本研究提出了一种基于图结构的情感课程智能框架，用于高校音乐教育中由人工智能驱动的视觉教学。该框架利用基于仿真的数据集，对知识获取、情感动态及参与度进行建模。结果表明，与传统模型相比，该框架可提高学习效率并降低压力水平，展现出在适应性、关注心理健康的教育系统中的应用潜力。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
在高校音乐教育中，视觉化教学设计因其在提升学生参与度和促进心理健康方面的潜力而受到越来越多的关注。然而，传统的教学方法往往缺乏适应学习者不断变化的认知与情绪状态所需的灵活性，从而限制了其在支持学业成就与心理平衡两方面的作用。本研究的主要目的是开发并评估一种基于人工智能的框架，该框架将视觉教学策略与基于图的情绪建模相结合，以优化高校音乐课程中的学习效果。本文提出了一种新颖的基于图的情绪课程智能框架（GECIF），该框架将学习环境表示为知识、活动与情绪节点相互关联的图结构。该框架融合了基于图的表征学习、动态状态建模和自适应学习机制，用以模拟知识获取、参与度、情绪稳定性及压力随时间的演化过程。通过基于 MATLAB 的受控仿真流程生成了一个包含交互日志、情绪指标和学习表现变量的合成数据集，以确保研究的可重复性。在相同的实验条件下，GECIF 在标准化仿真步骤中与传统的非自适应基线模型进行了对比评估。评估采用标准化的仿真指标，包括知识增长、情绪稳定性、压力减轻、参与度水平和鲁棒性。结果表明，所提出的框架在所有指标上均持续优于基线模型，展现出更高的模拟知识获取水平、更优的情绪调节能力、更强的参与度、更低的模拟压力水平以及更佳的鲁棒性。基于均值、标准差和 95% 置信区间的统计分析进一步证实了各项评估指标上的稳定提升。这些发现表明，由人工智能驱动、具备情绪感知能力的视觉化教学策略在自适应音乐教育中具有广阔应用前景，同时为未来智能教育系统的研究提供了一个可扩展且可重复的计算框架。
引言
将人工智能（AI）融入教育系统已显著改变了传统的教学范式，使学习体验变得更加适应性、个性化和数据驱动1,2,3。近年来，视觉化教学设计作为一种有效的教学方法逐渐兴起，尤其在音乐教育等学科中表现突出，因为在这些领域中，抽象概念、情感表达和感知理解起着核心作用4,5,6,7。图形界面、交互式模拟和多媒体元素等视觉呈现方式有助于促进更深层次的认知加工，并增强学习者的参与度8,9,10,11。然而，尽管取得了这些进展，现有的视觉教学方法通常仍停留在静态层面，缺乏根据学习者不断变化的认知和情绪状态进行动态响应的能力12,13,14。高等教育阶段的音乐教育因其内在的多维特性而面临独特挑战15,16,17。学习成果不仅受到音乐理论和演奏技巧等认知理解的影响，还受到动机、压力、参与度和心理幸福感等情感因素的显著影响18。先前的研究已强调情绪状态与学习效果之间的密切关系，表明处于高压力或低参与状态的学生往往表现出较低的学业表现19,20,21。尽管已有多种基于人工智能的教育系统被提出以提升学习的个性化水平，但大多数系统主要关注认知层面的绩效指标，忽视了情绪动态在塑造学习过程中的关键作用22。
智能学习系统的最新进展已将基于图的表示方法和深度学习技术引入教育领域，用于建模教育组件之间的复杂关系23,24,25。基于图的学习框架（包括图神经网络，GNNs）在捕捉知识元素、学习者交互以及情境因素之间的结构化依赖关系方面表现出强大的能力26。此外，情感感知计算因其能够将心理信号融入自适应学习环境而受到关注27。然而，将这些方法整合到一个统一的音乐教育框架中仍十分有限28,29,30。现有研究通常将情感变量视为辅助特征而非核心组成部分，并且很少提供基于认知与情感相互作用的持续适应机制31。
此外，人工智能在关注心理健康的教育中的应用主要依赖于从真实参与者收集的经验性或基于传感器的数据32。然而，此类方法需要广泛的伦理审批、标准化的测量工具以及受控的实验条件，而这些在早期研究阶段并不总是可行的33。因此，基于仿真的方法应运而生，成为以受控且可重复的方式探索复杂教育动态的一种替代途径34。通过生成模拟交互日志、情绪指标和学习表现度量的合成数据集，研究人员能够在各种场景下评估所提出模型的行为，同时完全控制系统的参数与假设条件35。
