이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

연구 논문

대학 음악 과정의 정신 건강 증진을 위한 인공지능 통합 시각적 교수 설계의 시뮬레이션 기반 평가

1 조회수

⸱

DOI:

10.3791/71847

⸱

2026년 10월 6일

1Music Department, Anqing Normal University

이 논문에서

요약

본 연구는 대학 음악 교육의 AI 기반 시각적 교수법을 위한 그래프 기반 정서적 커리큘럼 지능 프레임워크를 제안합니다. 시뮬레이션 기반 데이터셋을 사용하여, 이 프레임워크는 지식 습득, 정서적 역학 및 참여도를 모델링합니다. 연구 결과, 기존 모델과 비교하여 학습 효율성이 향상되고 스트레스가 감소한 것으로 나타났으며, 이는 적응형 정신 건강 인식 교육 시스템의 가능성을 입증합니다.

초록

대학 음악 교육에서의 시각적 교수 설계는 학생들의 참여도를 높이고 심리적 웰빙을 증진할 수 있는 잠재력으로 인해 점점 더 많은 관심을 받고 있습니다. 그러나 기존의 교수법은 학습자의 변화하는 인지적 및 정서적 상태에 대응하는 데 필요한 적응력이 부족한 경우가 많아, 학업 성취도와 심리적 균형을 모두 지원하는 데 한계가 있습니다. 본 시뮬레이션 기반 연구의 주요 목적은 대학 음악 과정에서 학습 성과를 최적화하기 위해 시각적 교수 전략과 그래프 기반 정서 모델링을 통합한 인공지능 기반 프레임워크를 개발하고 평가하는 것입니다. 지식, 활동, 정서 노드가 상호 연결된 그래프로 학습 환경을 표현하는 새로운 그래프 기반 정서 커리큘럼 지능 프레임워크(GECIF)가 제안되었습니다. 이 프레임워크는 그래프 기반 표현 학습, 동적 상태 모델링 및 적응형 학습 메커니즘을 통합하여 지식 습득, 참여도, 정서적 안정성 및 스트레스의 시간에 따른 변화를 시뮬레이션합니다. 재현성을 보장하기 위해 제어된 MATLAB 기반 시뮬레이션 파이프라인을 통해 상호작용 로그, 정서 지표 및 학습 성과 변수로 구성된 합성 데이터 세트를 생성하였습니다. GECIF는 정규화된 시뮬레이션 단계 전반에 걸쳐 동일한 실험 조건 하에서 기존의 비적응형 기준 모델과 비교하여 평가되었습니다. 성능은 지식 습득량, 정서적 안정성, 스트레스 감소, 참여 수준 및 견고성을 포함한 정규화된 시뮬레이션 지표를 사용하여 평가되었습니다. 제안된 프레임워크는 기준 모델보다 지속적으로 우수한 성능을 보였으며, 더 높은 시뮬레이션 지식 습득, 개선된 정서 조절, 더 높은 참여도, 시뮬레이션된 스트레스 감소 및 향상된 견고성을 입증하였습니다. 평균값, 표준 편차 및 95% 신뢰 구간에 기반한 통계 분석을 통해 모든 평가 지표에서 일관된 개선이 확인되었습니다. 이러한 결과는 적응형 음악 교육을 위한 AI 기반 정서 인지 시각적 교수 전략의 잠재력을 보여주며, 지능형 교육 시스템의 향후 연구를 지원할 수 있는 확장 가능하고 재현 가능한 계산 프레임워크를 제공합니다.

서론

인공지능(AI)의 교육 시스템 통합은 전통적인 교수법 패러다임을 크게 변화시켜, 더욱 적응적이고 개인화된 데이터 기반 학습 경험을 가능하게 했습니다1,2,3. 최근 몇 년 동안 시각적 교수 설계는 특히 추상적 개념, 정서적 표현 및 지각적 이해가 중심 역할을 하는 음악 교육과 같은 학문 분야에서 효과적인 교육적 접근법으로 부상했습니다4,5,6,7. 그래픽 인터페이스, 대화형 시뮬레이션 및 멀티미디어 요소를 포함한 시각적 표현은 더 깊은 인지적 처리를 촉진하고 학습자의 참여도를 높입니다8,9,10,11. 그러나 이러한 발전에도 불구하고, 기존의 시각적 교수법은 종종 정적인 상태로 남아 있으며 학습자의 진화하는 인지적 및 정서적 상태에 역동적으로 반응하는 능력이 부족합니다12,13,14. 음악 교육, 특히 대학 수준의 교육은 본질적으로 다차원적인 특성 때문에 독특한 어려움이 있습니다15,16,17. 학습 성과는 음악 이론 및 연주 기법에 대한 인지적 이해뿐만 아니라 동기 부여, 스트레스, 참여도 및 심리적 안녕과 같은 정서적 요인에 의해서도 영향을 받습니다18. 이전 연구들은 정서적 상태와 학습 효과 사이의 강한 상관관계를 강조하며, 높은 수준의 스트레스를 경험하거나 참여도가 낮은 학생들은 학업 성취도가 낮아지는 경향이 있음을 보여주었습니다19,20,21. 학습 개인화를 강화하기 위해 여러 AI 기반 교육 시스템이 제안되었지만, 대부분은 주로 인지적 수행 지표에 집중하며 학습 과정을 형성하는 정서적 역동성의 결정적인 역할을 간과하고 있습니다22.

