이 프로토콜은 직업 체육 교육 중 보건 교육 내용을 실시간으로 조정하기 위해 호흡, 온도 및 움직임을 모니터링하는 AI 유도 분무 감지 시스템의 통합을 설명하고 6주간의 준 실험을 통해 그 효과를 평가합니다.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
이 논문에서
요약
초록
본 연구는 적응형 보건교육을 직업체육에 통합하도록 설계된 AI 유도 분무 감지 시스템을 평가한다. 준실험 설계는 개입 그룹(n = 178) 또는 통제 그룹(n = 178)에 할당된 356명의 참가자를 대상으로 수행되었습니다. 이 시스템은 규칙 기반 및 머신 러닝 로직을 적용하여 교육 내용을 실시간으로 조정하는 AI 엔진에 연결된 웨어러블 분무 센서(호흡 패턴, 주변 온도 및 움직임 모니터링)를 사용하여 복잡성을 줄이거나 피로 징후가 감지되면 시청각 시연으로 전환했습니다. 세션은 6주 동안 일주일에 두 번 교실 환경에서 진행되었으며, 설문 조사는 개입 직전과 직후에 실시되었습니다. 검증된 도구를 사용하여 지식 보유, 참여, 행동 의도, 자기효능감 및 기술 수용의 5가지 결과를 평가했습니다. 통계 분석에는 ANOVA, 쌍 표본 t-검정, Pearson 상관관계 및 χ2 검정이 포함되었으며, 결과는 F(df1, df2), p, η2 및 해당되는 경우 95% 신뢰 구간으로 보고되었습니다. 개입 그룹은 지식 보유에서 통제 그룹보다 훨씬 더 큰 개선을 달성했습니다(Δ = +21.7 대 +10.6; F(1, 354) = 46.21, p < 0.001, η2 = 0.21), 참여(F(1, 354) = 39.87, p < 0.001, η2 = 0.18), 행동 의도(F(1, 354) = 42.55, p < 0.001, η2 = 0.19), 자기효능감(F(1, 354) = 27.63, p < 0.001, η2 = 0.13) 및 기술 수용(F(1, 354) = 35.12, p < 0.001, η2 = 0.17). 이러한 결과는 실시간 감지와 AI 기반 의사 결정 지원을 결합하면 직업 체육 환경에서 건강 교육 결과를 향상시키기 위한 재현 가능하고 적응력이 뛰어난 프레임워크를 제공한다는 것을 보여줍니다.
서론
보건 교육은 현대 공중 보건의 초석이며 개인의 지식, 태도 및 건강 관련 행동을 향상시킵니다1. 자기 관리 기술을 강화하면 사람들은 정보에 입각한 결정을 내리고, 예방 관행을 채택하고, 더 건강한 생활 방식에 참여할 수 있습니다2. 그러나 강의실 강의, 인쇄물, 일반 온라인 모듈과 같은 기존 전달 방법은 종종 제한된 상호 작용 및 개인화를 제공합니다3. 이러한 접근 방식은 일반적으로 학습자의 실시간 요구에 응답하지 못하여 적당한 참여와 제한된 행동 변화를 초래합니다4.
최근 몇 년 동안 기술이 강화된 모델은 이러한 한계를 해결하려고 노력해 왔습니다. 모바일 e러닝 플랫폼은 액세스를 확장할 수 있지만 일반적으로 생리적 적응성 없이 표준화된 콘텐츠를 제공합니다5. 웨어러블 전용 피드백 시스템은 동작 또는 주의 수준을 캡처하지만 센서 데이터를 교육 설계에 연결하는 경우는 거의 없습니다6. 기존 AI 기반 교육 도구는 참여 패턴을 분석하고 자동화된 피드백을 제공하는 데 있어 가치를 입증하지만 대부분의 구현은 정적 리소스에 의존하며 학습자의 상태에 동적으로 적응하지 않습니다7. 결과적으로 실시간 감지를 학습자 상황에 맞게 콘텐츠와 전달을 모두 조정할 수 있는 적응형 교육 방법과 통합하는 데 격차가 남아 있습니다.
