Deze studie stelt een op grafen gebaseerd intelligent raamwerk voor een emotioneel curriculum voor AI-gestuurd visueel onderwijs in het muziekonderwijs op universitair niveau voor. Met behulp van een op simulaties gebaseerde dataset modelleert het raamwerk kennisverwerving, emotionele dynamiek en betrokkenheid. De resultaten wijzen op een verbeterde leerefficiëntie en stressreductie in vergelijking met conventionele modellen, wat het potentieel aantoont voor adaptieve educatieve systemen die rekening houden met de geestelijke gezondheid.
Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
Onderzoeksartikel
Simulatiegebaseerde evaluatie van door kunstmatige intelligentie geïntegreerd visueel onderwijsontwerp voor de bevordering van de geestelijke gezondheid in muziekcursussen voor het hoger onderwijs
In dit artikel
Samenvatting
Samenvatting
Visueel didactisch ontwerp in het muziekonderwijs op instellingen voor hoger onderwijs heeft toenemende aandacht gekregen vanwege het potentieel om de betrokkenheid van studenten te vergroten en het mentale welzijn te bevorderen. Conventionele instructiemethoden missen echter vaak de adaptiviteit die nodig is om te reageren op de evoluerende cognitieve en emotionele toestanden van lerenden, wat hun effectiviteit bij het ondersteunen van zowel academische prestaties als psychologisch evenwicht beperkt. Het hoofddoel van deze simulatiegebaseerde studie is het ontwikkelen en evalueren van een door kunstmatige intelligentie aangestuurd framework dat visuele onderwijstrategieën integreert met grafiekgebaseerde emotionele modellering om leerresultaten in universitaire muziekcursussen te optimaliseren. Er wordt een vernieuwend graph-based emotional curriculum intelligence framework (GECIF) voorgesteld, waarin de leeromgeving wordt gerepresenteerd als een onderling verbonden grafiek van kennis-, activiteits- en emotienodes. Het framework omvat grafiekgebaseerd representatie-leren, dynamische toestandsmodellering en adaptieve leermechanismen om de evolutie van kennisverwerving, betrokkenheid, emotionele stabiliteit en stress in de loop van de tijd te simuleren. Een synthetische dataset bestaande uit interactielogs, emotionele indicatoren en variabelen voor leerprestaties werd gegenereerd via een gecontroleerde MATLAB-gebaseerde simulatiepipeline om reproduceerbaarheid te waarborgen. GECIF werd geëvalueerd ten opzichte van een conventioneel niet-adaptief basismodel onder identieke experimentele omstandigheden over genormaliseerde simulatiestappen. De prestaties werden beoordeeld met behulp van genormaliseerde simulatiemetrieken, waaronder kenniswinst, emotionele stabiliteit, stressreductie, betrokkenheidsniveau en robuustheid. Het voorgestelde framework presteerde consistent beter dan het basismodel en vertoonde een hogere gesimuleerde kennisverwerving, verbeterde emotionele regulatie, grotere betrokkenheid, gereduceerde gesimuleerde stress en een verbeterde robuustheid. Statistische analyse op basis van gemiddelden, standaarddeviaties en 95% betrouwbaarheidsintervallen bevestigde consistente verbeteringen over alle evaluatiemetrieken. Deze bevindingen tonen het potentieel aan van AI-gestuurde, emotiebewuste visuele onderwijstrategieën voor adaptief muziekonderwijs, terwijl ze een schaalbaar en reproduceerbaar computationeel framework bieden ter ondersteuning van toekomstig onderzoek naar intelligente educatieve systemen.
