Bu çalışma, üniversite müzik eğitimi için yapay zeka destekli görsel öğretimde grafik tabanlı bir duygusal müfredat zekası çerçevesi önermektedir. Simülasyon tabanlı bir veri seti kullanan çerçeve; bilgi edinimi, duygusal dinamikler ve etkileşimi modeller. Sonuçlar, geleneksel modellere kıyasla öğrenme verimliliğinin arttığını ve stresin azaldığını göstererek, adaptif ve ruh sağlığına duyarlı eğitim sistemleri için potansiyel ortaya koymaktadır.
Araştırma makalesi
Üniversite Müzik Derslerinde Ruh Sağlığının Geliştirilmesi İçin Yapay Zeka Entegreli Görsel Öğretim Tasarımının Simülasyon Tabanlı Değerlendirmesi
Bu makalede
Özet
Özet
Üniversite müzik eğitiminde görsel öğretim tasarımı, öğrenci katılımını artırma ve zihinsel refahı destekleme potansiyeli nedeniyle giderek daha fazla dikkat çekmektedir. Ancak, geleneksel öğretim yaklaşımları genellikle öğrenenlerin gelişen bilişsel ve duygusal durumlarına yanıt vermek için gereken adaptasyon yeteneğinden yoksundur; bu da hem akademik başarıyı hem de psikolojik dengeyi desteklemedeki etkinliklerini sınırlamaktadır. Simülasyona dayalı bu çalışmanın temel amacı, üniversite müzik derslerinde öğrenme çıktılarını optimize etmek için görsel öğretim stratejilerini graf tabanlı duygusal modelleme ile entegre eden, yapay zeka destekli bir çerçeve geliştirmek ve değerlendirmektir. Öğrenme ortamını bilgi, etkinlik ve duygusal düğümlerden oluşan birbirine bağlı bir graf olarak temsil eden, özgün bir graf tabanlı duygusal müfredat zekası çerçevesi (GECIF) önerilmiştir. Çerçeve, bilgi edinimi, katılım, duygusal stabilite ve stresin zaman içindeki gelişimini simüle etmek için graf tabanlı temsil öğrenimi, dinamik durum modellemesi ve adaptif öğrenme mekanizmalarını içermektedir. Tekrarlanabilirliği sağlamak amacıyla, kontrollü bir MATLAB tabanlı simülasyon hattı üzerinden etkileşim günlüklerini, duygusal göstergeleri ve öğrenme performansı değişkenlerini içeren sentetik bir veri seti oluşturulmuştur. GECIF, normalize edilmiş simülasyon adımları boyunca özdeş deneysel koşullar altında, geleneksel adaptif olmayan bir temel modelle karşılaştırılmıştır. Performans; bilgi kazanımı, duygusal stabilite, stres azalması, katılım düzeyi ve dayanıklılık gibi normalize edilmiş simülasyon metrikleri kullanılarak değerlendirilmiştir. Önerilen çerçeve, daha yüksek simüle edilmiş bilgi edinimi, gelişmiş duygusal düzenleme, daha fazla katılım, azalmış simüle stres ve artırılmış dayanıklılık göstererek temel modeli tutarlı bir şekilde geride bırakmıştır. Ortalama değerler, standart sapmalar ve %95 güven aralıklarına dayalı istatistiksel analizler, tüm değerlendirme metriklerinde tutarlı iyileşmeler olduğunu doğrulamıştır. Bu bulgular, akıllı eğitim sistemleri alanındaki gelecekteki araştırmaları destekleyecek ölçeklenebilir ve tekrarlanabilir bir hesaplama çerçevesi sunarken, adaptif müzik eğitimi için yapay zeka destekli, duyguya duyarlı görsel öğretim stratejilerinin potansiyelini ortaya koymaktadır.
Giriş
Yapay zekanın (AI) eğitim sistemlerine entegrasyonu, geleneksel öğretim paradigmalarını önemli ölçüde dönüştürerek daha adaptif, kişiselleştirilmiş ve veri odaklı öğrenme deneyimlerine olanak sağlamıştır1,2,3. Son yıllarda, soyut kavramların, duygusal ifadenin ve algısal anlayışın merkezi bir rol oynadığı müzik eğitimi gibi disiplinlerde, görsel öğretim tasarımı etkili bir pedagojik yaklaşım olarak ortaya çıkmıştır4,5,6,7. Grafik arayüzler, etkileşimli simülasyonlar ve multimedya öğelerini içeren görsel temsiller, bilişsel işlemenin derinleşmesini kolaylaştırır ve öğrenenlerin katılımını artırır8,9,10,11. Ancak, bu gelişmelere rağmen, mevcut görsel öğretim yöntemleri genellikle statik kalmakta ve öğrenenlerin gelişen bilişsel ve duygusal durumlarına dinamik olarak yanıt verme yeteneğinden yoksun görünmektedir12,13,14. Müzik eğitimi, özellikle üniversite düzeyinde, doğası gereği çok boyutlu olması nedeniyle benzersiz zorluklar sunar15,16,17. Öğrenme çıktıları, yalnızca müzik teorisi ve performans tekniklerinin bilişsel olarak anlaşılmasından değil, aynı zamanda motivasyon, stres, katılım ve psikolojik iyi oluş gibi duygusal faktörlerden de etkilenmektedir18. Önceki çalışmalar, duygusal durumlar ile öğrenme etkinliği arasındaki güçlü ilişkiyi vurgulamış ve yüksek düzeyde stres veya düşük katılım yaşayan öğrencilerin akademik performanslarının düşme eğiliminde olduğunu göstermiştir19,20,21. Öğrenme kişiselleştirmesini artırmak için çeşitli yapay zeka tabanlı eğitim sistemleri önerilmiş olsa da, bunların çoğu öncelikle bilişsel performans metriklerine odaklanmakta ve öğrenme sürecini şekillendirmedeki kritik duygusal dinamikleri göz ardı etmektedir22.
Akıllı öğrenme sistemlerindeki son gelişmeler, eğitim bileşenleri arasındaki karmaşık ilişkileri modellemek için graf tabanlı temsiller ve derin öğrenme teknikleri getirmiştir23,24,25. Graf sinir ağlarını (GNN'ler) içeren graf tabanlı öğrenme çerçeveleri, bilgi unsurları, öğrenci etkileşimleri ve bağlamsal faktörler arasındaki yapılandırılmış bağımlılıkları yakalamada güçlü yetenekler sergilemiştir26. Ayrıca, duygu duyarlı hesaplama, psikolojik sinyalleri adaptif öğrenme ortamlarına dahil etme yeteneğiyle dikkat çekmiştir27. Buna rağmen, bu yaklaşımların müzik eğitimi için birleşik bir çerçeve kapsamında entegrasyonu hala sınırlıdır28,29,30. Mevcut çalışmalar, duygusal değişkenleri genellikle temel bileşenler yerine yardımcı özellikler olarak ele almakta ve biliş ile duygu arasındaki etkileşime dayalı sürekli adaptasyon için nadiren mekanizmalar sunmaktadır31.
Ayrıca, ruh sağlığı farkındalığına sahip eğitimde yapay zeka uygulamaları, ağırlıklı olarak gerçek katılımcılardan toplanan ampirik veya sensör tabanlı verilere dayanmıştır32. Ancak, bu tür yaklaşımlar, erken aşama araştırmalarda her zaman mümkün olmayabilecek kapsamlı etik onaylar, standardize edilmiş ölçüm araçları ve kontrollü deneysel koşullar gerektirmektedir33. Sonuç olarak, karmaşık eğitim dinamiklerini kontrollü ve tekrarlanabilir bir şekilde keşfetmek için simülasyon tabanlı metodolojiler bir alternatif olarak ortaya çıkmıştır34. Etkileşim günlüklerini, duygusal göstergeleri ve öğrenme performans metriklerini taklit eden sentetik veri setleri oluşturarak araştırmacılar, sistem parametreleri ve varsayımları üzerinde tam kontrol sağlarken, önerilen modellerin davranışlarını çeşitli senaryolar altında değerlendirebilirler35.
Bu ilerlemelere rağmen, birçok araştırma boşluğu devam etmektedir36. Birincisi, bilgi edinimini, duygusal gelişimi ve öğrenme etkileşimini yapılandırılmış bir temsil içinde eş zamanlı olarak modelleyen birleşik çerçevelerin eksikliği söz konusudur37. İkincisi, mevcut görsel öğretim sistemleri; müzikal kavramlar, öğrenme faaliyetleri ve psikolojik durumlar arasındaki karşılıklı bağımlılıkları yakalamak için grafik tabanlı zekayı etkili bir şekilde kullanmamaktadır38. Üçüncüsü, yapay zeka destekli eğitim modellerinin sistematik değerlendirmesine olanak tanıyan, ölçeklenebilir ve tekrarlanabilir simülasyon hatlarının geliştirilmesine sınırlı düzeyde önem verilmiştir39,40,41. Son olarak, mevcut yaklaşımlar genellikle hem bilişsel hem de duygusal boyutları dinamik olarak uyarlanabilir bir şekilde entegre eden bütüncül bir öğrenme görünümü sunmakta yetersiz kalmaktadır42.