지능형 학습 시스템의 최근 발전으로 교육 구성 요소 간의 복잡한 관계를 모델링하기 위해 그래프 기반 표현과 딥러닝 기술이 도입되었습니다23,24,25. 그래프 신경망(GNN)을 포함한 그래프 기반 학습 프레임워크는 지식 요소, 학습자 상호작용 및 맥락적 요인 사이의 구조적 의존성을 포착하는 강력한 능력을 입증했습니다26. 또한, 감정 인식 컴퓨팅은 심리적 신호를 적응형 학습 환경에 통합하는 능력으로 주목받아 왔습니다27. 그럼에도 불구하고, 음악 교육을 위한 통합된 프레임워크 내에서 이러한 접근 방식들을 결합하는 시도는 여전히 제한적입니다28,29,30. 기존 연구들은 흔히 감정 변수를 핵심 구성 요소가 아닌 보조 기능으로 취급하며, 인지와 감정 사이의 상호작용에 기반한 지속적인 적응 메커니즘을 제공하는 경우가 드뭅니다31.

또한, 정신 건강을 고려한 교육 분야에서의 AI 적용은 주로 실제 참여자로부터 수집한 경험적 데이터나 센서 기반 데이터에 의존해 왔습니다32. 하지만 이러한 접근 방식은 광범위한 윤리적 승인, 표준화된 측정 도구 및 통제된 실험 조건이 필요하며, 이는 초기 단계의 연구에서는 항상 실행 가능하지 않을 수 있습니다33. 그 결과, 통제 가능하고 재현 가능한 방식으로 복잡한 교육적 역동성을 탐색하기 위한 대안으로 시뮬레이션 기반 방법론이 등장했습니다34. 상호작용 로그, 정서적 지표 및 학습 성과 지표를 모방한 합성 데이터셋을 생성함으로써, 연구자들은 시스템 매개변수와 가정을 완전히 통제하는 동시에 다양한 시나리오에서 제안된 모델의 동작을 평가할 수 있습니다35.

이러한 발전에도 불구하고, 몇 가지 연구 공백이 여전히 남아 있습니다36. 첫째, 구조화된 표현 내에서 지식 습득, 정서적 진화 및 학습 참여를 동시에 모델링하는 통합된 프레임워크가 부족합니다37. 둘째, 현재의 시각적 교수 시스템은 음악적 개념, 학습 활동 및 심리 상태 간의 상호 의존성을 포착하기 위해 그래프 기반 지능을 효과적으로 활용하지 못하고 있습니다38. 셋째, AI 기반 교육 모델의 체계적인 평가를 가능하게 하는 확장 가능하고 재현 가능한 시뮬레이션 파이프라인 개발에 대한 관심이 제한적이었습니다39,40,41. 마지막으로, 기존의 접근 방식은 인지적 차원과 정서적 차원을 동적으로 적응하는 방식으로 통합하여 학습에 대한 총체적인 관점을 제공하는 데 자주 실패합니다42.

