Questo studio propone un framework basato su grafi per un'intelligenza curricolare emotiva applicata all'insegnamento visuale guidato dall'intelligenza artificiale nell'ambito dell'educazione musicale universitaria. Utilizzando un dataset basato su simulazioni, il framework modella l'acquisizione delle conoscenze, la dinamica emotiva e il livello di coinvolgimento. I risultati indicano un miglioramento dell'efficienza nell'apprendimento e una riduzione dello stress rispetto ai modelli convenzionali, dimostrando il potenziale per sistemi educativi adattivi e sensibili al benessere mentale.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
Valutazione basata su simulazione del design dell'insegnamento visivo integrato con l'intelligenza artificiale per la promozione della salute mentale nei corsi di musica universitaria
In questo articolo
Sommario
Abstract
La progettazione didattica visiva nell'insegnamento universitario della musica ha attirato un'attenzione crescente a causa del suo potenziale nel migliorare il coinvolgimento degli studenti e promuovere il benessere mentale. Tuttavia, gli approcci didattici convenzionali spesso mancano dell'adattabilità necessaria per rispondere agli stati cognitivi ed emotivi in evoluzione degli apprendenti, limitandone l'efficacia nel sostenere sia il rendimento accademico che l'equilibrio psicologico. L'obiettivo principale di questo studio basato su simulazione è sviluppare e valutare un framework guidato dall'intelligenza artificiale che integri strategie didattiche visive con un modello emotivo basato su grafi, al fine di ottimizzare i risultati di apprendimento nei corsi universitari di musica. Viene proposto un nuovo framework di intelligenza curricolare emotiva basato su grafi (GECIF), che rappresenta l'ambiente di apprendimento come un grafo interconnesso di nodi relativi a conoscenze, attività ed emozioni. Il framework incorpora tecniche di apprendimento per rappresentazione basate su grafi, modellazione dinamica degli stati e meccanismi di apprendimento adattivo per simulare l'evoluzione nel tempo dell'acquisizione di conoscenze, del coinvolgimento, della stabilità emotiva e dello stress. Un dataset sintetico, composto da registri di interazione, indicatori emotivi e variabili di prestazione nell'apprendimento, è stato generato attraverso una pipeline di simulazione controllata basata su MATLAB per garantire la riproducibilità. Il GECIF è stato valutato rispetto a un modello di base convenzionale non adattivo in condizioni sperimentali identiche e lungo fasi di simulazione normalizzate. Le prestazioni sono state valutate utilizzando metriche di simulazione normalizzate, tra cui guadagno di conoscenza, stabilità emotiva, riduzione dello stress, livello di coinvolgimento e robustezza. Il framework proposto ha ottenuto prestazioni costantemente superiori rispetto al modello di base, dimostrando un'acquisizione di conoscenza simulata più elevata, una migliore regolazione emotiva, un maggiore coinvolgimento, una riduzione dello stress simulato e una robustezza accresciuta. Un'analisi statistica basata su valori medi, deviazioni standard e intervalli di confidenza al 95% ha confermato miglioramenti costanti in tutte le metriche di valutazione. Questi risultati dimostrano il potenziale delle strategie didattiche visive guidate dall'intelligenza artificiale e sensibili alle emozioni nell'ambito dell'insegnamento musicale adattivo, fornendo al contempo un framework computazionale scalabile e riproducibile per sostenere future ricerche nei sistemi educativi intelligenti.