Bu zorlukların üstesinden gelmek için bu çalışma, üniversite müzik eğitiminde yapay zeka destekli görsel öğretim tasarımı için grafik tabanlı bir duygusal müfredat zekası çerçevesi (GECIF) önermektedir. Tablo 1, grafik bileşenleri, düğüm durumları ve model parametreleri için temel tanımları sunmaktadır. Bu tablo, metodolojinin hem açık hem de tekrarlanabilir olmasını sağlar. Önerilen çerçeve, eğitim ortamını; bilgi düğümleri, etkinlik düğümleri ve duygusal düğümlerden oluşan birbirine bağlı bir grafik olarak modeller ve böylece öğrenme dinamiklerinin kapsamlı bir temsilini sağlar. Etkileşim günlüklerini, duygusal göstergeleri ve performans metriklerini içeren kontrollü bir hesaplama hattı kullanılarak, tekrarlanabilirliği ve ölçeklenebilirliği sağlamak amacıyla simülasyon tabanlı bir veri seti oluşturulur. Çerçeve; öğrenme çıktılarının ve psikolojik durumların zaman içindeki gelişimini simüle etmek için uyarlamalı öğrenme mekanizmaları, duygusal durum modellemesi ve grafik tabanlı optimizasyonu bünyesinde barındırır. Geleneksel bir öğrenme modeline karşı karşılaştırmalı değerlendirme; bilgi kazanımı, duygusal stabilite, stres azalması, etkileşim ve dayanıklılık dahil olmak üzere birden fazla performans metriği kullanılarak gerçekleştirilir.
Bu çalışmanın temel amacı, üniversite müzik derslerinde öğrenme verimliliğini artırmak ve ruh sağlığı farkındalığına sahip eğitimi desteklemek için grafik tabanlı modelleme ile duygusal zekayı entegre eden, simülasyon tabanlı ve yapay zeka destekli bir görsel öğretim çerçevesi geliştirmek ve değerlendirmektir.
Protokol
Bu çalışma; insan katılımcılar, klinik veriler veya kişisel bilgiler içermeyen, hesaplamalı ve simülasyon tabanlı bir araştırmadır. Bu araştırmada kullanılan tüm veriler, kontrollü simülasyon süreçleri aracılığıyla sentetik olarak üretilmiştir. Bu nedenle, bir kurumsal inceleme kurulundan etik onay alınması ve bilgilendirilmiş onam alınması gerekmemiştir. Çalışma, hesaplamalı araştırmalar için standart kılavuzlara uygundur ve metodolojinin tam olarak yeniden üretilebilirliğini ve şeffaflığını sağlar.
Teorik çerçeve ve gerekçe
Önerilen grafik tabanlı duygusal müfredat zeka çerçevesi (GECIF); yapay zeka, grafik tabanlı öğrenme, duygusal hesaplama ve görsel pedagojinin entegrasyonuna dayanmakta olup öğrenmeyi, bilişsel gelişimi, duygusal evrimi ve davranışsal katılımı eş zamanlı olarak yakalayan dinamik ve çok boyutlu bir süreç olarak modellemeyi amaçlamaktadır. Geleneksel öğretim yaklaşımları genellikle bilgi ediniminin doğrusal bir ilerleme izlediğini varsayar ve bilişsel performans ile psikolojik durumlar arasındaki karmaşık etkileşimleri yeterince yansıtmaz. Bu kısıtlama, duygusal ifadenin, motivasyonun ve yaratıcılığın teknik ve teorik öğrenmeden ayrılamadığı üniversite müzik eğitimi için özellikle kritiktir. Bu bağlamda çerçeve, eğitim sürecini; bilgi unsurlarının, öğrenme etkinliklerinin ve duygusal durumların birbirini sürekli etkilediği birbirine bağlı bir sistem olarak kavramsallaştırmaktadır. Grafik tabanlı modelleme, bu ilişkilerin yapılandırılmış ve ölçeklenebilir bir temsilini sağlayarak hem doğrudan hem de dolaylı bağımlılıkların etkili bir şekilde yakalanmasına olanak tanır. Duygusal dinamikler, yardımcı değişkenler yerine içsel bileşenler olarak dahil edilerek, psikolojik durumların öğrenme süreci boyunca nasıl geliştiğinin ve yayıldığının simülasyonuna imkan sağlar. Görsel öğretim tasarımının entegrasyonu, soyut hesaplama etkileşimlerini sezgisel grafiksel temsillere dönüştürerek yorumlanabilirliği daha da artırır.
Metodoloji ve simülasyon çalışma tasarımı
Bu çalışma, insan katılımcıların yer almadığı ve tüm verilerin kontrollü ve tekrarlanabilir bir işlem hattı üzerinden sentetik olarak üretildiği, bilgisayar simülasyonu tabanlı bir tasarım benimsemektedir. Bu nedenle bildirilen sonuçlar, gerçek öğrencilerden elde edilen ampirik gözlemlerden ziyade model tabanlı değerlendirmeleri temsil etmektedir. Öğrenme performansı, etkileşim, duygusal denge ve stres azalmasındaki iyileştirmeler, önerilen çerçevenin simüle edilmiş veya potansiyel etkileri olarak yorumlanmaktadır. Simülasyon ortamı; zamansal bağımlılıkları, etkileşim kalıplarındaki değişkenliği ve gelişen duygusal durumları dahil ederek gerçekçi öğrenme koşullarını yaklaşık olarak yansıtmaktadır. Önerilen GECIF çerçevesinin; grafik tabanlı temsil, duygusal modelleme veya müfredat optimizasyonu olmaksızın, bilginin yalnızca etkileşim yoğunluğuna bağlı olarak geliştiği adaptif olmayan bir öğrenme sistemini temsil eden geleneksel bir temel modelle karşılaştırıldığı karşılaştırmalı bir deneysel konfigürasyon uygulanmıştır. Tutarlı ve tarafsız bir karşılaştırma sağlamak amacıyla her iki model de aynı simülasyon koşulları altında çalıştırılmıştır.
Veri seti oluşturma ve yapısı
Etkileşim günlükleri, duygusal göstergeler ve öğrenme performansı metriklerini birleşik bir zamansal çerçevede entegre ederek, üniversite müzik eğitimindeki öğrenme dinamiklerini simüle etmek amacıyla geniş ölçekli bir veri seti oluşturulmuştur. Veri seti, demografik ve davranışsal özniteliklerin yanı sıra akademik performans verileri sunan, halka açık öğrenci performans veri setinden (UCI Machine Learning Repository) türetilmiş ve genişletilmiştir. Bu veri seti, gerçekçi öğrenme modellerinin oluşturulması için temel bir referans görevi görmüştür. Etkileşim günlükleri; pratik oturumları, dinleme egzersizleri ve görsel öğrenme görevleri gibi öğrenme etkinlikleriyle olan simüle edilmiş etkileşimleri temsil etmektedir. Duygusal göstergeler; stres, bağlılık ve motivasyon dahil olmak üzere psikolojik durumları yakalarken, öğrenme performansı zaman içindeki bilgi edinimini ve ilerlemeyi yansıtmaktadır. Veri setini zenginleştirmek ve zamansal bağımlılıkları dahil etmek için, tekrarlanabilirliği sağlamak amacıyla sabit rastgele tohum başlangıçlı MATLAB tabanlı bir simülasyon hattı kullanılmıştır. Etkileşim davranışlarının ve duygusal durumların zamanla kademeli olarak gelişmesini sağlamak için otoregresif süreçler aracılığıyla zamansal süreklilik getirilmiştir. Nihai veri seti, çeşitli öğrenme davranışlarını temsil eden çok sayıda etkileşim özelliği ile beş yüz zaman adımı boyunca gözlemlenen bin simüle edilmiş öğrenciyi içermektedir. Tutarlılığı ve karşılaştırılabilirliği sağlamak için tüm değişkenler [0,1] aralığında normalize edilmiştir. Yanlısız model değerlendirmesi sağlamak amacıyla veri seti, %70–%15–%15'lik bir bölünmeyle eğitim, doğrulama ve test alt kümelerine ayrılmıştır.
Graf oluşturma ve temsili
Öğrenme ortamı, şu şekilde tanımlanan ağırlıklı bir graf olarak modellenmiştir:
G = (V,E,W) (1)
burada düğümler kümesini, kenarlar kümesini ve düğümler arasındaki ilişkilerin gücünü tanımlayan ağırlıklı komşuluk matrisini temsil eder. Düğüm kümesi şu şekilde ayrıştırılmıştır:
V = Vk∪Va∪Ve (2)
burada Vk, Va ve Ve sırasıyla bilgi düğümlerine, aktivite düğümlerine ve duygusal düğümlere karşılık gelir. Kenar ağırlıkları şu şekilde hesaplanır:
Wij = α Sc(i,j) + βSe(i,j) (3)
burada Sc(i,j) düğümler arasındaki bilişsel benzerliği, Se(i,j) duygusal korelasyonu temsil eder; α ve β ise bunların göreceli etkisini kontrol eden ağırlıklandırma katsayılarıdır. Denklem (3), yapısal ve duygusal ilişkilerin grafın bağlantısallığını birlikte nasıl belirlediğini tanımlar.
