פרוטוקול זה מתאר את השילוב של מערכת חישת אטומיזציה מונחית בינה מלאכותית המנטרת את הנשימה, הטמפרטורה והתנועה כדי להתאים תוכן חינוך לבריאות בזמן אמת במהלך חינוך גופני מקצועי, ומעריכה את השפעותיו באמצעות מעין ניסוי של שישה שבועות.
הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.
מאמר מחקר
בינה מלאכותית מעצימה את הוראת החינוך הגופני המסורתי בהשכלה המקצועית הגבוהה: בחינת דרכים חדשות לשילוב חינוך לבריאות
במאמר זה
סיכום
תקציר
מחקר זה מעריך מערכת חישת אטומיזציה מונחית בינה מלאכותית שנועדה לשלב חינוך בריאותי אדפטיבי בחינוך גופני מקצועי. תכנון מעין-ניסיוני נערך עם 356 משתתפים שהוקצו לקבוצת התערבות (n = 178) או לקבוצת ביקורת (n = 178). המערכת השתמשה בחיישני אטומיזציה לבישים (ניטור דפוסי נשימה, טמפרטורת סביבה ותנועה) המחוברים למנוע AI שיישם לוגיקה מבוססת כללים ולמידת מכונה כדי להתאים את תוכן ההדרכה בזמן אמת - למשל, הפחתת מורכבות או מעבר להדגמות אורקוליות כאשר זוהו סימני עייפות. המפגשים הועברו בכיתה פעמיים בשבוע במשך שישה שבועות, עם סקרים שנערכו מיד לפני ואחרי ההתערבות. חמש תוצאות הוערכו באמצעות כלים מתוקפים: שימור ידע, מעורבות, כוונה התנהגותית, יעילות עצמית וקבלת טכנולוגיה. הניתוחים הסטטיסטיים כללו ANOVA, מבחני t של מדגם זוגי, מתאמי פירסון ומבחני χ2, כאשר התוצאות דווחו כמרווחי סמך F(df1, df2), p,η 2 ו-95% במידת הצורך. קבוצת ההתערבות השיגה שיפורים גדולים יותר באופן משמעותי מקבוצת הביקורת בשימור ידע (Δ = +21.7 לעומת +10.6; F(1, 354) = 46.21, p < 0.001, η2 = 0.21), מעורבות (F(1, 354) = 39.87, p < 0.001, η2 = 0.18), כוונה התנהגותית (F(1, 354) = 42.55, p < 0.001, η2 = 0.19), יעילות עצמית (F(1, 354) = 27.63, p < 0.001, η2 = 0.13) וקבלת טכנולוגיה (F(1, 354) = 35.12, p < 0.001, η2 = 0.17). ממצאים אלה מדגימים כי שילוב של חישה בזמן אמת עם תמיכה בהחלטות מונחית בינה מלאכותית מספק מסגרת ניתנת לשחזור והסתגלות לשיפור תוצאות החינוך לבריאות במסגרות חינוך גופני מקצועיות.
מבוא
חינוך לבריאות הוא אבן פינה בבריאות הציבור המודרנית, ומשפר את הידע, העמדות וההתנהגויות הקשורות לבריאותשל אנשים 1. חיזוק מיומנויות ניהול עצמי מאפשר לאנשים לקבל החלטות מושכלות, לאמץ שיטות מניעה ולעסוק באורח חיים בריא יותר2. עם זאת, שיטות העברה קונבנציונליות, כגון הרצאות בכיתה, חומרים מודפסים ומודולים מקוונים גנריים, מספקות לעתים קרובות אינטראקטיביות והתאמה אישית מוגבלות3. גישות אלו בדרך כלל אינן מגיבות לצרכים של הלומדים בזמן אמת, וכתוצאה מכך מעורבות צנועה ושינוי התנהגותי מוגבל4.
בשנים האחרונות, מודלים משופרים בטכנולוגיה ביקשו להתמודד עם מגבלות אלה. פלטפורמות למידה אלקטרוניות ניידות יכולות להרחיב את הגישה אך בדרך כלל מספקות תוכן סטנדרטי ללא הסתגלות פיזיולוגית5. מערכות משוב לבישות בלבד לוכדות רמות תנועה או קשב אך לעתים רחוקות מחברות נתוני חיישנים לעיצוב הדרכה6. כלי חינוך קיימים מבוססי בינה מלאכותית מדגימים ערך בניתוח דפוסי מעורבות ומתן משוב אוטומטי, אך רוב היישומים מסתמכים על משאבים סטטיים ואינם מסתגלים באופן דינמי למצבי הלומדים7. כתוצאה מכך, נותר פער בשילוב חישה בזמן אמת עם שיטות הוראה אדפטיביות שיכולות להתאים הן את התוכן והן את ההעברה להקשר הלומד.
