıklarında tek tip ön aydınlatma altında göz hizasında konumlandırıldı. Bir bildirimde duygu takibi aktif olduğu belirtildi. Her oturumdan önce çerçeveleme ve aydınlatma doğrulanıyor ve algılama kararlılığı doğrulandıktan sonra yazılım yapılandırması başlatılıyordu.

2. Görsel Yapay Zeka yapılandırması

1. Duygu tanıma hizmetinin sağlanması
   Bir bulut hesabı oluşturuldu ve duygu tanıma API'si etkinleştirildi. API anahtarı ve uç nokta URL'si oluşturuldu, kimlik bilgileri ise rol tabanlı erişim kontrolü altında şifrelenmiş formda saklandı. Tekrarlanabilirlik için Microsoft Azure Face API (Emotion, v3.2, East Asia region) kullanıldı. İstemci, taşıyıcı token kullanarak HTTPS üzerinden kimlik doğrulamasını yaptı ve yaklaşık 25-30 fps hızında {faceId, faceRectangle, emotions: {öfke, korku, üzüntü, tiksint, mutluluk, sürpriz}, nötr} içeren yüz başına JSON nesnelerini döndürdü.
2. Kameranın bağlantısı ve algılama kalibrasyonu
   Sınıf web kamerası akışı API istemcisine (Python veya REST) bağlanmıştı. Örnekleme hızı 25-30 fps olarak ayarlanmış, kare çözünürlüğü ise 640 × 480 px olarak ayarlanmıştır. Bir test akışı başlatıldı ve bağlantı geçerli zaman damgalı JSON ile HTTP 200 OK yanıtı alınarak doğrulandı. Kamera açısı ve aydınlatma, yüzler kare girişinden bir saniye içinde tespit edilene kadar ayarlandı. Son kamera konumu ve aydınlatma parametreleri belgelendi. Kalibrasyon, Şekil 1B'de gösterildiği gibi, sınırlayan kutuları, 200 OK göstergesini ve JSON alanlarını gösteren bir onay ekranıyla gösterildi.
3. Sınıflandırma eşiklerinin ve kayıt kurallarının tanımı
   Her JSON çıktısı ISO 8601 zaman damgaları, duygu etiketleri ve güven değerleri içeriyordu. Çerçeve başına negatif-etkinli bileşik {öfke, korku, üzüntü, tiksinme} güven puanlarının ortalaması olarak tanımlandı. Kompozit en az 5 saniye (yuvarlanan pencere) 0.75 ≥ kaldığında bir stres bayrağı tetikleniyordu. Eşik değerleri optimize etmek için 10 dakikalık pilot bir çalışma yapıldı ve oturum başına %≤5 yanlış pozitif oranı hedeflendi. Log, tanımlanabilir çerçeveleri depolamak yerine oturum düzeyindeki özetleri toplayacak şekilde yapılandırıldı.
4. Gizlilik ve veri minimizasyon kontrollerinin uygulanması
   Takma adlı tanımlayıcılar (öğrenciler için S001-S332 ve öğretim üyeleri için F001-F015) atandı; ID anahtar dosyası ise rol tabanlı erişim kontrolü altında şifrelenmiş bir sunucuda tutuldu. Yerel video önbellekleme devre dışı bırakıldı. Kalite güvencesi için geçici önbellekleme gerektiğinde, önbelleğe alınan çerçeveler doğrulamadan sonraki 24 saat içinde siliniyordu. Oturum başına tespit doğruluğu, ortalama gecikme ve hata oranları daha sonra Sonuçlar bölümünde sunulmak üzere kaydedildi.
5. Yapay zeka hazırlığının doğrulanması (prosedürel kontrol noktası)
   25-30 fps'de stabil yüz algılama, HTTP 200 OK yanıtlarının alınması, geçerli JSON alanları, belgelenmiş eşik ayarları ve güvenli kimlik bilgileri depolanması doğrulandı. Tüm boru hattının, Şekil 1B'deki kalibrasyon tasviriyle uyumlu hazırlık kontrollerinden geçtiği bildirildi.

