Bu çalışma, üniversite müzik eğitimi için yapay zeka destekli görsel öğretimde grafik tabanlı bir duygusal müfredat zekası çerçevesi önermektedir. Simülasyon tabanlı bir veri seti kullanan çerçeve; bilgi edinimi, duygusal dinamikler ve etkileşimi modeller. Sonuçlar, geleneksel modellere kıyasla öğrenme verimliliğinin arttığını ve stresin azaldığını göstererek, adaptif ve ruh sağlığına duyarlı eğitim sistemleri için potansiyel ortaya koymaktadır.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Araştırma makalesi
Üniversite Müzik Derslerinde Ruh Sağlığının Geliştirilmesi İçin Yapay Zeka Entegreli Görsel Öğretim Tasarımının Simülasyon Tabanlı Değerlendirmesi
Bu makalede
Özet
Özet
Üniversite müzik eğitiminde görsel öğretim tasarımı, öğrenci katılımını artırma ve zihinsel refahı destekleme potansiyeli nedeniyle giderek daha fazla dikkat çekmektedir. Ancak, geleneksel öğretim yaklaşımları genellikle öğrenenlerin gelişen bilişsel ve duygusal durumlarına yanıt vermek için gereken adaptasyon yeteneğinden yoksundur; bu da hem akademik başarıyı hem de psikolojik dengeyi desteklemedeki etkinliklerini sınırlamaktadır. Simülasyona dayalı bu çalışmanın temel amacı, üniversite müzik derslerinde öğrenme çıktılarını optimize etmek için görsel öğretim stratejilerini graf tabanlı duygusal modelleme ile entegre eden, yapay zeka destekli bir çerçeve geliştirmek ve değerlendirmektir. Öğrenme ortamını bilgi, etkinlik ve duygusal düğümlerden oluşan birbirine bağlı bir graf olarak temsil eden, özgün bir graf tabanlı duygusal müfredat zekası çerçevesi (GECIF) önerilmiştir. Çerçeve, bilgi edinimi, katılım, duygusal stabilite ve stresin zaman içindeki gelişimini simüle etmek için graf tabanlı temsil öğrenimi, dinamik durum modellemesi ve adaptif öğrenme mekanizmalarını içermektedir. Tekrarlanabilirliği sağlamak amacıyla, kontrollü bir MATLAB tabanlı simülasyon hattı üzerinden etkileşim günlüklerini, duygusal göstergeleri ve öğrenme performansı değişkenlerini içeren sentetik bir veri seti oluşturulmuştur. GECIF, normalize edilmiş simülasyon adımları boyunca özdeş deneysel koşullar altında, geleneksel adaptif olmayan bir temel modelle karşılaştırılmıştır. Performans; bilgi kazanımı, duygusal stabilite, stres azalması, katılım düzeyi ve dayanıklılık gibi normalize edilmiş simülasyon metrikleri kullanılarak değerlendirilmiştir. Önerilen çerçeve, daha yüksek simüle edilmiş bilgi edinimi, gelişmiş duygusal düzenleme, daha fazla katılım, azalmış simüle stres ve artırılmış dayanıklılık göstererek temel modeli tutarlı bir şekilde geride bırakmıştır. Ortalama değerler, standart sapmalar ve %95 güven aralıklarına dayalı istatistiksel analizler, tüm değerlendirme metriklerinde tutarlı iyileşmeler olduğunu doğrulamıştır. Bu bulgular, akıllı eğitim sistemleri alanındaki gelecekteki araştırmaları destekleyecek ölçeklenebilir ve tekrarlanabilir bir hesaplama çerçevesi sunarken, adaptif müzik eğitimi için yapay zeka destekli, duyguya duyarlı görsel öğretim stratejilerinin potansiyelini ortaya koymaktadır.
