Este protocolo descreve a integração de um sistema de detecção de atomização guiado por IA que monitora a respiração, a temperatura e o movimento para adaptar o conteúdo da educação em saúde em tempo real durante a educação física profissional e avalia seus efeitos por meio de um quase-experimento de seis semanas.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
A IA capacita o ensino tradicional de educação física no ensino profissional superior: explorando novos caminhos para a integração da educação em saúde
Neste artigo
Resumo
Resumo
Este estudo avalia um sistema de detecção de atomização guiado por IA projetado para integrar a educação adaptativa em saúde à educação física vocacional. Um projeto quase-experimental foi conduzido com 356 participantes alocados em um grupo de intervenção (n = 178) ou um grupo de controle (n = 178). O sistema usava sensores de atomização vestíveis (monitorando padrões respiratórios, temperatura ambiente e movimento) conectados a um mecanismo de IA que aplicava lógica baseada em regras e aprendizado de máquina para ajustar o conteúdo instrucional em tempo real - por exemplo, reduzindo a complexidade ou mudando para demonstrações audiovisuais quando sinais de fadiga foram detectados. As sessões foram realizadas em sala de aula duas vezes por semana durante seis semanas, com pesquisas administradas imediatamente antes e depois da intervenção. Cinco desfechos foram avaliados por meio de instrumentos validados: retenção de conhecimento, engajamento, intenção comportamental, autoeficácia e aceitação de tecnologia. As análises estatísticas incluíram ANOVA, testes t de amostra pareada, correlações de Pearson e testes χ2, com resultados relatados como F (df1, df2), p, η2 e intervalos de confiança de 95%, quando aplicável. O grupo de intervenção obteve melhorias significativamente maiores do que o grupo de controle na retenção de conhecimento (Δ = +21,7 vs. +10,6; F (1, 354) = 46,21, p < 0,001, η2 = 0,21), engajamento (F (1, 354) = 39,87, p < 0,001, η2 = 0,18), intenção comportamental (F (1, 354) = 42,55, p < 0,001, η2 = 0,19), autoeficácia (F (1, 354) = 27,63, p < 0,001, η2 = 0,13) e aceitação de tecnologia (F (1, 354) = 35,12, p < 0,001, η2 = 0,17). Essas descobertas demonstram que a combinação de detecção em tempo real com suporte à decisão guiada por IA fornece uma estrutura adaptável e reprodutível para melhorar os resultados da educação em saúde em ambientes vocacionais de educação física.
Introdução
A educação em saúde é uma pedra angular da saúde pública moderna, melhorando o conhecimento, as atitudes e os comportamentos relacionados à saúdedos indivíduos 1. O fortalecimento das habilidades de autogestão permite que as pessoas tomem decisões informadas, adotem práticas preventivas e se envolvam em estilos de vida mais saudáveis2. No entanto, os métodos convencionais de entrega, como palestras em sala de aula, materiais impressos e módulos on-line genéricos, geralmente fornecem interatividade e personalização limitadas3. Essas abordagens normalmente não respondem às necessidades em tempo real dos alunos, resultando em engajamento modesto e mudança comportamental restrita4.
Nos últimos anos, os modelos aprimorados pela tecnologia têm procurado resolver essas limitações. As plataformas móveis de e-learning podem expandir o acesso, mas geralmente fornecem conteúdo padronizado sem adaptabilidade fisiológica5. Os sistemas de feedback somente vestíveis capturam os níveis de movimento ou atenção, mas raramente conectam os dados do sensor ao design instrucional6. As ferramentas educacionais baseadas em IA existentes demonstram valor na análise de padrões de engajamento e no fornecimento de feedback automatizado, mas a maioria das implementações depende de recursos estáticos e não se adapta dinamicamente aos estados dos alunos7. Como resultado, permanece uma lacuna na integração da detecção em tempo real com métodos instrucionais adaptativos que podem adaptar o conteúdo e a entrega ao contexto do aluno.
Para preencher essa lacuna, introduzimos um sistema de detecção de atomização guiado por IA que integra o monitoramento fisiológico e ambiental multiparâmetro na educação física profissional. O sistema emprega sensores vestíveis capazes de detectar padrões respiratórios, temperatura ambiente e sinais de movimento a uma taxa de amostragem de 50 Hz, com latência de aproximadamente 200 ms, embutidos em um dispositivo vestível leve8. Os fluxos de dados são processados por um mecanismo de IA que combina lógica de decisão baseada em regras com modelos de aprendizado de máquina para detectar indicadores de fadiga ou estresse9. Quando esses gatilhos ocorrem, o sistema adapta a entrega instrucional, por exemplo, simplificando a complexidade do conteúdo ou mudando para demonstrações audiovisuais, mantendo assim a motivação e a compreensão10. Ao contrário de plataformas móveis isoladas ou estruturas somente de sensores, essa abordagem unifica fluxos de trabalho de sensoriamento, tomada de decisão e ensino adaptativo em um protocolo reproduzível.
