人工智能赋能高职体育教学：探索健康教育融合新路径

摘要

本方案描述了一种人工智能引导的雾化传感系统的整合方法，该系统可监测呼吸、体温和运动，以在职业体育教育过程中实时调整健康教育内容，并通过为期六周的准实验评估其效果。

摘要

本研究评估了一种由人工智能引导的雾化传感系统，旨在将适应性健康教育融入职业体育教育中。研究采用准实验设计，将356名参与者分配至干预组（n = 178）或对照组（n = 178）。该系统使用可穿戴雾化传感器（监测呼吸模式、环境温度和运动状态），并与人工智能引擎连接，通过基于规则和机器学习的逻辑实时调整教学内容——例如，在检测到疲劳迹象时降低内容复杂度或切换为音视频演示。课程在教室环境中每周进行两次，持续六周，并在干预前后立即进行问卷调查。采用经过验证的测量工具评估五个结局指标：知识保持、参与度、行为意向、自我效能和技术接受度。统计分析包括方差分析（ANOVA）、配对样本t检验、皮尔逊相关和χ² 检验，结果以F(df1, df2)、p值、η²及适用时的95%置信区间表示。干预组在知识保持（Δ = +21.7 vs. +10.6；F(1, 354) = 46.21，p < 0.001，η² = 0.21）、参与度（F(1, 354) = 39.87，p < 0.001，η² = 0.18）、行为意向（F(1, 354) = 42.55，p < 0.001，η² = 0.19）、自我效能（F(1, 354) = 27.63，p < 0.001，η² = 0.13）和技术接受度（F(1, 354) = 35.12，p < 0.001，η² = 0.17）方面的改善均显著优于对照组。这些发现表明，将实时传感与人工智能引导的决策支持相结合，可为提升职业体育教育环境中的健康教育效果提供一种可重复、适应性强的框架。

引言

健康教育是现代公共卫生的基石，有助于提高个人的健康知识、态度及与健康相关的行为¹。加强自我管理能力可帮助人们做出知情决策，采取预防性措施，并践行更健康的生活方式²。然而，传统的教育传播方式，如课堂讲授、印刷材料和通用的在线课程模块，通常缺乏足够的互动性和个性化³。这些方法往往无法及时响应学习者的实时需求，导致参与度有限，行为改变效果不显著⁴。

近年来，技术增强型模型致力于解决这些局限性。移动电子学习平台可以扩大获取范围，但通常仅提供标准化内容，缺乏生理适应性⁵。仅依赖可穿戴设备的反馈系统能够捕捉运动或注意力水平，但很少将传感器数据与教学设计相结合⁶。现有的基于人工智能的教育工具在分析参与模式和提供自动化反馈方面已体现出价值，但大多数应用依赖静态资源，无法根据学习者的状态进行动态调整⁷。因此，目前仍存在一个空白，即如何将实时感知与自适应教学方法相结合，从而根据学习者的情境对教学内容和传递方式进行个性化定制。

为弥合这一差距，我们提出一种由人工智能引导的原子化感知系统，将多参数生理与环境监测整合....

方案

本研究经石家庄铁路职业技术学院机构审查委员会审核并批准。所有操作均符合《赫尔辛基宣言》及相关当地法规。所用仪器与软件列于材料表中。

1. 方法

本研究采用准实验设计，评估了一种由人工智能引导的雾化传感系统在高等教育环境中的数字健康教育应用效果。通过使用经验证的量表（改编自先前研究），在干预前后收集数据，以评估知识保持、参与度、行为意向、自我效能和技术接受度。传感、人工智能决策和自适应教学传递的整体工作流程如图1所示，该图说明了生理和环境信号如何被整合到基于规则和机器学习的组件中，以实现实时内容调整。

2. 统计分析

数据分析使用 SPSS 25 版本进行，显著性水平设定为 p < 0.05。采用了四种统计方法：

1. 采用方差分析（ANOVA）比较五项结果变量在各组之间的组间差异，计算公式为：
   ....

结果

实验结果

为了评估人工智能驱动的雾化传感系统的有效性，进行了多项统计分析。

方差分析结果表明，在所有五个结局指标上，各组之间均存在显著差异，干预组参与者在各项后测得分上 consistently 高于对照组（表2；图3）。

通过配对样本t检验分析组内变化时，干预组在所有指标上均表现出显著改善（表3；图4），而对照组仅显示出轻微进步（表4；图5）。这一对比凸显了人工智能增强系统相较于传统教学具有更显著的效果。

卡方分析进一步支持了这一模式，结果显示干预暴露与知识保持、参与度、自我效能、行为意向和技术接受度等分.......

讨论

本研究的结果提供了有力证据，表明将人工智能驱动的智能雾化传感技术融入健康教育中，能够在多个维度上提升学习效果。与对照组相比，干预组参与者在所有五个测量变量上均表现出具有统计学意义的显著改善，其中知识保持的提升最为显著（F = 18.73，SS = 62.47，p < 0.001），其次是行为意向（F = 16.95，SS = 54.32，p < 0.001）、技术接受度（F = 13.45，SS = 42.65，p = 0.0003）、参与度（F = 12.56，SS = 38.90，p = 0.0004）和自我效能感（F = 10.84，SS = 33.70，p = 0.0012）。这些效应得到了组内变异度持续较低的支持（MS = 3.10–3.33），表明干预措施的表现稳定。

从理论角度来看，这些改进可以通过适应性学习理论和认知负荷原理来解释。这些理论认为，及时且个性化的反馈有助于更高效的信息处理和知识保持²²。在本研究中，由人工智能驱动的传感器动态监测学习者的学习状态，并实时调整教学内容的呈现方式，从而减轻认知负.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
AtomWear X100 可穿戴传感器	中国深圳 AtomTech 有限公司	X100	用于监测呼吸频率、环境温度和运动信号的可穿戴传感器（采样率：100 Hz，准确度：±0.1）。
AI 引擎（基于规则 + SVM 分类器）	定制实现	Python 3.9 配合 TensorFlow 2.10 和 scikit-learn 0.24	用于自适应决策支持的算法：整合传感器数据并调整教学内容的传递方式。
行为意向量表	改编自 Ajzen（1991）的计划行为理论	3 个条目	评估采纳健康行为的意向。
参与度量表	改编自 Sun 等人（2019）	5 个条目	测量注意力、互动性、情感投入、坚持性和满意度。
知识保持测试（15 题选择题）	自行设计，与教学内容一致		包含 15 道关于有氧运动与健康知识的多项选择题。
多媒体教室设置	标准高等教育教室		教室（约 50 m²），配备投影仪和用于传感器连接的基站。
Python	Python 软件基金会	版本 3.9	AI 引擎及数据预处理所用的编程环境。
scikit-learn	开源	版本 0.24	用于 SVM 分类的机器学习库。
自我效能感量表	改编自 Bandura（1997）	4 个条目	评估执行健康锻炼的信心。
SPSS 统计软件	IBM 公司，美国纽约州阿蒙克	版本 25	用于统计分析（ANOVA、t 检验、相关性分析、χ² 检验）。
技术接受度量表	改编自 UTAUT（Venkatesh 等人，2003）	6 个条目	涵盖绩效期望、努力期望、社会影响和促进条件。
TensorFlow	Google Brain	版本 2.10	AI 引擎中使用的深度学习库。