Dieses Protokoll beschreibt die Integration eines KI-gesteuerten Zerstäubungssensorsystems, das Atmung, Temperatur und Bewegung überwacht, um Inhalte der Gesundheitserziehung während des beruflichen Sportunterrichts in Echtzeit anzupassen, und bewertet deren Auswirkungen durch ein sechswöchiges Quasi-Experiment.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
KI stärkt den traditionellen Sportunterricht in der höheren beruflichen Bildung: Neue Wege für die Integration der Gesundheitserziehung
In diesem Artikel
Zusammenfassung
Zusammenfassung
In dieser Studie wird ein KI-gesteuertes Zerstäubungssensorsystem evaluiert, das entwickelt wurde, um adaptive Gesundheitserziehung in den beruflichen Sportunterricht zu integrieren. Es wurde ein quasi-experimentelles Design mit 356 Teilnehmern durchgeführt, die entweder einer Interventionsgruppe (n = 178) oder einer Kontrollgruppe (n = 178) zugeteilt wurden. Das System verwendete tragbare Zerstäubungssensoren (Überwachung von Atemmustern, Umgebungstemperatur und Bewegung), die mit einer KI-Engine verbunden waren, die regelbasierte und maschinelle Lernlogik anwendete, um Unterrichtsinhalte in Echtzeit anzupassen – zum Beispiel durch Reduzierung der Komplexität oder Umschaltung auf audiovisuelle Demonstrationen, wenn Anzeichen von Ermüdung festgestellt wurden. Die Sitzungen wurden sechs Wochen lang zweimal pro Woche in Klassenzimmern durchgeführt, wobei unmittelbar vor und nach der Intervention Befragungen durchgeführt wurden. Fünf Endpunkte wurden mit validierten Instrumenten bewertet: Wissenserhalt, Engagement, Verhaltensabsicht, Selbstwirksamkeit und Technologieakzeptanz. Zu den statistischen Analysen gehörten ANOVA, t-Tests mit gepaarten Stichproben, Pearson-Korrelationen und χ2-Tests, wobei die Ergebnisse gegebenenfalls als F(df1, df2), p, η2 und 95 %-Konfidenzintervalle angegeben wurden. Die Interventionsgruppe erzielte signifikant größere Verbesserungen als die Kontrollgruppe beim Wissenserhalt (Δ = +21,7 vs. +10,6; F(1, 354) = 46,21, p < 0,001, η2 = 0,21), Engagement (F(1, 354) = 39,87, p < 0,001, η2 = 0,18), Verhaltensabsicht (F(1, 354) = 42,55, p < 0,001, η2 = 0,19), Selbstwirksamkeit (F(1, 354) = 27,63, p < 0,001, η2 = 0,13) und Technologieakzeptanz (F(1, 354) = 35,12, p < 0,001, η2 = 0,17). Diese Ergebnisse zeigen, dass die Kombination von Echtzeitsensorik mit KI-gestützter Entscheidungsunterstützung einen reproduzierbaren, adaptiven Rahmen für die Verbesserung der Ergebnisse der Gesundheitserziehung in beruflichen Sporteinrichtungen bietet.
Einleitung
Gesundheitserziehung ist ein Eckpfeiler der modernen öffentlichen Gesundheit und verbessert das Wissen, die Einstellungen und das gesundheitsbezogene Verhalten des Einzelnen1. Die Stärkung der Selbstmanagementfähigkeiten ermöglicht es den Menschen, fundierte Entscheidungen zu treffen, präventive Praktiken anzuwenden und einen gesünderen Lebensstil zu führen2. Herkömmliche Bereitstellungsmethoden wie Vorlesungen im Klassenzimmer, gedruckte Materialien und generische Online-Module bieten jedoch oft eine begrenzte Interaktivität und Personalisierung3. Diese Ansätze reagieren in der Regel nicht auf die Echtzeitbedürfnisse der Lernenden, was zu einem bescheidenen Engagement und eingeschränkten Verhaltensänderungen führt4.
