Cette étude propose un cadre d'intelligence curriculumique émotionnel basé sur les graphes pour l'enseignement visuel piloté par l'IA dans l'enseignement musical universitaire. À l'aide d'un ensemble de données simulées, le cadre modélise l'acquisition des connaissances, la dynamique émotionnelle et l'engagement. Les résultats indiquent une amélioration de l'efficacité d'apprentissage et une réduction du stress par rapport aux modèles conventionnels, démontrant ainsi le potentiel de systèmes éducatifs adaptatifs prenant en compte la santé mentale.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de recherche
Évaluation basée sur la simulation d'une conception d'enseignement visuel intégrant l'intelligence artificielle pour la promotion de la santé mentale dans les cours de musique universitaire
Dans cet article
Résumé
Résumé
La conception pédagogique visuelle dans l'enseignement universitaire de la musique attire une attention croissante en raison de son potentiel à renforcer l'engagement des étudiants et à favoriser le bien-être mental. Toutefois, les approches pédagogiques traditionnelles manquent souvent d'adaptabilité nécessaire pour répondre aux états cognitifs et émotionnels changeants des apprenants, limitant ainsi leur efficacité à soutenir à la fois la réussite académique et l'équilibre psychologique. L'objectif principal de cette étude par simulation est de concevoir et d'évaluer un cadre fondé sur l'intelligence artificielle qui intègre des stratégies d'enseignement visuel à une modélisation émotionnelle basée sur les graphes afin d'optimiser les résultats d'apprentissage dans les cours universitaires de musique. Un nouveau cadre d'intelligence curriculaire émotionnelle basé sur les graphes (GECIF) est proposé, représentant l'environnement d'apprentissage comme un graphe interconnecté de nœuds de connaissances, d'activités et d'émotions. Ce cadre intègre l'apprentissage par représentation sur graphes, la modélisation dynamique d'états et des mécanismes d'apprentissage adaptatif afin de simuler l'évolution de l'acquisition des connaissances, de l'engagement, de la stabilité émotionnelle et du stress au fil du temps. Un jeu de données synthétique comprenant des journaux d'interactions, des indicateurs émotionnels et des variables de performance d'apprentissage a été généré à l'aide d'un pipeline de simulation contrôlé sous MATLAB afin d'assurer la reproductibilité. Le GECIF a été évalué par rapport à un modèle de référence non adaptatif classique dans des conditions expérimentales identiques, sur des pas de simulation normalisés. La performance a été évaluée à l'aide de métriques de simulation normalisées, incluant le gain de connaissances, la stabilité émotionnelle, la réduction du stress, le niveau d'engagement et la robustesse. Le cadre proposé a systématiquement surpassé le modèle de référence, montrant une acquisition simulée de connaissances plus élevée, une régulation émotionnelle améliorée, un engagement accru, une réduction du stress simulé et une robustesse accrue. Une analyse statistique basée sur les moyennes, les écarts-types et les intervalles de confiance à 95 % a confirmé des améliorations constantes sur l'ensemble des métriques d'évaluation. Ces résultats démontrent le potentiel des stratégies pédagogiques visuelles fondées sur l'intelligence artificielle et sensibles aux émotions dans un enseignement musical adaptatif, tout en fournissant un cadre computationnel évolutif et reproductible pour soutenir les recherches futures sur les systèmes éducatifs intelligents.