Inleiding
De integratie van kunstmatige intelligentie (AI) in onderwijssystemen heeft traditionele onderwijsparadigma's aanzienlijk getransformeerd, waardoor adaptievere, gepersonaliseerde en datagestuurde leerervaringen mogelijk zijn geworden1,2,3. In recente jaren is visueel onderwijsontwerp naar voren gekomen als een effectieve pedagogische benadering, met name in disciplines zoals muziekeducatie, waar abstracte concepten, emotionele expressie en perceptueel begrip een centrale rol spelen4,5,6,7. Visuele representaties, waaronder grafische interfaces, interactieve simulaties en multimedia-elementen, faciliteren een diepere cognitieve verwerking en vergroten de betrokkenheid van leerlingen8,9,10,11. Ondanks deze vorderingen blijven bestaande visuele onderwijsmethoden echter vaak statisch en missen ze het vermogen om dynamisch te reageren op de evoluerende cognitieve en emotionele toestanden van leerlingen12,13,14. Muziekeducatie, vooral op hbo- en universitair niveau, brengt unieke uitdagingen met zich mee vanwege de inherent multidimensionale aard ervan15,16,17. Leerresultaten worden niet alleen beïnvloed door het cognitieve begrip van muziektheorie en uitvoeringstechnieken, maar ook door emotionele factoren zoals motivatie, stress, betrokkenheid en psychisch welbevinden18. Eerdere studies hebben de sterke relatie tussen emotionele toestanden en effectiviteit van het leren benadrukt, waarbij bleek dat studenten die hoge niveaus van stress of een lage betrokkenheid ervaren, neigen naar verminderde academische prestaties19,20,21. Hoewel er verschillende op AI gebaseerde onderwijssystemen zijn voorgesteld om de personalisatie van het leren te verbeteren, richten de meeste zich primair op cognitieve prestatiemetriek en negeren ze de kritische rol van emotionele dynamiek bij het vormgeven van het leerproces22.
Recente ontwikkelingen in intelligente leersystemen hebben grafiekgebaseerde representaties en deep learning-technieken geïntroduceerd om complexe relaties tussen educatieve componenten te modelleren23,24,25. Grafiekgebaseerde leerraamwerken, waaronder grafiekneurale netwerken (GNN's), hebben sterke mogelijkheden aangetoond in het vastleggen van gestructureerde afhankelijkheden tussen kenniselementen, interacties van leerlingen en contextuele factoren26. Daarnaast heeft emotiebewuste computing aandacht gekregen vanwege het vermogen om psychologische signalen te integreren in adaptieve leeromgevingen27. Desondanks blijft de integratie van deze benaderingen binnen een uniform raamwerk voor muziekeducatie beperkt28,29,30. Bestaande werken behandelen emotionele variabelen vaak als hulpkenmerken in plaats van als kerncomponenten, en bieden zelden mechanismen voor continue adaptatie op basis van de wisselwerking tussen cognitie en emotie31.
Bovendien is de toepassing van AI in onderwijs dat rekening houdt met de mentale gezondheid voornamelijk gebaseerd op empirische of sensor-gebaseerde gegevens die zijn verzameld bij echte deelnemers32. Dergelijke benaderingen vereisen echter uitgebreide ethische goedkeuringen, gestandaardiseerde meetinstrumenten en gecontroleerde experimentele omstandigheden, wat in vroege stadia van onderzoek niet altijd haalbaar is33. Als gevolg hiervan zijn simulatie-gebaseerde methodologieën ontstaan als een alternatief voor het verkennen van complexe onderwijsdynamieken op een gecontroleerde en reproduceerbare manier34. Door synthetische datasets te genereren die interactielogs, emotionele indicatoren en leerprestatie-metrieken nabootsen, kunnen onderzoekers het gedrag van voorgestelde modellen onder verschillende scenario's evalueren, terwijl ze volledige controle behouden over systeemparameters en aannames35.
Ondanks deze vooruitgang blijven er verschillende lacunes in het onderzoek bestaan36. Ten eerste is er een gebrek aan uniforme kaders die kennisverwerving, emotionele evolutie en leerbetrokkenheid gelijktijdig modelleren binnen een gestructureerde representatie37. Ten tweede maken huidige visuele instructiesystemen geen effectief gebruik van grafiekgebaseerde intelligentie om de onderlinge afhankelijkheden tussen muzikale concepten, leeractiviteiten en psychologische toestanden vast te leggen38. Ten derde is er beperkte aandacht besteed aan de ontwikkeling van schaalbare en reproduceerbare simulatiepijplijnen die een systematische evaluatie van AI-gestuurde educatieve modellen mogelijk maken39,40,41. Ten slotte slagen bestaande benaderingen er vaak niet in om een holistisch beeld van het leren te bieden dat zowel cognitieve als emotionele dimensies op een dynamisch adaptieve manier integreert42.