3. Harita yönetimi

1. Enstrümanlar ve çapaların konfigürasyonu
   Depresyon, anksiyete ve stresi ölçmek için 5 puanlık bir Likert ölçeği, DASS-21'den uyarlanmış veriler kullanılarak akademik bağlamla uyumlu hale getirildi. Öğe kodları ve ankrajlar, Tablo 3'te sunulan enstrüman düzenini takip ediyordu.
2. T1 uygulaması (ön sınav)
   Anket, ilk sınavdan hemen sonra ve yapay zeka bilgilendirilmiş geri bildirimden önce yapıldı. Tüm alanlar zorunlu olarak belirlenmiş ve tekrarlayan gönderimler engellenen güvenli bir çevrimiçi form kuruldu. Veri seti, katılımcı kimliği, zaman noktası (T1) ve öğe puanları için alanlarla CSV formatında dışa aktarıldı.
3. Kısa eğitmen geri bildiriminin sunulması
   T1'den sonraki 24 saat içinde, yapay zeka tarafından tanımlanan öğrencilere klinik dışı rehberlik sağlandı. Geri bildirim arasında kısa gevşeme egzersizleri (3-5 dakika), çalışma planı ayarlamaları veya zaman yönetimi önerileri yer alıyordu. Araştırma veri setinde herhangi bir klinik not kaydedilmedi. Ciddi sıkıntı gösteren öğrenciler, kurumsal politikaya uygun olarak kampüs danışmanlık hizmetlerine yönlendirildi.
4. T2 uygulaması (test sonrası)
   Aynı anket, ikinci sınav oturumu ve ardından gelen geri bildirimlerden sonra tekrar uygulandı. Veriler, zaman noktası (T2) ile CSV formatında dışa aktarıldı ve katılımcı kimlikleri kullanılarak T1 yanıtlarıyla eşleştirildi.
5. Anket verilerinin kilitlenmesi (prosedürel kontrol noktası)
   Yanıt oranları ve eksik veri desenleri doğrulandı ve anket veritabanı verilerin birleştirilmesinden önce kilitlendi. Sonuçlar bölümüne dahil edilmesi için tanımlayıcı istatistikler planlanmıştı.

4. Anlatı simülasyon egzersizleri

1. Simülasyon 1'in Uygulanması
   Düşük not almak veya haksız geri bildirim algılamak gibi durumları tasvir eden bir akademik stres senaryosu sunuldu. Her öğrenciye üç yanıt seçeneğinden birini seçmesi istendi: hayal kırıklığını içselleştirmek, eğitmeni kamuoyuna suçlamak veya düşünme ve açıklama aramak. Yanıt seçimi için 3-5 dakika bir süre ayrıldı, ardından 150-200 kelimelik yazılı bir gerekçe sunuldu. Zamanlama isteği ve yanıt seçeneklerini gösteren simülasyon arayüzü Şekil 1C'de gösterilmiştir.
2. Kısa röportajların yürütülmesi
   Simülasyon 1'den hemen sonra, katılımcıların değerlendirmelerini, başa çıkma niyetlerini ve algılanan duygusal tetikleyicilerini incelemek için 5-7 dakika süren kısa röportajlar yapıldı. Mülakat notları kaydedildi ve katılımcı kimlikleriyle bağlandı.
3. Simülasyon 2'nin Uygulanması
   İkinci bir simülasyon birkaç gün sonra, Simülasyon 1'in aynı prosedürünü takip ederek ancak paralel bir senaryo kullanılarak gerçekleştirildi. Bu oturumun amacı duygusal farkındalık ve başa çıkma davranışlarındaki değişiklikleri gözlemlemekti. Seçim, gerekçe ve röportaj notları Simülasyon 1'deki gibi kaydedildi.
4. Simülasyon kayıtlarının onaylanması (prosedürel kontrol noktası)
   Her katılımcının bir kayıtlı seçimi, en az 150 kelime içeren bir gerekçesi ve karşılık gelen bir mülakat notu olduğu doğrulandı. Sonraki tematik analiz için bir kodlama özeti şablonu hazırlandı.

