הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר מחקר

הערכה מבוססת סימולציה של עיצוב הוראה חזותי המשולב בבינה מלאכותית לקידום בריאות הנפש בקורסי מוזיקה במכללות

1 צפיות

⸱

DOI:

10.3791/71847

⸱

6 באוקטובר 2026

1Music Department, Anqing Normal University

במאמר זה

סיכום

מחקר זה מציע מסגרת בינה של תוכנית לימודים רגשית מבוססת גרף להוראה חזותית מונחית בינה מלאכותית בחינוך מוזיקלי במכללה. באמצעות מערך נתונים מבוסס סימולציה, המסגרת ממדלת רכישת ידע, דינמיקה רגשית ומעורבות. התוצאות מצביעות על שיפור ביעילות הלמידה והפחתה במתח בהשוואה למודלים קונבנציונליים, ובכך מדגימות פוטנציאל למערכות חינוכיות אדפטיביות המודעות לבריאות הנפש.

תקציר

עיצוב הוראה חזותי בחינוך מוזיקלי במכללות זכה לתשומת לב גוברת בשל הפוטנציאל שלו להגביר את מעורבות הסטודנטים ולקדם רווחה נפשית. עם זאת, גישות הוראה קונבנציונליות חסרות לעיתים קרובות את יכולת ההסתגלות הדרושה כדי להגיב למצבים הקוגניטיביים והרגשיים המשתנים של הלומדים, מה שמגביל את יעילותן בתמיכה הן בהישגים אקדמיים והן באיזון פסיכולוגי. המטרה העיקרית של מחקר מבוסס-סימולציה זה היא לפתח ולהעריך מסגרת מונחית בינה מלאכותית המשלבת אסטרטגיות הוראה חזותית עם מידול רגשי מבוסס-גרף כדי למקסם את תוצאי הלמידה בקורסי מוזיקה במכללות. מוצעת מסגרת בינתית של תוכנית לימודים רגשית מבוססת-גרף (GECIF) חדשנית, המייצגת את סביבת הלמידה כגרף מקושר של צמתי ידע, פעילות ורגש. המסגרת משלבת למידת ייצוג מבוססת-גרף, מידול מצב דינמי ומנגנוני למידה אדפטיביים כדי לסמלץ את התפתחות רכישת הידע, המעורבות, היציבות הרגשית והלחץ לאורך זמן. מערך נתונים סינתטי הכולל יומני אינטראקציה, אינדיקטורים רגשיים ומשתני ביצועי למידה נוצר באמצעות תהליך סימולציה מבוקר ב-MATLAB כדי להבטיח שחזור. GECIF הוערך אל מול מודל בסיס קונבנציונלי שאינו אדפטיבי תחת תנאים ניסיוניים זהים לאורך שלבי סימולציה מנורמלים. הביצועים הוערכו באמצעות מדדי סימולציה מנורמלים, הכוללים רכישת ידע, יציבות רגשית, הפחתת לחץ, רמת מעורבות וחוסן. המסגרת המוצעת עלתה בעקביות על מודל הבסיס, והפגינה רכישת ידע מסומלצת גבוהה יותר, ויסות רגשי משופר, מעורבות רבה יותר, הפחתה בלחץ המסומלץ וחוסן מוגבר. ניתוח סטטיסטי המבוסס על ערכי ממוצע, סטיות תקן ומרווחי סמך של 95% אישר שיפורים עקביים בכל מדדי ההערכה. ממצאים אלו מדגימים את הפוטנציאל של אסטרטגיות הוראה חזותית מונחות AI המודעות לרגש עבור חינוך מוזיקלי אדפטיבי, תוך אספקת מסגרת חישובית ניתנת להרחבה ולשחזור לתמיכה במחקרים עתידיים במערכות חינוכיות חכמות.

