需要JoVE订阅才能观看此内容。 请登录或开始免费试用

研究文章

人工智能赋能高职体育教学：探索健康教育融合新路径

653 次观看

⸱

DOI：

10.3791/69071

⸱

2025年10月31日

 , 
1Basic Department of Shijiazhuang Institute of Rallway Technology

本文内容

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到职业体育教育中。该系统采用可穿戴传感器，能够以50 Hz的采样频率检测呼吸模式、环境温度和运动信号，延迟约为200 ms，并嵌入轻量级可穿戴设备中8。数据流由人工智能引擎处理，该引擎结合基于规则的决策逻辑与机器学习模型，用于识别疲劳或压力的指标9。当检测到此类触发信号时，系统会自适应调整教学内容，例如降低内容复杂度或切换为音视频演示，从而维持学习者的动机与理解能力10。与孤立的移动平台或仅依赖传感器的框架不同，该方法在一个可重复的协议中实现了感知、决策与自适应教学工作流程的统一。

来自相关领域的证据支持了这种整合的潜力。在医学和职业教育领域的研究表明，当提供自适应反馈时，基于人工智能的分析能够提高知识保留率和学习参与度11,12。配备传感器的学习环境和由物联网驱动的医疗保健框架已实现了高达36.9%的实时预测准确率提升，凸显了多参数数据流在个性化干预中的优势13,14。关于可穿戴设备与智能监测网络的研究进一步表明，通过捕捉行为和情境指标，可以提升参与度和空间感知能力15,16。在职业体育教育背景下，个性化教学模型在促进健康促进行为方面显著优于传统教学方法（80% vs. 32.5%）17。与此同时，最初为气溶胶治疗和环境监测开发的雾化传感技术最近已被应用于教育领域，实现实时高分辨率生理数据采集18,19。尽管这些方向前景广阔，但大多数现有系统仍局限于静态电子学习或孤立的可穿戴应用，雾化传感与人工智能驱动的自适应性整合仍有待深入探索。

本研究通过提出一种可重复的方案，将可穿戴雾化传感技术与人工智能指导的教学适应相结合，应用于职业体育教育，以弥补这一空白。具体而言，该方案评估了其对五个关键结果的影响：知识保持、参与度、行为意向、自我效能和技术接受度。

访问受限。请登录或开始试用以查看此内容。

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：
    F检验公式，F=MS_between/MS_within，用于统计分析，比较方差。
    其中 MS 表示由平方和除以其自由度所得的均方值。
  2. 采用配对样本 t 检验，通过以下公式评估组内从干预前到干预后的改善情况：
    t检验公式，t=̄d/(sd/√n)，用于统计分析、假设检验和数据比较。
    其中 d 为平均差值，s_d 为差值的标准差，n 为样本量。
  3. 采用卡方检验分析分类结果与分组分配之间的关联性：
    卡方公式：χ² = Σ[(O-E)²/E]，用于统计分析和假设检验。
    其中 O 为观察频数，E 为期望频数。
  4. 计算皮尔逊相关系数，以确定连续变量之间关系的强度与方向：
    相关系数公式，r，用于统计数据分析。
    相关系数取值范围为 -1 至 1，系数大于 0.5 被解释为中等至强正相关。

3. 参与者

从高等教育机构招募了共计356名年龄在18至45岁之间的参与者（平均年龄 = 26.7岁，标准差 = 5.4），所有参与者均符合年龄和基本技术素养的纳入标准，并签署了知情同意书。通过随机数字表将参与者分配至干预组（n = 178），接受自适应的人工智能引导教学，或对照组（n = 178），接受无个性化设置的传统教学模块。表1总结了基线特征；图2展示了参与者亚组间人口学特征的分布情况，补充了表格中的统计结果，并证实了两组在基线时的可比性。

4. 仪器和材料

该平台整合了可穿戴式呼吸模式、环境温度和运动传感技术，并结合基于规则的逻辑与支持向量机（SVM）分类的AI引擎，当检测到疲劳或活动减少的迹象时，自动触发自适应干预。实验在配备投影仪和传感器基站的标准多媒体教室（约50 m2）中进行，每次会话持续45分钟，每周进行两次，共持续六周。

