Niniejsze badanie proponuje oparty na grafach inteligentny model programowy uwzględniający aspekty emocjonalne, przeznaczony do wizualnej nauki wspomaganej przez AI w edukacji muzycznej na poziomie akademickim. Wykorzystując zbiór danych oparty na symulacji, model ten odwzorowuje proces przyswajania wiedzy, dynamikę emocjonalną oraz zaangażowanie. Wyniki wskazują na poprawę efektywności uczenia się i redukcję stresu w porównaniu z modelami konwencjonalnymi, co wykazuje potencjał w tworzeniu adaptacyjnych systemów edukacyjnych uwzględniających stan zdrowia psychicznego.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
Symulacyjna ocena projektowania wizualnego nauczania zintegrowanego ze sztuczną inteligencją w celu promocji zdrowia psychicznego w ramach zajęć z muzyki na poziomie akademickim
W tym artykule
Podsumowanie
Streszczenie
Projektowanie wizualnych metod nauczania w edukacji muzycznej na poziomie akademickim przyciąga coraz większą uwagę ze względu na potencjał w zwiększaniu zaangażowania studentów i promowaniu dobrostanu psychicznego. Jednak konwencjonalne podejścia dydaktyczne często wykazują brak elastyczności niezbędnej do reagowania na ewoluujące stany poznawcze i emocjonalne uczniów, co ogranicza ich skuteczność w wspieraniu zarówno osiągnięć akademickich, jak i równowagi psychologicznej. Głównym celem niniejszego badania opartego na symulacji jest opracowanie i ocena frameworku napędzanego przez sztuczną inteligencję, który integruje wizualne strategie nauczania z modelowaniem emocjonalnym opartym na grafach, aby zoptymalizować efekty uczenia się w ramach kursów muzycznych na uczelniach. Zaproponowano nowatorski grafowy framework inteligencji programu nauczania emocjonalnego (GECIF), który reprezentuje środowisko uczenia się jako połączony graf węzłów wiedzy, aktywności i emocji. Framework ten zawiera uczenie reprezentacji oparte na grafach, dynamiczne modelowanie stanów oraz adaptacyjne mechanizmy uczenia się w celu symulacji ewolucji przyswajania wiedzy, zaangażowania, stabilności emocjonalnej i stresu w czasie. W celu zapewnienia powtarzalności, za pomocą kontrolowanego potoku symulacyjnego opartego na programie MATLAB, wygenerowano syntetyczny zbiór danych obejmujący logi interakcji, wskaźniki emocjonalne i zmienne wydajności uczenia się. GECIF został oceniony w odniesieniu do konwencjonalnego, nieadaptacyjnego modelu bazowego w identycznych warunkach eksperymentalnych w ramach znormalizowanych kroków symulacji. Wydajność oceniono za pomocą znormalizowanych metryk symulacyjnych, w tym przyrostu wiedzy, stabilności emocjonalnej, redukcji stresu, poziomu zaangażowania oraz odporności. Zaproponowany framework konsekwentnie przewyższał model bazowy, wykazując wyższe symulowane przyswajanie wiedzy, lepszą regulację emocjonalną, większe zaangażowanie, zredukowany symulowany stres oraz zwiększoną odporność. Analiza statystyczna oparta na wartościach średnich, odchyleniach standardowych i 95-procentowych przedziałach ufności potwierdziła spójną poprawę we wszystkich metrykach oceny. Wyniki te demonstrują potencjał strategii wizualnego nauczania opartych na AI i świadomych emocji w adaptacyjnej edukacji muzycznej, dostarczając jednocześnie skalowalny i powtarzalny framework obliczeniowy wspierający przyszłe badania nad inteligentnymi systemami edukacyjnymi.
