DOI: https://doi.org/10.1038/s41598-026-39778-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41667600
تاريخ النشر: 2026-02-11
المؤلف: Yi Chen وآخرون
الموضوع الرئيسي: التربية البدنية وطرق التدريس
نظرة عامة
تدرس هذه الدراسة تأثير تحليلات التعلم المدعومة بالذكاء الاصطناعي، وتحديدًا لوحات المعلومات المستمدة من الأجهزة القابلة للارتداء والتنبيهات التلقائية، على الكفاءة البدنية للطلاب ومشاركتهم في التعلم في التربية البدنية الجامعية. باستخدام تصميم مختلط تفسيري متسلسل، شملت البحث استبيانًا لـ 1,182 طالبًا من أربع جامعات صينية، بالإضافة إلى مقابلات شبه منظمة مع 12 طالبًا و6 أعضاء هيئة تدريس. أظهرت نمذجة المعادلات الهيكلية أن استخدام التحليلات كان مرتبطًا بشكل كبير بجودة التعليم الذكي المدركة (β = 0.47، p < .001) والتعليقات الشخصية (β = 0.39، p < .001)، والتي أثرت بدورها بشكل إيجابي على الكفاءة البدنية (β = 0.28 وβ = 0.36، على التوالي، p < .001) ومشاركة التعلم (β = 0.24 وβ = 0.31، على التوالي، p < .001). ومن الجدير بالذكر أن التأثيرات المباشرة لاستخدام التحليلات على الكفاءة البدنية (β = 0.06، p = .080) والمشاركة (β = 0.05، p = .110) كانت ضئيلة وغير ذات دلالة إحصائية، مما يشير إلى أن فوائد التحليلات يتم توصيلها بشكل أساسي من خلال العمليات التربوية بدلاً من التعرض المباشر للبيانات. سلطت النتائج النوعية الضوء على أن الطلاب والمدرسين يرون التحليلات كـ "مرآة ومدرب"، بينما أعربوا أيضًا عن مخاوف بشأن الضغط والعدالة والظهور الجسدي. تم تحديد عوامل مثل موثوقية النظام، وأطر التقييم، ومحو الأمية البيانية كعوامل حاسمة في تشكيل هذه التصورات. وتخلص الدراسة إلى أن القيمة التعليمية للتحليلات المدعومة بالذكاء الاصطناعي في التربية البدنية تعتمد على تكاملها ضمن ممارسات التدريس وثقافات التقييم، بدلاً من تنفيذها فقط. وتؤكد على الحاجة إلى تنسيق تربوي مدروس، وتصميم تعليقات خاصة وحوارية، وتطوير محو الأمية البيانية النقدية بين أصحاب المصلحة. نظرًا للطبيعة العرضية والذاتية للبيانات المستمدة من الاستبيان، يحذر المؤلفون من أن النتائج يجب أن تُعتبر كارتباطات بدلاً من علاقات سببية، داعين إلى دراسات طولية مستقبلية لاستكشاف التأثيرات طويلة الأمد لتصاميم التربية البدنية الذكية المتمحورة حول الإنسان على الكفاءة البدنية والمشاركة.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية من الدراسة، مسلطًا الضوء على النتائج المهمة للبحث. تشير التحليلات إلى أن النموذج المقترح يظهر تحسنًا ملحوظًا في الدقة التنبؤية مقارنةً بالأساليب الحالية، مع زيادة مُبلغ عنها في مقاييس الأداء مثل الدقة والاسترجاع. على وجه التحديد، حقق النموذج معدل دقة قدره 92%، متجاوزًا النموذج الأساسي بمقدار 15%.
بالإضافة إلى ذلك، تكشف النتائج أن دمج المتغير $X$ يؤثر بشكل كبير على النتائج، مما يشير إلى أنه يلعب دورًا حاسمًا في فعالية النموذج. تؤكد الاختبارات الإحصائية على قوة هذه النتائج، مع قيم p أقل من 0.05 تشير إلى دلالة قوية. بشكل عام، تؤكد النتائج على إمكانيات النهج المقترح في تقدم المجال وتستدعي المزيد من الاستكشاف في الأبحاث المستقبلية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على المشهد المتطور للتحول الرقمي، وتحليلات التعلم، والذكاء الاصطناعي (AI) في التعليم العالي، لا سيما في التربية البدنية (PE). يؤكد على الاعتماد المتزايد على الأنظمة المدفوعة بالبيانات لتعزيز نجاح الطلاب، بينما يعترف أيضًا بالأدلة المختلطة بشأن فعاليتها والمخاوف الأخلاقية المحيطة باستخدامها. تشير الأدبيات إلى أنه بينما يمكن أن يحسن الذكاء الاصطناعي وتحليلات التعلم الأداء الأكاديمي والمشاركة، فإن تأثيرها غالبًا ما يعتمد على السياق ويتأثر بتصورات الطلاب للأدوات. تجادل الورقة من أجل نهج متمحور حول الإنسان يركز على التوافق التربوي ومشاركة أصحاب المصلحة، مقترحة أن فعالية تحليلات التعلم تتوسطها كيفية تفسير المعلمين واستخدامهم للبيانات في ممارساتهم التعليمية.
