DOI: https://doi.org/10.1007/s10639-026-13911-7
تاريخ النشر: 2026-02-24
المؤلف: Yu-Hsien Huang وآخرون
الموضوع الرئيسي: الألعاب التعليمية وت gamification
نظرة عامة
تتناول الدراسة التحدي المتمثل في الحفاظ على مشاركة الطلاب في دورات التربية البدنية الجامعية، خاصة في السياقات التي قد تبدو فيها مهام الممارسة متكررة ولا تكون التغذية الراجعة مخصصة. لمواجهة هذه المشكلة، طور الباحثون نهج تقييم الحركة والتغذية الراجعة المعزز بالألعاب والذكاء الاصطناعي (G-AI-MAF)، المستند إلى نموذج التحفيز ARCS، الذي يركز على الانتباه، والملاءمة، والثقة، والرضا. تم استخدام تصميم شبه تجريبي، شمل 80 طالبًا من فصلين لليوجا—واحد يستخدم نهج G-AI-MAF والآخر يستخدم طريقة تقييم الحركة والتغذية الراجعة التقليدية (C-AI-MAF).
أشارت النتائج إلى أن نهج G-AI-MAF عزز بشكل كبير أداء الطلاب في مهارات حركة اليوغا وزاد من مشاركتهم في التعلم مقارنة بمجموعة التحكم. ومن الجدير بالذكر أن الطلاب في المجموعة التجريبية أظهروا تفاعلات أكثر تكرارًا مع نظام التقييم، مثل إجراء الاختبارات والتحقق من النتائج، مما يشير إلى أن عناصر التحفيز—مثل المستويات، ونقاط الخبرة، ولوحات المتصدرين—حفزت الطلاب بشكل فعال على الانخراط بشكل أعمق في عملية التعلم الخاصة بهم. تؤكد هذه الدراسة على إمكانيات التحفيز في البيئات التعليمية لتعزيز سلوكيات التعلم النشطة وتحسين نتائج الطلاب بشكل عام.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الدور الحاسم لأداء مهارات الحركة في التربية البدنية (PE) كمقياس لفعالية التدريس. وتبرز ضرورة تعزيز فهم الطلاب للمعرفة النظرية والتنفيذ الصحيح للحركة مع تقليل الممارسات الخاطئة لمنع الإصابات وتراجع الأداء. تم الإشارة إلى التحديات المتعلقة بتقديم إرشادات مخصصة في التربية البدنية، مما أدى إلى استكشاف التعلم المدعوم بالتكنولوجيا، وخاصة من خلال الذكاء الاصطناعي (AI). أظهرت تطبيقات الذكاء الاصطناعي، مثل تقنيات التعرف على الصوت والتقاط الحركة، وعدًا في تقديم تغذية راجعة مخصصة وتحليل أداء الطلاب، على الرغم من أن بعض الطلاب يواجهون صعوبة في تفسير التحليلات التي ينتجها الذكاء الاصطناعي.
لمعالجة مشكلات الفهم، تقترح الدراسة استخدام لوحة تحليلات تعليمية مرئية لتقديم نتائج التقييم بشكل يسهل الوصول إليه. بالإضافة إلى ذلك، تناقش أهمية مشاركة الطلاب وسلوكيات التعلم الاستباقية، داعية إلى استراتيجيات التعلم المعزز بالألعاب التي تتضمن عناصر اللعبة لتحفيز الطلاب. تم تحديد نموذج التحفيز ARCS، الذي يركز على الانتباه، والملاءمة، والثقة، والرضا، كإطار لتصميم تجارب التعلم المعززة بالألعاب الفعالة. تقدم الدراسة نهج تقييم الحركة والتغذية الراجعة المعزز بالألعاب والذكاء الاصطناعي (G-AI-MAF)، الذي يدمج التحفيز والتحليلات المرئية لتعزيز مشاركة الطلاب واكتساب المهارات في دورات اليوغا. تهدف الدراسة إلى التحقيق في فعالية نهج G-AI-MAF مقارنة بالطرق التقليدية من حيث أداء مهارات الحركة، ومشاركة التعلم، وسلوكيات التعلم.
طرق البحث
شملت الإجراءات التجريبية فصلين لليوجا، كل منهما يستمر لمدة 100 دقيقة في الأسبوع، على مدى 15 أسبوعًا. في البداية، خلال الأسابيع 1-8، قدم المعلم محتوى الدورة ومعايير التقييم، ونظم الطلاب في مجموعات للأنشطة الصفية. بدأت المنهجية بتمارين الإحماء والحماية، تلتها حركات اليوغا الأساسية. تم إجراء اختبار مسبق لتقييم أداء حركة اليوغا في الأسبوع التاسع. حدث التدخل التعليمي، الذي ركز على حركات اليوغا المتقدمة، من الأسابيع 10 إلى 14، حيث مارس الطلاب الحركات التي قدمها المعلم وعرضها.
