このプロトコルは、職業体育中に健康教育コンテンツをリアルタイムで適応させるために呼吸、温度、動きを監視するAI誘導噴霧センシングシステムの統合を説明し、6週間の準実験を通じてその効果を評価します。
このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。
この記事について
サマリー
要約
この研究では、適応健康教育を職業体育に統合するように設計された AI 誘導の霧化センシング システムを評価します。準実験計画は、介入群 (n = 178) または対照群 (n = 178) のいずれかに割り当てられた 356 人の参加者で実施されました。このシステムは、ルールベースと機械学習ロジックを適用して指導内容をリアルタイムで調整するAIエンジンに接続されたウェアラブル霧化センサー(呼吸パターン、周囲温度、動きのモニタリング)を使用し、例えば、疲労の兆候が検出されたときに複雑さを軽減したり、視聴覚デモンストレーションに切り替えたりしました。セッションは週に 2 回、6 週間教室で行われ、介入の直前と直後に調査が実施されました。検証済みの手段を使用して、知識の保持、エンゲージメント、行動意図、自己効力感、テクノロジーの受容という 5 つの結果が評価されました。統計分析には、ANOVA、対応のあるサンプルの t 検定、ピアソン相関、および χ2 検定が含まれ、結果は F(df1、df2)、p、η2、および該当する場合は 95% 信頼区間として報告されました。介入群は、知識の保持において対照群よりも有意に大きな改善を達成しました (Δ = +21.7 対 +10.6;F(1, 354) = 46.21、p < 0.001、η2 = 0.21)、エンゲージメント (F(1, 354) = 39.87、p < 0.001、η2 = 0.18)、行動意図 (F(1, 354) = 42.55、p < 0.001、η2 = 0.19)、自己効力感 (F(1, 354) = 27.63、p < 0.001、η2 = 0.13)、およびテクノロジー受容性 (F(1, 354) = 35.12、p < 0.001、η2 = 0.17)。これらの発見は、リアルタイム センシングと AI による意思決定支援を組み合わせることで、職業体育環境における健康教育の成果を向上させるための再現性のある適応性のあるフレームワークを提供することを示しています。
概要
健康教育は現代の公衆衛生の基礎であり、個人の知識、態度、健康関連の行動を改善します1.自己管理スキルを強化することで、人々は情報に基づいた意思決定を行い、予防策を採用し、より健康的なライフスタイルに従事できるようになります2.ただし、座学、印刷物、一般的なオンライン モジュールなどの従来の配信方法では、多くの場合、インタラクティブ性とパーソナライゼーションが制限されています3。これらのアプローチは通常、学習者のリアルタイムのニーズに対応できず、その結果、関与が控えめで行動の変化が制限されます4。
近年、テクノロジーを強化したモデルは、これらの制限に対処しようとしています。モバイルeラーニングプラットフォームはアクセスを拡大できますが、通常は生理学的適応性を持たずに標準化されたコンテンツを提供します5。ウェアラブルのみのフィードバックシステムは、動きや注意のレベルをキャプチャしますが、センサーデータをインストラクショナルデザインに接続することはめったにありません6。既存の AI ベースの教育ツールは、エンゲージメント パターンを分析し、自動フィードバックを提供する価値を示していますが、ほとんどの実装は静的リソースに依存しており、学習者の状態に動的に適応しません7。その結果、リアルタイムセンシングと、学習者のコンテキストに合わせてコンテンツと配信の両方を調整できる適応型指導方法を統合することにはギャップが残っています。
このギャップを埋めるために、マルチパラメータの生理学的および環境的モニタリングを職業体育に統合した AI 誘導霧化センシング システムを導入します。このシステムは、呼吸パターン、周囲温度、および動作信号をサンプリングレート50Hzで検出できるウェアラブルセンサーを採用しており、遅延は約200ミリ秒で、軽量のウェアラブルデバイス8に組み込まれています。データストリームは、ルールベースの意思決定ロジックと機械学習モデルを組み合わせて疲労やストレスの指標を検出するAIエンジンによって処理されます9。そのようなトリガーが発生すると、システムは、例えば、コンテンツの複雑さを単純化したり、視聴覚デモンストレーションに切り替えたりすることによって、教育配信を適応させ、それによって動機付けと理解力を維持します10。分離されたモバイル プラットフォームやセンサーのみのフレームワークとは異なり、このアプローチは、センシング、意思決定、適応型教育ワークフローを再現可能なプロトコル内で統合します。
