Este estudio propone un marco de inteligencia curricular emocional basado en grafos para la enseñanza visual impulsada por inteligencia artificial en la educación musical universitaria. Mediante un conjunto de datos basado en simulaciones, el marco modela la adquisición de conocimientos, la dinámica emocional y el nivel de compromiso. Los resultados indican una mayor eficiencia en el aprendizaje y una reducción del estrés en comparación con los modelos convencionales, lo que demuestra el potencial para sistemas educativos adaptativos y sensibles a la salud mental.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de investigación
Evaluación basada en simulaciones del diseño de enseñanza visual integrado con inteligencia artificial para la promoción de la salud mental en cursos de música universitaria
En este artículo
Resumen
Resumen
El diseño didáctico visual en la enseñanza universitaria de la música ha atraído una atención creciente debido a su potencial para aumentar la participación del estudiante y promover el bienestar mental. Sin embargo, los enfoques convencionales de instrucción suelen carecer de la adaptabilidad necesaria para responder a los estados cognitivos y emocionales cambiantes de los estudiantes, lo que limita su eficacia para apoyar tanto el rendimiento académico como el equilibrio psicológico. El objetivo principal de este estudio basado en simulación es desarrollar y evaluar un marco impulsado por inteligencia artificial que integre estrategias de enseñanza visual con modelado emocional basado en grafos para optimizar los resultados de aprendizaje en cursos universitarios de música. Se propone un nuevo marco de inteligencia curricular emocional basado en grafos (GECIF), que representa el entorno de aprendizaje como un grafo interconectado de nodos de conocimiento, actividad y emoción. El marco incorpora aprendizaje representacional basado en grafos, modelado dinámico de estados y mecanismos de aprendizaje adaptativo para simular la evolución de la adquisición de conocimientos, el nivel de participación, la estabilidad emocional y el estrés a lo largo del tiempo. Se generó un conjunto de datos sintético compuesto por registros de interacción, indicadores emocionales y variables de rendimiento académico mediante una canalización de simulación controlada basada en MATLAB para garantizar la reproducibilidad. GECIF fue evaluado frente a un modelo de referencia convencional no adaptativo bajo condiciones experimentales idénticas a lo largo de pasos de simulación normalizados. El desempeño se evaluó utilizando métricas de simulación normalizadas, incluyendo ganancia de conocimiento, estabilidad emocional, reducción de estrés, nivel de participación y robustez. El marco propuesto superó consistentemente al modelo de referencia, mostrando una mayor adquisición simulada de conocimientos, una mejor regulación emocional, un mayor nivel de participación, una reducción del estrés simulado y una mayor robustez. Un análisis estadístico basado en valores medios, desviaciones estándar e intervalos de confianza del 95 % confirmó mejoras consistentes en todas las métricas de evaluación. Estos hallazgos demuestran el potencial de estrategias visuales de enseñanza guiadas por inteligencia artificial y sensibles a las emociones para la educación musical adaptativa, a la vez que proporcionan un marco computacional escalable y reproducible para apoyar investigaciones futuras en sistemas educativos inteligentes.
Introducción
La integración de la inteligencia artificial (AI) en los sistemas educativos ha transformado significativamente los paradigmas tradicionales de enseñanza, permitiendo experiencias de aprendizaje más adaptativas, personalizadas y basadas en datos1,2,3. En los últimos años, el diseño visual de la enseñanza ha surgido como un enfoque pedagógico efectivo, particularmente en disciplinas como la educación musical, donde los conceptos abstractos, la expresión emocional y la comprensión perceptiva desempeñan un papel central4,5,6,7. Las representaciones visuales, incluyendo interfaces gráficas, simulaciones interactivas y elementos multimedia, facilitan un procesamiento cognitivo más profundo y aumentan la participación de los estudiantes8,9,10,11. Sin embargo, a pesar de estos avances, los métodos visuales de enseñanza existentes suelen permanecer estáticos y carecen de la capacidad de responder dinámicamente a los estados cognitivos y emocionales cambiantes de los estudiantes12,13,14. La educación musical, especialmente a nivel universitario, presenta desafíos únicos debido a su naturaleza inherentemente multidimensional15,16,17. Los resultados del aprendizaje no solo están influenciados por la comprensión cognitiva de la teoría musical y las técnicas de interpretación, sino también por factores emocionales como la motivación, el estrés, la participación y el bienestar psicológico18. Estudios previos han destacado la fuerte relación entre los estados emocionales y la eficacia del aprendizaje, indicando que los estudiantes que experimentan altos niveles de estrés o baja participación tienden a mostrar un rendimiento académico reducido19,20,21. Aunque se han propuesto varios sistemas educativos basados en inteligencia artificial para mejorar la personalización del aprendizaje, la mayoría se centran principalmente en métricas de rendimiento cognitivo y pasan por alto el papel fundamental de la dinámica emocional en la configuración del proceso de aprendizaje22.