Giriş
Yapay zekanın (AI) eğitim sistemlerine entegrasyonu, geleneksel öğretim paradigmalarını önemli ölçüde dönüştürerek daha adaptif, kişiselleştirilmiş ve veri odaklı öğrenme deneyimlerine olanak sağlamıştır1,2,3. Son yıllarda, soyut kavramların, duygusal ifadenin ve algısal anlayışın merkezi bir rol oynadığı müzik eğitimi gibi disiplinlerde, görsel öğretim tasarımı etkili bir pedagojik yaklaşım olarak ortaya çıkmıştır4,5,6,7. Grafik arayüzler, etkileşimli simülasyonlar ve multimedya öğelerini içeren görsel temsiller, bilişsel işlemenin derinleşmesini kolaylaştırır ve öğrenenlerin katılımını artırır8,9,10,11. Ancak, bu gelişmelere rağmen, mevcut görsel öğretim yöntemleri genellikle statik kalmakta ve öğrenenlerin gelişen bilişsel ve duygusal durumlarına dinamik olarak yanıt verme yeteneğinden yoksun görünmektedir12,13,14. Müzik eğitimi, özellikle üniversite düzeyinde, doğası gereği çok boyutlu olması nedeniyle benzersiz zorluklar sunar15,16,17. Öğrenme çıktıları, yalnızca müzik teorisi ve performans tekniklerinin bilişsel olarak anlaşılmasından değil, aynı zamanda motivasyon, stres, katılım ve psikolojik iyi oluş gibi duygusal faktörlerden de etkilenmektedir18. Önceki çalışmalar, duygusal durumlar ile öğrenme etkinliği arasındaki güçlü ilişkiyi vurgulamış ve yüksek düzeyde stres veya düşük katılım yaşayan öğrencilerin akademik performanslarının düşme eğiliminde olduğunu göstermiştir19,20,21. Öğrenme kişiselleştirmesini artırmak için çeşitli yapay zeka tabanlı eğitim sistemleri önerilmiş olsa da, bunların çoğu öncelikle bilişsel performans metriklerine odaklanmakta ve öğrenme sürecini şekillendirmedeki kritik duygusal dinamikleri göz ardı etmektedir22.
Akıllı öğrenme sistemlerindeki son gelişmeler, eğitim bileşenleri arasındaki karmaşık ilişkileri modellemek için graf tabanlı temsiller ve derin öğrenme teknikleri getirmiştir23,24,25. Graf sinir ağlarını (GNN'ler) içeren graf tabanlı öğrenme çerçeveleri, bilgi unsurları, öğrenci etkileşimleri ve bağlamsal faktörler arasındaki yapılandırılmış bağımlılıkları yakalamada güçlü yetenekler sergilemiştir26. Ayrıca, duygu duyarlı hesaplama, psikolojik sinyalleri adaptif öğrenme ortamlarına dahil etme yeteneğiyle dikkat çekmiştir27. Buna rağmen, bu yaklaşımların müzik eğitimi için birleşik bir çerçeve kapsamında entegrasyonu hala sınırlıdır28,29,30. Mevcut çalışmalar, duygusal değişkenleri genellikle temel bileşenler yerine yardımcı özellikler olarak ele almakta ve biliş ile duygu arasındaki etkileşime dayalı sürekli adaptasyon için nadiren mekanizmalar sunmaktadır31.
Ayrıca, ruh sağlığı farkındalığına sahip eğitimde yapay zeka uygulamaları, ağırlıklı olarak gerçek katılımcılardan toplanan ampirik veya sensör tabanlı verilere dayanmıştır32. Ancak, bu tür yaklaşımlar, erken aşama araştırmalarda her zaman mümkün olmayabilecek kapsamlı etik onaylar, standardize edilmiş ölçüm araçları ve kontrollü deneysel koşullar gerektirmektedir33. Sonuç olarak, karmaşık eğitim dinamiklerini kontrollü ve tekrarlanabilir bir şekilde keşfetmek için simülasyon tabanlı metodolojiler bir alternatif olarak ortaya çıkmıştır34. Etkileşim günlüklerini, duygusal göstergeleri ve öğrenme performans metriklerini taklit eden sentetik veri setleri oluşturarak araştırmacılar, sistem parametreleri ve varsayımları üzerinde tam kontrol sağlarken, önerilen modellerin davranışlarını çeşitli senaryolar altında değerlendirebilirler35.