Introduzione
L'integrazione dell'intelligenza artificiale (AI) nei sistemi educativi ha trasformato in modo significativo i paradigmi tradizionali dell'insegnamento, consentendo esperienze di apprendimento più adattive, personalizzate e basate sui dati1,2,3. Negli ultimi anni, la progettazione didattica visiva si è affermata come un approccio pedagogico efficace, in particolare in discipline come l'educazione musicale, in cui concetti astratti, espressione emotiva e comprensione percettiva svolgono un ruolo centrale4,5,6,7. Le rappresentazioni visive, tra cui interfacce grafiche, simulazioni interattive ed elementi multimediali, facilitano un'elaborazione cognitiva più profonda e aumentano il coinvolgimento degli studenti8,9,10,11. Tuttavia, nonostante questi progressi, i metodi didattici visivi esistenti spesso rimangono statici e mancano della capacità di rispondere dinamicamente agli stati cognitivi ed emotivi in evoluzione degli studenti12,13,14. L'educazione musicale, in particolare a livello universitario, presenta sfide uniche a causa della sua natura intrinsecamente multidimensionale15,16,17. I risultati dell'apprendimento sono influenzati non solo dalla comprensione cognitiva della teoria musicale e delle tecniche esecutive, ma anche da fattori emotivi come motivazione, stress, coinvolgimento e benessere psicologico18. Studi precedenti hanno evidenziato la forte relazione tra stati emotivi ed efficacia dell'apprendimento, indicando che gli studenti che sperimentano alti livelli di stress o un basso coinvolgimento tendono a mostrare prestazioni accademiche ridotte19,20,21. Sebbene siano stati proposti diversi sistemi educativi basati sull'intelligenza artificiale per migliorare la personalizzazione dell'apprendimento, la maggior parte di essi si concentra principalmente su metriche di prestazione cognitiva, trascurando il ruolo fondamentale della dinamica emotiva nel modellare il processo di apprendimento22.
Recenti sviluppi nei sistemi intelligenti di apprendimento hanno introdotto rappresentazioni basate su grafi e tecniche di deep learning per modellare relazioni complesse tra componenti educativi23,24,25. I framework di apprendimento basati su grafi, inclusi le reti neurali grafiche (GNN), hanno dimostrato notevoli capacità nel catturare dipendenze strutturate tra elementi di conoscenza, interazioni tra apprendenti e fattori contestuali26. Inoltre, il computing sensibile alle emozioni ha attirato attenzione per la sua capacità di integrare segnali psicologici in ambienti di apprendimento adattivi27. Tuttavia, l'integrazione di questi approcci all'interno di un framework unificato per l'educazione musicale rimane limitata28,29,30. I lavori esistenti spesso trattano le variabili emotive come caratteristiche ausiliarie piuttosto che componenti fondamentali, e raramente forniscono meccanismi per un adattamento continuo basato sull'interazione tra cognizione ed emozione31.
Inoltre, l'applicazione dell'intelligenza artificiale nell'educazione sensibile alla salute mentale si è basata principalmente su dati empirici o basati su sensori raccolti da partecipanti reali32. Tuttavia, tali approcci richiedono ampie approvazioni etiche, strumenti di misurazione standardizzati e condizioni sperimentali controllate, che potrebbero non essere sempre fattibili nella ricerca in fase iniziale33. Di conseguenza, le metodologie basate sulla simulazione si sono affermate come alternativa per esplorare dinamiche educative complesse in modo controllato e riproducibile34. Generando set di dati sintetici che imitano i registri di interazione, gli indicatori emotivi e le metriche di rendimento nell'apprendimento, i ricercatori possono valutare il comportamento dei modelli proposti in diversi scenari mantenendo un controllo completo sui parametri e sulle assunzioni del sistema35.
Nonostante questi progressi, rimangono diverse lacune nella ricerca36. In primo luogo, mancano framework unificati in grado di modellare contemporaneamente l'acquisizione di conoscenze, l'evoluzione emotiva e il coinvolgimento nell'apprendimento all'interno di una rappresentazione strutturata37. In secondo luogo, i sistemi visivi di insegnamento attuali non sfruttano efficacemente l'intelligenza basata su grafi per catturare le interdipendenze tra concetti musicali, attività di apprendimento e stati psicologici38. In terzo luogo, è stata prestata scarsa attenzione allo sviluppo di pipeline di simulazione scalabili e riproducibili che consentano una valutazione sistematica dei modelli educativi guidati dall'intelligenza artificiale39,40,41. Infine, gli approcci esistenti spesso non forniscono una visione olistica dell'apprendimento che integri in modo dinamico e adattivo sia le dimensioni cognitive che quelle emotive42.
