Protokół ten opisuje integrację systemu atomyzacyjnego sterowanego przez AI, który monitoruje oddychanie, temperaturę i ruch, aby dostosować treści edukacji zdrowotnej w czasie rzeczywistym podczas zawodowej edukacji fizycznej oraz ocenia ich efekty poprzez sześciotygodniowy quasi-eksperyment.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
AI wzmacnia tradycyjne nauczanie wychowania fizycznego w szkolnictwie zawodowym na wyższym poziomie: Eksploracja nowych ścieżek integracji edukacji zdrowotnej
W tym artykule
Podsumowanie
Streszczenie
Badanie ocenia system atomyzacji sterowany przez AI, zaprojektowany do integracji adaptacyjnej edukacji zdrowotnej z zawodową edukacją fizyczną. Przeprowadzono projekt quasi-eksperymentalny, w którym 356 uczestników zostało przydzielonych do grupy interwencyjnej (n = 178) lub grupy kontrolnej (n = 178). System wykorzystywał noszone czujniki atomizacji (monitorujące wzorce oddechowe, temperaturę otoczenia i ruch) połączone z silnikiem AI, który stosował logikę opartą na regułach i uczeniu maszynowym do dostosowywania treści dydaktycznych w czasie rzeczywistym – na przykład zmniejszając złożoność lub przechodząc na demonstracje audiowizualne w przypadku wykrycia oznak zmęczenia. Sesje prowadzono w klasie dwa razy w tygodniu przez sześć tygodni, a ankiety przeprowadzano bezpośrednio przed i po interwencji. Oceniano pięć wyników za pomocą zweryfikowanych instrumentów: utrwalanie wiedzy, zaangażowanie, intencje behawioralne, samoskuteczność oraz akceptację technologii. Analizy statystyczne obejmowały ANOVA, testy t z parowaną próbą, korelacje Pearsona oraz testy χ2, z wynikami podawanymi jako F(df1, df2), p,η 2 oraz 95% przedziały ufności tam, gdzie to dotyczy. Grupa interwencyjna osiągnęła istotnie większe poprawy niż grupa kontrolna w zakresie zapamiętywania wiedzy (Δ = +21,7 vs. +10,6; F(1, 354) = 46,21, p < 0,001, η2 = 0,21), zaangażowanie (F(1, 354) = 39,87, s. < 0,001, η2 = 0,18), intencję behawioralną (F(1, 354) = 42,55, p < 0,001, η2 = 0,19), poczucie własnej skuteczności (F(1, 354) = 27,63, p < 0,001, η2 = 0,13) oraz akceptację technologii (F(1, 354) = 35,12, p < 0,001, η2 = 0,17). Wyniki te pokazują, że połączenie detekcji w czasie rzeczywistym z wspieraniem decyzji sterowanym przez AI zapewnia powtarzalne, adaptacyjne ramy poprawiające wyniki edukacji zdrowotnej w środowiskach zawodowych PE.
Wprowadzenie
Edukacja zdrowotna jest fundamentem nowoczesnego zdrowia publicznego, poprawiając wiedzę, postawy i zachowania zdrowotne jednostek1. Wzmacnianie umiejętności samozarządzania pozwala podejmować świadome decyzje, wdrażać praktyki profilaktyczne i prowadzić zdrowszy styl życia2. Jednak konwencjonalne metody prowadzenia, takie jak wykłady w klasie, materiały drukowane czy ogólne moduły online, często zapewniają ograniczoną interaktywność i personalizację3. Podejścia te zazwyczaj nie odpowiadają na potrzeby uczniów w czasie rzeczywistym, co skutkuje umiarkowanym zaangażowaniem i ograniczoną zmianą zachowania4.
W ostatnich latach modele wspomagane technologią starają się rozwiązać te ograniczenia. Mobilne platformy e-learningowe mogą rozszerzać dostęp, ale zazwyczaj dostarczają standaryzowane treści bez fizjologicznej adaptacji5. Systemy sprzężenia zwrotnego wyłącznie do urządzeń noszonych rejestrują ruch lub poziom uwagi, ale rzadko łączą dane z czujników z projektowaniem instrukcji6. Istniejące narzędzia edukacyjne oparte na AI wykazują wartość w analizie wzorców zaangażowania i dostarczaniu zautomatyzowanej informacji zwrotnej, jednak większość implementacji opiera się na statycznych zasobach i nie dostosowuje się dynamicznie do stanów uczniów7. W efekcie nadal istnieje luka w integracji detekcji w czasie rzeczywistym z adaptacyjnymi metodami nauczania, które mogą dostosować zarówno treść, jak i sposób realizacji do kontekstu ucznia.