尽管取得了这些进展，但仍存在若干研究空白36。首先，目前缺乏统一的框架，能够在一个结构化表征中同时建模知识获取、情感演化和学习参与过程37。其次，现有的可视化教学系统未能有效利用基于图结构的智能方法，来捕捉音乐概念、学习活动与心理状态之间的相互依赖关系38。第三，对于可扩展且可重复的模拟流程的开发，关注仍然有限，而此类流程对于系统性评估人工智能驱动的教育模型至关重要39,40,41。最后，现有方法通常难以以动态自适应的方式，整合认知与情感维度，从而提供对学习过程的整体性视角42。
为应对这些挑战，本研究提出了一种基于图的智能情感课程框架（GECIF），用于高校音乐教育中由人工智能驱动的视觉化教学设计。表1给出了图结构组件、节点状态和模型参数的基本定义，以确保方法的清晰性和可重复性。该框架将教育环境建模为一个由知识节点、活动节点和情感节点相互连接构成的图结构，从而全面表征学习过程中的动态变化。通过一个受控的计算流程生成基于仿真的数据集，该流程包括交互日志、情感指标和绩效度量，以保证研究的可重复性和可扩展性。该框架融合了自适应学习机制、情感状态建模以及基于图的优化方法，用以模拟学习成果和心理状态随时间的演化过程。通过知识获取、情感稳定性、压力减轻、参与度和鲁棒性等多种绩效指标，将该框架与传统学习模型进行对比评估。
本研究的主要目标是开发并评估一种基于模拟的、由人工智能驱动的视觉教学框架，该框架融合了基于图的建模与情感智能，旨在提高大学音乐课程中的学习效率，并支持关注心理健康的教育模式。
访问受限。请登录或开始试用以查看此内容。
方案
本研究是一项基于计算和仿真的调查，不涉及人类受试者、临床数据或个人信息。研究中使用的所有数据均通过受控的模拟过程合成生成。因此，无需机构审查委员会的伦理批准，也无需知情同意。本研究遵循计算研究的标准指南，并确保方法的完全可重复性和透明性。
理论框架与原理
本文提出的基于图的教育情感课程智能框架（GECIF）建立在人工智能、基于图的学习、情感计算与视觉教学法相融合的基础之上，旨在将学习建模为一个动态且多维度的过程，同时捕捉认知发展、情感演变与行为参与。传统的教学方法通常假设知识获取呈线性 progression，未能充分反映认知表现与心理状态之间的复杂交互关系。这一局限性在高校音乐教育中尤为突出，因为情感表达、动机与创造力与技术和理论学习密不可分。在此背景下，该框架将教育过程概念化为一个相互关联的系统，其中知识要素、学习活动与情感状态持续相互影响。基于图的建模方法能够对这些关系进行结构化且可扩展的表示，有效捕捉直接与间接的依赖关系。情感动态被作为内在组成部分而非辅助变量纳入模型，从而能够模拟心理状态在学习过程中如何演变与传播。视觉化教学设计的引入进一步增强了模型的可解释性，通过将抽象的计算交互转化为直观的图形表示，提升理解效果。
方法学与模拟研究设计
本研究采用基于计算模拟的设计方法，不涉及人类受试者，所有数据均通过一个受控且可重复的流程合成生成。因此，所报告的结果代表基于模型的评估，而非来自真实学习者的实证观察。学习表现、参与度、情绪稳定性及压力减轻方面的改善，被解释为所提出框架的模拟效应或潜在效应。模拟环境通过引入时间依赖性、交互模式的变异性以及动态变化的情绪状态，以逼近真实的学习条件。研究实施了一种对比性实验配置，将所提出的GECIF框架与一种传统基线模型进行比较，该基线模型代表一种非自适应学习系统，其知识演化仅基于交互强度，而不包含图结构表征、情绪建模或课程优化。两个模型均在相同的模拟条件下运行，以确保比较的一致性和无偏性。
数据集生成与结构
通过整合交互日志、情绪指标和学习表现度量，并将其纳入统一的时间框架，构建了一个大规模数据集，用于模拟高校音乐教育中的学习动态。该数据集源自并扩展自公开的学生表现数据集（UCI 机器学习知识库），该数据集提供了学术表现数据以及人口统计学和行为属性。此数据集为建模真实的学习模式提供了基础参考。交互日志代表了对练习环节、聆听训练和视觉学习任务等学习活动的模拟参与情况。情绪指标捕捉心理状态，包括压力、投入度和动机，而学习表现则反映随时间推移的知识获取与进步情况。为了丰富数据集并引入时间依赖性，采用基于 MATLAB 的模拟流程，并通过固定随机种子初始化以确保可重复性。通过自回归过程引入时间连续性，使交互行为和情绪状态能够随时间逐步演化。最终数据集包含一千名模拟学习者在五百个时间步长内的观测数据，具有多个代表多样化学习行为的交互特征。所有变量均在 [0,1] 范围内进行归一化处理，以确保一致性和可比性。数据集按照 70%–15%–15% 的比例划分为训练集、验证集和测试集，以确保模型评估的无偏性。
图的构建与表示
学习环境被建模为一个加权图，定义如下：
G = (V,E,W) （1）
其中，表示节点集合，代表边的集合，为描述节点间关系强度的加权邻接矩阵。节点集被分解为：