Düğüm durum temsili ve grafik öğrenimi
Her düğüm, şu şekilde tanımlanan dinamik bir durum vektörü ile ilişkilendirilmiştir:
xi(t) = [ki(t),ei(t),ai(t)] (4)
burada ki(t), ei(t) ve ai(t) sırasıyla t anındaki bilgi düzeyini, duygusal durumu ve etkileşim düzeyini ifade eder. Düğüm temsilleri, graf tabanlı toplama kullanılarak güncellenir:
(5)
burada 
l katmanındaki i düğümünün gömülmesidir, σ doğrusal olmayan bir aktivasyon fonksiyonudur ve N(i) komşu düğümler kümesini belirtir. Denklem (5), her bir düğümün komşularından gelen bilgileri nasıl entegre ettiğini tanımlar. Ayrıca bir dikkat mekanizması tanıtılmıştır:
(6)
burada αij dikkat katsayısı ve ∅(·) bir benzerlik fonksiyonudur. Denklem (6), komşu düğüm katkılarının adaptif ağırlıklandırılmasını sağlar.
Duygusal dinamiklerin modellenmesi
Duygusal durumların zamansal evrimi şu şekilde modellenmiştir:
(7)
burada γ duygusal tutma katsayısıdır. Denklem (7), duygusal etkinin hem kalıcılığını hem de yayılımını kapsar. Duygusal stabilite şu şekilde nicelleştirilir:
(8)
burada E+(t) ve E-(t) pozitif ve negatif duygusal bileşenleri temsil eder ve 
sıfıra bölünmeyi önleyen küçük bir sabittir. Stres birikimi şu şekilde tanımlanır:
(9)
burada λ(τ), anlık gerilme yoğunluğunu temsil eder. Denklem (9), zaman içindeki kümülatif gerilmeyi modeller.
Öğrenme optimizasyonu ve adaptif müfredat tasarımı
Öğrenme süreci, çok amaçlı bir optimizasyon fonksiyonu tarafından yönetilir:
J = λ1K + λ2K - λ3S (10)
burada K bilgi kazanımını, E duygusal stabiliteyi ve S stres seviyesini ifade ederken, λ1, λ2, λ3 ağırlıklandırma katsayılarıdır. Denklem (10) bilişsel ve duygusal hedefleri dengeler. Adaptif müfredat yeniden yapılandırması şu şekilde tanımlanmıştır:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
burada η öğrenme hızını ve Δij(t) öğrenme dinamikleri tarafından yönlendirilen güncelleme ayarlamalarını temsil eder. Denklem (11), grafik yapısının zaman içinde gelişmesine olanak tanır.
Zamansal ölçek ve simülasyon süresi
Tüm simülasyonlar, gerçek zaman birimleri yerine normalize edilmiş zaman adımları kullanılarak gerçekleştirilir. Kısa aralıklar, sistem evrimini temsil eden ölçeklendirilmiş simülasyon adımlarına karşılık gelirken; uzun vadeli davranışı, yakınsamayı ve dayanıklılığı değerlendirmek için beş yüz adımı aşan genişletilmiş simülasyonlar kullanılır.
Değerlendirme metrikleri ve istatistiksel analiz
Çerçeve; bilgi artışı, duygusal stabilite, stres seviyesi, etkileşim düzeyi ve dayanıklılık dahil olmak üzere normalize edilmiş metrikler kullanılarak değerlendirilmektedir. İstatistiksel analiz, her bir metrik için ortalama değerler, standart sapmalar ve %95 güven aralıkları hesaplanarak MATLAB istatistiksel fonksiyonları ile gerçekleştirilmiştir. Eşleştirilmiş t-testleri uygulanmadan önce normallik varsayımları doğrulanmıştır. Önerilen çerçeve ile temel model arasındaki karşılaştırmalı değerlendirme, n = 1000 simüle edilmiş öğrenci üzerinde yürütülmüş olup, istatistiksel anlamlılık p < 0.05 olarak tanımlanmıştır.
Tekrarlanabilirlik ve uygulama detayları
Tüm simülasyonlar, veri işleme hatları ve değerlendirme prosedürleri tamamen yeniden üretilebilirdir. Veri seti oluşturma süreci, graf oluşturma parametreleri, model konfigürasyonları ve optimizasyon ayarları açıkça tanımlanmıştır. Tekrarlanan çalışmalar arasında tutarlı çıktılar sağlamak için rastgele tohum başlangıç değeri sabitlenmiştir. Tüm hiperparametreler, betikler ve veri seti açıklamaları ek materyallerde sunulmuş olup, çalışmanın MATLAB veya eşdeğer hesaplama araçları kullanılarak tam olarak tekrarlanmasına olanak tanımaktadır.
Tüm simülasyonlar, veri işleme boru hatları ve değerlendirme betikleri Ek Dosya 1'de sağlanmıştır. Veri seti; ham etkileşim günlüklerini, duygusal göstergeleri ve öğrenme performansı metriklerini içermektedir. Grafik oluşturma parametreleri ve optimizasyon ayarları eksiksiz bir şekilde belgelenmiştir. Sistem, standart makine öğrenimi çerçeveleri kullanılarak yeniden üretilebilir. Tutarlılığı sağlamak için rastgele tohum başlatma sabitlenmiştir. Tüm hiperparametreler açıkça raporlanmıştır. Protokol, tam şeffaflık ve tekrarlanabilirlik sağlamaktadır.
Sonuçlar
Önerilen Graf tabanlı duygusal müfredat zekası çerçevesinin (GECIF) performansı, T = 500 normalize edilmiş zaman adımı boyunca n = 1000 öğreniciden oluşan simülasyon tabanlı bir veri seti kullanılarak değerlendirilmiştir. Şekil 1, yapay zeka destekli görsel müzik eğitimi ve ruh sağlığının geliştirilmesi için GECIF'in kavramsal mimarisini göstermektedir. Tüm metrikler [0,1] aralığındaki normalize edilmiş ölçeklerde raporlanmıştır. İstatistiksel değerlendirme; ortalama değerleri, standart sapmaları (SD) ve %95 güven aralıklarını (CI) içermekte olup anlamlılık eşleştirilmiş t-testleri (p < 0.05) kullanılarak belirlenmiştir. Tüm karşılaştırmalar, simüle edilen popülasyonun tamamı üzerinden hesaplanmıştır. Şekil 2, önerilen çerçevenin eğitim dinamiklerini ve bilgi edinme davranışını temel modelle karşılaştırmalı olarak göstermektedir. GECIF çerçevesi 0.88 ± 0.04 (%95 CI: 0.84–0.92) oranında bir bilgi artışı sağlarken, temel model istatistiksel olarak anlamlı bir farkla (p < 0.001) 0.65 ± 0.06 (%95 CI: 0.59–0.71) oranında bilgi artışı sağlamıştır. Öğrenme eğrisi, salınımlı davranış göstermeksizin daha dik bir büyüme hızı ve kararlı bir yakınsama sergilemektedir.
Şekil 3, duygusal stabilitenin zamansal evrimini sunmaktadır. Önerilen çerçeve, temel modeldeki 0,70 ± 0,05 değerine kıyasla 0,92 ± 0,03'lük bir Duygusal Stabilite Endeksi elde etmiştir (p < 0,01). Zaman boyunca daha düşük standart sapma değerleri gözlemlenerek değişkenlik azaltılmıştır. Şekil 4, zaman içindeki stres dinamiklerini göstermektedir. Önerilen model, temel model için 0,45 ± 0,07 değerine kıyasla 0,15 ± 0,05 ile daha düşük bir stres seviyesini korumaktadır (p < 0,001). Birikim oranı, simülasyon süresi boyunca tutarlı bir şekilde daha düşük kalmaktadır. Şekil 5, öğrenenler arasındaki öğrenme performansı dağılımını sunmaktadır. Önerilen çerçeve, temel modele kıyasla daha düşük yayılıma sahip ve daha yüksek değerlerde merkezlenmiş bir dağılım sergileyerek sonuçlarda daha düşük varyansa işaret etmektedir. Şekil 6, grafikteki düğüm gömmelerinin evrimini örneklendirmektedir. Özellik temsilleri, iterasyonlar boyunca hiçbir ani değişiklik gözlemlenmeden sürekli geçişler sergileyerek stabil güncellemeler olduğunu göstermektedir. Şekil 7, bilgi, aktivite ve duygusal düğümler arasındaki etkileşim gücünü göstermektedir. Isı haritası, düğüm kategorileri arasında farklı etkileşim büyüklükleri ile istatistiksel olarak anlamlı korelasyonlar (p < 0,05) ortaya koymaktadır.
