AI versterkt traditioneel onderwijs lichamelijke opvoeding in het hoger beroepsonderwijs: nieuwe wegen verkennen voor de integratie van gezondheidseducatie

Samenvatting

Dit protocol beschrijft de integratie van een AI-gestuurd vernevelingsdetectiesysteem dat de ademhaling, temperatuur en beweging bewaakt om de inhoud van gezondheidseducatie in realtime aan te passen tijdens lichamelijke opvoeding, en evalueert de effecten ervan door middel van een quasi-experiment van zes weken.

Samenvatting

Deze studie evalueert een AI-gestuurd vernevelingsdetectiesysteem dat is ontworpen om adaptieve gezondheidseducatie te integreren in lichamelijke opvoeding. Er werd een quasi-experimenteel ontwerp uitgevoerd met 356 deelnemers die werden toegewezen aan een interventiegroep (n = 178) of een controlegroep (n = 178). Het systeem maakte gebruik van draagbare vernevelingssensoren (die ademhalingspatronen, omgevingstemperatuur en beweging monitoren) die waren verbonden met een AI-engine die op regels gebaseerde en machine-learning-logica toepaste om instructie-inhoud in realtime aan te passen, bijvoorbeeld door de complexiteit te verminderen of over te schakelen naar audiovisuele demonstraties wanneer tekenen van vermoeidheid werden gedetecteerd. Sessies werden gedurende zes weken twee keer per week in de klas gegeven, waarbij enquêtes onmiddellijk voor en na de interventie werden afgenomen. Vijf uitkomsten werden beoordeeld met behulp van gevalideerde instrumenten: kennisbehoud, betrokkenheid, gedragsintentie, zelfeffectiviteit en acceptatie van technologie. Statistische analyses omvatten ANOVA, gepaarde steekproef t-tests, Pearson-correlaties en χ^2-tests, met resultaten gerapporteerd als F(df1, df2), p, η² en 95% betrouwbaarheidsintervallen indien van toepassing. De interventiegroep bereikte significant grotere verbeteringen dan de controlegroep in kennisbehoud (Δ = +21,7 vs. +10,6; F(1, 354) = 46,21, p < 0,001, η² = 0,21), betrokkenheid (F(1, 354) = 39,87, p < 0,001, η² = 0,18), gedragsintentie (F(1, 354) = 42,55, p < 0,001, η² = 0,19), self-efficacy (F(1, 354) = 27,63, p < 0,001, η² = 0,13) en acceptatie van technologie (F(1, 354) = 35,12, p < 0,001, η² = 0,17). Deze bevindingen tonen aan dat het combineren van real-time sensing met AI-gestuurde beslissingsondersteuning een reproduceerbaar, adaptief kader biedt voor het verbeteren van de resultaten van gezondheidseducatie in professionele PE-omgevingen.

Inleiding

Gezondheidseducatie is een hoeksteen van de moderne volksgezondheid en verbetert de kennis, attitudes en gezondheidsgerelateerd gedrag van individuen¹. Het versterken van zelfmanagementvaardigheden stelt mensen in staat om weloverwogen beslissingen te nemen, preventieve praktijken toe te passen en een gezondere levensstijl aan te nemen². Conventionele leveringsmethoden, zoals klassikale lezingen, gedrukt materiaal en generieke online modules, bieden echter vaak beperkte interactiviteit en personalisatie³. Deze benaderingen reageren doorgaans niet op de realtime behoeften van leerlingen, wat resulteert in een bescheiden betrokkenheid en beperkte gedragsverandering⁴.

In de afgelopen jaren hebben technologie-verbeterde modellen geprobeerd deze beperkingen aan te pakken. Mobiele e-learningplatforms kunnen de toegang uitbreiden, maar leveren meestal gestandaardiseerde inhoud zonder fysiologische adaptiviteit⁵. Feedbacksystemen die alleen voor wearables zijn, leggen bewegings- of aandachtsniveaus vast, maar verbinden sensorgegevens zelden met instructieontwerp⁶. Bestaande op AI gebaseerde onderwijstools zijn waardevol bij het analyseren van betrokkenheidspatronen en het geven van geautomatiseerde feedback, maar de meeste implementaties zijn afhankelijk van statische bronnen en passen zich niet dynamisch aan de toestand van de leerlingen aan⁷. Als gevolg hiervan blijft er een kloof bestaan in de integratie van real-time sensing met adaptieve instructiemethoden die zowel de inhoud als de levering kunnen afstemmen op de context van de leerling.