מבוא

שילוב של בינה מלאכותית (AI) במערכות חינוך שינה משמעותית את פרדיגמות ההוראה המסורתיות, ואפשר חוויות למידה אדפטיביות, מותאמות אישית ומבוססות נתונים יותר1,2,3. בשנים האחרונות, עיצוב הוראה חזותי עלה כגישה פדגוגית יעילה, במיוחד בדיספלינות כגון חינוך מוזיקלי, שבהן מושגים מופשטים, ביטוי רגשי והבנה תפיסתית ממלאים תפקיד מרכזי4,5,6,7. ייצוגים חזותיים, כולל ממשקים גרפיים, סימולציות אינטראקטיביות ואלמנטים מולטימדיאליים, מקלים על עיבוד קוגניטיבי עמוק יותר ומגבירים את מעורבות הלומדים8,9,10,11. עם זאת, למרות התקדמות זו, שיטות הוראה חזותיות קיימות נשארות לרוב סטטיות וחסרות את היכולת להגיב באופן דינמי למצבים הקוגניטיביים והרגשיים המשתנים של הלומדים12,13,14. חינוך מוזיקלי, במיוחד ברמה האקדמית, מציב אתגרים ייחודיים בשל טבעו הרב-ממדי המובנה15,16,17. תוצרי הלמידה מושפעים לא רק מהבנה קוגניטיבית של תיאוריה מוזיקלית וטכניקות ביצוע, אלא גם מגורמים רגשיים כגון מוטיבציה, סטרס, מעורבות ורווחה פסיכולוגית18. מחקרים קודמים הדגישו את הקשר החזק בין מצבים רגשיים לבין אפקטיביות הלמידה, והצביעו על כך שסטודנטים החווים רמות גבוהות של סטרס או מעורבות נמוכה נוטים להפגין ביצועים אקדמיים מופחתים19,20,21. בעוד שמספר מערכות חינוכיות מבוססות AI הוצעו כדי לשפר את התאמת הלמידה באופן אישי, רובן מתמקדות בעיקר במדדי ביצועים קוגניטיביים ומזניחות את התפקיד הקריטי של דינמיקה רגשית בעיצוב תהליך הלמידה22.

פיתוחים אחרונים במערכות למידה חכמות הציגו ייצוגים מבוססי גרפים וטכניקות למידה עמוקה למידול קשרים מורכבים בין מרכיבים חינוכיים23,24,25. מסגרות למידה מבוססות גרפים, כולל רשתות עצביות גרפיות (GNNs), הדגימו יכולות חזקות בלכידת תלויות מבניות בין אלמנטים של ידע, אינטראקציות של לומדים וגורמים הקשריים26. בנוסף, מחשוב מודע-רגש זכה לתשומת לב בשל יכולתו לשלב אותות פסיכולוגיים בסביבות למידה אדפטיביות27. עם זאת, השילוב של גישות אלו במסגרת מאוחדת לחינוך מוזיקלי נותר מוגבל28,29,30. עבודות קיימות מתייחסות לעיתים קרובות למשתנים רגשיים כתכונות עזר ולא כמרכיבים מרכזיים, והן ממעטות לספק מנגנונים להתאמה רציפה המבוססת על הגומלין בין קוגניציה לרגש31.

יתרה מכך, היישום של בינה מלאכותית (AI) בחינוך המודע לבריאות הנפש התבסס בעיקר על נתונים אמפיריים או נתונים מבוססי חיישנים שנאספו ממשתתפים ממשיים32. עם זאת, גישות אלו דורשות אישורים אתיים נרחבים, מכשירים סטנדרטיים למדידה ותנאים ניסיוניים מבוקרים, אשר לא תמיד היתכנו בשלבים מוקדמים של מחקר33. כתוצאה מכך, מתודולוגיות מבוססות סימולציה הגיחו כחלופה לחקר דינמיקות חינוכיות מורכבות באופן מבוקר וניתן לשחזור34. באמצעות יצירת מערכי נתונים סינתטיים המדמים יומני אינטראקציה, אינדיקטורים רגשיים ומדדי ביצועי למידה, חוקרים יכולים להעריך את התנהגותם של מודלים מוצעים תחת תרחישים שונים, תוך שמירה על שליטה מלאה בפרמטרי המערכת ובהנחות העבודה35.

למרות התקדמויות אלו, נותרו מספר פערים מחקריים36. ראשית, קיים מחסור במסגרות מאוחדות הממדלות בו-זמנית רכישת ידע, התפתחות רגשית ומעורבות בלמידה בתוך ייצוג מובנה37. שנית, מערכות הוראה חזותיות עכשוויות אינן מנצלות ביעילות בינה מבוססת גרפים כדי ללכוד את התלויות ההדדיות בין מושגים מוזיקליים, פעילויות למידה ומצבים פסיכולוגיים38. שלישית, תשומת לב מוגבלת הוקדשה לפיתוח של צינורות סימולציה (simulation pipelines) ניתנים להרחבה ולשחזור, המאפשרים הערכה שיטתית של מודלים חינוכיים מונעי AI39,40,41. לבסוף, גישות קיימות נכשלות לעיתים קרובות באספקת מבט הוליסטי על הלמידה, המשלב ממדים קוגניטיביים ורגשיים באופן אדפטיבי דינמי42.

