Оценка на основе симуляции визуального дизайна обучения с интеграцией искусственного интеллекта для укрепления психического здоровья в рамках курсов музыки в колледжах

Краткое содержание

В данном исследовании предлагается основа эмоционального учебного плана на базе графов для визуального обучения с помощью ИИ в музыкальном образовании в колледжах. Используя набор данных на основе симуляции, данная структура моделирует процесс усвоения знаний, эмоциональную динамику и вовлеченность. Результаты указывают на повышение эффективности обучения и снижение уровня стресса по сравнению с традиционными моделями, что демонстрирует потенциал для создания адаптивных образовательных систем, учитывающих состояние психического здоровья.

Аннотация

Визуальный дизайн обучения в музыкальном образовании в колледжах привлекает все больше внимания благодаря своему потенциалу повышать вовлеченность студентов и способствовать их психологическому благополучию. Однако традиционные методики обучения часто не обладают адаптивностью, необходимой для реагирования на меняющиеся когнитивные и эмоциональные состояния учащихся, что ограничивает их эффективность в поддержке как академической успеваемости, так и психологического равновесия. Основная цель данного исследования, основанного на симуляции, заключается в разработке и оценке управляемой искусственным интеллектом системы, которая интегрирует стратегии визуального обучения с графовым моделированием эмоций для оптимизации результатов обучения на музыкальных курсах в колледжах. Предложена новая интеллектуальная система эмоционального учебного плана на основе графов (GECIF), представляющая образовательную среду в виде взаимосвязанного графа узлов знаний, деятельности и эмоций. Система включает в себя обучение представлениям на основе графов, динамическое моделирование состояний и механизмы адаптивного обучения для симуляции эволюции процесса приобретения знаний, вовлеченности, эмоциональной стабильности и стресса с течением времени. Для обеспечения воспроизводимости с помощью контролируемого конвейера симуляции на базе MATLAB был создан синтетический набор данных, включающий журналы взаимодействий, эмоциональные показатели и переменные успеваемости. GECIF оценивалась в сравнении с традиционной неадаптивной базовой моделью при идентичных экспериментальных условиях на нормализованных этапах симуляции. Эффективность оценивалась с помощью нормализованных метрик симуляции, включая прирост знаний, эмоциональную стабильность, снижение стресса, уровень вовлеченности и робастность. Предложенная система последовательно превосходила базовую модель, демонстрируя более высокие показатели симулированного приобретения знаний, улучшенную эмоциональную регуляцию, большую вовлеченность, снижение симулированного стресса и повышенную робастность. Статистический анализ, основанный на средних значениях, стандартных отклонениях и 95% доверительных интервалах, подтвердил стабильные улучшения по всем метрикам оценки. Эти результаты демонстрируют потенциал управляемых ИИ и учитывающих эмоции стратегий визуального обучения для адаптивного музыкального образования, предоставляя масштабируемую и воспроизводимую вычислительную систему для поддержки будущих исследований в области интеллектуальных образовательных систем.

Введение

Интеграция искусственного интеллекта (ИИ) в образовательные системы значительно трансформировала традиционные парадигмы обучения, обеспечив возможность создания более адаптивного, персонализированного и основанного на данных образовательного опыта^1,2,3. В последние годы визуальное проектирование обучения стало эффективным педагогическим подходом, особенно в таких дисциплинах, как музыкальное образование, где центральную роль играют абстрактные концепции, эмоциональное выражение и перцептивное понимание^4,5,6,7. Визуальные репрезентации, включая графические интерфейсы, интерактивные симуляции и мультимедийные элементы, способствуют более глубокой когнитивной обработке информации и повышают вовлеченность учащихся^8,9,10,11. Однако, несмотря на эти достижения, существующие методы визуального обучения часто остаются статичными и не обладают способностью динамически реагировать на меняющиеся когнитивные и эмоциональные состояния учащихся^12,13,14. Музыкальное образование, особенно на уровне колледжей, ставит уникальные задачи в силу своей изначально многомерной природы^15,16,17. На результаты обучения влияют не только когнитивное понимание музыкальной теории и техники исполнения, но и эмоциональные факторы, такие как мотивация, стресс, вовлеченность и психологическое благополучие¹⁸. Предыдущие исследования подчеркнули сильную связь между эмоциональными состояниями и эффективностью обучения, указывая на то, что студенты, испытывающие высокий уровень стресса или низкую вовлеченность, склонны демонстрировать более низкую академическую успеваемость^19,20,21. Хотя было предложено несколько образовательных систем на базе ИИ для повышения персонализации обучения, большинство из них сосредоточены преимущественно на показателях когнитивной деятельности и игнорируют критическую роль эмоциональной динамики в формировании процесса обучения²².