Om deze uitdagingen aan te pakken, stelt deze studie een op grafen gebaseerd emotioneel curriculum-intelligentiekader (GECIF) voor voor AI-gestuurd visueel onderwijsontwerp in het muziekonderwijs voor het hoger onderwijs. Tabel 1 geeft essentiële definities voor graafcomponenten, knooppuntenstaten en modelparameters. Deze tabel waarborgt dat de methodologie zowel duidelijk als reproduceerbaar is. Het voorgestelde kader modelleert de onderwijsomgeving als een onderling verbonden graaf bestaande uit kennis-knooppunten, activiteits-knooppunten en emotionele knooppunten, wat een uitgebreide representatie van de leerdynamiek mogelijk maakt. Een simulatie-gebaseerde dataset wordt gegenereerd met behulp van een gecontroleerde computationele pijplijn die interactielogboeken, emotionele indicatoren en prestatiemetrieken bevat, om reproduceerbaarheid en schaalbaarheid te garanderen. Het kader bevat adaptieve leermechanismen, modellering van de emotionele staat en op grafen gebaseerde optimalisatie om de evolutie van leerresultaten en psychologische condities in de loop van de tijd te simuleren. Een vergelijkende evaluatie ten opzichte van een conventioneel leermodel wordt uitgevoerd met behulp van meerdere prestatiemetrieken, waaronder kenniswinst, emotionele stabiliteit, stressreductie, betrokkenheid en robuustheid.
Het hoofddoel van deze studie is het ontwikkelen en evalueren van een simulatiegebaseerd, AI-gestuurd visueel onderwijskader dat grafiekgebaseerde modellering en emotionele intelligentie integreert om de leerefficiëntie te verhogen en onderwijs dat rekening houdt met de mentale gezondheid in muziekcursussen op het hoger onderwijs te ondersteunen.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Protocol
Deze studie is een computationeel en op simulaties gebaseerd onderzoek dat geen menselijke deelnemers, klinische gegevens of persoonlijke informatie omvat. Alle gegevens die in dit onderzoek zijn gebruikt, zijn synthetisch gegenereerd via gecontroleerde simulatieprocessen. Daarom waren ethische goedkeuring van een institutionele toetsingscommissie en geïnformeerde toestemming niet vereist. De studie houdt zich aan de standaardrichtlijnen voor computationeel onderzoek en garandeert volledige reproduceerbaarheid en transparantie van de methodologie.
Theoretisch kader en rationaal
Het voorgestelde graph-gebaseerde emotional curriculum intelligence framework (GECIF) is gebaseerd op de integratie van kunstmatige intelligentie, graph-gebaseerd leren, emotional computing en visuele pedagogiek, met als doel leren te modelleren als een dynamisch en multidimensionaal proces dat gelijktijdig cognitieve ontwikkeling, emotionele evolutie en gedragsmatige betrokkenheid vastlegt. Traditionele instructiemethoden gaan vaak uit van een lineaire progressie van kennisverwerving en weerspiegelen niet adequaat de complexe interacties tussen cognitieve prestaties en psychologische toestanden. Deze beperking is bijzonder kritisch in het muziekonderwijs op het hoger onderwijs, waar emotionele expressie, motivatie en creativiteit onlosmakelijk verbonden zijn met technisch en theoretisch leren. Binnen deze context conceptualiseert het framework het onderwijsproces als een onderling verbonden systeem waarin kenniselementen, leeractiviteiten en emotionele toestanden elkaar voortdurend beïnvloeden. Graph-gebaseerde modellering maakt een gestructureerde en schaalbare representatie van deze relaties mogelijk, waardoor zowel directe als indirecte afhankelijkheden effectief kunnen worden vastgelegd. Emotionele dynamiek is geïntegreerd als intrinsieke componenten in plaats van hulpvariabelen, wat de simulatie mogelijk maakt van hoe psychologische condities evolueren en zich verspreiden tijdens het leerproces. De integratie van visueel onderwijsontwerp verhoogt de interpreteerbaarheid verder door abstracte computationele interacties om te zetten in intuïtieve grafische representaties.