כדי להתמודד עם אתגרים אלו, מחקר זה מציע מסגרת בינה של תוכנית לימודים רגשית מבוססת גרפים (GECIF) לתכנון הוראה חזותית מונחית AI בחינוך מוזיקלי במכללות. טבלה 1 מספקת הגדרות חיוניות לרכיבי הגרף, למצבי הצמתים ולפרמטרי המודל. טבלה זו מבטיחה שהמתודולוגיה תהיה ברורה וניתנת לשחזור. המסגרת המוצעת ממדלת את הסביבה החינוכית כגרף מקושר המורכב מצמתי ידע, צמתי פעילות וצמתי רגש, מה שמאפשר ייצוג מקיף של דינמיקת הלמידה. מערך נתונים מבוסס סימולציה נוצר באמצעות צינור חישובי מבוקר הכולל יומני אינטראקציה, אינדיקטורים רגשיים ומדדי ביצועים, ובכך מבטיח שחזור ויכולת הרחבה. המסגרת משלבת מנגנוני למידה אדפטיביים, מידול מצב רגשי ואופטימיזציה מבוססת גרפים כדי לדמות את התפתחות תוצאי הלמידה והמצבים הפסיכולוגיים לאורך זמן. הערכה השוואתית מול מודל למידה קונבנציונלי מבוצעת באמצעות מספר מדדי ביצועים, כולל רכישת ידע, יציבות רגשית, הפחתת סטרס, מעורבות ועמידות.

המטרה העיקרית של מחקר זה היא לפתח ולהעריך מסגרת הוראה חזותית מבוססת סימולציה ומונחית בינה מלאכותית (AI), המשלבת מידול מבוסס גרפים ואינטליגנציה רגשית כדי לשפר את יעילות הלמידה ולתמוך בחינוך המודע לבריאות הנפש בקורסי מוזיקה במכללות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

מחקר זה הוא חקירה מבוססת חישוב וסימולציה שאינה כוללת משתתפים אנושיים, נתונים קליניים או מידע אישי. כל הנתונים ששימשו במחקר זה הופקו באופן סינתטי באמצעות תהליכי סימולציה מבוקרים. לפיכך, לא נדרשו אישור אתי מוועדה רב-מؤسדית (IRB) או הסכמה מדעת. המחקר עומד בהנחיות הסטנדרטיות למחקר חישובי ומבטיח שחזור מלא ושקיפות של המתודולוגיה.

מסגרת תיאורטית ורציונל

מסגרת הבינה של תוכנית הלימודים הרגשית מבוססת-גרפים המוצעת (GECIF) נשענת על שילוב של בינה מלאכותית, למידה מבוססת-גרפים, מחשוב רגשי ופדגוגיה חזותית, במטרה למדל את הלמידה כתהליך דינמי ורב-ממדי הלוכד בו-זמנית התפתחות קוגניטיבית, אבולוציה רגשית ומעורבות התנהגותית. גישות הוראה מסורתיות מניחות לעיתים קרובות התקדמות ליניארית של רכישת ידע ואינן משקפות כראוי את האינטראקציות המורכבות בין ביצועים קוגניטיביים למצבים פסיכולוגיים. מגבלה זו קריטית במיוחד בחינוך למוזיקה במכללות, שבו ביטוי רגשי, מוטיבציה ויצירתיות בלתי נפרדים מהלמידה הטכנית והתיאורטית. בהקשר זה, המסגרת תופסת את התהליך החינוכי כמערכת מקושרת שבה רכיבי ידע, פעילויות למידה ומצבים רגשיים משפיעים זה על זה באופן רציף. מידול מבוסס-גרפים מאפשר ייצוג מבני וניתן להרחבה של מערכות יחסים אלו, המאפשר ללכוד ביעילות תלויות ישירות ועקיפות כאחד. דינמיקות רגשיות משולבות כמרכיבים מהותיים ולא כמשתנים עזר, מה שמאפשר סימולציה של האופן שבו תנאים פסיכולוגיים מתפתחים ומתפשטים במהלך תהליך הלמידה. שילוב של עיצוב הוראה חזותי משפר עוד יותר את יכולת הפרשנות על ידי הפיכת אינטראקציות חישוביות מופשטות לייצוגים גרפיים אינטואיטיביים.

