Diese Studie schlägt einen auf Graphen basierenden Rahmen für emotionale Curriculum-Intelligenz vor, der KI-gestützten visuellen Unterricht im Hochschulmusikunterricht ermöglicht. Mithilfe eines simulationsbasierten Datensatzes modelliert der Rahmen den Erwerb von Wissen, emotionale Dynamiken und das Engagement. Die Ergebnisse zeigen eine verbesserte Lerneffizienz und eine Verringerung von Stress im Vergleich zu herkömmlichen Modellen, was das Potenzial für adaptive, psychische Gesundheit berücksichtigende Bildungssysteme aufzeigt.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
Simulationsbasierte Evaluation eines KI-integrierten visuellen Lehrdesigns zur Förderung der psychischen Gesundheit in Musikkursen an Hochschulen
In diesem Artikel
Zusammenfassung
Zusammenfassung
Das visuelle Unterrichtsdesign in der Hochschulmusikpädagogik erhält zunehmend Beachtung, da es das Lernereinsatzverhalten fördern und das psychische Wohlbefinden unterstützen kann. Herkömmliche Unterrichtsansätze weisen jedoch oft einen Mangel an Anpassungsfähigkeit auf, um auf sich verändernde kognitive und emotionale Zustände der Lernenden zu reagieren, was ihre Wirksamkeit bei der Unterstützung sowohl des akademischen Lernerfolgs als auch des psychologischen Gleichgewichts einschränkt. Das Hauptziel dieser simulationsbasierten Studie ist die Entwicklung und Bewertung eines auf künstlicher Intelligenz basierenden Frameworks, das visuelle Unterrichtsstrategien mit einer graphbasierten Emotionsmodellierung kombiniert, um die Lernergebnisse in musikpädagogischen Hochschulkursen zu optimieren. Es wird ein neuartiges graphbasiertes Framework für emotionale Curriculum-Intelligenz (GECIF) vorgestellt, das das Lernumfeld als vernetzten Graphen aus Wissens-, Aktivitäts- und Emotionsknoten darstellt. Das Framework integriert graphbasiertes Repräsentationslernen, dynamische Zustandsmodellierung und adaptive Lernmechanismen, um die zeitliche Entwicklung von Wissenserwerb, Lernengagement, emotionaler Stabilität und Stress zu simulieren. Ein synthetischer Datensatz, bestehend aus Interaktionsprotokollen, emotionalen Indikatoren und Variablen zur Lernleistung, wurde mithilfe einer kontrollierten, auf MATLAB basierenden Simulationspipeline generiert, um Reproduzierbarkeit zu gewährleisten. GECIF wurde unter identischen experimentellen Bedingungen über normalisierte Simulationsschritte hinweg mit einem herkömmlichen, nicht-adaptiven Basismodell verglichen. Die Leistung wurde anhand normalisierter Simulationsmetriken bewertet, einschließlich Wissenszuwachs, emotionale Stabilität, Stressreduktion, Engagement-Niveau und Robustheit. Das vorgeschlagene Framework schnitt durchgängig besser ab und zeigte einen höheren simulierten Wissenserwerb, eine verbesserte emotionale Regulation, stärkeres Engagement, geringeren simulierten Stress sowie erhöhte Robustheit. Die statistische Analyse basierend auf Mittelwerten, Standardabweichungen und 95 %-Konfidenzintervallen bestätigte kontinuierliche Verbesserungen über alle Evaluierungsmetriken hinweg. Diese Ergebnisse verdeutlichen das Potenzial von KI-gestützten, emotionsbewussten visuellen Unterrichtsstrategien für einen adaptiven Musikunterricht und stellen gleichzeitig ein skalierbares und reproduzierbares rechnergestütztes Framework bereit, das zukünftige Forschung im Bereich intelligenter Bildungssysteme unterstützen kann.
