Questo protocollo descrive l'integrazione di un sistema di rilevamento dell'atomizzazione guidato dall'intelligenza artificiale che monitora la respirazione, la temperatura e il movimento per adattare i contenuti dell'educazione sanitaria in tempo reale durante l'educazione fisica professionale e ne valuta gli effetti attraverso un quasi-esperimento di sei settimane.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
L'intelligenza artificiale potenzia l'insegnamento tradizionale dell'educazione fisica nell'istruzione professionale superiore: esplorare nuovi percorsi per l'integrazione dell'educazione sanitaria
In questo articolo
Sommario
Abstract
Questo studio valuta un sistema di rilevamento dell'atomizzazione guidato dall'intelligenza artificiale progettato per integrare l'educazione sanitaria adattiva nell'educazione fisica professionale. È stato condotto un disegno quasi sperimentale con 356 partecipanti assegnati a un gruppo di intervento (n = 178) o a un gruppo di controllo (n = 178). Il sistema utilizzava sensori di atomizzazione indossabili (che monitoravano i modelli respiratori, la temperatura ambiente e il movimento) collegati a un motore di intelligenza artificiale che applicava una logica basata su regole e di apprendimento automatico per regolare i contenuti didattici in tempo reale, ad esempio riducendo la complessità o passando a dimostrazioni audiovisive quando venivano rilevati segni di affaticamento. Le sessioni sono state erogate in aula due volte a settimana per sei settimane, con sondaggi somministrati immediatamente prima e dopo l'intervento. Cinque risultati sono stati valutati utilizzando strumenti convalidati: conservazione delle conoscenze, coinvolgimento, intenzione comportamentale, autoefficacia e accettazione della tecnologia. Le analisi statistiche includevano ANOVA, test t a campione accoppiato, correlazioni di Pearson e test χ2, con risultati riportati come intervalli F(df1, df2), p, η2 e 95% ove applicabile. Il gruppo di intervento ha ottenuto miglioramenti significativamente maggiori rispetto al gruppo di controllo nella conservazione delle conoscenze (Δ = +21,7 vs. +10,6; F(1, 354) = 46,21, p < 0,001, η2 = 0,21), coinvolgimento (F(1, 354) = 39,87, p < 0,001, η2 = 0,18), intenzione comportamentale (F(1, 354) = 42,55, p < 0,001, η2 = 0,19), autoefficacia (F(1, 354) = 27,63, p < 0,001, η2 = 0,13) e accettazione della tecnologia (F(1, 354) = 35,12, p < 0,001, η2 = 0,17). Questi risultati dimostrano che la combinazione del rilevamento in tempo reale con il supporto decisionale guidato dall'intelligenza artificiale fornisce un quadro riproducibile e adattivo per migliorare i risultati dell'educazione sanitaria in contesti di educazione fisica professionale.
Introduzione
L'educazione sanitaria è una pietra miliare della moderna sanità pubblica, in quanto migliora le conoscenze, gli atteggiamenti e i comportamenti relativi alla salutedegli individui 1. Il rafforzamento delle capacità di autogestione consente alle persone di prendere decisioni informate, adottare pratiche preventive e impegnarsi in stili di vita più sani2. Tuttavia, i metodi di consegna convenzionali, come le lezioni in aula, i materiali stampati e i moduli online generici, spesso offrono un'interattività e una personalizzazione limitate3. Questi approcci in genere non riescono a rispondere alle esigenze degli studenti in tempo reale, con conseguente coinvolgimento modesto e cambiamento comportamentale limitato4.
Negli ultimi anni, i modelli tecnologicamente avanzati hanno cercato di affrontare queste limitazioni. Le piattaforme di e-learning mobile possono ampliare l'accesso, ma di solito forniscono contenuti standardizzati senza adattabilità fisiologica5. I sistemi di feedback indossabili catturano il movimento o i livelli di attenzione, ma raramente collegano i dati dei sensori alla progettazione didattica6. Gli strumenti educativi esistenti basati sull'intelligenza artificiale dimostrano il valore nell'analizzare i modelli di coinvolgimento e nel fornire feedback automatizzati, ma la maggior parte delle implementazioni si basa su risorse statiche e non si adatta dinamicamente agli stati degli studenti7. Di conseguenza, rimane una lacuna nell'integrazione del rilevamento in tempo reale con metodi didattici adattivi in grado di adattare sia il contenuto che l'erogazione al contesto dello studente.