5. 测量仪器

所有自评量表均采用5点李克特量表（1 = 非常不同意，5 = 非常同意）进行评分，得分越高表示对目标构念的认同程度越强。除非另有说明，所有条目均为正向计分，量表总分计算为其各条目得分的平均值。

6. 知识保持

采用一份与教学内容相匹配的15项选择题测试来评估知识水平（总分范围为0-15分）。得分越高，表明知识掌握程度越高。示例题目为：“有氧运动期间的主要能量来源是什么？”

7. 行为意向

行为意向采用基于计划行为理论改编的3项测量工具进行评估20。其中一个代表性条目为：“我打算在接下来的一周内采纳课堂上介绍的健康行为。”

8. 参与度

采用一个包含5个条目的量表来评估参与度，该量表改编自经过验证的学习参与度框架，用于衡量注意力、互动性、情感投入、坚持性以及学习满意度21。其中一个示例性陈述为：“我能够在学习过程中保持专注。”

9. 自我效能

采用基于已确立的感知能力概念的4项工具评估自我效能。一个示例条目为：“我有信心能够独立完成课堂上演示的健康锻炼。”

10. 技术接受度

采用统一技术接受与使用理论的6条目改编版本来测量技术接受度，涵盖绩效期望、努力期望、社会影响和促进条件。一个代表性条目为：“使用该系统可以提升我的学习表现。”

本研究中所有量表均表现出可接受至较高的内部一致性：α = 0.87（知识）、0.82（行为意向）、0.85（参与度）、0.84（自我效能）和 0.89（技术接受度）。

访问受限。请登录或开始试用以查看此内容。

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...

访问受限。请登录或开始试用以查看此内容。

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...

访问受限。请登录或开始试用以查看此内容。

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。
PythonPython 软件基金会版本 3.9AI 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。
TensorFlowGoogle Brain版本 2.10AI 引擎中使用的深度学习库。

