Этот протокол описывает интеграцию сенсорной системы распыления под управлением искусственного интеллекта, которая отслеживает дыхание, температуру и движение для адаптации содержания санитарного просвещения в режиме реального времени во время профессионального физического образования, а также оценивает его эффекты с помощью шестинедельного квазиэксперимента.
Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
ИИ расширяет возможности традиционного преподавания физической культуры в высшем профессиональном образовании: поиск новых путей интеграции санитарного просвещения
В этой статье
Краткое содержание
Аннотация
В этом исследовании оценивается сенсорная система распыления под управлением искусственного интеллекта, предназначенная для интеграции адаптивного санитарного просвещения в профессиональное физическое образование. Был проведен квазиэкспериментальный дизайн с 356 участниками, распределенными либо в группу вмешательства (n = 178), либо в контрольную группу (n = 178). В системе использовались носимые датчики распыления (мониторинг дыхания, температуры окружающей среды и движения), подключенные к движку искусственного интеллекта, который применял логику на основе правил и машинного обучения для корректировки учебного контента в режиме реального времени, например, снижая сложность или переключаясь на аудиовизуальные демонстрации при обнаружении признаков усталости. Занятия проводились в классах два раза в неделю в течение шести недель, а опросы проводились непосредственно до и после вмешательства. Пять исходов оценивались с использованием валидированных инструментов: сохранение знаний, вовлеченность, поведенческое намерение, самоэффективность и принятие технологий. Статистический анализ включал ANOVA, t-критерий парной выборки, корреляции Пирсона и тесты χ2, с результатами, представленными в виде F(df1, df2), p, η2 и 95% доверительных интервалов, где это применимо. Группа вмешательства достигла значительно больших улучшений, чем контрольная группа, в сохранении знаний (Δ = +21,7 против +10,6; F(1, 354) = 46,21, p < 0,001, η2 = 0,21), вовлеченность (F(1, 354) = 39,87, p < 0,001, η2 = 0,18), поведенческое намерение (F(1, 354) = 42,55, p < 0,001, η2 = 0,19), самоэффективность (F(1, 354) = 27,63, p < 0,001, η2 = 0,13) и принятие технологии (F(1, 354) = 35,12, p < 0,001, η2 = 0,17). Эти результаты показывают, что сочетание зондирования в реальном времени с поддержкой принятия решений на основе искусственного интеллекта обеспечивает воспроизводимую адаптивную структуру для улучшения результатов санитарного просвещения в условиях профессиональной физкультуры.
Введение
Санитарное просвещение является краеугольным камнем современного общественного здравоохранения, улучшая знания, отношение и поведение, связанное со здоровьемлюдей 1. Укрепление навыков самоконтроля позволяет людям принимать обоснованные решения, применять профилактические методы и вести более здоровый образ жизни2. Тем не менее, традиционные методы преподавания, такие как лекции в классе, печатные материалы и общие онлайн-модули, часто обеспечивают ограниченную интерактивность иперсонализацию. Эти подходы, как правило, не отвечают потребностям учащихся в режиме реального времени, что приводит к умеренной вовлеченности и ограниченным изменениям в поведении4.
В последние годы усовершенствованные технологии модели были направлены на устранение этих ограничений. Мобильные платформы электронного обучения могут расширить доступ, но обычно предоставляют стандартизированный контент без физиологической адаптивности5. Системы обратной связи, предназначенные только для носимых устройств, фиксируют уровни движения или внимания, но редко связывают данные датчиков с учебным дизайном6. Существующие образовательные инструменты на основе ИИ демонстрируют ценность в анализе моделей вовлечения и предоставлении автоматизированной обратной связи, однако большинство реализаций полагаются на статические ресурсы и не адаптируются динамически к состояниям учащихся7. В результате, остается пробел в интеграции сенсорики в реальном времени с адаптивными методами обучения, которые могут адаптировать как содержание, так и подачу к контексту учащегося.
Чтобы восполнить этот пробел, мы представляем систему зондирования распыления под управлением искусственного интеллекта, которая интегрирует многопараметрический физиологический мониторинг и мониторинг окружающей среды в профессиональное физическое образование. В системе используются носимые датчики, способные обнаруживать паттерны дыхания, температуру окружающей среды и сигналы движения с частотой дискретизации 50 Гц, с задержкой около 200 мс, встроенные в легкое носимоеустройство8. Потоки данных обрабатываются механизмом искусственного интеллекта, который сочетает в себе логику принятия решений на основе правил с моделями машинного обучения для обнаружения индикаторов усталости или стресса9. Когда такие триггеры возникают, система адаптирует преподавание, например, упрощая сложность контента или переключаясь на аудиовизуальные демонстрации, тем самым поддерживая мотивацию ипонимание. В отличие от изолированных мобильных платформ или систем, основанных только на датчиках, этот подход объединяет процессы зондирования, принятия решений и адаптивного обучения в рамках воспроизводимого протокола.