Wprowadzenie
Integracja sztucznej inteligencji (AI) z systemami edukacyjnymi znacząco przekształciła tradycyjne paradygmaty nauczania, umożliwiając bardziej adaptacyjne, spersonalizowane i oparte na danych doświadczenia edukacyjne1,2,3. W ostatnich latach projektowanie nauczania wizualnego wyłoniło się jako skuteczna metoda pedagogiczna, szczególnie w dyscyplinach takich jak edukacja muzyczna, w której centralną rolę odgrywają pojęcia abstrakcyjne, ekspresja emocjonalna i zrozumienie percepcyjne4,5,6,7. Reprezentacje wizualne, w tym interfejsy graficzne, interaktywne symulacje i elementy multimedialne, ułatwiają głębsze przetwarzanie poznawcze i zwiększają zaangażowanie uczniów8,9,10,11. Jednak mimo tych postępów, istniejące metody nauczania wizualnego często pozostają statyczne i nie posiadają zdolności do dynamicznego reagowania na ewoluujące stany poznawcze i emocjonalne uczniów12,13,14. Edukacja muzyczna, zwłaszcza na poziomie akademickim, stawia unikalne wyzwania ze względu na swoją z natury wielowymiarową charakterystykę15,16,17. Na efekty uczenia się wpływa nie tylko poznawcze zrozumienie teorii muzyki i technik wykonawczych, ale także czynniki emocjonalne, takie jak motywacja, stres, zaangażowanie i dobrostan psychiczny18. Poprzednie badania podkreśliły silny związek między stanami emocjonalnymi a efektywnością nauki, wskazując, że studenci doświadczający wysokiego poziomu stresu lub niskiego zaangażowania mają tendencję do gorszych wyników w nauce19,20,21. Chociaż zaproponowano kilka systemów edukacyjnych opartych na AI w celu zwiększenia personalizacji nauki, większość z nich skupia się głównie na wskaźnikach wydajności poznawczej i pomija krytyczną rolę dynamiki emocjonalnej w kształtowaniu procesu uczenia się22.
Ostatnie osiągnięcia w dziedzinie inteligentnych systemów uczenia wprowadziły reprezentacje oparte na grafach oraz techniki głębokiego uczenia w celu modelowania złożonych relacji między komponentami edukacyjnymi23,24,25. Struktury uczenia oparte na grafach, w tym grafowe sieci neuronowe (GNN), wykazały wysoką skuteczność w uchwyceniu ustrukturyzowanych zależności między elementami wiedzy, interakcjami uczących się a czynnikami kontekstowymi26. Ponadto uwagę zwrócono na obliczenia uwzględniające emocje ze względu na ich zdolność do włączania sygnałów psychologicznych do adaptacyjnych środowisk uczenia się27. Niemniej jednak integracja tych podejść w ramach jednolitego systemu dla edukacji muzycznej pozostaje ograniczona28,29,30. Istniejące prace często traktują zmienne emocjonalne jako cechy pomocnicze, a nie kluczowe komponenty, i rzadko oferują mechanizmy ciągłej adaptacji opartej na współoddziaływaniu poznania i emocji31.
Ponadto zastosowanie AI w edukacji uwzględniającej zdrowie psychiczne opierało się przede wszystkim na danych empirycznych lub sensorowych zbieranych od rzeczywistych uczestników32. Jednak takie podejścia wymagają szeroko zakrojonych zgód etycznych, ustandaryzowanych narzędzi pomiarowych oraz kontrolowanych warunków eksperymentalnych, co na wczesnych etapach badań nie zawsze jest możliwe do zrealizowania33. W związku z tym alternatywą w badaniu złożonej dynamiki edukacyjnej w sposób kontrolowany i powtarzalny stały się metodologie oparte na symulacjach34. Poprzez generowanie syntetycznych zbiorów danych naśladujących logi interakcji, wskaźniki emocjonalne oraz mierniki osiągnięć w nauce, badacze mogą oceniać działanie proponowanych modeli w różnych scenariuszach, zachowując pełną kontrolę nad parametrami i założeniami systemu35.
Pomimo tych postępów, wciąż istnieje kilka luk badawczych36. Po pierwsze, brakuje jednolitych ram, które jednocześnie modelowałyby przyswajanie wiedzy, ewolucję emocjonalną oraz zaangażowanie w naukę w obrębie ustrukturyzowanej reprezentacji37. Po drugie, obecne systemy nauczania wizualnego nie wykorzystują efektywnie inteligencji opartej na grafach w celu uchwycenia współzależności między koncepcjami muzycznymi, działaniami edukacyjnymi a stanami psychologicznymi38. Po trzecie, ograniczoną uwagę poświęcono opracowaniu skalowalnych i reprodukowalnych potoków symulacyjnych, które umożliwiałyby systematyczną ewaluację modeli edukacyjnych opartych na AI39,40,41. Wreszcie, istniejące podejścia często nie zapewniają holistycznego spojrzenia na proces uczenia się, które w sposób dynamicznie adaptacyjny integrowałoby wymiary poznawcze i emocjonalne42.