In den letzten Jahren haben technologiegestützte Modelle versucht, diese Einschränkungen zu überwinden. Mobile E-Learning-Plattformen können den Zugang erweitern, liefern aber in der Regel standardisierte Inhalte ohne physiologische Adaptivität5. Wearable-Feedback-Systeme erfassen Bewegungs- oder Aufmerksamkeitsniveaus, verbinden aber selten Sensordaten mit dem Instruktionsdesign6. Bestehende KI-basierte Bildungstools sind wertvoll für die Analyse von Engagement-Mustern und die Bereitstellung von automatisiertem Feedback, doch die meisten Implementierungen stützen sich auf statische Ressourcen und passen sich nicht dynamisch an den Zustand der Lernendenan 7. Infolgedessen besteht nach wie vor eine Lücke bei der Integration von Echtzeit-Sensorik mit adaptiven Unterrichtsmethoden, die sowohl den Inhalt als auch die Vermittlung an den Lernkontext anpassen können.
Um diese Lücke zu schließen, führen wir ein KI-gesteuertes Zerstäubungssensorsystem ein, das die physiologische und Umweltüberwachung mit mehreren Parametern in den beruflichen Sportunterricht integriert. Das System verwendet tragbare Sensoren, die in der Lage sind, Atemmuster, Umgebungstemperatur und Bewegungssignale mit einer Abtastrate von 50 Hz und einer Latenz von ca. 200 ms zu erkennen, eingebettet in ein leichtes tragbares Gerät8. Datenströme werden von einer KI-Engine verarbeitet, die regelbasierte Entscheidungslogik mit maschinellen Lernmodellen kombiniert, um Indikatoren für Müdigkeit oder Stress zu erkennen9. Wenn solche Auslöser auftreten, passt das System die Unterrichtsvermittlung an, indem es beispielsweise die Komplexität des Inhalts vereinfacht oder auf audiovisuelle Demonstrationen umschaltet, wodurch Motivation und Verständnis aufrechterhaltenwerden 10. Im Gegensatz zu isolierten mobilen Plattformen oder reinen Sensor-Frameworks vereinheitlicht dieser Ansatz Arbeitsabläufe für Sensorik, Entscheidungsfindung und adaptives Teachen in einem reproduzierbaren Protokoll.
Erkenntnisse aus verwandten Bereichen unterstützen das Potenzial dieser Integration. Studien in der medizinischen und beruflichen Bildung zeigen, dass KI-basierte Analysen die Wissensspeicherung und das Engagement verbessern, wenn adaptives Feedback gegeben wird11,12. Sensorgestützte Lernumgebungen und IoT-gesteuerte Frameworks im Gesundheitswesen haben eine Verbesserung der Echtzeit-Vorhersagegenauigkeit von bis zu 36,9 % erzielt, was die Vorteile von Multiparameter-Datenströmen für personalisierte Interventionen unterstreicht13,14. Die Forschung zu tragbaren und intelligenten Überwachungsnetzwerken zeigt außerdem ein verbessertes Engagement und räumliches Bewusstsein durch die Erfassung von Verhaltens- und Kontextindikatoren15,16. Im Kontext des beruflichen Sportunterrichts haben personalisierte Unterrichtsmodelle bei der Förderung gesundheitsfördernder Verhaltensweisen konventionelle Unterrichtsansätze deutlich übertroffen (80 % vs. 32,5 %)17. In der Zwischenzeit wurden Zerstäubungssensortechnologien, die ursprünglich für Aerosoltherapien und die Umweltüberwachung entwickelt wurden, kürzlich für den Einsatz in Bildungseinrichtungen angepasst und ermöglichen eine hochauflösende physiologische Datenerfassung in Echtzeit18,19. Trotz dieser vielversprechenden Richtungen sind die meisten bestehenden Systeme nach wie vor auf statisches E-Learning oder isolierte tragbare Anwendungen beschränkt, so dass die Integration von Zerstäubungssensorik und KI-gesteuerter Adaptivität zu wenig erforscht ist.
Die vorliegende Studie schließt diese Lücke, indem sie ein reproduzierbares Protokoll vorschlägt, das tragbare Zerstäubungssensorik mit KI-gesteuerter Unterrichtsanpassung im beruflichen Sportunterricht kombiniert. Konkret bewertet das Protokoll seine Auswirkungen auf fünf Schlüsselergebnisse: Wissensspeicherung, Engagement, Verhaltensabsicht, Selbstwirksamkeit und Technologieakzeptanz.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
Diese Studie wurde vom Institutional Review Board des Shijiazhuang Institute of Railway Technology geprüft und genehmigt. Alle Verfahren entsprachen der Deklaration von Helsinki und den einschlägigen lokalen Vorschriften. Die verwendeten Geräte und Software sind in der Materialtabelle aufgeführt.
