DOI: https://doi.org/10.1186/s40561-025-00411-3
تاريخ النشر: 2025-08-15
المؤلف: Jiewei Ma وآخرون
الموضوع الرئيسي: الألعاب التعليمية وت gamification
نظرة عامة
تتناول هذه الدراسة تحديات اكتساب المهارات في التربية البدنية عبر الإنترنت (OLPE) من خلال تطوير وتقييم نظام يعتمد على التعرف على الوضعيات مصمم لتقديم ملاحظات في الوقت الحقيقي. تم إجراء تجربة عشوائية محكومة لمدة 8 أسابيع ضمن دورة بادوانجين في جامعة، مقارنةً بين نظام الذكاء الاصطناعي وصيغة الدورة المفتوحة الضخمة التقليدية (MOOC). تشير النتائج إلى أن نظام الذكاء الاصطناعي حسّن بشكل كبير جودة حركة الطلاب، والطلاقة، واهتمام التعلم، والتعلم الذاتي. كشفت تحليل الوساطة أن الآلية الرئيسية لتعزيز اكتساب المهارات كانت زيادة مدة التعلم، والتي كانت أكثر تأثيرًا من التغيرات في الاهتمام أو التوجيه الذاتي.
في الختام، تسلط الأبحاث الضوء على فعالية نظام الملاحظات المدفوع بالذكاء الاصطناعي في تحسين اكتساب المهارات الحركية ومشاركة الطلاب في OLPE. تكمن قوة النظام في قدرته على تحويل زيادة المشاركة إلى زيادة حجم الممارسة، وهو عامل حاسم لتحسين الأداء. على الرغم من وعده في التغلب على تحديات التعليم عن بُعد للمهارات، يجب أن يركز التطوير المستقبلي للتكنولوجيا على تحسين الخوارزميات وتعزيز التعلم التكيفي. في نهاية المطاف، الهدف هو إنشاء بيئات تعليمية مختلطة حيث تكمل التكنولوجيا البيداغوجيا البشرية، مما يمكّن المعلمين من التركيز على الجوانب التحفيزية والشاملة للتدريب.
مقدمة
تناقش مقدمة ورقة البحث التحديات المتعلقة بتحقيق العدالة التعليمية في التربية البدنية عبر الإنترنت (PE)، لا سيما في سياق اكتساب المهارات التي تتطلب كفاءة جسدية. غالبًا ما تعتمد طرق التربية البدنية عبر الإنترنت التقليدية (OLPE)، مثل MOOCs، على عروض الفيديو ذات الاتجاه الواحد، والتي تفشل في توفير حلقة التغذية الراجعة التفاعلية اللازمة للمتعلمين. يؤدي ذلك إلى “عمى الممارسة”، حيث يكافح الطلاب لتقييم أدائهم وتصحيحه، مما يعيق في النهاية تطوير المهارات والتحفيز. على الرغم من ظهور ابتكارات مثل التعلم المدمج، إلا أنها لا تعالج بالكامل الحاجة إلى توجيه حركي قابل للتوسع وفي الوقت الحقيقي.
تقترح الورقة أن الأنظمة المدعومة بالذكاء الاصطناعي التي تستخدم تقنية التعرف على الوضعيات يمكن أن تعيد بشكل فعال محاكاة التعليم الخبيري من خلال تقديم تقييمات آلية وملاحظات شخصية. ومع ذلك، ركزت الأبحاث الحالية بشكل أساسي على الجوانب التكنولوجية، متجاهلة الأبعاد البيداغوجية والنفسية للتعلم. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال استخدام إطار نظري يدمج نظرية التعلم الحركي، ونظرية الحمل المعرفي، ونظرية تحديد الذات. تبحث الدراسة بشكل خاص في تنفيذ نظام ملاحظات مدعوم بالذكاء الاصطناعي في دورة بادوانجين عبر الإنترنت، وهي تمرين صيني تقليدي. تسترشد الدراسة بأربعة أسئلة بحثية تستكشف فعالية نظام الذكاء الاصطناعي في تحسين المهارات الحركية، وتعزيز اهتمام التعلم، وفهم الآليات الوسيطة، وتقييم تصورات الطلاب حول تجربة التعلم. من خلال هذه التحقيق، تسعى الدراسة إلى تقديم أدلة تجريبية ورؤى نظرية حول دور الذكاء الاصطناعي في تعزيز OLPE.