Последние достижения в области интеллектуальных систем обучения привели к внедрению графовых представлений и методов глубокого обучения для моделирования сложных взаимосвязей между образовательными компонентами^23,24,25. Графовые структуры обучения, включая графовые нейронные сети (GNN), продемонстрировали высокую эффективность в выявлении структурированных зависимостей между элементами знаний, взаимодействиями учащихся и контекстуальными факторами²⁶. Кроме того, внимание привлекли вычисления с учетом эмоционального состояния благодаря их способности интегрировать психологические сигналы в адаптивные среды обучения²⁷. Тем не менее, интеграция этих подходов в рамках единой системы музыкального образования остается ограниченной^28,29,30. В существующих работах эмоциональные переменные часто рассматриваются как вспомогательные признаки, а не как основные компоненты, и в них редко представлены механизмы непрерывной адаптации, основанные на взаимодействии когнитивных и эмоциональных процессов³¹.

Более того, применение ИИ в образовании с учетом ментального здоровья преимущественно опиралось на эмпирические данные или данные датчиков, собранные у реальных участников³². Однако такие подходы требуют обширных этических согласований, стандартизированных инструментов измерения и контролируемых экспериментальных условий, что не всегда возможно реализовать на ранних этапах исследований³³. В результате в качестве альтернативы для изучения сложных образовательных динамик в контролируемом и воспроизводимом режиме появились методологии, основанные на симуляции³⁴. Создавая синтетические наборы данных, которые имитируют логи взаимодействий, эмоциональные показатели и метрики успеваемости в обучении, исследователи могут оценивать поведение предлагаемых моделей в различных сценариях, сохраняя при этом полный контроль над параметрами и допущениями системы³⁵.

Несмотря на эти достижения, сохраняется ряд пробелов в исследованиях³⁶. Во-первых, отсутствуют единые концепции, которые одновременно моделировали бы процесс приобретения знаний, эмоциональную эволюцию и вовлеченность в обучение в рамках структурированного представления³⁷. Во-вторых, современные системы визуального обучения не используют эффективно графовый интеллект для фиксации взаимозависимостей между музыкальными концепциями, учебной деятельностью и психологическими состояниями³⁸. В-третьих, недостаточно внимания уделялось разработке масштабируемых и воспроизводимых конвейеров симуляции, позволяющих систематически оценивать образовательные модели на базе ИИ^39,40,41. Наконец, существующие подходы зачастую не позволяют сформировать целостный взгляд на обучение, который объединял бы когнитивные и эмоциональные аспекты динамически адаптивным способом⁴².

Для решения этих задач в данной работе предлагается интеллектуальная структура эмоционаческого учебного плана на основе графов (GECIF) для проектирования визуального обучения с использованием ИИ в музыкальном образовании в колледжах. В Таблице 1 приведены основные определения компонентов графа, состояний узлов и параметров модели. Эта таблица обеспечивает ясность и воспроизводимость методологии. Предлагаемая структура моделирует образовательную среду как взаимосвязанный граф, состоящий из узлов знаний, узлов активности и эмоциональных узлов, что позволяет комплексно представить динамику обучения. Набор данных на основе симуляции создается с помощью контролируемого вычислительного конвейера, который включает логи взаимодействия, эмоциональные индикаторы и показатели успеваемости, что обеспечивает воспроизводимость и масштабируемость. Структура включает механизмы адаптивного обучения, моделирование эмоционального состояния и оптимизацию на основе графов для имитации эволюции результатов обучения и психологического состояния с течением времени. Сравнительная оценка по отношению к традиционной модели обучения проводится с использованием нескольких показателей эффективности, включая прирост знаний, эмоциональную стабильность, снижение уровня стресса, вовлеченность и устойчивость.

Основная цель данного исследования заключается в разработке и оценке основанной на симуляциях системы визуального обучения на базе ИИ, которая объединяет графовое моделирование и эмоциональный интеллект для повышения эффективности обучения и поддержки образовательного процесса с учетом ментального здоровья в рамках курсов музыки в колледже.