Desarrollos recientes en sistemas inteligentes de aprendizaje han introducido representaciones basadas en grafos y técnicas de aprendizaje profundo para modelar relaciones complejas entre componentes educativos23,24,25. Los marcos de aprendizaje basados en grafos, incluidas las redes neuronales gráficas (GNN), han demostrado una gran capacidad para capturar dependencias estructuradas entre elementos del conocimiento, interacciones del alumno y factores contextuales26. Además, la computación sensible a las emociones ha ganado atención por su capacidad de incorporar señales psicológicas en entornos de aprendizaje adaptativos27. Sin embargo, la integración de estos enfoques dentro de un marco unificado para la educación musical sigue siendo limitada28,29,30. Los trabajos existentes suelen tratar las variables emocionales como características auxiliares en lugar de componentes fundamentales, y rara vez proporcionan mecanismos para la adaptación continua basada en la interacción entre cognición y emoción31.
Además, la aplicación de la inteligencia artificial en la educación con conciencia de salud mental se ha basado predominantemente en datos empíricos o basados en sensores recopilados de participantes reales32. Sin embargo, tales enfoques requieren aprobaciones éticas extensas, instrumentos de medición estandarizados y condiciones experimentales controladas, lo que puede no ser siempre factible en investigaciones de etapa inicial33. Como resultado, las metodologías basadas en simulación han surgido como una alternativa para explorar dinámicas educativas complejas de manera controlada y reproducible34. Al generar conjuntos de datos sintéticos que imitan registros de interacción, indicadores emocionales y métricas de rendimiento académico, los investigadores pueden evaluar el comportamiento de los modelos propuestos en diversos escenarios manteniendo un control total sobre los parámetros y supuestos del sistema35.
A pesar de estos avances, aún persisten varias brechas de investigación36. En primer lugar, existe una falta de marcos unificados que modelen simultáneamente la adquisición de conocimiento, la evolución emocional y el compromiso con el aprendizaje dentro de una representación estructurada37. En segundo lugar, los sistemas visuales de enseñanza actuales no aprovechan eficazmente la inteligencia basada en grafos para capturar las interdependencias entre los conceptos musicales, las actividades de aprendizaje y los estados psicológicos38. En tercer lugar, se ha prestado poca atención al desarrollo de tuberías de simulación escalables y reproducibles que permitan la evaluación sistemática de modelos educativos impulsados por inteligencia artificial39,40,41. Por último, los enfoques existentes a menudo no logran ofrecer una visión integral del aprendizaje que integre tanto las dimensiones cognitivas como emocionales de manera dinámicamente adaptativa42.
Para abordar estos desafíos, este estudio propone un marco de inteligencia curricular emocional basado en grafos (GECIF) para el diseño de enseñanza visual impulsado por IA en la educación musical universitaria. Tabla 1 proporciona definiciones esenciales para los componentes del grafo, los estados de los nodos y los parámetros del modelo. Esta tabla garantiza que la metodología sea clara y reproducible. El marco propuesto modela el entorno educativo como un grafo interconectado compuesto por nodos de conocimiento, nodos de actividad y nodos emocionales, permitiendo una representación integral de la dinámica del aprendizaje. Se genera un conjunto de datos basado en simulaciones mediante una canalización computacional controlada que incluye registros de interacciones, indicadores emocionales y métricas de rendimiento, asegurando la reproducibilidad y escalabilidad. El marco incorpora mecanismos de aprendizaje adaptativo, modelado del estado emocional y optimización basada en grafos para simular la evolución de los resultados de aprendizaje y las condiciones psicológicas a lo largo del tiempo. Se realiza una evaluación comparativa frente a un modelo de aprendizaje convencional utilizando múltiples métricas de rendimiento, incluyendo ganancia de conocimiento, estabilidad emocional, reducción del estrés, nivel de compromiso y robustez.
El objetivo principal de este estudio es desarrollar y evaluar un marco pedagógico visual basado en simulación y dirigido por inteligencia artificial que integre modelado basado en grafos e inteligencia emocional para mejorar la eficiencia del aprendizaje y apoyar la educación con conciencia de la salud mental en los cursos universitarios de música.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
Este estudio es una investigación basada en computación y simulación que no involucra participantes humanos, datos clínicos ni información personal. Todos los datos utilizados en esta investigación fueron generados sintéticamente mediante procesos de simulación controlados. Por lo tanto, no se requirió aprobación ética por parte de un comité de revisión institucional ni consentimiento informado. El estudio cumple con las directrices estándar para la investigación computacional y garantiza la total reproducibilidad y transparencia de la metodología.