Şekil 8 simüle edilmiş öğrenme süreci boyunca normalize edilmiş bilgi kazanımı ile duygusal stabilite arasındaki ilişkiyi sunmaktadır. Önerilen GECIF çerçevesi, geleneksel temel model için gözlemlenen orta düzeydeki pozitif korelasyona (r = 0,65) kıyasla, iki değişken arasında güçlü bir pozitif korelasyon (r = 0,82) sergilemektedir. Her iki korelasyon da istatistiksel olarak anlamlıydı (p < 0,05), bilgi edinimindeki iyileşmelerin artan duygusal stabilite ile birlikte seyrettiğini göstermekte; böylece önerilen çerçeve ile sağlanan bilişsel gelişim ve duygusal düzenlemenin dengeli entegrasyonunu yansıtmaktadır. Şekil 9 bilgi ve duygusal bileşenlerin zaman içindeki birleşik katkısını göstermektedir. Bilgi değerleri kademeli olarak artarken, duygusal değişkenlik azalmakta olup tüm simülasyon adımlarında tutarlı eğilimler gözlemlenmektedir. Şekil 10 önerilen GECIF çerçevesi ve geleneksel baz hattı tarafından elde edilen bilgi kazanımı dağılımlarını kutu ve bıyık grafikleri kullanarak karşılaştırır. Önerilen çerçeve, anlamlı derecede daha yüksek bir ortalama bilgi kazanımı (9,87 ± 3,46) geleneksel modelden (6,90 ± 2,88), bağımsız örneklemlerle t-istatistiksel olarak anlamlı bir farkı doğrulayan test (p < 0,0001; Cohen's Sizden herhangi bir kaynak metin iletmediniz. Lütfen çevrilmesini istediğiniz İngilizce metni gönderin. = 1,43). GECIF çerçevesi, daha büyük standart sapma ve çeyrekler açıklığıyla yansıtıldığı üzere daha fazla değişkenlik göstermiş olsa da, tüm dağılım daha yüksek bilgi kazanımı değerlerine doğru kaymıştır; bu durum, artan dağılımın stabilite azalmasından ziyade, genel performanstaki iyileşmeye eşlik ettiğini göstermektedir. Bu sonuçlar, önerilen çerçevenin çeşitli simüle edilmiş öğrenci yanıtlarına etkili bir şekilde uyum sağlarken güçlü bir öğrenme performansını koruduğunu kanıtlamaktadır. Şekil 11 zaman içindeki etkileşim dinamiklerini sunmaktadır. Önerilen çerçeve, 0,90 düzeyinde bir etkileşim seviyesi elde etmektedir ± 0,68'e kıyasla 0,04 ± temel model için 0,06 (p < 0,01), daha düşük varyabilite ile. Şekil 12 etkileşim davranışının döngüsel bir formda olduğunu göstermektedir. Dalgalanmaların genliği önerilen çerçevede daha düşüktür, bu da temel çizgiye kıyasla değişkenliğin azaldığını göstermektedir.
Şekil 13, grafikteki uzamsal öznitelik yoğunluğunu göstermektedir. Öznitelik dağılımı, tanımlanabilir tepe ve çukurlarla birlikte sürekli bir varyasyon sergilemekte olup bu durum heterojen aktivasyon modellerine işaret etmektedir. Şekil 14, bilgi transferinin yönlü akışını sunmaktadır. Vektör alanı, değerlerin daha yüksek birikimine karşılık gelen yakınsama bölgeleriyle birlikte organize yayılım modelleri göstermektedir. Şekil 15, graf topolojisinin zaman içindeki evrimini göstermektedir. Yapısal güncellemeler kademeli olarak gerçekleşmekte ve iterasyonlar boyunca öznitelik değerlerinde yumuşak geçişler görülmektedir. Şekil 16, öznitelikler arası bağımlılık analizini sunmaktadır. Korelasyon ısı haritası, öznitelikler arasında baskın bir redundans gözlemlenmeksizin orta ila güçlü ilişkiler olduğunu göstermektedir. Şekil 17, çok boyutlu özniteliklerin katkısını göstermektedir. Katkı düzeyleri düğümler arasında farklılık göstermekte ve bu da heterojen etki modellerine işaret etmektedir. Şekil 18, bilgi ve duygusal durumların ortak evrimini göstermektedir. Bilgi değerleri istikrarlı bir şekilde artarken, duygusal değişkenlik zamanla azalmakta ve tüm simülasyon süresi boyunca tutarlı eğilimler sergilemektedir. Bu sonuçların nicel bir özeti, bilgi kazanımı, duygusal stabilite, stres düzeyi, etkileşim ve sağlamlık dahil tüm metriklerin istatistiksel ölçümlerle raporlandığı Tablo 2'de sunulmuştur. Sonuçlar, değerlendirilen tüm metriklerde önerilen çerçeve ile temel model arasında tutarlı farklar olduğunu göstermektedir. İstatistiksel analiz, bu farkların simüle edilen popülasyon genelinde anlamlı olduğunu doğrulamaktadır. Genel olarak simülasyon sonuçları, önerilen GECIF çerçevesinin, değerlendirilen tüm normalize edilmiş performans metriklerinde geleneksel temel modeli tutarlı bir şekilde geride bıraktığını kanıtlamaktadır. Bu bulgular, graf tabanlı duygusal zekanın yapay zeka destekli görsel öğretimle entegrasyonunun, tekrarlanabilir bir hesaplama ortamında simüle edilmiş öğrenme performansını, duygusal stabiliteyi, etkileşimi ve stres yönetimini artırabileceği yönündeki çalışma amacını ve hipotezini desteklemektedir.
VERİ KULLANILABİLİRLİĞİ:
Bu çalışmada kullanılan tüm veriler ve hesaplama prosedürleri tamamen yeniden üretilebilirdir ve açıkça erişime sunulmuştur. Veri seti oluşturmaya yönelik tüm kodlar, yapılandırılmış veri gösterimleri ile birlikte Ek Dosya 1'de sunulmaktadır.
Şekil 1: Yapay zeka destekli görsel müzik eğitimi ve ruh sağlığını geliştirme için graf tabanlı duygusal müfredat zeka çerçevesinin (GECIF) kavramsal mimarisi. Bu şekil; bilgi-duygu grafı oluşturma, graf sinir ağı analizi, duygusal yol optimizasyonu, adaptif müfredat yeniden yapılandırma, görsel öğrenme arayüzü ve çok amaçlı optimizasyonu içeren eksiksiz sistem yapısını sunmaktadır. Şekil, bilişsel ve duygusal bileşenlerin birleşik bir adaptif öğrenme sistemine nasıl entegre edildiğini göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 2: Uyarlamalı grafik tabanlı öğrenme altında bilgi ediniminin evrimi ile geleneksel temel modelin karşılaştırılması. Şekil, normalize edilmiş simülasyon adımları boyunca normalize edilmiş bilgi kazanımının ilerlemesini göstermekte olup, önerilen GECIF çerçevesi için daha hızlı yakınsama ve daha yüksek simüle öğrenme verimliliğini kanıtlamaktadır. Önerilen model ile temel model arasındaki istatistiksel karşılaştırmalar, n = 1000 simüle öğrenci üzerinden eşleştirilmiş t-testi kullanılarak gerçekleştirilmiştir. Hata çubuklarının gösterildiği yerlerde, bu çubuklar ortalama normalize bilgi kazanımının %95 güven aralıklarını (%95 CI) temsil etmektedir. İstatistiksel olarak anlamlı farklar p < 0.05 olarak kabul edilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 3: Akıllı müfredat adaptasyonu yoluyla duygusal stabilitenin zamansal iyileşmesi. Şekil, normalize edilmiş Duygusal Stabilite İndeksi'nin normalize edilmiş simülasyon adımları üzerindeki gelişimini göstermekte ve önerilen GECIF çerçevesinin geleneksel baz modelle karşılaştırıldığında daha pürüzsüz bir stabilizasyon ve azaltılmış duygusal dalgalanmalar sergilediğini kanıtlamaktadır. İstatistiki karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinde eşleştirilmiş t-testi kullanılarak gerçekleştirilmiştir. Hata çubuklarının gösterildiği yerlerde, bunlar ortalama normalize edilmiş Duygusal Stabilite İndeksi'nin %95 güven aralıklarını (%95 CI) temsil etmektedir. Farklar p < 0.05 değerinde istatistiksel olarak anlamlı kabul edilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 4: Duyguya duyarlı öğrenme yolları aracılığıyla stres seviyelerinin azaltılması. Şekil, normalize edilmiş simülasyon adımları boyunca normalize edilmiş stres seviyelerinin zamansal gelişimini göstermekte olup, önerilen GECIF çerçevesinin geleneksel temel modelden daha düşük ve daha kararlı simüle edilmiş stres düzeylerini koruduğunu, bunun da öğrenme süreci boyunca gelişmiş duygusal düzenlemeye işaret ettiğini göstermektedir. İstatistiki karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinden eşleştirilmiş t-testi kullanılarak gerçekleştirilmiştir. Hata çubuklarının gösterildiği yerlerde, bunlar ortalama normalize edilmiş stres seviyesinin %95 güven aralıklarını (%95 CI) temsil etmektedir. Farklar p < 0.05 değerinde istatistiksel olarak anlamlı kabul edilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 5: Simüle edilmiş öğreniciler arasında öğrenme kazanımlarının dağılımı. Şekil, önerilen GECIF çerçevesi ve geleneksel temel model için normalize edilmiş bilgi kazanımının dağılımını göstermektedir. Önerilen çerçeve, azalmış değişkenlikle birlikte daha yüksek normalize edilmiş bilgi kazanımına doğru kaymış bir dağılım sergilerken, temel model daha düşük performans seviyelerinde yoğunlaşmıştır. İki dağılım arasındaki istatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenici üzerinden eşleştirilmiş t-testi kullanılarak yapılmış ve istatistiksel anlamlılık p < 0.05 olarak tanımlanmıştır. Şekil, özet istatistikler yerine frekans dağılımlarını gösterdiği için hata çubukları sunulmamıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 6: Öğrenme iterasyonları boyunca graf tabanlı bilgi temsillerinin evrimi. Şekil, normalize edilmiş simülasyon adımları boyunca graf düğüm gömmelerinin zamansal evrimini göstermektedir. Pikler daha güçlü özellik aktivasyonlarını temsil ederken, çukurlar daha zayıf özellik temsillerini göstermekte ve simülasyon süreci boyunca bilgi grafının sürekli adaptasyonunu ve iyileştirilmesini kanıtlamaktadır. Bu görselleştirme, öğrenilen özellik temsillerinin evrimini sunmaktadır ve hata çubuklarını içermemektedir. Çalışmada rapor edilen istatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinde eşleştirilmiş t-testi kullanılarak gerçekleştirilmiştir ve istatistiksel anlamlılık p < 0.05 olarak tanımlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.