Einleitung
Die Integration von künstlicher Intelligenz (KI) in Bildungssysteme hat traditionelle Unterrichtsformen nachhaltig verändert und ermöglicht nun anpassungsfähigere, personalisiertere und datengestützte Lernerfahrungen1,2,3. In den letzten Jahren hat sich das visuelle Unterrichtsdesign als wirksame pädagogische Methode etabliert, insbesondere in Disziplinen wie der Musikpädagogik, in denen abstrakte Konzepte, emotionale Ausdrucksformen und perzeptive Einsichten eine zentrale Rolle spielen4,5,6,7. Visuelle Darstellungen – beispielsweise grafische Benutzeroberflächen, interaktive Simulationen und multimediale Elemente – fördern ein tieferes kognitives Verarbeiten und steigern das Lernereinsatzvermögen8,9,10,11. Trotz dieser Fortschritte bleiben bestehende visuelle Unterrichtsmethoden jedoch oft statisch und sind nicht in der Lage, dynamisch auf sich verändernde kognitive und emotionale Zustände der Lernenden zu reagieren12,13,14. Die Musikpädagogik, insbesondere auf Hochschulebene, bringt aufgrund ihrer inhärent multidimensionalen Natur besondere Herausforderungen mit sich15,16,17. Lernergebnisse hängen nicht nur vom kognitiven Verständnis musiktheoretischer Inhalte und Darbietungstechniken ab, sondern werden auch von emotionalen Faktoren wie Motivation, Stress, Engagement und psychischem Wohlbefinden beeinflusst18. Frühere Studien haben die enge Verbindung zwischen emotionalen Zuständen und der Lernleistung hervorgehoben und gezeigt, dass Studierende mit hohem Stressniveau oder geringer Lernbeteiligung oft eine verminderte akademische Leistung aufweisen19,20,21. Obwohl mehrere KI-basierte Bildungssysteme zur Verbesserung der Personalisierung des Lernens vorgeschlagen wurden, konzentrieren sich die meisten bisher primär auf kognitive Leistungsmetriken und vernachlässigen dabei die entscheidende Rolle emotionaler Dynamiken im Lernprozess22.
Neuere Entwicklungen in intelligenten Lernsystemen haben graphbasierte Darstellungen und Deep-Learning-Verfahren eingeführt, um komplexe Beziehungen zwischen Bildungskomponenten zu modellieren23,24,25. Graphbasierte Lernframeworks, darunter Graphneuronale Netze (GNNs), haben starke Fähigkeiten bei der Erfassung strukturierter Abhängigkeiten zwischen Wissenselementen, Lerninteraktionen und kontextuellen Faktoren gezeigt26. Außerdem hat die emotionserkennende Datenverarbeitung an Bedeutung gewonnen, da sie psychologische Signale in adaptive Lernumgebungen integrieren kann27. Dennoch bleibt die Integration dieser Ansätze in einem einheitlichen Rahmen für den Musikunterricht begrenzt28,29,30. Bestehende Arbeiten behandeln emotionale Variablen oft lediglich als zusätzliche Merkmale und nicht als zentrale Komponenten, und sie bieten selten Mechanismen für eine kontinuierliche Anpassung auf Grundlage des Zusammenspiels von Kognition und Emotion31.
Darüber hinaus stützt sich die Anwendung von KI in der psychischen Gesundheit berücksichtigenden Bildung hauptsächlich auf empirische oder sensorbasierte Daten, die von echten Teilnehmern gesammelt wurden32. Solche Ansätze erfordern jedoch umfangreiche ethische Genehmigungen, standardisierte Messinstrumente und kontrollierte Versuchsbedingungen, was in der frühen Forschungsphase nicht immer machbar ist33. Daher haben sich simulationsbasierte Methoden als Alternative herausgebildet, um komplexe bildungswissenschaftliche Dynamiken auf kontrollierte und reproduzierbare Weise zu untersuchen34. Durch die Erzeugung synthetischer Datensätze, die Interaktionsprotokolle, emotionale Indikatoren und Leistungsmetriken im Lernprozess nachahmen, können Forscher das Verhalten vorgeschlagener Modelle unter verschiedenen Szenarien bewerten und dabei die vollständige Kontrolle über Systemparameter und Annahmen bewahren35.