מתודולוגיה ומערך מחקר סימולציה

מחקר זה מאמץ תכנון מבוסס סימולציה חישובית שבו אינם מעורבים משתתפים אנושיים, וכל הנתונים נוצרים באופן סינתטי באמצעות תהליך (pipeline) נשלט וניתן לשחזור. לפיכך, התוצאות המדווחות מייצגות הערכות מבוססות-מודל ולא תצפיות אמפיריות שנגזרו מלומדים אמיתיים. שיפורים בביצועי הלמידה, במעורבות, ביציבות הרגשית ובצמצום הלחץ מפורשים כהשפעות מסומלציות או פוטנציאליות של המסגרת המוצעת. סביבת הסימולציה מקריבה תנאי למידה ריאליסטיים על ידי שילוב של תלויות זמניות, שונות בדפוסי אינטראקציה ומצבים רגשיים מתפתחים. תצורת ניסוי השוואתית מיושמת שבה מסגרת ה-GECIF המוצעת מוערכת אל מול מודל בסיס (baseline) קונבנציונלי המייצג מערכת למידה לא-אדפטיבית, שבה הידע מתפתח אך ורק על בסיס עוצמת האינטראקציה ללא ייצוג מבוסס גרף, מידול רגשי או אופטימיזציה של תוכנית הלימודים. שני המודלים מופעלים תחת תנאי סימולציה זהים כדי להבטיח השוואה עקבית ובלתי מוטה.

יצירה ומבנה של מערך הנתונים

מאגר נתונים רחב-היקף הוקם כדי לסמלץ דינמיקות למידה בחינוך מוזיקלי במכללה, על ידי שילוב של לוגים של אינטראקציה, אינדיקטורים רגשיים ומדדי ביצועי למידה במסגרת זמנית מאוחדת. מאגר הנתונים נגזר והורחב ממאגר נתוני ביצועי סטודנטים הזמין לציבור (UCI Machine Learning Repository), המספק נתונים על ביצועים אקדמיים לצד תכונות דמוגרפיות והתנהגותיות. מאגר נתונים זה שימש כבסיס ייחוסי למידול דפוסי למידה ריאליסטיים. לוגי האינטראקציה מייצגים מעורבות מסומלצת בפעילויות למידה כגון מפגשי תרגול, תרגילי האזנה ומשימות למידה חזותיות. האינדיקטורים הרגשיים לוכדים מצבים פסיכולוגיים, כולל סטרס, מעורבות ומוטיבציה, בעוד שביצועי הלמידה משקפים רכישת ידע והתקדמות לאורך זמן. כדי להעשיר את מאגר הנתונים ולשלב תלויות זמניות, נעשה שימוש בצינור סימולציה מבוסס MATLAB עם אתחול של גרעין אקראי קבוע (random seed) להבטחת שחזוריות. רציפות זמנית הוכנסה באמצעות תהליכים אוטורגרסיביים, המאפשרים להתנהגות האינטראקציה ולמצבים הרגשיים להתפתח בהדרגה עם הזמן. מאגר הנתונים הסופי כולל אלף לומדים מסומלצים שנצפו לאורך חמש מאות צעדי זמן, עם מספר מאפייני אינטראקציה המייצגים התנהגויות למידה מגוונות. כל המשתנים מנורמלים בטווח [0,1] כדי להבטיח עקביות ויכולת השוואה. מאגר הנתונים מחולק לתתי-קבוצות של אימון, תיקוף ובדיקה באמצעות פיצול של 70%–15%–15% כדי להבטיח הערכה בלתי מוטה של המודל.

בנייה וייצוג של גרפים

סביבת הלמידה ממודלת כגרף משוקלל המוגדר כ:

G = (V,E,W)  (1)

שם מייצג את קבוצת הצמתים, מייצג את קבוצת הקשתות, והיא מטריצת הסמיכות המשוקללת המתארת את עוצמת הקשרים בין הצמתים. קבוצת הצמתים מפורקת באופן הבא:

V = Vk∪Va∪Ve  (2)

כאשר Vk, Va ו-Ve תואמים לצמתי ידע, צמתי פעילות וצמתי רגש, בהתאמה. משקלי הקשתות מחושבים באופן הבא:

Wij = α Sc(i,j) + βSe(i,j)  (3)

כאשר Sc(i,j) מייצג דמיון קוגניטיבי בין צמתים, Se(i,j) מייצג מתאם רגשי, ו-α ו-β הם מקדמי שקלול השולטים על השפעתם היחסית. משוואה (3) מגדירה כיצד קשרים מבניים ורגשיים קובעים במשותף את הקישוריות של הגרף.

ייצוג מצב צומת ולמידת גרפים

כל צומת קשור לווקטור מצב דינמי המוגדר כ:

xi(t) = [ki(t),ei(t),ai(t)]  (4)

כאשר ki(t), ei(t), ו-ai(t) מציינים את רמת הידע, המצב הרגשי ורמת המעורבות בזמן t, בהתאמה. ייצוגי הצמתים מעודכנים באמצעות אגרגציה מבוססת גרף:

figure-protocol-1   (5)

כאשר figure-protocol-2 הוא ההטמעה (embedding) של הצומת i בשכבה l, σ היא פונקציית הפעלה לא ליניארית, ו- N(i) מייצג את קבוצת הצמתים השכנים. משוואה (5) מתארת כיצד כל צומת משלב מידע מהשכנים שלו. בנוסף, מוצג מנגנון קשב (attention mechanism):

figure-protocol-3     (6)

כאשר αij הוא מקדם הקשב ו-∅(·) היא פונקציית דמיון. משוואה (6) מאפשרת שקלול אדפטיבי של תרומם של צמתים שכנים.

