Este estudo propõe um framework inteligente baseado em grafos com currículo emocional para o ensino visual impulsionado por IA na educação musical universitária. Utilizando um conjunto de dados baseado em simulação, o framework modela a aquisição de conhecimento, as dinâmicas emocionais e o engajamento. Os resultados indicam maior eficiência no aprendizado e redução do estresse em comparação com modelos convencionais, demonstrando o potencial para sistemas educacionais adaptativos e atentos à saúde mental.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
Avaliação Baseada em Simulação do Design de Ensino Visual Integrado por Inteligência Artificial para a Promoção da Saúde Mental em Disciplinas de Música no Ensino Superior
Neste artigo
Resumo
Resumo
O design do ensino visual na educação musical universitária tem atraído crescente atenção devido ao seu potencial para aumentar o engajamento dos estudantes e promover o bem-estar mental. No entanto, as abordagens instrucionais convencionais frequentemente carecem da adaptabilidade necessária para responder aos estados cognitivos e emocionais em evolução dos alunos, limitando sua eficácia no apoio tanto à realização acadêmica quanto ao equilíbrio psicológico. O objetivo principal deste estudo baseado em simulação é desenvolver e avaliar um framework impulsionado por inteligência artificial que integre estratégias de ensino visual com modelagem emocional baseada em grafos para otimizar os resultados de aprendizagem em cursos universitários de música. É proposto um novo framework de inteligência curricular emocional baseado em grafos (GECIF), que representa o ambiente de aprendizagem como um grafo interconectado de nós de conhecimento, atividade e emoção. O framework incorpora aprendizado representacional baseado em grafos, modelagem dinâmica de estados e mecanismos de aprendizagem adaptativa para simular a evolução da aquisição de conhecimento, engajamento, estabilidade emocional e estresse ao longo do tempo. Um conjunto de dados sintético composto por registros de interação, indicadores emocionais e variáveis de desempenho acadêmico foi gerado por meio de um pipeline de simulação controlado no MATLAB para garantir a reprodutibilidade. O GECIF foi avaliado em comparação com um modelo de referência convencional não adaptativo sob condições experimentais idênticas ao longo de etapas de simulação normalizadas. O desempenho foi avaliado utilizando métricas de simulação normalizadas, incluindo ganho de conhecimento, estabilidade emocional, redução de estresse, nível de engajamento e robustez. O framework proposto superou consistentemente o modelo de referência, demonstrando maior aquisição simulada de conhecimento, melhor regulação emocional, maior engajamento, redução do estresse simulado e maior robustez. A análise estatística baseada em valores médios, desvios padrão e intervalos de confiança de 95% confirmou melhorias consistentes em todas as métricas de avaliação. Esses resultados demonstram o potencial de estratégias de ensino visual com inteligência artificial e sensíveis às emoções para a educação musical adaptativa, ao mesmo tempo que fornecem um framework computacional escalável e reprodutível para apoiar pesquisas futuras em sistemas educacionais inteligentes.
Introdução
A integração da inteligência artificial (AI) em sistemas educacionais transformou significativamente os paradigmas tradicionais de ensino, permitindo experiências de aprendizagem mais adaptativas, personalizadas e orientadas por dados1,2,3. Nos últimos anos, o design visual do ensino emergiu como uma abordagem pedagógica eficaz, especialmente em disciplinas como a educação musical, onde conceitos abstratos, expressão emocional e compreensão perceptiva desempenham um papel central4,5,6,7. Representações visuais, incluindo interfaces gráficas, simulações interativas e elementos multimídia, facilitam um processamento cognitivo mais profundo e aumentam o engajamento dos alunos8,9,10,11. No entanto, apesar desses avanços, os métodos visuais de ensino existentes frequentemente permanecem estáticos e carecem da capacidade de responder dinamicamente aos estados cognitivos e emocionais em evolução dos alunos12,13,14. A educação musical, especialmente no nível universitário, apresenta desafios únicos devido à sua natureza inerentemente multidimensional15,16,17. Os resultados de aprendizagem são influenciados não apenas pela compreensão cognitiva da teoria musical e das técnicas de execução, mas também por fatores emocionais como motivação, estresse, engajamento e bem-estar psicológico18. Estudos anteriores destacaram a forte relação entre estados emocionais e eficácia da aprendizagem, indicando que estudantes que experimentam altos níveis de estresse ou baixo engajamento tendem a apresentar desempenho acadêmico reduzido19,20,21. Embora diversos sistemas educacionais baseados em IA tenham sido propostos para aprimorar a personalização do ensino, a maioria deles concentra-se principalmente em métricas de desempenho cognitivo e negligencia o papel fundamental da dinâmica emocional na formação do processo de aprendizagem22.
