يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة بحثية

تقييم قائم على المحاكاة لتصميم تعليم بصري متكامل مع الذكاء الاصطناعي لتعزيز الصحة النفسية في مساقات الموسيقى الجامعية

1 مشاهدة

⸱

DOI:

10.3791/71847

⸱

أكتوبر 6, 2026

1Music Department, Anqing Normal University

في هذه المقالة

ملخص

تقترح هذه الدراسة إطار عمل ذكاءً للمنهج العاطفي القائم على الرسوم البيانية للتدريس المرئي المدعوم بالذكاء الاصطناعي في تعليم الموسيقى بالجامعات. وباستخدام مجموعة بيانات قائمة على المحاكاة، يقوم إطار العمل بنمذجة اكتساب المعرفة، والديناميكيات العاطفية، والتفاعل. وتشير النتائج إلى تحسن في كفاءة التعلم وانخفاض في مستويات التوتر مقارنة بالنماذج التقليدية، مما يثبت إمكانية تطوير أنظمة تعليمية تكيفية تراعي الصحة النفسية.

الملخص

لقد جذب تصميم التدريس المرئي في التعليم الموسيقي الجامعي اهتماماً متزايداً نظراً لقدرته على تعزيز تفاعل الطلاب وتعزيز الصحة النفسية. ومع ذلك، غالباً ما تفتقر النهج التعليمية التقليدية إلى القابلية للتكيف اللازمة للاستجابة للحالات المعرفية والعاطفية المتطورة للمتعلمين، مما يحد من فعاليتها في دعم كل من التحصيل الأكاديمي والتوازن النفسي. الهدف الرئيسي من هذه الدراسة القائمة على المحاكاة هو تطوير وتقييم إطار عمل مدعوم بالذكاء الاصطناعي يدمج استراتيجيات التدريس المرئي مع النمذجة العاطفية القائمة على الرسوم البيانية لتحسين نتائج التعلم في المساقات الموسيقية الجامعية. تم اقتراح إطار عمل ذكاء المناهج العاطفية القائم على الرسوم البيانية (GECIF)، والذي يمثل بيئة التعلم كرسم بياني مترابط من عقد المعرفة والنشاط والعاطفة. يتضمن إطار العمل تعلم التمثيل القائم على الرسوم البيانية، ونمذجة الحالة الديناميكية، وآليات التعلم التكيفي لمحاكاة تطور اكتساب المعرفة والتفاعل والاستقرار العاطفي والتوتر بمرور الوقت. تم إنشاء مجموعة بيانات اصطناعية تضم سجلات التفاعل والمؤشرات العاطفية ومتغيرات أداء التعلم من خلال مسار محاكاة محكوم قائم على MATLAB لضمان إمكانية التكرار. تم تقييم GECIF مقابل نموذج أساسي تقليدي غير تكيفي في ظل ظروف تجريبية متطابقة عبر خطوات محاكاة معيارية. تم تقييم الأداء باستخدام مقاييس محاكاة معيارية، بما في ذلك اكتساب المعرفة، والاستقرار العاطفي، وتقليل التوتر، ومستوى التفاعل، والمتانة. تفوق إطار العمل المقترح باستمرار على النموذج الأساسي، حيث أظهر اكتساباً معرفياً محاكياً أعلى، وتنظيماً عاطفياً محسناً، وتفاعلاً أكبر، وتوتراً محاكياً أقل، ومتانة معززة. وأكد التحليل الإحصائي القائم على القيم المتوسطة والانحرافات المعيارية وفترات الثقة 95% وجود تحسينات ثابتة عبر جميع مقاييس التقييم. توضح هذه النتائج إمكانات استراتيجيات التدريس المرئي المعتمدة على الذكاء الاصطناعي والواعية بالعواطف في التعليم الموسيقي التكيفي، مع توفير إطار عمل حوسبي قابل للتوسع والتكرار لدعم الأبحاث المستقبلية في الأنظمة التعليمية الذكية.

