Ce protocole décrit l’intégration d’un système de détection par atomisation guidé par l’IA qui surveille la respiration, la température et le mouvement pour adapter le contenu de l’éducation à la santé en temps réel pendant l’éducation physique professionnelle, et évalue ses effets par le biais d’une quasi-expérience de six semaines.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de recherche
L’IA renforce l’enseignement traditionnel de l’éducation physique dans l’enseignement professionnel supérieur : explorer de nouvelles voies pour l’intégration de l’éducation à la santé
Dans cet article
Résumé
Résumé
Cette étude évalue un système de détection d’atomisation guidé par l’IA conçu pour intégrer l’éducation à la santé adaptative dans l’éducation physique professionnelle. Un plan quasi expérimental a été réalisé avec 356 participants répartis soit dans un groupe d’intervention (n = 178), soit dans un groupe témoin (n = 178). Le système utilisait des capteurs d’atomisation portables (surveillant les schémas respiratoires, la température ambiante et les mouvements) connectés à un moteur d’IA qui appliquait une logique basée sur des règles et l’apprentissage automatique pour ajuster le contenu pédagogique en temps réel, par exemple, en réduisant la complexité ou en passant à des démonstrations audiovisuelles lorsque des signes de fatigue étaient détectés. Les séances ont été dispensées en classe deux fois par semaine pendant six semaines, et des sondages ont été administrés immédiatement avant et après l’intervention. Cinq critères de jugement ont été évalués à l’aide d’instruments validés : la rétention des connaissances, l’engagement, l’intention comportementale, l’auto-efficacité et l’acceptation de la technologie. Les analyses statistiques comprenaient l’ANOVA, les tests t à échantillons appariés, les corrélations de Pearson et les tests χ2, avec des résultats rapportés comme F(df1, df2), p, η2 et des intervalles de confiance à 95 % le cas échéant. Le groupe d’intervention a obtenu des améliorations significativement plus importantes que le groupe témoin en matière de rétention des connaissances (Δ = +21,7 contre +10,6 ; F(1, 354) = 46,21, p < 0,001, η2 = 0,21), l’engagement (F(1, 354) = 39,87, p < 0,001, η2 = 0,18), l’intention comportementale (F(1, 354) = 42,55, p < 0,001, η2 = 0,19), l’auto-efficacité (F(1, 354) = 27,63, p < 0,001, η2 = 0,13) et l’acceptation de la technologie (F(1, 354) = 35,12, p < 0,001, η2 = 0,17). Ces résultats démontrent que la combinaison de la détection en temps réel et de l’aide à la décision guidée par l’IA fournit un cadre reproductible et adaptatif pour améliorer les résultats de l’éducation à la santé dans les contextes d’EP professionnelle.
Introduction
L’éducation à la santé est la pierre angulaire de la santé publique moderne, améliorant les connaissances, les attitudes et les comportements liés à la santédes individus 1. Le renforcement des compétences d’autogestion permet aux gens de prendre des décisions éclairées, d’adopter des pratiques préventives et d’adopter des modes de vie plus sains2. Cependant, les méthodes conventionnelles de discours, telles que les cours magistraux, les documents imprimés et les modules génériques en ligne, offrent souvent une interactivité et une personnalisationlimitées3. Ces approches ne répondent généralement pas aux besoins en temps réel des apprenants, ce qui entraîne un engagement modeste et un changement de comportement limité4.
Au cours des dernières années, des modèles améliorés par la technologie ont cherché à remédier à ces limites. Les plateformes mobiles d’apprentissage en ligne peuvent élargir l’accès, mais fournissent généralement un contenu standardisé sans adaptabilité physiologique5. Les systèmes de rétroaction portables captent les mouvements ou les niveaux d’attention, mais relient rarement les données des capteurs à la conception pédagogique6. Les outils éducatifs existants basés sur l’IA démontrent leur valeur dans l’analyse des modèles d’engagement et la fourniture d’un retour d’information automatisé, mais la plupart des mises en œuvre reposent sur des ressources statiques et ne s’adaptent pas de manière dynamique aux états des apprenants7. Par conséquent, il reste une lacune dans l’intégration de la détection en temps réel avec des méthodes d’enseignement adaptatives capables d’adapter à la fois le contenu et la prestation au contexte de l’apprenant.