Per colmare questo divario, introduciamo un sistema di rilevamento dell'atomizzazione guidato dall'intelligenza artificiale che integra il monitoraggio fisiologico e ambientale multiparametrico nell'educazione fisica professionale. Il sistema impiega sensori indossabili in grado di rilevare i modelli respiratori, la temperatura ambiente e i segnali di movimento a una frequenza di campionamento di 50 Hz, con una latenza di circa 200 ms, incorporati in un dispositivo indossabile leggero8. I flussi di dati vengono elaborati da un motore di intelligenza artificiale che combina una logica decisionale basata su regole con modelli di apprendimento automatico per rilevare indicatori di affaticamento o stress9. Quando si verificano tali fattori scatenanti, il sistema adatta l'erogazione dell'istruzione, ad esempio semplificando la complessità dei contenuti o passando a dimostrazioni audiovisive, sostenendo così la motivazione e la comprensione10. A differenza delle piattaforme mobili isolate o dei framework di soli sensori, questo approccio unifica i flussi di lavoro di rilevamento, processo decisionale e insegnamento adattivo all'interno di un protocollo riproducibile.
L'evidenza proveniente da domini correlati supporta il potenziale di questa integrazione. Gli studi nell'ambito dell'istruzione medica e professionale dimostrano che l'analisi basata sull'intelligenza artificiale migliora la conservazione delle conoscenze e il coinvolgimento quando viene fornito un feedback adattivo11,12. Gli ambienti di apprendimento abilitati ai sensori e i framework sanitari basati sull'IoT hanno ottenuto miglioramenti dell'accuratezza delle previsioni in tempo reale fino al 36,9%, evidenziando i vantaggi dei flussi di dati multiparametrici per interventi personalizzati13,14. La ricerca sulle reti di monitoraggio indossabili e intelligenti dimostra ulteriormente un miglioramento del coinvolgimento e della consapevolezza spaziale acquisendo indicatori comportamentali e contestuali15,16. Nel contesto dell'educazione fisica professionale, i modelli didattici personalizzati hanno superato significativamente gli approcci didattici convenzionali (80% contro 32,5%) nel promuovere comportamenti che promuovono la salute17. Nel frattempo, le tecnologie di rilevamento dell'atomizzazione, inizialmente sviluppate per le terapie aerosol e il monitoraggio ambientale, sono state recentemente adattate per uso educativo, consentendo l'acquisizione di dati fisiologici ad alta risoluzione in tempo reale18,19. Nonostante queste direzioni promettenti, la maggior parte dei sistemi esistenti rimane limitata all'e-learning statico o alle applicazioni indossabili isolate, lasciando inesplorata l'integrazione del rilevamento dell'atomizzazione e dell'adattività guidata dall'intelligenza artificiale.
Il presente studio affronta questa lacuna proponendo un protocollo riproducibile che combina il rilevamento dell'atomizzazione indossabile con l'adattamento didattico guidato dall'intelligenza artificiale nell'educazione fisica professionale. In particolare, il protocollo valuta il suo impatto su cinque risultati chiave: conservazione delle conoscenze, coinvolgimento, intenzione comportamentale, autoefficacia e accettazione della tecnologia.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Questo studio è stato esaminato e approvato dall'Institutional Review Board dello Shijiazhuang Institute of Railway Technology. Tutte le procedure sono state conformi alla Dichiarazione di Helsinki e alle normative locali pertinenti. Le attrezzature e i software utilizzati sono elencati nella Tabella dei Materiali.
1. Metodologia
Questo studio ha utilizzato un disegno quasi sperimentale per valutare un sistema di rilevamento dell'atomizzazione guidato dall'intelligenza artificiale per l'educazione alla salute digitale in contesti di istruzione superiore. I dati sono stati raccolti prima e dopo l'intervento per valutare la conservazione delle conoscenze, il coinvolgimento, l'intenzione comportamentale, l'autoefficacia e l'accettazione della tecnologia utilizzando strumenti convalidati adattati da lavori precedenti. Il flusso di lavoro complessivo del rilevamento, del processo decisionale dell'intelligenza artificiale e dell'erogazione adattiva dell'istruzione è illustrato nella Figura 1, che delinea come i segnali fisiologici e ambientali siano integrati nei componenti basati su regole e nell'apprendimento automatico per regolare i contenuti in tempo reale.