المقدمة

لقد أدى دمج الذكاء الاصطناعي (AI) في الأنظمة التعليمية إلى تحويل نماذج التدريس التقليدية بشكل كبير، مما أتاح تجارب تعلم أكثر تكيفاً وتخصيصاً وقائمة على البيانات1,2,3. وفي السنوات الأخيرة، ظهر تصميم التدريس البصري كنهج تربوي فعال، خاصة في تخصصات مثل التربية الموسيقية، حيث تلعب المفاهيم المجردة والتعبير العاطفي والفهم الإدراكي دوراً مركزياً4,5,6,7. وتعمل التمثيلات البصرية، بما في ذلك الواجهات الرسومية والمحاكاة التفاعلية وعناصر الوسائط المتعددة، على تسهيل المعالجة المعرفية الأعمق وتعزيز تفاعل المتعلمين8,9,10,11. ومع ذلك، وعلى الرغم من هذه التطورات، لا تزال طرق التدريس البصري الحالية في الغالب ثابتة وتفتقر إلى القدرة على الاستجابة ديناميكياً للحالات المعرفية والعاطفية المتطورة للمتعلمين12,13,14. وتفرض التربية الموسيقية، خاصة على المستوى الجامعي، تحديات فريدة بسبب طبيعتها متعددة الأبعاد بطبيعتها15,16,17. ولا تتأثر نتائج التعلم بالفهم المعرفي للنظرية الموسيقية وتقنيات الأداء فحسب، بل تتأثر أيضاً بعوامل عاطفية مثل الدافع والتوتر والتفاعل والرفاه النفسي18. وقد سلطت الدراسات السابقة الضوء على العلاقة القوية بين الحالات العاطفية وفعالية التعلم، مما يشير إلى أن الطلاب الذين يعانون من مستويات عالية من التوتر أو انخفاض في التفاعل يميلون إلى إظهار تراجع في الأداء الأكاديمي19,20,21. وبينما تم اقتراح العديد من الأنظمة التعليمية القائمة على الذكاء الاصطناعي لتعزيز تخصيص التعلم، فإن معظمها يركز بشكل أساسي على مقاييس الأداء المعرفي ويغفل الدور الحاسم للديناميكيات العاطفية في تشكيل عملية التعلم22.

أدت التطورات الأخيرة في أنظمة التعلم الذكية إلى تقديم تمثيلات قائمة على الرسوم البيانية وتقنيات التعلم العميق لنمذجة العلاقات المعقدة بين المكونات التعليمية23,24,25. وقد أظهرت أطر التعلم القائمة على الرسوم البيانية، بما في ذلك الشبكات العصبية الرسومية (GNNs)، قدرات قوية في رصد التبعيات الهيكلية بين عناصر المعرفة، وتفاعلات المتعلمين، والعوامل السياقية26. بالإضافة إلى ذلك، حظيت الحوسبة المدركة للعواطف بالاهتمام لقدرتها على دمج الإشارات النفسية في بيئات التعلم التكيفية27. ومع ذلك، لا يزال دمج هذه النهج ضمن إطار عمل موحد لتعليم الموسيقى محدوداً28,29,30. وغالباً ما تتعامل الأعمال الحالية مع المتغيرات العاطفية كميزات مساعدة بدلاً من كونها مكونات أساسية، ونادراً ما توفر آليات للتكيف المستمر بناءً على التفاعل بين الإدراك والعاطفة31.

علاوة على ذلك، اعتمد تطبيق الذكاء الاصطناعي في التعليم المراعي للصحة النفسية بشكل أساسي على البيانات التجريبية أو البيانات القائمة على المستشعرات التي تم جمعها من مشاركين حقيقيين32. ومع ذلك، تتطلب هذه النهج موافقات أخلاقية واسعة، وأدوات قياس معيارية، وظروفاً تجريبية محكومة، وهو ما قد لا يكون متاحاً دائماً في المراحل المبكرة من البحث33. ونتيجة لذلك، ظهرت المنهجيات القائمة على المحاكاة كبديل لاستكشاف الديناميكيات التعليمية المعقدة بطريقة محكومة وقابلة للتكرار34. ومن خلال إنشاء مجموعات بيانات اصطناعية تحاكي سجلات التفاعل، والمؤشرات العاطفية، ومقاييس أداء التعلم، يمكن للباحثين تقييم سلوك النماذج المقترحة في ظل سيناريوهات مختلفة مع الحفاظ على التحكم الكامل في معلمات النظام والافتراضات35.