Pour combler cette lacune, nous introduisons un système de détection par atomisation guidé par l’IA qui intègre la surveillance physiologique et environnementale multiparamétrique dans l’éducation physique professionnelle. Le système utilise des capteurs portables capables de détecter les schémas respiratoires, la température ambiante et les signaux de mouvement à une fréquence d’échantillonnage de 50 Hz, avec une latence d’environ 200 ms, intégrés dans un dispositif portable léger8. Les flux de données sont traités par un moteur d’IA qui combine une logique de décision basée sur des règles avec des modèles d’apprentissage automatique pour détecter les indicateurs de fatigue ou de stress9. Lorsque de tels déclencheurs se produisent, le système adapte la prestation de l’enseignement, par exemple en simplifiant la complexité du contenu ou en passant à des démonstrations audiovisuelles, ce qui maintient la motivation et la compréhension10. Contrairement aux plates-formes mobiles isolées ou aux cadres de capteurs uniquement, cette approche unifie les flux de travail de détection, de prise de décision et d’enseignement adaptatif au sein d’un protocole reproductible.
Des données provenant de domaines connexes soutiennent le potentiel de cette intégration. Des études dans l’enseignement médical et professionnel montrent que l’analyse basée sur l’IA améliore la rétention des connaissances et l’engagement lorsque la rétroaction adaptative est fournie11,12. Les environnements d’apprentissage équipés de capteurs et les cadres de soins de santé basés sur l’IoT ont permis d’améliorer la précision des prédictions en temps réel jusqu’à 36,9 %, ce qui souligne les avantages des flux de données multiparamètres pour les interventions personnalisées13,14. La recherche sur les réseaux de surveillance portables et intelligents démontre en outre une amélioration de l’engagement et de la conscience spatiale en capturant des indicateurs comportementaux et contextuels15,16. Dans le contexte de l’éducation physique professionnelle, les modèles d’enseignement personnalisés ont nettement surpassé les approches d’enseignement conventionnelles (80 % contre 32,5 %) pour favoriser les comportements favorables à la santé17. Entre-temps, les technologies de détection par atomisation, initialement développées pour les thérapies par aérosols et la surveillance de l’environnement, ont récemment été adaptées à un usage éducatif, permettant la capture de données physiologiques à haute résolution en temps réel18,19. Malgré ces orientations prometteuses, la plupart des systèmes existants restent limités à l’apprentissage en ligne statique ou aux applications portables isolées, ce qui laisse l’intégration de la détection d’atomisation et de l’adaptabilité pilotée par l’IA sous-explorée.
La présente étude comble cette lacune en proposant un protocole reproductible qui combine la détection d’atomisation portable avec l’adaptation pédagogique guidée par l’IA dans l’éducation physique professionnelle. Plus précisément, le protocole évalue son impact sur cinq résultats clés : la rétention des connaissances, l’engagement, l’intention comportementale, l’auto-efficacité et l’acceptation de la technologie.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Protocole
Cette étude a été examinée et approuvée par le Conseil d’examen institutionnel de l’Institut de technologie ferroviaire de Shijiazhuang. Toutes les procédures étaient conformes à la Déclaration d’Helsinki et aux réglementations locales pertinentes. L’équipement et les logiciels utilisés sont répertoriés dans la table des matériaux.
1. Méthodologie
Cette étude a utilisé un modèle quasi expérimental pour évaluer un système de détection par atomisation guidé par l’IA pour l’éducation à la santé numérique dans les établissements d’enseignement supérieur. Les données ont été recueillies avant et après l’intervention afin d’évaluer la rétention des connaissances, l’engagement, l’intention comportementale, l’auto-efficacité et l’acceptation de la technologie à l’aide d’instruments validés et adaptés de travaux antérieurs. Le flux de travail global de la détection, de la prise de décision par l’IA et de la prestation d’instructions adaptatives est illustré à la figure 1, qui décrit comment les signaux physiologiques et environnementaux sont intégrés dans les composants basés sur des règles et l’apprentissage automatique pour ajuster le contenu en temps réel.