מידול דינמיקה רגשית

ההתפתחות הזמנית של מצבים רגשיים ממודלת כך:

figure-protocol-4     (7)

כאשר  γ הוא מקדם השימור הרגשי. משוואה (7) לוכדת הן את ההתמדה והן את התפרוסות ההשפעה הרגשית. יציבות רגשית מוקמת כמותית כך:

figure-protocol-5    (8)

כאשר E+(t) ו-E-(t) מייצגים רכיבים רגשיים חיוביים ושליליים, ו-figure-protocol-6 הוא קבוע קטן המונע חילוק באפס. הצטברות מתח מוגדרת כך:

figure-protocol-7     (9)

כאשר  λ(τ) מייצג את עוצמת המאמץ הרגעית. משוואה (9) ממדלת את המאמץ המצטבר לאורך זמן.

אופטימיזציה של למידה ותכנון תוכנית לימודים אדפטיבית

תהליך הלמידה נשלט על ידי פונקציית אופטימיזציה רב-מטרתית:

J = λ1K + λ2K - λ3S  (10)

כאשר K מציין את רכישת הידע, E מציין את היציבות הרגשית, ו-S מציין את רמת הלחץ, בעוד ש λ1, λ2, λ3 הם מקדמי שקלול. משוואה (10) מאזנת יעדים קוגניטיביים ורגשיים. חיווט מחדש של תוכנית לימודים אדפטיבית מוגדר כ:

Wij(t + 1) = Wij(t) + ηΔij(t)  (11)

כאשר η  הוא קצב הלמידה ו- Δij(t) מייצג התאמות עדכון המונעות על ידי דינמיקת למידה. משוואה (11) מאפשרת למבנה הגרף להתפתח לאורך זמן.

קנה מידה זמני ומשך הסימולציה

כל הסימולציות מבוצעות באמצעות צעדי זמן מנורמלים במקום יחידות זמן ממשיות. פרקי זמן קצרים תואמים לצעדי סימולציה במقياس המייצגים את התפתחות המערכת, בעוד שסימולציות מורחבות של למעלה מחמיש מאות צעדים משמשות להערכת התנהגות לטווח ארוך, התכנסות וחוסן.

מדדי הערכה וניתוח סטטיסטי

המסגרת מוערכת באמצעות מדדים מנורמלים, הכוללים הגברת ידע, יציבות רגשית, רמת סטרס, רמת מעורבות ועמידות. ניתוח סטטיסטי מבוצע באמצעות פונקציות סטטיסטיות של MATLAB, כאשר עבור כל מדד חושבו ערכי ממוצע, סטיות תקן ורווחי סמך של 95%. הנחות נורמליות מאומתות לפני ביצוע מבחני t למדגמים מזווגים. הערכה השוואית בין המסגרת המוצעת למודל הבסיס נערכת על פני n = 1000 לומדים סימולטיביים, כאשר מובהקות סטטיסטית מוגדרת כ- p < 0.05.

פרטי שחזור ויישום

כל הסימולציות, צינורות עיבוד הנתונים ונהלי ההערכה ניתנים לשחזור מלא. תהליך יצירת מערך הנתונים, פרמטרי בניית הגרף, תצורות המודל והגדרות האופטימיזציה מוגדרים במפורש. אתחול ה-Random seed נקבע כקבוע כדי להבטיח פלטים עקביים בהרצות חוזרות. כל ההיפר-פרמטרים, הסקריפטים ותיאורי מערכי הנתונים מסופקים בחומרי העזר, מה שמאפשר שכפול מלא של המחקר באמצעות MATLAB או כלים חישוביים שווי ערך.

