Bu protokol, mesleki beden eğitimi sırasında sağlık eğitimi içeriğini gerçek zamanlı olarak uyarlamak için solunumu, sıcaklığı ve hareketi izleyen yapay zeka güdümlü bir atomizasyon algılama sisteminin entegrasyonunu açıklar ve etkilerini altı haftalık bir yarı deney yoluyla değerlendirir.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Araştırma makalesi
Yapay Zeka, Yüksek Mesleki Eğitimde Geleneksel Beden Eğitimi Öğretimini Güçlendiriyor: Sağlık Eğitiminin Entegrasyonu için Yeni Yollar Keşfetmek
Bu makalede
Özet
Özet
Bu çalışma, uyarlanabilir sağlık eğitimini mesleki beden eğitimine entegre etmek için tasarlanmış yapay zeka destekli bir atomizasyon algılama sistemini değerlendirmektedir. Bir müdahale grubuna (n = 178) veya bir kontrol grubuna (n = 178) tahsis edilen 356 katılımcı ile yarı deneysel bir tasarım yapılmıştır. Sistem, öğretim içeriğini gerçek zamanlı olarak ayarlamak için kural tabanlı ve makine öğrenimi mantığı uygulayan bir yapay zeka motoruna bağlı giyilebilir atomizasyon sensörlerini (solunum düzenlerini, ortam sıcaklığını ve hareketi izleyen) kullandı - örneğin, karmaşıklığı azaltmak veya yorgunluk belirtileri tespit edildiğinde görsel-işitsel gösterilere geçmek. Oturumlar, altı hafta boyunca haftada iki kez sınıf ortamlarında yapıldı ve anketler müdahaleden hemen önce ve sonra uygulandı. Doğrulanmış araçlar kullanılarak beş sonuç değerlendirildi: bilgiyi akılda tutma, katılım, davranışsal niyet, öz yeterlilik ve teknoloji kabulü. İstatistiksel analizler ANOVA, eşleştirilmiş örneklem t-testleri, Pearson korelasyonları ve χ2 testlerini içeriyordu ve sonuçlar F(df1, df2), p,η 2 ve uygun olduğunda %95 güven aralıkları olarak rapor edildi. Müdahale grubu, bilginin akılda tutulmasında kontrol grubuna göre önemli ölçüde daha fazla gelişme elde etti (Δ = +21,7'ye karşı +10,6; F(1, 354) = 46.21, p < 0.001, η2 = 0.21), bağlılık (F(1, 354) = 39.87, p < 0.001, η2 = 0.18), davranışsal niyet (F(1, 354) = 42.55, p < 0.001, η2 = 0.19), öz-yeterlik (F(1, 354) = 27.63, p < 0.001, η2 = 0.13) ve teknoloji kabulü (F(1, 354) = 35.12, p < 0.001, η2 = 0.17). Bu bulgular, gerçek zamanlı algılamayı yapay zeka destekli karar desteğiyle birleştirmenin, mesleki beden eğitimi ortamlarında sağlık eğitimi sonuçlarını geliştirmek için tekrarlanabilir, uyarlanabilir bir çerçeve sağladığını göstermektedir.
Giriş
Sağlık eğitimi, bireylerin bilgi, tutum ve sağlıkla ilgili davranışlarını geliştiren modern halk sağlığının temel taşıdır1. Öz yönetim becerilerinin güçlendirilmesi, insanların bilinçli kararlar almasına, önleyici uygulamaları benimsemesine ve daha sağlıklı yaşam tarzlarına katılmasına olanak tanır2. Bununla birlikte, sınıf dersleri, basılı materyaller ve genel çevrimiçi modüller gibi geleneksel sunum yöntemleri genellikle sınırlı etkileşim ve kişiselleştirme sağlar3. Bu yaklaşımlar genellikle öğrencilerin gerçek zamanlı ihtiyaçlarına yanıt vermekte başarısız olur, bu da mütevazı katılım ve kısıtlı davranış değişikliği ile sonuçlanır4.
Son yıllarda teknolojiyle geliştirilmiş modeller bu sınırlamaları gidermeye çalıştı. Mobil e-öğrenme platformları erişimi genişletebilir ancak genellikle fizyolojik uyum olmadan standartlaştırılmış içerik sunar5. Yalnızca giyilebilir geri bildirim sistemleri, hareket veya dikkat düzeylerini yakalar ancak sensör verilerini nadiren öğretim tasarımına bağlar6. Mevcut yapay zeka tabanlı eğitim araçları, katılım modellerini analiz etmede ve otomatik geri bildirim sağlamada değer göstermektedir, ancak çoğu uygulama statik kaynaklara dayanır ve öğrencilerin durumlarına dinamik olarak uyum sağlamaz7. Sonuç olarak, gerçek zamanlı algılamayı, hem içeriği hem de sunumu öğrenci bağlamına göre uyarlayabilen uyarlanabilir öğretim yöntemleriyle entegre etme konusunda bir boşluk bulunmaktadır.