Şekil 7: Öğrenme grafiğindeki bilgi ve duygusal düğümler arasındaki ilişkilerin gücü. Şekil, graf tabanlı öğrenme çerçevesindeki bilişsel ve duygusal düğümler arasındaki normalize edilmiş etkileşim güçlerini görselleştirmektedir. Daha yüksek değerler daha güçlü bilişsel-duygusal bağımlılıkları, daha düşük değerler ise daha zayıf ilişkileri göstermekte olup, simülasyon boyunca öğrenme grafiğinin karmaşık birbirine bağlı yapısını ve adaptif evrimini ortaya koymaktadır. Bu görselleştirme graf bağlantı modellerini sunmakta olup hata çubuklarını içermemektedir. Çalışmanın başka bölümlerinde rapor edilen istatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinden eşleştirilmiş t-testi kullanılarak gerçekleştirilmiş ve istatistiksel anlamlılık p < 0.05 olarak tanımlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 8: Adaptif müfredat ortamlarında öğrenme ilerlemesi ile duygusal esenlik arasındaki ilişki. Şekil, simüle edilmiş öğrenme süreci boyunca normalize edilmiş bilgi kazanımı ile duygusal stabilite arasındaki pozitif ilişkiyi göstermektedir. Bilgi edinimi arttıkça duygusal stabilite de iyileşmekte, bu da önerilen GECIF çerçevesi dahilinde bilişsel gelişim ve duygusal düzenlemenin etkili bir şekilde entegre edildiğini göstermektedir. İstatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinden eşleştirilmiş t-testi kullanılarak gerçekleştirilmiştir. Hata çubuklarının gösterildiği yerlerde, bunlar ortalama normalize edilmiş performans değerlerinin %95 güven aralıklarını (%95 CI) temsil etmektedir. Farklar p < 0.05 değerinde istatistiksel olarak anlamlı kabul edilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 9: Normalize edilmiş simülasyon adımları boyunca bilgi edinimi ve duygusal dinamiklerin genel öğrenme performansına katkısı. Şekil, normalize edilmiş bilgi kazanımı ve duygusal dinamiklerin genel simüle edilmiş öğrenme performansına zamansal katkılarını göstermektedir. Bilgi edinimi, simülasyon boyunca baskın ve sürekli bir artış sergilerken, duygusal dinamiklerin etkisi kademeli olarak stabilize olmakta; bu da önerilen GECIF çerçevesi kapsamında bilişsel ve duygusal süreçlerin etkili entegrasyonunu kanıtlamaktadır. İstatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinden eşleştirilmiş t-testi kullanılarak gerçekleştirilmiştir. Hata çubuklarının gösterildiği yerlerde, bunlar ortalama normalize performans değerlerinin %95 güven aralıklarını (%95 CI) temsil etmektedir. Farklar p < 0.05 değerinde istatistiksel olarak anlamlı kabul edilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 10: Adaptif ve geleneksel modeller arasında öğrenme performansının değişkenliği ve dayanıklılığı.Şekil, önerilen GECIF çerçevesi ile geleneksel temel model için normalize edilmiş bilgi kazanımı dağılımlarını karşılaştıran kutu ve bıyık grafiklerini sunmaktadır. Önerilen çerçeve, daha yüksek bir medyan bilgi kazanımı ve genel olarak daha yüksek performans değerlerine kaymış bir dağılım sergilerken, aynı zamanda simüle edilen öğreniciler arasındaki daha büyük değişkenliği yansıtan daha geniş bir çeyrekler arası genişlik ve daha büyük bir genel dağılım göstermektedir. Bu artan değişkenliğe rağmen, bilgi kazanımının tutarlı olarak daha yüksek olan dağılımı, önerilen çerçevenin farklı öğrenici koşulları altında dayanıklı bir öğrenme performansı sürdürdüğünü kanıtlamaktadır. İstatistiksel karşılaştırmalar, model başına n = 1000 simüle edilmiş öğrenici üzerinde bağımsız örneklemler t-testi kullanılarak gerçekleştirilmiştir. Kutular çeyrekler arası genişliği (IQR) temsil etmekte, her kutu içindeki yatay çizgi medyanı göstermekte ve bıyıklar 1.5 × IQR'ye kadar uzanmaktadır. Önerilen çerçeve, geleneksel modele göre anlamlı derecede daha yüksek bir ortalama bilgi kazanımı elde etmiştir (p < 0.0001; Cohen's d = 1.43). Kutu ve bıyık grafiği veri dağılımlarını güven aralıkları yerine çeyreklikler ve bıyıklar kullanarak özetlediği için hata çubukları sunulmamıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 11: Öğrenme süreci boyunca öğrenci etkileşimindeki dinamik değişimler. Şekil, normalize edilmiş Öğrenci Etkileşim Endeksi'nin normalize edilmiş simülasyon adımları üzerindeki zamansal gelişimini göstermekte olup, önerilen GECIF çerçevesinin simüle edilmiş öğrenme süreci boyunca geleneksel temel modelden daha yüksek ve daha adaptif bir etkileşim sağladığını kanıtlamaktadır. Önerilen model ile temel model arasındaki istatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinden eşleştirilmiş t-testi kullanılarak gerçekleştirilmiştir. Hata çubuklarının gösterildiği yerlerde, bunlar ortalama normalize edilmiş Öğrenci Etkileşim Endeksi'nin %95 güven aralıklarını (%95 CI) temsil etmektedir. Farklar p < 0,05 değerinde istatistiksel olarak anlamlı kabul edilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 12: Adaptif öğrenme ortamlarında öğrenci etkileşiminin döngüsel modelleri. Şekil, normalize edilmiş Öğrenci Etkileşim Endeksi'nin normalize edilmiş simülasyon adımları üzerinden zamansal evrimini göstermekte olup, önerilen GECIF çerçevesinin simüle edilmiş öğrenme süreci boyunca dengeli ve adaptif bir öğrenci etkileşim ritmini koruduğuna işaret eden periyodik ancak stabil etkileşim dalgalanmalarını sergilemektedir. İstatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinden eşleştirilmiş t-testi kullanılarak gerçekleştirilmiştir. Hata çubuklarının gösterildiği yerlerde, bunlar normalize edilmiş ortalama Öğrenci Etkileşim Endeksi'nin %95 güven aralıklarını (%95 CI) temsil etmektedir. Farklar, p < 0.05 değerinde istatistiksel olarak anlamlı kabul edilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.
Şekil 13: Öğrenme grafı yapısı boyunca özellik yoğunluğunun mekansal varyasyonu. Şekil, graf tabanlı öğrenme çerçevesi boyunca özellik aktivasyonunun normalize edilmiş mekansal dağılımını görselleştirmektedir. Daha yüksek yoğunluğa sahip bölgeler daha güçlü özellik aktivasyonlarını belirtirken, düşük yoğunluklu bölgeler daha zayıf aktivasyonları temsil ederek simülasyon sırasında öğrenme grafı içindeki bilgi temsillerinin yapılandırılmış, lineer olmayan organizasyonunu ve adaptif ilişkilerini ortaya koymaktadır. Bu görselleştirme mekansal özellik modellerini sunmaktadır ve hata çubuklarını içermemektedir. Çalışmanın başka yerlerinde rapor edilen istatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinden eşleştirilmiş t-testi kullanılarak gerçekleştirilmiş ve istatistiksel anlamlılık p < 0.05 olarak tanımlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.
