Este protocolo describe la integración de un sistema de detección de atomización guiado por IA que monitorea la respiración, la temperatura y el movimiento para adaptar el contenido de la educación para la salud en tiempo real durante la educación física vocacional, y evalúa sus efectos a través de un cuasi-experimento de seis semanas.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de investigación
La IA empodera la enseñanza tradicional de la educación física en la educación profesional superior: explorando nuevos caminos para la integración de la educación para la salud
En este artículo
Resumen
Resumen
Este estudio evalúa un sistema de detección de atomización guiado por IA diseñado para integrar la educación adaptativa para la salud en la educación física vocacional. Se realizó un diseño cuasiexperimental con 356 participantes asignados a un grupo de intervención (n = 178) o a un grupo control (n = 178). El sistema utilizaba sensores de atomización portátiles (que monitoreaban los patrones respiratorios, la temperatura ambiente y el movimiento) conectados a un motor de inteligencia artificial que aplicaba una lógica de aprendizaje automático y basada en reglas para ajustar el contenido instructivo en tiempo real, por ejemplo, reduciendo la complejidad o cambiando a demostraciones audiovisuales cuando se detectaban signos de fatiga. Las sesiones se impartieron en el aula dos veces por semana durante seis semanas, y las encuestas se administraron inmediatamente antes y después de la intervención. Se evaluaron cinco resultados utilizando instrumentos validados: retención de conocimientos, compromiso, intención conductual, autoeficacia y aceptación de la tecnología. Los análisis estadísticos incluyeron ANOVA, pruebas t de muestras pareadas, correlaciones de Pearson y pruebas χ2, con resultados informados como F(df1, df2), p, η2 e intervalos de confianza del 95% cuando correspondía. El grupo de intervención logró mejoras significativamente mayores que el grupo de control en la retención de conocimientos (Δ = +21,7 vs. +10,6; F(1, 354) = 46,21, p < 0,001, η2 = 0,21), compromiso (F(1, 354) = 39,87, p < 0,001, η2 = 0,18), intención conductual (F(1, 354) = 42,55, p < 0,001, η2 = 0,19), autoeficacia (F(1, 354) = 27,63, p < 0,001, η2 = 0,13) y aceptación de la tecnología (F(1, 354) = 35,12, p < 0,001, η2 = 0,17). Estos hallazgos demuestran que la combinación de la detección en tiempo real con el apoyo a la toma de decisiones guiado por IA proporciona un marco reproducible y adaptativo para mejorar los resultados de la educación para la salud en entornos de educación física vocacional.
Introducción
La educación para la salud es una piedra angular de la salud pública moderna, ya que mejora el conocimiento, las actitudes y los comportamientos relacionados con la salud de las personas1. El fortalecimiento de las habilidades de autogestión permite a las personas tomar decisiones informadas, adoptar prácticas preventivas y participar en estilos de vida más saludables2. Sin embargo, los métodos de entrega convencionales, como conferencias en el aula, materiales impresos y módulos genéricos en línea, a menudo proporcionan interactividad y personalización limitadas3. Estos enfoques generalmente no responden a las necesidades en tiempo real de los estudiantes, lo que resulta en un compromiso modesto y un cambio de comportamiento restringido4.
En los últimos años, los modelos mejorados por la tecnología han tratado de abordar estas limitaciones. Las plataformas móviles de aprendizaje electrónico pueden ampliar el acceso, pero generalmente ofrecen contenido estandarizado sin adaptabilidad fisiológica5. Los sistemas de retroalimentación solo portátiles capturan los niveles de movimiento o atención, pero rara vez conectan los datos de los sensores con el diseño instruccional6. Las herramientas educativas existentes basadas en IA demuestran valor para analizar patrones de participación y proporcionar retroalimentación automatizada, sin embargo, la mayoría de las implementaciones se basan en recursos estáticos y no se adaptan dinámicamente a los estados de los alumnos7. Como resultado, sigue habiendo una brecha en la integración de la detección en tiempo real con métodos de instrucción adaptativos que pueden adaptar tanto el contenido como la entrega al contexto del alumno.