طرق البحث
استخدمت الدراسة تصميم تجربة عشوائية محكومة لمدة 10 أسابيع، تتضمن اختبارًا قبليًا واختبارًا بعديًا لتقييم تأثير نظام الملاحظات المدعوم بالذكاء الاصطناعي على كفاءة المشاركين في بادوانجين. في الأسبوع الأول، حضر جميع المشاركين توجيهًا عبر الإنترنت، وقدموا موافقة مستنيرة، وأكملوا تقييمًا أساسيًا يقيس اهتمامهم بالتربية البدنية، وقدرتهم على التعلم الذاتي، ومهارات بادوانجين الأولية. من الأسبوع الثاني إلى التاسع، تم تخصيص المشاركين إما لمجموعة ملاحظات الذكاء الاصطناعي، التي تلقت ملاحظات تصحيحية في الوقت الحقيقي خلال جلسات الممارسة، أو مجموعة MOOC-Only، التي استخدمت موارد الفيديو القياسية مع ملاحظات متأخرة من المعلمين.
في الأسبوع الأخير، خضعت كلا المجموعتين لاختبار بعدي مطابق للاختبار القبلي، لتقييم تقدمهم. بالإضافة إلى ذلك، شارك مجموعة فرعية من المشاركين من المجموعة التجريبية في مقابلات شبه منظمة لمناقشة تجاربهم التعليمية. لضمان الموضوعية، كان المعلمون الذين يقيمون مقاطع فيديو أداء بادوانجين غير مدركين لتخصيصات المجموعات للمشاركين، مما يقلل من التحيز المحتمل في التقييم. كانت هذه الصرامة المنهجية تهدف إلى تقديم رؤى موثوقة حول فعالية ملاحظات الذكاء الاصطناعي في تعزيز التعلم الذاتي في سياقات التربية البدنية.
النتائج
تشير نتائج الدراسة إلى أن تنفيذ نظام ملاحظات مدفوع بالذكاء الاصطناعي في الوقت الحقيقي يحسن بشكل ملحوظ أداء المهارات الحركية في دورة بادوانجين عبر الإنترنت مقارنةً بدورة مفتوحة ضخمة تقليدية (MOOC). كشفت التحليلات أن تحسين الأداء كان يُعزى بشكل أساسي إلى زيادة في إجمالي مدة تعلم الطلاب، بدلاً من أن تتأثر بعوامل نفسية مثل الاهتمام أو التوجيه الذاتي.
لتعزيز هذه النتائج الكمية، تم إجراء مقابلات شبه منظمة مع المشاركين من المجموعة التجريبية. حدد التحليل الموضوعي لمحتوى المقابلات أربعة مواضيع رئيسية قدمت رؤى أعمق حول تجارب الطلاب مع نظام التعلم المدعوم بالذكاء الاصطناعي، مما أغنى الفهم العام لتأثير هذا النهج التعليمي المبتكر.
المناقشة
تناقش هذه القسم نتائج دراسة قيمت فعالية نظام ملاحظات مدعوم بالذكاء الاصطناعي لتعلم المهارات الحركية في التربية البدنية عبر الإنترنت (OLPE)، مع التركيز بشكل خاص على تعليم بادوانجين. تسلط الأبحاث الضوء على منظور مزدوج حول OLPE: بينما ثبت أنه يؤثر إيجابيًا على مواقف الطلاب والنشاط البدني، فإنه يعاني أيضًا من قيود بيداغوجية كبيرة، ويرجع ذلك أساسًا إلى نقص التغذية الراجعة والتفاعل في الوقت الحقيقي. تعالج هذه الدراسة هذه القيود من خلال تنفيذ نظام ذكاء اصطناعي يوفر ملاحظات فورية وشخصية، مما يعزز اكتساب الطلاب للمهارات الحركية ومشاركتهم. تشير النتائج إلى أن النهج المدفوع بالذكاء الاصطناعي تفوق بشكل كبير على الطرق التقليدية، كما يتضح من تحسين درجات الأداء وزيادة اهتمام التعلم بين المشاركين.