Данные из смежных областей подтверждают потенциал такой интеграции. Исследования в области медицинского и профессионального образования показывают, что аналитика на основе ИИ улучшает запоминание знаний и вовлеченность при предоставлении адаптивной обратной связи11,12. Обучающие среды с использованием датчиков и системы здравоохранения, основанные на IoT, позволили повысить точность прогнозирования в режиме реального времени до 36,9%, что подчеркивает преимущества многопараметрических потоков данных для персонализированных вмешательств13,14. Исследования носимых и интеллектуальных сетей мониторинга также демонстрируют улучшение взаимодействия и пространственной осведомленности за счет захвата поведенческих и контекстуальных индикаторов15,16. В контексте профессионального физического воспитания персонализированные модели обучения значительно превзошли традиционные подходы к обучению (80% против 32,5%) в формировании поведения, способствующего укреплению здоровья17. Между тем, технологии зондирования распыления, первоначально разработанные для аэрозольной терапии и мониторинга окружающей среды, недавно были адаптированы для использования в образовательных целях, что позволяет собирать физиологические данные с высоким разрешением в режиме реального времени. Несмотря на эти многообещающие направления, большинство существующих систем по-прежнему ограничены статическим электронным обучением или изолированными носимыми приложениями, в результате чего интеграция зондирования распыления и адаптивности на основе искусственного интеллекта остается недостаточно изученной.
Настоящее исследование устраняет этот пробел, предлагая воспроизводимый протокол, который сочетает носимое зондирование распыления с учебной адаптацией под руководством искусственного интеллекта в профессиональном физическом образовании. В частности, протокол оценивает его влияние на пять ключевых результатов: сохранение знаний, вовлеченность, поведенческое намерение, самоэффективность и принятие технологий.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Протокол
Данное исследование было рассмотрено и одобрено Институциональным наблюдательным советом Шицзячжуанского института железнодорожных технологий. Все процедуры соответствовали Хельсинкской декларации и соответствующим местным нормативным актам. Используемое оборудование и программное обеспечение перечислены в Таблице материалов.
1. Методология
В этом исследовании использовался квазиэкспериментальный дизайн для оценки системы зондирования распыления под управлением искусственного интеллекта для цифрового медицинского образования в высших учебных заведениях. Данные были собраны до и после вмешательства для оценки сохранения знаний, вовлеченности, поведенческих намерений, самоэффективности и принятия технологий с использованием валидированных инструментов, адаптированных из предыдущей работы. Общий рабочий процесс зондирования, принятия решений с помощью ИИ и адаптивного обучения проиллюстрирован на рисунке 1, где показано, как физиологические сигналы и сигналы окружающей среды интегрируются в компоненты, основанные на правилах и машинном обучении, для корректировки контента в режиме реального времени.
2. Статистический анализ
Анализ данных проводился с помощью SPSS версии 25 со значением p < 0,05. Были применены четыре статистических подхода:
- ANOVA использовался для сравнения различий между группами по пяти переменным исхода, рассчитанным по формуле:
где MS представляет собой средние квадратичные значения, полученные из суммы квадратов, деленных на их степени свободы. - Парные выборочные t-критерии оценивали улучшения внутри группы от до до и после тестирования с помощью:
где d — средняя разность, s_d — стандартное отклонение различий, а n — размер выборки. - Тесты хи-квадрат применялись для изучения связи между категориальными исходами и распределением по группам:
где O — наблюдаемая частота, а E — ожидаемая частота. - Коэффициенты корреляции Пирсона были рассчитаны для определения силы и направления связей между непрерывными переменными:
со значениями в диапазоне от -1 до 1, где коэффициенты выше 0,5 интерпретировались как умеренные или сильные положительные корреляции.
3. Участники
Всего было набрано 356 участников в возрасте 18-45 лет (M = 26,7, SD = 5,4) из высших учебных заведений, соответствовали критериям включения по возрасту и базовой технологической грамотности и дали информированное согласие. Участники были распределены по таблице случайных чисел в группу вмешательства (n = 178), получающую адаптивные инструкции под руководством ИИ, или в контрольную группу (n = 178), получающую обычные модули без персонализации. В таблице 1 обобщены исходные характеристики; Распределение демографических характеристик по подгруппам участников визуализировано на рисунке 2, который дополняет табличную статистику и подтверждает сопоставимость групп на исходном уровне.
4. Аппаратура и материалы
Платформа объединила носимое распознавание дыхательных паттернов, температуры окружающей среды и движения с механизмом искусственного интеллекта, сочетающим логику на основе правил и классификацию SVM для запуска адаптивной доставки при признаках усталости или снижения активности. Занятия проводились в стандартизированных мультимедийных классах (~50м2), оборудованных проекторами и сенсорными базовыми станциями, длились 45 минут и проводились два раза в неделю в течение шести недель.
5. Измерительные приборы
Все инструменты самооценки применялись по 5-балльной шкале Лайкерта (1 = полностью не согласен до 5 = полностью согласен), при этом более высокие баллы указывают на более сильное одобрение целевого конструкта. Если не указано иное, элементы имели положительный ключ, а баллы по шкале рассчитывались как среднее арифметическое составляющих их элементов.