Протокол

Данное исследование представляет собой вычислительный анализ и моделирование, которое не предполагает участия людей, использования клинических данных или персональной информации. Все данные, использованные в этой работе, были синтетически сгенерированы с помощью контролируемых процессов симуляции. Следовательно, этическое одобрение институционального наблюдательного совета и информированное согласие не требовались. Исследование соответствует стандартным рекомендациям для вычислительных исследований и обеспечивает полную воспроизводимость и прозрачность методологии.

Теоретическая база и обоснование

Предлагаемая концепция интеллектуального эмоционального учебного плана на основе графов (GECIF) базируется на интеграции искусственного интеллекта, обучения на основе графов, эмоциональных вычислений и визуальной педагогики с целью моделирования обучения как динамичного и многомерного процесса, который одновременно охватывает когнитивное развитие, эмоциональную эволюцию и поведенческую вовлеченность. Традиционные методы обучения часто предполагают линейное развитие процесса приобретения знаний и недостаточно отражают сложные взаимодействия между когнитивной эффективностью и психологическим состоянием. Это ограничение особенно критично в музыкальном образовании в колледжах, где эмоциональное выражение, мотивация и творчество неотделимы от технического и теоретического обучения. В данном контексте концепция представляет образовательный процесс как взаимосвязанную систему, в которой элементы знаний, учебная деятельность и эмоциональные состояния непрерывно влияют друг на друга. Моделирование на основе графов обеспечивает структурированное и масштабируемое представление этих связей, позволяя эффективно фиксировать как прямые, так и косвенные зависимости. Эмоциональная динамика включена в качестве внутренних компонентов, а не вспомогательных переменных, что позволяет моделировать то, как психологические состояния развиваются и распространяются в процессе обучения. Интеграция визуального проектирования обучения дополнительно повышает интерпретируемость, преобразуя абстрактные вычислительные взаимодействия в интуитивно понятные графические представления.

Методология и дизайн симуляционного исследования

В данном исследовании используется дизайн на основе компьютерного моделирования, в котором не задействованы люди, а все данные синтезируются с помощью контролируемого и воспроизводимого конвейера. Таким образом, представленные результаты являются модельной оценкой, а не эмпирическими наблюдениями, полученными от реальных учащихся. Улучшения в успеваемости, вовлеченности, эмоциональной стабильности и снижении стресса интерпретируются как симулированные или потенциальные эффекты предлагаемой структуры. Среда моделирования приближает реальные условия обучения за счет учета временных зависимостей, вариативности паттернов взаимодействия и меняющихся эмоциональных состояний. Реализована сравнительная экспериментальная конфигурация, в которой предлагаемая структура GECIF оценивается в сравнении с традиционной базовой моделью, представляющей неадаптивную систему обучения, где знания развиваются исключительно на основе интенсивности взаимодействия без графового представления, эмоционального моделирования или оптимизации учебного плана. Обе модели выполняются при идентичных условиях моделирования для обеспечения согласованного и непредвзятого сравнения.

Генерация и структура набора данных

Был создан масштабный набор данных для моделирования динамики обучения в рамках музыкального образования в колледже путем интеграции логов взаимодействия, эмоциональных показателей и метрик успеваемости в единую временную структуру. Набор данных был получен и расширен на основе общедоступного датасета успеваемости студентов (UCI Machine Learning Repository), который содержит данные об академической успеваемости, а также демографические и поведенческие характеристики. Этот набор данных служил базовым ориентиром для моделирования реалистичных паттернов обучения. Логи взаимодействия представляют собой симуляцию вовлеченности в учебную деятельность, такую как практические занятия, упражнения по развитию слуха и визуальные обучающие задачи. Эмоциональные показатели отражают психологические состояния, включая стресс, вовлеченность и мотивацию, в то время как успеваемость отражает процесс усвоения знаний и прогресс с течением времени. Для обогащения набора данных и учета временных зависимостей был использован конвейер симуляции на базе MATLAB с фиксированной инициализацией случайного seed для обеспечения воспроизводимости. Временная непрерывность была реализована с помощью авторегрессионных процессов, что позволило поведению при взаимодействии и эмоциональным состояниям эволюционировать постепенно. Итоговый набор данных включает одну тысячу симулированных учащихся, наблюдение за которыми велось на протяжении пятисот временных шагов, с множеством признаков взаимодействия, представляющих различные формы учебного поведения. Все переменные нормализованы в диапазоне [0,1] для обеспечения согласованности и сопоставимости. Набор данных разделен на обучающую, валидационную и тестовую выборки в пропорции 70%–15%–15% для обеспечения несмещенной оценки модели.