Bu boşluğu kapatmak için, çok parametreli fizyolojik ve çevresel izlemeyi mesleki beden eğitimine entegre eden yapay zeka destekli bir atomizasyon algılama sistemi sunuyoruz. Sistem, hafif bir giyilebilir cihaza yerleştirilmiş, yaklaşık 200 ms'lik bir gecikme süresiyle 50 Hz örnekleme hızında solunum modellerini, ortam sıcaklığını ve hareket sinyallerini algılayabilen giyilebilir sensörler kullanır8. Veri akışları, yorgunluk veya stres göstergelerini tespit etmek için kural tabanlı karar mantığını makine öğrenimi modelleriyle birleştiren bir yapay zeka motoru tarafından işlenir9. Bu tür tetikleyiciler meydana geldiğinde, sistem, örneğin içerik karmaşıklığını basitleştirerek veya görsel-işitsel gösterilere geçerek öğretim sunumunu uyarlar, böylece motivasyonu ve anlamayı sürdürür10. Yalıtılmış mobil platformlardan veya yalnızca sensörden oluşan çerçevelerden farklı olarak bu yaklaşım, algılama, karar verme ve uyarlanabilir öğretim iş akışlarını tekrarlanabilir bir protokol içinde birleştirir.
İlgili alanlardan elde edilen kanıtlar bu entegrasyonun potansiyelini desteklemektedir. Tıp ve mesleki eğitimdeki çalışmalar, yapay zeka tabanlı analitiğin, uyarlanabilir geri bildirim sağlandığında bilginin akılda tutulmasını ve katılımını iyileştirdiğini göstermektedir11,12. Sensör özellikli öğrenme ortamları ve IoT odaklı sağlık hizmetleri çerçeveleri, kişiselleştirilmiş müdahaleler için çok parametreli veri akışlarının faydalarını vurgulayarak %36,9'a varan gerçek zamanlı tahmin doğruluğu iyileştirmeleri elde etti13,14. Giyilebilir ve akıllı izleme ağları üzerine yapılan araştırmalar, davranışsal ve bağlamsal göstergeleri yakalayarak gelişmiş katılım ve mekansal farkındalığı daha da göstermektedir15,16. Mesleki beden eğitimi bağlamında, kişiselleştirilmiş öğretim modelleri, sağlığı geliştirici davranışları teşvik etmede geleneksel öğretim yaklaşımlarından önemli ölçüde daha iyi performans göstermiştir (%80'e karşı %32,5)17. Bu arada, başlangıçta aerosol terapileri ve çevresel izleme için geliştirilen atomizasyon algılama teknolojileri, son zamanlarda eğitim amaçlı kullanım için uyarlandı ve gerçek zamanlı olarak yüksek çözünürlüklü fizyolojik veri yakalamayı mümkün kıldı18,19. Bu umut verici yönlere rağmen, mevcut sistemlerin çoğu statik e-öğrenme veya izole giyilebilir uygulamalarla sınırlı kalıyor ve atomizasyon algılama ve yapay zeka odaklı uyarlanabilirliğin entegrasyonu yeterince keşfedilmemiş durumda.
Bu çalışma, giyilebilir atomizasyon algılamayı mesleki beden eğitiminde yapay zeka güdümlü öğretim uyarlaması ile birleştiren tekrarlanabilir bir protokol önererek bu boşluğu gidermektedir. Protokol özellikle beş temel sonuç üzerindeki etkisini değerlendiriyor: bilginin akılda tutulması, katılım, davranışsal niyet, öz yeterlilik ve teknolojinin kabulü.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
Bu çalışma, Shijiazhuang Demiryolu Teknolojisi Enstitüsü Kurumsal İnceleme Kurulu tarafından incelendi ve onaylandı. Tüm prosedürler Helsinki Bildirgesi'ne ve ilgili yerel düzenlemelere uygundu. Kullanılan ekipman ve yazılımlar Malzeme Tablosunda listelenmiştir.
1. Metodoloji
Bu çalışma, yüksek öğrenim ortamlarında dijital sağlık eğitimi için yapay zeka güdümlü bir atomizasyon algılama sistemini değerlendirmek için yarı deneysel bir tasarım kullandı. Veriler, önceki çalışmalardan uyarlanan doğrulanmış araçlar kullanılarak bilginin akılda tutulması, katılımı, davranışsal niyet, öz yeterliliği ve teknoloji kabulünü değerlendirmek için müdahaleden önce ve sonra toplandı. Algılama, yapay zeka karar verme ve uyarlanabilir öğretim sunumunun genel iş akışı, içeriği gerçek zamanlı olarak ayarlamak için fizyolojik ve çevresel sinyallerin kural tabanlı ve makine öğrenimi bileşenlerine nasıl entegre edildiğini özetleyen Şekil 1'de gösterilmektedir.