Aby zniwelować tę lukę, wprowadzamy system czujników atomizacji sterowany przez AI, który integruje wieloparametrowy monitoring fizjologiczny i środowiskowy z zawodową edukacją fizyczną. System wykorzystuje czujniki noszone zdolne do wykrywania wzorców oddechowych, temperatury otoczenia oraz sygnałów ruchu z częstotliwością próbkowania 50 Hz, z opóźnieniem około 200 ms, wbudowanymi w lekkie urządzenie noszone8. Strumienie danych są przetwarzane przez silnik AI, który łączy logikę decyzyjną opartą na regułach z modelami uczenia maszynowego, aby wykrywać wskaźniki zmęczenia lub naprężenia9. Gdy pojawiają się takie wyzwalacze, system dostosowuje sposób prowadzenia instrukcji, na przykład poprzez upraszczanie złożoności treści lub przełączenie na demonstracje audiowizualne, utrzymując tym samym motywację i zrozumienie10. W przeciwieństwie do izolowanych platform mobilnych czy ram opartych wyłącznie na czujnikach, to podejście jednoczy procesy dydaktyczne z detekcją, podejmowaniem decyzji i adaptacyjnymi procesami nauczania w ramach powtarzalnego protokołu.
Dowody z powiązanych dziedzin potwierdzają potencjał tej integracji. Badania w dziedzinie edukacji medycznej i zawodowej pokazują, że analityka oparta na AI poprawia zapamiętywanie i zaangażowanie wiedzy, gdy dostarczana jest adaptacyjna informacja zwrotna11,12. Środowiska edukacyjne oparte na czujnikach oraz ramy opieki zdrowotnej oparte na IoT osiągnęły poprawę dokładności predykcji w czasie rzeczywistym do 36,9%, podkreślając zalety wieloparametrowych strumieni danych dla spersonalizowanych interwencji13,14. Badania nad ubieralnymi i inteligentnymi sieciami monitorującymi dodatkowo wykazują poprawę zaangażowania i świadomości przestrzennej poprzez wychowanie wskaźników behawioralnych i kontekstowych15,16. W kontekście zawodowego wychowania fizycznego spersonalizowane modele nauczania znacząco przewyższyły konwencjonalne metody nauczania (80% vs. 32,5%) w wspieraniu zachowań wspierających zdrowie17. Tymczasem technologie wykrywania atomizacji, początkowo opracowane do terapii aerozoli i monitoringu środowiskowego, zostały niedawno dostosowane do zastosowań edukacyjnych, umożliwiając wysokorozdzielcze zbieranie danych fizjologicznych w czasie rzeczywistym18,19. Pomimo tych obiecujących kierunków, większość istniejących systemów pozostaje ograniczona do statycznego e-learningu lub izolowanych zastosowań noszonych, pozostawiając integrację czujników atomizacyjnych i adaptacji sterowanej przez AI niedostatecznie eksplorowaną.
Niniejsze badanie rozwiązuje tę lukę, proponując powtarzalny protokół łączący czujniki atomizacji noszonej z adaptacją nauczania prowadzoną przez AI w zawodowej edukacji fizycznej. Konkretnie, protokół ocenia jego wpływ na pięć kluczowych rezultatów: zapamiętywanie wiedzy, zaangażowanie, intencje behawioralne, poczucie własnej skuteczności oraz akceptację technologii.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
Badanie to zostało przeanalizowane i zatwierdzone przez Instytucjonalną Radę Przeglądową Instytutu Technologii Kolejowej Shijiazhuang. Wszystkie procedury były zgodne z Deklaracją Helsińską oraz odpowiednimi lokalnymi przepisami. Używany sprzęt i oprogramowanie są wymienione w Tabeli Materiałów.
1. Metodologia
Badanie to wykorzystało quasi-eksperymentalny projekt do oceny systemu wykrywania atomizacji sterowanego przez AI dla cyfrowej edukacji zdrowotnej w środowiskach szkolnictwa wyższego. Dane zebrano przed i po interwencji, aby ocenić zapamiętywanie wiedzy, zaangażowanie, intencje behawioralne, poczucie własnej skuteczności oraz akceptację technologii, korzystając z zweryfikowanych narzędzi zaadaptowanych z wcześniejszych badań. Ogólny przepływ pracy obejmujący detekcję, podejmowanie decyzji AI oraz adaptacyjne dostarczanie instrukcji został zilustrowany na Rysunku 1, który opisuje, jak sygnały fizjologiczne i środowiskowe są integrowane z komponentami opartymi na regułach i uczeniem maszynowym, aby dostosować treść w czasie rzeczywistym.