Построение и представление графа

Обучающая среда моделируется как взвешенный граф, определяемый следующим образом:

G = (V,E,W)  (1)

где обозначает множество узлов, представляет множество ребер, а является взвешенной матрицей смежности, описывающей силу связей между узлами. Множество узлов разлагается следующим образом:

V = V_k∪V_a∪V_e  (2)

где V_k, V_a и V_e соответствуют узлам знаний, узлам деятельности и эмоциональным узлам соответственно. Веса ребер вычисляются следующим образом:

W_ij = α S_c(i,j) + βS_e(i,j)  (3)

где S_c(i,j) представляет когнитивное сходство между узлами, S_e(i,j) — эмоциональную корреляцию, а α и β являются весовыми коэффициентами, контролирующими их относительное влияние. Уравнение (3) определяет, как структурные и эмоциональные связи совместно определяют связность графа.

Представление состояния узла и обучение графам

Каждый узел связан с динамическим вектором состояния, который определяется следующим образом:

x_i(t) = [k_i(t),e_i(t),a_i(t)]  (4)

где k_i(t), e_i(t) и a_i(t) обозначают уровень знаний, эмоциональное состояние и уровень вовлеченности в момент времени t соответственно. Представления узлов обновляются с использованием агрегации на основе графа:

   (5)

где — это вложение узла i на слое l, σ — нелинейная функция активации, а N(i) обозначает набор соседних узлов. Уравнение (5) описывает, как каждый узел интегрирует информацию от своих соседей. Далее вводится механизм внимания:

     (6)

где α_ij — коэффициент внимания, а ∅(·) — функция сходства. Уравнение (6) позволяет осуществлять адаптивное взвешивание вкладов соседних узлов.

Моделирование эмоциональной динамики

Временная эволюция эмоциональных состояний моделируется следующим образом:

     (7)

где γ — коэффициент сохранения эмоций. Уравнение (7) отражает как устойчивость, так и распространение эмоционального влияния. Эмоциональная стабильность количественно определяется следующим образом:

    (8)

где E⁺(t) и E^-(t) обозначают положительный и отрицательный эмоциональные компоненты, а  представляет собой малую константу, предотвращающую деление на ноль. Накопление стресса определяется следующим образом:

     (9)

где λ(τ) представляет собой мгновенный коэффициент интенсивности напряжений. Уравнение (9) моделирует кумулятивное напряжение с течением времени.

Оптимизация обучения и адаптивное проектирование учебных программ

Процесс обучения управляется многоцелевой функцией оптимизации:

J = λ₁K + λ₂K - λ₃S  (10)

где K обозначает прирост знаний, E — эмоциональную стабильность, а S — уровень стресса, в то время как  λ₁, λ₂, λ₃ являются весовыми коэффициентами. Уравнение (10) уравновешивает когнитивные и эмоциональные цели. Адаптивная перестройка учебной программы определяется следующим образом:

W_ij(t + 1) = W_ij(t) + ηΔ_ij(t)  (11)

где η  — скорость обучения, а Δ_ij(t) представляет собой корректировки обновления, обусловленные динамикой обучения. Уравнение (11) позволяет структуре графа эволюционировать с течением времени.

Временной масштаб и продолжительность симуляции

Все симуляции проводятся с использованием нормализованных временных шагов, а не единиц реального времени. Короткие интервалы соответствуют масштабированным шагам симуляции, представляющим эволюцию системы, в то время как длительные симуляции продолжительностью пятьсот шагов используются для оценки долгосрочного поведения, сходимости и устойчивости.

Метрики оценки и статистический анализ

Эффективность разработанной структуры оценивается с помощью нормализованных показателей, включая прирост знаний, эмоциональную стабильность, уровень стресса, уровень вовлеченности и робастность. Статистический анализ выполняется с использованием статистических функций MATLAB; для каждого показателя рассчитываются средние значения, стандартные отклонения и 95% доверительные интервалы. Перед применением парных t-критериев проверяется допущение о нормальности распределения. Сравнительный анализ предлагаемой структуры и базовой модели проводится на выборке из n = 1000 симулированных учащихся, при этом статистическая значимость определяется как p < 0,05.