Evidências de domínios relacionados apóiam o potencial dessa integração. Estudos em educação médica e vocacional mostram que a análise baseada em IA melhora a retenção e o engajamento do conhecimento quando o feedback adaptativo é fornecido11,12. Ambientes de aprendizagem habilitados por sensores e estruturas de saúde orientadas por IoT alcançaram melhorias de precisão de previsão em tempo real de até 36,9%, destacando os benefícios de fluxos de dados multiparâmetros para intervenções personalizadas13,14. A pesquisa sobre redes de monitoramento vestíveis e inteligentes demonstra ainda mais engajamento aprimorado e consciência espacial, capturando indicadores comportamentais e contextuais15,16. No contexto da educação física profissional, os modelos instrucionais personalizados superaram significativamente as abordagens convencionais de ensino (80% vs. 32,5%) na promoção de comportamentos promotores da saúde17. Enquanto isso, as tecnologias de detecção de atomização, inicialmente desenvolvidas para terapias com aerossóis e monitoramento ambiental, foram recentemente adaptadas para uso educacional, permitindo a captura de dados fisiológicos de alta resolução em tempo real18,19. Apesar dessas direções promissoras, a maioria dos sistemas existentes permanece limitada a e-learning estático ou aplicações vestíveis isoladas, deixando a integração de sensoriamento de atomização e adaptabilidade orientada por IA inexplorada.
O presente estudo aborda essa lacuna propondo um protocolo reprodutível que combina detecção de atomização vestível com adaptação instrucional guiada por IA na educação física profissional. Especificamente, o protocolo avalia seu impacto em cinco resultados principais: retenção de conhecimento, engajamento, intenção comportamental, autoeficácia e aceitação de tecnologia.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Protocolo
Este estudo foi revisado e aprovado pelo Conselho de Revisão Institucional do Instituto de Tecnologia Ferroviária de Shijiazhuang. Todos os procedimentos estavam em conformidade com a Declaração de Helsinque e os regulamentos locais relevantes. O equipamento e o software utilizados estão listados na Tabela de Materiais.
1. Metodologia
Este estudo usou um projeto quase experimental para avaliar um sistema de detecção de atomização guiado por IA para educação em saúde digital em ambientes de ensino superior. Os dados foram coletados antes e depois da intervenção para avaliar a retenção de conhecimento, engajamento, intenção comportamental, autoeficácia e aceitação de tecnologia usando instrumentos validados e adaptados de trabalhos anteriores. O fluxo de trabalho geral de detecção, tomada de decisão de IA e entrega instrucional adaptativa é ilustrado na Figura 1, que descreve como os sinais fisiológicos e ambientais são integrados aos componentes baseados em regras e aprendizado de máquina para ajustar o conteúdo em tempo real.
2. Análises estatísticas
A análise dos dados foi realizada no SPSS versão 25, com significância de p < 0,05. Quatro abordagens estatísticas foram aplicadas:
- A ANOVA foi usada para comparar as diferenças entre os grupos nas cinco variáveis de desfecho, calculadas usando a fórmula:
onde MS representa os valores quadrados médios derivados de somas de quadrados divididos por seus graus de liberdade. - Os testes t de amostra pareada avaliaram as melhorias dentro do grupo do pré para o pós-teste usando:
onde d é a diferença média, s_d o desvio padrão das diferenças e n o tamanho da amostra. - Testes qui-quadrado foram aplicados para examinar associações entre desfechos categóricos e alocação de grupos:
onde O é a frequência observada e E a frequência esperada. - Os coeficientes de correlação de Pearson foram calculados para determinar a força e a direção das associações entre as variáveis contínuas:
com valores variando de -1 a 1, onde coeficientes acima de 0,5 foram interpretados como correlações positivas moderadas a fortes.
3. Participantes
Um total de 356 participantes com idades entre 18 e 45 anos (M = 26,7, DP = 5,4) foram recrutados em instituições de ensino superior, preencheram os critérios de inclusão para idade e alfabetização tecnológica básica e forneceram consentimento informado. Os participantes foram designados por tabela de números aleatórios para um grupo de intervenção (n = 178) recebendo instruções adaptativas guiadas por IA ou um grupo de controle (n = 178) recebendo módulos convencionais sem personalização. A Tabela 1 resume as características da linha de base; a distribuição das características demográficas entre os subgrupos de participantes é visualizada na Figura 2, que complementa as estatísticas tabuladas e confirma a comparabilidade dos grupos no início do estudo.
4. Aparelhos e materiais
A plataforma integrou detecção vestível de padrões respiratórios, temperatura ambiente e movimento com um mecanismo de IA que combina lógica baseada em regras e classificação SVM para acionar a entrega adaptativa em sinais de fadiga ou atividade reduzida. As sessões foram conduzidas em salas de aula multimídia padronizadas (~50 m2) equipadas com projetores e estações base de sensores, duraram 45 minutos e foram ministradas duas vezes por semana durante seis semanas.
5. Instrumentos de medição
Todos os instrumentos de autorrelato foram administrados em uma escala Likert de 5 pontos (1 = discordo totalmente a 5 = concordo totalmente), com pontuações mais altas indicando maior endosso do construto-alvo. Os itens foram digitados positivamente, a menos que especificado de outra forma, e as pontuações da escala foram calculadas como a média de seus itens constituintes.