2. Analyses statistiques
L’analyse des données a été effectuée à l’aide de la version 25 de SPSS, avec une signification fixée à p < 0,05. Quatre approches statistiques ont été appliquées :
- L’ANOVA a été utilisée pour comparer les différences entre les groupes entre les cinq variables de résultat, calculées à l’aide de la formule suivante :
où MS représente les valeurs carrées moyennes dérivées de la somme des carrés divisée par leurs degrés de liberté. - Des tests t sur échantillons appariés ont évalué les améliorations au sein du groupe entre le pré et le post-test en utilisant :
où d est la différence moyenne, s_d l’écart-type des différences et n la taille de l’échantillon. - Des tests du khi-deux ont été appliqués pour examiner les associations entre les résultats catégoriels et l’allocation de groupe :
où O est la fréquence observée et E la fréquence attendue. - Les coefficients de corrélation de Pearson ont été calculés pour déterminer la force et la direction des associations entre les variables continues :
avec des valeurs allant de -1 à 1, où les coefficients supérieurs à 0,5 ont été interprétés comme des corrélations positives modérées à fortes.
3. Les participants
Au total, 356 participants âgés de 18 à 45 ans (M = 26,7, ET = 5,4) ont été recrutés dans des établissements d’enseignement supérieur, ont satisfait aux critères d’inclusion en matière d’âge et de connaissances technologiques de base, et ont fourni un consentement éclairé. Les participants ont été assignés par table de nombres aléatoires à un groupe d’intervention (n = 178) recevant des instructions adaptatives guidées par l’IA ou à un groupe témoin (n = 178) recevant des modules conventionnels sans personnalisation. Le tableau 1 résume les caractéristiques de base ; la répartition des caractéristiques démographiques entre les sous-groupes de participants est illustrée à la figure 2, qui complète les statistiques compilées et confirme la comparabilité des groupes au départ.
4. Appareillage et matériaux
La plate-forme intégrait la détection portable des schémas respiratoires, de la température ambiante et des mouvements avec un moteur d’IA combinant une logique basée sur des règles et une classification SVM pour déclencher une administration adaptative en cas de signes de fatigue ou d’activité réduite. Les sessions ont été menées dans des salles de classe multimédia standardisées (~50 m2) équipées de projecteurs et de stations de base de capteurs, ont duré 45 minutes et ont été dispensées deux fois par semaine pendant six semaines.
5. Instruments de mesure
Tous les instruments d’auto-évaluation ont été administrés sur une échelle de Likert à 5 points (1 = fortement en désaccord à 5 = tout à fait d’accord), les scores les plus élevés indiquant une plus forte approbation du concept cible. Les items ont été marqués positivement, sauf indication contraire, et les scores de l’échelle ont été calculés comme la moyenne de leurs items constitutifs.
6. Rétention des connaissances
Un test à choix multiples de 15 questions aligné sur le contenu pédagogique a été utilisé pour évaluer les connaissances (score total compris entre 0 et 15). Des scores plus élevés reflétaient une plus grande acquisition de connaissances. Un exemple d’élément était : « Quelle est la principale source d’énergie pendant l’exercice aérobique ? »
7. Intention comportementale
L’intention comportementale a été mesurée à l’aide d’un instrument à 3 items adapté de la Théorie du comportement planifié20. Un point représentatif était : « J’ai l’intention d’adopter les pratiques de santé introduites en classe au cours de la semaine prochaine. »
8. Engagement
L’engagement a été évalué à l’aide d’un instrument en 5 points adapté d’un cadre validé d’engagement d’apprentissage capturant l’attention, l’interaction, l’implication émotionnelle, la persévérance et la satisfaction d’apprentissage21. Une déclaration illustrative était : « J’ai pu rester concentré pendant le processus d’apprentissage. »
9. Auto-efficacité
L’auto-efficacité a été évaluée à l’aide d’un instrument à 4 questions fondé sur la conceptualisation établie de la capacité perçue. Un exemple d’élément était : « Je suis convaincu que je peux effectuer de manière indépendante les exercices de santé démontrés en classe. »
10. Acceptation de la technologie
L’acceptation de la technologie a été mesurée à l’aide d’une adaptation en 6 éléments de la théorie unifiée de l’acceptation et de l’utilisation de la technologie, couvrant l’attente de performance, l’attente d’effort, l’influence sociale et les conditions facilitantes. Un point représentatif était : « L’utilisation de ce système peut améliorer mes performances d’apprentissage. »
Tous les instruments ont démontré une cohérence interne acceptable à forte dans la présente étude : α = 0,87 (connaissance), 0,82 (intention comportementale), 0,85 (engagement), 0,84 (auto-efficacité) et 0,89 (acceptation de la technologie).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Résultats
Résultats expérimentaux
Pour évaluer l’efficacité du système de détection par atomisation piloté par l’IA, plusieurs analyses statistiques ont été effectuées.