على الرغم من هذه التطورات، لا تزال هناك عدة فجوات بحثية36. أولاً، هناك نقص في الأطر الموحدة التي تضع نموذجاً متزامناً لاكتساب المعرفة، والتطور العاطفي، والانخراط في التعلم ضمن تمثيل هيكلي37. ثانياً، لا تستفيد أنظمة التدريس المرئية الحالية بشكل فعال من الذكاء القائم على الرسوم البيانية لالتقاط الترابطات بين المفاهيم الموسيقية، وأنشطة التعلم، والحالات النفسية38. ثالثاً، تم إيلاء اهتمام محدود لتطوير مسارات محاكاة قابلة للتطوير والتكرار تسمح بالتقييم المنهجي للنماذج التعليمية القائمة على الذكاء الاصطناعي39,40,41. وأخيراً، غالباً ما تخفق النهج الحالية في تقديم رؤية شاملة للتعلم تدمج الأبعاد المعرفية والعاطفية معاً بطريقة تكيفية ديناميكية42.

لمواجهة هذه التحديات، تقترح هذه الدراسة إطار عمل ذكاء المناهج العاطفية القائم على الرسوم البيانية (GECIF) لتصميم التدريس المرئي المدعوم بالذكاء الاصطناعي في التعليم الموسيقي الجامعي. يقدم الجدول 1 تعريفات أساسية لمكونات الرسم البياني، وحالات العقد، ومعلمات النموذج. يضمن هذا الجدول أن تكون المنهجية واضحة وقابلة للتكرار. يمثل إطار العمل المقترح البيئة التعليمية كرسم بياني مترابط يتكون من عقد معرفية، وعقد أنشطة، وعقد عاطفية، مما يتيح تمثيلاً شاملاً لديناميكيات التعلم. يتم إنشاء مجموعة بيانات قائمة على المحاكاة باستخدام مسار حوسبة مضبوط يتضمن سجلات التفاعل، والمؤشرات العاطفية، ومقاييس الأداء، مما يضمن القابلية للتكرار والتوسع. يدمج إطار العمل آليات التعلم التكيفي، ونمذجة الحالة العاطفية، والتحسين القائم على الرسوم البيانية لمحاكاة تطور مخرجات التعلم والحالات النفسية بمرور الوقت. ويتم إجراء تقييم مقارن مقابل نموذج تعلم تقليدي باستخدام مقاييس أداء متعددة، بما في ذلك اكتساب المعرفة، والاستقرار العاطفي، وتقليل التوتر، والمشاركة، والمتانة.

الهدف الرئيسي من هذه الدراسة هو تطوير وتقييم إطار تدريس بصري قائم على المحاكاة ومدعوم بالذكاء الاصطناعي، يدمج بين النمذجة القائمة على الرسوم البيانية والذكاء العاطفي لتعزيز كفاءة التعلم ودعم التعليم الواعي بالصحة النفسية في مساقات الموسيقى الجامعية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

تعد هذه الدراسة بحثاً قائماً على الحوسبة والمحاكاة، وهي لا تتضمن مشاركين بشريين أو بيانات سريرية أو معلومات شخصية. وقد تم توليد جميع البيانات المستخدمة في هذا البحث اصطناعياً من خلال عمليات محاكاة مضبوطة. وبناءً على ذلك، لم تكن هناك حاجة للحصول على موافقة أخلاقية من مجلس مراجعة مؤسسي أو موافقة مستنيرة. تلتزم الدراسة بالإرشادات القياسية للبحوث الحوسبية وتضمن القابلية الكاملة لتكرار المنهجية وشفافيتها.