Bu ilerlemelere rağmen, birçok araştırma boşluğu devam etmektedir36. Birincisi, bilgi edinimini, duygusal gelişimi ve öğrenme etkileşimini yapılandırılmış bir temsil içinde eş zamanlı olarak modelleyen birleşik çerçevelerin eksikliği söz konusudur37. İkincisi, mevcut görsel öğretim sistemleri; müzikal kavramlar, öğrenme faaliyetleri ve psikolojik durumlar arasındaki karşılıklı bağımlılıkları yakalamak için grafik tabanlı zekayı etkili bir şekilde kullanmamaktadır38. Üçüncüsü, yapay zeka destekli eğitim modellerinin sistematik değerlendirmesine olanak tanıyan, ölçeklenebilir ve tekrarlanabilir simülasyon hatlarının geliştirilmesine sınırlı düzeyde önem verilmiştir39,40,41. Son olarak, mevcut yaklaşımlar genellikle hem bilişsel hem de duygusal boyutları dinamik olarak uyarlanabilir bir şekilde entegre eden bütüncül bir öğrenme görünümü sunmakta yetersiz kalmaktadır42.
Bu zorlukların üstesinden gelmek için bu çalışma, üniversite müzik eğitiminde yapay zeka destekli görsel öğretim tasarımı için grafik tabanlı bir duygusal müfredat zekası çerçevesi (GECIF) önermektedir. Tablo 1, grafik bileşenleri, düğüm durumları ve model parametreleri için temel tanımları sunmaktadır. Bu tablo, metodolojinin hem açık hem de tekrarlanabilir olmasını sağlar. Önerilen çerçeve, eğitim ortamını; bilgi düğümleri, etkinlik düğümleri ve duygusal düğümlerden oluşan birbirine bağlı bir grafik olarak modeller ve böylece öğrenme dinamiklerinin kapsamlı bir temsilini sağlar. Etkileşim günlüklerini, duygusal göstergeleri ve performans metriklerini içeren kontrollü bir hesaplama hattı kullanılarak, tekrarlanabilirliği ve ölçeklenebilirliği sağlamak amacıyla simülasyon tabanlı bir veri seti oluşturulur. Çerçeve; öğrenme çıktılarının ve psikolojik durumların zaman içindeki gelişimini simüle etmek için uyarlamalı öğrenme mekanizmaları, duygusal durum modellemesi ve grafik tabanlı optimizasyonu bünyesinde barındırır. Geleneksel bir öğrenme modeline karşı karşılaştırmalı değerlendirme; bilgi kazanımı, duygusal stabilite, stres azalması, etkileşim ve dayanıklılık dahil olmak üzere birden fazla performans metriği kullanılarak gerçekleştirilir.
Bu çalışmanın temel amacı, üniversite müzik derslerinde öğrenme verimliliğini artırmak ve ruh sağlığı farkındalığına sahip eğitimi desteklemek için grafik tabanlı modelleme ile duygusal zekayı entegre eden, simülasyon tabanlı ve yapay zeka destekli bir görsel öğretim çerçevesi geliştirmek ve değerlendirmektir.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
Bu çalışma; insan katılımcılar, klinik veriler veya kişisel bilgiler içermeyen, hesaplamalı ve simülasyon tabanlı bir araştırmadır. Bu araştırmada kullanılan tüm veriler, kontrollü simülasyon süreçleri aracılığıyla sentetik olarak üretilmiştir. Bu nedenle, bir kurumsal inceleme kurulundan etik onay alınması ve bilgilendirilmiş onam alınması gerekmemiştir. Çalışma, hesaplamalı araştırmalar için standart kılavuzlara uygundur ve metodolojinin tam olarak yeniden üretilebilirliğini ve şeffaflığını sağlar.