Les résultats de l’ANOVA ont révélé des différences claires entre les cinq critères de jugement, les participants du groupe d’intervention obtenant des scores post-test systématiquement plus élevés que ceux du groupe témoin (tableau 2 ; Figure 3)....
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Discussion
Les résultats de cette étude fournissent des preuves à l’appui que l’intégration de la technologie intelligente de détection par atomisation alimentée par l’IA dans l’éducation à la santé peut améliorer les résultats d’apprentissage dans de multiples dimensions. Comparativement au groupe témoin, les participants du groupe d’intervention ont montré des améliorations statistiquement significatives dans les cinq variables mesurées, les gains les plus importants ayant été observés dans la ré...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Capteurs portables AtomWear X100 | Shenzhen AtomTech Co., Ltd., Chine | X100 | Capteur portable pour surveiller la fréquence respiratoire, la température ambiante et les signaux de mouvement (fréquence d’échantillonnage : 100 Hz, précision : & plusmn ; 0.1). |
| AI Engine (basé sur des règles + classificateur SVM) | Implémentation personnalisée | Python 3.9 avec TensorFlow 2.10 et scikit-learn 0.24 | Algorithme de soutien à la décision adaptatif : intègre les données des capteurs et ajuste la prestation de l’instruction. |
| Échelle de l’intention comportementale | Adapté d’Ajzen (1991), Théorie du comportement planifié | 3 éléments | Évalue l’intention d’adopter des pratiques de santé. |
| Échelle d’engagement | Adapté de Sun et al. (2019) | 5 éléments | Mesure l’attention, l’interaction, l’implication émotionnelle, la persévérance et la satisfaction. |
| Test de rétention des connaissances (QCM de 15 items) | Personnalisé, aligné avec le contenu pédagogique | Test à choix multiples de 15 items sur l’exercice aérobie et les connaissances en santé. | |
| Installation multimédia des salles de classe | Salles de classe d’enseignement supérieur standards | Salle de classe (~50 m² ;), projecteur, stations de base pour la connectivité des capteurs. | |
| Python | Fondation Python Software | Version 3.9 | Environnement de programmation pour le moteur d’IA et le prétraitement. |
| scikit-learn | Libre | Version 0.24 | Bibliothèque d’apprentissage automatique pour la classification SVM. |
| Échelle d’auto-efficacité | Adapté de Bandura (1997) | 4 éléments | Évalue la confiance dans la réalisation d’exercices de santé. |
| Logiciel de statistiques SPSS | IBM Corp., Armonk, NY, États-Unis | Version 25 | Analyse statistique (ANOVA, tests t, corrélation, &chi ; ² ; tests). |
| Échelle d’acceptation technologique | Adapté de UTAUT (Venkatesh et al., 2003) | 6 éléments | Aborde l’espérance de performance, l’attente d’effort, l’influence sociale et la facilitation des conditions. |
| TensorFlow | Google Brain | Version 2.10 | Bibliothèque d’apprentissage profond utilisée dans un moteur d’IA. |
Références
- 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).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.