이러한 격차를 해소하기 위해 우리는 다중 매개변수 생리학적 및 환경 모니터링을 직업 체육에 통합하는 AI 유도 분무 감지 시스템을 도입합니다. 이 시스템은 경량 웨어러블 장치(8)에 내장된 약 200ms의 대기 시간으로 50Hz의 샘플링 속도로 호흡 패턴, 주변 온도 및 동작 신호를 감지할 수 있는 웨어러블 센서를 사용합니다. 데이터 스트림은 규칙 기반 의사 결정 논리와 머신 러닝 모델을 결합하여 피로 또는 스트레스 지표를 감지하는 AI 엔진에 의해 처리됩니다9. 이러한 트리거가 발생하면, 시스템은 예를 들어, 콘텐츠 복잡성을 단순화하거나 시청각 시연으로 전환함으로써 교육 전달을 조정함으로써 동기 부여 및 이해력을 유지한다10. 격리된 모바일 플랫폼이나 센서 전용 프레임워크와 달리 이 접근 방식은 재현 가능한 프로토콜 내에서 감지, 의사 결정 및 적응형 교육 워크플로를 통합합니다.
관련 도메인의 증거는 이러한 통합의 잠재력을 뒷받침합니다. 의료 및 직업 교육 연구에 따르면 AI 기반 분석은 적응형 피드백이 제공될 때 지식 보유 및 참여를 향상시킵니다11,12. 센서 지원 학습 환경과 IoT 기반 의료 프레임워크는 최대 36.9%의 실시간 예측 정확도 향상을 달성했으며, 이는 개인화된 개입을 위한 다중 매개변수 데이터 스트림의 이점을 강조합니다13,14. 웨어러블 및 지능형 모니터링 네트워크에 대한 연구는 행동 및 상황 지표를 캡처하여 향상된 참여 및 공간 인식을 보여줍니다15,16. 직업 체육의 맥락에서 개인화된 교육 모델은 건강 증진 행동을 육성하는 데 있어 기존 교육 접근 방식(80% 대 32.5%)을 훨씬 능가했습니다17. 한편, 에어로졸 치료 및 환경 모니터링을 위해 처음 개발된 분무 감지 기술은 최근 교육용으로 채택되어 실시간으로 고해상도 생리학적 데이터 캡처가 가능해졌습니다18,19. 이러한 유망한 방향에도 불구하고 대부분의 기존 시스템은 정적 e-러닝 또는 격리된 웨어러블 애플리케이션으로 제한되어 있어 원자화 감지 및 AI 기반 적응성의 통합은 아직 연구되지 않았습니다.
본 연구는 직업 체육에서 웨어러블 분무 감지와 AI 유도 교육 적응을 결합한 재현 가능한 프로토콜을 제안함으로써 이러한 격차를 해소합니다. 특히 프로토콜은 지식 보유, 참여, 행동 의도, 자기효능감 및 기술 수용의 5가지 주요 결과에 미치는 영향을 평가합니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
프로토콜
이 연구는 Shijiazhuang Institute of Railway Technology의 Institutional Review Board에서 검토 및 승인했습니다. 모든 절차는 헬싱키 선언 및 관련 현지 규정을 준수했습니다. 사용된 장비 및 소프트웨어는 재료 표에 나열되어 있습니다.
1. 방법론
본 연구는 준실험 설계를 사용하여 고등 교육 환경에서 디지털 건강 교육을 위한 AI 유도 분무 감지 시스템을 평가했습니다. 이전 작업에서 채택된 검증된 도구를 사용하여 지식 보유, 참여, 행동 의도, 자기 효능감 및 기술 수용을 평가하기 위해 개입 전후에 데이터를 수집했습니다. 감지, AI 의사 결정 및 적응형 교육 전달의 전반적인 워크플로는 그림 1에 설명되어 있으며, 이는 생리학적 및 환경 신호가 규칙 기반 및 기계 학습 구성 요소에 통합되어 콘텐츠를 실시간으로 조정하는 방법을 간략하게 설명합니다.
2. 통계 분석
데이터 분석은 SPSS 버전 25를 사용하여 수행되었으며 유의성은 p < 0.05로 설정되었습니다. 네 가지 통계적 접근법이 적용되었습니다.
- ANOVA는 다음 공식을 사용하여 계산된 5가지 결과 변수에 대한 그룹 간 차이를 비교하는 데 사용되었습니다.