6. Retenção de conhecimento
Um teste de múltipla escolha de 15 itens alinhado com o conteúdo instrucional foi usado para avaliar o conhecimento (faixa de pontuação total de 0 a 15). Pontuações mais altas refletiram maior aquisição de conhecimento. Um exemplo de item foi: "Qual é a principal fonte de energia durante o exercício aeróbico?"
7. Intenção comportamental
A intenção comportamental foi medida com um instrumento de 3 itens adaptado da Teoria do Comportamento Planejado20. Um item representativo foi: "Pretendo adotar as práticas de saúde introduzidas em sala de aula na semana seguinte".
8. Engajamento
O engajamento foi avaliado com um instrumento de 5 itens adaptado de uma estrutura validada de engajamento de aprendizagem, capturando atenção, interação, envolvimento emocional, persistência e satisfação de aprendizagem21. Uma afirmação ilustrativa foi: "Consegui manter o foco durante o processo de aprendizagem".
9. Autoeficácia
A autoeficácia foi avaliada com um instrumento de 4 itens fundamentado na conceituação estabelecida de capacidade percebida. Um item de amostra foi: "Estou confiante de que posso concluir de forma independente os exercícios de saúde demonstrados em sala de aula".
10. Aceitação da tecnologia
A aceitação da tecnologia foi medida com uma adaptação de 6 itens da Teoria Unificada de Aceitação e Uso da Tecnologia, abrangendo expectativa de desempenho, expectativa de esforço, influência social e condições facilitadoras. Um item representativo foi: "Usar este sistema pode melhorar meu desempenho de aprendizagem".
Todos os instrumentos demonstraram consistência interna aceitável a forte no presente estudo: α = 0,87 (Conhecimento), 0,82 (Intenção Comportamental), 0,85 (Engajamento), 0,84 (Autoeficácia) e 0,89 (Aceitação de Tecnologia).
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Resultados
Resultados experimentais
Para avaliar a eficácia do sistema de detecção de atomização acionado por IA, várias análises estatísticas foram realizadas.
Os achados da ANOVA revelaram diferenças claras entre os cinco desfechos, com os participantes do grupo de intervenção alcançando pontuações pós-teste consistentemente mais altas do que os do grupo controle (Tabela 2; Figura 3).
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Discussão
Os resultados deste estudo fornecem evidências de apoio de que a integração da tecnologia de detecção de atomização inteligente alimentada por IA na educação em saúde pode melhorar os resultados de aprendizagem em várias dimensões. Em comparação com o grupo controle, os participantes do grupo de intervenção apresentaram melhorias estatisticamente significativas em todas as cinco variáveis medidas, com os maiores ganhos observados na retenção de conhecimento (F = 18,73, SS = 62,47, p < 0,...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Sensores vestíveis AtomWear X100 | Shenzhen AtomTech Co., Ltd., China | X100 | Sensor vestível para monitoramento de frequência respiratória, temperatura ambiente e sinais de movimento (taxa de amostragem: 100 Hz, precisão: & plusmn; 0.1). |
| AI Engine (baseado em regras + classificador SVM) | Implementação personalizada | Python 3.9 com TensorFlow 2.10 e scikit-learn 0.24 | Algoritmo para suporte à decisão adaptativa: integra dados de sensores e ajusta a entrega instrucional. |
| Escala de Intenção Comportamental | Adaptado de Ajzen (1991), Teoria do Comportamento Planejado | 3 itens | Avalia a intenção de adotar práticas de saúde. |
| Escala de Engajamento | Adaptado de Sun et al. (2019) | 5 itens | Mede atenção, interação, envolvimento emocional, persistência e satisfação. |
| Teste de Retenção de Conhecimento (Pergunta de 15 itens) | Personalizado, alinhado com o conteúdo instrucional | Teste de múltipla escolha de 15 itens sobre exercício aeróbico e conhecimento em saúde. | |
| Configuração da Sala de Aula Multimídia | Salas de aula padrão do ensino superior | Sala de aula (~50 m²), projetor, estações base para conectividade de sensores. | |
| Pitão | Fundação de Software Python | Versão 3.9 | Ambiente de programação para motor de IA e pré-processamento. |
| scikit-learn | Código aberto | Versão 0.24 | Biblioteca de aprendizado de máquina para classificação SVM. |
| Escala de Autoeficácia | Adaptado de Bandura (1997) | 4 itens | Avalia a confiança na realização de exercícios de saúde. |
| Software de Estatísticas SPSS | IBM Corp., Armonk, NY, EUA | Versão 25 | Análise estatística (ANOVA, t-testes, correlação e chi; ² testes). |
| Escala de Aceitação de Tecnologia | Adaptado de UTAUT (Venkatesh et al., 2003) | 6 itens | Cobre expectativa de desempenho, expectativa de esforço, influência social e condições facilitadoras. |
| TensorFlow | Google Brain | Versão 2.10 | Biblioteca de aprendizado profundo usada em motores de IA. |
Referências
- 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).
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.