2. İstatistiksel analizler
Verilerin analizi SPSS 25 versiyonu kullanılarak yapıldı ve anlamlılık p 0,05 < olarak belirlendi. Dört istatistiksel yaklaşım uygulandı:
- ANOVA, aşağıdaki formül kullanılarak hesaplanan beş sonuç değişkeni arasında gruplar arası farklılıkları karşılaştırmak için kullanıldı:
burada MS, karelerin toplamlarının serbestlik derecelerine bölünmesiyle elde edilen ortalama kare değerlerini temsil eder. - Eşleştirilmiş örneklem t-testleri, test öncesinden son teste kadar grup içi iyileştirmeleri değerlendirdi:
burada d ortalama farktır, s_d farklılıkların standart sapması ve n örneklem büyüklüğüdür. - Kategorik sonuçlar ile grup dağılımı arasındaki ilişkileri incelemek için ki-kare testleri uygulandı:
burada O gözlemlenen frekans ve E beklenen frekanstır. - Sürekli değişkenler arasındaki ilişkilerin gücünü ve yönünü belirlemek için Pearson korelasyon katsayıları hesaplandı:
-1 ile 1 arasında değişen değerlerle, 0,5'in üzerindeki katsayılar orta ila güçlü pozitif korelasyonlar olarak yorumlandı.
3. Katılımcılar
Yaşları 18-45 arasında değişen toplam 356 katılımcı (M = 26.7, SS = 5.4) yükseköğretim kurumlarından işe alınmış, yaş ve temel teknolojik okuryazarlık için dahil edilme kriterlerini karşılamış ve bilgilendirilmiş onam vermiştir. Katılımcılar, rastgele sayı tablosu ile uyarlanabilir, yapay zeka destekli eğitim alan bir müdahale grubuna (n = 178) veya kişiselleştirme olmadan geleneksel modüller alan bir kontrol grubuna (n = 178) atandı. Tablo 1 temel özellikleri özetlemektedir; demografik özelliklerin katılımcı alt grupları arasındaki dağılımı, tablolaştırılmış istatistikleri tamamlayan ve başlangıçta grup karşılaştırılabilirliğini doğrulayan Şekil 2'de görselleştirilmiştir.
4. Aparat ve malzemeler
Platform, yorgunluk veya azalmış aktivite belirtileri üzerine uyarlanabilir dağıtımı tetiklemek için kural tabanlı mantık ve SVM sınıflandırmasını birleştiren bir yapay zeka motoruyla solunum düzenlerinin, ortam sıcaklığının ve hareketin giyilebilir algılanmasını entegre etti. Oturumlar, projektörler ve sensör baz istasyonları ile donatılmış standart multimedya sınıflarında (~50 m2) gerçekleştirildi, 45 dakika sürdü ve altı hafta boyunca haftada iki kez verildi.
5. Ölçüm aletleri
Tüm öz bildirim araçları 5'li Likert ölçeğinde uygulandı (1 = kesinlikle katılmıyorum - 5 = kesinlikle katılıyorum), daha yüksek puanlar hedef yapının daha güçlü bir şekilde onaylandığını gösteriyor. Maddeler, aksi belirtilmedikçe pozitif anahtarlandı ve ölçek puanları, kurucu maddelerinin ortalaması olarak hesaplandı.
6. Bilginin saklanması
Bilgiyi değerlendirmek için öğretim içeriğiyle uyumlu 15 maddelik çoktan seçmeli bir test kullanıldı (toplam puan aralığı 0-15). Daha yüksek puanlar, daha fazla bilgi edinimini yansıtıyordu. Örnek bir madde şuydu: "Aerobik egzersiz sırasında birincil enerji kaynağı nedir?"
7. Davranışsal niyet
Davranışsal niyet, Planlı Davranış Teorisi20'den uyarlanan 3 maddelik bir araçla ölçülmüştür. Temsili bir madde şuydu: "Önümüzdeki hafta sınıfta tanıtılan sağlık uygulamalarını benimsemeyi planlıyorum."
8. Nişan
Katılım, dikkat, etkileşim, duygusal katılım, sebat ve öğrenme tatminini yakalayan doğrulanmış bir öğrenme katılımı çerçevesinden uyarlanmış 5 maddelik bir araçla değerlendirildi21. Açıklayıcı bir ifade şuydu: "Öğrenme sürecinde odaklanabildim."
