Design and mental health enhancement strategies of students’ emotional intervention model in physical education supported by intelligent algorithms
Notice bibliographique
Résumé
Appropriate use of emotions as a means to intervene in students' sports behaviors in physical education can promote individuals to form correct concepts of sports and physical exercise.In this paper, in order to construct an emotion intervention model, a cross-temporal adaptive graph convolution network (CST-AGCN) model for whole-body limb emotion recognition is proposed by using the method of spatio-temporal graph convolution.The model was applied to the first stage of negative emotion intervention, after which the appropriate intervention strategy was selected from the intervention strategy library.Then the system was used to assist the teacher in completing some of the intervention initiatives.Finally, based on the empirical study and the system, the learners' classroom status after the intervention was analyzed again.In addition the study also designed strategies related to enhancement of students' mental health to further promote students' physical and mental health.After applying the emotional intervention model and mental health enhancement strategies to the second year (1) class of Secondary School S, this group of students showed significant differences in subjective experience, emotional vitality, body value, interpersonal perception, and dilemma coping, and their mental health was significantly improved.Physical education scores were 7.96 points higher compared to the traditional teaching class, and anxiety decreased significantly.It indicates that the intervention model and mental health enhancement strategies in this study can reduce students' anxiety behavior and have a more significant relief of students' negative emotional symptoms such as anxiety and depression, thus promoting the quality of physical education teaching.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».