이러한 과제를 해결하기 위해, 본 연구는 대학 음악 교육의 AI 기반 시각적 교수 설계(visual teaching design)를 위한 그래프 기반 감성 커리큘럼 지능 프레임워크(GECIF)를 제안합니다. 표 1은 그래프 구성 요소, 노드 상태 및 모델 매개변수에 대한 필수 정의를 제공합니다. 이 표는 방법론의 명확성과 재현성을 보장합니다. 제안된 프레임워크는 교육 환경을 지식 노드, 활동 노드 및 감성 노드로 구성된 상호 연결된 그래프로 모델링하여 학습 역학을 포괄적으로 표현할 수 있게 합니다. 상호작용 로그, 감성 지표 및 성과 지표를 포함하는 제어된 계산 파이프라인을 사용하여 시뮬레이션 기반 데이터셋을 생성함으로써 재현성과 확장성을 확보했습니다. 이 프레임워크는 적응형 학습 메커니즘, 감성 상태 모델링 및 그래프 기반 최적화를 통합하여 시간에 따른 학습 결과와 심리적 상태의 진화를 시뮬레이션합니다. 기존 학습 모델과의 비교 평가는 지식 습득, 감성적 안정성, 스트레스 감소, 몰입도 및 강건성을 포함한 다각적인 성과 지표를 사용하여 수행됩니다.

본 연구의 주된 목적은 대학 음악 과정에서 학습 효율을 높이고 정신 건강을 고려한 교육을 지원하기 위해, 그래프 기반 모델링과 정서 지능을 통합한 시뮬레이션 기반의 AI 구동 시각적 교수 프레임워크를 개발하고 평가하는 것입니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

본 연구는 인간 참여자, 임상 데이터 또는 개인 정보를 포함하지 않는 계산 및 시뮬레이션 기반 조사입니다. 이 연구에 사용된 모든 데이터는 제어된 시뮬레이션 프로세스를 통해 합성적으로 생성되었습니다. 따라서 기관 생명윤리위원회(IRB)의 윤리적 승인 및 고지된 동의는 필요하지 않았습니다. 본 연구는 계산 연구의 표준 가이드라인을 준수하며 방법론의 완전한 재현성과 투명성을 보장합니다.

이론적 배경 및 근거

제안된 그래프 기반 정서 교육과정 지능 프레임워크(GECIF)는 인공지능, 그래프 기반 학습, 정서 컴퓨팅 및 시각적 교수법의 통합을 기반으로 하며, 인지적 발달, 정서적 진화 및 행동적 참여를 동시에 포착하는 역동적이고 다차원적인 과정으로 학습을 모델링하는 것을 목표로 합니다. 전통적인 교수법은 흔히 지식 습득의 선형적 진행을 가정하며, 인지적 성과와 심리적 상태 사이의 복잡한 상호작용을 충분히 반영하지 못합니다. 이러한 한계는 정서적 표현, 동기 부여 및 창의성이 기술적, 이론적 학습과 불가분한 관계에 있는 대학 음악 교육에서 특히 치명적입니다. 이러한 맥락에서, 본 프레임워크는 교육 과정을 지식 요소, 학습 활동 및 정서적 상태가 지속적으로 서로에게 영향을 미치는 상호 연결된 시스템으로 개념화합니다. 그래프 기반 모델링은 이러한 관계에 대한 구조적이고 확장 가능한 표현을 가능하게 하여, 직접적 및 간접적 의존성을 모두 효과적으로 포착할 수 있게 합니다. 정서적 역동성은 보조 변수가 아닌 내재적 구성 요소로 통합되어, 학습 과정 동안 심리적 상태가 어떻게 진화하고 전파되는지를 시뮬레이션할 수 있게 합니다. 시각적 교수 설계의 통합은 추상적인 계산적 상호작용을 직관적인 그래픽 표현으로 변환함으로써 해석 가능성을 더욱 향상시킵니다.

방법론 및 시뮬레이션 연구 설계

본 연구는 인간 참여자가 포함되지 않고 모든 데이터가 제어 가능하며 재현 가능한 파이프라인을 통해 합성 생성되는 컴퓨터 시뮬레이션 기반 설계를 채택하였습니다. 따라서 보고된 결과는 실제 학습자로부터 얻은 경험적 관찰이 아니라 모델 기반 평가를 나타냅니다. 학습 성과, 참여도, 정서적 안정성 및 스트레스 감소의 향상은 제안된 프레임워크의 시뮬레이션된 효과 또는 잠재적 효과로 해석됩니다. 시뮬레이션 환경은 시간적 의존성, 상호작용 패턴의 가변성 및 진화하는 정서 상태를 통합함으로써 실제 학습 조건에 근접하게 구현되었습니다. 제안된 GECIF 프레임워크를 기존의 베이스라인 모델과 비교하는 실험 구성이 구현되었으며, 이 베이스라인 모델은 그래프 기반 표현, 정서 모델링 또는 커리큘럼 최적화 없이 오직 상호작용 강도에 기반하여 지식이 발전하는 비적응형 학습 시스템을 나타냅니다. 일관되고 편향되지 않은 비교를 보장하기 위해 두 모델 모두 동일한 시뮬레이션 조건 하에서 실행되었습니다.