Воспроизводимость и детали реализации

Все симуляции, конвейеры обработки данных и процедуры оценки полностью воспроизводимы. Процесс генерации набора данных, параметры построения графа, конфигурации моделей и настройки оптимизации определены явным образом. Инициализация случайного числа (seed) зафиксирована для обеспечения согласованности результатов при повторных запусках. Все гиперпараметры, скрипты и описания наборов данных представлены в дополнительных материалах, что позволяет полностью воспроизвести исследование с использованием MATLAB или эквивалентных вычислительных инструментов.

Все симуляции, конвейеры обработки данных и скрипты оценки представлены в Дополнительном файле 1. Набор данных включает необработанные журналы взаимодействий, эмоциональные индикаторы и метрики успеваемости в обучении. Параметры построения графов и настройки оптимизации полностью задокументированы. Система может быть воспроизведена с использованием стандартных сред машинного обучения. Для обеспечения согласованности зафиксирована инициализация случайного числа (random seed). Все гиперпараметры указаны явным образом. Данный протокол обеспечивает полную прозрачность и воспроизводимость.

Результаты

Эффективность предлагаемой структуры эмоционального учебного плана на основе графов (Graph-based emotional curriculum intelligence framework, GECIF) была оценена с использованием набора данных на основе симуляции, состоящего из n = 1000 учащихся на протяжении T = 500 нормализованных временных шагов. На рисунке 1 представлена концептуальная архитектура GECIF для визуального музыкального образования на базе ИИ и укрепления психического здоровья. Все показатели представлены в нормализованных шк...

Обсуждение

В настоящем исследовании предложена концепция эмоционального учебного интеллекта на основе графов (GECIF), которая объединяет обучение представлениям на основе графов, моделирование эмоционального состояния, адаптивную оптимизацию учебной программы и визуальное обучение на базе ИИ в единую вычислительную систему для музыкального образования в колледжах. В отличие от традиционных образовательных моделей с поддержкой ИИ, которые в первую очередь оптимизируют академическую успеваемость, предлагаемая структура одновременно м...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Модуль оперативной памяти DDR4 объемом 32 ГБ	Kingston Technology	Н/Д
CUDA Toolkit для ускорения вычислений на GPU (v11.8)	NVIDIA	версия 1.18
Механизм адаптации учебных программ	Индивидуальное внедрение	CAE003
Набор данных: Эмоциональные индикаторы	Сгенерированный набор данных	DEI006
Набор данных: показатели эффективности обучения	Сгенерированный набор данных	DLPM007
Набор данных: журналы взаимодействия студентов	Сгенерированный набор данных	DIL005
Модуль симуляции эмоционального состояния	Индивидуальное внедрение	ESM002
Рабочая станция с GPU (NVIDIA RTX 3080)	NVIDIA	НД
Модуль реализации графовых нейронных сетей	Индивидуальная реализация	Нет данных
процессор Intel Core i7 (3,6 ГГц)	Intel Corporation	Не применимо
Среда Jupyter Notebook (v6.5)	Проект Jupyter	версия 6.5
Программное обеспечение MATLAB (R2023a)	MathWorks	R2023a
Библиотека визуализации Matplotlib (v3.7)	Matplotlib	версия 3.7
Библиотека обработки графов NetworkX (v3.1)	Разработчики NetworkX	версия 3.1
Библиотека для численных вычислений NumPy (v1.24)	Разработчики NumPy	версия 1.24
Модуль оптимизации (Многокритериальный решатель)	Индивидуальная реализация	MOS008
Библиотека для обработки данных Pandas (v2.0)	Команда разработчиков Pandas	версия 2.0
Среда программирования Python (v3.10)	Python Software Foundation	версия 3.10
Фреймворк глубокого обучения PyTorch (v2.0)	Meta AI	версия 2.0
Скрипт инициализации случайного зерна (seed)	Индивидуальное внедрение	RSI009
Библиотека машинного обучения Scikit-learn (v1.3)	Scikit-learn	версия 1.3
Библиотека статистической визуализации Seaborn (v0.12)	Seaborn	версия 0.12
Библиотека TensorFlow (v2.12)	Google	версия 2.12
Инструментарий интерфейса визуального обучения	Индивидуальная реализация	VLI004
Операционная система Windows 11	Microsoft	W11