Aby sprostać tym wyzwaniom, w niniejszej pracy zaproponowano grafową inteligentną strukturę programu emocjonalnego (GECIF) dla projektowania wizualnego nauczania wspieranego przez AI w edukacji muzycznej na poziomie akademickim. Tabela 1 zawiera kluczowe definicje komponentów grafu, stanów węzłów oraz parametrów modelu. Tabela ta zapewnia przejrzystość i powtarzalność zastosowanej metodologii. Zaproponowana struktura modeluje środowisko edukacyjne jako połączony graf składający się z węzłów wiedzy, węzłów aktywności oraz węzłów emocjonalnych, co umożliwia kompleksową reprezentację dynamiki uczenia się. Zestaw danych oparty na symulacji został wygenerowany przy użyciu kontrolowanego potoku obliczeniowego obejmującego logi interakcji, wskaźniki emocjonalne oraz mierniki wydajności, co zapewnia powtarzalność i skalowalność. Struktura ta integruje adaptacyjne mechanizmy uczenia się, modelowanie stanu emocjonalnego oraz optymalizację opartą na grafach, aby symulować ewolucję efektów uczenia się i warunków psychologicznych w czasie. Ewaluacja porównawcza z konwencjonalnym modelem uczenia się została przeprowadzona z wykorzystaniem wielu mierników wydajności, w tym przyrostu wiedzy, stabilności emocjonalnej, redukcji stresu, zaangażowania oraz odporności systemu.
Głównym celem niniejszego badania jest opracowanie i ocena opartego na symulacjach i sterowanego przez AI wizualnego modelu nauczania, który integruje modelowanie grafowe oraz inteligencję emocjonalną w celu zwiększenia efektywności nauki i wspierania edukacji uwzględniającej zdrowie psychiczne na zajęciach z muzyki na poziomie akademickim.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
Niniejsza praca jest badaniem obliczeniowym i symulacyjnym, które nie obejmuje uczestników będących ludźmi, danych klinicznych ani informacji osobowych. Wszystkie dane wykorzystane w tych badaniach zostały wygenerowane syntetycznie poprzez kontrolowane procesy symulacyjne. W związku z tym nie wymagano zgody komisji bioetycznej ani świadomej zgody uczestników. Badanie jest zgodne ze standardowymi wytycznymi dotyczącymi badań obliczeniowych i zapewnia pełną odtwarzalność oraz przejrzystość zastosowanej metodologii.
Podstawy teoretyczne i uzasadnienie
Proponowany framework inteligencji programowej opartej na grafach i emocjach (GECIF) opiera się na integracji sztucznej inteligencji, uczenia opartego na grafach, obliczeń afektywnych oraz pedagogiki wizualnej, a jego celem jest modelowanie uczenia się jako dynamicznego i wielowymiarowego procesu, który jednocześnie obejmuje rozwój poznawczy, ewolucję emocjonalną i zaangażowanie behawioralne. Tradycyjne podejścia dydaktyczne często zakładają linearny postęp w przyswajaniu wiedzy i nie odzwierciedlają w sposób wystarczający złożonych interakcji między wynikami poznawczymi a stanami psychologicznymi. Ograniczenie to jest szczególnie istotne w akademickiej edukacji muzycznej, gdzie ekspresja emocjonalna, motywacja i kreatywność są nierozerwalnie związane z nauką techniczną i teoretyczną. W tym kontekście framework konceptualizuje proces edukacyjny jako system powiązań, w którym elementy wiedzy, działania edukacyjne i stany emocjonalne nieustannie na siebie wpływają. Modelowanie oparte na grafach umożliwia ustrukturyzowaną i skalowalną reprezentację tych relacji, pozwalając na skuteczne uchwycenie zależności zarówno bezpośrednich, jak i pośrednich. Dynamika emocjonalna jest włączona jako integralny komponent, a nie zmienna pomocnicza, co umożliwia symulację sposobu, w jaki warunki psychologiczne ewoluują i rozprzestrzeniają się w trakcie procesu uczenia się. Integracja wizualnego projektu nauczania dodatkowo zwiększa interpretowalność poprzez przekształcanie abstrakcyjnych interakcji obliczeniowych w intuicyjne reprezentacje graficzne.