Methodologie en ontwerp van de simulatiestudie
Deze studie maakt gebruik van een ontwerp op basis van computationele simulatie waarbij geen menselijke participanten betrokken zijn en alle gegevens synthetisch zijn gegenereerd via een gecontroleerde en reproduceerbare pipeline. De gerapporteerde resultaten vertegenwoordigen daarom modelgebaseerde evaluaties in plaats van empirische observaties afgeleid van echte leerlingen. Verbeteringen in leerprestaties, betrokkenheid, emotionele stabiliteit en stressvermindering worden geïnterpreteerd als gesimuleerde of potentiële effecten van het voorgestelde raamwerk. De simulatieomgeving benadert realistische leercondities door temporele afhankelijkheden, variabiliteit in interactiepatronen en evoluerende emotionele toestanden te integreren. Er is een vergelijkende experimentele configuratie geïmplementeerd waarin het voorgestelde GECIF-raamwerk wordt geëvalueerd tegenover een conventioneel basismodel dat een niet-adaptief learningsysteem vertegenwoordigt, waarbij kennis uitsluitend evolueert op basis van interactie-intensiteit zonder graafgebaseerde representatie, emotionele modellering of curriculumoptimalisatie. Beide modellen worden uitgevoerd onder identieke simulatiecondities om een consistente en onbevooroordeelde vergelijking te garanderen.
Datasetgeneratie en -structuur
Er is een grootschalige dataset geconstrueerd om leer-dynamiek in het muziekonderwijs op collegeniveau te simuleren door interactielogboeken, emotionele indicatoren en leerprestatiemetrieken te integreren binnen een uniform temporeel kader. De dataset is afgeleid van en uitgebreid op basis van de publiek beschikbare dataset over studentenprestaties (UCI Machine Learning Repository), die academische prestatiegegevens biedt samen met demografische en gedragsmatige attributen. Deze dataset diende als basisreferentie voor het modelleren van realistische leerpatronen. Interactielogboeken representeren gesimuleerde betrokkenheid bij leeractiviteiten zoals oefensessies, luisteroefeningen en visuele leertaken. Emotionele indicatoren leggen psychologische toestanden vast, waaronder stress, betrokkenheid en motivatie, terwijl de leerprestaties de kennisverwerving en progressie in de loop van de tijd weerspiegelen. Om de dataset te verrijken en temporele afhankelijkheden op te nemen, is een MATLAB-gebaseerde simulatiepipeline gebruikt met een vaste random seed-initialisatie om reproduceerbaarheid te garanderen. Temporele continuïteit werd geïntroduceerd via autoregressieve processen, waardoor interactiegedrag en emotionele toestanden geleidelijk in de tijd kunnen evolueren. De uiteindelijke dataset bevat duizend gesimuleerde lerenden die zijn geobserveerd over vijfhonderd tijdstappen, met meerdere interactiekenmerken die diverse leergedragingen representeren. Alle variabelen zijn genormaliseerd binnen het bereik [0,1] om consistentie en vergelijkbaarheid te waarborgen. De dataset is verdeeld in trainings-, validatie- en testsubsets met een 70%–15%–15% splitsing om een onbevooroordeelde model-evaluatie te garanderen.
Constructie en representatie van grafen
De leeromgeving is gemodelleerd als een gewogen graaf, gedefinieerd als:
G = (V,E,W) (1)
waarbij denoteert de verzameling knopen, representeert de verzameling randen, en is de gewogen adjacentiematrix die de sterkte van de relaties tussen knopen beschrijft. De knopenverzameling wordt ontbonden als:
V = Vk∪Va∪Ve (2)
waarbij Vk, Va en Ve respectievelijk overeenkomen met kennisnodes, activiteitsnodes en emotionele nodes. De gewichten van de randen worden berekend als:
Wij = α Sc(i,j) + βSe(i,j) (3)
waarbij Sc(i,j) de cognitieve gelijkenis tussen knopen vertegenwoordigt, Se(i,j) de emotionele correlatie vertegenwoordigt, en α en β wegingscoëfficiënten zijn die hun relatieve invloed bepalen. Vergelijking (3) definieert hoe structurele en emotionele relaties gezamenlijk de connectiviteit van de graaf bepalen.
Representatie van de knoopstatus en graafleren
Elk knooppunt is geassocieerd met een dynamische toestandsvector die als volgt is gedefinieerd:
xi(t) = [ki(t),ei(t),ai(t)] (4)
waarbij ki(t), ei(t) en ai(t) respectievelijk het kennisniveau, de emotionele toestand en het engagementniveau op tijdstip t aanduiden. Knooppuntrepresentaties worden bijgewerkt met behulp van graafgebaseerde aggregatie:
(5)
waarbij 
de embedding is van node i op laag l, σ een niet-lineaire activatiefunctie is, en N(i) de verzameling naburige nodes aanduidt. Vergelijking (5) beschrijft hoe elke node informatie van zijn buren integreert. Verder wordt een aandachtmechanisme geïntroduceerd:
(6)
waarbij αij de attentiecoëfficiënt is en ∅(·) een similariteitsfunctie is. Vergelijking (6) maakt adaptieve weging van de bijdragen van naburige knopen mogelijk.