5. Yapay zeka kayıtlarının dışa aktarılması ve veri setlerinin birleştirilmesi

1. Oturum düzeyinde duygu özetlerinin ihracatı
   Oturum düzeyindeki duygu özetleri, katılımcı kimliği, oturum kimliği, ISO 8601 zaman damgası, duygu etiketi, güven değeri ve stres bayrağı göstergesi dahil olmak üzere CSV formatında dışa aktarıldı. Ham video kareleri kaydedilmedi.
2. Yapay zeka günlüklerinin anket dosyalarıyla birleştirilmesi
   Yapay zeka log dosyaları, katılımcı kimliği ve oturum tarihi ana değişkenler olarak kullanılarak T1 ve T2 anket veri setleriyle birleştirildi. ΔAnxiety = Anxiety_T2 − Anxiety_T1 gibi türetilen değişkenler zamanla değişimi değerlendirmek için hesaplandı. Birleştirilen kayıtların %5'i denetimi yapılarak tanımlayıcıların hizalanmasını ve kronolojik tutarlılığı doğrulandı.
3. Birleştirme bütünlüğünün onaylanması (prosedürel kontrol noktası)
   Bire bir kimlik eşleşmesi ve doğru zaman sıralaması, her katılımcı için T1'in T2'den önce gelmesiyle doğrulandı. Tespit edilen tutarsızlıklar, istatistiksel analiz yapılmadan önce çözüldü.

6. Kantitatif analiz (SPSS iş akışı)

1. Verilerin ithalatı ve değişkenlerin tanımlanması
   Veri dosyaları SPSS 27.0'da açıldı ve CSV veri setleri içe aktarıldı. Değişken etiketleri ve türleri tanımlandı, eksik değer kuralları belirlendi. Ana dosyalar, sonraki analizler için .sav formatta kaydedildi.
2. Güvenilirlik ve tanımlayıcı istatistiklerin değerlendirilmesi
   Cronbach'ın α, her yapı için iç tutarlılığı değerlendirmek için hesaplandı. Tüm değişkenler için ortalama (M) ve standart sapma (SD) dahil olmak üzere tanımlayıcı istatistikler üretildi. Ortaya çıkan çıktılar Sonuçlar bölümüne dahil edilmek üzere saklandı.
3. Eşleştirilmiş örneklem t-testlerinin yürütülmesi
   Anksiyete, depresyon ve stres için T1 ve T2 puanlarını karşılaştırmak için eşleştirilmiş örnekler t-testleri yapıldı. Sonuçlar arasında t, serbestlik dereceleri (df), p-değeri, Cohen'in d ve %95 güven aralığı (CI) yer aldı; bunların hepsi Sonuçlar bölümünde sunuldu.
4. Tekrarlanan ANOVA önlemlerinin uygulanması
   Zaman (T1, T2), tekrarlanan ölçülü ANOVA'da özne içi faktör olarak belirtilmiştir. Mauchly'nin spherisite testi değerlendirildi ve varsayımlar ihlal edildiğinde Greenhouse-Geisser düzeltmesi uygulandı. Analiz, sonuçlara dahil edilmek üzere F, df, p, η² ve %95 CI değerlerini bildirdi.
5. Çoklu doğrusal regresyon modellerinin uyumu
   Birden fazla doğrusal regresyon modeli, T1 puanları, yapay zeka stres bayrağı oranı ve anlatı seçimi (dummy-coded) üzerinden regresyonlu T2 sonuçlarıyla donatıldı. Model sonuçları β, standart hata (SE), t-değeri, p-değeri ve R² raporlarıyla özetlendi.
6. Birim ve notasyon standartlarının korunması
   Tüm sayısal değerler SI birim konvansiyonlarına uyuyordu, sayı ile birim arasında boşluk (örneğin, 10 dakika, 25 fps, 640 × 480 px). Denklemler uygun olduğunda Word'ün Denklem aracı kullanılarak eklendi ve istatistiksel gösterim tüm bölümlerde tutarlı tutuldu.