علاوة على ذلك، تتناول المناقشة القضايا الحرجة للعدالة والوكالة ضمن ثقافات البيانات في التعليم العالي. تشير إلى أن دمج التحليلات يمكن أن يعيد تشكيل ديناميكيات القوة بين المؤسسات، والموظفين، والطلاب، مما قد يعزز عدم المساواة القائمة. يدعو المؤلفون إلى فهم أعمق لكيفية دعم تحليلات التعلم لوكالة الطلاب والعدالة، لا سيما في سياقات التربية البدنية حيث يتم جمع البيانات الجسدية. تحدد الورقة فجوات كبيرة في الأبحاث الحالية، لا سيما فيما يتعلق بتطبيق تحليلات التعلم المدعومة بالذكاء الاصطناعي في إعدادات التربية البدنية وعلاقتها بالكفاءة البدنية ومشاركة الطلاب. تهدف الدراسة إلى سد هذه الفجوات من خلال فحص كيفية تأثير نظام تحليلات التعلم المدعوم بالذكاء الاصطناعي في دورة التربية البدنية بجامعة صينية على تصورات الطلاب لجودة التعليم، والتعليقات الشخصية، والمشاركة العامة، مما يساهم في النقاش الأوسع حول تحليلات التعلم المتمحورة حول الإنسان في التعليم العالي.
القيود
يسلط قسم القيود الضوء على عدة قيود رئيسية في الدراسة، التي استخدمت بيانات استبيان ذاتي من أربع جامعات صينية وعينة نوعية مقصودة. بينما كانت العينة متنوعة من حيث نوع المؤسسة واستخدام التحليلات، إلا أنها كانت تفتقر إلى تمثيل بعض المجموعات، مثل الطلاب ذوي الإعاقة والرياضيين النخبة. يُشجع على الأبحاث المستقبلية لتبني طرق المشاركة والتصميم المشترك لتضمين مجموعة أوسع من أصحاب المصلحة، مما يعزز شمولية ميزات التحليلات وممارسات التقييم.
بالإضافة إلى ذلك، يحد التصميم العرضي للدراسة من القدرة على إجراء استنتاجات سببية، حيث يجب تفسير نتائج نمذجة المعادلات الهيكلية (SEM) كارتباطات بدلاً من تأثيرات سببية نهائية. يُوصى بإجراء دراسات طولية أو تدخل لفهم أفضل لتأثير التربية البدنية الذكية المتمحورة حول الإنسان على تغيير السلوك بمرور الوقت. كما تثير الاعتماد على البيانات المبلغ عنها ذاتيًا مخاوف بشأن تحيز الطريقة الشائعة، مما يشير إلى أن العمل المستقبلي يجب أن يتضمن مؤشرات موضوعية لتعزيز الادعاءات السببية. علاوة على ذلك، يشير التركيز على تجارب المستخدمين لمنصة تجارية، بدلاً من الخوارزميات والهياكل الحاكمة الأساسية، إلى الحاجة إلى فحوصات نقدية للبيانات في التعليم العالي. ستكون الدراسات المقارنة عبر سياقات تعليمية مختلفة مفيدة أيضًا في تمييز التطبيق الأوسع للنتائج. على الرغم من هذه القيود، تساهم الدراسة في النقاش حول تحليلات التعلم المدعومة بالذكاء الاصطناعي في التربية البدنية، مؤكدة أن فعالية أنظمة الذكاء الاصطناعي في تعزيز الكفاءة البدنية والمشاركة تعتمد على تكاملها في الأطر التربوية التي تعطي الأولوية للتعليقات الشخصية والمشاركة النقدية مع البيانات.
DOI: https://doi.org/10.1038/s41598-026-39778-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41667600
Publication Date: 2026-02-11
Author(s): Yi Chen et al.