V = Vk∪Va∪Ve (2)
在……的地方 Vk, Va，以及 Ve 分别对应知识节点、活动节点和情感节点。边权重的计算方法如下：
Wij = α Sc(i,j) + βSe(i,j) (3)
其中 Sc(i,j) 表示节点之间的认知相似性， Se(i,j) 代表情绪相关性，以及 α 和 β 是控制两者相对影响的权重系数。公式（3）定义了结构关系和情感关系如何共同决定图的连通性。
节点状态表示与图学习
每个节点都关联一个定义为的动态状态向量：
xi(t) = [ki(t),ei(t),ai(t)] (4)
其中 ki(t)、ei(t) 和 ai(t) 分别表示在时刻 t 的知识水平、情绪状态和参与度。节点表示通过基于图的聚合方式进行更新：
(5)
其中 
是节点的嵌入 i 在层 l, σ 是一种非线性激活函数，且 N(i) 表示该节点的邻接节点集合。公式（5）描述了每个节点如何整合其邻接节点的信息。进一步引入了注意力机制：
(6)
其中 αij 为注意力系数，∅(·) 为相似性函数。公式 (6) 能够实现对邻近节点贡献的自适应加权。
情感动态建模
情绪状态的时间演化被建模为：
(7)
其中 γ 是情绪保留系数。公式（7）同时刻画了情绪影响的持续性与传播性。情绪稳定性通过下式量化：
(8)
其中 E+(t) 和 E-(t) 表示积极和消极情绪成分，以及 
是一个防止除零的小常数。应力累积定义为：
(9)
其中 λ(τ) 表示瞬时应力强度。公式（9）用于模拟随时间累积的应力。
学习优化与自适应课程设计
学习过程由一个多目标优化函数控制：
J = λ1K + λ2K - λ3S (10)
其中，K 表示知识增益，E 表示情绪稳定性，S 表示压力水平，而 λ1, λ2, λ3 为权重系数。公式 (10) 平衡了认知与情绪目标。自适应课程重构定义如下：
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
其中 η 是学习率，且 Δijt 表示由学习动态驱动的更新调整。公式（11）允许图结构随时间演化。
时间尺度与模拟持续时间
所有模拟均使用归一化时间步长而非实际时间单位进行。短时间间隔对应于表示系统演化的缩放模拟步长，而超过五百步的长时间模拟则用于评估系统的长期行为、收敛性及鲁棒性。
评估指标与统计分析
采用归一化指标对框架进行评估，包括知识增益、情绪稳定性、压力水平、参与度以及鲁棒性。使用 MATLAB 统计函数进行统计分析，计算每个指标的平均值、标准差和 95% 置信区间。在应用配对 t 检验前，先验证数据的正态性假设。在 n = 1000 名模拟学习者中，对所提出的框架与基线模型进行比较评估，统计显著性定义为 p < 0.05。
可重复性与实施细节
所有模拟、数据处理流程和评估过程均可完全重复。数据集生成过程、图构建参数、模型配置和优化设置均已明确定义。随机种子初始化已固定，以确保在多次运行中输出结果一致。所有超参数、脚本和数据集描述均在补充材料中提供，可使用 MATLAB 或等效计算工具完整复现本研究。
所有模拟、数据处理流程和评估脚本均提供在补充文件1中。数据集包含原始交互日志、情绪指标和学习绩效指标。图构建参数和优化设置均有完整记录。该系统可使用标准的机器学习框架进行复现。随机种子初始化已固定，以确保结果一致性。所有超参数均被明确报告。本方案确保了完全的透明性和可重复性。
访问受限。请登录或开始试用以查看此内容。
结果
基于图的情绪化课程智能框架（GECIF）的性能通过一个基于模拟的数据集进行评估，该数据集包含 n = 1000 名学习者，在 T = 500 个归一化时间步长内进行。图1 展示了GECIF在人工智能驱动的视觉音乐教育与心理健康促进中的概念架构。所有指标均以[0,1]范围内的归一化尺度报告。统计评估包括均值、标准差（SD）和95%置信区间（CI），显著性通过配对t检验（p < 0.05）进行评估。所有比较均在完整的模拟人群中进行计算。图2 展示了所提出框架与基线模型在训练动态和知识获取行为上的对比。GECIF框架的知识增益达到0.88 ± 0.04（95% CI: 0.84–0.92），而基线模型为0.65 ± 0.06（95% CI: 0.59–0.71），差异具有统计学显著性（p < 0.001）。学习曲线显示出更陡的增长速率，并且收敛稳定，无振荡行为。
访问受限。请登录或开始试用以查看此内容。
讨论