Introduction
L'intégration de l'intelligence artificielle (AI) dans les systèmes éducatifs a profondément transformé les paradigmes traditionnels de l'enseignement, permettant des expériences d'apprentissage plus adaptatives, personnalisées et fondées sur les données1,2,3. Ces dernières années, la conception pédagogique visuelle s'est imposée comme une approche efficace, notamment dans des disciplines telles que l'éducation musicale, où les concepts abstraits, l'expression émotionnelle et la compréhension perceptive jouent un rôle central4,5,6,7. Les représentations visuelles, notamment les interfaces graphiques, les simulations interactives et les éléments multimédias, facilitent un traitement cognitif plus approfondi et renforcent l'engagement des apprenants8,9,10,11. Toutefois, malgré ces avancées, les méthodes d'enseignement visuel existantes restent souvent statiques et manquent de la capacité à répondre dynamiquement aux états cognitifs et émotionnels changeants des apprenants12,13,14. L'enseignement musical, en particulier au niveau universitaire, présente des défis uniques en raison de sa nature intrinsèquement multidimensionnelle15,16,17. Les résultats d'apprentissage dépendent non seulement de la compréhension cognitive de la théorie musicale et des techniques d'exécution, mais aussi de facteurs émotionnels tels que la motivation, le stress, l'engagement et le bien-être psychologique18. Des études antérieures ont mis en évidence la forte relation entre les états émotionnels et l'efficacité de l'apprentissage, indiquant que les étudiants éprouvant un niveau élevé de stress ou un faible engagement ont tendance à obtenir des performances académiques réduites19,20,21. Bien que plusieurs systèmes éducatifs fondés sur l'intelligence artificielle aient été proposés afin d'améliorer la personnalisation de l'apprentissage, la plupart d'entre eux se concentrent principalement sur les indicateurs de performance cognitive et négligent le rôle essentiel des dynamiques émotionnelles dans la formation du processus d'apprentissage22.
De récentes avancées dans les systèmes d'apprentissage intelligents ont introduit des représentations fondées sur les graphes et des techniques d'apprentissage profond pour modéliser les relations complexes entre les composants éducatifs23,24,25. Les cadres d'apprentissage basés sur les graphes, notamment les réseaux neuronaux graphiques (GNN), ont démontré une forte capacité à capturer les dépendances structurées entre les éléments de connaissance, les interactions des apprenants et les facteurs contextuels26. Par ailleurs, l'informatique sensible aux émotions suscite un intérêt croissant en raison de sa capacité à intégrer des signaux psychologiques dans des environnements d'apprentissage adaptatifs27. Toutefois, l'intégration de ces approches au sein d'un cadre unifié pour l'enseignement de la musique reste limitée28,29,30. Les travaux existants traitent souvent les variables émotionnelles comme des caractéristiques auxiliaires plutôt que comme des composants fondamentaux, et ils offrent rarement des mécanismes d'adaptation continue fondés sur l'interaction entre cognition et émotion31.
De plus, l'application de l'IA dans l'éducation sensible à la santé mentale s'est principalement appuyée sur des données empiriques ou basées sur des capteurs, recueillies auprès de participants réels32. Toutefois, ces approches nécessitent des autorisations éthiques approfondies, des instruments de mesure standardisés et des conditions expérimentales contrôlées, ce qui n'est pas toujours réalisable dans les recherches en phase préliminaire33. En conséquence, les méthodologies fondées sur la simulation sont apparues comme une alternative permettant d'explorer des dynamiques éducatives complexes de manière contrôlée et reproductible34. En générant des jeux de données synthétiques imitant les journaux d'interactions, les indicateurs émotionnels et les métriques de performance d'apprentissage, les chercheurs peuvent évaluer le comportement des modèles proposés dans divers scénarios tout en conservant un contrôle total sur les paramètres et hypothèses du système35.
Malgré ces avancées, plusieurs lacunes persistent dans la recherche36. Premièrement, il manque des cadres unifiés capables de modéliser simultanément l'acquisition des connaissances, l'évolution émotionnelle et l'engagement dans l'apprentissage au sein d'une représentation structurée37. Deuxièmement, les systèmes d'enseignement visuel actuels n'exploitent pas efficacement l'intelligence fondée sur les graphes pour capturer les interdépendances entre les concepts musicaux, les activités d'apprentissage et les états psychologiques38. Troisièmement, peu d'attention a été accordée au développement de pipelines de simulation évolutifs et reproductibles permettant une évaluation systématique des modèles éducatifs pilotés par l'intelligence artificielle39,40,41. Enfin, les approches existantes échouent souvent à offrir une vision globale de l'apprentissage qui intègre de manière dynamique et adaptative à la fois les dimensions cognitives et émotionnelles42.