Şekil 14: Müfredat grafiği içindeki bilgi transferinin yönlü akışı. Şekil, grafik tabanlı müfredat çerçevesindeki birbirine bağlı düğümler arasında bilginin normalize edilmiş yayılımını göstermektedir. Yönlü yollar, simülasyon sırasında müfredat bileşenleri arasında etkin bilgi yayılımını ve adaptif bilgi alışverişini vurgulayarak, öğrenme grafiği üzerinden organize edilmiş bilgi akışını temsil etmektedir. Bu görselleştirme bilgi yayılım modellerini tasvir etmektedir ve hata çubuklarını içermemektedir. Çalışmanın diğer kısımlarında raporlanan istatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinden eşleştirilmiş t-testi kullanılarak gerçekleştirilmiş olup, istatistiksel anlamlılık p < 0.05 olarak tanımlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 15: Adaptif özellik dönüşümü aracılığıyla öğrenme grafiğinin zaman içindeki yapısal evrimi. Şekil, adaptif özellik dönüşümü bilgi düğümleri arasındaki ilişkileri sürekli olarak iyileştirirken, normalize edilmiş simülasyon adımları boyunca graf topolojisinin aşamalı evrimini göstermektedir. Dinamik yapısal değişiklikler, çerçevenin öğrenme yollarını yeniden düzenleme ve optimize etme yeteneğini yansıtmaktadır; bu da simüle edilen öğrenme süreci boyunca giderek daha tutarlı ve adaptif grafik temsilleri ile sonuçlanmaktadır. Bu görselleştirme graf topolojisi evrimini tasvir etmektedir ve hata çubuklarını içermemektedir. Çalışmanın başka yerlerinde rapor edilen istatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinde eşleştirilmiş t-testi kullanılarak gerçekleştirilmiş ve istatistiksel anlamlılık p < 0.05 olarak tanımlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 16: Adaptif çerçevedeki çıkarılan öğrenme özellikleri arasındaki karşılıklı bağımlılık modelleri.Şekil, önerilen GECIF çerçevesi kapsamında çıkarılan öğrenme özellikleri arasındaki normalize edilmiş karşılıklı bağımlılık modellerini görselleştirmektedir. Daha güçlü ilişkiler, özellik boyutları arasında daha yüksek korelasyonlara ve daha etkili etkileşimlere işaret ederken; daha zayıf ilişkiler daha düşük bağımlılıkları temsil etmekte ve adaptif grafik tabanlı çerçeve tarafından öğrenilen bilişsel ve duygusal temsillerin karmaşık çok boyutlu organizasyonunu ortaya koymaktadır. Bu görselleştirme, özellik etkileşim modellerini sunmakta olup hata çubuklarını içermemektedir. Çalışmanın diğer bölümlerinde bildirilen istatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinde eşleştirilmiş t-testi kullanılarak gerçekleştirilmiş ve istatistiksel anlamlılık p < 0.05 olarak tanımlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 17: Çok boyutlu özelliklerin bilgi edinme performansına katkısı. Şekil, grafik tabanlı öğrenme çerçevesinde birden fazla özellik boyutunun bilgi edinmeye olan normalize edilmiş katkılarını göstermektedir. Grafik düğümleri arasındaki özellik önemindeki varyasyonlar, bilişsel ve duygusal öğrenme faktörlerinin heterojen doğasını vurgulayarak, önerilen GECIF çerçevesi dahilinde farklı özelliklerin nasıl etkileşime girdiğini ve adaptif bilgi edinimine nasıl katkıda bulunduğunu kanıtlamaktadır. Bu görselleştirme, çok boyutlu özellik katkı modellerini sunmakta olup hata çubuklarını içermemektedir. Çalışmanın başka bölümlerinde bildirilen istatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinde eşleştirilmiş t-testi kullanılarak gerçekleştirilmiş ve istatistiksel anlamlılık p < 0.05 olarak tanımlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.
Şekil 18: Adaptif öğrenme sırasında bilişsel ve duygusal durumların eş zamanlı evrimi. Şekil, normalize edilmiş simülasyon adımları boyunca normalize edilmiş bilgi artışının ve duygusal stabilitenin zamansal evrimini göstererek, kademeli olarak azalan duygusal dalgalanmalarla birlikte seyreden istikrarlı bilişsel gelişimi örneklemektedir. Bu iki öğrenme boyutunun koordineli ilerleyişi, önerilen GECIF çerçevesinin simüle edilen öğrenme süreci boyunca bilişsel gelişim ve duygusal düzenlemenin dengeli bir entegrasyonunu etkili bir şekilde sürdürdüğünü göstermektedir. İstatistiksel karşılaştırmalar, n = 1000 simüle edilmiş öğrenci üzerinde eşli t-testi kullanılarak gerçekleştirilmiştir. Hata çubuklarının gösterildiği yerlerde, bunlar ortalama normalize edilmiş performans değerlerinin %95 güven aralıklarını (%95 CI) temsil etmektedir. Farklar p < 0.05 değerinde istatistiksel olarak anlamlı kabul edilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
| Sembol | Açıklama | Kategori |
| G | Tüm öğrenme sistemini temsil eden grafik | Graf Bileşeni |
| V | Tüm düğümler kümesi | Graf Bileşeni |
| E | Kenarlar (ilişkiler) kümesi | Graf Bileşeni |
| W | İlişki gücünü temsil eden ağırlık matrisi | Graf Bileşeni |
| V_k | Bilgi düğümleri (müzikal kavramlar) | Düğüm Tipi |
| V_a | Etkinlik düğümleri (öğrenme eylemleri) | Düğüm Tipi |
| V_e | Duygu düğümleri (psikolojik durumlar) | Düğüm Tipi |
| W_ij | i ve j düğümleri arasındaki ağırlık | Kenar Parametresi |
| S_c(i,j) | Düğümler arasındaki bilişsel benzerlik | Kenar Parametresi |
| S_e(i,j) | Düğümler arasındaki duygusal korelasyon | Kenar Parametresi |
| alfa | Bilişsel benzerlik için ağırlık | Model Parametresi |
| beta | Duygusal korelasyon için ağırlık | Model Parametresi |
| x_i(t) | t anındaki i düğümünün durum vektörü | Düğüm Durumu |
| k_i(t) | Düğüm i'nin bilgi düzeyi | Düğüm Durumu |
| e_i(t) | i düğümünün duygusal durumu | Düğüm Durumu |
| a_i(t) | i düğümünün aktivite katılımı | Düğüm Durumu |
| h_i | Düğüm gömme temsili | GNN Parametresi |
| gamma | Duygusal azalma faktörü | Model Parametresi |
| eta | Öğrenme/adaptasyon hızı | Model Parametresi |
| J | Çok amaçlı optimizasyon fonksiyonu | Optimizasyon |
Tablo 1: Graf tabanlı duygusal müfredat zekası çerçevesinde (GECIF) kullanılan değişkenlerin, parametrelerin ve notasyonların özeti. Bu tablo, önerilen metodolojinin tekrarlanabilirliğini ve netliğini desteklemek amacıyla graf bileşenleri, düğüm durumları ve model parametreleri için tanımlar sunmaktadır.
| Metrik | Önerilen GECIF (Ortalama) | Önerilen SD | Önerilen %95 GA | Geleneksel (Ortalama) | Geleneksel SD | Geleneksel %95 GA | İyileştirme (%) | p-değeri |
| Bilgi Kazanımı | 0.88 | 0.04 | 0.84–0.92 | 0.65 | 0.06 | 0.59–0.71 | 35 | 0.001 |
| Duygusal Stabilite | 0.92 | 0.03 | 0.89–0.95 | 0.7 | 0.05 | 0.65–0.75 | 31 | 0.002 |
| Stres Azalması | 0.85 | 0.05 | 0.80–0.90 | 0.55 | 0.07 | 0.48–0.62 | 54 | 0.0005 |
| Katılım Seviyesi | 0.9 | 0.04 | 0.86–0.94 | 0.68 | 0.06 | 0.62–0.74 | 32 | 0.0015 |
| Sürdürülebilirlik | 0.87 | 0.03 | 0.84–0.90 | 0.66 | 0.05 | 0.61–0.71 | 32 | 0.002 |
| Öğrenme Verimliliği | 0.91 | 0.04 | 0.87–0.95 | 0.69 | 0.06 | 0.63–0.75 | 32 | 0.001 |
| Yakınsama Hızı | 0.89 | 0.03 | 0.86–0.92 | 0.67 | 0.05 | 0.62–0.72 | 33 | 0.001 |
| Tahmin Doğruluğu | 0.93 | 0.02 | 0.91–0.95 | 0.72 | 0.05 | 0.67–0.77 | 29 | 0.0008 |
| Duygusal Varyans Azalması | 0.86 | 0.04 | 0.82–0.90 | 0.6 | 0.06 | 0.54–0.66 | 43 | 0.0012 |
| Adaptasyon Puanı | 0.9 | 0.03 | 0.87–0.93 | 0.68 | 0.05 | 0.63–0.73 | 32 | 0.001 |
Tablo 2: Önerilen GECIF çerçevesi ile geleneksel öğrenme modeli arasındaki karşılaştırmalı performans metrikleri. Tablo; bilgi artışı, duygusal stabilite, stres azalması, katılım, dayanıklılık ve genel öğrenme verimliliğindeki iyileştirmeleri özetleyerek önerilen yaklaşımın üstünlüğünü ortaya koymaktadır.