参考文献

  1. Buabbas, A. J., et al. Investigating students' perceptions towards artificial intelligence in medical education. Healthcare. 11 (9), 1298(2023).
  2. Mouna, H., N'djoli, J., Maria, H. Role of health education and reproductive health education in schools and higher education institutions. Indones J Innov Appl Sci. 5 (1), 33-48 (2025).
  3. Li, Y., et al. Integrated wearable smart sensor system for real-time multi-parameter respiration health monitoring. Cell Rep Phys Sci. 4 (1), 101191(2023).
  4. Wah, J. N. K. Revolutionizing e-health: The transformative role of AIpowered hybrid chatbots in healthcare solutions. Front Public Health. 13 (13), 1530799(2025).
  5. Reuben, J. S., Meiri, H., ArienZakay, H. AI's pivotal impact on redefining stakeholder roles and their interactions in medical education and health care. Front Digit Health. 6, 1458811(2024).
  6. Sökmen, Y. The role of self-efficacy in the relationship between the learning environment and student engagement. Educ Stud. 47 (1), 19-37 (2021).
  7. Zhang, Y. The effect of educational technology on EFL learners' self-efficacy. Front Psychol. 13 (13), 881301(2022).
  8. Wu, T. T., Lee, H. Y., Wang, W. S., Lin, C. J., Huang, Y. M. Leveraging computer vision for adaptive learning in STEM education: Effect of engagement and self-efficacy. Int J Educ Technol High Educ. 20 (1), 53(2023).
  9. Ros, F., et al. Addressing the COVID-19 pandemic and future public health challenges through global collaboration and a data-driven systems approach. Proc Int Conf. 5 (1), e10253(2021).
  10. Chao, K., et al. Big data-driven public health policy making: Potential for the healthcare industry. Heliyon. 9 (9), e19681(2023).
  11. Singh, D., Biju, B., Kumar, L., Arya, S., Singh, A. Assessing the impact of health education on health behavior change. J Chem Health Risks. 13 (6), 2380-2387 (2023).
  12. Nardini, C., et al. The evolution of personalized healthcare and the pivotal role of European regions in its implementation. Pers Med. 18 (3), 283-294 (2021).
  13. Gajic, M., et al. Analysis of the impact of oral health on adolescent quality of life using standard statistical methods and artificial intelligence algorithms. Children. 8 (12), 1156(2021).
  14. Rohani, N., Gal, K., Gallagher, M., Manataki, A. Providing insights into health data science education through artificial intelligence. BMC Med Educ. 24 (1), 564(2024).
  15. Weidener, L., Fischer, M. Artificial intelligence teaching as part of medical education: qualitative analysis of expert interviews. JMIR Med Educ. 9 (1), e46428(2023).
  16. Chan, Y., Lai, J. C. M., Hsieh, M. Y., Meen, T. H. Important elements of sensor technology and data management and related education. Sensors Mater. 42 (2), 30(2023).
  17. Feng, J. Application of new sensor technology and few-shot learning in education based on the IoT era. Comput Intell Neurosci. 2022 (1), 3965416(2022).
  18. Ovcharuk, V., et al. Forming competency in health promotion in technical specialists using physical education. Rev Rom Educ Multidimens. 13 (3), 1-19 (2021).
  19. Yan, Q., Sun, W., Zhang, L., Wang, H., Zhang, J. Effects of vibration characteristics on the atomization performance in the medical piezoelectric atomization device induced by intra-hole fluctuation. Chin J Mech Eng. 34, 1-9 (2021).
  20. Khosravi, S., Bailey, S., Parvizi, H., Ghannam, R. Wearable sensors for learning enhancement in higher education. Sensors. 22 (19), 7633(2022).
  21. LópezCrespo, G., et al. The educational eportfolio: preliminary evidence of its relationship with student's selfefficacy and engagement. Educ Inf Technol. 27 (4), 5233-5248 (2022).
  22. Hong, H., Dai, L., Zheng, X. Advances in wearable sensors for learning analytics: Trends, challenges, and prospects. Sensors. 25 (9), 2714(2025).
  23. Alkabbany, I., et al. An experimental platform for real-time student engagement measurements from video in STEM classrooms. Sensors. 23 (3), 1614(2023).
  24. Francisti, J., et al. Identification of heart rate change during the teaching process. Sci Rep. 13 (1), 16674(2023).
  25. Gellisch, M., et al. Interactive teaching enhances students' physiological arousal during online learning. Ann Anat. 247, 152050(2023).
  26. Ananthan, S., Gao, N., Salim, F. D. Understanding physiological responses of students over different courses. Proc ACM Int Symp Wearable Comput. , 104-110 (2024).
  27. Alfredo, R., et al. Human-centred learning analytics and AI in education: a systematic literature review. Comput Educ Artif Intell. 6, 100215(2024).
  28. Yan, L., et al. In sync or out of sync? Understanding stress and learning performance in collaborative healthcare simulations through physiological synchrony and arousal. Int J Artif Intell Educ. , 1-32 (2025).
  29. Mu, G., Zhang, Y., Yan, Z., Yu, Q., Wang, Q. Recent advancements in wearable sensors: integration with machine learning for human-machine interaction. RSC Adv. 15 (10), 7844-7854 (2025).
  30. Topali, P., et al. Designing human-centered learning analytics and artificial intelligence in education solutions: a systematic literature review. Behav Inf Technol. 44 (5), 1071-1098 (2025).
  31. Wettstein, A., et al. Teachers' heart rate variability and behavioral reactions in aggressive interactions: teachers can downregulate their physiological arousal, and progesterone favors social integrative teacher responses. Eur J Investig Health Psychol Educ. 14 (8), 2230-2247 (2024).
  32. Liu, H. Biosensors on teaching quality in applied higher education institutions from a biomechanical perspective. Mol Cell Biomech. 22 (2), 1293-1293 (2025).
  33. Bhatt, M., et al. Enhancing engineering student engagement and learning outcomes through WebVR and wearable sensor integration with immersive learning. Discov Sustain. 6 (1), 590(2025).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

人工智能体育教育健康教育融合可穿戴传感器适应性教学知识保持学生参与度技术接受度机器学习教育自我效能
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。