Pour répondre à ces défis, cette étude propose un cadre d'intelligence curriculaire émotionnel fondé sur les graphes (GECIF) pour la conception pédagogique visuelle pilotée par l'intelligence artificielle dans l'enseignement universitaire de la musique. Tableau 1 fournit les définitions essentielles des composants du graphe, des états des nœuds et des paramètres du modèle. Ce tableau garantit que la méthodologie est à la fois claire et reproductible. Le cadre proposé modélise l'environnement éducatif comme un graphe interconnecté composé de nœuds de connaissances, de nœuds d'activités et de nœuds émotionnels, permettant ainsi une représentation complète de la dynamique d'apprentissage. Un jeu de données basé sur des simulations est généré à l'aide d'un pipeline computationnel contrôlé incluant des journaux d'interactions, des indicateurs émotionnels et des métriques de performance, assurant reproductibilité et évolutivité. Le cadre intègre des mécanismes d'apprentissage adaptatif, une modélisation des états émotionnels et une optimisation fondée sur les graphes afin de simuler l'évolution des résultats d'apprentissage et des conditions psychologiques dans le temps. Une évaluation comparative par rapport à un modèle d'apprentissage conventionnel est réalisée à l'aide de plusieurs métriques de performance, notamment le gain de connaissances, la stabilité émotionnelle, la réduction du stress, l'engagement et la robustesse.
L'objectif principal de cette étude est de concevoir et d'évaluer un cadre pédagogique visuel basé sur la simulation et piloté par l'intelligence artificielle, qui intègre une modélisation par graphes et l'intelligence émotionnelle afin d'améliorer l'efficacité de l'apprentissage et de soutenir une éducation attentive à la santé mentale dans les cours de musique universitaires.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Protocole
La présente étude est une recherche fondée sur des calculs et des simulations qui ne concerne ni participants humains, ni données cliniques, ni informations personnelles. Toutes les données utilisées dans cette recherche ont été générées de manière synthétique par des procédés de simulation contrôlés. Par conséquent, une approbation éthique par un comité d'évaluation institutionnel et un consentement éclairé n'étaient pas requis. L'étude respecte les lignes directrices standard applicables à la recherche informatique et garantit une reproductibilité et une transparence complètes de la méthodologie.
Cadre théorique et justification
Le cadre proposé d'intelligence curriculaire émotionnelle basé sur les graphes (GECIF) repose sur l'intégration de l'intelligence artificielle, de l'apprentissage fondé sur les graphes, du calcul émotionnel et de la pédagogie visuelle, dans le but de modéliser l'apprentissage comme un processus dynamique et multidimensionnel qui saisit simultanément le développement cognitif, l'évolution émotionnelle et l'engagement comportemental. Les approches pédagogiques traditionnelles supposent souvent une progression linéaire de l'acquisition des connaissances et ne reflètent pas adéquatement les interactions complexes entre la performance cognitive et les états psychologiques. Cette limitation est particulièrement critique dans l'enseignement universitaire de la musique, où l'expression émotionnelle, la motivation et la créativité sont indissociables de l'apprentissage technique et théorique. Dans ce contexte, le cadre conceptualise le processus éducatif comme un système interconnecté dans lequel les éléments de connaissance, les activités d'apprentissage et les états émotionnels s'influencent continuellement les uns les autres. La modélisation basée sur les graphes permet une représentation structurée et évolutive de ces relations, rendant possible la capture efficace des dépendances directes et indirectes. Les dynamiques émotionnelles sont intégrées comme des composantes intrinsèques plutôt que comme des variables auxiliaires, permettant ainsi de simuler la manière dont les conditions psychologiques évoluent et se propagent au cours du processus d'apprentissage. L'intégration d'une conception pédagogique visuelle renforce davantage l'interprétabilité en transformant les interactions computationnelles abstraites en représentations graphiques intuitives.