Para cerrar esta brecha, introducimos un sistema de detección de atomización guiado por IA que integra monitoreo fisiológico y ambiental multiparamétrico en la educación física vocacional. El sistema emplea sensores portátiles capaces de detectar patrones respiratorios, temperatura ambiente y señales de movimiento a una frecuencia de muestreo de 50 Hz, con una latencia de aproximadamente 200 ms, integrados en un dispositivo portátil liviano8. Los flujos de datos son procesados por un motor de IA que combina la lógica de decisión basada en reglas con modelos de aprendizaje automático para detectar indicadores de fatiga o estrés9. Cuando ocurren tales desencadenantes, el sistema adapta la entrega de instrucción, por ejemplo, simplificando la complejidad del contenido o cambiando a demostraciones audiovisuales, manteniendo así la motivación y la comprensión10. A diferencia de las plataformas móviles aisladas o los marcos de solo sensores, este enfoque unifica la detección, la toma de decisiones y los flujos de trabajo de enseñanza adaptables dentro de un protocolo reproducible.
La evidencia de dominios relacionados respalda el potencial de esta integración. Los estudios en educación médica y vocacional muestran que los análisis basados en IA mejoran la retención de conocimientos y el compromiso cuando se proporciona retroalimentación adaptativa11,12. Los entornos de aprendizaje habilitados por sensores y los marcos de atención médica impulsados por IoT han logrado mejoras en la precisión de la predicción en tiempo real de hasta un 36,9%, lo que destaca los beneficios de los flujos de datos multiparamétricos para intervenciones personalizadas13,14. La investigación sobre redes de monitoreo portátiles e inteligentes demuestra además una mejor participación y conciencia espacial al capturar indicadores contextuales y de comportamiento15,16. En el contexto de la educación física vocacional, los modelos de instrucción personalizados han superado significativamente a los enfoques de enseñanza convencionales (80% vs. 32,5%) en el fomento de comportamientos promotores de la salud17. Mientras tanto, las tecnologías de detección de atomización, desarrolladas inicialmente para terapias de aerosol y monitoreo ambiental, se han adaptado recientemente para uso educativo, lo que permite la captura de datos fisiológicos de alta resolución en tiempo real18,19. A pesar de estas direcciones prometedoras, la mayoría de los sistemas existentes siguen limitados al aprendizaje electrónico estático o a aplicaciones portátiles aisladas, lo que deja poco explorada la integración de la detección de atomización y la adaptabilidad impulsada por IA.
El presente estudio aborda esta brecha al proponer un protocolo reproducible que combina la detección de atomización portátil con la adaptación educativa guiada por IA en la educación física vocacional. Específicamente, el protocolo evalúa su impacto en cinco resultados clave: retención de conocimientos, compromiso, intención de comportamiento, autoeficacia y aceptación de la tecnología.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
Este estudio fue revisado y aprobado por la Junta de Revisión Institucional del Instituto de Tecnología Ferroviaria de Shijiazhuang. Todos los procedimientos cumplieron con la Declaración de Helsinki y las regulaciones locales pertinentes. El equipo y el software utilizados se enumeran en la Tabla de materiales.
1. Metodología
Este estudio utilizó un diseño cuasiexperimental para evaluar un sistema de detección de atomización guiado por IA para la educación en salud digital en entornos de educación superior. Los datos se recopilaron antes y después de la intervención para evaluar la retención de conocimientos, el compromiso, la intención conductual, la autoeficacia y la aceptación de la tecnología utilizando instrumentos validados adaptados de trabajos anteriores. El flujo de trabajo general de detección, toma de decisiones de IA y entrega de instrucción adaptativa se ilustra en la Figura 1, que describe cómo las señales fisiológicas y ambientales se integran en los componentes basados en reglas y aprendizaje automático para ajustar el contenido en tiempo real.