데이터셋 생성 및 구조

통합된 시간적 프레임워크 내에서 상호작용 로그, 정서적 지표 및 학습 성과 지표를 통합하여 대학 음악 교육의 학습 역학을 시뮬레이션하기 위한 대규모 데이터셋을 구축하였습니다. 이 데이터셋은 인구통계학적 및 행동적 속성과 함께 학업 성적 데이터를 제공하는 공개 학생 성적 데이터셋(UCI Machine Learning Repository)에서 유도 및 확장되었습니다. 이 데이터셋은 현실적인 학습 패턴을 모델링하기 위한 기초 참조 자료로 활용되었습니다. 상호작용 로그는 연습 세션, 청취 연습 및 시각적 학습 과제와 같은 학습 활동에 대한 시뮬레이션된 참여도를 나타냅니다. 정서적 지표는 스트레스, 몰입도 및 동기를 포함한 심리적 상태를 포착하며, 학습 성과는 시간이 경과함에 따른 지식 습득 및 진전 정도를 반영합니다. 데이터셋을 풍부하게 하고 시간적 의존성을 포함하기 위해, 재현성을 보장하고자 고정된 랜덤 시드 초기화를 적용한 MATLAB 기반 시뮬레이션 파이프라인을 사용하였습니다. 자기회귀 프로세스를 통해 시간적 연속성을 도입함으로써 상호작용 행동과 정서적 상태가 시간에 따라 점진적으로 변화하도록 하였습니다. 최종 데이터셋에는 500번의 타임 스텝 동안 관찰된 1,000명의 시뮬레이션 학습자가 포함되어 있으며, 다양한 학습 행동을 나타내는 여러 상호작용 특성이 포함되어 있습니다. 모든 변수는 일관성과 비교 가능성을 보장하기 위해 [0,1] 범위 내에서 정규화되었습니다. 데이터셋은 편향 없는 모델 평가를 위해 70%–15%–15%의 비율로 훈련, 검증 및 테스트 서브셋으로 분할되었습니다.

그래프 구축 및 표현

학습 환경은 다음과 같이 정의되는 가중치 그래프로 모델링됩니다:

G = (V,E,W)  (1)

여기서 은 노드 집합을, 은 엣지 집합을 나타내며, 은 노드 간 관계의 강도를 설명하는 가중 인접 행렬입니다. 노드 집합은 다음과 같이 분해됩니다:

V = Vk∪Va∪Ve  (2)

여기서 Vk, Va 및 Ve 는 각각 지식 노드, 활동 노드 및 감정 노드에 해당합니다. 에지 가중치는 다음과 같이 계산됩니다:

Wij = α Sc(i,j) + βSe(i,j)  (3)

여기서 Sc(i,j)는 노드 간의 인지적 유사성을 나타내고,  Se(i,j)는 정서적 상관관계를 나타내며, α와 β는 이들의 상대적 영향력을 조절하는 가중 계수입니다. 식 (3)은 구조적 관계와 정서적 관계가 그래프의 연결성을 어떻게 공동으로 결정하는지 정의합니다.

노드 상태 표현 및 그래프 학습

각 노드는 다음과 같이 정의되는 동적 상태 벡터와 연관됩니다:

xi(t) = [ki(t),ei(t),ai(t)]  (4)

여기서 ki(t), ei(t) 및 ai(t)는 각각 시간 t에서의 지식 수준, 정서 상태 및 참여 수준을 나타냅니다. 노드 표현은 그래프 기반 집계를 통해 업데이트됩니다:

figure-protocol-1   (5)

여기서 figure-protocol-2은 레이어 l에서의 노드 i의 임베딩이고, σ는 비선형 활성화 함수이며, N(i)는 인접 노드 집합을 나타냅니다. 식 (5)는 각 노드가 이웃 노드로부터 정보를 통합하는 방식을 설명합니다. 여기에 어텐션 메커니즘이 추가로 도입됩니다:

figure-protocol-3     (6)

여기서 αij 는 어텐션 계수이며 ∅(·)는 유사도 함수입니다. 식 (6)을 통해 인접 노드 기여도의 적응적 가중치 부여가 가능해집니다.