Desenvolvimentos recentes em sistemas inteligentes de aprendizagem introduziram representações baseadas em grafos e técnicas de aprendizado profundo para modelar relações complexas entre componentes educacionais23,24,25. Estruturas de aprendizagem baseadas em grafos, incluindo redes neurais em grafos (GNNs), demonstraram grande capacidade em capturar dependências estruturais entre elementos de conhecimento, interações do aluno e fatores contextuais26. Além disso, a computação com percepção emocional ganhou destaque por sua capacidade de incorporar sinais psicológicos em ambientes adaptativos de aprendizagem27. No entanto, a integração dessas abordagens em uma estrutura unificada para o ensino de música permanece limitada28,29,30. Os trabalhos existentes frequentemente tratam as variáveis emocionais como características auxiliares, e não como componentes centrais, e raramente oferecem mecanismos para adaptação contínua com base na interação entre cognição e emoção31.
Além disso, a aplicação de IA na educação com foco em saúde mental tem se baseado predominantemente em dados empíricos ou baseados em sensores coletados de participantes reais32. No entanto, tais abordagens exigem amplas aprovações éticas, instrumentos padronizados de medição e condições experimentais controladas, o que nem sempre é viável em pesquisas de fase inicial33. Como resultado, metodologias baseadas em simulação surgiram como uma alternativa para explorar dinâmicas educacionais complexas de maneira controlada e reprodutível34. Ao gerar conjuntos de dados sintéticos que imitam registros de interação, indicadores emocionais e métricas de desempenho de aprendizagem, os pesquisadores podem avaliar o comportamento dos modelos propostos em diversos cenários, mantendo controle total sobre parâmetros e suposições do sistema35.
Apesar desses avanços, várias lacunas de pesquisa ainda permanecem36. Primeiro, há uma falta de estruturas unificadas que modelam simultaneamente a aquisição de conhecimento, a evolução emocional e o engajamento no aprendizado dentro de uma representação estruturada37. Segundo, os sistemas visuais de ensino atuais não aproveitam efetivamente a inteligência baseada em grafos para capturar as interdependências entre conceitos musicais, atividades de aprendizagem e estados psicológicos38. Terceiro, pouca atenção tem sido dada ao desenvolvimento de pipelines de simulação escaláveis e reproduzíveis que permitam a avaliação sistemática de modelos educacionais orientados por IA39,40,41. Por fim, as abordagens existentes frequentemente não conseguem fornecer uma visão holística do aprendizado que integre tanto as dimensões cognitivas quanto emocionais de maneira dinamicamente adaptativa42.
Para enfrentar esses desafios, este estudo propõe um framework inteligente curricular emocional baseado em grafos (GECIF) para o design de ensino visual orientado por IA na educação musical universitária. Tabela 1 fornece definições essenciais para componentes de grafos, estados de nós e parâmetros do modelo. Esta tabela garante que a metodologia seja clara e reproduzível. O framework proposto modela o ambiente educacional como um grafo interconectado composto por nós de conhecimento, nós de atividade e nós emocionais, permitindo uma representação abrangente da dinâmica de aprendizagem. Um conjunto de dados baseado em simulação é gerado por meio de um pipeline computacional controlado que inclui registros de interação, indicadores emocionais e métricas de desempenho, assegurando reprodutibilidade e escalabilidade. O framework incorpora mecanismos de aprendizagem adaptativa, modelagem de estados emocionais e otimização baseada em grafos para simular a evolução dos resultados de aprendizagem e das condições psicológicas ao longo do tempo. Uma avaliação comparativa com um modelo de aprendizagem convencional é realizada utilizando múltiplas métricas de desempenho, incluindo ganho de conhecimento, estabilidade emocional, redução de estresse, engajamento e robustez.
O principal objetivo deste estudo é desenvolver e avaliar um framework visual de ensino baseado em simulação e impulsionado por inteligência artificial, que integre modelagem baseada em grafos e inteligência emocional para aprimorar a eficiência da aprendizagem e apoiar a educação com atenção à saúde mental em cursos universitários de música.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Protocolo
Este estudo é uma investigação baseada em computação e simulação que não envolve participantes humanos, dados clínicos ou informações pessoais. Todos os dados utilizados nesta pesquisa foram gerados sinteticamente por meio de processos de simulação controlados. Por isso, não foi necessária aprovação ética por um comitê de ética nem consentimento informado. O estudo segue as diretrizes padrão para pesquisas computacionais e garante total reprodutibilidade e transparência da metodologia.