Trotz dieser Fortschritte bestehen mehrere Forschungslücken36. Erstens fehlen einheitliche Rahmenwerke, die Wissenserwerb, emotionale Entwicklung und Lernengagement gleichzeitig innerhalb einer strukturierten Darstellung modellieren37. Zweitens nutzen aktuelle visuelle Lehrsysteme die graphenbasierte Intelligenz nicht effektiv, um die Wechselbeziehungen zwischen musikalischen Konzepten, Lernaktivitäten und psychologischen Zuständen abzubilden38. Drittens wurde der Entwicklung skalierbarer und reproduzierbarer Simulationspipelines, die eine systematische Bewertung KI-gestützter Bildungsmodelle ermöglichen, bisher nur begrenzte Aufmerksamkeit geschenkt39,40,41. Schließlich liefern bestehende Ansätze oft keinen ganzheitlichen Blick auf das Lernen, der kognitive und emotionale Dimensionen auf dynamisch adaptive Weise integriert42.
Um diese Herausforderungen zu bewältigen, schlägt diese Studie einen graphenbasierten Rahmen für emotionale Curriculum-Intelligenz (GECIF) zur KI-gestützten visuellen Unterrichtsgestaltung im Hochschulmusikunterricht vor. Tabelle 1 enthält wesentliche Definitionen für Graphenkomponenten, Knotenzustände und Modellparameter. Diese Tabelle stellt sicher, dass die Methodik klar und reproduzierbar ist. Der vorgeschlagene Rahmen modelliert das Bildungsumfeld als vernetzten Graphen, der aus Wissensknoten, Aktivitätsknoten und Emotionsknoten besteht, und ermöglicht so eine umfassende Darstellung der Lernprozesse. Ein simulationsbasiertes Datenset wird mithilfe einer kontrollierten rechnergestützten Pipeline erzeugt, die Interaktionsprotokolle, emotionale Indikatoren und Leistungsmetriken umfasst, um Reproduzierbarkeit und Skalierbarkeit sicherzustellen. Der Rahmen integriert adaptive Lernmechanismen, Modellierung emotionaler Zustände und graphenbasierte Optimierung, um die zeitliche Entwicklung von Lernergebnissen und psychologischen Zuständen zu simulieren. Ein Vergleich mit einem herkömmlichen Lernmodell erfolgt anhand mehrerer Leistungsmetriken, darunter Wissenszuwachs, emotionale Stabilität, Stressreduktion, Lernengagement und Robustheit.
Das Hauptziel dieser Studie ist die Entwicklung und Bewertung eines simulationsbasierten, KI-gestützten visuellen Lehrkonzepts, das graphenbasierte Modellierung und emotionale Intelligenz integriert, um die Lerneffizienz zu steigern und eine psychische Gesundheit berücksichtigende Bildung in musikwissenschaftlichen Hochschulkursen zu unterstützen.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
Diese Studie ist eine rechnergestützte, simulationsbasierte Untersuchung, an der keine menschlichen Teilnehmer, klinischen Daten oder personenbezogenen Informationen beteiligt sind. Alle in dieser Forschung verwendeten Daten wurden synthetisch durch kontrollierte Simulationsverfahren erzeugt. Daher war eine ethische Genehmigung durch eine institutionelle Prüfkommission sowie eine informierte Einwilligung nicht erforderlich. Die Studie entspricht den gängigen Richtlinien für rechnergestützte Forschung und gewährleistet vollständige Nachvollziehbarkeit und Transparenz der Methodik.