الإطار النظري والأساس المنطقي

يرتكز إطار ذكاء المناهج العاطفية القائم على الرسوم البيانية المقترح (GECIF) على دمج الذكاء الاصطناعي، والتعلم القائم على الرسوم البيانية، والحوسبة العاطفية، والبيداغوجيا البصرية، بهدف نمذجة التعلم كعملية ديناميكية ومتعددة الأبعاد ترصد في آن واحد التطور المعرفي، والتطور العاطفي، والمشاركة السلوكية. وغالباً ما تفترض المناهج التعليمية التقليدية تقدماً خطياً في اكتساب المعرفة، ولا تعكس بشكل كافٍ التفاعلات المعقدة بين الأداء المعرفي والحالات النفسية. ويُعد هذا القصور حرجاً بشكل خاص في تعليم الموسيقى الجامعي، حيث لا يمكن فصل التعبير العاطفي والدافعية والإبداع عن التعلم التقني والنظري. وفي هذا السياق، يتصور الإطار العملية التعليمية كنظام مترابط تؤثر فيه عناصر المعرفة وأنشطة التعلم والحالات العاطفية على بعضها البعض بشكل مستمر. تتيح النمذجة القائمة على الرسوم البيانية تمثيلاً هيكلياً وقابلاً للتوسع لهذه العلاقات، مما يسمح برصد التبعيات المباشرة وغير المباشرة بفعالية. كما تم دمج الديناميكيات العاطفية كمكونات جوهرية بدلاً من كونها متغيرات مساعدة، مما يسمح بمحاكاة كيفية تطور الحالات النفسية وانتشارها أثناء عملية التعلم. ويعزز دمج تصميم التدريس البصري من القابلية للتفسير عن طريق تحويل التفاعلات الحسابية المجردة إلى تمثيلات رسومية بديهية.

المنهجية وتصميم دراسة المحاكاة

تعتمد هذه الدراسة تصميماً قائماً على المحاكاة الحاسوبية، حيث لا يشارك فيها أي متطوعين بشريين، ويتم توليد جميع البيانات اصطناعياً من خلال مسار عمل منضبط وقابل للتكرار. وبناءً على ذلك، فإن النتائج الواردة تمثل تقييمات قائمة على النماذج وليست ملاحظات تجريبية مستمدة من متعلمين حقيقيين. ويتم تفسير التحسينات في أداء التعلم، والمشاركة، والاستقرار العاطفي، وتقليل التوتر على أنها تأثيرات محاكاتية أو محتملة للإطار المقترح. وتعمل بيئة المحاكاة على تقريب ظروف التعلم الواقعية من خلال دمج التبعيات الزمنية، والتباين في أنماط التفاعل، والحالات العاطفية المتطورة. كما تم تنفيذ تكوين تجريبي مقارن يتم فيه تقييم إطار GECIF المقترح مقابل نموذج أساسي تقليدي يمثل نظام تعلم غير تكيفي، حيث تتطور المعرفة فيه بناءً على كثافة التفاعل فقط دون تمثيل قائم على الرسوم البيانية، أو نمذجة عاطفية، أو تحسين للمنهج الدراسي. وقد تم تشغيل كلا النموذجين تحت ظروف محاكاة متطابقة لضمان إجراء مقارنة متسقة وغير متحيزة.

إنشاء وبنية مجموعة البيانات

تم إنشاء مجموعة بيانات واسعة النطاق لمحاكاة ديناميكيات التعلم في التعليم الموسيقي الجامعي من خلال دمج سجلات التفاعل، والمؤشرات العاطفية، ومقاييس أداء التعلم ضمن إطار زمني موحد. اشتُقت مجموعة البيانات هذه ووُسعت من مجموعة بيانات أداء الطلاب المتاحة للعموم (UCI Machine Learning Repository)، والتي توفر بيانات الأداء الأكاديمي إلى جانب السمات الديموغرافية والسلوكية. وقد عملت هذه المجموعة كمرجع أساسي لنمذجة أنماط تعلم واقعية. تمثل سجلات التفاعل مشاركة محاكاة في أنشطة التعلم مثل جلسات التدريب، وتمارين الاستماع، ومهام التعلم البصري. وترصد المؤشرات العاطفية الحالات النفسية، بما في ذلك التوتر والمشاركة والدافعية، بينما يعكس أداء التعلم اكتساب المعرفة والتقدم بمرور الوقت. ولإثراء مجموعة البيانات ودمج التبعيات الزمنية، تم استخدام مسار محاكاة قائم على برنامج MATLAB مع تهيئة ثابتة للبذور العشوائية لضمان القابلية للتكرار. كما أُدخل الاستمرار الزمني من خلال عمليات الانحدار الذاتي، مما سمح لسلوك التفاعل والحالات العاطفية بالتطور تدريجيًا بمرور الوقت. وتتضمن مجموعة البيانات النهائية ألف متعلم محاكى تمت مراقبتهم على مدار خمسمائة خطوة زمنية، مع ميزات تفاعل متعددة تمثل سلوكيات تعلم متنوعة. تم تطبيع جميع المتغيرات ضمن النطاق [0,1] لضمان الاتساق والقابلية للمقارنة. كما قُسمت مجموعة البيانات إلى مجموعات فرعية للتدريب والتحقق والاختبار بنسبة تقسيم 70%–15%–15% لضمان تقييم غير متحيز للنموذج.