정서 역학 모델링

정서 상태의 시간적 진화는 다음과 같이 모델링됩니다:

figure-protocol-4     (7)

여기서 γ는 정서 유지 계수입니다. 식 (7)은 정서적 영향의 지속성과 전파를 모두 포착합니다. 정서적 안정성은 다음과 같이 정량화됩니다:

figure-protocol-5    (8)

여기서 E+(t) 와 E-(t) 는 각각 긍정적 및 부정적 정서 성분을 나타내며, figure-protocol-6 는 0으로 나누는 것을 방지하기 위한 작은 상수입니다. 스트레스 누적은 다음과 같이 정의됩니다:

figure-protocol-7     (9)

여기서  λ(τ)는 순간 응력 강도를 나타냅니다. 식 (9)는 시간에 따른 누적 응력을 모델링합니다.

학습 최적화 및 적응형 커리큘럼 설계

학습 과정은 다중 목적 최적화 함수에 의해 제어됩니다:

J = λ1K + λ2K - λ3S  (10)

여기서 K는 지식 습득, E는 정서적 안정성, S는 스트레스 수준을 나타내며,  λ1, λ2, λ3은 가중치 계수입니다. 식 (10)은 인지적 목표와 정서적 목표의 균형을 맞춥니다. 적응형 커리큘럼 재배선은 다음과 같이 정의됩니다:

Wij(t + 1) = Wij(t) + ηΔij(t)  (11)

여기서 η 은 학습률이며,  Δij(t)는 학습 역학에 의해 유도된 업데이트 조정값을 나타냅니다. 식 (11)을 통해 그래프 구조가 시간에 따라 진화할 수 있습니다.

시간 척도 및 시뮬레이션 지속 시간

모든 시뮬레이션은 실제 시간 단위가 아닌 정규화된 시간 단계를 사용하여 수행됩니다. 짧은 간격은 시스템 진화를 나타내는 스케일링된 시뮬레이션 단계에 해당하며, 500단계 이상의 확장 시뮬레이션은 장기적 거동, 수렴 및 강건성을 평가하는 데 사용됩니다.

평가 지표 및 통계 분석

본 프레임워크는 지식 습득, 정서적 안정성, 스트레스 수준, 참여도 및 견고성을 포함한 정규화된 지표를 사용하여 평가됩니다. 통계 분석은 MATLAB 통계 함수를 사용하여 수행하며, 각 지표에 대해 평균값, 표준 편차 및 95% 신뢰 구간을 산출합니다. 대응표본 t-검정을 적용하기 전 정규성 가정을 검증합니다. 제안된 프레임워크와 베이스라인 모델 간의 비교 평가는 n = 1000명의 시뮬레이션 학습자를 대상으로 수행되었으며, 통계적 유의성은 p < 0.05로 정의하였습니다.

재현성 및 구현 세부 사항

모든 시뮬레이션, 데이터 처리 파이프라인 및 평가 절차는 완전히 재현 가능합니다. 데이터셋 생성 과정, 그래프 구축 매개변수, 모델 구성 및 최적화 설정이 명확하게 정의되어 있습니다. 반복 실행 시 일관된 결과물을 보장하기 위해 랜덤 시드 초기화 값을 고정하였습니다. 모든 하이퍼파라미터, 스크립트 및 데이터셋 설명은 보충 자료에 제공되므로, MATLAB 또는 이에 상응하는 계산 도구를 사용하여 본 연구를 완전히 재현할 수 있습니다.

모든 시뮬레이션, 데이터 처리 파이프라인 및 평가 스크립트는 보충 자료 1(Supplementary File 1)에 제공됩니다. 데이터 세트에는 원시 상호작용 로그, 정서적 지표 및 학습 성과 지표가 포함되어 있습니다. 그래프 구축 파라미터와 최적화 설정은 상세히 기록되어 있습니다. 본 시스템은 표준 머신러닝 프레임워크를 사용하여 재현할 수 있습니다. 일관성을 보장하기 위해 랜덤 시드 초기화 값을 고정하였습니다. 모든 하이퍼파라미터는 명시적으로 보고되었습니다. 본 프로토콜은 완전한 투명성과 재현성을 보장합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

제안된 그래프 기반 정서 교육과정 지능 프레임워크(Graph-based emotional curriculum intelligence framework, GECIF)의 성능은 T = 500의 정규화된 시간 단계 동안 n = 1000명의 학습자로 구성된 시뮬레이션 기반 데이터셋을 사용하여 평가되었습니다. 그림 1은 AI 기반 시각 음악 교육 및 정신 건강 증진을 위한 GECIF의 개념적 구조를 보여줍니다. 모든 지표는 [0,1] 범위 내의 정규화된 척도로 보고되었습니다. 통계적 평가는 평균값, 표준편차(SD) 및 95% 신뢰구간(CI)을 포함하며, 유의성은 대응표본 t-검정(p < 0.05)을 사용하여 평가되었습니다. 모든 비교는 전체 시뮬레이션 집단을 대상으로 계산되었습니다. 그림 2는 베이스라인 모델과 비교한 제안된 프레임워크의 훈련 역학 및 지식 습득 행동을 보여줍니다. GECIF ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