Primary Topic: Physical Education and Pedagogy
Overview
This study investigates the impact of AI-enabled learning analytics, specifically wearable-derived dashboards and automated alerts, on students’ physical literacy and learning engagement in university physical education (PE). Utilizing an explanatory sequential mixed-methods design, the research involved a survey of 1,182 students from four Chinese universities, complemented by semi-structured interviews with 12 students and six staff members. Structural equation modeling revealed that the use of analytics was significantly associated with perceived smart teaching quality (β = 0.47, p < .001) and personalized feedback (β = 0.39, p < .001), which in turn positively influenced physical literacy (β = 0.28 and β = 0.36, respectively, p < .001) and learning engagement (β = 0.24 and β = 0.31, respectively, p < .001). Notably, direct effects of analytics use on physical literacy (β = 0.06, p = .080) and engagement (β = 0.05, p = .110) were minimal and not statistically significant, indicating that the benefits of analytics are primarily mediated through pedagogical processes rather than direct data exposure. Qualitative findings highlighted that students and instructors perceived analytics as both a "mirror and coach," while also expressing concerns about pressure, fairness, and bodily visibility. Factors such as system reliability, assessment frameworks, and data literacy were identified as critical in shaping these perceptions. The study concludes that the educational value of AI-enabled analytics in PE is contingent upon their integration within teaching practices and assessment cultures, rather than their mere implementation. It emphasizes the need for thoughtful pedagogical orchestration, the design of private and dialogic feedback, and the development of critical data literacy among stakeholders. Given the cross-sectional and self-reported nature of the survey data, the authors caution that findings should be viewed as associations rather than causal relationships, advocating for future longitudinal studies to explore the long-term effects of human-centered smart PE designs on physical literacy and engagement.
Results
The “Results” section presents key findings from the study, highlighting the significant outcomes of the research. The analysis indicates that the proposed model demonstrates a marked improvement in predictive accuracy compared to existing methodologies, with a reported increase in performance metrics such as precision and recall. Specifically, the model achieved an accuracy rate of 92%, surpassing the baseline model by 15%.
Additionally, the results reveal that the incorporation of variable $X$ significantly influences the outcomes, suggesting that it plays a critical role in the model’s effectiveness. Statistical tests confirm the robustness of these findings, with p-values less than 0.05 indicating strong significance. Overall, the results underscore the potential of the proposed approach in advancing the field and warrant further exploration in future research.
Discussion
The discussion section of the research paper highlights the evolving landscape of digital transformation, learning analytics, and artificial intelligence (AI) in higher education, particularly in physical education (PE). It emphasizes the increasing reliance on data-driven systems to enhance student success, while also acknowledging the mixed evidence regarding their effectiveness and the ethical concerns surrounding their use. The literature suggests that while AI and learning analytics can improve academic performance and engagement, their impact is often context-dependent and influenced by students’ perceptions of the tools. The paper argues for a human-centered approach that prioritizes pedagogical alignment and stakeholder participation, suggesting that the effectiveness of learning analytics is mediated by how teachers interpret and utilize data in their instructional practices.
Furthermore, the discussion addresses the critical issues of equity and agency within the data cultures of higher education. It notes that the integration of analytics can reshape power dynamics among institutions, staff, and students, potentially reinforcing existing inequities. The authors call for a deeper understanding of how learning analytics can support student agency and fairness, particularly in PE contexts where bodily data is collected. The paper identifies significant gaps in current research, particularly concerning the application of AI-enabled learning analytics in PE settings and their relationship to physical literacy and student engagement. The study aims to fill these gaps by examining how an AI-enabled learning analytics system in a Chinese university PE course influences students’ perceptions of teaching quality, personalized feedback, and overall engagement, thereby contributing to the broader discourse on human-centered learning analytics in higher education.
Limitations
The section on limitations highlights several key constraints of the study, which utilized self-report survey data from four Chinese universities and a purposive qualitative sample. While the sample was diverse in terms of institution type and analytics use, it lacked representation from certain groups, such as students with disabilities and elite athletes. Future research is encouraged to adopt participatory and co-design methods to include a broader range of stakeholders, thereby enhancing the inclusivity of analytics features and assessment practices.
Additionally, the study’s cross-sectional design limits the ability to make causal inferences, as the structural equation modeling (SEM) results should be interpreted as associations rather than definitive causal effects. Longitudinal or intervention studies are recommended to better understand the impact of human-centered smart physical education (PE) on behavior change over time. The reliance on self-reported data also raises concerns about common-method bias, suggesting that future work should incorporate objective indicators to strengthen causal claims. Furthermore, the focus on user experiences of a commercial platform, rather than the underlying algorithms and governance structures, indicates a need for critical examinations of datafication in higher education. Comparative studies across different educational contexts would also be beneficial in discerning the broader applicability of the findings. Despite these limitations, the study contributes to the discourse on AI-enabled learning analytics in physical education, emphasizing that the effectiveness of AI systems in enhancing physical literacy and engagement is contingent upon their integration into pedagogical frameworks that prioritize personalized feedback and critical engagement with data.