כל הסימולציות, צינורות עיבוד הנתונים וסקריפטי ההערכה מסופקים ב-קובץ משלים 1. מערך הנתונים כולל לוגים של אינטראקציות גולמיות, אינדיקטורים רגשיים ומדדי ביצועי למידה. פרמטרי בניית הגרף והגדרות האופטימיזציה מתועדים במלואם. ניתן לשחזר את המערכת באמצעות מסגרות עבודה סטנדרטיות של למידת מכונה. אתחול הגרעין האקראי (Random seed) נקבע באופן קבוע כדי להבטיח עקביות. כל ההיפר-פרמטרים מדווחים באופן מפורש. הפרוטוקול מבטיח שקיפות מלאה ויכולת שחזור.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

ביצועי מסגרת הבינה של תוכנית הלימודים הרגשית מבוססת-גרף (GECIF) המוצעת הוערכו באמצעות מערך נתונים מבוסס-סימולציה הכולל n = 1000 לומדים לאורך T = 500 שלבי זמן מנורמלים. איור 1 ממחיש את הארכיטקטורה המושגית של ה-GECIF עבור חינוך מוזיקלי חזותי מונחה-AI וקידום בריאות הנפש. כל המדדים מדווחים בסולמות מנורמלים בטווח [0,1]. ההערכה הסטטיסטית כוללת ערכי ממוצע, סטיות תקן (SD) ומרווחי בר סמך (CI) של 95%, כאשר המובהקות נבדקה באמצעות מבחני t מזווגים (p < 0.05). כל ההשוואות חושבו על פנ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

המחקר הנוכחי הציע מסגרת בינה חינוכית רגשית מבוססת גרפים (GECIF), המשלבת למידת ייצוג מבוססת גרפים, מידול מצב רגשי, אופטימיזציה אדפטיבית של תוכנית הלימודים והוראה חזותית מונחית בינה מלאכותית אל תוך מסגרת חישובית מאוחדת לחינוך מוזיקלי במכללות. בניגוד למודלים חינוכיים קונבנציונליים הנתמכים על ידי בינה מלאכותית, המבצעים אופטימיזציה בעיקר לביצועים אקדמיים, המסגרת המוצעת ממדלת בו-זמנית אינטראקציות בין רכישת ידע, ויסות רגשי, מעורבות הלומד ואבולוציה אדפטיבית של תוכנית הלימודים. תוצאות הסימולציה הדגימו בעקביות ביצועים עדיפים של המ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

למחבר אין ניגוד עניינים.

תודות

המחבר מבקש להביע תודה כנה למחלקה למוזיקה באוניברסיטת Anqing Normal על אספקת הסביבה האקדמית והתמיכה המוסדית שהיו נחוצות לביצוע מחקר זה. הערכה מיוחדת מוענקת לעמיתים ולסטודנטים שתרמו תובנות ומשוב בעלי ערך במהלך הפיתוח וההערכה של המסגרה המוצעת. המחבר מודה גם על תמיכתה של אוניברסיטת Anqing Normal בהנגשת משאבים ותשתיות מחקר.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מודול 32 GB DDR4 RAMKingston TechnologyNA
CUDA Toolkit להאצת GPU (v11.8)NVIDIAversion 1.18
מנוע התאמת תכנית לימודיםCustom ImplementationCAE003
סט נתונים: אינדיקטורים רגשייםGenerated DatasetDEI006
סט נתונים: מדדי ביצועי למידהGenerated DatasetDLPM007
סט נתונים: לוגי אינטראקציית סטודנטיםGenerated DatasetDIL005
מודול סימולציית מצב רגשיCustom ImplementationESM002
תחנת עבודה GPU (NVIDIA RTX 3080)NVIDIANA
מודול מימוש רשת עצבית גרפית (Graph Neural Network)Custom ImplementationNA
מעבד Intel Core i7 (3.6 GHz)Intel CorporationNA
סביבת Jupyter Notebook (v6.5)Project Jupyterversion 6.5
תוכנת MATLAB (R2023a)MathWorksR2023a
ספריית ויזואליזציה Matplotlib (v3.7)Matplotlibversion 3.7
ספריית עיבוד גרפים NetworkX (v3.1)NetworkX Developersversion 3.1
ספריית חישוב נומרי NumPy (v1.24)NumPy Developersversion 1.24
מודול אופטימיזציה (פתרון רב-מטרתי)Custom ImplementationMOS008
ספריית עיבוד נתונים Pandas (v2.0)Pandas Development Teamversion 2.0
סביבת תכנות Python (v3.10)Python Software Foundationversion 3.10
מסגרת למידה עמוקה PyTorch (v2.0)Meta AIversion 2.0
סקריפט אתחול זרע אקראיCustom ImplementationRSI009
ספריית למידת מכונה Scikit-learn (v1.3)Scikit-learnversion 1.3
ספריית ויזואליזציה סטטיסטית Seaborn (v0.12)Seabornversion 0.12
ספריית TensorFlow (v2.12)Googleversion 2.12
ערכת כלים לממשק למידה חזותיתCustom ImplementationVLI004
מערכת הפעלה Windows 11MicrosoftW11