7. Tematik analiz iş akışı

1. Nitel korpusun bir araya getirilmesi
   Mülakat notları yazıya alındı ve anlatı gerekçeleri katılımcı kimliği ve zaman noktasına (Sim1 veya Sim2) göre etiketlenen tek bir korpusta derlendi. Bu korpus, nitel analiz için veri seti olarak hizmet verdi.
2. Kod kitabının geliştirilmesi ve kodlayıcıların eğitimi
   Duygusal katılım, karar alma kalitesi ve öz-farkındalık, empati ve duygusal düzenleme gibi duygusal zeka göstergelerine odaklanan bir kod kitabı geliştirildi. İki kodlayıcı, kodların ve analitik kriterlerin tutarlı yorumlanmasını sağlamak için korpusun %10'unda eğitildi.
3. Değerlendirici arası güvenilirliğinin sağlanması ve kodlamanın tamamlanması
   Değerlendirici arası güvenilirlik, hedef Cohen'in κ'si en az 0.75 ile değerlendirildi. Herhangi bir tutarsızlık tartışılıp kod kitabı tamamlanmadan önce çözüldü. Kalan korpus ise tamamen kodlandı. Tema sıklıkları özetlendi ve Sonuçlar bölümünde sunmak üzere temsili bir tematik harita hazırlandı. Her temel temayı açıklamak için bir temsilci alıntı seçildi.

8. Kalite kontrolü, sorun giderme ve arşivleme

1. Teknik sorunların çözümü
   Yüz algılama oranları düşük olduğunda, ön aydınlatma iyileştirildi ve kamera açısı ayarlandı. Kare hızlarının 25-30 fps arasında kaldığı doğrulandı. Aşırı stres bayrakları gözlemlendiğinde, tespit eşiği 0.80'e çıkarıldı veya sonuçları stabilize etmek için tespit penceresi en az 8 saniyeye uzatıldı.
2. Veri tutarlılığının güvence altına alınması
   Katılımcı kimlikleri ve zaman noktaları, veri analizinden önce doğrulandı. Kodlayıcılar, kodlama sapmasını önlemek için her 50 transkriptten sonra yeniden kalibre edildi. Oturum düzeyinde kalite kontrol listesi tutuldu ve prosedürel bütünlüğü belgelemek için hem oturum lideri hem de veri yöneticisi tarafından imzalandı.
3. Veri setlerinin arşivlenmesi ve dokümantasyonu
   Tüm analitik dosyalar, doğrudan tanımlayıcıların katılımcı kimlikleriyle değiştirilmesiyle kimliği kaldırıldı. Onay formları araştırma verilerinden ayrı olarak saklanıyordu. Son veri setleri, SPSS sözdizimi dosyaları, kod kitapları ve kalite kontrol kayıtları sınırlı erişimle güvenli bir sunucuda arşivlendi.

Sonuçlar

Betimleyici analiz

Ön post karşılaştırmalar, uygulamadan sonra olumsuz etkilerde tutarlı azalmalar olduğunu gösterdi. Test sonrası ortalama, öncesi ortalamalar sırasıyla 3.25, 3.11 ve 3.08'den anksiyete için 2.87, depresyon için 2.74 ve stres için 2.69'a düştü (Şekil 2). Tanımlayıcı sonuçlar Tablo 4'te özetlenmekte olup, öğe düzeyindeki araç yapısı Tablo 3'te sunulmaktadır. Çalışm...

Tartışma

Çalışma, anlatı simülasyonu görsel yapay zeka ile birleştirildiğinde, duygusal farkındalığın tek yönlü bir müdahale yerine ortak bir süreç haline geldiğini göstermektedir. Öğrenciler sadece dijital bir araca yanıt vermiyordu; Bilişsel değerlendirmeyi bedenlenmiş deneyimle ilişkilendiren yapılandırılmış duygusal bir yansıma yapıyorlardı. Veri seti boyunca, hem nicel hem de niteliksel sonuçlar, anksiyetenin azalması ve duygusal düzenlemenin iyileşmesi gibi tutarlı bir model ortaya koydu; b...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Donanım	Yüz Tanıma Kamerası	Logitech (veya benzeri)	C920 HD Web Kamerası
Enstrüman	Röportaj Transkript Koleksiyonu	Manuel giriş	Ses kayıtları/metin
Anket	Modifiye DASS-21 Ölçeki	Yazarlar tarafından uyarlanmıştır	5 noktalı Likert formatı
Yazılım	Microsoft Azure Emotion API	Microsoft	Emotion API v3 (Bulut)
Yazılım	SPSS İstatistikleri	IBM	Sürüm 26
Yazılım	Anlatı Simülasyon Sistemi	Kendi geliştirdiği	Web tabanlı (HTML5)
Sistem Platformu	Üniversite Öğretim Yönetim Sistemi	Dahili platform	Yapay Zeka modülü ile entegre