本研究提出了一种基于图的教育情感课程智能框架（GECIF），该框架将基于图的表示学习、情感状态建模、自适应课程优化以及人工智能驱动的可视化教学整合到一个统一的计算框架中，用于高校音乐教育。与传统的人工智能辅助教育模型主要优化学业表现不同，所提出的框架能够同时建模知识获取、情绪调节、学习者参与度以及自适应课程演进之间的相互作用。仿真结果在多个评估指标上均一致表明，该框架在知识增长、情绪稳定性、学习者参与度和压力减轻方面均优于传统基线模型。这些发现表明，将关系图结构与情感感知学习相结合，相较于仅依赖认知适应的方法，能够为教育过程提供更全面的计算表征。
模拟学习表现中观察到的改进与人工智能驱动的自适应教育领域的最新进展相一致。人工智能技术 increasingly 被认为是构建个性化和自适应学习环境的有效工具，能够响应学习者的特征和教育需求18,19,20。特别是，由人工智能支持的自适应课程设计已被证明...
访问受限。请登录或开始试用以查看此内容。
致谢
作者谨向安庆师范大学音乐系致以诚挚的感谢，感谢其为开展本研究提供了必要的学术环境和机构支持。特别感谢在所提出框架的开发与评估过程中，提供宝贵见解和反馈意见的同事与学生。作者同时感谢安庆师范大学在获取资源和研究基础设施方面所提供的支持。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 32 GB DDR4 内存模块 | Kingston Technology | NA | |
| 用于 GPU 加速的 CUDA 工具包（v11.8） | NVIDIA | version 1.18 | |
| 课程自适应引擎 | Custom Implementation | CAE003 | |
| 数据集：情绪指标 | 生成的数据集 | DEI006 | |
| 数据集：学习表现指标 | 生成的数据集 | DLPM007 | |
| 数据集：学生交互日志 | 生成的数据集 | DIL005 | |
| 情绪状态模拟模块 | Custom Implementation | ESM002 | |
| GPU 工作站（NVIDIA RTX 3080） | NVIDIA | NA | |
| 图神经网络实现模块 | Custom Implementation | NA | |
| Intel Core i7 处理器（3.6 GHz） | Intel Corporation | NA | |
| Jupyter Notebook 环境（v6.5） | Project Jupyter | version 6.5 | |
| MATLAB 软件（R2023a） | MathWorks | R2023a | |
| Matplotlib 可视化库（v3.7） | Matplotlib | version 3.7 | |
| NetworkX 图形处理库（v3.1） | NetworkX Developers | version 3.1 | |
| NumPy 数值计算库（v1.24） | NumPy Developers | version 1.24 | |
| 优化模块（多目标求解器） | Custom Implementation | MOS008 | |
| Pandas 数据处理库（v2.0） | Pandas Development Team | version 2.0 | |
| Python 编程环境（v3.10） | Python Software Foundation | version 3.10 | |
| PyTorch 深度学习框架（v2.0） | Meta AI | version 2.0 | |
| 随机种子初始化脚本 | Custom Implementation | RSI009 | |
| Scikit-learn 机器学习库（v1.3） | Scikit-learn | version 1.3 | |
| Seaborn 统计可视化库（v0.12） | Seaborn | version 0.12 | |
| TensorFlow 库（v2.12） | version 2.12 | ||
| 视觉学习界面工具包 | Custom Implementation | VLI004 | |
| Windows 11 操作系统 | Microsoft | W11 |
参考文献
- 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.
访问受限。请登录或开始试用以查看此内容。