2. Analisi statistiche
L'analisi dei dati è stata eseguita utilizzando SPSS versione 25, con significatività impostata a p < 0,05. Sono stati applicati quattro approcci statistici:
- L'ANOVA è stata utilizzata per confrontare le differenze tra i gruppi attraverso le cinque variabili di risultato, calcolate utilizzando la formula:
dove MS rappresenta i valori quadrati medi derivati dalla somma dei quadrati divisi per i loro gradi di libertà. - I t-test su campioni accoppiati hanno valutato i miglioramenti all'interno del gruppo dal pre al post-test utilizzando:
dove d è la differenza media, s_d la deviazione standard delle differenze e n la dimensione del campione. - I test del chi-quadrato sono stati applicati per esaminare le associazioni tra i risultati categoriali e l'allocazione del gruppo:
dove O è la frequenza osservata ed E la frequenza prevista. - I coefficienti di correlazione di Pearson sono stati calcolati per determinare la forza e la direzione delle associazioni tra variabili continue:
con valori compresi tra -1 e 1, dove i coefficienti superiori a 0,5 sono stati interpretati come correlazioni positive da moderate a forti.
3. Partecipanti
Un totale di 356 partecipanti di età compresa tra 18 e 45 anni (M = 26,7, SD = 5,4) sono stati reclutati da istituti di istruzione superiore, hanno soddisfatto i criteri di inclusione per l'età e l'alfabetizzazione tecnologica di base e hanno fornito il consenso informato. I partecipanti sono stati assegnati tramite tabella di numeri casuali a un gruppo di intervento (n = 178) che riceveva istruzioni adattive guidate dall'intelligenza artificiale o a un gruppo di controllo (n = 178) che riceveva moduli convenzionali senza personalizzazione. La tabella 1 riassume le caratteristiche di base; la distribuzione delle caratteristiche demografiche tra i sottogruppi partecipanti è visualizzata nella Figura 2, che integra le statistiche tabulate e conferma la comparabilità dei gruppi al basale.
4. Apparecchiature e materiali
La piattaforma ha integrato il rilevamento indossabile dei modelli respiratori, della temperatura ambiente e del movimento con un motore di intelligenza artificiale che combina la logica basata su regole e la classificazione SVM per attivare l'erogazione adattiva in caso di segni di affaticamento o attività ridotta. Le sessioni sono state condotte in aule multimediali standardizzate (~50 m2) dotate di proiettori e stazioni base con sensori, sono durate 45 minuti e sono state erogate due volte alla settimana per sei settimane.
5. Strumenti di misura
Tutti gli strumenti di autovalutazione sono stati somministrati su una scala Likert a 5 punti (1 = fortemente in disaccordo con 5 = fortemente d'accordo), con punteggi più alti che indicavano una maggiore approvazione del costrutto target. Gli elementi sono stati codificati positivamente se non diversamente specificato e i punteggi della scala sono stati calcolati come media dei loro elementi costitutivi.
6. Conservazione delle conoscenze
Per valutare le conoscenze è stato utilizzato un test a scelta multipla di 15 item allineato con il contenuto didattico (intervallo di punteggio totale 0-15). Punteggi più alti riflettevano una maggiore acquisizione di conoscenze. Un esempio era: "Qual è la fonte di energia primaria durante l'esercizio aerobico?"
7. Intenzione comportamentale
L'intenzione comportamentale è stata misurata con uno strumento a 3 item adattato dalla Teoria del Comportamento Pianificato20. Un elemento rappresentativo era: "Intendo adottare le pratiche sanitarie introdotte in classe durante la settimana successiva".
8. Fidanzamento
L'engagement è stato valutato con uno strumento a 5 item adattato da un quadro convalidato di coinvolgimento nell'apprendimento che cattura l'attenzione, l'interazione, il coinvolgimento emotivo, la persistenza e la soddisfazione nell'apprendimento21. Un'affermazione illustrativa è stata: "Sono stato in grado di rimanere concentrato durante il processo di apprendimento".