Enquadramento teórico e justificativa
A proposta de estrutura de inteligência curricular emocional baseada em grafos (GECIF) fundamenta-se na integração da inteligência artificial, da aprendizagem baseada em grafos, da computação emocional e da pedagogia visual, com o objetivo de modelar a aprendizagem como um processo dinâmico e multidimensional que capta simultaneamente o desenvolvimento cognitivo, a evolução emocional e o engajamento comportamental. As abordagens instrucionais tradicionais frequentemente assumem uma progressão linear na aquisição de conhecimento e não refletem adequadamente as interações complexas entre desempenho cognitivo e estados psicológicos. Essa limitação é particularmente crítica na educação musical universitária, onde a expressão emocional, a motivação e a criatividade estão indissociavelmente ligadas à aprendizagem técnica e teórica. Nesse contexto, a estrutura conceitua o processo educacional como um sistema interconectado no qual elementos de conhecimento, atividades de aprendizagem e estados emocionais influenciam-se mutuamente de forma contínua. A modelagem baseada em grafos permite uma representação estruturada e escalável dessas relações, possibilitando captar eficazmente dependências diretas e indiretas. As dinâmicas emocionais são incorporadas como componentes intrínsecos, e não como variáveis auxiliares, permitindo simular como as condições psicológicas evoluem e se propagam durante o processo de aprendizagem. A integração do design de ensino visual potencializa ainda mais a interpretabilidade, transformando interações computacionais abstratas em representações gráficas intuitivas.
Metodologia e desenho do estudo de simulação
Este estudo adota um delineamento baseado em simulação computacional, no qual não há participação de seres humanos, e todos os dados são gerados sinteticamente por meio de um pipeline controlado e reprodutível. Os resultados relatados, portanto, representam avaliações baseadas em modelos, e não observações empíricas derivadas de aprendizes reais. Melhorias no desempenho de aprendizagem, engajamento, estabilidade emocional e redução do estresse são interpretadas como efeitos simulados ou potenciais do framework proposto. O ambiente de simulação aproxima-se de condições reais de aprendizagem ao incorporar dependências temporais, variabilidade nos padrões de interação e estados emocionais em evolução. Uma configuração experimental comparativa é implementada, na qual o framework proposto GECIF é avaliado frente a um modelo de referência convencional que representa um sistema de aprendizagem não adaptativo, no qual o conhecimento evolui exclusivamente com base na intensidade da interação, sem representação baseada em grafos, modelagem emocional ou otimização do currículo. Ambos os modelos são executados sob condições idênticas de simulação para garantir uma comparação consistente e imparcial.
Geração e estrutura do conjunto de dados
Um conjunto de dados em larga escala foi construído para simular dinâmicas de aprendizagem na educação musical universitária, integrando registros de interação, indicadores emocionais e métricas de desempenho acadêmico em um quadro temporal unificado. O conjunto de dados foi derivado e expandido a partir do conjunto de dados de desempenho de estudantes de acesso público (Repositório de Aprendizado de Máquina UCI), que fornece dados de desempenho acadêmico juntamente com atributos demográficos e comportamentais. Esse conjunto de dados serviu como referência fundamental para modelar padrões de aprendizagem realistas. Os registros de interação representam o engajamento simulado em atividades de aprendizagem, como sessões de prática, exercícios auditivos e tarefas de aprendizagem visual. Os indicadores emocionais capturam estados psicológicos, incluindo estresse, engajamento e motivação, enquanto o desempenho na aprendizagem reflete a aquisição de conhecimento e o progresso ao longo do tempo. Para enriquecer o conjunto de dados e incorporar dependências temporais, foi empregado um pipeline de simulação baseado em MATLAB com inicialização de semente aleatória fixa para garantir reprodutibilidade. A continuidade temporal foi introduzida por meio de processos autorregressivos, permitindo que o comportamento de interação e os estados emocionais evoluíssem gradualmente ao longo do tempo. O conjunto de dados final inclui mil alunos simulados observados ao longo de quinhentos passos temporais, com múltiplas características de interação representando comportamentos diversos de aprendizagem. Todas as variáveis são normalizadas dentro do intervalo [0,1] para garantir consistência e comparabilidade. O conjunto de dados é dividido em subconjuntos de treinamento, validação e teste usando uma divisão de 70%–15%–15% para assegurar avaliação imparcial do modelo.