Metodologia i projekt badania symulacyjnego
W niniejszym badaniu zastosowano projekt oparty na symulacji komputerowej, w którym nie biorą udziału uczestnicy będący ludźmi, a wszystkie dane są generowane syntetycznie za pomocą kontrolowanego i reprodukowalnego rurociągu przetwarzania. Przedstawione wyniki stanowią zatem oceny oparte na modelu, a nie obserwacje empiryczne pochodzące od rzeczywistych uczniów. Poprawy w zakresie wyników uczenia się, zaangażowania, stabilności emocjonalnej i redukcji stresu interpretuje się jako symulowane lub potencjalne efekty proponowanego modelu. Środowisko symulacyjne przybliża realistyczne warunki nauki poprzez uwzględnienie zależności czasowych, zmienności wzorców interakcji oraz ewoluujących stanów emocjonalnych. Zaimplementowano porównawczą konfigurację eksperymentalną, w której proponowany model GECIF jest oceniany w zestawieniu z konwencjonalnym modelem bazowym reprezentującym nieadaptacyjny system nauczania, w którym wiedza rozwija się wyłącznie na podstawie intensywności interakcji, bez reprezentacji grafowej, modelowania emocji czy optymalizacji programu nauczania. Oba modele są uruchamiane w identycznych warunkach symulacji, aby zapewnić spójne i bezstronne porównanie.
Generowanie i struktura zbioru danych
Stworzono wielkoskalowy zbiór danych do symulacji dynamiki uczenia się w edukacji muzycznej na poziomie akademickim poprzez integrację logów interakcji, wskaźników emocjonalnych i mierników wyników uczenia się w ramach ujednoliconej struktury czasowej. Zbiór danych został wyprowadzony i rozszerzony na podstawie publicznie dostępnego zbioru danych dotyczących wyników studentów (UCI Machine Learning Repository), który dostarcza danych o osiągnięciach akademickich wraz z atrybutami demograficznymi i behawioralnymi. Zbiór ten posłużył jako podstawowy punkt odniesienia do modelowania realistycznych wzorców uczenia się. Logi interakcji reprezentują symulowane zaangażowanie w działania edukacyjne, takie jak sesje ćwiczeń, ćwiczenia słuchowe i zadania z zakresu uczenia się wizualnego. Wskaźniki emocjonalne oddają stany psychologiczne, w tym stres, zaangażowanie i motywację, natomiast wyniki uczenia się odzwierciedlają nabywanie wiedzy i postępy w czasie. Aby wzbogacić zbiór danych i uwzględnić zależności czasowe, zastosowano potok symulacyjny oparty na programie MATLAB z ustalonym ziarnem generatora liczb losowych w celu zapewnienia powtarzalności. Ciągłość czasową wprowadzono za pomocą procesów autoregresyjnych, co pozwoliło na stopniową ewolucję zachowań interakcyjnych i stanów emocjonalnych w czasie. Końcowy zbiór danych obejmuje tysiąc symulowanych uczniów obserwowanych przez pięćset kroków czasowych, z wieloma cechami interakcji reprezentującymi różnorodne zachowania edukacyjne. Wszystkie zmienne zostały znormalizowane w zakresie [0,1] w celu zapewnienia spójności i porównywalności. Zbiór danych został podzielony na podzbiory treningowy, walidacyjny i testowy w proporcji 70%–15%–15%, aby zapewnić obiektywną ocenę modelu.
Konstrukcja i reprezentacja grafu
Środowisko uczenia się jest modelowane jako graf ważony zdefiniowany jako:
G = (V,E,W) (1)
gdzie oznacza zbiór węzłów, reprezentuje zbiór krawędzi, a jest ważoną macierzą sąsiedztwa opisującą siłę relacji między węzłami. Zbiór węzłów jest rozkładany jako:
V = Vk∪Va∪Ve (2)
gdzie Vk, Va oraz Ve odpowiadają odpowiednio węzłom wiedzy, węzłom aktywności i węzłom emocjonalnym. Wagi krawędzi oblicza się następująco:
Wij = α Sc(i,j) + βSe(i,j) (3)
gdzie Sc(i,j) reprezentuje podobieństwo poznawcze między węzłami, Se(i,j) reprezentuje korelację emocjonalną, a α i β są współczynnikami wagowymi kontrolującymi ich wzglupły wpływ. Równanie (3) definiuje, w jaki sposób relacje strukturalne i emocjonalne wspólnie określają spójność grafu.