Om deze kloof te overbruggen, introduceren we een AI-gestuurd vernevelingsdetectiesysteem dat multi-parameter fysiologische en omgevingsmonitoring integreert in het beroepsmatig lichamelijk onderwijs. Het systeem maakt gebruik van draagbare sensoren die in staat zijn om ademhalingspatronen, omgevingstemperatuur en bewegingssignalen te detecteren met een bemonsteringsfrequentie van 50 Hz, met een latentie van ongeveer 200 ms, ingebed in een lichtgewicht draagbaar apparaat⁸. Gegevensstromen worden verwerkt door een AI-engine die op regels gebaseerde beslissingslogica combineert met machine learning-modellen om indicatoren van vermoeidheid of stress te detecteren⁹. Wanneer dergelijke triggers zich voordoen, past het systeem de instructie aan door bijvoorbeeld de complexiteit van de inhoud te vereenvoudigen of over te schakelen op audiovisuele demonstraties, waardoor de motivatie en het begrip behouden^{blijven 10}. In tegenstelling tot geïsoleerde mobiele platforms of frameworks met alleen sensoren, verenigt deze aanpak detectie-, besluitvormings- en adaptieve onderwijsworkflows binnen een reproduceerbaar protocol.

Bewijs uit verwante domeinen ondersteunt het potentieel van deze integratie. Studies in het medisch en beroepsonderwijs tonen aan dat op AI gebaseerde analyses het behoud en de betrokkenheid van kennis verbeteren wanneer adaptieve feedback wordt gegeven^11,12. Sensorgestuurde leeromgevingen en IoT-gestuurde frameworks voor de gezondheidszorg hebben real-time verbeteringen in de voorspellingsnauwkeurigheid tot 36,9% bereikt, wat de voordelen van multi-parameter datastromen voor gepersonaliseerde interventies benadrukt^13,14. Onderzoek naar draagbare en intelligente monitoringnetwerken toont verder een verbeterde betrokkenheid en ruimtelijk inzicht aan door gedrags- en contextuele indicatoren vast te leggen^15,16. In de context van lichamelijke opvoeding in het beroepsonderwijs hebben gepersonaliseerde instructiemodellen aanzienlijk beter gepresteerd dan conventionele onderwijsbenaderingen (80% versus 32,5%) bij het bevorderen van gezondheidsbevorderend gedrag¹⁷. Ondertussen zijn vernevelingsdetectietechnologieën, oorspronkelijk ontwikkeld voor aërosoltherapieën en milieumonitoring, onlangs aangepast voor educatief gebruik, waardoor fysiologische gegevens met hoge resolutie in realtime kunnen worden vastgelegd^18,19. Ondanks deze veelbelovende richtingen blijven de meeste bestaande systemen beperkt tot statische e-learning of geïsoleerde draagbare toepassingen, waardoor de integratie van atomiseringsdetectie en AI-gestuurde adaptiviteit onderbelicht blijft.

De huidige studie pakt deze kloof aan door een reproduceerbaar protocol voor te stellen dat draagbare vernevelingsdetectie combineert met AI-gestuurde educatieve aanpassing in het beroepsonderwijs. Concreet evalueert het protocol de impact ervan op vijf belangrijke resultaten: kennisbehoud, betrokkenheid, gedragsintentie, zelfeffectiviteit en acceptatie van technologie.

Protocol

Deze studie is beoordeeld en goedgekeurd door de Institutional Review Board van het Shijiazhuang Institute of Railway Technology. Alle procedures voldeden aan de Verklaring van Helsinki en de relevante lokale regelgeving. De gebruikte apparatuur en software staan vermeld in de Materiaaltabel.

1. Methodologie

Deze studie gebruikte een quasi-experimenteel ontwerp om een AI-gestuurd vernevelingsdetectiesysteem voor digitale gezondheidseducatie in het hoger onderwijs te evalueren. Voor en na de interventie werden gegevens verzameld om kennisbehoud, betrokkenheid, gedragsintentie, zelfeffectiviteit en acceptatie van technologie te beoordelen met behulp van gevalideerde instrumenten die zijn aangepast aan eerder werk. De algemene workflow van detectie, AI-besluitvorming en adaptieve instructie wordt geïllustreerd in figuur 1, waarin wordt geschetst hoe fysiologische en omgevingssignalen worden geïntegreerd in de op regels gebaseerde en machine learning-componenten om inhoud in realtime aan te passen.