Per affrontare queste sfide, lo studio propone un framework intelligente basato su grafi per un curriculum emotivo (GECIF) per la progettazione didattica visiva guidata dall'intelligenza artificiale nell'insegnamento musicale universitario. Tabella 1 fornisce definizioni essenziali per i componenti del grafo, gli stati dei nodi e i parametri del modello. Questa tabella garantisce che la metodologia sia chiara e riproducibile. Il framework proposto modella l'ambiente educativo come un grafo interconnesso costituito da nodi della conoscenza, nodi delle attività e nodi emotivi, consentendo una rappresentazione completa della dinamica di apprendimento. Un dataset basato su simulazioni viene generato mediante una pipeline computazionale controllata che include log di interazione, indicatori emotivi e metriche di prestazione, assicurando riproducibilità e scalabilità. Il framework incorpora meccanismi di apprendimento adattivo, modellazione dello stato emotivo e ottimizzazione basata su grafi per simulare l'evoluzione dei risultati di apprendimento e delle condizioni psicologiche nel tempo. Viene effettuata un'analisi comparativa rispetto a un modello di apprendimento convenzionale, utilizzando diverse metriche di prestazione, tra cui guadagno di conoscenza, stabilità emotiva, riduzione dello stress, grado di coinvolgimento e robustezza.
L'obiettivo principale di questo studio è sviluppare e valutare un framework didattico visivo basato sulla simulazione e guidato dall'intelligenza artificiale, che integri la modellazione basata su grafi e l'intelligenza emotiva per migliorare l'efficienza dell'apprendimento e sostenere un'educazione consapevole della salute mentale nei corsi universitari di musica.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Questo studio è un'indagine basata su calcoli e simulazioni che non coinvolge partecipanti umani, dati clinici o informazioni personali. Tutti i dati utilizzati nella ricerca sono stati generati sinteticamente attraverso processi di simulazione controllati. Pertanto, non è stato richiesto il parere etico da parte di un comitato di revisione istituzionale né il consenso informato. Lo studio rispetta le linee guida standard per la ricerca computazionale e garantisce piena riproducibilità e trasparenza della metodologia.
Quadro teorico e giustificazione
Il framework proposto di intelligenza curricolare emotiva basato su grafi (GECIF) si fonda sull'integrazione dell'intelligenza artificiale, dell'apprendimento basato su grafi, del calcolo emotivo e della pedagogia visiva, con l'obiettivo di modellare l'apprendimento come un processo dinamico e multidimensionale che catturi contemporaneamente lo sviluppo cognitivo, l'evoluzione emotiva e l'impegno comportamentale. Gli approcci didattici tradizionali presuppongono spesso un progresso lineare nell'acquisizione delle conoscenze e non riflettono adeguatamente le interazioni complesse tra prestazione cognitiva e stati psicologici. Questa limitazione risulta particolarmente critica nell'insegnamento musicale universitario, dove l'espressione emotiva, la motivazione e la creatività sono inseparabili dall'apprendimento tecnico e teorico. In questo contesto, il framework concettualizza il processo educativo come un sistema interconnesso in cui elementi della conoscenza, attività di apprendimento e stati emotivi si influenzano continuamente a vicenda. La modellazione basata su grafi consente una rappresentazione strutturata e scalabile di queste relazioni, permettendo di catturare efficacemente dipendenze dirette e indirette. Le dinamiche emotive sono incorporate come componenti intrinseche e non come variabili ausiliarie, consentendo di simulare come le condizioni psicologiche evolvono e si propagano durante il processo di apprendimento. L'integrazione del design didattico visivo migliora ulteriormente l'interpretabilità, trasformando interazioni computazionali astratte in rappresentazioni grafiche intuitive.