Marco teórico y justificación
El marco propuesto de inteligencia curricular emocional basado en grafos (GECIF) se fundamenta en la integración de la inteligencia artificial, el aprendizaje basado en grafos, la computación emocional y la pedagogía visual, con el objetivo de modelar el aprendizaje como un proceso dinámico y multidimensional que capture simultáneamente el desarrollo cognitivo, la evolución emocional y la participación conductual. Los enfoques instructivos tradicionales suelen asumir una progresión lineal en la adquisición de conocimientos y no reflejan adecuadamente las interacciones complejas entre el rendimiento cognitivo y los estados psicológicos. Esta limitación es particularmente crítica en la educación musical universitaria, donde la expresión emocional, la motivación y la creatividad son inseparables del aprendizaje técnico y teórico. En este contexto, el marco conceptualiza el proceso educativo como un sistema interconectado en el que los elementos de conocimiento, las actividades de aprendizaje y los estados emocionales se influyen continuamente entre sí. La modelización basada en grafos permite una representación estructurada y escalable de estas relaciones, posibilitando capturar eficazmente tanto dependencias directas como indirectas. Las dinámicas emocionales se incorporan como componentes intrínsecos y no como variables auxiliares, lo que posibilita la simulación de cómo las condiciones psicológicas evolucionan y se propagan durante el proceso de aprendizaje. La integración del diseño didáctico visual mejora aún más la interpretabilidad al transformar las interacciones computacionales abstractas en representaciones gráficas intuitivas.
Metodología y diseño del estudio de simulación
Este estudio adopta un diseño basado en simulación computacional en el que no participan sujetos humanos, y todos los datos se generan sintéticamente mediante una tubería controlada y reproducible. Por lo tanto, los resultados reportados representan evaluaciones basadas en modelos, no observaciones empíricas derivadas de aprendices reales. Las mejoras en el rendimiento académico, la participación, la estabilidad emocional y la reducción del estrés se interpretan como efectos simulados o potenciales del marco propuesto. El entorno de simulación aproxima condiciones de aprendizaje realistas al incorporar dependencias temporales, variabilidad en los patrones de interacción y estados emocionales cambiantes. Se implementa una configuración experimental comparativa en la que el marco propuesto GECIF se evalúa frente a un modelo de referencia convencional que representa un sistema de aprendizaje no adaptativo en el que el conocimiento evoluciona únicamente según la intensidad de la interacción, sin representación basada en grafos, modelado emocional ni optimización del currículo. Ambos modelos se ejecutan bajo condiciones de simulación idénticas para garantizar una comparación consistente e imparcial.
Generación y estructura del conjunto de datos
Se construyó un conjunto de datos a gran escala para simular la dinámica de aprendizaje en la educación musical universitaria mediante la integración de registros de interacción, indicadores emocionales y métricas de rendimiento académico dentro de un marco temporal unificado. El conjunto de datos se derivó y amplió a partir del conjunto de datos de rendimiento estudiantil de acceso público (Repositorio de Aprendizaje Automático UCI), que proporciona datos de desempeño académico junto con atributos demográficos y conductuales. Este conjunto de datos sirvió como referencia fundamental para modelar patrones de aprendizaje realistas. Los registros de interacción representan la participación simulada en actividades de aprendizaje, como sesiones de práctica, ejercicios auditivos y tareas de aprendizaje visual. Los indicadores emocionales capturan estados psicológicos, incluyendo estrés, implicación y motivación, mientras que el rendimiento en el aprendizaje refleja la adquisición de conocimientos y el progreso a lo largo del tiempo. Para enriquecer el conjunto de datos e incorporar dependencias temporales, se empleó una tubería de simulación basada en MATLAB con una inicialización fija de semilla aleatoria para garantizar la reproducibilidad. Se introdujo continuidad temporal mediante procesos autorregresivos, permitiendo que la conducta de interacción y los estados emocionales evolucionaran gradualmente con el tiempo. El conjunto de datos final incluye mil estudiantes simulados observados durante quinientos pasos temporales, con múltiples características de interacción que representan diversas conductas de aprendizaje. Todas las variables se normalizan dentro del rango [0,1] para asegurar consistencia y comparabilidad. El conjunto de datos se divide en subconjuntos de entrenamiento, validación y prueba mediante una partición del 70 %–15 %–15 % para garantizar una evaluación imparcial del modelo.