여기서 MS는 제곱합을 자유도로 나눈 값에서 파생된 평균 제곱 값을 나타냅니다. - 대응 표본 t-테스트는 다음을 사용하여 사전 테스트에서 사후 테스트까지 그룹 내 개선을 평가했습니다.
여기서 d 는 평균 차이, s_d 차이의 표준 편차, n은 표본 크기입니다. - 범주형 결과와 그룹 할당 사이의 연관성을 조사하기 위해 카이제곱 검정을 적용했습니다.
여기서 O는 관측된 주파수이고 E는 예상 주파수입니다. - 연속 변수 간의 연관성의 강도와 방향을 결정하기 위해 Pearson 상관 계수를 계산했습니다.
-1에서 1 사이의 값으로, 0.5 이상의 계수는 중간에서 강한 양의 상관관계로 해석되었습니다.
3. 참가자
18-45세의 총 356명의 참가자(M = 26.7, SD = 5.4)를 고등 교육 기관에서 모집하여 연령 및 기본 기술 문해력에 대한 포함 기준을 충족하고 정보에 입각한 동의를 제공했습니다. 참가자는 난수표에 의해 적응형 AI 유도 교육을 받는 개입 그룹(n = 178) 또는 개인화 없이 기존 모듈을 받는 통제 그룹(n = 178)에 할당되었습니다. 표 1은 기본 특성을 요약한 것입니다. 참가자 하위 그룹 전반에 걸친 인구통계학적 특성의 분포는 표로 작성된 통계를 보완하고 기준선에서 그룹 비교 가능성을 확인하는 그림 2에 시각화되어 있습니다.
4. 장치 및 재료
이 플랫폼은 호흡 패턴, 주변 온도 및 움직임에 대한 웨어러블 감지를 규칙 기반 로직과 SVM 분류를 결합한 AI 엔진과 통합하여 피로 징후나 활동 감소 시 적응형 전달을 트리거합니다. 세션은 프로젝터와 센서 기지국이 장착된 표준화된 멀티미디어 교실(~50m2)에서 진행되었으며 45분 동안 진행되었으며 6주 동안 주 2회 진행되었습니다.
5. 측정 장비
모든 자가 보고 도구는 5점 리커트 척도(1 = 매우 동의하지 않음, 5 = 매우 동의함)로 관리되었으며, 점수가 높을수록 목표 구성에 대한 지지가 더 강함을 나타냅니다. 항목은 달리 명시되지 않는 한 양수 키로 지정되었으며 척도 점수는 구성 항목의 평균으로 계산되었습니다.
6. 지식 보유
지식(총점 범위 0-15)을 평가하기 위해 교육 내용에 맞는 15개 항목의 객관식 테스트를 사용했습니다. 점수가 높을수록 지식 습득이 더 많다는 것을 반영합니다. 예를 들어 "유산소 운동 중 주요 에너지원은 무엇입니까?"
7. 행동 의도
행동 의도는 계획된 행동 이론20에서 채택된 3개 항목 도구로 측정되었습니다. 대표적인 항목은 "다음 주에 수업에서 소개된 건강 관행을 채택할 계획입니다."
8. 참여
참여는 주의력, 상호 작용, 정서적 참여, 지속성 및 학습 만족도를 포착하는 검증된 학습 참여 프레임워크에서 채택된 5개 항목 도구로 평가되었습니다21. 예를 들어 "학습 과정에서 집중력을 유지할 수 있었습니다"였습니다.
9. 자기효능감
자기효능감은 인지된 능력의 확립된 개념화에 기반한 4개 항목 도구로 평가되었습니다. 샘플 항목은 "수업 시간에 시연된 건강 운동을 독립적으로 완료할 수 있다고 확신합니다."
10. 기술 수용
기술 수용은 성능 기대치, 노력 기대치, 사회적 영향 및 촉진 조건을 포괄하는 통합 기술 수용 및 사용 이론의 6개 항목 채택으로 측정되었습니다. 대표적인 항목은 "이 시스템을 사용하면 학습 성과가 향상될 수 있다"였습니다.
본 연구에서 모든 도구는 강력한 내부 일관성에 수용 가능한 것으로 나타났습니다: α = 0.87(지식), 0.82(행동 의도), 0.85(참여), 0.84(자기효능감) 및 0.89(기술 수용).