Teorik çerçeve ve gerekçe
Önerilen grafik tabanlı duygusal müfredat zeka çerçevesi (GECIF); yapay zeka, grafik tabanlı öğrenme, duygusal hesaplama ve görsel pedagojinin entegrasyonuna dayanmakta olup öğrenmeyi, bilişsel gelişimi, duygusal evrimi ve davranışsal katılımı eş zamanlı olarak yakalayan dinamik ve çok boyutlu bir süreç olarak modellemeyi amaçlamaktadır. Geleneksel öğretim yaklaşımları genellikle bilgi ediniminin doğrusal bir ilerleme izlediğini varsayar ve bilişsel performans ile psikolojik durumlar arasındaki karmaşık etkileşimleri yeterince yansıtmaz. Bu kısıtlama, duygusal ifadenin, motivasyonun ve yaratıcılığın teknik ve teorik öğrenmeden ayrılamadığı üniversite müzik eğitimi için özellikle kritiktir. Bu bağlamda çerçeve, eğitim sürecini; bilgi unsurlarının, öğrenme etkinliklerinin ve duygusal durumların birbirini sürekli etkilediği birbirine bağlı bir sistem olarak kavramsallaştırmaktadır. Grafik tabanlı modelleme, bu ilişkilerin yapılandırılmış ve ölçeklenebilir bir temsilini sağlayarak hem doğrudan hem de dolaylı bağımlılıkların etkili bir şekilde yakalanmasına olanak tanır. Duygusal dinamikler, yardımcı değişkenler yerine içsel bileşenler olarak dahil edilerek, psikolojik durumların öğrenme süreci boyunca nasıl geliştiğinin ve yayıldığının simülasyonuna imkan sağlar. Görsel öğretim tasarımının entegrasyonu, soyut hesaplama etkileşimlerini sezgisel grafiksel temsillere dönüştürerek yorumlanabilirliği daha da artırır.
Metodoloji ve simülasyon çalışma tasarımı
Bu çalışma, insan katılımcıların yer almadığı ve tüm verilerin kontrollü ve tekrarlanabilir bir işlem hattı üzerinden sentetik olarak üretildiği, bilgisayar simülasyonu tabanlı bir tasarım benimsemektedir. Bu nedenle bildirilen sonuçlar, gerçek öğrencilerden elde edilen ampirik gözlemlerden ziyade model tabanlı değerlendirmeleri temsil etmektedir. Öğrenme performansı, etkileşim, duygusal denge ve stres azalmasındaki iyileştirmeler, önerilen çerçevenin simüle edilmiş veya potansiyel etkileri olarak yorumlanmaktadır. Simülasyon ortamı; zamansal bağımlılıkları, etkileşim kalıplarındaki değişkenliği ve gelişen duygusal durumları dahil ederek gerçekçi öğrenme koşullarını yaklaşık olarak yansıtmaktadır. Önerilen GECIF çerçevesinin; grafik tabanlı temsil, duygusal modelleme veya müfredat optimizasyonu olmaksızın, bilginin yalnızca etkileşim yoğunluğuna bağlı olarak geliştiği adaptif olmayan bir öğrenme sistemini temsil eden geleneksel bir temel modelle karşılaştırıldığı karşılaştırmalı bir deneysel konfigürasyon uygulanmıştır. Tutarlı ve tarafsız bir karşılaştırma sağlamak amacıyla her iki model de aynı simülasyon koşulları altında çalıştırılmıştır.