علاوة على ذلك، تحدد الدراسة عاملاً وسيطًا حاسمًا في العلاقة بين ملاحظات الذكاء الاصطناعي واكتساب المهارات: حجم الممارسة. تشير النتائج إلى أن نظام الذكاء الاصطناعي لا يسهل فقط تقديم ملاحظات أفضل، بل يشجع أيضًا على زيادة المشاركة ومدة الممارسة، وهما أمران أساسيان لإتقان المهارات الحركية. تدعم البيانات النوعية من المشاركين هذه النتائج، موضحة كيف حول نظام الذكاء الاصطناعي تجربتهم التعليمية من الملاحظة السلبية إلى المشاركة النشطة، مما يعزز شعورهم بالإنجاز والتحفيز. ومع ذلك، تعترف الدراسة أيضًا بحدود الذكاء الاصطناعي، مشددة على أنه بينما يمكنه تعزيز الجوانب التقنية للتعلم بشكل فعال، فإنه لا يمكنه تكرار الدعم العاطفي الذي يقدمه المعلمون البشر بالكامل. بشكل عام، تدعو الأبحاث إلى دمج أنظمة الذكاء الاصطناعي كأدوات تكميلية في التربية البدنية، مما يعزز طرق التعليم التقليدية بدلاً من استبدالها.
القيود
تسلط قسم القيود الضوء على كل من نقاط القوة والقصور في نظام التعرف على الوضعيات المدعوم بالذكاء الاصطناعي المستخدم في الدراسة. بينما قدر المشاركون الملاحظات الفورية المشابهة لـ “مدرب شخصي”، والتي ساعدت بشكل كبير في فهمهم وتصحيح حركاتهم في بادوانجين، إلا أنهم حددوا أيضًا قيودًا حاسمة. شملت هذه القضايا دقة التعرف في البيئات المحدودة وأثناء الحركات المعقدة، بالإضافة إلى غياب الدعم العاطفي والتفسيرات المباشرة من النظام، مما أعاق فعاليته البيداغوجية.
تمتد قيود الدراسة أيضًا إلى حجم العينة ونطاقها، حيث كانت محصورة في طلاب دراسات جامعية من جامعة واحدة، مما قد يحد من إمكانية تعميم النتائج. يثير التركيز المحدد على بادوانجين، وهو تمرين بطيء، تساؤلات حول قابلية تطبيق نهج ملاحظات الذكاء الاصطناعي على الرياضات الأكثر ديناميكية. بالإضافة إلى ذلك، لم تسمح المدة القصيرة للتدخل بتقييم الاحتفاظ بالمهارات على المدى الطويل أو تأثير الجدة المحتمل. تشير تحليل الوساطة، بينما تحدد مدة التعلم كعامل مهم، إلى الحاجة إلى أحجام عينات أكبر لاستكشاف أدوار الهياكل النفسية الأخرى. يجب أن تهدف الأبحاث المستقبلية إلى تحسين دقة التكنولوجيا وتفاعليتها، والتحقيق في فعاليتها عبر مجموعات وسياقات متنوعة، واستكشاف نماذج التعلم التكيفي لتحسين تجربة التعلم العامة.
DOI: https://doi.org/10.1186/s40561-025-00411-3
Publication Date: 2025-08-15
Author(s): Jiewei Ma et al.
Primary Topic: Educational Games and Gamification
Overview
This study addresses the challenges of skill acquisition in online physical education (OLPE) by developing and evaluating a pose recognition-based system designed to provide real-time feedback. An 8-week randomized controlled trial was conducted within a university Baduanjin course, comparing the AI system to a traditional Massive Open Online Course (MOOC) format. The findings indicate that the AI system significantly improved students’ movement quality, fluency, learning interest, and self-directed learning. Mediation analysis revealed that the primary mechanism for enhanced skill acquisition was increased learning duration, which was more impactful than changes in interest or self-direction.
In conclusion, the research highlights the effectiveness of an AI-driven feedback system in improving motor skill acquisition and student engagement in OLPE. The system’s strength lies in its ability to convert heightened engagement into increased practice volume, a critical factor for performance enhancement. Despite its promise in overcoming the challenges of remote skill instruction, the technology’s future development should focus on refining algorithms and fostering adaptive learning. Ultimately, the goal is to create blended learning environments where technology complements human pedagogy, enabling instructors to concentrate on the motivational and holistic aspects of coaching.
Introduction
The introduction of the research paper discusses the challenges of achieving educational equity in online Physical Education (PE), particularly in the context of skill acquisition that requires embodied competence. Traditional Online Physical Education (OLPE) methods, such as MOOCs, often rely on one-way video demonstrations, which fail to provide the necessary interactive feedback loop for learners. This results in “practice blindness,” where students struggle to self-assess and correct their performance, ultimately hindering skill development and motivation. Although innovations like blended learning have emerged, they do not fully address the need for scalable, real-time motor skill guidance.