関連ドメインからの証拠は、この統合の可能性を裏付けています。医療および職業教育における研究では、適応フィードバックが提供されると、AI ベースの分析が知識の保持とエンゲージメントを向上させることが示されています11,12。センサー対応の学習環境とIoT主導のヘルスケアフレームワークは、リアルタイムの予測精度を最大36.9%向上させ、パーソナライズされた介入のためのマルチパラメータデータストリームの利点を強調しています13,14。ウェアラブルおよびインテリジェント監視ネットワークに関する研究は、行動およびコンテキスト指標をキャプチャすることにより、エンゲージメントと空間認識の向上をさらに実証しています15,16。職業体育の文脈では、パーソナライズされた指導モデルは、健康増進行動の促進において従来の教育アプローチを大幅に上回っています (80% 対 32.5%)17。一方、当初はエアロゾル治療や環境モニタリング用に開発された霧化センシング技術は、最近教育用途に適応され、リアルタイムでの高解像度の生理学的データの取得が可能になりました18,19。これらの有望な方向性にもかかわらず、既存のシステムのほとんどは静的な e ラーニングまたは分離されたウェアラブル アプリケーションに限定されたままであり、霧化センシングと AI 主導の適応性の統合は十分に検討されていません。
本研究は、職業体育におけるウェアラブル噴霧センシングとAI誘導の指導適応を組み合わせた再現可能なプロトコルを提案することにより、このギャップに対処します。具体的には、このプロトコルは、知識の保持、エンゲージメント、行動意図、自己効力感、テクノロジーの受容という 5 つの主要な結果に対するその影響を評価します。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
プロトコル
この研究は、石家荘鉄道技術研究所の治験審査委員会によって審査され、承認されました。すべての手続きは、ヘルシンキ宣言および関連する現地規制に準拠しています。使用する機器とソフトウェアは 、材料表に記載されています。
1. 方法論
この研究では、準実験計画を使用して、高等教育環境におけるデジタル健康教育のための AI 誘導噴霧センシング システムを評価しました。介入の前後にデータを収集し、以前の研究から適応された検証済みの手段を使用して、知識の保持、関与、行動意図、自己効力感、およびテクノロジーの受容性を評価しました。センシング、AIの意思決定、適応型教育の全体的なワークフローを 図1に示し、生理学的および環境的信号をルールベースおよび機械学習コンポーネントに統合してコンテンツをリアルタイムで調整する方法を概説しています。
2. 統計分析
データ分析は SPSS バージョン 25 を使用して実行され、有意性は p < 0.05 に設定されました。4つの統計的アプローチが適用されました。
- ANOVA を使用して、次の式を使用して計算された 5 つの結果変数にわたるグループ間の差を比較しました。
ここで、MS は、平方和を自由度で割った平方二乗値を表します。 - 対応のあるサンプル t 検定では、以下を使用してテスト前からテスト後までのグループ内の改善を評価しました。
ここで、 d は平均差、差の標準偏差s_d、n はサンプル サイズです。 - カイ二乗検定を適用して、カテゴリアウトカムとグループ割り当てとの関連を調べました。
ここで、O は観測された周波数、E は予想される周波数です。 - ピアソン相関係数を計算して、連続変数間の関連の強さと方向を決定しました。
値の範囲は-1から1で、0.5を超える係数は中程度から強い正の相関関係として解釈されました。
3. 参加者
18 歳から 45 歳までの合計 356 人の参加者 (M = 26.7、SD = 5.4) が高等教育機関から募集され、年齢と基本的な技術リテラシーの選択基準を満たし、インフォームド コンセントを提供しました。参加者は、乱数表によって、適応型の AI ガイド付き指導を受ける介入グループ (n = 178) と、パーソナライゼーションなしで従来のモジュールを受ける対照グループ (n = 178) に割り当てられました。 表 1 は 、ベースライン特性をまとめたものです。参加者サブグループ間の人口統計学的特徴の分布を 図2に視覚化し、表にまとめられた統計を補完し、ベースラインでのグループの比較可能性を確認します。
4. 装置と材料
このプラットフォームは、呼吸パターン、周囲温度、動きのウェアラブルセンシングを、ルールベースのロジックとSVM分類を組み合わせたAIエンジンと統合し、疲労や活動の減少の兆候があったときに適応型配信をトリガーします。セッションは、プロジェクターとセンサー基地局を備えた標準化されたマルチメディア教室 (~50 m2) で実施され、45 分間続き、6 週間にわたって週 2 回行われました。
5. 測定機器
すべての自己報告手段は、5 段階のリッカート尺度 (1 = 強く同意しない、5 = 強く同意する) で投与され、スコアが高いほど、ターゲット構成要素の支持が強いことを示します。特に指定がない限り、項目は正のキーが付けられ、スケール スコアは構成項目の平均として計算されました。
6. 知識の保持
知識を評価するために、指導内容に沿った 15 項目の多肢選択式テストが使用されました (合計スコア範囲 0-15)。スコアが高いほど、知識の習得が進んでいることを反映しています。項目の例は、「有酸素運動中の主なエネルギー源は何ですか?」でした。
7. 行動意図
行動意図は、計画行動理論20 から適応された 3 項目の手段を使用して測定されました。代表的な項目は、「来週の授業で紹介された健康習慣を採用するつもりです」でした。
8. エンゲージメント
エンゲージメントは、注意、相互作用、感情的関与、粘り強さ、学習満足度を捉える検証済みの学習エンゲージメントのフレームワークから適応された 5 項目の手段を使用して評価されました21。実例的な言葉は、「学習の過程で集中力を維持することができました」でした。
9. 自己効力感