2. Análisis estadísticos
El análisis de los datos se realizó mediante SPSS versión 25, con significación establecida en p < 0,05. Se aplicaron cuatro enfoques estadísticos:
- Se utilizó ANOVA para comparar las diferencias entre grupos en las cinco variables de resultado, calculadas mediante la fórmula:
donde MS representa los valores cuadrados medios derivados de sumas de cuadrados divididos por sus grados de libertad. - Las pruebas t de muestras emparejadas evaluaron las mejoras dentro del grupo antes y después de la prueba utilizando:
donde d es la diferencia de medias, s_d la desviación estándar de las diferencias y n el tamaño de la muestra. - Se aplicaron pruebas de chi-cuadrado para examinar las asociaciones entre los resultados categóricos y la asignación de grupos:
donde O es la frecuencia observada y E la frecuencia esperada. - Se calcularon los coeficientes de correlación de Pearson para determinar la fuerza y la dirección de las asociaciones entre variables continuas:
con valores que oscilan entre -1 y 1, donde los coeficientes superiores a 0,5 se interpretaron como correlaciones positivas moderadas a fuertes.
3. Participantes
Un total de 356 participantes de 18 a 45 años (M = 26,7, DT = 5,4) fueron reclutados de instituciones de educación superior, cumplieron con los criterios de inclusión de edad y alfabetización tecnológica básica, y dieron su consentimiento informado. Los participantes fueron asignados por tabla de números aleatorios a un grupo de intervención (n = 178) que recibió instrucción adaptativa guiada por IA o un grupo de control (n = 178) que recibió módulos convencionales sin personalización. La Tabla 1 resume las características iniciales; la distribución de las características demográficas entre los subgrupos participantes se visualiza en la Figura 2, que complementa las estadísticas tabuladas y confirma la comparabilidad del grupo al inicio del estudio.
4. Aparatos y materiales
La plataforma integró la detección portátil de patrones respiratorios, temperatura ambiente y movimiento con un motor de inteligencia artificial que combina la lógica basada en reglas y la clasificación SVM para activar la entrega adaptativa ante signos de fatiga o actividad reducida. Las sesiones se llevaron a cabo en aulas multimedia estandarizadas (~ 50 m2) equipadas con proyectores y estaciones base de sensores, duraron 45 minutos y se impartieron dos veces por semana durante seis semanas.
5. Instrumentos de medición
Todos los instrumentos de autoinforme se administraron en una escala Likert de 5 puntos (1 = totalmente en desacuerdo a 5 = totalmente de acuerdo), y las puntuaciones más altas indicaron un mayor respaldo del constructo objetivo. Los ítems fueron clave positivamente a menos que se especifique lo contrario, y los puntajes de la escala se calcularon como la media de sus ítems constituyentes.
6. Retención de conocimientos
Se utilizó una prueba de opción múltiple de 15 ítems alineada con el contenido instruccional para evaluar el conocimiento (rango de puntaje total 0-15). Los puntajes más altos reflejaron una mayor adquisición de conocimientos. Un elemento de ejemplo fue: "¿Cuál es la fuente de energía principal durante el ejercicio aeróbico?"
7. Intención conductual
La intención conductual se midió con un instrumento de 3 ítems adaptado de la Teoría del Comportamiento Planificado20. Un ítem representativo fue: "Tengo la intención de adoptar las prácticas de salud introducidas en clase durante la semana siguiente".
8. Compromiso
El compromiso se evaluó con un instrumento de 5 ítems adaptado de un marco validado de compromiso con el aprendizaje que capta la atención, la interacción, la participación emocional, la persistencia y la satisfacción con el aprendizaje21. Una declaración ilustrativa fue: "Pude mantenerme enfocado durante el proceso de aprendizaje".
9. Autoeficacia
La autoeficacia se evaluó con un instrumento de 4 ítems basado en la conceptualización establecida de la capacidad percibida. Un ítem de muestra fue: "Estoy seguro de que puedo completar de forma independiente los ejercicios de salud demostrados en clase".