כדי לגשר על הפער הזה, אנו מציגים מערכת חישת אטומיזציה מונחית בינה מלאכותית המשלבת ניטור פיזיולוגי וסביבתי רב-פרמטרי בחינוך גופני מקצועי. המערכת משתמשת בחיישנים לבישים המסוגלים לזהות דפוסי נשימה, טמפרטורת סביבה ואותות תנועה בקצב דגימה של 50 הרץ, עם שיהוי של כ-200 אלפיות השנייה, משובצים בהתקן לביש קל משקל8. זרמי נתונים מעובדים על ידי מנוע AI המשלב לוגיקת החלטות מבוססת כללים עם מודלים של למידת מכונה כדי לזהות אינדיקטורים של עייפות או מתח9. כאשר טריגרים כאלה מתרחשים, המערכת מתאימה את העברת ההדרכה על ידי, למשל, פישוט מורכבות התוכן או מעבר להדגמות אורקוליות, ובכך שומרת על מוטיבציה והבנה10. בניגוד לפלטפורמות ניידות מבודדות או מסגרות חיישנים בלבד, גישה זו מאחדת זרימות עבודה של חישה, קבלת החלטות והוראה אדפטיבית בתוך פרוטוקול הניתן לשחזור.
עדויות מתחומים קשורים תומכות בפוטנציאל של שילוב זה. מחקרים בחינוך רפואי ומקצועי מראים כי ניתוח מבוסס בינה מלאכותית משפר את שימור הידע והמעורבות כאשר ניתן משוב אדפטיבי11,12. סביבות למידה התומכות בחיישנים ומסגרות בריאות מונעות IoT השיגו שיפורי דיוק חיזוי בזמן אמת של עד 36.9%, המדגישים את היתרונות של זרמי נתונים מרובי פרמטרים להתערבויות מותאמות אישית13,14. מחקר על רשתות ניטור לבישות וחכמות מדגים עוד יותר מעורבות משופרת ומודעות מרחבית על ידי לכידת אינדיקטורים התנהגותיים והקשריים15,16. בהקשר של חינוך גופני מקצועי, מודלים של הוראה מותאמים אישית עלו באופן משמעותי על גישות הוראה קונבנציונליות (80% לעומת 32.5%) בטיפוח התנהגויות מקדמות בריאות17. בינתיים, טכנולוגיות חישת אטומיזציה, שפותחו בתחילה לטיפולי אירוסול וניטור סביבתי, הותאמו לאחרונה לשימוש חינוכי, ומאפשרות לכידת נתונים פיזיולוגיים ברזולוציה גבוהה בזמן אמת18,19. למרות הכיוונים המבטיחים הללו, רוב המערכות הקיימות נשארות מוגבלות ללמידה אלקטרונית סטטית או יישומים לבישים מבודדים, מה שמשאיר את השילוב של חישת אטומיזציה והסתגלות מונעת בינה מלאכותית לא נחקר.
המחקר הנוכחי מתייחס לפער זה על ידי הצעת פרוטוקול הניתן לשחזור המשלב חישת אטומיזציה לבישה עם הסתגלות הוראה מונחית בינה מלאכותית בחינוך גופני מקצועי. באופן ספציפי, הפרוטוקול מעריך את השפעתו על חמש תוצאות מרכזיות: שימור ידע, מעורבות, כוונה התנהגותית, יעילות עצמית וקבלת טכנולוגיה.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
פרוטוקול
מחקר זה נבדק ואושר על ידי מועצת הביקורת המוסדית של מכון שיג'יאג'ואנג לטכנולוגיית רכבות. כל הנהלים עמדו בהצהרת הלסינקי ובתקנות המקומיות הרלוונטיות. הציוד והתוכנה המשמשים מפורטים בטבלת החומרים.
1. מתודולוגיה
מחקר זה השתמש בעיצוב מעין-ניסיוני כדי להעריך מערכת חישת אטומיזציה מונחית בינה מלאכותית לחינוך לבריאות דיגיטלית במסגרות השכלה גבוהה. הנתונים נאספו לפני ואחרי ההתערבות כדי להעריך שימור ידע, מעורבות, כוונה התנהגותית, מסוגלות עצמית וקבלת טכנולוגיה באמצעות כלים מאומתים המותאמים מעבודה קודמת. זרימת העבודה הכוללת של חישה, קבלת החלטות בינה מלאכותית והעברת הדרכה אדפטיבית מודגמת באיור 1, המתאר כיצד אותות פיזיולוגיים וסביבתיים משולבים ברכיבים מבוססי כללים ולמידת מכונה כדי להתאים את התוכן בזמן אמת.
