本研究では、大学の音楽教育におけるAI駆動型の視覚的指導に向けた、グラフベースの感情カリキュラム・インテリジェンス・フレームワークを提案する。シミュレーションベースのデータセットを用いて、本フレームワークは知識の習得、感情のダイナミクス、およびエンゲージメントをモデル化している。結果として、従来のモデルと比較して学習効率の向上とストレスの軽減が示され、適応的でメンタルヘルスに配慮した教育システムの可能性が実証された。
このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。
この記事について
サマリー
要約
大学の音楽教育における視覚的なティーチングデザインは、学生のエンゲージメントを高め、精神的なウェルビーイングを促進させる可能性があることから、ますます注目を集めています。しかし、従来の指導法には、学習者の変化する認知状態や感情状態に対応するために必要な適応性が欠けていることが多く、学業成績と心理的バランスの両面をサポートする上での有効性が制限されていました。本シミュレーション研究の主な目的は、視覚的ティーチング戦略とグラフベースの感情モデリングを統合し、大学の音楽コースにおける学習成果を最適化する人工知能駆動のフレームワークを開発し、評価することです。学習環境を知識、活動、および感情のノードが相互に連結したグラフとして表現する、新しいグラフベース感情カリキュラム・インテリジェンス・フレームワーク（GECIF）を提案します。このフレームワークは、グラフベースの表現学習、動的状態モデリング、および適応的学習メカニズムを組み込むことで、知識習得、エンゲージメント、感情の安定性、およびストレスの経時的な変化をシミュレートします。再現性を確保するため、制御されたMATLABベースのシミュレーションパイプラインを通じて、インタラクションログ、感情指標、および学習パフォーマンス変数からなる合成データセットを生成しました。GECIFは、正規化されたシミュレーションステップにおける同一の実験条件下で、従来の非適応型ベースラインモデルと比較して評価されました。パフォーマンスの評価には、知識獲得量、感情の安定性、ストレス軽減、エンゲージメントレベル、およびロバスト性を含む正規化シミュレーション指標を用いました。提案したフレームワークは、一貫してベースラインを上回り、シミュレーション上の知識習得量の増加、感情調節の改善、エンゲージメントの向上、シミュレートされたストレスの軽減、およびロバスト性の強化を実証しました。平均値、標準偏差、および95%信頼区間に基づく統計分析により、すべての評価指標において一貫した改善が確認されました。これらの知見は、適応的な音楽教育に向けたAI駆動の感情認識型視覚的ティーチング戦略の可能性を示すとともに、知的な教育システムの今後の研究を支援するための、拡張可能で再現可能な計算フレームワークを提供します。
概要
教育システムへの人工知能（AI）の統合は、従来の教育パラダイムを大きく変貌させ、より適応的でパーソナライズされた、データ駆動型の学習体験を可能にしました1,2,3。近年、視覚的なティーチングデザインが効果的な教育的アプローチとして台頭しており、特に抽象的な概念、感情表現、知覚的理解が中心的な役割を果たす音楽教育などの分野で顕著です4,5,6,7。グラフィカルインターフェース、インタラクティブなシミュレーション、マルチメディア要素を含む視覚的表現は、より深い認知処理を促進し、学習者のエンゲージメントを高めます8,9,10,11。しかし、こうした進展があるにもかかわらず、既存の視覚的教授法は依然として静的なままであることが多く、学習者の変化する認知・感情状態に動的に反応する能力に欠けています12,13,14。音楽教育、特に大学レベルにおいては、その本質的に多次元的な性質から、特有の課題が存在します15,16,17。学習成果は、音楽理論や演奏技術に関する認知的な理解だけでなく、モチベーション、ストレス、エンゲージメント、心理的ウェルビーイングなどの感情的要因によっても影響を受けます18。先行研究では、感情状態と学習効果の強い相関関係が強調されており、高いストレスや低いエンゲージメントを経験している学生は、学業成績が低下する傾向があることが示されています19,20,21。学習のパーソナライゼーションを強化するためにいくつかのAIベースの教育システムが提案されていますが、その多くは主に認知的パフォーマンス指標に焦点を当てており、学習プロセスを形成する上での感情的ダイナミクスの重要な役割を見落としています22。