Veri seti oluşturma ve yapısı
Etkileşim günlükleri, duygusal göstergeler ve öğrenme performansı metriklerini birleşik bir zamansal çerçevede entegre ederek, üniversite müzik eğitimindeki öğrenme dinamiklerini simüle etmek amacıyla geniş ölçekli bir veri seti oluşturulmuştur. Veri seti, demografik ve davranışsal özniteliklerin yanı sıra akademik performans verileri sunan, halka açık öğrenci performans veri setinden (UCI Machine Learning Repository) türetilmiş ve genişletilmiştir. Bu veri seti, gerçekçi öğrenme modellerinin oluşturulması için temel bir referans görevi görmüştür. Etkileşim günlükleri; pratik oturumları, dinleme egzersizleri ve görsel öğrenme görevleri gibi öğrenme etkinlikleriyle olan simüle edilmiş etkileşimleri temsil etmektedir. Duygusal göstergeler; stres, bağlılık ve motivasyon dahil olmak üzere psikolojik durumları yakalarken, öğrenme performansı zaman içindeki bilgi edinimini ve ilerlemeyi yansıtmaktadır. Veri setini zenginleştirmek ve zamansal bağımlılıkları dahil etmek için, tekrarlanabilirliği sağlamak amacıyla sabit rastgele tohum başlangıçlı MATLAB tabanlı bir simülasyon hattı kullanılmıştır. Etkileşim davranışlarının ve duygusal durumların zamanla kademeli olarak gelişmesini sağlamak için otoregresif süreçler aracılığıyla zamansal süreklilik getirilmiştir. Nihai veri seti, çeşitli öğrenme davranışlarını temsil eden çok sayıda etkileşim özelliği ile beş yüz zaman adımı boyunca gözlemlenen bin simüle edilmiş öğrenciyi içermektedir. Tutarlılığı ve karşılaştırılabilirliği sağlamak için tüm değişkenler [0,1] aralığında normalize edilmiştir. Yanlısız model değerlendirmesi sağlamak amacıyla veri seti, %70–%15–%15'lik bir bölünmeyle eğitim, doğrulama ve test alt kümelerine ayrılmıştır.
Graf oluşturma ve temsili
Öğrenme ortamı, şu şekilde tanımlanan ağırlıklı bir graf olarak modellenmiştir:
G = (V,E,W) (1)
burada düğümler kümesini, kenarlar kümesini ve düğümler arasındaki ilişkilerin gücünü tanımlayan ağırlıklı komşuluk matrisini temsil eder. Düğüm kümesi şu şekilde ayrıştırılmıştır:
V = Vk∪Va∪Ve (2)
burada Vk, Va ve Ve sırasıyla bilgi düğümlerine, aktivite düğümlerine ve duygusal düğümlere karşılık gelir. Kenar ağırlıkları şu şekilde hesaplanır:
Wij = α Sc(i,j) + βSe(i,j) (3)
burada Sc(i,j) düğümler arasındaki bilişsel benzerliği, Se(i,j) duygusal korelasyonu temsil eder; α ve β ise bunların göreceli etkisini kontrol eden ağırlıklandırma katsayılarıdır. Denklem (3), yapısal ve duygusal ilişkilerin grafın bağlantısallığını birlikte nasıl belirlediğini tanımlar.
Düğüm durum temsili ve grafik öğrenimi
Her düğüm, şu şekilde tanımlanan dinamik bir durum vektörü ile ilişkilendirilmiştir:
xi(t) = [ki(t),ei(t),ai(t)] (4)
burada ki(t), ei(t) ve ai(t) sırasıyla t anındaki bilgi düzeyini, duygusal durumu ve etkileşim düzeyini ifade eder. Düğüm temsilleri, graf tabanlı toplama kullanılarak güncellenir:
(5)
burada 
l katmanındaki i düğümünün gömülmesidir, σ doğrusal olmayan bir aktivasyon fonksiyonudur ve N(i) komşu düğümler kümesini belirtir. Denklem (5), her bir düğümün komşularından gelen bilgileri nasıl entegre ettiğini tanımlar. Ayrıca bir dikkat mekanizması tanıtılmıştır:
(6)
burada αij dikkat katsayısı ve ∅(·) bir benzerlik fonksiyonudur. Denklem (6), komşu düğüm katkılarının adaptif ağırlıklandırılmasını sağlar.
Duygusal dinamiklerin modellenmesi
Duygusal durumların zamansal evrimi şu şekilde modellenmiştir:
(7)
burada γ duygusal tutma katsayısıdır. Denklem (7), duygusal etkinin hem kalıcılığını hem de yayılımını kapsar. Duygusal stabilite şu şekilde nicelleştirilir:
(8)
burada E+(t) ve E-(t) pozitif ve negatif duygusal bileşenleri temsil eder ve 
sıfıra bölünmeyi önleyen küçük bir sabittir. Stres birikimi şu şekilde tanımlanır:
(9)
burada λ(τ), anlık gerilme yoğunluğunu temsil eder. Denklem (9), zaman içindeki kümülatif gerilmeyi modeller.