The paper proposes that AI-powered systems utilizing pose recognition technology can effectively replicate expert instruction by offering automated assessments and personalized feedback. However, existing research has primarily focused on the technological aspects, overlooking the pedagogical and psychological dimensions of learning. This study aims to fill that gap by employing a theoretical framework that integrates motor learning theory, cognitive load theory, and self-determination theory. The research specifically examines the implementation of an AI-powered feedback system in an online Baduanjin course, a traditional Chinese exercise. The study is guided by four research questions that explore the effectiveness of the AI system in improving motor skills, enhancing learning interest, understanding mediating mechanisms, and assessing student perceptions of the learning experience. Through this investigation, the study seeks to provide empirical evidence and theoretical insights into the role of AI in enhancing OLPE.
Methods
The study employed a 10-week randomized controlled trial design, comprising a pre-test and post-test to evaluate the effects of an AI-powered feedback system on participants’ Baduanjin proficiency. In the first week, all participants attended an online orientation, provided informed consent, and completed a baseline assessment measuring their interest in physical education, self-directed learning ability, and initial Baduanjin skills. From weeks 2 to 9, participants were assigned to either the AI-Feedback Group, which received real-time corrective feedback during practice sessions, or the MOOC-Only Group, which utilized standard video resources with delayed feedback from instructors.
In the final week, both groups underwent a post-test identical to the pre-test, assessing their progress. Additionally, a subset of participants from the experimental group participated in semi-structured interviews to discuss their learning experiences. To ensure objectivity, the instructors evaluating the Baduanjin performance videos were blinded to the participants’ group assignments, thereby minimizing potential scoring bias. This methodological rigor aimed to provide reliable insights into the effectiveness of AI feedback in enhancing self-directed learning in physical education contexts.
Results
The results of the study indicate that the implementation of an AI-driven, real-time feedback system markedly improves motor skill performance in an online Baduanjin course when compared to a traditional Massive Open Online Course (MOOC). The analysis revealed that the enhancement in performance was predominantly attributed to an increase in students’ total learning duration, rather than being influenced by psychological factors such as interest or self-directedness.
To further substantiate these quantitative findings, semi-structured interviews were conducted with participants from the experimental group. Thematic analysis of the interview transcripts identified four key themes that provided deeper insights into students’ experiences with the AI-assisted learning system, thereby enriching the overall understanding of the impact of this innovative educational approach.
Discussion
This section discusses the findings of a study that evaluated the effectiveness of an AI-powered feedback system for motor skill learning in Online Physical Education (OLPE), particularly focusing on Baduanjin instruction. The research highlights a dual perspective on OLPE: while it has been shown to positively influence student attitudes and physical activity, it also suffers from significant pedagogical limitations, primarily due to the lack of real-time feedback and interaction. This study addresses these limitations by implementing an AI system that provides immediate, personalized feedback, thereby enhancing students’ motor skill acquisition and engagement. The results indicate that the AI-driven approach significantly outperformed traditional methods, as evidenced by improved performance scores and increased learning interest among participants.
Furthermore, the study identifies a critical mediating factor in the relationship between AI feedback and skill acquisition: practice volume. The findings suggest that the AI system not only facilitates better feedback but also encourages greater engagement and practice duration, which are essential for mastering motor skills. Qualitative data from participants reinforce these results, illustrating how the AI system transformed their learning experience from passive observation to active engagement, thus fostering a sense of achievement and motivation. However, the study also acknowledges the limitations of AI, emphasizing that while it can effectively enhance the technical aspects of learning, it cannot fully replicate the emotional support provided by human instructors. Overall, the research advocates for the integration of AI systems as complementary tools in physical education, enhancing traditional teaching methods rather than replacing them.
Limitations
The section on limitations highlights both the strengths and shortcomings of the AI pose recognition system used in the study. While participants valued the real-time feedback akin to a “personal coach,” which significantly aided their understanding and correction of movements in Baduanjin, they also identified critical limitations. These included issues with recognition accuracy in constrained environments and during complex movements, as well as the absence of emotional support and direct explanations from the system, which hindered its pedagogical effectiveness.
The study’s limitations further extend to its sample size and scope, being confined to undergraduate students from a single university, which may restrict the generalizability of the findings. The specific focus on Baduanjin, a slow-paced exercise, raises questions about the applicability of the AI feedback approach to more dynamic sports. Additionally, the short duration of the intervention did not allow for an assessment of long-term skill retention or the potential novelty effect. The mediation analysis, while identifying learning duration as a significant factor, suggests the need for larger sample sizes to explore the roles of other psychological constructs. Future research should aim to enhance the technology’s accuracy and interactivity, investigate its effectiveness across diverse populations and contexts, and explore adaptive learning models to improve the overall learning experience.