Ek Dosya 1: Veri seti oluşturma ve yapılandırılmış veri temsilleri için kodlar. Grafik tabanlı duygusal müfredat zekası çerçevesinde (GECIF) kullanılan MATLAB tabanlı veri seti oluşturma, işleme hattı ve değerlendirme prosedürlerinin özeti. Bu dosya; etkileşim günlüğü oluşturma, duygusal gösterge modelleme, öğrenme performansı hesaplama, grafik oluşturma, özellik mühendisliği, istatistiksel analiz, doğrulama kontrolleri ve veri dışa aktarma prosedürlerini içeren simülasyon aşamalarına genel bir bakış sunarak önerilen metodolojinin tekrarlanabilirliğini, şeffaflığını ve açıklığını desteklemektedir.Bu dosyayı indirmek için lütfen buraya tıklayın.
Tartışma
Bu çalışma; grafik tabanlı temsil öğrenimi, duygusal durum modellemesi, adaptif müfredat optimizasyonu ve yapay zeka destekli görsel öğretimi, üniversite müzik eğitimi için birleşik bir hesaplama çerçevesinde entegre eden grafik tabanlı bir duygusal müfredat zeka çerçevesi (GECIF) önermiştir. Öncelikle akademik performansı optimize eden geleneksel yapay zeka destekli eğitim modellerinin aksine, önerilen çerçeve; bilgi edinimi, duygusal düzenleme, öğrenci katılımı ve adaptif müfredat gelişimi arasındaki etkileşimleri eş zamanlı olarak modeller. Simülasyon sonuçları; bilgi kazanımı, duygusal stabilite, öğrenci katılımı ve stres azalması dahil olmak üzere birden fazla değerlendirme metriğinde, önerilen çerçevenin geleneksel temel modele göre tutarlı bir şekilde üstün performans sergilediğini göstermiştir. Bu bulgular, ilişkisel grafik yapılarının duygu odaklı öğrenme ile entegre edilmesinin, eğitim süreçlerinin yalnızca bilişsel adaptasyona dayanan yaklaşımlardan daha kapsamlı bir hesaplama temsili sunduğunu ortaya koymaktadır.
Simüle edilmiş öğrenme performansında gözlemlenen iyileşmeler, yapay zeka destekli adaptif eğitimdeki güncel gelişmelerle tutarlılık göstermektedir. YZ teknolojileri, öğrenen özelliklerine ve eğitimsel ihtiyaçlara yanıt verebilen kişiselleştirilmiş ve adaptif öğrenme ortamları geliştirmek için etkili araçlar olarak giderek daha fazla kabul görmektedir18,19,20. Özellikle, yapay zeka tarafından desteklenen adaptif müfredat tasarımının; öğretimsel esnekliği, öğrenci merkezli karar verme sürecini ve eğitimsel etkililiği artırdığı gösterilmiştir19,20. Ayrıca, YZ destekli değerlendirme ve akıllı geri bildirim sistemlerinin, sürekli değerlendirme ve adaptif öğretim desteği aracılığıyla öğrenci başarısını artırmada önemli bir potansiyele sahip olduğu kanıtlanmıştır21,22,23. Bu önceki çalışmalarla karşılaştırıldığında, önerilen GECIF çerçevesi; bilişsel bilgiyi, duygusal dinamikleri ve adaptif öğrenme davranışlarını tek bir grafik tabanlı hesaplama mimarisi içinde entegre ederek mevcut metodolojileri genişletmektedir. Sonuç olarak, mevcut çerçeve, bilişsel performansı ve öğrenen adaptasyonunu ayrı bileşenler olarak ele almak yerine, eğitimsel süreçlerin birleştirilmiş bir temsilini sunmaktadır.
Önerilen çerçeve kapsamındaki duygusal modelleme entegrasyonu, müzik eğitimi ve duyuşsal öğrenme üzerine yapılan önceki araştırmalarla da desteklenmektedir. Li1, derin öğrenme ile birleştirilmiş duygusal görselleştirmenin, öğrenenler ile eğitim içeriği arasındaki etkileşimi güçlendirerek müzik estetiği öğretimini geliştirdiğini göstermiştir. Benzer şekilde Zhao3, bilişsel haritalamanın görsel-işitsel müzik terapisiyle entegre edilmesinin üniversite öğrencilerindeki anksiyete düzeyini etkili bir şekilde azalttığını bildirmiş ve duygusal düzenleme ile öğrenme çıktıları arasındaki yakın ilişkiyi vurgulamıştır. Iyendo ve ark.4, görsel-işitsel sanat ve müzik müdahalelerinin, duygusal stresle ilişkili semptomları azaltarak psikolojik iyi oluşu önemli ölçüde iyileştirdiğini ortaya koymuştur. Bu nedenle, mevcut simülasyonda gözlemlenen duygusal istikrar düzeyindeki iyileşmeler, duygusal farkındalığın başarılı bir müzik eğitiminin temel bir bileşeni olduğunu belirten önceki bulgularla uyumludur. Duygusal müdahaleleri öncelikle bağımsız eğitim stratejileri olarak inceleyen önceki çalışmaların aksine, önerilen çerçeve duygusal dinamikleri doğrudan grafik tabanlı müfredat optimizasyonuna yerleştirerek, duygusal durumların öğrenme süreci boyunca adaptif öğretim kararlarını sürekli olarak etkilemesine olanak tanır.
Öğrenci stresindeki simüle edilen azalma, yükseköğretimde öğrenci ruh sağlığına ilişkin güncel literatürle benzer şekilde tutarlıdır. Akademik stresin, üniversite öğrencileri arasında psikolojik refahın azalmasının ve eğitim performansının düşmesinin temel bir belirleyicisi olduğu saptanmıştır28,29,30. Sistematik incelemeler, yapılandırılmış stres yönetimi müdahalelerinin hem akademik işleyişi hem de psikolojik sağlığı önemli ölçüde iyileştirdiğini daha açık bir şekilde göstermiştir27. Daha yakın zamanda, yapay zeka destekli dijital müdahalelerin, üniversite öğrencileri arasında stres yönetimini ve adaptif öz düzenlemeyi teşvik etmede etkili olduğu kanıtlanmıştır29. Mevcut çerçeve, stres azalması ayrı terapötik mekanizmalardan ziyade bilişsel ve duygusal etkileşimlerin adaptif optimizasyonu yoluyla ortaya çıktığı için bu müdahale temelli yaklaşımlardan farklıdır. Sonuç olarak, önerilen çerçevede gözlemlenen daha düşük stres seviyeleri, duygusal olarak adaptif müfredat tasarımının bizzat bilişsel aşırı yüklenmeyi azaltmaya katkıda bulunurken aynı zamanda gelişmiş öğrenme performansını destekleyebileceğini göstermektedir.
Bu çalışmada gözlemlenen artmış öğrenci etkileşimi, aynı zamanda yapay zeka destekli görsel eğitimi ve kişiselleştirilmiş öğretim teknolojilerini inceleyen önceki araştırmalarla da desteklenmektedir. Bian ve ark.12, yapay zeka tarafından oluşturulan görsel içeriğin, eğitim ortamlarında sınıf içi etkileşimi, öğrenci öz yeterliliğini ve bilişsel performansı anlamlı şekilde artırdığını göstermiştir. Benzer şekilde, Johnson ve ark.34, dijital görsel öğrenme ortamlarının öğrenci etkileşimini güçlendirdiğini ve stresli eğitim koşulları altında daha fazla katılımı teşvik ettiğini bildirmiştir. Özellikle müzik eğitimi alanında, yapay zeka destekli öğretim teknolojilerinin kişiselleştirilmiş öğrenme yollarını kolaylaştırdığı ve eğitimsel inovasyonu geliştirdiği gösterilmiştir41. Önerilen GECIF çerçevesi, adaptif görsel öğretimi graf tabanlı duygusal modelleme ile birleştirerek bu bulguları tamamlamakta; böylece öğrenme süreci boyunca öğrenci etkileşiminin, duygusal düzenlemenin ve bilişsel gelişimin eş zamanlı olarak evrilmesini sağlamaktadır.
Bu çalışmada gözlemlenen duygusal düzenleme ile öğrenme performansı arasındaki ilişki, daha geniş kapsamlı ruh sağlığı araştırmaları tarafından da desteklenmektedir. Duygusal düzenleme, psikolojik refahın ve sağlıklı eğitimsel işlevselliğin temel bir belirleyicisi olarak tanımlanmıştır32. Benzer şekilde, öğrenci refah modelleri, duygusal dayanıklılığın ve psikolojik istikrarın başarılı akademik sonuçlarla yakından ilişkili olduğunu vurgulamaktadır15,16,17. Üniversite öğrencileri üzerine yapılan çalışmalar, ruh sağlığının desteklenmesinin dayanıklılığı, katılımı ve uzun vadeli eğitim başarısını artırdığını tutarlı bir şekilde bildirmiştir14,15,16,17. Mevcut simülasyon, duygusal istikrardaki iyileşmelerin daha yüksek bilgi edinimi ve daha güçlü öğrenci katılımı ile beraber seyrettiği benzer bir hesaplamalı davranış sergilemiştir. Mevcut araştırma tamamen simülasyon tabanlı olduğundan gerçek öğrencilerde nedensel ilişkiler kuramasa da, hesaplamalı sonuçlar, duygusal düzenlemenin bağımsız bir eğitim çıktısı olarak ele alınması yerine doğrudan akıllı eğitim sistemlerine entegre edilmesi gerektiği yönündeki büyüyen fikir birliğini güçlendirmektedir.