Öğrenme optimizasyonu ve adaptif müfredat tasarımı
Öğrenme süreci, çok amaçlı bir optimizasyon fonksiyonu tarafından yönetilir:
J = λ1K + λ2K - λ3S (10)
burada K bilgi kazanımını, E duygusal stabiliteyi ve S stres seviyesini ifade ederken, λ1, λ2, λ3 ağırlıklandırma katsayılarıdır. Denklem (10) bilişsel ve duygusal hedefleri dengeler. Adaptif müfredat yeniden yapılandırması şu şekilde tanımlanmıştır:
Wij(t + 1) = Wij(t) + ηΔij(t) (11)
burada η öğrenme hızını ve Δij(t) öğrenme dinamikleri tarafından yönlendirilen güncelleme ayarlamalarını temsil eder. Denklem (11), grafik yapısının zaman içinde gelişmesine olanak tanır.
Zamansal ölçek ve simülasyon süresi
Tüm simülasyonlar, gerçek zaman birimleri yerine normalize edilmiş zaman adımları kullanılarak gerçekleştirilir. Kısa aralıklar, sistem evrimini temsil eden ölçeklendirilmiş simülasyon adımlarına karşılık gelirken; uzun vadeli davranışı, yakınsamayı ve dayanıklılığı değerlendirmek için beş yüz adımı aşan genişletilmiş simülasyonlar kullanılır.
Değerlendirme metrikleri ve istatistiksel analiz
Çerçeve; bilgi artışı, duygusal stabilite, stres seviyesi, etkileşim düzeyi ve dayanıklılık dahil olmak üzere normalize edilmiş metrikler kullanılarak değerlendirilmektedir. İstatistiksel analiz, her bir metrik için ortalama değerler, standart sapmalar ve %95 güven aralıkları hesaplanarak MATLAB istatistiksel fonksiyonları ile gerçekleştirilmiştir. Eşleştirilmiş t-testleri uygulanmadan önce normallik varsayımları doğrulanmıştır. Önerilen çerçeve ile temel model arasındaki karşılaştırmalı değerlendirme, n = 1000 simüle edilmiş öğrenci üzerinde yürütülmüş olup, istatistiksel anlamlılık p < 0.05 olarak tanımlanmıştır.
Tekrarlanabilirlik ve uygulama detayları
Tüm simülasyonlar, veri işleme hatları ve değerlendirme prosedürleri tamamen yeniden üretilebilirdir. Veri seti oluşturma süreci, graf oluşturma parametreleri, model konfigürasyonları ve optimizasyon ayarları açıkça tanımlanmıştır. Tekrarlanan çalışmalar arasında tutarlı çıktılar sağlamak için rastgele tohum başlangıç değeri sabitlenmiştir. Tüm hiperparametreler, betikler ve veri seti açıklamaları ek materyallerde sunulmuş olup, çalışmanın MATLAB veya eşdeğer hesaplama araçları kullanılarak tam olarak tekrarlanmasına olanak tanımaktadır.
Tüm simülasyonlar, veri işleme boru hatları ve değerlendirme betikleri Ek Dosya 1'de sağlanmıştır. Veri seti; ham etkileşim günlüklerini, duygusal göstergeleri ve öğrenme performansı metriklerini içermektedir. Grafik oluşturma parametreleri ve optimizasyon ayarları eksiksiz bir şekilde belgelenmiştir. Sistem, standart makine öğrenimi çerçeveleri kullanılarak yeniden üretilebilir. Tutarlılığı sağlamak için rastgele tohum başlatma sabitlenmiştir. Tüm hiperparametreler açıkça raporlanmıştır. Protokol, tam şeffaflık ve tekrarlanabilirlik sağlamaktadır.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Önerilen Graf tabanlı duygusal müfredat zekası çerçevesinin (GECIF) performansı, T = 500 normalize edilmiş zaman adımı boyunca n = 1000 öğreniciden oluşan simülasyon tabanlı bir veri seti kullanılarak değerlendirilmiştir. Şekil 1, yapay zeka destekli görsel müzik eğitimi ve ruh sağlığının geliştirilmesi için GECIF'in kavramsal mimarisini göstermektedir. Tüm metrikler [0,1] aralığındaki normalize edilmiş ölçeklerde raporlanmıştır. İstatistiksel değerlendirme; ortalama değerleri, standart sapm...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tartışma
Bu çalışma; grafik tabanlı temsil öğrenimi, duygusal durum modellemesi, adaptif müfredat optimizasyonu ve yapay zeka destekli görsel öğretimi, üniversite müzik eğitimi için birleşik bir hesaplama çerçevesinde entegre eden grafik tabanlı bir duygusal müfredat zeka çerçevesi (GECIF) önermiştir. Öncelikle akademik performansı optimize eden geleneksel yapay zeka destekli eğitim modellerinin aksine, önerilen çerçeve; bilgi edinimi, duygusal düzenleme, öğrenci katılımı ve adaptif müfredat gelişimi arasındaki etkileşimleri eş z...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Yazarın herhangi bir çıkar çatışması yoktur.