Theoretischer Rahmen und Begründung
Der vorgeschlagene graphenbasierte Rahmen für emotionale Curriculum-Intelligenz (GECIF) basiert auf der Integration von künstlicher Intelligenz, graphenbasiertem Lernen, Emotionsrechnung und visueller Pädagogik und zielt darauf ab, das Lernen als dynamischen und mehrdimensionalen Prozess zu modellieren, der gleichzeitig kognitive Entwicklung, emotionale Entwicklung und behaviorale Beteiligung erfasst. Traditionelle Unterrichtsansätze gehen häufig von einem linearen Wissenserwerb aus und spiegeln nicht angemessen die komplexen Wechselwirkungen zwischen kognitiver Leistung und psychologischen Zuständen wider. Diese Einschränkung ist besonders in der Hochschulmusikbildung von Bedeutung, wo emotionale Ausdrucksfähigkeit, Motivation und Kreativität untrennbar mit technischem und theoretischem Lernen verbunden sind. In diesem Kontext versteht der Rahmen den Bildungsprozess als vernetztes System, in dem Wissenselemente, Lernaktivitäten und emotionale Zustände sich kontinuierlich gegenseitig beeinflussen. Die graphenbasierte Modellierung ermöglicht eine strukturierte und skalierbare Darstellung dieser Beziehungen, wodurch sowohl direkte als auch indirekte Abhängigkeiten effektiv erfasst werden können. Emotionale Dynamiken werden als intrinsische Bestandteile und nicht als zusätzliche Variablen integriert, wodurch die Entwicklung und Ausbreitung psychologischer Zustände während des Lernprozesses simuliert werden kann. Die Einbindung visueller Unterrichtskonzepte verbessert die Interpretierbarkeit weiter, indem abstrakte rechnerische Interaktionen in anschauliche grafische Darstellungen umgewandelt werden.
Methodik und Studiendesign der Simulation
Diese Studie verwendet einen auf computergestützter Simulation basierenden Ansatz, an dem keine menschlichen Teilnehmer beteiligt sind, und alle Daten werden synthetisch durch eine kontrollierte und reproduzierbare Pipeline erzeugt. Die berichteten Ergebnisse stellen daher modellbasierte Bewertungen dar und nicht empirische Beobachtungen, die von realen Lernenden stammen. Verbesserungen in Bezug auf Lernleistung, Lernbeteiligung, emotionale Stabilität und Stressreduktion werden als simulierte oder mögliche Effekte des vorgeschlagenen Frameworks interpretiert. Die Simulationsumgebung approximiert realistische Lernbedingungen, indem sie zeitliche Abhängigkeiten, Variabilität in Interaktionsmustern und sich verändernde emotionale Zustände einbezieht. Es wird eine vergleichende experimentelle Konfiguration implementiert, bei der das vorgeschlagene GECIF-Framework gegenüber einem herkömmlichen Basismodell evaluiert wird, das ein nicht-adaptives Lernsystem repräsentiert, bei dem sich Wissen allein auf Grundlage der Interaktionsintensität entwickelt, ohne graphbasierte Repräsentation, emotionales Modellieren oder Curriculum-Optimierung. Beide Modelle werden unter identischen Simulationsbedingungen ausgeführt, um einen konsistenten und unvoreingenommenen Vergleich zu gewährleisten.