9. Öz yeterlik
Öz-yeterlik, algılanan yeteneğin yerleşik kavramsallaştırılmasına dayanan 4 maddelik bir araçla değerlendirildi. Örnek bir madde şuydu: "Sınıfta gösterilen sağlık egzersizlerini bağımsız olarak tamamlayabileceğimden eminim."
10. Teknoloji kabulü
Teknoloji kabulü, Performans Beklentisi, Çaba Beklentisi, Sosyal Etki ve kolaylaştırıcı koşulları kapsayan Birleşik Teknoloji Kabulü ve Kullanımı Teorisi'nin 6 maddelik bir uyarlaması ile ölçülmüştür. Temsili bir madde şuydu: "Bu sistemi kullanmak öğrenme performansımı artırabilir."
Bu çalışmada tüm araçlar kabul edilebilir ve güçlü bir iç tutarlılık göstermiştir: α = 0.87 (Bilgi), 0.82 (Davranışsal Niyet), 0.85 (Katılım), 0.84 (Öz yeterlik) ve 0.89 (Teknoloji Kabulü).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Deneysel sonuçlar
Yapay zeka destekli atomizasyon algılama sisteminin etkinliğini değerlendirmek için çok sayıda istatistiksel analiz gerçekleştirildi.
ANOVA bulguları, müdahale grubundaki katılımcıların kontrol grubundakilere göre sürekli olarak daha yüksek son test puanları elde etmesiyle, beş sonucun tamamında açık grup farklılıkları ortaya çıkardı (Tablo 2; Şekil 3).
Grup...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tartışma
Bu çalışmanın bulguları, yapay zeka destekli akıllı atomizasyon algılama teknolojisinin sağlık eğitimine entegre edilmesinin birçok boyutta öğrenme sonuçlarını iyileştirebileceğine dair destekleyici kanıtlar sunmaktadır. Kontrol grubuyla karşılaştırıldığında, müdahale grubundaki katılımcılar ölçülen beş değişkenin hepsinde istatistiksel olarak anlamlı iyileşmeler sergilediler ve en büyük kazanımlar bilginin akılda tutulmasında gözlendi (F = 18.73, SS = 62.47, p < 0.001), bunu davranışsal...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Hiç kimse.
Teşekkürler
Hiç kimse.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| AtomWear X100 giyilebilir sensörler | Shenzhen AtomTech Co., Ltd., Çin | X100 | Solunum frekansı, ortam sıcaklığı ve hareket sinyallerini izlemek için giyilebilir sensör (örnekleme hızı: 100 Hz, doğruluk: ± 0.1). |
| AI Engine (kural tabanlı + SVM sınıflandırıcısı) | Özel uygulama | Python 3.9 ile TensorFlow 2.10 ve scikit-learn 0.24 | Uyarlanabilir karar desteği için algoritma: sensör verilerini entegre eder ve öğretim sunumunu ayarlar. |
| Davranışsal Niyet Ölçeği | Ajzen (1991), Planlı Davranış Teorisi'nden uyarlanmıştır | 3 Ürün | Sağlık uygulamalarını benimseme niyetini değerlendirir. |
| Etkileşim Ölçeği | Sun ve ark. (2019) kaynaktan uyarlanmıştır | 5 ürün | Dikkat, etkileşim, duygusal katılım, ısrar ve tatmini ölçür. |
| Bilgi Tutma Testi (15 maddelik MCQ) | Özel, öğretim içeriğiyle uyumlu | Aerobik egzersiz ve sağlık bilgisi üzerine 15 maddelik çoktan seçmeli test. | |
| Multimedya Sınıfı Kurulumu | Standart yükseköğretim sınıfları | Sınıf (~50 m²), projektör, sensör bağlantısı için baz istasyonları. | |
| Piton | Python Yazılım Vakfı | Sürüm 3.9 | Yapay zeka motoru ve ön işleme için programlama ortamı. |
| scikit-learn | Açık kaynak | Sürüm 0.24 | SVM sınıflandırması için makine öğrenimi kütüphanesi. |
| Öz-Yeterlilik Ölçeği | Bandura'dan uyarlanmış (1997) | 4 Ürün | Sağlık egzersizleri yapma konusunda özgüveni değerlendirir. |
| SPSS İstatistik Yazılımı | IBM Corp., Armonk, NY, ABD | Sürüm 25 | İstatistiksel analiz (ANOVA, t-testleri, korelasyon χ ² testler). |
| Teknoloji Kabul Ölçeği | UTAUT'tan uyarlanmıştır (Venkatesh ve ark., 2003) | 6 Ürün | Performans beklentisi, çaba beklentisi, sosyal etki ve kolaylaştırıcı koşulları kapsar. |
| TensorFlow | Google Beyni | Sürüm 2.10 | AI motorunda kullanılan derin öğrenme kütüphanesi. |
Kaynaklar
- 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).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.