2. Statistische analyses

De gegevensanalyse werd uitgevoerd met behulp van SPSS versie 25, met een significantie ingesteld op p < 0,05. Er werden vier statistische benaderingen toegepast:

1. ANOVA werd gebruikt om groepsverschillen tussen de vijf uitkomstvariabelen te vergelijken, berekend met behulp van de formule:
   
   waarbij MS staat voor de gemiddelde kwadratenwaarden die zijn afgeleid van de sommen van kwadraten gedeeld door hun vrijheidsgraden.
2. Gepaarde steekproef t-tests beoordeeld binnen de groep verbeteringen van pre- tot post-test met behulp van:
   
   waarbij d het gemiddelde verschil is, s_d de standaarddeviatie van verschillen en n de steekproefomvang.
3. Chi-kwadraattoetsen werden toegepast om associaties tussen categorische uitkomsten en groepstoewijzing te onderzoeken:
   
   waarbij O de waargenomen frequentie is en E de verwachte frequentie.
4. Pearson-correlatiecoëfficiënten werden berekend om de sterkte en richting van associaties tussen continue variabelen te bepalen:
   
   met waarden variërend van -1 tot 1, waarbij coëfficiënten boven 0,5 werden geïnterpreteerd als matige tot sterke positieve correlaties.

3. Deelnemers

In totaal werden 356 deelnemers in de leeftijd van 18-45 jaar (M = 26,7, SD = 5,4) gerekruteerd uit instellingen voor hoger onderwijs, voldeden aan de inclusiecriteria voor leeftijd en technologische basisgeletterdheid, en gaven geïnformeerde toestemming. Deelnemers werden door middel van een tabel met willekeurige getallen toegewezen aan een interventiegroep (n = 178) die adaptieve, AI-gestuurde instructie kreeg of een controlegroep (n = 178) die conventionele modules kreeg zonder personalisatie. Tabel 1 geeft een overzicht van de basiskenmerken; de verdeling van demografische kenmerken over de subgroepen van de deelnemers wordt gevisualiseerd in Figuur 2, die een aanvulling vormt op de getabelleerde statistieken en de vergelijkbaarheid van de groep bij aanvang bevestigt.

4. Apparatuur en materialen

Het platform integreerde draagbare detectie van ademhalingspatronen, omgevingstemperatuur en beweging met een AI-engine die op regels gebaseerde logica en SVM-classificatie combineert om adaptieve levering te activeren bij tekenen van vermoeidheid of verminderde activiteit. De sessies werden gehouden in gestandaardiseerde multimediaklaslokalen (~50^m2) uitgerust met projectoren en sensorbasisstations, duurden 45 minuten en werden gedurende zes weken twee keer per week gegeven.

5. Meetinstrumenten

Alle zelfrapportage-instrumenten werden afgenomen op een 5-punts Likertschaal (1 = helemaal mee oneens tot 5 = helemaal mee eens), waarbij hogere scores duidden op een sterkere onderschrijving van het doelconstruct. Items werden positief gecodeerd, tenzij anders aangegeven, en schaalscores werden berekend als het gemiddelde van hun samenstellende items.

6. Behoud van kennis

Een meerkeuzetest met 15 items, afgestemd op de instructie-inhoud, werd gebruikt om kennis te beoordelen (totale scorebereik 0-15). Hogere scores weerspiegelden een grotere kennisverwerving. Een voorbeelditem was: "Wat is de primaire energiebron tijdens aerobe inspanning?"

7. Gedragsmatige intentie

Gedragsintentie werd gemeten met een instrument met 3 items, aangepast van de Theory of Planned Behavior²⁰. Een representatief punt was: "Ik ben van plan de gezondheidspraktijken die in de klas zijn geïntroduceerd de volgende week over te nemen."

8. Betrokkenheid

Betrokkenheid werd geëvalueerd met een instrument met 5 items, aangepast aan een gevalideerd raamwerk van leerbetrokkenheid dat aandacht, interactie, emotionele betrokkenheid, doorzettingsvermogen en leertevredenheid vastlegde²¹. Een illustratieve uitspraak was: "Ik was in staat om gefocust te blijven tijdens het leerproces."