自己効力感は、知覚能力の確立された概念化に基づいた 4 項目の手段を使用して評価されました。サンプル項目は、「クラスで実演された健康エクササイズを独立して完了できると確信しています」でした。
10. 技術受容
テクノロジーの受容は、パフォーマンスの期待、努力の期待、社会的影響、および促進条件をカバーする、テクノロジーの受容と使用の統一理論の 6 項目の適応によって測定されました。代表的な項目は、「このシステムを使用すると学習パフォーマンスが向上します」でした。
本研究では、すべての手段が強力な内部一貫性に許容できることを示しました: α = 0.87 (知識)、0.82 (行動意図)、0.85 (エンゲージメント)、0.84 (自己効力感)、および 0.89 (テクノロジー受容)。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
結果
実験結果
AI 主導の霧化センシング システムの有効性を評価するために、複数の統計分析が実施されました。
ANOVAの調査結果は、5つの結果すべてにわたって明確なグループの違いを明らかにし、介入グループの参加者は対照グループの参加者よりも一貫して高いテスト後のスコアを達成しました(表2; 図3)。
対応のあるサンプルの t 検定によってグループ内の変化を調べたところ、介入群はすべての尺度で大幅な改善を示しました (表 3; 図4)、対照群は中程度の進歩しか示さなかった(表4; 図5)。この対照は、従来の指導と比較して、AI で強化されたシステムのより大きな影響を...
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
ディスカッション
この研究の結果は、AI を活用したインテリジェント アトマイゼーション センシング テクノロジーを健康教育に統合することで、多面的に学習成果を向上させることができるという裏付けとなる証拠を提供します。対照群と比較して、介入群の参加者は、測定された 5 つの変数すべてで統計的に有意な改善を示し、知識の保持 (F = 18.73、SS = 62.47、p < 0.001) で最大の増加が観察され、次いで行動意図 (F = 16.95、SS = 54.32、p < 0.001)、テクノロジーの受容性 (F = 13.45、SS = 42.65、p = 0.0003)、エンゲージメント (F = 12.56、 SS = 38.90、p = 0.0004)、および自己効力感 (F = 10.84、SS = 33.70、p = 0.0012)。これらの効果は、一貫して低いグループ内分散 (MS = 3.10-3.33) によって裏付けられており、安定した介入パフォーマンスを示しています。
理論的な観点から見ると、これらの改善は...
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
材料
| 名前 | 会社 | カタログ番号 | コメント |
|---|---|---|---|
| AtomWear X100ウェアラブルセンサー | 深圳原子技術有限公司、中国 | X100 | 呼吸周波数、周囲温度、動作信号の監視用ウェアラブルセンサー(サンプリングレート:100 Hz、精度:±0.1). |
| AIエンジン(ルールベース+SVM分類器) | カスタム実装 | Python 3.9 with TensorFlow 2.10 および scikit-learn 0.24 | 適応的意思決定支援アルゴリズム:センサーデータを統合し、指導提供を調整する。 |
| 行動意図尺度 | Ajzen(1991)『計画行動理論』より改編 | 3つの項目 | 健康実践を採用する意向を評価します。 |
| エンゲージメントスケール | Sunら(2019年)より改編 | 5つの項目 | 注意力、交流、感情的関与、粘り強さ、満足度を測定します。 |
| 知識保持テスト(15問のMCQ) | カスタムで、指導内容に合わせたものです | 有酸素運動と健康知識に関する15項目の選択式試験。 | |
| マルチメディア教室のセットアップ | 標準的な高等教育教室 | 教室(~50分)、プロジェクター、センサー接続用のベースステーション。 | |
| ニシキヘビ | Pythonソフトウェア財団 | バージョン3.9 | AIエンジンと前処理のためのプログラミング環境。 |
| scikit-learn | オープンソース | バージョン 0.24 | SVM分類のための機械学習ライブラリ。 |
| 自己効力感尺度 | 『バンドゥーラ』(1997年)より翻案 | 4つの項目 | 健康運動の実施に対する自信を評価します。 |
| SPSS統計ソフトウェア | IBM社、ニューヨーク州アーモンク、アメリカ合衆国 | バージョン25 | 統計解析(ANOVA、t検定、相関、カイ;²テスト)。 |
| 技術受容尺度 | UTAUT(Venkateshら、2003年)より改編 | 6つの項目 | パフォーマンス期待値、努力期待値、社会的影響、促進条件をカバーしています。 |
| テンソルフロー | Google Brain | バージョン 2.10 | AIエンジンで使用されるディープラーニングライブラリ。 |
参考文献
- 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).
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。