Construcción y representación de grafos
El entorno de aprendizaje se modela como un grafo ponderado definido como:
G = (V,E,W) (1)
donde denota el conjunto de nodos, representa el conjunto de aristas, y es la matriz de adyacencia ponderada que describe la intensidad de las relaciones entre los nodos. El conjunto de nodos se descompone como:
V = Vk∪Va∪Ve (2)
donde Vk, Va y Ve corresponden a nodos de conocimiento, nodos de actividad y nodos emocionales, respectivamente. Los pesos de los enlaces se calculan como:
Wij = α Sc(i,j) + βSe(i,j) (3)
donde Sc(i,j) representa la similitud cognitiva entre nodos, Se(i,j) representa la correlación emocional, y α y β son coeficientes de ponderación que controlan su influencia relativa. La ecuación (3) define cómo las relaciones estructurales y emocionales determinan conjuntamente la conectividad del grafo.
Representación del estado del nodo y aprendizaje de grafos
Cada nodo está asociado con un vector de estado dinámico definido como:
xi(t) = [ki(t),ei(t),ai(t)] (4)
donde ki(t), ei(t) y ai(t) denotan el nivel de conocimiento, estado emocional y nivel de participación en el momento t, respectivamente. Las representaciones de los nodos se actualizan utilizando agregación basada en grafos:
(5)
donde 
es la incorporación del nodo i en la capa l, σ es una función de activación no lineal, y N(i) denota el conjunto de nodos vecinos. La ecuación (5) describe cómo cada nodo integra la información de sus vecinos. Se introduce además un mecanismo de atención:
(6)
donde αij es el coeficiente de atención y ∅(·) es una función de similitud. La ecuación (6) permite el ponderado adaptativo de las contribuciones de los nodos vecinos.
Modelado de la dinámica emocional
La evolución temporal de los estados emocionales se modela como:
(7)
donde γ es el coeficiente de retención emocional. La ecuación (7) captura tanto la persistencia como la propagación de la influencia emocional. La estabilidad emocional se cuantifica como:
(8)
donde E+(t) y E-(t) denotan los componentes emocionales positivos y negativos, y 
es una constante pequeña que evita la división por cero. La acumulación de estrés se define como:
(9)
donde λ(τ) representa la intensidad de tensión instantánea. La ecuación (9) modela la tensión acumulada a lo largo del tiempo.
Aprendizaje de la optimización y diseño adaptativo del plan de estudios
El proceso de aprendizaje está gobernado por una función de optimización multiobjetivo:
J = λ1K + λ2K - λ3S (10)
donde K denota la ganancia de conocimiento, E denota la estabilidad emocional y S denota el nivel de estrés, mientras que λ1, λ2, λ3 son coeficientes de ponderación. La ecuación (10) equilibra los objetivos cognitivos y emocionales. La reconexión adaptativa del currículo se define como:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
donde η es la tasa de aprendizaje y Δij(t) representa los ajustes de actualización impulsados por la dinámica del aprendizaje. La ecuación (11) permite que la estructura del grafo evolucione con el tiempo.
Escala temporal y duración de la simulación
Todas las simulaciones se realizan utilizando pasos de tiempo normalizados en lugar de unidades de tiempo reales. Los intervalos cortos corresponden a pasos de simulación escalados que representan la evolución del sistema, mientras que las simulaciones prolongadas de más de quinientos pasos se utilizan para evaluar el comportamiento a largo plazo, la convergencia y la robustez.
Métricas de evaluación y análisis estadístico
El marco se evalúa utilizando métricas normalizadas, incluyendo ganancia de conocimiento, estabilidad emocional, nivel de estrés, nivel de compromiso y robustez. El análisis estadístico se realiza mediante funciones estadísticas de MATLAB, calculando los valores medios, desviaciones estándar e intervalos de confianza del 95 % para cada métrica. Se verifica el supuesto de normalidad antes de aplicar las pruebas t pareadas. La evaluación comparativa entre el marco propuesto y el modelo de referencia se lleva a cabo con n = 1000 estudiantes simulados, definiéndose la significancia estadística como p < 0,05.
Reproducibilidad y detalles de implementación
Todas las simulaciones, los flujos de procesamiento de datos y los procedimientos de evaluación son completamente reproducibles. El proceso de generación del conjunto de datos, los parámetros de construcción del grafo, las configuraciones del modelo y los ajustes de optimización se definen explícitamente. La inicialización de la semilla aleatoria se fija para garantizar resultados consistentes en ejecuciones repetidas. Todos los hiperparámetros, scripts y descripciones de los conjuntos de datos se proporcionan en los materiales suplementarios, lo que permite la réplica completa del estudio utilizando MATLAB u otras herramientas computacionales equivalentes.