1. Methodik
In dieser Studie wurde ein quasi-experimentelles Design verwendet, um ein KI-gesteuertes Zerstäubungssensorsystem für die digitale Gesundheitsbildung in Hochschulen zu evaluieren. Die Daten wurden vor und nach der Intervention erhoben, um den Wissenserhalt, das Engagement, die Verhaltensabsicht, die Selbstwirksamkeit und die Technologieakzeptanz mit validierten Instrumenten zu bewerten, die aus früheren Arbeiten angepasst wurden. Der gesamte Arbeitsablauf von Sensorik, KI-Entscheidungsfindung und adaptiver Instruktion ist in Abbildung 1 dargestellt, die zeigt, wie physiologische und Umweltsignale in die regelbasierten und maschinellen Lernkomponenten integriert werden, um Inhalte in Echtzeit anzupassen.
2. Statistische Analysen
Die Datenanalyse wurde mit SPSS Version 25 durchgeführt, wobei die Signifikanz auf p < 0,05 festgelegt wurde. Dabei wurden vier statistische Ansätze angewandt:
- Die ANOVA wurde verwendet, um die Unterschiede zwischen den Gruppen zwischen den fünf Ergebnisvariablen zu vergleichen, die nach der Formel berechnet wurden:
wobei MS die mittleren quadratischen Werte darstellt, die aus den Summen der Quadrate dividiert durch ihre Freiheitsgrade abgeleitet werden. - T-Tests mit gepaarten Stichproben, die die Verbesserungen innerhalb der Gruppe vom Vor- bis nach dem Test beurteilten mit:
Dabei ist d die mittlere Differenz, s_d die Standardabweichung der Differenzen und n der Stichprobenumfang. - Chi-Quadrat-Tests wurden angewendet, um Assoziationen zwischen kategorialen Ergebnissen und Gruppenzuordnung zu untersuchen:
wobei O die beobachtete Frequenz und E die erwartete Frequenz ist. - Pearson-Korrelationskoeffizienten wurden berechnet, um die Stärke und Richtung der Assoziationen zwischen stetigen Variablen zu bestimmen:
mit Werten von -1 bis 1, wobei Koeffizienten über 0,5 als moderate bis starke positive Korrelationen interpretiert wurden.
3. Teilnehmer
Insgesamt 356 Teilnehmende im Alter von 18-45 Jahren (M = 26,7, SD = 5,4) wurden von Hochschulen rekrutiert, erfüllten die Einschlusskriterien für Alter und grundlegende technologische Kompetenzen und gaben eine Einverständniserklärung ab. Die Teilnehmer wurden anhand einer Zufallszahlentabelle einer Interventionsgruppe (n = 178) zugeteilt, die adaptive, KI-gesteuerte Anweisungen erhielt, oder einer Kontrollgruppe (n = 178), die konventionelle Module ohne Personalisierung erhielt. Tabelle 1 fasst die Ausgangsmerkmale zusammen; Die Verteilung der demografischen Merkmale auf die Untergruppen der Teilnehmer ist in Abbildung 2 dargestellt, die die tabellarische Statistik ergänzt und die Vergleichbarkeit der Gruppen zu Studienbeginn bestätigt.
4. Apparate und Materialien
Die Plattform integrierte eine tragbare Erfassung von Atemmustern, Umgebungstemperatur und Bewegung mit einer KI-Engine, die regelbasierte Logik und SVM-Klassifizierung kombiniert, um bei Anzeichen von Müdigkeit oder verminderter Aktivität eine adaptive Abgabe auszulösen. Die Sitzungen wurden in standardisierten Multimedia-Klassenzimmern (~50 m2) durchgeführt, die mit Projektoren und Sensor-Basisstationen ausgestattet waren, dauerten 45 Minuten und wurden über sechs Wochen zweimal wöchentlich durchgeführt.
5. Messgeräte
Alle Selbsteinschätzungsinstrumente wurden auf einer 5-stufigen Likert-Skala (1 = stimme überhaupt nicht zu bis 5 = stimme voll und ganz zu) verabreicht, wobei höhere Werte auf eine stärkere Befürwortung des Zielkonstrukts hindeuteten. Die Items wurden, sofern nicht anders angegeben, positiv kodiert, und die Skalenwerte wurden als Mittelwert ihrer konstituierenden Items berechnet.