מקורות

  1. Li Y. Music aesthetic teaching and emotional visualization under emotional teaching theory and Deep learning. Front Psychol. 2022;13.
  2. Yang J. Retraction notice to: 'research on music education: Integrating synaesthesia theory and colour psychology', HTS Teologiese Studies/Theological Studies 79(4), A8848. HTS Teol Stud. 2024;80(1).
  3. Zhao Y. Cognitive mapping-based audiovisual and singing music therapy as a cross-intervention for college students' anxiety. Appl Math Nonlinear Sci. 2024;9(1).
  4. Iyendo TO, Uwajeh PC, Oseke BN, Dong L, Adejumo A, Umar I, et al. Effect of audio-visual-based art and music therapy in reducing Adolescents Post Traumatic Stress disorder. J Adolesc Health. 2024;74(2):283–291.
  5. Sones AC, Fogelson DL, Glick ID, Shader RI. Untreated mental illness has created a national tragedy: A pandemic of homelessness. J Clin Psychopharmacol. 2022;42(2):115–117.
  6. Omelchenko M, Migalina V, Kaleda V. The effect of untreated illness in youth depression: A cross-sectional study. Consort Psychiatr. 2022;3(4):8.
  7. Vargas-Huicochea I, Álvarez-del-Río A, Rodríguez-Machain AC, Aguirre-Benítez EL, Kelsall N. Seeking psychiatric attention among university students with mental health problems: The influence of disease perception. Int J Ment Health Addict. 2022;20(1):505–521.
  8. Shim YR, Eaker R, Park J. Mental health education, awareness and stigma regarding mental illness among college students. J Ment Health Clin Psychol. 2022;6(2):6–15.
  9. Bantjes J, Kessler MJ, Hunt X, Stein DJ, Kessler RC. Treatment rates and barriers to mental health service utilisation among university students in South Africa. Int J Ment Health Syst. 2023;17(1):38.
  10. McLafferty M, Brown N, Brady J, McLaughlin J, McHugh R, Ward C, et al. Variations in psychological disorders, suicidality, and help-seeking behaviour among college students from different academic disciplines. PLoS One. 2022;17(12):e0279618.
  11. Liu Z. Music teaching curriculum integrates physical exercise to regulate Students' mental health. Rev Psicol Deporte. 2024;33(1):426–435.
  12. Bian C, Wang X, Huang Y, Zhou S, Lu W. Effects of AI-generated images in visual art education on students' classroom engagement, self-efficacy and cognitive load. Humanit Soc Sci Commun. 2025;12(1):1–14.
  13. Yu H, Zou Z. The music education and teaching innovation using blockchain technology supported by artificial intelligence. Int J Grid Util Comput. 2023;14(2-3):278–296.
  14. Mulvogue J, Ryan C, Hunt S, Cross M, Cleary M. Promoting positive outcomes in higher education: Supporting undergraduate student mental health and well-being. Issues Ment Health Nurs. 2023;44(7):673–677.
  15. Sholichatun Y, Aziz R, Baharuddin B, Mulyadi M, Muhid A. Building resilience to promote mental health in university students. Health Educ Health Promot. 2025;13(2):257–263.
  16. Martínez-García A, Valverde-Montesino S, García-García M. Promoting mental health in higher education: towards a model of well-being factors in emerging adulthood. Int J Qual Stud Health Well-Being. 2024;19(1):2408831.
  17. Ahluwalia M, Shillington KJ, Irwin JD. The relationship between resilience and mental health of undergraduate students: A scoping review. J Am Coll Health. 2025;73(3):1266–1279.
  18. Aggarwal D. Integration of innovative technological developments and AI with education for an adaptive learning pedagogy. China Pet Process Petrochem Technol. 2023;23(2):709–714.
  19. Ullah RS, Hashim F, Bandeali MM, Akbar A. Artificial Intelligence in Curriculum Design a Roadmap for Adaptive and Personalized Learning in Higher Education. Crit Rev Soc Sci Stud. 2025;3(3):304–322.
  20. Strielkowski W, Grebennikova V, Lisovskiy A, Rakhimova G, Vasileva T. AI‐driven adaptive learning for sustainable educational transformation. Sustain Dev. 2025;33(2):1921–1947.
  21. Hooda M, Rana C, Dahiya O, Rizwan A, Hossain MS. Artificial intelligence for assessment and feedback to enhance student success in higher education. Math Probl Eng. 2022;2022(1):5215722.
  22. Caspari-Sadeghi S. Artificial intelligence in technology-enhanced assessment: A survey of machine learning. J Educ Technol Syst. 2023;51(3):372–386.