Reprezentacja stanu węzła i uczenie grafowe
Każdy węzeł jest powiązany z dynamicznym wektorem stanu zdefiniowanym jako:
xi(t) = [ki(t),ei(t),ai(t)] (4)
gdzie ki(t), ei(t) oraz ai(t) oznaczają odpowiednio poziom wiedzy, stan emocjonalny i poziom zaangażowania w czasie t. Reprezentacje węzłów są aktualizowane przy użyciu agregacji opartej na grafach:
(5)
gdzie 
to osadzanie węzła i w warstwie l, σ to nieliniowa funkcja aktywacji, a N(i) oznacza zbiór węzłów sąsiednich. Równanie (5) opisuje sposób, w jaki każdy węzeł integruje informacje od swoich sąsiadów. Następnie wprowadzono mechanizm uwagi:
(6)
gdzie αij to współczynnik uwagi, a ∅(·) to funkcja podobieństwa. Równanie (6) umożliwia adaptacyjne ważenie wkładów sąsiednich węzłów.
Modelowanie dynamiki emocjonalnej
Ewolucję czasową stanów emocjonalnych modeluje się następująco:
(7)
gdzie γ jest współczynnikiem retencji emocjonalnej. Równanie (7) opisuje zarówno trwałość, jak i propagację wpływu emocjonalnego. Stabilność emocjonalną określa się jako:
(8)
gdzie E+(t) oraz E-(t) oznaczają dodatnie i ujemne komponenty emocjonalne, a 
jest małą stałą zapobiegającą dzieleniu przez zero. Akumulacja stresu jest definiowana jako:
(9)
gdzie λ(τ) oznacza chwilowy współczynnik intensywności naprężeń. Równanie (9) modeluje skumulowane naprężenia w czasie.
Optymalizacja uczenia się i adaptacyjny projekt programów nauczania
Proces uczenia jest sterowany przez wielokryterialną funkcję optymalizacji:
J = λ1K + λ2K - λ3S (10)
gdzie K oznacza przyrost wiedzy, E oznacza stabilność emocjonalną, a S oznacza poziom stresu, podczas gdy λ1, λ2, λ3 są współczynnikami wagowymi. Równanie (10) równoważy cele poznawcze i emocjonalne. Adaptacyjną rekonfigurację programu nauczania definiuje się jako:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
gdzie η to szybkość uczenia, a Δij(t) reprezentuje korekty aktualizacji wynikające z dynamiki uczenia. Równanie (11) pozwala na ewolucję struktury grafu w czasie.
Skala czasowa i czas trwania symulacji
Wszystkie symulacje przeprowadzono z wykorzystaniem znormalizowanych kroków czasowych zamiast jednostek czasu rzeczywistego. Krótkie odstępy odpowiadają przeskalowanym krokom symulacji reprezentującym ewolucję systemu, natomiast rozszerzone symulacje obejmujące pięćset kroków są wykorzystywane do oceny zachowania długoterminowego, zbieżności oraz robustności.
Metryki oceny i analiza statystyczna
Struktura zostaje oceniona przy użyciu znormalizowanych metryk, w tym przyrostu wiedzy, stabilności emocjonalnej, poziomu stresu, poziomu zaangażowania oraz odporności. Analiza statystyczna jest przeprowadzana z wykorzystaniem funkcji statystycznych programu MATLAB, przy czym dla każdej metryki obliczono wartości średnie, odchylenia standardowe oraz 95-procentowe przedziały ufności. Przed zastosowaniem parzystych testów t zweryfikowano założenia o normalności rozkładu. Ewaluacja porównawcza proponowanej struktury i modelu bazowego została przeprowadzona na grupie n = 1000 symulowanych uczniów, przyjmując istotność statystyczną na poziomie p < 0,05.
Powtarzalność i szczegóły implementacji
Wszystkie symulacje, potoki przetwarzania danych i procedury ewaluacyjne są w pełni reprodukowalne. Proces generowania zbioru danych, parametry konstrukcji grafu, konfiguracje modeli oraz ustawienia optymalizacji zostały ściśle zdefiniowane. Inicjalizacja ziarna liczb pseudolosowych jest stała, aby zapewnić spójne wyniki w kolejnych uruchomieniach. Wszystkie hiperparametry, skrypty i opisy zbiorów danych znajdują się w materiałach uzupełniających, co umożliwia pełną replikację badania przy użyciu oprogramowania MATLAB lub równoważnych narzędzi obliczeniowych.