6. Wissenserhalt
Zur Wissenserfassung wurde ein 15-teiliger Multiple-Choice-Test verwendet, der auf die Unterrichtsinhalte abgestimmt war (Gesamtpunktzahl 0-15). Höhere Punktzahlen spiegelten einen größeren Wissenserwerb wider. Ein Beispielpunkt war: "Was ist die primäre Energiequelle bei Aerobic-Übungen?"
7. Verhaltensabsicht
Die Messung der Verhaltensabsicht erfolgte mit einem 3-Punkte-Instrument, das aus der Theorie des geplanten Verhaltens20 übernommen wurde. Ein repräsentativer Punkt lautete: "Ich beabsichtige, die im Unterricht vorgestellten Gesundheitspraktiken in der nächsten Woche zu übernehmen."
8. Engagement
Das Engagement wurde mit einem 5-Punkte-Instrument bewertet, das von einem validierten Rahmen des Lernengagements adaptiert wurde, das Aufmerksamkeit, Interaktion, emotionale Beteiligung, Beharrlichkeit und Lernzufriedenheit erfasst21. Eine anschauliche Aussage lautete: "Ich konnte während des Lernprozesses konzentriert bleiben."
9. Selbstwirksamkeit
Die Selbstwirksamkeit wurde mit einem 4-Punkte-Instrument bewertet, das auf der etablierten Konzeptualisierung der wahrgenommenen Fähigkeit basiert. Ein Beispielpunkt war: "Ich bin zuversichtlich, dass ich die im Unterricht gezeigten Gesundheitsübungen selbstständig absolvieren kann."
10. Akzeptanz der Technologie
Die Technologieakzeptanz wurde mit einer 6-Punkte-Adaption der Einheitlichen Theorie der Akzeptanz und Nutzung von Technologie gemessen, die die Leistungserwartung, die Anstrengungserwartung, den sozialen Einfluss und die erleichternden Bedingungen abdeckt. Ein repräsentativer Punkt war: "Die Nutzung dieses Systems kann meine Lernleistung verbessern."
Alle Instrumente zeigten in der vorliegenden Studie eine akzeptable bis starke interne Konsistenz: α = 0,87 (Wissen), 0,82 (Verhaltensabsicht), 0,85 (Engagement), 0,84 (Selbstwirksamkeit) und 0,89 (Technologieakzeptanz).
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
Experimentelle Ergebnisse
Um die Wirksamkeit des KI-gesteuerten Zerstäubungssensorsystems zu bewerten, wurden mehrere statistische Analysen durchgeführt.
Die ANOVA-Ergebnisse zeigten deutliche Gruppenunterschiede über alle fünf Endpunkte hinweg, wobei die Teilnehmer der Interventionsgruppe durchweg höhere Ergebnisse nach dem Test erzielten als die in der Kontrollgruppe (Tabelle 2; Abbildung 3).
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
Die Ergebnisse dieser Studie liefern unterstützende Beweise dafür, dass die Integration von KI-gestützter intelligenter Zerstäubungssensortechnologie in die Gesundheitserziehung die Lernergebnisse in mehreren Dimensionen verbessern kann. Im Vergleich zur Kontrollgruppe zeigten die Teilnehmer der Interventionsgruppe statistisch signifikante Verbesserungen in allen fünf gemessenen Variablen, wobei die größten Zuwächse beim Wissenserhalt (F = 18,73, SS = 62,47, p < 0,001) beobachtet wurden,...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| AtomWear X100 tragbare Sensoren | Shenzhen AtomTech Co., Ltd., China | X100 | Tragbarer Sensor zur Überwachung von Atemfrequenz, Umgebungstemperatur und Bewegungssignalen (Abtastrate: 100 Hz, Genauigkeit: ± 0.1). |
| KI-Engine (regelbasiert + SVM-Klassifikator) | Benutzerdefinierte Implementierung | Python 3.9 mit TensorFlow 2.10 und scikit-learn 0.24 | Algorithmus für adaptive Entscheidungsunterstützung: integriert Sensordaten und passt die Anweisungen an. |
| Verhaltensabsichtsskala | Adaptiert nach Ajzen (1991), Theorie des geplanten Verhaltens | 3 Artikel | Beurteilt die Absicht, Gesundheitspraktiken zu übernehmen. |
| Engagement-Skala | Adaptiert nach Sun et al. (2019) | 5 Artikel | Misst Aufmerksamkeit, Interaktion, emotionale Beteiligung, Ausdauer und Zufriedenheit. |
| Wissensretentionstest (15-Item-MCQ) | Maßgeschneidert, passend zu den Lehrinhalten | Multiple-Choice-Test mit 15 Punkten zu aerobem Training und Gesundheitswissen. | |
| Multimedia-Klassenzimmer-Aufbau | Standard-Hochschulklassen | Klassenraum (~50 m²), Projektor, Basisstationen für die Sensorverbindung. | |