Mevcut hesaplamalı yaklaşımlarla karşılaştırıldığında, önerilen çerçeve birkaç kavramsal avantaj sunmaktadır. Güncel yapay zeka tabanlı eğitim sistemleri, öğrenme etkinliğini artırmak için giderek daha fazla adaptif değerlendirme, kişiselleştirilmiş geri bildirim ve akıllı karar desteği kullanmaktadır21,22,23. Benzer şekilde, yapay zeka destekli adaptif müfredat modelleri, öğrenen kişiselleştirmesini ve dinamik öğretim planlamasını vurgulamaktadır18,19,20. Ancak, bu yaklaşımlar genellikle öğrenen performansını öncelikle bilişsel göstergeler aracılığıyla değerlendirirken, duygusal bilgileri ayrı olarak temsil etmekte veya tamamen ihmal etmektedir. Buna karşılık, önerilen GECIF çerçevesi; bilgi edinimini, duygusal dinamikleri, öğrenen etkileşimini ve adaptif müfredat gelişimini birleşik bir graf temsili içinde eş zamanlı olarak modeller. Bu entegre modelleme stratejisi, bilişsel, davranışsal ve duygusal değişkenler arasında sürekli bir etkileşim sağlayarak, geleneksel yapay zeka destekli eğitim sistemlerinden daha kapsamlı bir eğitim süreçleri hesaplamalı tanımı sunar.
Bu çerçeve, müzikal öğrenme doğası gereği teknik beceri kazanımını, duygusal ifadeyi, yaratıcılığı ve öğrenci katılımını birleştirdiği için müzik eğitimi açısından özellikle önemlidir. Önceki araştırmalar; müziğin, görsel sanatların ve yaratıcı eğitim etkinliklerinin entegrasyonunun psikolojik gelişime, duygusal refaha ve eğitim motivasyonuna katkıda bulunduğunu göstermiştir36,37. Ayrıca, müzik öğrencilerinin sıklıkla yoğun akademik iş yükü ve psikolojik stres yaşadıkları, bu durumun da adaptif eğitim destek mekanizmalarının önemini vurguladığı görülmektedir25,26. Önerilen çerçeve, teknik öğrenme ilerlemesini, duygusal adaptasyonu ve adaptif öğretim optimizasyonunu tek bir grafik tabanlı model içinde eş zamanlı olarak temsil edebilen hesaplamalı bir mekanizma sunarak bu eğitimsel perspektifleri genişletmektedir. Sonuç olarak bu çerçeve, hem eğitim performansını hem de öğrenci refahını optimize etmeyi amaçlayan gelecekteki akıllı müzik eğitimi sistemleri için yorumlanabilir hesaplamalı bir temel sağlamaktadır.
Yine de bazı kısıtlamaların kabul edilmesi gerekmektedir. İlk olarak, çerçeve yalnızca kontrollü bir hesaplama simülasyonu içinde oluşturulan sentetik veriler kullanılarak değerlendirilmiştir; bu nedenle, rapor edilen iyileştirmeler gerçek öğrenci popülasyonlarından elde edilen ampirik kanıtlardan ziyade algoritmik performansı yansıtmaktadır. İkinci olarak, duygusal değişkenler, gerçek insan duygusal süreçlerinin karmaşıklığını basitleştiren matematiksel soyutlamalar kullanılarak temsil edilmiştir. Üçüncü olarak, önceden tanımlanmış grafik yapıları ve optimizasyon parametreleri, uygulamada karşılaşılan eğitim ortamlarının çeşitliliğini tam olarak temsil etmeyebilir. Son olarak, grafik tabanlı optimizasyon, akıllı eğitim sistemlerinde geniş ölçekli dağıtımdan önce daha fazla optimizasyon gerektirebilecek ek hesaplama karmaşıklığı getirmektedir.
Bu nedenle, gelecek araştırmalar önerilen çerçeveyi gerçek eğitim veri setleri ve gerçek sınıf ortamları kullanarak doğrulamalıdır. Davranışsal etkileşim günlükleri, fizyolojik ölçümler, görsel-işitsel gözlemler ve dijital öğrenme izleri dahil olmak üzere çok modlu eğitim bilgilerinin dahil edilmesi, duygusal durum tahmininin ve adaptif müfredat optimizasyonunun gerçekçiliğini önemli ölçüde artırabilir. Güncel yapay zeka destekli adaptif öğrenme sistemlerine 18,19,20,21,22 karşı yapılacak karşılaştırmalı değerlendirmeler, graf tabanlı duygusal modellemenin göreceli avantajlarını daha da netleştirecektir. Çerçevenin müzik eğitiminin ötesine geçilerek diğer eğitim disiplinlerine genişletilmesi, genel geçerliliği ve pratik uygulanabilirliği konusundaki kanıtları da güçlendirecektir. Mevcut simülasyon temelli araştırma, graf tabanlı ilişkisel öğrenmenin duygusal modelleme ile entegre edilmesinin, yeni nesil akıllı eğitim sistemleri için gelecek vaat eden bir yön olduğunu göstermektedir. Bulgular; yapay zeka destekli adaptif eğitim, duygu duyarlı müzik öğretimi, kişiselleştirilmiş öğrenme ve öğrenci ruh sağlığı araştırmalarındaki 25,26,27,28,29,30 son gelişmelerle tutarlıdır. Gerçek öğrencilerle doğrulama yapılması hala gerekli olsa da, önerilen GECIF çerçevesi; bilişsel performansı, duygusal refahı, öğrenci katılımını ve adaptif müfredat tasarımını eş zamanlı olarak optimize edebilen gelecek nesil yapay zeka destekli eğitim sistemleri için yapılandırılmış hesaplamalı bir temel sunmaktadır.
Açıklamalar
Yazarın herhangi bir çıkar çatışması yoktur.
Teşekkürler
Yazar, bu araştırmanın yürütülmesi için gerekli akademik ortamı ve kurumsal desteği sağladıkları için Anqing Normal University Müzik Bölümü'ne içten şükranlarını sunar. Önerilen çerçevenin geliştirilmesi ve değerlendirilmesi sırasında değerli görüş ve geri bildirimlerle katkıda bulunan meslektaşlarına ve öğrencilerine özel teşekkürlerini sunar. Yazar ayrıca, kaynaklara ve araştırma altyapısına erişimi kolaylaştırdığı için Anqing Normal University'nin desteğini kabul eder.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| 32 GB DDR4 RAM Modülü | Kingston Technology | NA | |
| GPU Hızlandırma için CUDA Toolkit (v11.8) | NVIDIA | version 1.18 | |
| Müfredat Adaptasyon Motoru | Custom Implementation | CAE003 | |
| Veri Seti: Duygusal Göstergeler | Generated Dataset | DEI006 | |
| Veri Seti: Öğrenme Performans Metrikleri | Generated Dataset | DLPM007 | |
| Veri Seti: Öğrenci Etkileşim Kayıtları | Generated Dataset | DIL005 | |
| Duygusal Durum Simülasyon Modülü | Custom Implementation | ESM002 | |
| GPU İş İstasyonu (NVIDIA RTX 3080) | NVIDIA | NA | |
| Graf Sinir Ağı Uygulama Modülü | Custom Implementation | NA | |
| Intel Core i7 İşlemci (3.6 GHz) | Intel Corporation | NA | |
| Jupyter Notebook Ortamı (v6.5) | Project Jupyter | version 6.5 | |
| MATLAB Yazılımı (R2023a) | MathWorks | R2023a | |
| Matplotlib Görselleştirme Kütüphanesi (v3.7) | Matplotlib | version 3.7 | |
| NetworkX Graf İşleme Kütüphanesi (v3.1) | NetworkX Developers | version 3.1 | |
| NumPy Sayısal Hesaplama Kütüphanesi (v1.24) | NumPy Developers | version 1.24 | |
| Optimizasyon Modülü (Çok Amaçlı Çözücü) | Custom Implementation | MOS008 | |
| Pandas Veri İşleme Kütüphanesi (v2.0) | Pandas Development Team | version 2.0 | |
| Python Programlama Ortamı (v3.10) | Python Software Foundation | version 3.10 | |
| PyTorch Derin Öğrenme Çerçevesi (v2.0) | Meta AI | version 2.0 | |
| Rastgele Tohum Başlatma Betiği | Custom Implementation | RSI009 | |
| Scikit-learn Makine Öğrenimi Kütüphanesi (v1.3) | Scikit-learn | version 1.3 | |
| Seaborn İstatistiksel Görselleştirme Kütüphanesi (v0.12) | Seaborn | version 0.12 | |
| TensorFlow Kütüphanesi (v2.12) | version 2.12 | ||
| Görsel Öğrenme Arayüzü Araç Seti | Custom Implementation | VLI004 | |
| Windows 11 İşletim Sistemi | Microsoft | W11 |
Kaynaklar
- 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.