Erstellung und Struktur des Datensatzes
Ein umfangreicher Datensatz wurde erstellt, um Lernprozesse im Hochschulmusikunterricht zu simulieren, indem Interaktionsprotokolle, emotionale Indikatoren und Leistungsmetriken in einem einheitlichen zeitlichen Rahmen integriert wurden. Der Datensatz wurde aus dem öffentlich verfügbaren Datensatz zur Schülerleistung (UCI Machine Learning Repository) abgeleitet und erweitert, der akademische Leistungsdaten zusammen mit demografischen und verhaltensbezogenen Attributen bereitstellt. Dieser Datensatz diente als grundlegende Referenz zur Modellierung realistischer Lernmuster. Interaktionsprotokolle stellen eine simulierte Beteiligung an Lernaktivitäten wie Übungseinheiten, Hörübungen und visuelle Lernaufgaben dar. Emotionale Indikatoren erfassen psychologische Zustände wie Stress, Engagement und Motivation, während die Lernleistung den Wissenserwerb und die Entwicklung über die Zeit widerspiegelt. Um den Datensatz anzureichern und zeitliche Abhängigkeiten einzubeziehen, kam eine auf MATLAB basierende Simulationspipeline zum Einsatz, die mit einer festen Initialisierung des Zufallszahlengenerators durchgeführt wurde, um Reproduzierbarkeit zu gewährleisten. Zeitliche Kontinuität wurde durch autoregressive Prozesse hergestellt, wodurch sich Interaktionsverhalten und emotionale Zustände schrittweise über die Zeit entwickeln konnten. Der finale Datensatz umfasst tausend simulierte Lernende, die über fünfhundert Zeitschritte beobachtet wurden, mit mehreren Interaktionsmerkmalen, die unterschiedliche Lernverhaltensweisen repräsentieren. Alle Variablen wurden im Bereich [0,1] normalisiert, um Konsistenz und Vergleichbarkeit sicherzustellen. Der Datensatz wird in Trainings-, Validierungs- und Testteilmengen mit einer Aufteilung von 70 %–15 %–15 % unterteilt, um eine unverzerrte Modellbewertung zu gewährleisten.
Graphkonstruktion und -darstellung
Die Lernumgebung wird als gewichteter Graph modelliert, der wie folgt definiert ist:
G = (V,E,W) (1)
wobei die Menge der Knoten bezeichnet, die Menge der Kanten darstellt und die gewichtete Adjazenzmatrix ist, die die Stärke der Beziehungen zwischen den Knoten beschreibt. Die Knotenmenge wird zerlegt in:
V = Vk∪Va∪Ve (2)
wobei Vk, Va und Ve jeweils für Wissensknoten, Aktivitätsknoten und emotionale Knoten stehen. Die Kantengewichte werden wie folgt berechnet:
Wij = α Sc(i,j) + βSe(i,j) (3)
wobei Sc(i,j) die kognitive Ähnlichkeit zwischen Knoten darstellt, Se(i,j) die emotionale Korrelation darstellt und α und β Gewichtungskoeffizienten sind, die deren relativen Einfluss steuern. Gleichung (3) definiert, wie strukturelle und emotionale Beziehungen gemeinsam die Konnektivität des Graphen bestimmen.
Darstellung des Knotenzustands und Graphenlernen
Jeder Knoten ist mit einem dynamischen Zustandsvektor verbunden, der wie folgt definiert ist:
xi(t) = [ki(t),ei(t),ai(t)] (4)
wobei ki(t), ei(t) und ai(t) den Wissensstand, den emotionalen Zustand und den Grad der Beteiligung zur Zeit t bezeichnen. Die Knotendarstellungen werden mithilfe einer graphbasierten Aggregation aktualisiert:
(5)
wobei 
die Einbettung des Knotens i in der Schicht l, σ eine nichtlineare Aktivierungsfunktion und N(i) die Menge der benachbarten Knoten bezeichnet. Gleichung (5) beschreibt, wie jeder Knoten Informationen von seinen Nachbarknoten integriert. Ein Aufmerksamkeitsmechanismus wird zusätzlich eingeführt:
(6)
wobei αij der Aufmerksamkeitskoeffizient und ∅(·) eine Ähnlichkeitsfunktion ist. Gleichung (6) ermöglicht eine adaptive Gewichtung der Beiträge benachbarter Knoten.
Modellierung emotionaler Dynamiken
Die zeitliche Entwicklung emotionaler Zustände wird wie folgt modelliert:
(7)
wobei γ der emotionale Retentionskoeffizient ist. Gleichung (7) erfasst sowohl die Persistenz als auch die Ausbreitung emotionaler Einflüsse. Die emotionale Stabilität wird quantifiziert als:
(8)
wobei E+(t) und E-(t) die positiven und negativen emotionalen Komponenten bezeichnen und 
eine kleine Konstante ist, die eine Division durch null verhindert. Die Stressakkumulation ist definiert als:
(9)
wobei λ(τ) die momentane Spannungsintensität darstellt. Gleichung (9) modelliert die kumulative Spannung über die Zeit.