Modellering van emotionele dynamiek
De temporele evolutie van emotionele toestanden wordt gemodelleerd als:
(7)
waarbij γ de emotionele retentiecoëfficiënt is. Vergelijking (7) legt zowel de persistentie als de propagatie van emotionele invloed vast. Emotionele stabiliteit wordt gekwantificeerd als:
(8)
waarbij E+(t) en E-(t) de positieve en negatieve emotionele componenten aanduiden, en 
een kleine constante is die deling door nul voorkomt. Stressaccumulatie wordt gedefinieerd als:
(9)
waarbij λ(τ) de onmiddellijke spanningsintensiteit vertegenwoordigt. Vergelijking (9) modelleert de cumulatieve spanning over de tijd.
Optimalisatie van het leerproces en adaptief curriculumontwerp
Het leerproces wordt aangestuurd door een multi-objectieve optimalisatiefunctie:
J = λ1K + λ2K - λ3S (10)
waarbij K staat voor kenniswinst, E staat voor emotionele stabiliteit en S staat voor het stressniveau, terwijl λ1, λ2, λ3 wegingscoëfficiënten zijn. Vergelijking (10) balanceert cognitieve en emotionele doelstellingen. Adaptieve curriculumherstructurering wordt gedefinieerd als:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
waarbij η de leersnelheid is en Δij(t) de update-aanpassingen vertegenwoordigt die worden aangestuurd door leer-dynamiek. Vergelijking (11) zorgt ervoor dat de grafstructuur in de loop van de tijd kan evolueren.
Temporele schaal en simulatieduur
Alle simulaties worden uitgevoerd met genormaliseerde tijdstappen in plaats van eenheden in reële tijd. Korte intervallen komen overeen met geschaalde simulatiestappen die de evolutie van het systeem representeren, terwijl uitgebreide simulaties over vijfhonderd stappen worden gebruikt om het langetermijngedrag, de convergentie en de robuustheid te evalueren.
Evaluatiemetrieken en statistische analyse
Het raamwerk wordt geëvalueerd aan de hand van genormaliseerde metrieken, waaronder kenniswinst, emotionele stabiliteit, stressniveau, betrokkenheidsniveau en robuustheid. Statistische analyse wordt uitgevoerd met MATLAB-statistische functies, waarbij gemiddelde waarden, standaarddeviaties en 95% betrouwbaarheidsintervallen voor elke metriek worden berekend. Normaliteitsaannames worden geverifieerd voorafgaand aan de toepassing van gepaarde t-toetsen. De vergelijkende evaluatie tussen het voorgestelde raamwerk en het basismodel wordt uitgevoerd bij n = 1000 gesimuleerde lerenden, waarbij statistische significantie wordt gedefinieerd als p < 0,05.
Reproduceerbaarheid en implementatiedetails
Alle simulaties, dataprocessingspijplijnen en evaluatieprocedures zijn volledig reproduceerbaar. Het proces voor de generatie van de dataset, de parameters voor de graafconstructie, de modelconfiguraties en de optimalisatie-instellingen zijn expliciet gedefinieerd. De initialisatie van de random seed is vastgelegd om consistente resultaten over herhaalde runs te garanderen. Alle hyperparamaters, scripts en beschrijvingen van de dataset zijn opgenomen in de aanvullende materialen, waardoor volledige replicatie van de studie mogelijk is met behulp van MATLAB of equivalente computationele tools.