知的学習システムの最近の発展により、教育構成要素間の複雑な関係をモデル化するために、グラフベースの表現やディープラーニングの手法が導入されています23,24,25。グラフニューラルネットワーク（GNN）を含むグラフベースの学習フレームワークは、知識要素、学習者の相互作用、および文脈的要因の間の構造化された依存関係を捉える強力な能力を示しています26。さらに、感情認識コンピューティングは、心理的信号を適応型学習環境に組み込むことができるため注目を集めています27。それにもかかわらず、音楽教育のための統一されたフレームワーク内でこれらのアプローチを統合した例は限られています28,29,30。既存の研究では、感情変数を中核的な構成要素ではなく補助的な特徴として扱うことが多く、認知と感情の相互作用に基づいた継続的な適応メカニズムを提供しているものはほとんどありません31。
さらに、メンタルヘルスを考慮した教育へのAI活用は、主に実際の参加者から収集された経験的なデータやセンサーベースのデータに依存してきました32。しかし、このようなアプローチには広範な倫理承認、標準化された測定手段、および制御された実験条件が必要であり、研究の初期段階では必ずしも実現可能ではない場合があります33。その結果、制御可能で再現性のある方法で複雑な教育ダイナミクスを探索するための代替案として、シミュレーションベースの手法が登場しました34。相互作用ログ、感情指標、学習パフォーマンス指標を模倣した合成データセットを生成することで、研究者はシステムパラメータや前提条件を完全に制御しながら、さまざまなシナリオの下で提案モデルの動作を評価することができます35。
これらの進展にもかかわらず、いくつかの研究上の空白が残っています36。第一に、知識の習得、感情の進化、および学習エンゲージメントを構造化された表現の中で同時にモデル化する統一的なフレームワークが不足しています37。第二に、現在の視覚的ティーチングシステムは、音楽的概念、学習活動、および心理状態の間の相互依存性を捉えるためのグラフベースのインテリジェンスを効果的に活用できていません38。第三に、AI駆動の教育モデルの体系的な評価を可能にする、スケーラブルで再現可能なシミュレーションパイプラインの開発に対する関心が限定的でした39,40,41。最後に、既存のアプローチでは、認知次元と感情次元の両方を動的に適応させる形で統合した、学習の包括的な視点を提供できていないことが多々あります42。
これらの課題に対処するため、本研究では大学の音楽教育におけるAI駆動型の視覚的ティーチングデザインのための、グラフベースの感情カリキュラム・インテリジェンス・フレームワーク（GECIF）を提案します。表 1では、グラフ構成要素、ノード状態、およびモデルパラメータに関する重要な定義を示しています。この表により、手法の明確性と再現性が確保されます。提案されたフレームワークでは、教育環境を知識ノード、アクティビティノード、および感情ノードからなる相互接続されたグラフとしてモデル化し、学習ダイナミクスの包括的な表現を可能にします。シミュレーションベースのデータセットは、インタラクションログ、感情指標、およびパフォーマンス指標を含む制御された計算パイプラインを用いて生成され、再現性と拡張性が確保されています。本フレームワークには、適応学習メカニズム、感情状態モデリング、およびグラフベースの最適化が組み込まれており、時間の経過に伴う学習成果と心理状態の推移をシミュレートします。従来の学習モデルとの比較評価は、知識の習得量、感情の安定性、ストレス軽減、エンゲージメント、および堅牢性を含む複数のパフォーマンス指標を用いて行われます。
本研究の主な目的は、グラフベースのモデリングと感情的知能を統合し、学習効率を向上させるとともに、大学の音楽コースにおけるメンタルヘルスに配慮した教育を支援する、シミュレーションベースのAI駆動型視覚的教授フレームワークを開発し、評価することである。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
プロトコル
本研究は、ヒト被験者、臨床データ、または個人情報を含まない、計算およびシミュレーションに基づく調査である。本研究で使用されたすべてのデータは、制御されたシミュレーションプロセスを通じて合成的に生成された。したがって、施設審査委員会（IRB）による倫理的承認およびインフォームド・コンセントは不要であった。本研究は計算研究の標準的なガイドラインに準拠しており、手法の完全な再現性と透明性を確保している。
理論的枠組みおよび根拠
提案されたグラフベース感情カリキュラムインテリジェンスフレームワーク（GECIF）は、人工知能、グラフベース学習、アフェクティブコンピューティング、および視覚的ペダゴジーの統合に基づいています。本フレームワークは、学習を、認知の発達、感情の進化、および行動的なエンゲージメントを同時に捉える動的かつ多次元的なプロセスとしてモデル化することを目的としています。従来の指導法では、知識習得が線形に進展すると想定されることが多く、認知能力と心理状態の間の複雑な相互作用が十分に反映されていません。この制限は、感情表現、モチベーション、創造性が技術的および理論的な学習と不可分である大学の音楽教育において特に重要です。このような背景から、本フレームワークでは教育プロセスを、知識要素、学習活動、および感情状態が絶えず相互に影響し合う相互接続システムとして概念化しています。グラフベースのモデリングにより、これらの関係性を構造的かつ拡張可能な形式で表現することが可能となり、直接的および間接的な依存関係を効果的に捉えることができます。感情ダイナミクスは補助的な変数ではなく固有のコンポーネントとして組み込まれており、学習プロセス中に心理状態がどのように進化し伝播するかをシミュレーションすることが可能です。さらに、視覚的なティーチングデザインを統合することで、抽象的な計算上の相互作用を直感的なグラフ表現に変換し、解釈可能性を向上させています。