Lernen der Optimierung und adaptiven Curriculumentwurf
Der Lernprozess wird durch eine mehrzielige Optimierungsfunktion gesteuert:
J = λ1K + λ2K - λ3S (10)
wobei K den Wissenszuwachs, E die emotionale Stabilität und S das Stressniveau bezeichnet, während λ1, λ2, λ3 Gewichtungskoeffizienten sind. Gleichung (10) gewichtet kognitive und emotionale Ziele gegeneinander ab. Adaptive Neugestaltung des Lehrplans ist definiert als:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
wobei η die Lernrate ist und Δij(t) Aktualisierungsanpassungen darstellt, die durch Lernprozesse verursacht werden. Gleichung (11) ermöglicht es der Graphstruktur, sich im Laufe der Zeit zu verändern.
Zeitliche Skala und Simulationsdauer
Alle Simulationen werden mit normalisierten Zeitschritten und nicht mit Echtzeit-Einheiten durchgeführt. Kurze Intervalle entsprechen skalierten Simulationsschritten, die die Systementwicklung darstellen, während erweiterte Simulationen über fünfhundert Schritte zur Bewertung des Langzeitverhaltens, der Konvergenz und der Robustheit verwendet werden.
Evaluationsmetriken und statistische Analyse
Das Framework wird mithilfe normalisierter Metriken bewertet, einschließlich Wissenszuwachs, emotionale Stabilität, Stresslevel, Engagementlevel und Robustheit. Die statistische Analyse erfolgt mit statistischen Funktionen von MATLAB, wobei Mittelwerte, Standardabweichungen und 95 % Konfidenzintervalle für jede Metrik berechnet werden. Die Annahme der Normalverteilung wird überprüft, bevor gepaarte t-Tests angewendet werden. Der Vergleich zwischen dem vorgeschlagenen Framework und dem Baseline-Modell wird anhand von n = 1000 simulierten Lernenden durchgeführt, wobei statistische Signifikanz als p < 0,05 definiert ist.
Reproduzierbarkeit und Implementierungsdetails
Alle Simulationen, Datenverarbeitungspipelines und Evaluierungsverfahren sind vollständig reproduzierbar. Der Prozess zur Datensatzerzeugung, die Parameter für die Graphenkonstruktion, die Modellkonfigurationen und die Optimierungseinstellungen sind explizit definiert. Die Initialisierung der Zufallsseeds ist festgelegt, um konsistente Ergebnisse bei wiederholten Durchläufen zu gewährleisten. Alle Hyperparameter, Skripte und Datensatzbeschreibungen sind in den ergänzenden Materialien enthalten, sodass die vollständige Reproduktion der Studie mit MATLAB oder vergleichbaren computergestützten Werkzeugen möglich ist.
Alle Simulationen, Datenverarbeitungspipelines und Auswertungsskripte sind im Zusatzdatei 1 enthalten. Der Datensatz umfasst rohe Interaktionsprotokolle, emotionale Indikatoren und Leistungsmetriken zum Lernen. Die Parameter für die Graphenkonstruktion und Optimierungseinstellungen sind vollständig dokumentiert. Das System kann mit gängigen Machine-Learning-Frameworks reproduziert werden. Die Initialisierung des Zufallszahlengenerators ist festgelegt, um Konsistenz zu gewährleisten. Alle Hyperparameter werden explizit angegeben. Das Protokoll stellt vollständige Transparenz und Reproduzierbarkeit sicher.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
Die Leistung des vorgeschlagenen graphbasierten emotionalen Curriculum-Intelligenz-Frameworks (GECIF) wurde anhand eines simulationsbasierten Datensatzes mit n = 1000 Lernenden über T = 500 normalisierte Zeitschritte hinweg bewertet. Abbildung 1 veranschaulicht die konzeptionelle Architektur des GECIF für KI-gestützten visuellen Musikunterricht und die Förderung der psychischen Gesundheit. Alle Metriken werden auf normalisierten Skalen im Bereich [0,1] angegeben. Die statistische Auswertung ...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
Die vorliegende Studie schlägt einen auf Graphen basierenden emotionalen Curriculum-Intelligenz-Rahmen (GECIF) vor, der die graphenbasierte Repräsentationslernung, die Modellierung emotionaler Zustände, die adaptive Optimierung des Curriculums und das von KI gestützte visuelle Lehren in einen einheitlichen Berechnungsrahmen für den Hochschulmusikunterricht integriert. Im Gegensatz zu herkömmlichen, KI-gestützten Bildungsmodellen, die hauptsächlich die akademische Leistung optimieren, modelliert der vorgeschlagene Rahmen ...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Der Autor hat kein Interessenkonflikt.