Méthodologie et conception de l'étude de simulation
La présente étude adopte un plan expérimental fondé sur la simulation computationnelle, dans lequel aucun participant humain n'est impliqué, et toutes les données sont générées de manière synthétique à l'aide d'un pipeline contrôlé et reproductible. Les résultats rapportés représentent donc des évaluations basées sur un modèle, et non des observations empiriques issues d'apprenants réels. Les améliorations en performance d'apprentissage, en implication, en stabilité émotionnelle et en réduction du stress sont interprétées comme des effets simulés ou potentiels du cadre proposé. L'environnement de simulation approche des conditions d'apprentissage réalistes en intégrant des dépendances temporelles, une variabilité des schémas d'interaction et des états émotionnels évolutifs. Une configuration expérimentale comparative est mise en œuvre, dans laquelle le cadre proposé GECIF est évalué par rapport à un modèle de référence conventionnel représentant un système d'apprentissage non adaptatif, où la connaissance évolue uniquement en fonction de l'intensité des interactions, sans représentation par graphe, sans modélisation émotionnelle ni optimisation du parcours pédagogique. Les deux modèles sont exécutés dans des conditions de simulation identiques afin d'assurer une comparaison cohérente et impartiale.
Génération et structure du jeu de données
Un ensemble de données à grande échelle a été construit afin de simuler les dynamiques d'apprentissage dans l'enseignement universitaire de la musique, en intégrant des journaux d'interactions, des indicateurs émotionnels et des métriques de performance d'apprentissage au sein d'un cadre temporel unifié. Cet ensemble de données a été obtenu et étendu à partir d'un jeu de données publiquement accessible sur les performances étudiantes (UCI Machine Learning Repository), qui fournit des données académiques accompagnées d'attributs démographiques et comportementaux. Ce jeu de données a servi de référence fondamentale pour modéliser des schémas d'apprentissage réalistes. Les journaux d'interactions représentent l'engagement simulé dans des activités d'apprentissage telles que des séances de pratique, des exercices d'écoute et des tâches d'apprentissage visuel. Les indicateurs émotionnels capturent des états psychologiques, notamment le stress, l'engagement et la motivation, tandis que la performance d'apprentissage reflète l'acquisition des connaissances et la progression dans le temps. Afin d'enrichir l'ensemble de données et d'intégrer des dépendances temporelles, un pipeline de simulation basé sur MATLAB a été utilisé, avec une initialisation à graine aléatoire fixe afin d'assurer la reproductibilité. Une continuité temporelle a été introduite par des processus autorégressifs, permettant ainsi aux comportements d'interaction et aux états émotionnels d'évoluer progressivement au fil du temps. Le jeu de données final comprend mille apprenants simulés observés sur cinq cents pas de temps, avec plusieurs caractéristiques d'interaction représentant des comportements d'apprentissage variés. Toutes les variables sont normalisées dans l'intervalle [0,1] afin d'assurer la cohérence et la comparabilité. L'ensemble de données est divisé en sous-ensembles d'entraînement, de validation et de test selon une répartition 70 % – 15 % – 15 %, afin de garantir une évaluation impartiale du modèle.
Construction et représentation des graphes
L'environnement d'apprentissage est modélisé comme un graphe pondéré défini par :
G = (V,E,W) (1)
où désigne l'ensemble des nœuds, représente l'ensemble des arêtes, et est la matrice d'adjacence pondérée décrivant l'intensité des relations entre les nœuds. L'ensemble des nœuds est décomposé comme suit :
V = Vk∪Va∪Ve (2)
où Vk, Va et Ve correspondent respectivement aux nœuds de connaissances, aux nœuds d'activités et aux nœuds émotionnels. Les poids des arêtes sont calculés comme suit :
Wij = α Sc(i,j) + βSe(i,j) (3)
où Sc(i,j) représente la similarité cognitive entre les nœuds, Se(i,j) représente la corrélation émotionnelle, et α et β sont des coefficients de pondération contrôlant leur influence relative. L'équation (3) définit comment les relations structurelles et émotionnelles déterminent conjointement la connectivité du graphe.
Représentation de l'état des nœuds et apprentissage sur graphes
Chaque nœud est associé à un vecteur d'état dynamique défini comme suit :
xi(t) = [ki(t),ei(t),ai(t)] (4)
où ki(t), ei(t) et ai(t) désignent respectivement le niveau de connaissances, l'état émotionnel et le niveau d'engagement au temps t. Les représentations des nœuds sont mises à jour à l'aide d'une agrégation basée sur un graphe :
(5)
où 
représente l'incorporation du nœud i à la couche l, σ est une fonction d'activation non linéaire, et N(i) désigne l'ensemble des nœuds voisins. L'équation (5) décrit comment chaque nœud intègre les informations provenant de ses voisins. Un mécanisme d'attention est en outre introduit :
(6)
où αij est le coefficient d'attention et ∅(·) est une fonction de similarité. L'équation (6) permet une pondération adaptative des contributions des nœuds voisins.