بناء الرسوم البيانية وتمثيلها

يتم تمثيل بيئة التعلم على شكل رسم بياني موزون مُعرَّف كما يلي:

G = (V,E,W)  (1)

حيث تشير إلى مجموعة العقد، وتمثل مجموعة الحواف، و هي مصفوفة التجاور الموزونة التي تصف قوة العلاقات بين العقد. يتم تفكيك مجموعة العقد على النحو التالي:

V = Vk∪Va∪Ve  (2)

حيث تشير Vk و Va و Ve إلى عقد المعرفة، وعقد النشاط، والعقد العاطفية، على التوالي. ويتم حساب أوزان الحواف كما يلي:

Wij = α Sc(i,j) + βSe(i,j)  (3)

حيث تمثل Sc(i,j) التشابه المعرفي بين العقد، وتمثل Se(i,j) الارتباط العاطفي، بينما α و β هما معاملا وزن يتحكمان في تأثيرهما النسبي. تحدد المعادلة (3) كيف تحدد العلاقات الهيكلية والعاطفية معاً مدى اتصال الرسم البياني.

تمثيل حالة العقدة وتعلم الرسوم البيانية

ترتبط كل عقدة بمتجه حالة ديناميكي مُعرَّف على النحو التالي:

xi(t) = [ki(t),ei(t),ai(t)]  (4)

أين كi(t)، ei(ت)، و ai(ت) تحديد مستوى المعرفة، والحالة العاطفية، ومستوى التفاعل في ذلك الوقت ت، على التوالي. يتم تحديث تمثيلات العقد باستخدام التجميع القائم على المخطط:

figure-protocol-1   (5)

حيث تمثل figure-protocol-2 تضمين العقدة i في الطبقة l، و σ هي دالة تنشيط غير خطية، بينما يشير N(i) إلى مجموعة العقد المجاورة. تصف المعادلة (5) كيفية دمج كل عقدة للمعلومات الواردة من جيرانها. علاوة على ذلك، تم تقديم آلية انتباه:

figure-protocol-3     (6)

حيث  αij هو معامل الانتباه و ∅(·) هي دالة التشابه. وتتيح المعادلة (6) وزناً تكيفياً لمساهمات العقد المجاورة.

نمذجة الديناميكيات العاطفية

يتم نمذجة التطور الزمني للحالات العاطفية على النحو التالي:

figure-protocol-4     (7)

حيث تمثل  γ معامل الاستبقاء العاطفي. وتجسد المعادلة (7) كلاً من استمرارية التأثير العاطفي وانتشاره. ويتم قياس الاستقرار العاطفي على النحو التالي:

figure-protocol-5    (8)

حيث يشير E+(t)  و E-(t)  إلى المكونات العاطفية الإيجابية والسلبية، و figure-protocol-6  هو ثابت صغير يمنع القسمة على صفر. ويُعرَّف تراكم الإجهاد على أنه:

figure-protocol-7     (9)

حيث تمثل  λ(τ) شدة الإجهاد اللحظي. وتعمل المعادلة (9) على نمذجة الإجهاد التراكمي بمرور الوقت.

تحسين التعلم وتصميم المناهج التكيفية

تخضع عملية التعلم لدالة تحسين متعددة الأهداف:

J = λ1K + λ2K - λ3S  (10)

أين K يشير إلى اكتساب المعرفة، هـ يشير إلى الاستقرار العاطفي، و S تشير إلى مستوى الإجهاد، بينما λ1, λ2, λ3 هي معاملات ترجيح. توازن المعادلة (10) بين الأهداف المعرفية والعاطفية. ويُعرَّف إعادة توصيل المنهج التكيفي على أنه:

Wij(t + 1) = Wij(t) + ηΔij(t)  (11)

حيث η  هو معدل التعلم و Δij(t) يمثل تعديلات التحديث المدفوعة بديناميكيات التعلم. تتيح المعادلة (11) تطور بنية الرسم البياني بمرور الوقت.