方法論およびシミュレーション研究のデザイン
本研究では、ヒトの被験者を伴わない計算シミュレーションベースの設計を採用しており、すべてのデータは制御可能で再現性のあるパイプラインを通じて合成的に生成されています。したがって、報告された結果は、実際の学習者から得られた経験的観察ではなく、モデルに基づく評価を示すものです。学習パフォーマンス、エンゲージメント、感情的な安定性、およびストレス軽減における改善は、提案されたフレームワークによるシミュレーション上の効果、または潜在的な効果として解釈されます。このシミュレーション環境は、時間的依存関係、インタラクションパターンの変動、および変化する感情状態を組み込むことで、現実的な学習条件を近似しています。また、比較実験構成が実装されており、提案されたGECIFフレームワークを、従来のベースラインモデルと比較評価しています。このベースラインモデルは、グラフベースの表現、感情モデリング、またはカリキュラム最適化を行わず、インタラクションの強度のみに基づいて知識が進化する非適応型学習システムを表しています。一貫性のある偏りのない比較を確実にするため、両モデルは同一のシミュレーション条件下で実行されています。
データセットの生成と構造
インタラクションログ、感情指標、および学習パフォーマンス指標を統一された時間枠の中で統合することにより、大学の音楽教育における学習ダイナミクスをシミュレートするための大規模データセットを構築しました。このデータセットは、人口統計学的および行動的属性とともに学業成績データを提供する、公開されている学生パフォーマンスデータセット（UCI Machine Learning Repository）から派生し、拡張されました。このデータセットは、現実的な学習パターンのモデリングのための基礎的な参照資料として機能しました。インタラクションログは、練習セッション、リスニング演習、視覚的学習タスクなどの学習活動へのシミュレートされた関与を表しています。感情指標は、ストレス、エンゲージメント、モチベーションなどの心理状態を捉え、学習パフォーマンスは、時間の経過に伴う知識の習得と進展を反映しています。データセットを充実させ、時間的な依存性を組み込むために、再現性を確保するための固定ランダムシード初期化を伴うMATLABベースのシミュレーションパイプラインを採用しました。自己回帰プロセスを通じて時間的な連続性を導入し、インタラクション行動と感情状態が時間とともに緩やかに変化するようにしました。最終的なデータセットには、500の時間ステップにわたって観察された1,000人のシミュレートされた学習者が含まれており、多様な学習行動を表す複数のインタラクション特徴量が含まれています。整合性と比較可能性を確保するため、すべての変数は [0,1] の範囲で正規化されています。偏りのないモデル評価を確実にするため、データセットは70%–15%–15%の分割を用いて、トレーニング用、検証用、およびテスト用のサブセットに分割されています。
グラフの構築と表現
学習環境は、以下のように定義される重み付きグラフとしてモデル化されます：
G = (V,E,W) (1)
ここで、はノードの集合を、はエッジの集合を、そしてはノード間の関係の強さを記述する重み付き隣接行列を表します。ノード集合は次のように分解されます：
V = Vk∪Va∪Ve (2)
ここで、Vk、Va、および Ve は、それぞれ知識ノード、アクティビティノード、および感情ノードに対応します。エッジの重みは次のように計算されます：
Wij = α Sc(i,j) + βSe(i,j) (3)
ここで、Sc(i,j)はノード間の認知的な類似性を、 Se(i,j)は感情的な相関を表し、αおよびβはそれらの相対的な影響を制御する重み係数である。式(3)は、構造的関係と感情的関係がどのように共同してグラフの接続性を決定するかを定義している。
ノード状態の表現とグラフ学習
各ノードは、次のように定義される動的状態ベクトルに関連付けられています：
xi(t) = [ki(t),ei(t),ai(t)] (4)
どこ ki(t), ei(t)、および ai(t) その時点における知識レベル、感情状態、およびエンゲージメントレベルを示す t、それぞれである。ノード表現は、グラフベースの集約を用いて更新される。
(5)
ここで、