9. Autoefficacia
L'autoefficacia è stata valutata con uno strumento a 4 item basato sulla concettualizzazione stabilita della capacità percepita. Un esempio era: "Sono fiducioso di poter completare autonomamente gli esercizi di salute dimostrati in classe".
10. Accettazione della tecnologia
L'accettazione della tecnologia è stata misurata con un adattamento a 6 item della Teoria unificata dell'accettazione e dell'uso della tecnologia, che copre l'aspettativa di prestazione, l'aspettativa di sforzo, l'influenza sociale e le condizioni di facilitazione. Un elemento rappresentativo era: "L'uso di questo sistema può migliorare le mie prestazioni di apprendimento".
Tutti gli strumenti hanno dimostrato una coerenza interna da accettabile a forte nel presente studio: α = 0,87 (Conoscenza), 0,82 (Intenzione comportamentale), 0,85 (Coinvolgimento), 0,84 (Autoefficacia) e 0,89 (Accettazione della tecnologia).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
Risultati sperimentali
Per valutare l'efficacia del sistema di rilevamento dell'atomizzazione basato sull'intelligenza artificiale, sono state condotte diverse analisi statistiche.
I risultati dell'ANOVA hanno rivelato chiare differenze di gruppo in tutti e cinque gli esiti, con i partecipanti al gruppo di intervento che hanno ottenuto punteggi post-test costantemente più elevati rispetto a quelli del gruppo di controllo (Tabella 2;...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
I risultati di questo studio forniscono prove a sostegno del fatto che l'integrazione della tecnologia di rilevamento dell'atomizzazione intelligente basata sull'intelligenza artificiale nell'educazione sanitaria può migliorare i risultati dell'apprendimento in più dimensioni. Rispetto al gruppo di controllo, i partecipanti al gruppo di intervento hanno mostrato miglioramenti statisticamente significativi in tutte e cinque le variabili misurate, con i maggiori guadagni osservati nella co...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Sensori indossabili AtomWear X100 | Shenzhen AtomTech Co., Ltd., Cina | X100 | Sensore indossabile per monitorare frequenza respiratoria, temperatura ambiente e segnali di movimento (frequenza di campionamento: 100 Hz, accuratezza: & plusmn; 0.1). |
| AI Engine (basato su regole + classificatore SVM) | Implementazione personalizzata | Python 3.9 con TensorFlow 2.10 e scikit-learn 0.24 | Algoritmo per il supporto decisionale adattivo: integra i dati dei sensori e adatta l'erogazione delle istruzioni. |
| Scala dell'Intenzione Comportamentale | Adattato da Ajzen (1991), Teoria del comportamento pianificato | 3 elementi | Valuta l'intenzione di adottare pratiche sanitarie. |
| Scala di Coinvolgimento | Adattato da Sun et al. (2019) | 5 elementi | Misura attenzione, interazione, coinvolgimento emotivo, perseveranza e soddisfazione. |
| Test di Ritenzione delle Conoscenze (Domande multiple di 15 punti) | Personalizzati, allineati con i contenuti didattici | Test a scelta multipla di 15 item su esercizio aerobico e conoscenze sulla salute. | |
| Configurazione delle aule multimediali | Aule standard per l'istruzione superiore | Aula (~50 m²), proiettore, stazioni base per la connettività dei sensori. | |
| Pitone | Python Software Foundation | Versione 3.9 | Ambiente di programmazione per motori di IA e preprocessing. |
| scikit-learn | Open source | Versione 0.24 | Libreria di machine learning per la classificazione SVM. |
| Scala di Autoefficacia | Adattato da Bandura (1997) | 4 Elementi | Valuta la fiducia nell'esecuzione di esercizi di salute. |
| Software di statistica SPSS | IBM Corp., Armonk, NY, USA | Versione 25 | Analisi statistica (ANOVA, t-test, correlazione e chi; ² test). |
| Scala di Accettazione Tecnologica | Adattato da UTAUT (Venkatesh et al., 2003) | 6 Elementi | Copre l'aspettativa di prestazione, l'aspettativa di sforzo, l'influenza sociale e le condizioni facilitanti. |
| TensorFlow | Google Brain | Versione 2.10 | Libreria di deep learning utilizzata nei motori di intelligenza artificiale. |
Riferimenti
- 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).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.