Danksagungen
Der Autor möchte der Musikabteilung der Anqing Normal University aufrichtig dafür danken, dass sie das akademische Umfeld und die institutionelle Unterstützung bereitgestellt hat, die für die Durchführung dieser Forschung erforderlich waren. Besonderer Dank gilt den Kollegen und Studierenden, die während der Entwicklung und Bewertung des vorgeschlagenen Rahmens wertvolle Einblicke und Rückmeldungen beigetragen haben. Der Autor dankt auch der Anqing Normal University für die Unterstützung beim Zugang zu Ressourcen und Forschungsinfrastruktur.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| 32 GB DDR4 RAM-Modul | Kingston Technology | NA | |
| CUDA-Toolkit für GPU-Beschleunigung (v11.8) | NVIDIA | version 1.18 | |
| Lehrplan-Anpassungsmodul | Individuelle Implementierung | CAE003 | |
| Datensatz: Emotionale Indikatoren | Generierter Datensatz | DEI006 | |
| Datensatz: Leistungsmetriken im Lernen | Generierter Datensatz | DLPM007 | |
| Datensatz: Protokolle der Schülerinteraktionen | Generierter Datensatz | DIL005 | |
| Modul zur Simulation emotionaler Zustände | Individuelle Implementierung | ESM002 | |
| GPU-Arbeitsstation (NVIDIA RTX 3080) | NVIDIA | NA | |
| Implementierungsmodul für Graphneuronale Netze | Individuelle Implementierung | NA | |
| Intel Core i7-Prozessor (3,6 GHz) | Intel Corporation | NA | |
| Jupyter-Notebook-Umgebung (v6.5) | Project Jupyter | version 6.5 | |
| MATLAB-Software (R2023a) | MathWorks | R2023a | |
| Visualisierungsbibliothek Matplotlib (v3.7) | Matplotlib | version 3.7 | |
| Graphverarbeitungsbibliothek NetworkX (v3.1) | NetworkX-Entwickler | version 3.1 | |
| Numerische Rechenbibliothek NumPy (v1.24) | NumPy-Entwickler | version 1.24 | |
| Optimierungsmodul (Mehrzweck-Optimierer) | Individuelle Implementierung | MOS008 | |
| Datenverarbeitungsbibliothek Pandas (v2.0) | Entwicklungsteam von Pandas | version 2.0 | |
| Python-Programmierumgebung (v3.10) | Python Software Foundation | version 3.10 | |
| Tiefenlern-Framework PyTorch (v2.0) | Meta AI | version 2.0 | |
| Skript zur Initialisierung des Zufallsseeds | Individuelle Implementierung | RSI009 | |
| Machine-Learning-Bibliothek Scikit-learn (v1.3) | Scikit-learn | version 1.3 | |
| Statistische Visualisierungsbibliothek Seaborn (v0.12) | Seaborn | version 0.12 | |
| TensorFlow-Bibliothek (v2.12) | version 2.12 | ||
| Toolkit für visuelle Lernschnittstellen | Individuelle Implementierung | VLI004 | |
| Windows 11 Betriebssystem | Microsoft | W11 |
Referenzen
- 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.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.