はレイヤー l におけるノード i の埋め込みであり、σ は非線形活性化関数、N(i) は隣接ノードの集合を表します。式 (5) は、各ノードが隣接ノードからどのように情報を統合するかを記述しています。さらに、アテンションメカニズムが導入されます：
(6)
ここで、 αij はアテンション係数であり、∅(·)は類似度関数である。式(6)により、隣接ノードの寄与を適応的に重み付けすることが可能になる。
感情ダイナミクスモデリング
感情状態の時間的推移は、以下のようにモデル化されます：
(7)
ここで γは感情保持係数である。式(7)は、感情的影響の持続性と伝播の両方を捉えている。感情の安定性は次のように定量化される：
(8)
ここで、E+(t) および E-(t) は正および負の感情成分を表し、
はゼロ除算を防ぐための小さな定数です。ストレスの蓄積は以下のように定義されます：
(9)
ここで、 λ(τ)は瞬間的な応力拡大係数を表します。式(9)は、時間経過に伴う累積応力をモデル化したものです。
学習の最適化と適応的カリキュラム設計
学習プロセスは、多目的最適化関数によって制御されます：
J = λ1K + λ2K - λ3S (10)
ここで、Kは知識の習得量、Eは情緒的安定性、Sはストレスレベルを表し、 λ1, λ2, λ3は重み付け係数である。式(10)は、認知的な目標と情緒的な目標のバランスを調整する。適応的カリキュラムの再配線は、以下のように定義される：
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
ここで、η は学習率であり、 Δij(t)は学習ダイナミクスによって駆動される更新調整を表します。式(11)により、グラフ構造を時間とともに進化させることが可能になります。
時間スケールとシミュレーション期間
すべてのシミュレーションは、実時間単位ではなく正規化されたタイムステップを用いて実施されます。短い間隔はシステム進化を表すスケールされたシミュレーションステップに対応し、500ステップ以上の延長シミュレーションは、長期的な挙動、収束性、および堅牢性を評価するために使用されます。
評価指標および統計解析
本フレームワークは、知識獲得量、感情的安定性、ストレスレベル、エンゲージメントレベル、およびロバスト性を含む正規化された指標を用いて評価されます。統計解析にはMATLABの統計関数を使用し、各指標について平均値、標準偏差、および95%信頼区間を算出します。対応のあるt検定を適用する前に、正規性の仮定を確認します。提案したフレームワークとベースラインモデルとの比較評価は、n = 1000人のシミュレーション学習者を対象に行い、統計的有意性はp < 0.05と定義します。
再現性と実施詳細
すべてのシミュレーション、データ処理パイプライン、および評価手順は完全に再現可能です。データセットの生成プロセス、グラフ構築パラメータ、モデル構成、および最適化設定は明確に定義されています。繰り返し実行しても一貫した出力が得られるよう、乱数シードの初期化は固定されています。すべてのハイパーパラメータ、スクリプト、およびデータセットの説明は補足資料に提供されており、MATLABまたは同等の計算ツールを用いて本研究を完全に再現することが可能です。
すべてのシミュレーション、データ処理パイプライン、および評価スクリプトは、補足ファイル1に提供されています。データセットには、生のインタラクションログ、感情指標、および学習パフォーマンス指標が含まれています。グラフ構築パラメータおよび最適化設定は完全に文書化されています。本システムは、標準的な機械学習フレームワークを用いて再現可能です。一貫性を確保するため、乱数シードの初期値は固定されています。すべてのハイパーパラメータは明示的に報告されています。このプロトコルにより、完全な透明性と再現性が保証されます。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
結果
提案されたグラフベース感情カリキュラム・インテリジェンス・フレームワーク（GECIF）の性能を、n = 1000人の学習者とT = 500の正規化タイムステップからなるシミュレーションベースのデータセットを用いて評価した。図1は、AI駆動の視覚的音楽教育およびメンタルヘルス向上のためのGECIFの概念的アーキテクチャを示している。すべての指標は[0,1]の範囲内の正規化スケールで報告されている。統計的評価には、平均値、標準偏差（SD）、および95%信頼区間（CI）が含まれ、有意性は対応のあるt検定（p < 0.05）を用いて判定した。すべての比較は、シミュレーションされた全集団にわたって算出されている。図2は、提案フレームワークとベースラインモデルの学習ダイナミクスおよび知識習得行動を比較して示している。GECIFフレームワークは0.88 ± 0.04（95% CI: 0.84–0.92）の知識獲得を達成したのに対し、ベースラインモデルは0.65 ± 0.06（95% CI:...