2. Analizy statystyczne
Analiza danych została przeprowadzona przy użyciu SPSS w wersji 25, z istotnością ustawioną na p < 0,05. Zastosowano cztery podejścia statystyczne:
- ANOVA została użyta do porównania różnic między grupami pomiędzy pięcioma zmiennymi wynikowymi, obliczonymi według wzoru:
gdzie MS oznacza średnie wartości kwadratowe wyprowadzone z sumy kwadratów podzielonych przez ich stopnie swobody. - Testy t w parowanej próbie oceniano poprawę w obrębie grupy od przedtestu do potestu, stosując:
gdzie d to średnia różnica, s_d odchylenie standardowe różnic, a n to wielkość próby. - Zastosowano testy chi-kwadrat do badania zależności między wynikami kategorycznymi a przydziałem do grup:
gdzie O to częstotliwość obserwowana, a E to częstotliwość oczekiwana. - Współczynniki korelacji Pearsona zostały obliczone, aby określić siłę i kierunek powiązań między zmiennymi ciągłymi:
z wartościami od -1 do 1, gdzie współczynniki powyżej 0,5 interpretowano jako umiarkowane do silnych dodatnich korelacji.
3. Uczestnicy
Łącznie 356 uczestników w wieku 18-45 lat (M = 26,7, SD = 5,4) zostało zrekrutowanych z uczelni wyższych, spełniło kryteria włączenia dotyczące wieku i podstawowej umiejętności technologicznej oraz wyraziło świadomą zgodę. Uczestnicy zostali przydzieleni według tabeli liczbowej do grupy interwencyjnej (n = 178) otrzymującej adaptacyjne, kierowane przez AI instrukcji lub do grupy kontrolnej (n = 178) otrzymującej konwencjonalne moduły bez personalizacji. Tabela 1 podsumowuje charakterystyki bazowe; rozkład cech demograficznych pomiędzy podgrupami uczestników przedstawiono na Rysunku 2, który uzupełnia tabelowane statystyki i potwierdza porównywalność grup na początku.
4. Aparatura i materiały
Platforma integrowała noszone czujniki wzorców oddechowych, temperatury otoczenia i ruchu z silnikiem AI łączącym logikę regułową i klasyfikację SVM, aby wywołać adaptacyjne dostarczanie przy oznakach zmęczenia lub zmniejszonej aktywności. Sesje odbywały się w ustandaryzowanych salach multimedialnych (~50m2) wyposażonych w projektory i stacje bazowe czujników, trwały 45 minut i były prowadzone dwa razy w tygodniu przez sześć tygodni.
5. Przyrządy pomiarowe
Wszystkie instrumenty samooceny były prowadzone w skali Likerta 5-punktowej (1 = zdecydowanie się nie zgadzam do 5 = zdecydowanie się zgadzam), przy czym wyższe wyniki wskazują na silniejsze poparcie dla konstruktu docelowego. Elementy były kluczowane dodatnio, chyba że zaznaczono inaczej, a skala była obliczana jako średnia ich elementów składowych.
6. Utrzymywanie wiedzy
Do oceny wiedzy (zakres punktów 0-15) zastosowano test wielokrotnego wyboru składający się z 15 pytań zgodnych z treścią dydaktyczną. Wyższe wyniki odzwierciedlały większe zdobywanie wiedzy. Przykładowym zadaniem było: "Jakie jest główne źródło energii podczas ćwiczeń aerobowych?"
7. Intencja behawioralna
Intencja behawioralna była mierzona za pomocą trzypunktowego instrumentu zaadaptowanego z Teorii Planowanego Zachowania20. Reprezentatywnym punktem było: "Zamierzam przyjąć praktyki zdrowotne wprowadzone na zajęciach w ciągu najbliższego tygodnia."
8. Zaręczyny
Zaangażowanie oceniano za pomocą narzędzia składającego się z 5 zadań, dostosowanego do zweryfikowanych ram zaangażowania w naukę, które uchwyciło uwagę, interakcję, zaangażowanie emocjonalne, wytrwałość oraz satysfakcję z nauki21. Ilustracyjnym stwierdzeniem było: "Udało mi się skupić podczas procesu nauki."
9. Poczucie własnej skuteczności
Poczucie własnej skuteczności oceniano za pomocą instrumentu składającego się z czterech zadań, opartego na ustalonej koncepcji postrzeganej zdolności. Przykładowy punkt brzmiał: "Jestem pewien, że samodzielnie wykonam ćwiczenia zdrowotne prezentowane na zajęciach."