Modélisation des dynamiques émotionnelles
L'évolution temporelle des états émotionnels est modélisée par :
(7)
où γ est le coefficient de rétention émotionnelle. L'équation (7) traduit à la fois la persistance et la propagation de l'influence émotionnelle. La stabilité émotionnelle est quantifiée par :
(8)
où E+(t) et E-(t) désignent respectivement les composantes émotionnelles positives et négatives, et 
est une constante faible évitant la division par zéro. L’accumulation du stress est définie comme suit :
(9)
où λ(τ) représente l'intensité de contrainte instantanée. L'équation (9) modélise la contrainte cumulée en fonction du temps.
Apprentissage de l'optimisation et conception adaptative de programmes d'enseignement
Le processus d'apprentissage est régi par une fonction d'optimisation multi-objectif :
J = λ1K + λ2K - λ3S (10)
où K désigne le gain de connaissances, E désigne la stabilité émotionnelle et S désigne le niveau de stress, tandis que λ1, λ2, λ3 sont des coefficients de pondération. L'équation (10) équilibre les objectifs cognitifs et émotionnels. La réorganisation adaptative du programme est définie comme suit :
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
où η est le taux d'apprentissage et Δij(t) représente les ajustements de mise à jour induits par la dynamique d'apprentissage. L'équation (11) permet à la structure du graphe d'évoluer dans le temps.
Échelle de temps et durée de la simulation
Toutes les simulations sont effectuées en utilisant des pas de temps normalisés plutôt que des unités de temps réel. De courtes intervalles correspondent à des pas de simulation échelonnés représentant l'évolution du système, tandis que des simulations prolongées dépassant cinq cents pas sont utilisées pour évaluer le comportement à long terme, la convergence et la robustesse.
Métriques d'évaluation et analyse statistique
Le cadre est évalué à l'aide de métriques normalisées, incluant le gain de connaissances, la stabilité émotionnelle, le niveau de stress, le niveau d'engagement et la robustesse. Une analyse statistique est réalisée à l'aide des fonctions statistiques de MATLAB, les valeurs moyennes, les écarts types et les intervalles de confiance à 95 % étant calculés pour chaque métrique. Les hypothèses de normalité sont vérifiées avant d'appliquer des tests t appariés. Une évaluation comparative entre le cadre proposé et le modèle de référence est menée sur n = 1000 apprenants simulés, la significativité statistique étant définie comme p < 0,05.
Reproductibilité et détails de mise en œuvre
Toutes les simulations, les pipelines de traitement des données et les procédures d'évaluation sont entièrement reproductibles. Le processus de génération du jeu de données, les paramètres de construction du graphe, les configurations du modèle et les paramètres d'optimisation sont clairement définis. L'initialisation des graines aléatoires est fixée afin d'assurer des résultats cohérents lors de répétitions successives. Tous les hyperparamètres, scripts et descriptions des jeux de données sont fournis dans les matériaux supplémentaires, permettant ainsi une reproduction complète de l'étude à l'aide de MATLAB ou d'outils computationnels équivalents.