المقياس الزمني ومدة المحاكاة

تُجرى جميع عمليات المحاكاة باستخدام خطوات زمنية مُطبعة بدلاً من وحدات الزمن الحقيقي. حيث تقابل الفترات القصيرة خطوات محاكاة مُقاسة تمثل تطور النظام، بينما تُستخدم عمليات المحاكاة الممتدة التي تتجاوز خمس مئة خطوة لتقييم السلوك طويل الأمد، والتقارب، والمتانة.

مقاييس التقييم والتحليل الإحصائي

يتم تقييم الإطار باستخدام مقاييس معيرة، تشمل اكتساب المعرفة، والاستقرار العاطفي، ومستوى التوتر، ومستوى التفاعل، والمتانة. ويُجرى التحليل الإحصائي باستخدام الدوال الإحصائية في برنامج MATLAB، مع حساب القيم المتوسطة، والانحرافات المعيارية، وفترات الثقة 95% لكل مقياس. كما يتم التحقق من افتراضات التوزيع الطبيعي قبل تطبيق اختبارات t المقترنة. وأُجري التقييم المقارن بين الإطار المقترح والنموذج المرجعي على n = 1000 من المتعلمين المحاكات، مع تحديد الدلالة الإحصائية عند p < 0.05.

تفاصيل إعادة الإنتاج والتنفيذ

تعد جميع عمليات المحاكاة، ومسارات معالجة البيانات، وإجراءات التقييم قابلة للتكرار بشكل كامل. وقد تم تحديد عملية توليد مجموعة البيانات، ومعايير بناء الرسم البياني، وتكوينات النموذج، وإعدادات التحسين بشكل صريح. كما تم تثبيت تهيئة البذور العشوائية لضمان اتساق المخرجات عبر عمليات التشغيل المتكررة. تتوفر جميع المعلمات الفائقة والبرامج النصية وأوصاف مجموعة البيانات في المواد التكميلية، مما يتيح التكرار الكامل للدراسة باستخدام MATLAB أو الأدوات الحسابية المكافئة.

جميع عمليات المحاكاة، ومسارات معالجة البيانات، ونصوص التقييم البرمجية متوفرة في الملف التكميلي 1. وتتضمن مجموعة البيانات سجلات التفاعل الخام، والمؤشرات العاطفية، ومقاييس أداء التعلم. كما تم توثيق معاملات بناء الرسوم البيانية وإعدادات التحسين بشكل كامل. ويمكن إعادة إنتاج النظام باستخدام أطر تعلم الآلة القياسية. وقد تم تثبيت تهيئة البذرة العشوائية لضمان الاتساق. كما تم ذكر جميع المعاملات الفائقة صراحةً. ويضمن هذا البروتوكول الشفافية الكاملة وقابلية إعادة الإنتاج.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

تم تقييم أداء إطار ذكاء المناهج العاطفية القائم على الرسم البياني المقترح (GECIF) باستخدام مجموعة بيانات قائمة على المحاكاة تتكون من n = 1000 متعلم على مدى T = 500 خطوة زمنية معيّرة. يوضح الشكل 1 البنية المفاهيمية لـ GECIF المخصص للتعليم الموسيقي البصري المدعوم بالذكاء الاصطناعي وتعزيز الصحة النفسية. تم تسجيل جميع المقاييس على مقاييس معيّرة ضمن النطاق [0,1]. ويتضمن التقييم الإحصائي القيم المتوسطة، والانحرافات المعيارية (SD)، وفترات الثقة 95% (CI)، مع تقييم الدلالة الإحصائية باستخدام اختبارات...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

اقترحت الدراسة الحالية إطار عمل لذكاء المناهج العاطفية القائم على الرسوم البيانية (GECIF)، والذي يدمج تعلم التمثيل القائم على الرسوم البيانية، ونمذجة الحالة العاطفية، والتحسين التكيفي للمناهج، والتدريس المرئي المدعوم بالذكاء الاصطناعي في إطار حوسبة موحد لتعليم الموسيقى في الكليات. وبخلاف النماذج التعليمية التقليدية المدعومة بالذكاء الاصطناعي التي تركز أساساً على تحسين الأداء الأكاديمي، يقوم الإطار المقترح بنمذجة التفاعلات بين اكتساب المعرفة، والتنظيم العاطفي، ومشاركة المتعلم، وتطور المناهج التكيفي في آن واحد. وقد أظهرت ن...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

ليس لدى المؤلف أي تضارب في المصالح.