2. ניתוחים סטטיסטיים
ניתוח הנתונים בוצע באמצעות SPSS גרסה 25, עם מובהקות שנקבעה ב-p <-0.05. יושמו ארבע גישות סטטיסטיות:
- נעשה שימוש ב-ANOVA כדי להשוות הבדלים בין קבוצות בין חמשת משתני התוצאה, שחושבו באמצעות הנוסחה:
כאשר MS מייצג את הערכים הריבועיים הממוצעים הנגזרים מסכומי ריבועים חלקי דרגות החופש שלהם. - מבחני t במדגם זוגי העריכו שיפורים בתוך הקבוצה מלפני ואחרי המבחן באמצעות:
כאשר d הוא ההפרש הממוצע, s_d סטיית התקן של ההבדלים, ו-n גודל המדגם. - מבחני חי בריבוע יושמו כדי לבחון קשרים בין תוצאות קטגוריות להקצאת קבוצות:
כאשר O הוא התדר הנצפה ו-E התדר הצפוי. - מקדמי מתאם פירסון חושבו כדי לקבוע את חוזק וכיוון הקשרים בין משתנים רציפים:
עם ערכים הנעים בין -1 ל-1, כאשר מקדמים מעל 0.5 פורשו כמתאמים חיוביים בינוניים עד חזקים.
3. משתתפים
בסך הכל 356 משתתפים בגילאי 18-45 שנים (M = 26.7, SD = 5.4) גויסו ממוסדות להשכלה גבוהה, עמדו בקריטריוני ההכללה של גיל ואוריינות טכנולוגית בסיסית ונתנו הסכמה מדעת. המשתתפים הוקצו על ידי טבלת מספרים אקראית לקבוצת התערבות (n = 178) שקיבלה הוראה אדפטיבית מונחית בינה מלאכותית או קבוצת ביקורת (n = 178) שקיבלה מודולים קונבנציונליים ללא התאמה אישית. טבלה 1 מסכמת את מאפייני הבסיס; התפלגות המאפיינים הדמוגרפיים בין תת-קבוצות המשתתפים מוצגת באיור 2, המשלים את הסטטיסטיקה הטבלה ומאשר את יכולת ההשוואה הקבוצתית בנקודת ההתחלה.
4. מכשירים וחומרים
הפלטפורמה שילבה חישה לבישה של דפוסי נשימה, טמפרטורת הסביבה ותנועה עם מנוע AI המשלב לוגיקה מבוססת כללים וסיווג SVM כדי להפעיל אספקה אדפטיבית עם סימני עייפות או פעילות מופחתת. המפגשים נערכו בכיתות מולטימדיה סטנדרטיות (~50 מ"ר) המצוידות במקרנים ותחנות בסיס חיישנים, נמשכו 45 דקות והועברו פעמיים בשבוע במשך שישה שבועות.
5. מכשירי מדידה
כל כלי הדיווח העצמי נוהלו בסולם ליקרט בן 5 נקודות (1 = לא מסכים מאוד ל-5 = מסכים מאוד), כאשר ציונים גבוהים יותר מצביעים על תמיכה חזקה יותר במבנה המטרה. הפריטים סומנו באופן חיובי אלא אם צוין אחרת, וציוני הסולם חושבו כממוצע של הפריטים המרכיבים אותם.
6. שימור ידע
מבחן רב ברירה בן 15 פריטים המותאם לתוכן ההדרכה שימש להערכת ידע (טווח ציונים כולל 0-15). ציונים גבוהים יותר שיקפו רכישת ידע רבה יותר. פריט לדוגמה היה: "מהו מקור האנרגיה העיקרי במהלך פעילות אירובית?"
7. כוונה התנהגותית
הכוונה ההתנהגותית נמדדה באמצעות מכשיר בן 3 פריטים המותאם מתיאוריית ההתנהגות המתוכננת20. פריט מייצג היה: "אני מתכוון לאמץ את נוהלי הבריאות שהוצגו בכיתה במהלך השבוע הבא".
8. מעורבות
המעורבות הוערכה באמצעות כלי בן 5 פריטים המותאם ממסגרת מתוקפת של מעורבות למידה הלוכדת תשומת לב, אינטראקציה, מעורבות רגשית, התמדה ושביעות רצון מהלמידה21. הצהרה להמחשה הייתה: "הצלחתי להישאר ממוקד במהלך תהליך הלמידה".
9. יעילות עצמית
המסוגלות העצמית הוערכה באמצעות מכשיר בן 4 פריטים המבוסס על המשגה מבוססת של יכולת נתפסת. פריט לדוגמה היה: "אני בטוח שאני יכול להשלים באופן עצמאי את תרגילי הבריאות שהודגמו בכיתה".