| Python | Python Software Foundation | Version 3.9 | Programmierumgebung für KI-Engine und Vorverarbeitung. |
| scikit-learn | Quelloffen | Version 0.24 | Maschinelle Lernbibliothek für SVM-Klassifikation. |
| Selbstwirksamkeitsskala | Adaptiert von Bandura (1997) | 4 Artikel | Bewertet das Selbstvertrauen bei der Durchführung von Gesundheitsübungen. |
| SPSS-Statistiksoftware | IBM Corp., Armonk, NY, USA | Version 25 | Statistische Analyse (ANOVA, t-Tests, Korrelation & chi; ² Tests). |
| Technologieakzeptanzskala | Adaptiert von UTAUT (Venkatesh et al., 2003) | 6 Artikel | Deckt Leistungserwartung, Anstrengungserwartung, sozialen Einfluss und Förderbedingungen ab. |
| TensorFlow | Google Brain | Version 2.10 | Deep-Learning-Bibliothek, die in einer KI-Engine verwendet wird. |
Referenzen
- Buabbas, A. J., et al. Investigating students' perceptions towards artificial intelligence in medical education. Healthcare. 11 (9), 1298(2023).
- 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).
- 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).
- Wah, J. N. K. Revolutionizing e-health: The transformative role of AIpowered hybrid chatbots in healthcare solutions. Front Public Health. 13 (13), 1530799(2025).
- 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).
- Sökmen, Y. The role of self-efficacy in the relationship between the learning environment and student engagement. Educ Stud. 47 (1), 19-37 (2021).
- Zhang, Y. The effect of educational technology on EFL learners' self-efficacy. Front Psychol. 13 (13), 881301(2022).
- 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).
- 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).
- Chao, K., et al. Big data-driven public health policy making: Potential for the healthcare industry. Heliyon. 9 (9), e19681(2023).
- 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).
- 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).
- 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).
- 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).
- Weidener, L., Fischer, M. Artificial intelligence teaching as part of medical education: qualitative analysis of expert interviews. JMIR Med Educ. 9 (1), e46428(2023).
- 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).
- 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).
- Ovcharuk, V., et al. Forming competency in health promotion in technical specialists using physical education. Rev Rom Educ Multidimens. 13 (3), 1-19 (2021).
- 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).
- Khosravi, S., Bailey, S., Parvizi, H., Ghannam, R. Wearable sensors for learning enhancement in higher education. Sensors. 22 (19), 7633(2022).
- 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).
- Hong, H., Dai, L., Zheng, X. Advances in wearable sensors for learning analytics: Trends, challenges, and prospects. Sensors. 25 (9), 2714(2025).
- Alkabbany, I., et al. An experimental platform for real-time student engagement measurements from video in STEM classrooms. Sensors. 23 (3), 1614(2023).
- Francisti, J., et al. Identification of heart rate change during the teaching process. Sci Rep. 13 (1), 16674(2023).
- Gellisch, M., et al. Interactive teaching enhances students' physiological arousal during online learning. Ann Anat. 247, 152050(2023).
- Ananthan, S., Gao, N., Salim, F. D. Understanding physiological responses of students over different courses. Proc ACM Int Symp Wearable Comput. , 104-110 (2024).
- Alfredo, R., et al. Human-centred learning analytics and AI in education: a systematic literature review. Comput Educ Artif Intell. 6, 100215(2024).
- 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).
- 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).
- 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).
- 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).
- Liu, H. Biosensors on teaching quality in applied higher education institutions from a biomechanical perspective. Mol Cell Biomech. 22 (2), 1293-1293 (2025).
- 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).
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.