Todas las simulaciones, los flujos de procesamiento de datos y los scripts de evaluación se proporcionan en el Archivo Suplementario 1. El conjunto de datos incluye registros brutos de interacciones, indicadores emocionales y métricas de rendimiento en el aprendizaje. Los parámetros de construcción del grafo y la configuración de optimización están completamente documentados. El sistema puede reproducirse utilizando marcos estándar de aprendizaje automático. La inicialización de la semilla aleatoria se fija para garantizar la consistencia. Todos los hiperparámetros se indican explícitamente. El protocolo asegura transparencia y reproductibilidad completas.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
El rendimiento del marco propuesto de inteligencia curricular emocional basado en grafos (GECIF) se evaluó utilizando un conjunto de datos basado en simulación compuesto por n = 1000 estudiantes durante T = 500 pasos de tiempo normalizados. Figura 1 ilustra la arquitectura conceptual del GECIF para la educación musical visual impulsada por inteligencia artificial y la promoción de la salud mental. Todas las métricas se presentan en escalas normalizadas dentro del rango [0,1]. La evaluación e...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
El presente estudio propone un marco de inteligencia curricular emocional basado en grafos (GECIF) que integra el aprendizaje de representaciones basado en grafos, la modelización del estado emocional, la optimización adaptativa del currículo y la enseñanza visual impulsada por inteligencia artificial en un marco computacional unificado para la educación musical universitaria. A diferencia de los modelos educativos tradicionales asistidos por inteligencia artificial, que principalmente optimizan el rendimiento académico,...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
El autor no tiene conflicto de intereses.
Agradecimientos
El autor desea expresar su sincero agradecimiento al Departamento de Música de la Universidad Normal de Anqing por proporcionar el entorno académico y el apoyo institucional necesarios para llevar a cabo esta investigación. Se agradece especialmente a los colegas y estudiantes que aportaron ideas valiosas y comentarios durante el desarrollo y la evaluación del marco propuesto. El autor también reconoce el apoyo de la Universidad Normal de Anqing para facilitar el acceso a recursos e infraestructura de investigación.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Módulo de RAM DDR4 de 32 GB | Kingston Technology | NA | |
| Kit de herramientas CUDA para aceleración mediante GPU (v11.8) | NVIDIA | version 1.18 | |
| Motor de adaptación curricular | Implementación personalizada | CAE003 | |
| Conjunto de datos: Indicadores emocionales | Conjunto de datos generado | DEI006 | |
| Conjunto de datos: Métricas de rendimiento de aprendizaje | Conjunto de datos generado | DLPM007 | |
| Conjunto de datos: Registros de interacción del estudiante | Conjunto de datos generado | DIL005 | |
| Módulo de simulación de estado emocional | Implementación personalizada | ESM002 | |
| Estación de trabajo con GPU (NVIDIA RTX 3080) | NVIDIA | NA | |
| Módulo de implementación de red neuronal gráfica | Implementación personalizada | NA | |
| Procesador Intel Core i7 (3,6 GHz) | Intel Corporation | NA | |
| Entorno Jupyter Notebook (v6.5) | Project Jupyter | version 6.5 | |
| Software MATLAB (R2023a) | MathWorks | R2023a | |
| Biblioteca de visualización Matplotlib (v3.7) | Matplotlib | version 3.7 | |
| Biblioteca de procesamiento de grafos NetworkX (v3.1) | Desarrolladores de NetworkX | version 3.1 | |
| Biblioteca de cálculo numérico NumPy (v1.24) | Desarrolladores de NumPy | version 1.24 | |
| Módulo de optimización (solucionador multiobjetivo) | Implementación personalizada | MOS008 | |
| Biblioteca de procesamiento de datos Pandas (v2.0) | Equipo de desarrollo de Pandas | version 2.0 | |
| Entorno de programación Python (v3.10) | Python Software Foundation | version 3.10 | |
| Framework de aprendizaje profundo PyTorch (v2.0) | Meta AI | version 2.0 | |
| Script de inicialización de semilla aleatoria | Implementación personalizada | RSI009 | |
| Biblioteca de aprendizaje automático Scikit-learn (v1.3) | Scikit-learn | version 1.3 | |
| Biblioteca de visualización estadística Seaborn (v0.12) | Seaborn | version 0.12 | |
| Biblioteca TensorFlow (v2.12) | version 2.12 | ||
| Kit de herramientas para interfaz de aprendizaje visual | Implementación personalizada | VLI004 | |
| Sistema operativo Windows 11 | Microsoft | W11 |
Referencias
- 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.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.