Alle simulaties, dataprocessing-pipelines en evaluatiescripts zijn opgenomen in Aanvullend Bestand 1. De dataset bevat ruwe interactielogs, emotionele indicatoren en metrieken voor leerprestaties. Parameters voor graafconstructie en optimalisatie-instellingen zijn volledig gedocumenteerd. Het systeem kan worden gereproduceerd met behulp van standaard machine learning-frameworks. De initialisatie van de random seed is vastgelegd om consistentie te waarborgen. Alle hyperparameters worden expliciet vermeld. Het protocol garandeert volledige transparantie en reproduceerbaarheid.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Resultaten
De prestaties van het voorgestelde Graph-based emotional curriculum intelligence framework (GECIF) werden geëvalueerd met behulp van een simulatie-gebaseerde dataset bestaande uit n = 1000 lerenden over T = 500 genormaliseerde tijdstappen. Figuur 1 illustreert de conceptuele architectuur van het GECIF voor AI-gestuurde visuele muziekeducatie en de bevordering van de geestelijke gezondheid. Alle metrieken worden gerapporteerd op genormaliseerde schalen binnen het bereik [0,1]. De statistische...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Discussie
De huidige studie stelde een op grafen gebaseerd emotioneel curriculum-intelligentiekader (GECIF) voor, dat op grafen gebaseerd representatieleren, modellering van de emotionele toestand, adaptieve curriculumoptimalisatie en AI-gestuurd visueel onderwijs integreert in een uniform computationeel kader voor muziekonderwijs in het hoger onderwijs. In tegenstelling tot conventionele AI-ondersteunde educatieve modellen die primair de academische prestaties optimaliseren, modelleert het voorgestelde kader gelijktijdig de inter...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Openbaarmakingen
De auteur heeft geen belangenconflict.
Dankbetuigingen
De auteur spreekt zijn oprechte dank uit naar de faculteit Muziek van de Anqing Normal University voor het bieden van de academische omgeving en de institutionele ondersteuning die nodig waren voor het uitvoeren van dit onderzoek. Bijzondere waardering gaat uit naar de collega's en studenten die waardevolle inzichten en feedback hebben gegeven tijdens de ontwikkeling en evaluatie van het voorgestelde raamwerk. De auteur erkent daarnaast de ondersteuning van de Anqing Normal University bij het faciliteren van de toegang tot middelen en de onderzoeksinfrastructuur.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| 32 GB DDR4 RAM-module | Kingston Technology | NA | |
| CUDA Toolkit voor GPU-acceleratie (v11.8) | NVIDIA | version 1.18 | |
| Curriculum Adaptatie-engine | Custom Implementation | CAE003 | |
| Dataset: Emotionele Indicatoren | Generated Dataset | DEI006 | |
| Dataset: Leerprestatie-metrieken | Generated Dataset | DLPM007 | |
| Dataset: Interactielogs van Studenten | Generated Dataset | DIL005 | |
| Module voor Emotionele Toestandssimulatie | Custom Implementation | ESM002 | |
| GPU-workstation (NVIDIA RTX 3080) | NVIDIA | NA | |
| Implementatiemodule voor Graph Neural Networks | Custom Implementation | NA | |
| Intel Core i7 Processor (3.6 GHz) | Intel Corporation | NA | |
| Jupyter Notebook Omgeving (v6.5) | Project Jupyter | version 6.5 | |
| MATLAB Software (R2023a) | MathWorks | R2023a | |
| Matplotlib Visualisatiebibliotheek (v3.7) | Matplotlib | version 3.7 | |
| NetworkX Grafiekverwerkingsbibliotheek (v3.1) | NetworkX Developers | version 3.1 | |
| NumPy Numerieke Rekenbibliotheek (v1.24) | NumPy Developers | version 1.24 | |
| Optimalisatiemodule (Multi-objective Solver) | Custom Implementation | MOS008 | |
| Pandas Gegevensverwerkingsbibliotheek (v2.0) | Pandas Development Team | version 2.0 | |
| Python Programmeeromgeving (v3.10) | Python Software Foundation | version 3.10 | |
| PyTorch Deep Learning Framework (v2.0) | Meta AI | version 2.0 | |
| Script voor Random Seed Initialisatie | Custom Implementation | RSI009 | |
| Scikit-learn Machine Learning Bibliotheek (v1.3) | Scikit-learn | version 1.3 | |
| Seaborn Statistische Visualisatiebibliotheek (v0.12) | Seaborn | version 0.12 | |
| TensorFlow Bibliotheek (v2.12) | version 2.12 | ||
| Visual Learning Interface Toolkit | Custom Implementation | VLI004 | |
| Windows 11 Besturingssysteem | Microsoft | W11 |
Referenties
- 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.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.