6. Сохранение знаний
Для оценки знаний использовался тест из 15 пунктов с несколькими вариантами ответов, согласованный с учебным содержанием (общий диапазон баллов от 0 до 15). Более высокие баллы отражают большее усвоение знаний. Например, вопрос: «Что является основным источником энергии во время аэробных упражнений?»
7. Поведенческое намерение
Поведенческое намерение измерялось с помощью инструмента, состоящего из трех пунктов, адаптированного из Теории запланированного поведения20. Репрезентативный вопрос звучал так: «Я намерен принять методы охраны здоровья, введенные в классе, в течение следующей недели».
8. Вовлеченность
Вовлеченность оценивалась с помощью инструмента из 5 пунктов, адаптированного на основе валидированной системы вовлеченности в обучение, привлечения внимания, взаимодействия, эмоциональной вовлеченности, настойчивости и удовлетворенности обучением21. В качестве иллюстрации можно привести следующее: «Мне удалось сохранить концентрацию во время процесса обучения».
9. Самоэффективность
Самоэффективность оценивалась с помощью инструмента, состоящего из 4 пунктов, основанного на установленной концептуализации воспринимаемой способности. В качестве примера можно привести следующее: «Я уверен, что смогу самостоятельно выполнять оздоровительные упражнения, демонстрируемые в классе».
10. Принятие технологии
Принятие технологий измерялось с помощью адаптации Единой теории принятия и использования технологии из 6 пунктов, охватывающей ожидаемую производительность, ожидаемые усилия, социальное влияние и условия фасилитации. Одним из показательных пунктов было следующее: «Использование этой системы может повысить мою успеваемость».
В настоящем исследовании все инструменты продемонстрировали приемлемую или сильную внутреннюю согласованность: α = 0,87 (знания), 0,82 (поведенческие намерения), 0,85 (вовлеченность), 0,84 (самоэффективность) и 0,89 (принятие технологий).
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Результаты
Экспериментальные результаты
Чтобы оценить эффективность системы зондирования распыления на основе искусственного интеллекта, был проведен множественный статистический анализ.
Результаты ANOVA выявили явные групповые различия по всем пяти исходам, при этом участники в группе вмешательства достигали стабильно более высоких баллов после тестирования, чем в контрольной группе (Таблица 2; Рисунок 3).
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Обсуждение
Результаты этого исследования свидетельствуют о том, что интеграция технологии интеллектуального зондирования распыления на основе искусственного интеллекта в санитарное просвещение может улучшить результаты обучения по многим направлениям. По сравнению с контрольной группой, участники группы вмешательства продемонстрировали статистически значимые улучшения по всем пяти измеряемым переменным, при этом наибольший прирост наблюдался в запоминании знаний (F = 18,73, SS = 62,47, p < 0,001), ...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Носимые сенсоры AtomWear X100 | Shenzhen AtomTech Co., Ltd., Китай | X100 | Носимый датчик для мониторинга частоты дыхания, температуры окружающей среды и сигналов движения (частота дискретизации: 100 Гц, точность и плюсм; 0.1). |
| Движок искусственного интеллекта (на основе правил + классификатор SVM) | Пользовательская реализация | Python 3.9 с TensorFlow 2.10 и scikit-learn 0.24 | Алгоритм адаптивной поддержки принятия решений: интегрирует данные датчиков и корректирует подачу инструкций. |
| Шкала поведенческих намерений | Адаптировано из Ajzen (1991), Теория планового поведения | 3 пункта | Оценивает намерение внедрить оздоровительные практики. |
| Шкала вовлечения | Адаптировано по Sun и др. (2019) | 5 пунктов | Измеряет внимание, взаимодействие, эмоциональную вовлечённость, настойчивость и удовлетворённость. |
| Тест на удержание знаний (15 вопросов, MCQ) | Индивидуальный, согласованный с учебным содержанием | 15-пунктный тест с выбором ответа на аэробные упражнения и знания о здоровье. | |
| Настройка мультимедийного класса | Стандартные классы высшего образования | Класс (~50 m²), проектор, базовые станции для подключения датчиков. | |
| Питон | Фонд программного обеспечения Python | Версия 3.9 | Среда программирования для движка ИИ и предобработки. |
| scikit-learn | Открытый исходный код | Версия 0.24 | Библиотека машинного обучения для классификации SVM. |
| Шкала самоэффективности | Адаптация фильма «Бандура» (1997) | 4 предмета | Оценивает уверенность в выполнении оздоровительных упражнений. |
| Программное обеспечение для статистики SPSS | IBM Corp., Армонк, Нью-Йорк, США | Версия 25 | Статистический анализ (ANOVA, t-тесты, корреляция и CHI; ² тесты). |
| Шкала принятия технологий | Адаптировано из UTAUT (Venkatesh и др., 2003) | 6 предметов | Охватывает ожидаемую производительность, ожидаемость усилий, социальное влияние и условия, способствующие созданию результатов. |
| TensorFlow | Google Brain | Версия 2.10 | Библиотека глубокого обучения, используемая в движке ИИ. |
Ссылки
- 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).
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.