Metodologia e progettazione dello studio di simulazione
Questo studio adotta un design basato su simulazione computazionale, nel quale non sono coinvolti partecipanti umani e tutti i dati sono generati sinteticamente attraverso una pipeline controllata e riproducibile. I risultati riportati rappresentano, pertanto, valutazioni basate su modelli piuttosto che osservazioni empiriche derivate da apprendenti reali. I miglioramenti nelle prestazioni di apprendimento, nell'impegno, nella stabilità emotiva e nella riduzione dello stress sono interpretati come effetti simulati o potenziali del framework proposto. L'ambiente di simulazione approssima condizioni di apprendimento realistiche incorporando dipendenze temporali, variabilità nei modelli di interazione e stati emotivi in evoluzione. Viene implementata una configurazione sperimentale comparativa, in cui il framework GECIF proposto viene valutato rispetto a un modello di base convenzionale che rappresenta un sistema di apprendimento non adattivo, in cui la conoscenza evolve esclusivamente in base all'intensità dell'interazione, senza rappresentazione basata su grafi, modellazione emotiva o ottimizzazione del curriculum. Entrambi i modelli sono eseguiti in condizioni di simulazione identiche per garantire un confronto coerente e privo di bias.
Generazione e struttura del set di dati
È stato costruito un dataset su larga scala per simulare la dinamica dell'apprendimento nell'istruzione musicale universitaria, integrando log di interazione, indicatori emotivi e metriche di prestazione nell'apprendimento all'interno di un quadro temporale unificato. Il dataset è stato ricavato ed esteso dal dataset pubblicamente disponibile sulle prestazioni degli studenti (UCI Machine Learning Repository), che fornisce dati sul rendimento accademico insieme ad attributi demografici e comportamentali. Questo dataset è servito come riferimento fondamentale per modellare schemi di apprendimento realistici. I log di interazione rappresentano l'interazione simulata con attività di apprendimento come sessioni di esercitazione, esercizi di ascolto e compiti di apprendimento visivo. Gli indicatori emotivi catturano stati psicologici, inclusi stress, coinvolgimento e motivazione, mentre la prestazione nell'apprendimento riflette l'acquisizione di conoscenze e il progresso nel tempo. Per arricchire il dataset e incorporare dipendenze temporali, è stata utilizzata una pipeline di simulazione basata su MATLAB con un'inizializzazione a seme casuale fisso per garantire la riproducibilità. La continuità temporale è stata introdotta attraverso processi autoregressivi, consentendo al comportamento di interazione e agli stati emotivi di evolversi gradualmente nel tempo. Il dataset finale include mille studenti simulati osservati in cinquecento passaggi temporali, con molteplici caratteristiche di interazione che rappresentano comportamenti di apprendimento diversificati. Tutte le variabili sono normalizzate nell'intervallo [0,1] per garantire coerenza e confrontabilità. Il dataset è suddiviso in sottoinsiemi di addestramento, validazione e test utilizzando una ripartizione 70%–15%–15% per assicurare una valutazione imparziale del modello.
Costruzione e rappresentazione del grafo
L'ambiente di apprendimento è modellato come un grafo pesato definito come:
G = (V,E,W) (1)
dove indica l'insieme dei nodi, rappresenta l'insieme degli archi, ed è la matrice di adiacenza pesata che descrive l'intensità delle relazioni tra i nodi. L'insieme dei nodi è decomposto come:
V = Vk∪Va∪Ve (2)
dove Vk, Va e Ve corrispondono rispettivamente ai nodi conoscitivi, ai nodi di attività e ai nodi emotivi. I pesi dei collegamenti sono calcolati come:
Wij = α Sc(i,j) + βSe(i,j) (3)
dove Sc(i,j) rappresenta la similarità cognitiva tra i nodi, Se(i,j) rappresenta la correlazione emotiva, e α e β sono coefficienti di peso che ne controllano l'influenza relativa. L'equazione (3) definisce come le relazioni strutturali ed emotive determinino congiuntamente la connettività del grafo.
Rappresentazione dello stato del nodo e apprendimento del grafo
A ogni nodo è associato un vettore di stato dinamico definito come:
xi(t) = [ki(t),ei(t),ai(t)] (4)
dove ki(t), ei(t) e ai(t) indicano rispettivamente il livello di conoscenza, lo stato emotivo e il livello di coinvolgimento al tempo t. Le rappresentazioni dei nodi vengono aggiornate mediante aggregazione basata su grafo:
(5)
dove 
è l'embedding del nodo i al livello l, σ è una funzione di attivazione non lineare e N(i) indica l'insieme dei nodi adiacenti. L'equazione (5) descrive come ciascun nodo integra le informazioni provenienti dai suoi vicini. Viene inoltre introdotto un meccanismo di attenzione:
(6)
dove αij è il coefficiente di attenzione e ∅(·) è una funzione di similarità. L'equazione (6) consente una pesatura adattativa dei contributi dei nodi vicini.