10. קבלת טכנולוגיה
קבלת הטכנולוגיה נמדדה באמצעות התאמה בת 6 פריטים של התיאוריה המאוחדת של קבלה ושימוש בטכנולוגיה, המכסה את תוחלת הביצועים, תוחלת המאמץ, ההשפעה החברתית והתנאים המאפשרים. פריט מייצג היה: "שימוש במערכת זו יכול לשפר את ביצועי הלמידה שלי".
כל הכלים הראו עקביות פנימית מקובלת עד חזקה במחקר הנוכחי: α = 0.87 (ידע), 0.82 (כוונה התנהגותית), 0.85 (מעורבות), 0.84 (יעילות עצמית) ו-0.89 (קבלת טכנולוגיה).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
תוצאות
תוצאות ניסויים
כדי להעריך את היעילות של מערכת חישת האטומיזציה המונעת על ידי בינה מלאכותית, נערכו ניתוחים סטטיסטיים מרובים.
ממצאי ANOVA חשפו הבדלים ברורים בין הקבוצות בכל חמש התוצאות, כאשר המשתתפים בקבוצת ההתערבות השיגו ציונים גבוהים יותר באופן עקבי לאחר המבחן מאשר אלה בקבוצת הביקורת (טבלה 2; איור 3).
כאשר נבדקו שינויים בתוך הקבוצה באמצעות מבחני t של מדגם זוגי, קבוצת ההתערבות ...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
דיון
ממצאי מחקר זה מספקים ראיות תומכות לכך ששילוב טכנולוגיית חישת אטומיזציה חכמה המופעלת על ידי בינה מלאכותית בחינוך לבריאות יכול לשפר את תוצאות הלמידה בממדים מרובים. בהשוואה לקבוצת הביקורת, המשתתפים בקבוצת ההתערבות הראו שיפורים מובהקים סטטיסטית בכל חמשת המשתנים שנמדדו, כאשר הרווחים הגדולים ביותר נצפו בשימור ידע (F = 18.73, SS = 62.47, p < 0.001), ואחריהם כוונה התנהגותית (F = 16.95, SS = 54.32, p < 0.001), קבלת טכנולוגיה (F = 13.45, SS = 42.65, p = 0.0003), מעורבות (F = 12.56, SS = 38.90, p ...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| חיישני AtomWear X100 לבישים | שנזן אטום-טק בע"מ, סין | X100 | חיישן לביש לניטור תדר נשימה, טמפרטורת סביבה ואותות תנועה (קצב דגימה: 100 הרץ, דיוק: ועוד; 0.1). |
| מנוע בינה מלאכותית (מבוסס חוקים + מסווג SVM) | מימוש מותאם אישית | פייתון 3.9 עם TensorFlow 2.10 ו-scikit-learn 0.24 | אלגוריתם לתמיכה בהחלטות אדפטיבית: משלב נתוני חיישנים ומכוון את העברת ההוראה. |
| סולם כוונה התנהגותית | מותאם מ-Ajzen (1991), תיאוריית ההתנהגות המתוכננת | 3 פריטים | מעריך כוונה לאמץ נהלי בריאות. |
| סולם מעורבות | מותאם מסאן ואח' (2019) | 5 פריטים | מודד תשומת לב, אינטראקציה, מעורבות רגשית, התמדה וסיפוק. |
| מבחן שימור ידע (שאלות רב-תחומיות של 15 פריטים) | מותאם אישית, מותאמת לתוכן הדרכה | מבחן רב-ברירה בן 15 פריטים על פעילות אירובית וידע בריאותי. | |
| הגדרת כיתת מולטימדיה | כיתות להשכלה גבוהה סטנדרטית | כיתה (~50 מ"2 עליה), מקרן, תחנות בסיס לחיבור חיישנים. | |
| פיתון | קרן התוכנה של פייתון | גרסה 3.9 | סביבת תכנות למנוע בינה מלאכותית ולעיבוד מוקדם. |
| סקיקיט-לרן | קוד פתוח | גרסה 0.24 | ספריית למידת מכונה לסיווג SVM. |
| סולם מסוגלות עצמית | עיבוד מתוך Bandura (1997) | 4 פריטים | מעריך ביטחון בביצוע תרגילים בריאותיים. |
| תוכנת סטטיסטיקה SPSS | IBM Corp., ארמונק, ניו יורק, ארה"ב | גרסה 25 | ניתוח סטטיסטי (ANOVA, מבחני t, קורלציה, ו-chi; ² בדיקות). |
| סולם קבלת טכנולוגיה | מותאם מתוך UTAUT (ונקטש ואח', 2003) | 6 פריטים | מכסה ציפייה לביצועים, ציפייה למאמץ, השפעה חברתית ותנאים מנחים. |
| TensorFlow | מוח גוגל | גרסה 2.10 | ספריית למידה עמוקה המשמשת במנוע AI. |
מקורות
- 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).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.