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
결과
실험 결과
AI 기반 분무 감지 시스템의 효과를 평가하기 위해 여러 통계 분석이 수행되었습니다.
ANOVA 결과는 5가지 결과 모두에 걸쳐 명확한 그룹 차이를 드러냈으며, 개입 그룹의 참가자는 통제 그룹의 참가자보다 지속적으로 더 높은 테스트 후 점수를 달성했습니다(표 2; 그림 3).
쌍 표본 t-검정을 통해 그룹 내 변화를 조사했을 때 개입 그룹은 모든 측정에서 상당한 개선을 보였습니다(표 3; 그림 4), 대조군은 약간의 진전만 보인 반면(표 4; 그림 5). 이러한 대조는 기존 교육에 비해 AI ...
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
토론
이 연구 결과는 AI 기반 지능형 분무 감지 기술을 보건 교육에 통합하면 여러 차원에서 학습 결과를 향상시킬 수 있다는 뒷받침적인 증거를 제공합니다. 대조군과 비교하여 개입 그룹의 참가자는 측정된 5가지 변수 모두에서 통계적으로 유의미한 개선을 보였으며 지식 보유(F = 18.73, SS = 62.47, p < 0.001)에서 가장 큰 이득이 관찰되었으며, 행동 의도(F = 16.95, SS = 54.32, p < 0.001), 기술 수용(F = 13.45, SS = 42.65, p = 0.0003), 참여(F = 12.56, SS = 38.90, p = 0.0004) 및 자기효능감(F = 10.84, SS = 33.70, p = 0.0012). 이러한 효과는 지속적으로 낮은 그룹 내 분산(MS = 3.10-3.33)에 의해 뒷받침되어 안정적인 개입 성능을 나타냅니다.
이론적 관점에서 이러한 개선은 시기적절하고 개인화...
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재료
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| AtomWear X100 웨어러블 센서 | 선전 아톰텍 유한회사, 중국 | X100 | 호흡 주파수, 주변 온도, 동작 신호 모니터링을 위한 웨어러블 센서(샘플링 속도: 100 Hz, 정확도: ± 0.1). |
| AI 엔진 (규칙 기반 + SVM 분류기) | 맞춤형 구현 | Python 3.9와 TensorFlow 2.10, scikit-learn 0.24 | 적응형 의사결정 지원 알고리즘: 센서 데이터를 통합하고 교육 전달을 조정합니다. |
| 행동 의도 척도 | Ajzen (1991), 계획 행동 이론에서 발췌 | 3개 항목 | 건강 관행 채택 의도를 평가합니다. |
| 참여도 척도 | Sun 외 (2019)에서 각색함 | 5개 항목 | 주의력, 상호작용, 감정적 참여, 끈기, 만족도를 측정합니다. |
| 지식 유지 시험 (15문항 MCQ) | 맞춤형 교육용 콘텐츠와 일치하는 방식 | 유산소 운동과 건강 지식에 관한 15문항 객관식 시험. | |
| 멀티미디어 교실 구성 | 표준 고등교육 교실 | 교실(~50 m²), 프로젝터, 센서 연결을 위한 기지국. | |
| 파이썬 | 파이썬 소프트웨어 재단 | 버전 3.9 | AI 엔진과 전처리를 위한 프로그래밍 환경입니다. |
| 시킷-학습 | 오픈 소스 | 버전 0.24 | SVM 분류를 위한 머신러닝 라이브러리입니다. |
| 자기 효능감 척도 | 《반두라》(1997)에서 각색 | 4개 항목 | 건강 운동 수행에 대한 자신감을 평가합니다. |
| SPSS 통계 소프트웨어 | IBM 코퍼레이션, 아몬크, 뉴욕, 미국 | 버전 25 | 통계 분석(ANOVA, t-검정, 상관관계, 그리고 카이; ² 검사 중입니다). |
| 기술 수용 척도 | UTAUT (Venkatesh 외, 2003)에서 각색됨 | 6개 항목 | 성과 기대치, 노력 기대치, 사회적 영향력, 그리고 촉진 조건을 다룹니다. |
| 텐서플로우 | 구글 브레인 | 버전 2.10 | AI 엔진에서 사용하는 딥러닝 라이브러리입니다. |
참고문헌
- 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).
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.