Teşekkürler
Yazar, bu araştırmanın yürütülmesi için gerekli akademik ortamı ve kurumsal desteği sağladıkları için Anqing Normal University Müzik Bölümü'ne içten şükranlarını sunar. Önerilen çerçevenin geliştirilmesi ve değerlendirilmesi sırasında değerli görüş ve geri bildirimlerle katkıda bulunan meslektaşlarına ve öğrencilerine özel teşekkürlerini sunar. Yazar ayrıca, kaynaklara ve araştırma altyapısına erişimi kolaylaştırdığı için Anqing Normal University'nin desteğini kabul eder.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| 32 GB DDR4 RAM Modülü | Kingston Technology | NA | |
| GPU Hızlandırma için CUDA Toolkit (v11.8) | NVIDIA | version 1.18 | |
| Müfredat Adaptasyon Motoru | Custom Implementation | CAE003 | |
| Veri Seti: Duygusal Göstergeler | Generated Dataset | DEI006 | |
| Veri Seti: Öğrenme Performans Metrikleri | Generated Dataset | DLPM007 | |
| Veri Seti: Öğrenci Etkileşim Kayıtları | Generated Dataset | DIL005 | |
| Duygusal Durum Simülasyon Modülü | Custom Implementation | ESM002 | |
| GPU İş İstasyonu (NVIDIA RTX 3080) | NVIDIA | NA | |
| Graf Sinir Ağı Uygulama Modülü | Custom Implementation | NA | |
| Intel Core i7 İşlemci (3.6 GHz) | Intel Corporation | NA | |
| Jupyter Notebook Ortamı (v6.5) | Project Jupyter | version 6.5 | |
| MATLAB Yazılımı (R2023a) | MathWorks | R2023a | |
| Matplotlib Görselleştirme Kütüphanesi (v3.7) | Matplotlib | version 3.7 | |
| NetworkX Graf İşleme Kütüphanesi (v3.1) | NetworkX Developers | version 3.1 | |
| NumPy Sayısal Hesaplama Kütüphanesi (v1.24) | NumPy Developers | version 1.24 | |
| Optimizasyon Modülü (Çok Amaçlı Çözücü) | Custom Implementation | MOS008 | |
| Pandas Veri İşleme Kütüphanesi (v2.0) | Pandas Development Team | version 2.0 | |
| Python Programlama Ortamı (v3.10) | Python Software Foundation | version 3.10 | |
| PyTorch Derin Öğrenme Çerçevesi (v2.0) | Meta AI | version 2.0 | |
| Rastgele Tohum Başlatma Betiği | Custom Implementation | RSI009 | |
| Scikit-learn Makine Öğrenimi Kütüphanesi (v1.3) | Scikit-learn | version 1.3 | |
| Seaborn İstatistiksel Görselleştirme Kütüphanesi (v0.12) | Seaborn | version 0.12 | |
| TensorFlow Kütüphanesi (v2.12) | version 2.12 | ||
| Görsel Öğrenme Arayüzü Araç Seti | Custom Implementation | VLI004 | |
| Windows 11 İşletim Sistemi | Microsoft | W11 |
Kaynaklar
- 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.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.