10. Akceptacja technologii
Akceptację technologii mierzono za pomocą 6-punktowej adaptacji Zunifikowanej Teorii Akceptacji i Wykorzystania Technologii, obejmującej oczekiwania wydajności, oczekiwania wysiłku, wpływ społeczny oraz warunki ułatwiające. Reprezentatywny punkt brzmiał: "Korzystanie z tego systemu może poprawić moje wyniki w nauce."
Wszystkie instrumenty wykazały akceptowalną lub silną spójność wewnętrzną w obecnym badaniu: α = 0,87 (wiedza), 0,82 (intencja behawioralna), 0,85 (zaangażowanie), 0,84 (skuteczność własna) oraz 0,89 (akceptacja technologii).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Wyniki eksperymentalne
Aby ocenić skuteczność systemu atomyzacyjnego opartego na AI, przeprowadzono wiele analiz statystycznych.
Wyniki ANOVA wykazały wyraźne różnice grupowe we wszystkich pięciu wynikach, przy czym uczestnicy grupy interwencyjnej osiągali konsekwentnie wyższe wyniki po teście niż ci z grupy kontrolnej (Tabela 2; Rysunek 3).
Gdy zmiany w obrębie grupy analizo...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Wyniki tego badania dostarczają wspierających dowodów na to, że integracja inteligentnej technologii atomizacji opartej na AI w edukacji zdrowotnej może poprawić wyniki nauczania w wielu wymiarach. W porównaniu z grupą kontrolną, uczestnicy grupy interwencyjnej wykazali statystycznie istotne poprawy we wszystkich pięciu mierzonych zmiennych, z największymi wzrostami w zapamiętywaniu wiedzy (F = 18,73, SS = 62,47, p < 0,001), następnie w intencjach behawioralnych (F = 16,95, SS = 54,32, p < 0,001), akceptacji technologii ...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Czujniki noszone AtomWear X100 | Shenzhen AtomTech Co., Ltd., Chiny | X100 | Czujnik noszony do monitorowania częstotliwości oddechowej, temperatury otoczenia oraz sygnałów ruchu (częstotliwość próbkowania: 100 Hz, dokładność: ± 0.1). |
| AI Engine (oparty na regułach + klasyfikator SVM) | Implementacja niestandardowa | Python 3.9 z TensorFlow 2.10 i scikit-learn 0.24 | Algorytm adaptacyjnego wsparcia decyzji: integruje dane z czujników i koryguje dostarczanie instrukcji. |
| Skala intencji behawioralnych | Adaptacja z Ajzen (1991), Teoria planowanego zachowania | 3 pozycje | Ocenia intencje przyjęcia praktyk zdrowotnych. |
| Skala zaangażowania | Zaadaptowane z Sun i in. (2019) | 5 pozycji | Mierzy uwagę, interakcję, zaangażowanie emocjonalne, wytrwałość i satysfakcję. |
| Test Pamięci Wiedzy (15-punktowe MCQ) | Niestandardowe, zgodne z treścią dydaktyczną | 15-punktowy test wielokrotnego wyboru dotyczący ćwiczeń aerobowych i wiedzy zdrowotnej. | |
| Konfiguracja multimedialnej klasy | Standardowe sale szkolnictwa wyższego | Klasa (~50 m²), projektor, stacje bazowe do łączności sensorów. | |
| Pyton | Python Software Foundation | Wersja 3.9 | Środowisko programistyczne dla silnika AI i preprocessingu. |
| scikit-learn | Open source | Wersja 0.24 | Biblioteka uczenia maszynowego do klasyfikacji SVM. |
| Skala samoefektywności | Adaptacja z Bandura (1997) | 4 pozycje | Ocenia pewność siebie w wykonywaniu ćwiczeń zdrowotnych. |
| Oprogramowanie do statystyki SPSS | IBM Corp., Armonk, NY, USA | Wersja 25 | Analiza statystyczna (ANOVA, testy t, korelacja i chi; ² testów). |
| Skala akceptacji technologii | Adaptacja z UTAUT (Venkatesh i in., 2003) | 6 przedmiotów | Obejmuje oczekiwania dotyczące wydajności, oczekiwania wysiłku, wpływu społecznego oraz warunków ułatwiających. |
| TensorFlow | Google Brain | Wersja 2.10 | Biblioteka głębokiego uczenia używana w silniku AI. |
Bibliografia
- 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).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.