Construção e representação de grafos
O ambiente de aprendizagem é modelado como um grafo ponderado definido como:
G = (V,E,W) (1)
onde denota o conjunto de nós, representa o conjunto de arestas, e é a matriz de adjacência ponderada que descreve a intensidade das relações entre os nós. O conjunto de nós é decomposto como:
V = Vk∪Va∪Ve (2)
em que Vk, Va e Ve correspondem aos nós de conhecimento, nós de atividade e nós emocionais, respectivamente. Os pesos das arestas são calculados como:
Wij = α Sc(i,j) + βSe(i,j) (3)
em que Sc(i,j) representa a similaridade cognitiva entre os nós, Se(i,j) representa a correlação emocional, e α e β são coeficientes de ponderação que controlam sua influência relativa. A Equação (3) define como as relações estruturais e emocionais determinam conjuntamente a conectividade do grafo.
Representação do estado do nó e aprendizado em grafos
Cada nó está associado a um vetor de estado dinâmico definido como:
xi(t) = [ki(t),ei(t),ai(t)] (4)
onde ki(t), ei(t) e ai(t) denotam o nível de conhecimento, estado emocional e nível de engajamento no tempo t, respectivamente. As representações dos nós são atualizadas utilizando agregação baseada em grafos:
(5)
em que 
é a incorporação do nó i na camada l, σ é uma função de ativação não linear e N(i) denota o conjunto de nós vizinhos. A Equação (5) descreve como cada nó integra informações de seus vizinhos. Um mecanismo de atenção é ainda introduzido:
(6)
em que αij é o coeficiente de atenção e ∅(·) é uma função de similaridade. A Equação (6) permite a ponderação adaptativa das contribuições dos nós vizinhos.
Modelagem da dinâmica emocional
A evolução temporal dos estados emocionais é modelada como:
(7)
onde γ é o coeficiente de retenção emocional. A Equação (7) descreve tanto a persistência quanto a propagação da influência emocional. A estabilidade emocional é quantificada como:
(8)
onde E+(t) e E-(t) denotam componentes emocionais positivos e negativos, e 
é uma constante pequena que evita a divisão por zero. O acúmulo de estresse é definido como:
(9)
onde λ(τ) representa a intensidade de tensão instantânea. A Equação (9) modela a tensão acumulada ao longo do tempo.
Otimização da aprendizagem e design de currículo adaptativo
O processo de aprendizagem é regido por uma função de otimização multiobjetivo:
J = λ1K + λ2K - λ3S (10)
em que K denota o ganho de conhecimento, E denota a estabilidade emocional e S denota o nível de estresse, enquanto λ1, λ2, λ3 são coeficientes de ponderação. A Equação (10) equilibra objetivos cognitivos e emocionais. A reconfiguração adaptativa do currículo é definida como:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
em que η é a taxa de aprendizado e Δij(t) representa os ajustes de atualização impulsionados pela dinâmica de aprendizado. A Equação (11) permite que a estrutura do grafo evolua ao longo do tempo.
Escala temporal e duração da simulação
Todas as simulações são conduzidas usando passos de tempo normalizados em vez de unidades de tempo reais. Intervalos curtos correspondem a passos de simulação escalonados que representam a evolução do sistema, enquanto simulações prolongadas por mais de quinhentos passos são utilizadas para avaliar o comportamento de longo prazo, convergência e robustez.
Métricas de avaliação e análise estatística
A estrutura é avaliada utilizando métricas normalizadas, incluindo ganho de conhecimento, estabilidade emocional, nível de estresse, nível de engajamento e robustez. A análise estatística é realizada usando funções estatísticas do MATLAB, com valores médios, desvios padrão e intervalos de confiança de 95% calculados para cada métrica. As suposições de normalidade são verificadas antes da aplicação de testes t pareados. A avaliação comparativa entre a estrutura proposta e o modelo de referência é realizada em n = 1000 alunos simulados, sendo a significância estatística definida como p < 0,05.
Reprodutibilidade e detalhes de implementação
Todas as simulações, pipelines de processamento de dados e procedimentos de avaliação são totalmente reproduzíveis. O processo de geração do conjunto de dados, os parâmetros de construção do grafo, as configurações do modelo e as definições de otimização são explicitamente definidos. A inicialização da semente aleatória é fixada para garantir saídas consistentes em execuções repetidas. Todos os hiperparâmetros, scripts e descrições dos conjuntos de dados estão fornecidos nos materiais suplementares, permitindo a réplica completa do estudo utilizando MATLAB ou ferramentas computacionais equivalentes.