Tous les programmes de simulation, les pipelines de traitement des données et les scripts d'évaluation sont fournis dans le fichier supplémentaire 1. Le jeu de données comprend les journaux d'interactions bruts, les indicateurs émotionnels et les métriques de performance d'apprentissage. Les paramètres de construction des graphes et les réglages d'optimisation sont entièrement documentés. Le système peut être reproduit à l'aide de frameworks standards d'apprentissage automatique. L'initialisation de la graine aléatoire est fixée afin d'assurer la reproductibilité. Tous les hyperparamètres sont indiqués explicitement. Le protocole garantit une transparence et une reproductibilité complètes.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Résultats
Les performances du cadre d'intelligence curriculaire émotionnel basé sur les graphes (GECIF) ont été évaluées à l'aide d'un jeu de données simulé composé de n = 1000 apprenants sur T = 500 pas de temps normalisés. Figure 1 illustre l'architecture conceptuelle du GECIF pour l'enseignement de la musique visuelle piloté par l'intelligence artificielle et la promotion de la santé mentale. Toutes les métriques sont indiquées sur des échelles normalisées comprises entre [0,1]. L'évaluation statis...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Discussion
La présente étude propose un cadre d'intelligence pédagogique émotionnel fondé sur les graphes (GECIF) qui intègre l'apprentissage de représentations basé sur les graphes, la modélisation des états émotionnels, l'optimisation adaptative des programmes d'enseignement et un enseignement visuel piloté par l'intelligence artificielle au sein d'un cadre computationnel unifié pour l'enseignement musical universitaire. Contrairement aux modèles éducatifs assistés par l'IA qui visent principalement à optimiser la performance aca...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Déclarations de divulgation
L'auteur déclare ne pas avoir de conflit d'intérêts.
Remerciements
L'auteur tient à exprimer sa profonde gratitude au Département de musique de l'Université normale d'Anqing pour avoir fourni le cadre académique et le soutien institutionnel nécessaires à la réalisation de cette recherche. Une reconnaissance particulière est adressée aux collègues et aux étudiants qui ont apporté des réflexions et des commentaires précieux lors de l'élaboration et de l'évaluation du cadre proposé. L'auteur remercie également l'Université normale d'Anqing pour son soutien dans l'accès aux ressources et aux infrastructures de recherche.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Module RAM DDR4 de 32 Go | Kingston Technology | NA | |
| Kit d'outils CUDA pour l'accélération GPU (v11.8) | NVIDIA | version 1.18 | |
| Moteur d'adaptation du programme | Implémentation personnalisée | CAE003 | |
| Jeu de données : Indicateurs émotionnels | Jeu de données généré | DEI006 | |
| Jeu de données : Métriques de performance d'apprentissage | Jeu de données généré | DLPM007 | |
| Jeu de données : Journaux d'interaction des étudiants | Jeu de données généré | DIL005 | |
| Module de simulation d'état émotionnel | Implémentation personnalisée | ESM002 | |
| Station de travail GPU (NVIDIA RTX 3080) | NVIDIA | NA | |
| Module d'implémentation de réseau neuronal graphique | Implémentation personnalisée | NA | |
| Processeur Intel Core i7 (3,6 GHz) | Intel Corporation | NA | |
| Environnement Jupyter Notebook (v6.5) | Projet Jupyter | version 6.5 | |
| Logiciel MATLAB (R2023a) | MathWorks | R2023a | |
| Bibliothèque de visualisation Matplotlib (v3.7) | Matplotlib | version 3.7 | |
| Bibliothèque de traitement de graphes NetworkX (v3.1) | Développeurs NetworkX | version 3.1 | |
| Bibliothèque de calcul numérique NumPy (v1.24) | Développeurs NumPy | version 1.24 | |
| Module d'optimisation (solveur multi-objectif) | Implémentation personnalisée | MOS008 | |
| Bibliothèque de traitement de données Pandas (v2.0) | Équipe de développement Pandas | version 2.0 | |
| Environnement de programmation Python (v3.10) | Fondation logicielle Python | version 3.10 | |
| Framework d'apprentissage profond PyTorch (v2.0) | Meta AI | version 2.0 | |
| Script d'initialisation de graine aléatoire | Implémentation personnalisée | RSI009 | |
| Bibliothèque d'apprentissage automatique Scikit-learn (v1.3) | Scikit-learn | version 1.3 | |
| Bibliothèque de visualisation statistique Seaborn (v0.12) | Seaborn | version 0.12 | |
| Bibliothèque TensorFlow (v2.12) | version 2.12 | ||
| Kit de développement d'interface d'apprentissage visuel | Implémentation personnalisée | VLI004 | |
| Système d'exploitation Windows 11 | Microsoft | W11 |
Références
- 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.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.