  23. Topping KJ, Gehringer E, Khosravi H, Gudipati S, Jadhav K, Susarla S. Enhancing peer assessment with artificial intelligence. Int J Educ Technol High Educ. 2025;22(1):3.
  24. Hammoudi Halat D, Soltani A, Dalli R, Alsarraj L, Malki A. Understanding and fostering mental health and well-being among university faculty: A narrative review. J Clin Med. 2023;12(13):4425.
  25. Jääskeläinen T, López-Íñiguez G, Phillips M. Music students' experienced workload in higher education: A systematic review and recommendations for good practice. Music Sci. 2023;27(3):541–567.
  26. Ghatpande AC, Anand SK. Mental health and stress management among college students: a critical analysis. Int J Sci Res Eng Manag. 2025;9(1):1–9.
  27. Amanvermez Y, Rahmadiana M, Karyotaki E, de Wit L, Ebert DD, Kessler RC, et al. Stress management interventions for college students: A systematic review and meta-analysis. Clin Psychol Sci Pract. 2023;30(4):423.
  28. Córdova Olivera P, Gasser Gordillo P, Naranjo Mejía H, La Fuente Taborga I, Grajeda Chacón A, Sanjinés Unzueta A. Academic stress as a predictor of mental health in university students. Cogent Educ. 2023;10(2):2232686.
  29. Alhasani M, Orji R. Promoting stress management among students in higher education: Evaluating the effectiveness of a persuasive time management mobile app. Int J Hum-Comput Interact. 2025;41(1):219–241.
  30. Campbell F, Blank L, Cantrell A, Baxter S, Blackmore C, Dixon J, et al. Factors that influence mental health of university and college students in the UK: a systematic review. BMC Public Health. 2022;22(1):1778.
  31. Nepal S, Liu W, Pillai A, Wang W, Vojdanovski V, Huckins JF, et al. Capturing the college experience: a four-year mobile sensing study of mental health, resilience and behavior of college students during the pandemic. Proc ACM Interact Mob Wearable Ubiquitous Technol. 2024;8(1):1–37.
  32. Menefee DS, Ledoux T, Johnston CA. The importance of emotional regulation in mental health. Am J Lifestyle Med. 2022;16(1):28–31.
  33. Sattar G, Rustemova S, Nebessayeva Z. Socially Interactive Approaches and Digital Technologies in Art Education: Developing Creative Thinking in Students During Art Classes. Open Educ Stud. 2025;7(1):20250096.
  34. Johnson R, Cantrell K, Cutcliffe K, Batorowicz B, McLean T. Expanding creative communities in the visual arts: Using Padlet to support student engagement and belonging in stressful contexts. Art Educ. 2023;76(4):33–39.
  35. Cowand A, Amarsaikhan U, Ricks RF, Cash ED, Sephton SE. Self-compassion is associated with improved well-being and healthier cortisol profiles in undergraduate students. Mindfulness. 2024;15(7):1831–1845.
  36. Brovchak LS, Starovoit LV, Likhitska LM, Todosiienko NL, Shvets IB. Integrating music, drama and visual arts in extracurricular programs: enhancing psychological development in early school-aged children. Sapienza Int J Interdiscip Stud. 2024;5(3):e24052.
  37. Salomon-Gimmon M, Orkibi H, Elefant C. The contribution of a music and arts rehabilitation program to the creative identity, well-being, and community integration of people with mental health conditions. J Humanist Psychol. 2026;66(2):518–551.
  38. Shkembi F, Sauku VH, Ibrahimi S, Ibrahimi E. The psychological impact of online education on student well-being and motivation. Int Soc Sci Educ J. 2024;2(2):1–8.
  39. Pointon-Haas J, Waqar L, Upsher R, Foster J, Byrom N, Oates J. A systematic review of peer support interventions for student mental health and well-being in higher education. BJPsych Open. 2024;10(1):e12.
  40. Reist C, Petiwala I, Latimer J, Raffaelli SB, Chiang M, Eisenberg D, et al. Collaborative mental health care: A narrative review. Medicine. 2022;101(52):e32554.
  41. Peng C. Integrating computational intelligence in music teaching: A decision-making approach for personalised education. Int J Inf Commun Technol. 2025;26(27):38–51.
  42. Chi M, Wang N, Wu Q, Cheng M, Zhu C, Wang X, et al. Implementation of the flipped classroom combined with problem-based learning in a medical nursing course: A quasi-experimental design. Healthcare. 2022;10(12):2572.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

גלה מאמרים נוספים

חינוך מבוסס בינה מלאכותיתמידול רגשילמידה אדפטיביתיציבות רגשיתמעורבות סטודנטיםהפחתת מתחלמידה מבוססת גרפים
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.