본 연구에서는 그래프 기반 표현 학습, 정서 상태 모델링, 적응형 커리큘럼 최적화 및 AI 기반 시각적 교수법을 대학 음악 교육을 위한 통합 계산 프레임워크로 결합한 그래프 기반 정서 커리큘럼 지능 프레임워크(GECIF)를 제안하였습니다. 주로 학업 성취도 최적화에 집중하는 기존의 AI 지원 교육 모델과 달리, 제안된 프레임워크는 지식 습득, 정서 조절, 학습자 참여 및 적응형 커리큘럼 진화 간의 상호작용을 동시에 모델링합니다. 시뮬레이션 결과, 제안된 프레임워크는 지식 습득량, 정서적 안정성, 학습자 참여도 및 스트레스 감소를 포함한 여러 평가 지표 전반에서 기존 베이스라인 모델보다 일관되게 우수한 성능을 보였습니다. 이러한 결과는 관계형 그래프 구조와 정서 인식 학습의 통합이 인지적 적응에만 의존하는 접근 방식보다 교육 과정에 대해 더욱 포괄적인 계산적 표현을 제공함을 시사합니다.

시뮬레이션 학습 성과에서 관찰된 개선 사항은 AI 기반 적응형 교육의 최근 발전 방향과 일치합니...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자는 이해관계의 충돌이 없습니다.

감사의 글

저자는 본 연구를 수행하는 데 필요한 학술적 환경과 제도적 지원을 제공해 준 안칭사범대학교 음악학과에 진심으로 감사를 표합니다. 특히 제안된 프레임워크의 개발 및 평가 과정에서 귀중한 통찰과 피드백을 제공해 준 동료들과 학생들에게 깊은 감사를 드립니다. 또한, 리소스 및 연구 인프라에 대한 접근을 지원해 준 안칭사범대학교의 도움에 감사드립니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
32 GB DDR4 RAM 모듈Kingston TechnologyNA
GPU 가속용 CUDA Toolkit (v11.8)NVIDIAversion 1.18
커리큘럼 적응 엔진Custom ImplementationCAE003
데이터셋: 정서적 지표Generated DatasetDEI006
데이터셋: 학습 성취도 지표Generated DatasetDLPM007
데이터셋: 학생 상호작용 로그Generated DatasetDIL005
정서 상태 시뮬레이션 모듈Custom ImplementationESM002
GPU 워크스테이션 (NVIDIA RTX 3080)NVIDIANA
그래프 신경망 구현 모듈Custom ImplementationNA
Intel Core i7 프로세서 (3.6 GHz)Intel CorporationNA
Jupyter Notebook 환경 (v6.5)Project Jupyterversion 6.5
MATLAB 소프트웨어 (R2023a)MathWorksR2023a
Matplotlib 시각화 라이브러리 (v3.7)Matplotlibversion 3.7
NetworkX 그래프 처리 라이브러리 (v3.1)NetworkX Developersversion 3.1
NumPy 수치 계산 라이브러리 (v1.24)NumPy Developersversion 1.24
최적화 모듈 (다목적 솔버)Custom ImplementationMOS008
Pandas 데이터 처리 라이브러리 (v2.0)Pandas Development Teamversion 2.0
Python 프로그래밍 환경 (v3.10)Python Software Foundationversion 3.10
PyTorch 딥러닝 프레임워크 (v2.0)Meta AIversion 2.0
랜덤 시드 초기화 스크립트Custom ImplementationRSI009
Scikit-learn 머신러닝 라이브러리 (v1.3)Scikit-learnversion 1.3
Seaborn 통계 시각화 라이브러리 (v0.12)Seabornversion 0.12
TensorFlow 라이브러리 (v2.12)Googleversion 2.12
시각적 학습 인터페이스 툴킷Custom ImplementationVLI004
Windows 11 운영체제MicrosoftW11

참고문헌

  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.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

더 많은 논문 탐색

인공지능 교육정서 모델링적응형 학습정서적 안정성학생 참여도스트레스 감소그래프 기반 학습
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.