Modellizzazione della dinamica emotiva
L'evoluzione temporale degli stati emotivi è modellata come:
(7)
dove γ è il coefficiente di ritenzione emotiva. L'equazione (7) descrive sia la persistenza che la propagazione dell'influenza emotiva. La stabilità emotiva è quantificata come:
(8)
dove E+(t) e E-(t) indicano rispettivamente le componenti emotive positive e negative, e 
è una costante piccola che previene la divisione per zero. L'accumulo di stress è definito come:
(9)
dove λ(τ) rappresenta l'intensità istantanea della sollecitazione. L'equazione (9) modella la sollecitazione cumulativa nel tempo.
Ottimizzazione dell'apprendimento e progettazione di curricula adattivi
Il processo di apprendimento è governato da una funzione di ottimizzazione multi-obiettivo:
J = λ1K + λ2K - λ3S (10)
dove K indica il guadagno di conoscenza, E indica la stabilità emotiva e S indica il livello di stress, mentre λ1, λ2, λ3 sono coefficienti di ponderazione. L'equazione (10) bilancia gli obiettivi cognitivi ed emotivi. La riconfigurazione adattiva del curriculum è definita come:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
dove η è il tasso di apprendimento e Δij(t) rappresenta gli aggiustamenti di aggiornamento guidati dalla dinamica di apprendimento. L'equazione (11) permette alla struttura del grafo di evolversi nel tempo.
Scala temporale e durata della simulazione
Tutte le simulazioni sono condotte utilizzando passi temporali normalizzati anziché unità di tempo reale. Intervalli brevi corrispondono a passi di simulazione scalati che rappresentano l'evoluzione del sistema, mentre simulazioni estese oltre i cinquecento passi vengono utilizzate per valutare il comportamento a lungo termine, la convergenza e la robustezza.
Metodi di valutazione e analisi statistica
Il framework viene valutato utilizzando metriche normalizzate, tra cui guadagno di conoscenza, stabilità emotiva, livello di stress, livello di coinvolgimento e robustezza. L'analisi statistica è effettuata mediante funzioni statistiche di MATLAB, calcolando per ogni metrica i valori medi, le deviazioni standard e gli intervalli di confidenza al 95%. Le assunzioni di normalità vengono verificate prima di applicare i test t per campioni appaiati. La valutazione comparativa tra il framework proposto e il modello di base è condotta su n = 1000 apprendisti simulati, con significatività statistica definita come p < 0,05.
Riproducibilità e dettagli di implementazione
Tutte le simulazioni, le pipeline di elaborazione dei dati e le procedure di valutazione sono completamente riproducibili. Il processo di generazione del dataset, i parametri di costruzione del grafo, le configurazioni del modello e le impostazioni di ottimizzazione sono definiti esplicitamente. L'inizializzazione del seme casuale è fissata per garantire risultati coerenti tra esecuzioni ripetute. Tutti gli iperparametri, gli script e le descrizioni dei dataset sono forniti nei materiali supplementari, consentendo la completa riproduzione dello studio mediante MATLAB o strumenti computazionali equivalenti.