Todas as simulações, pipelines de processamento de dados e scripts de avaliação estão disponíveis no Arquivo Suplementar 1. O conjunto de dados inclui registros brutos de interação, indicadores emocionais e métricas de desempenho de aprendizagem. Os parâmetros de construção do grafo e as configurações de otimização são totalmente documentados. O sistema pode ser reproduzido utilizando estruturas padrão de aprendizado de máquina. A inicialização da semente aleatória é fixa para garantir consistência. Todos os hiperparâmetros são relatados explicitamente. O protocolo assegura transparência e reprodutibilidade completas.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Resultados
O desempenho do framework proposto de inteligência curricular emocional baseado em grafos (GECIF) foi avaliado utilizando um conjunto de dados baseado em simulação, composto por n = 1000 alunos ao longo de T = 500 etapas de tempo normalizadas. Figura 1 ilustra a arquitetura conceitual do GECIF para educação musical visual orientada por IA e promoção da saúde mental. Todas as métricas são apresentadas em escalas normalizadas dentro do intervalo [0,1]. A avaliação estatística inclui valores mé...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Discussão
O presente estudo propõe um framework inteligente de currículo emocional baseado em grafos (GECIF) que integra aprendizado representacional baseado em grafos, modelagem de estados emocionais, otimização adaptativa de currículo e ensino visual impulsionado por IA em um framework computacional unificado para o ensino superior em música. Diferentemente dos modelos educacionais tradicionais apoiados por IA, que primariamente otimizam o desempenho acadêmico, o framework proposto modela simultaneamente as interações entre a aq...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Divulgações
O autor não tem conflito de interesse.
Agradecimentos
O autor gostaria de expressar profunda gratidão ao Departamento de Música da Universidade Normal de Anqing pelo fornecimento do ambiente acadêmico e do apoio institucional necessários para a realização desta pesquisa. Agradece especialmente aos colegas e estudantes que contribuíram com percepções valiosas e feedback durante o desenvolvimento e a avaliação do framework proposto. O autor também reconhece o apoio da Universidade Normal de Anqing na facilitação do acesso a recursos e à infraestrutura de pesquisa.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Módulo de RAM DDR4 de 32 GB | Kingston Technology | NA | |
| CUDA Toolkit para Aceleração por GPU (v11.8) | NVIDIA | version 1.18 | |
| Motor de Adaptação Curricular | Implementação Personalizada | CAE003 | |
| Conjunto de Dados: Indicadores Emocionais | Conjunto de Dados Gerado | DEI006 | |
| Conjunto de Dados: Métricas de Desempenho de Aprendizagem | Conjunto de Dados Gerado | DLPM007 | |
| Conjunto de Dados: Registros de Interação do Estudante | Conjunto de Dados Gerado | DIL005 | |
| Módulo de Simulação de Estado Emocional | Implementação Personalizada | ESM002 | |
| Estação de Trabalho com GPU (NVIDIA RTX 3080) | NVIDIA | NA | |
| Módulo de Implementação de Redes Neurais em Grafos | Implementação Personalizada | NA | |
| Processador Intel Core i7 (3,6 GHz) | Intel Corporation | NA | |
| Ambiente Jupyter Notebook (v6.5) | Project Jupyter | version 6.5 | |
| Software MATLAB (R2023a) | MathWorks | R2023a | |
| Biblioteca de Visualização Matplotlib (v3.7) | Matplotlib | version 3.7 | |
| Biblioteca de Processamento de Grafos NetworkX (v3.1) | Desenvolvedores do NetworkX | version 3.1 | |
| Biblioteca de Computação Numérica NumPy (v1.24) | Desenvolvedores do NumPy | version 1.24 | |
| Módulo de Otimização (Resolvedor Multiobjetivo) | Implementação Personalizada | MOS008 | |
| Biblioteca de Processamento de Dados Pandas (v2.0) | Equipe de Desenvolvimento do Pandas | version 2.0 | |
| Ambiente de Programação Python (v3.10) | Python Software Foundation | version 3.10 | |
| Framework de Aprendizado Profundo PyTorch (v2.0) | Meta AI | version 2.0 | |
| Script de Inicialização de Semente Aleatória | Implementação Personalizada | RSI009 | |
| Biblioteca de Aprendizado de Máquina Scikit-learn (v1.3) | Scikit-learn | version 1.3 | |
| Biblioteca de Visualização Estatística Seaborn (v0.12) | Seaborn | version 0.12 | |
| Biblioteca TensorFlow (v2.12) | version 2.12 | ||
| Kit de Ferramentas de Interface de Aprendizado Visual | Implementação Personalizada | VLI004 | |
| Sistema Operacional Windows 11 | Microsoft | W11 |
Referências
- 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.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.