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
ディスカッション
本研究では、グラフベースの表現学習、情動状態モデリング、適応的カリキュラム最適化、およびAI駆動型の視覚的指導を、大学の音楽教育のための統一された計算フレームワークに統合した、グラフベース情動カリキュラム知能フレームワーク（GECIF）を提案しました。主に学業成績の最適化を目的とする従来のAI支援教育モデルとは異なり、提案されたフレームワークは、知識習得、情動調節、学習者のエンゲージメント、および適応的なカリキュラムの進化の間の相互作用を同時にモデリングします。シミュレーションの結果、知識の獲得量、情動の安定性、学習者のエンゲージメント、およびストレス軽減を含む複数の評価指標において、提案フレームワークは従来のベースラインを一貫して上回る性能を示しました。これらの知見は、関係グラフ構造と情動認識学習を統合することが、認知的な適応のみに依存するアプローチよりも、教育プロセスのより包括的な計算表現を提供することを示唆しています。
シミュレーション学習におけるパフォーマンスの向上という観察結果は、AI駆動型適応教育における最近の進展と一致しています。AI技術は、学習者の特性や教育的ニーズ...
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
開示事項
著者に利益相反はありません。
謝辞
著者は、本研究の遂行に必要な学術的環境および組織的支援を提供してくださった安慶師範大学音楽学部に対し、心より感謝申し上げます。また、提案されたフレームワークの開発および評価において、貴重な知見とフィードバックを提供してくださった同僚および学生の皆様に深く感謝いたします。さらに、リソースおよび研究インフラへのアクセスを容易にしてくださった安慶師範大学の支援に感謝いたします。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
材料
| 名前 | 会社 | カタログ番号 | コメント |
|---|---|---|---|
| 32 GB DDR4 RAM モジュール | Kingston Technology | NA | |
| GPU加速用CUDA Toolkit (v11.8) | NVIDIA | version 1.18 | |
| カリキュラム適応エンジン | Custom Implementation | CAE003 | |
| データセット：感情指標 | Generated Dataset | DEI006 | |
| データセット：学習パフォーマンス指標 | Generated Dataset | DLPM007 | |
| データセット：学生インタラクションログ | Generated Dataset | DIL005 | |
| 感情状態シミュレーションモジュール | Custom Implementation | ESM002 | |
| GPUワークステーション (NVIDIA RTX 3080) | NVIDIA | NA | |
| グラフニューラルネットワーク実装モジュール | Custom Implementation | NA | |
| Intel Core i7 プロセッサ (3.6 GHz) | Intel Corporation | NA | |
| Jupyter Notebook 環境 (v6.5) | Project Jupyter | version 6.5 | |
| MATLAB ソフトウェア (R2023a) | MathWorks | R2023a | |
| Matplotlib 可視化ライブラリ (v3.7) | Matplotlib | version 3.7 | |
| NetworkX グラフ処理ライブラリ (v3.1) | NetworkX Developers | version 3.1 | |
| NumPy 数値計算ライブラリ (v1.24) | NumPy Developers | version 1.24 | |
| 最適化モジュール (多目的ソルバー) | Custom Implementation | MOS008 | |
| Pandas データ処理ライブラリ (v2.0) | Pandas Development Team | version 2.0 | |
| Python プログラミング環境 (v3.10) | Python Software Foundation | version 3.10 | |
| PyTorch ディープラーニングフレームワーク (v2.0) | Meta AI | version 2.0 | |
| 乱数シード初期化スクリプト | Custom Implementation | RSI009 | |
| Scikit-learn 機械学習ライブラリ (v1.3) | Scikit-learn | version 1.3 | |
| Seaborn 統計可視化ライブラリ (v0.12) | Seaborn | version 0.12 | |
| TensorFlow ライブラリ (v2.12) | version 2.12 | ||
| 視覚的学習インターフェースツールキット | Custom Implementation | VLI004 | |
| Windows 11 オペレーティングシステム | Microsoft | W11 |
参考文献
- 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.
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。