Tutte le simulazioni, le pipeline di elaborazione dei dati e gli script di valutazione sono forniti nel File Supplementare 1. Il dataset include log grezzi delle interazioni, indicatori emotivi e metriche di prestazione nell'apprendimento. I parametri per la costruzione del grafo e le impostazioni di ottimizzazione sono documentati completamente. Il sistema può essere riprodotto utilizzando framework standard per l'apprendimento automatico. L'inizializzazione del seme casuale è fissata per garantire coerenza. Tutti gli iperparametri sono riportati esplicitamente. Il protocollo assicura piena trasparenza e riproducibilità.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
Le prestazioni del framework proposto di intelligenza curricolare emotiva basato su grafi (GECIF) sono state valutate utilizzando un dataset basato su simulazione composto da n = 1000 apprendenti su T = 500 intervalli di tempo normalizzati. Figura 1 illustra l'architettura concettuale del GECIF per l'educazione musicale visiva basata su intelligenza artificiale e la promozione della salute mentale. Tutte le metriche sono riportate su scale normalizzate comprese nell'intervallo [0,1]. La valu...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
Lo studio attuale propone un framework computazionale basato su grafi per un'intelligenza curricolare emotiva (GECIF) che integra l'apprendimento rappresentazionale basato su grafi, la modellizzazione dello stato emotivo, l'ottimizzazione adattativa del curriculum e un insegnamento visivo guidato dall'intelligenza artificiale in un unico framework computazionale per l'insegnamento musicale universitario. A differenza dei modelli educativi tradizionali supportati dall'intelligenza artificiale, che ottimizzano principalmen...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
L'autore dichiara di non avere conflitti di interessi.
Ringraziamenti
L'autore desidera esprimere sentita gratitudine al Dipartimento di Musica dell'Università Normale di Anqing per aver fornito l'ambiente accademico e il supporto istituzionale necessari per condurre questa ricerca. Un particolare ringraziamento va ai colleghi e agli studenti che hanno contribuito con osservazioni e feedback preziosi durante lo sviluppo e la valutazione del quadro proposto. L'autore riconosce inoltre il sostegno dell'Università Normale di Anqing nel facilitare l'accesso alle risorse e alle infrastrutture di ricerca.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Modulo RAM DDR4 da 32 GB | Kingston Technology | NA | |
| Toolkit CUDA per accelerazione GPU (v11.8) | NVIDIA | versione 1.18 | |
| Modulo di adattamento del curriculum | Implementazione personalizzata | CAE003 | |
| Dati: Indicatori emotivi | Dati generati | DEI006 | |
| Dati: Metriche di prestazione nell'apprendimento | Dati generati | DLPM007 | |
| Dati: Registri di interazione degli studenti | Dati generati | DIL005 | |
| Modulo di simulazione dello stato emotivo | Implementazione personalizzata | ESM002 | |
| Workstation GPU (NVIDIA RTX 3080) | NVIDIA | NA | |
| Modulo di implementazione della rete neurale grafica | Implementazione personalizzata | NA | |
| Processore Intel Core i7 (3,6 GHz) | Intel Corporation | NA | |
| Ambiente Jupyter Notebook (v6.5) | Project Jupyter | versione 6.5 | |
| Software MATLAB (R2023a) | MathWorks | R2023a | |
| Libreria di visualizzazione Matplotlib (v3.7) | Matplotlib | versione 3.7 | |
| Libreria di elaborazione grafica NetworkX (v3.1) | Sviluppatori NetworkX | versione 3.1 | |
| Libreria di calcolo numerico NumPy (v1.24) | Sviluppatori NumPy | versione 1.24 | |
| Modulo di ottimizzazione (risolutore multi-obiettivo) | Implementazione personalizzata | MOS008 | |
| Libreria di elaborazione dati Pandas (v2.0) | Squadra di sviluppo Pandas | versione 2.0 | |
| Ambiente di programmazione Python (v3.10) | Fondazione Software Python | versione 3.10 | |
| Framework di apprendimento profondo PyTorch (v2.0) | Meta AI | versione 2.0 | |
| Script di inizializzazione del seme casuale | Implementazione personalizzata | RSI009 | |
| Libreria di apprendimento automatico Scikit-learn (v1.3) | Scikit-learn | versione 1.3 | |
| Libreria di visualizzazione statistica Seaborn (v0.12) | Seaborn | versione 0.12 | |
| Libreria TensorFlow (v2.12) | versione 2.12 | ||
| Kit di strumenti per interfaccia visiva di apprendimento | Implementazione personalizzata | VLI004 | |
| Sistema operativo Windows 11 | Microsoft | W11 |
Riferimenti
- 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.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.