10. Aceptación de la tecnología
La aceptación de la tecnología se midió con una adaptación de 6 ítems de la Teoría Unificada de Aceptación y Uso de la Tecnología, que cubría la expectativa de rendimiento, la expectativa de esfuerzo, la influencia social y las condiciones facilitadoras. Un elemento representativo fue: "El uso de este sistema puede mejorar mi rendimiento de aprendizaje".
Todos los instrumentos demostraron una consistencia interna aceptable a fuerte en el presente estudio: α = 0,87 (Conocimiento), 0,82 (Intención conductual), 0,85 (Compromiso), 0,84 (Autoeficacia) y 0,89 (Aceptación de la tecnología).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
Resultados experimentales
Para evaluar la efectividad del sistema de detección de atomización impulsado por IA, se realizaron múltiples análisis estadísticos.
Los hallazgos de ANOVA revelaron claras diferencias grupales en los cinco resultados, y los participantes en el grupo de intervención lograron puntajes posteriores a la prueba consistentemente más altos que los del grupo de control (Tabla 2; Figura 3
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
Los hallazgos de este estudio proporcionan evidencia de apoyo de que la integración de la tecnología de detección de atomización inteligente impulsada por IA en la educación para la salud puede mejorar los resultados del aprendizaje en múltiples dimensiones. En comparación con el grupo de control, los participantes en el grupo de intervención exhibieron mejoras estadísticamente significativas en las cinco variables medidas, con las mayores ganancias observadas en la retención de conocimi...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Sensores portátiles AtomWear X100 | Shenzhen AtomTech Co., Ltd., China | X100 | Sensor portátil para monitorizar la frecuencia respiratoria, la temperatura ambiente y las señales de movimiento (frecuencia de muestreo: 100 Hz, precisión: & plusmn; 0.1). |
| Motor de IA (basado en reglas + clasificador SVM) | Implementación personalizada | Python 3.9 con TensorFlow 2.10 y scikit-learn 0.24 | Algoritmo para soporte a la decisión adaptativa: integra los datos de los sensores y ajusta la impartición de instrucciones. |
| Escala de Intención Conductual | Adaptado de Ajzen (1991), Teoría del comportamiento planificado | 3 elementos | Evalúa la intención de adoptar prácticas de salud. |
| Escala de Compromiso | Adaptado de Sun et al. (2019) | 5 elementos | Mide la atención, la interacción, la implicación emocional, la persistencia y la satisfacción. |
| Prueba de Retención de Conocimientos (Pregunta de 15 ítems) | Personalizado, alineado con el contenido didáctico | Prueba de opción múltiple de 15 ítems sobre ejercicio aeróbico y conocimientos de salud. | |
| Montaje multimedia del aula | Aulas estándar de educación superior | Aula (~50 m²), proyector, estaciones base para conectividad de sensores. | |
| Pitón | Fundación de Software Python | Versión 3.9 | Entorno de programación para motores de IA y preprocesamiento. |
| scikit-learn | Código abierto | Versión 0.24 | Biblioteca de aprendizaje automático para clasificación SVM. |
| Escala de Autoeficacia | Adaptado de Bandura (1997) | 4 elementos | Evalúa la confianza en la realización de ejercicios de salud. |
| Software de estadísticas SPSS | IBM Corp., Armonk, NY, EE. UU. | Versión 25 | Análisis estadístico (ANOVA, pruebas t, correlación y chi; ² pruebas). |
| Escala de Aceptación Tecnológica | Adaptado de UTAUT (Venkatesh et al., 2003) | 6 elementos | Cubre la expectativa de rendimiento, la expectativa de esfuerzo, la influencia social y las condiciones facilitadoras. |
| TensorFlow | Google Brain | Versión 2.10 | Biblioteca de aprendizaje profundo utilizada en motores de IA. |
Referencias
- 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).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.