9. Zelfredzaamheid

De zelfeffectiviteit werd beoordeeld met een instrument met 4 items, gebaseerd op de gevestigde conceptualisering van waargenomen vermogen. Een voorbeelditem was: "Ik heb er alle vertrouwen in dat ik de gezondheidsoefeningen die in de klas worden gedemonstreerd, zelfstandig kan voltooien."

10. Acceptatie van technologie

Technologieacceptatie werd gemeten met een aanpassing van 6 items van de Unified Theory of Acceptance and Use of Technology, die betrekking had op prestatieverwachting, inspanningsverwachting, sociale invloed en faciliterende omstandigheden. Een representatief item was: "Het gebruik van dit systeem kan mijn leerprestaties verbeteren."

Alle instrumenten vertoonden in de huidige studie een acceptabele tot sterke interne consistentie: α = 0,87 (kennis), 0,82 (gedragsintentie), 0,85 (betrokkenheid), 0,84 (zelfeffectiviteit) en 0,89 (technologieacceptatie).

Resultaten

Experimentele resultaten

Om de effectiviteit van het AI-gestuurde vernevelingsdetectiesysteem te beoordelen, werden meerdere statistische analyses uitgevoerd.

De ANOVA-bevindingen onthulden duidelijke groepsverschillen in alle vijf de uitkomsten, waarbij deelnemers in de interventiegroep consistent hogere post-testscores behaalden dan die in de controlegroep (Tabel 2; Figuur 3

Discussie

De bevindingen van deze studie leveren ondersteunend bewijs dat het integreren van AI-aangedreven intelligente vernevelingsdetectietechnologie in gezondheidseducatie de leerresultaten in meerdere dimensies kan verbeteren. Vergeleken met de controlegroep vertoonden de deelnemers in de interventiegroep statistisch significante verbeteringen in alle vijf gemeten variabelen, waarbij de grootste winst werd waargenomen in kennisbehoud (F = 18,73, SS = 62,47, p < 0,001), gevolgd door gedragsint...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
AtomWear X100 draagbare sensoren	Shenzhen AtomTech Co., Ltd., China	X100	Draagbare sensor voor het monitoren van ademhalingsfrequentie, omgevingstemperatuur en bewegingssignalen (bemonsteringssnelheid: 100 Hz, nauwkeurigheid: ±0,1).
AI Engine (regelgebaseerd + SVM-classificator)	Aangepaste implementatie	Python 3.9 met TensorFlow 2.10 en scikit-learn 0.24	Algoritme voor adaptief besluitvormingsondersteuning: integreert sensorgegevens en past de instructieverstrekking aan.
Gedragsintentieschaal	Aangepast van Ajzen (1991), Theorie van Gepland Gedrag	3 items	Beoordeelt de intentie om gezondheidspraktijken te adopteren.
Betrokkenheidsschaal	Aangepast van Sun et al. (2019)	5 items	Meet aandacht, interactie, emotionele betrokkenheid, volharding en tevredenheid.
Kennisbehoudtest (15-item MCQ)	Aangepast, afgestemd op instructiecontent		15-item meerkeuzetest over aërobe oefening en gezondheidskennis.
Multimedia Klaslokaal Instelling	Standaard hoger onderwijs klaslokalen		Klaslokaal (~50 m²), projector, basisstations voor sensorconnectiviteit.
Python	Python Software Foundation	Versie 3.9	Programmeeromgeving voor AI-engine en voorverwerking.
scikit-learn	Open source	Versie 0.24	Machine learning bibliotheek voor SVM-classificatie.
Zelfeffectiviteitsschaal	Aangepast van Bandura (1997)	4 items	Beoordeelt het vertrouwen in het uitvoeren van gezondheidsoefeningen.
SPSS Statistics Software	IBM Corp., Armonk, NY, USA	Versie 25	Statistische analyse (ANOVA, t-tests, correlatie, χ² testen).
Technologie Acceptatie Schaal	Aangepast van UTAUT (Venkatesh et al., 2003)	6 items	Betreft prestatieverwachting, inspanningsverwachting, sociale invloed en faciliterende voorwaarden.
TensorFlow	Google Brain	Versie 2.10	Deep learning bibliotheek gebruikt in AI-engine.