شكر وتقدير

يود المؤلف أن يعرب عن خالص امتنانه لقسم الموسيقى بجامعة آنتشينغ العادية لتوفير البيئة الأكاديمية والدعم المؤسسي اللازمين لإجراء هذا البحث. كما يمتد الشكر والتقدير إلى الزملاء والطلاب الذين قدموا رؤى وملاحظات قيمة أثناء تطوير وتقييم الإطار المقترح. كما يقر المؤلف بدعم جامعة آنتشينغ العادية في تسهيل الوصول إلى الموارد والبنية التحتية البحثية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
وحدة ذاكرة RAM DDR4 بسعة 32 GBKingston TechnologyNA
مجموعة أدوات CUDA لتسريع GPU (v11.8)NVIDIAversion 1.18
محرك تكييف المناهج الدراسيةCustom ImplementationCAE003
مجموعة بيانات: المؤشرات العاطفيةGenerated DatasetDEI006
مجموعة بيانات: مقاييس أداء التعلمGenerated DatasetDLPM007
مجموعة بيانات: سجلات تفاعل الطلابGenerated DatasetDIL005
وحدة محاكاة الحالة العاطفيةCustom ImplementationESM002
محطة عمل GPU (NVIDIA RTX 3080)NVIDIANA
وحدة تنفيذ الشبكة العصبية الرسوميةCustom ImplementationNA
معالج Intel Core i7 (بسرعة 3.6 GHz)Intel CorporationNA
بيئة Jupyter Notebook (v6.5)Project Jupyterversion 6.5
برنامج MATLAB (R2023a)MathWorksR2023a
مكتبة Matplotlib للتصور البياني (v3.7)Matplotlibversion 3.7
مكتبة NetworkX لمعالجة الرسوم البيانية (v3.1)NetworkX Developersversion 3.1
مكتبة NumPy للحوسبة العددية (v1.24)NumPy Developersversion 1.24
وحدة التحسين (محلل متعدد الأهداف)Custom ImplementationMOS008
مكتبة Pandas لمعالجة البيانات (v2.0)Pandas Development Teamversion 2.0
بيئة برمجة Python (v3.10)Python Software Foundationversion 3.10
إطار عمل PyTorch للتعلم العميق (v2.0)Meta AIversion 2.0
سكربت تهيئة البذرة العشوائيةCustom ImplementationRSI009
مكتبة Scikit-learn لتعلم الآلة (v1.3)Scikit-learnversion 1.3
مكتبة Seaborn للتصور الإحصائي (v0.12)Seabornversion 0.12
مكتبة TensorFlow (v2.12)Googleversion 2.12
مجموعة أدوات واجهة التعلم المرئيCustom ImplementationVLI004
نظام التشغيل Windows 11MicrosoftW11

المراجع

  1. Li Y. Music aesthetic teaching and emotional visualization under emotional teaching theory and Deep learning. Front Psychol. 2022;13.
  2. 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).
  3. 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).
  4. 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.
  5. 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.
  6. Omelchenko M, Migalina V, Kaleda V. The effect of untreated illness in youth depression: A cross-sectional study. Consort Psychiatr. 2022;3(4):8.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. Liu Z. Music teaching curriculum integrates physical exercise to regulate Students' mental health. Rev Psicol Deporte. 2024;33(1):426–435.
  12. 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.
  13. 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.
  14. 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.
  15. 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.
  16. 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.
  17. 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.
  18. 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.
  19. 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.
  20. 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.
  21. 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.
  22. Caspari-Sadeghi S. Artificial intelligence in technology-enhanced assessment: A survey of machine learning. J Educ Technol Syst. 2023;51(3):372–386.
  23. 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.
  24. 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.
  25. 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.
  26. 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.
  27. 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.
  28. 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.
  29. 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.
  30. 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.
  31. 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.
  32. Menefee DS, Ledoux T, Johnston CA. The importance of emotional regulation in mental health. Am J Lifestyle Med. 2022;16(1):28–31.
  33. 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.
  34. 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.
  35. 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.
  36. 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.
  37. 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.
  38. 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.
  39. 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.
  40. 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.
  41. 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.
  42. 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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

استكشف المزيد من المقالات

تعليم الذكاء الاصطناعيالنمذجة العاطفيةالتعلم التكيفيالاستقرار العاطفيمشاركة الطلابتقليل التوترالتعلم القائم على الرسوم البيانية
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.