Wszystkie symulacje, potoki przetwarzania danych i skrypty ewaluacyjne znajdują się w Pliku uzupełniającym 1. Zbiór danych obejmuje surowe logi interakcji, wskaźniki emocjonalne i metryki wyników uczenia się. Parametry konstrukcji grafu oraz ustawienia optymalizacji są w pełni udokumentowane. System można odtworzyć, korzystając ze standardowych frameworków uczenia maszynowego. Inicjalizacja ziarna losowego jest stała, aby zapewnić spójność. Wszystkie hiperparametry zostały raportowane w sposób jawny. Protokół zapewnia pełną przejrzystość i powtarzalność.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Wydajność proponowanego grafowego modelu inteligencji programowej w zakresie emocji (GECIF) została oceniona przy użyciu zbioru danych symulacyjnych obejmującego n = 1000 uczniów w T = 500 znormalizowanych krokach czasowych. Rysunek 1 przedstawia koncepcyjną architekturę GECIF dla edukacji muzycznej z wykorzystaniem wizualizacji napędzanej przez AI oraz promocji zdrowia psychicznego. Wszystkie wskaźniki zostały przedstawione w skalach znormalizowanych w zakresie [0,1]. Ewaluacja statystyczna...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
W niniejszym badaniu zaproponowano opartą na grafach inteligentną strukturę programu nauczania uwzględniającą emocje (GECIF), która integruje uczenie reprezentacji oparte na grafach, modelowanie stanów emocjonalnych, adaptacyjną optymalizację programu nauczania oraz wspomagane przez AI nauczanie wizualne w ramach jednolitej struktury obliczeniowej dla edukacji muzycznej na poziomie akademickim. W przeciwieństwie do konwencjonalnych modeli edukacyjnych wspieranych przez AI, które optymalizują przede wszystkim wyniki w nau...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autor nie ma konfliktu interesów.
Podziękowania
Autor pragnie wyrazić szczerą wdzięczność Wydziałowi Muzyki Uniwersytetu Normalnego w Anqing za zapewnienie środowiska akademickiego i wsparcia instytucjonalnego niezbędnego do przeprowadzenia niniejszych badań. Szczególne podziękowania kieruje do współpracowników i studentów, którzy przyczynili się cennymi spostrzeżeniami i opiniami podczas opracowywania i oceny proponowanego modelu. Autor dziękuje również Uniwersytetowi Normalnemu w Anqing za pomoc w uzyskaniu dostępu do zasobów i infrastruktury badawczej.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Moduł pamięci RAM 32 GB DDR4 | Kingston Technology | NA | |
| Zestaw narzędzi CUDA do akceleracji GPU (v11.8) | NVIDIA | version 1.18 | |
| Silnik adaptacji programu nauczania | Custom Implementation | CAE003 | |
| Zbiór danych: Wskaźniki emocjonalne | Generated Dataset | DEI006 | |
| Zbiór danych: Metryki wydajności uczenia się | Generated Dataset | DLPM007 | |
| Zbiór danych: Logi interakcji studentów | Generated Dataset | DIL005 | |
| Moduł symulacji stanu emocjonalnego | Custom Implementation | ESM002 | |
| Stacja robocza GPU (NVIDIA RTX 3080) | NVIDIA | NA | |
| Moduł implementacji grafowych sieci neuronowych | Custom Implementation | NA | |
| Procesor Intel Core i7 (3.6 GHz) | Intel Corporation | NA | |
| Środowisko Jupyter Notebook (v6.5) | Project Jupyter | version 6.5 | |
| Oprogramowanie MATLAB (R2023a) | MathWorks | R2023a | |
| Biblioteka wizualizacji Matplotlib (v3.7) | Matplotlib | version 3.7 | |
| Biblioteka przetwarzania grafów NetworkX (v3.1) | NetworkX Developers | version 3.1 | |
| Biblioteka obliczeń numerycznych NumPy (v1.24) | NumPy Developers | version 1.24 | |
| Moduł optymalizacji (rozwiązujący wielokryterialny) | Custom Implementation | MOS008 | |
| Biblioteka przetwarzania danych Pandas (v2.0) | Pandas Development Team | version 2.0 | |
| Środowisko programistyczne Python (v3.10) | Python Software Foundation | version 3.10 | |
| Framework głębokiego uczenia PyTorch (v2.0) | Meta AI | version 2.0 | |
| Skrypt inicjalizacji ziarna losowego | Custom Implementation | RSI009 | |
| Biblioteka uczenia maszynowego Scikit-learn (v1.3) | Scikit-learn | version 1.3 | |
| Biblioteka wizualizacji statystycznej Seaborn (v0.12) | Seaborn | version 0.12 | |
| Biblioteka TensorFlow (v2.12) | version 2.12 | ||
| Zestaw narzędzi interfejsu wizualnego uczenia się | Custom Implementation | VLI004 | |
| System operacyjny Windows 11 | Microsoft | W11 |
Bibliografia
- 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.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.