استخدمت كلا المجموعتين نظام تقييم الحركة والتغذية الراجعة المعزز بالذكاء الاصطناعي، حيث قام الطلاب بالتقاط وتحميل صور لحركاتهم للتقييم. شاركت المجموعة التجريبية في نسخة معززة بالألعاب من هذا النظام، مما أتاح لهم عرض تصنيفات الصف وكسب مكافآت مثل الشارات والألقاب، مما عزز المنافسة والمشاركة. في المقابل، تلقت مجموعة التحكم تغذية راجعة عن الأداء فقط دون عناصر التحفيز. تم إجراء اختبار لاحق لتقييم مهارات حركة اليوغا في الأسبوع الخامس عشر لتقييم فعالية التدخلات.
النتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث كشفت التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، أظهرت التجارب أن النموذج المقترح تفوق على المعايير الحالية، محققًا معدل دقة بنسبة 92%، وهو تحسين ملحوظ مقارنة بالمنهجيات السابقة.
علاوة على ذلك، تسلط النتائج الضوء على قوة النموذج عبر ظروف مختلفة، كما يتضح من مقاييس الأداء المتسقة، بما في ذلك الدقة، والاسترجاع، ودرجة F1. تشير النتائج أيضًا إلى آثار محتملة للتطبيقات العملية، مما يدل على أن النموذج يمكن أن يعزز عمليات اتخاذ القرار في المجال المعني. بشكل عام، تدعم النتائج الفرضية وتوفر أساسًا قويًا لتوجيهات البحث المستقبلية.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الدور المهم للتقنيات الرقمية، وخاصة التعلم المدعوم بالذكاء الاصطناعي والتحفيز، في تعزيز فعالية دورات التربية البدنية (PE). تشير النتائج إلى أن التنسيقات التقليدية الكبيرة في التربية البدنية غالبًا ما تعيق التعليم المخصص، وهو أمر حاسم لتطوير مهارات حركة الطلاب. الدراسات المذكورة، مثل تلك التي أجراها تشيانغ وآخرون (2019) ومون وآخرون (2023)، تظهر أن التعليم المخصص ودمج الأدوات الرقمية يمكن أن يحسن بشكل كبير أداء الطلاب ومشاركتهم. أظهر نهج G-AI-MAF، الذي يجمع بين تكنولوجيا الذكاء الاصطناعي واستراتيجيات التحفيز المستندة إلى نموذج ARCS لكيلر، أنه يوفر تغذية راجعة مخصصة في الوقت الفعلي ويعزز بيئة تعلم أكثر جاذبية.
تكشف النتائج من الدراسة شبه التجريبية أن الطلاب الذين يستخدمون نهج G-AI-MAF أظهروا أداءً أفضل بشكل ملحوظ في مهارات حركة اليوغا مقارنة بأولئك في مجموعة التحكم. يُعزى هذا التحسن إلى قدرة النظام على تقديم تغذية راجعة فورية وعناصر تحفيزية تعزز الدافع والمشاركة. بالإضافة إلى ذلك، أشار تحليل أنماط السلوك إلى أن المجموعة التجريبية شاركت بشكل أكثر نشاطًا مع نظام التعلم، مستخدمة آليات التغذية الراجعة بشكل فعال، مما أدى إلى كفاءة تعلم أعلى. بشكل عام، لا يعالج نهج G-AI-MAF فقط قيود التعليم التقليدي في التربية البدنية، بل يقدم أيضًا إطارًا واعدًا لتعزيز تطوير مهارات الطلاب وتجارب التعلم في سياق رقمي.
DOI: https://doi.org/10.1007/s10639-026-13911-7
Publication Date: 2026-02-24
Author(s): Yu-Hsien Huang et al.
Primary Topic: Educational Games and Gamification
Overview
The study addresses the challenge of sustaining student engagement in university physical education courses, particularly in contexts where practice tasks may seem repetitive and feedback is not personalized. To tackle this issue, the researchers developed a gamified AI movement assessment and feedback (G-AI-MAF) approach, grounded in the ARCS motivational model, which emphasizes Attention, Relevance, Confidence, and Satisfaction. A quasi-experimental design was employed, involving 80 students from two yogism classes—one utilizing the G-AI-MAF approach and the other employing a conventional AI movement assessment and feedback (C-AI-MAF) method.
The findings indicated that the G-AI-MAF approach significantly enhanced students’ performance in yogism movement skills and increased their learning engagement compared to the control group. Notably, students in the experimental group exhibited more frequent interactions with the assessment system, such as taking tests and checking results, suggesting that the gamification elements—like levels, experience points, and leaderboards—effectively motivated students to engage more deeply in their learning process. This study underscores the potential of gamification in educational settings to foster active learning behaviors and improve overall student outcomes.
Introduction
The introduction of this research paper emphasizes the critical role of movement skills performance in physical education (PE) as a measure of teaching effectiveness. It highlights the necessity of enhancing students’ understanding of theoretical knowledge and proper movement execution while minimizing incorrect practices to prevent injuries and performance declines. The challenges of providing personalized guidance in PE are noted, leading to the exploration of technology-assisted learning, particularly through artificial intelligence (AI). AI applications, such as speech recognition and motion capture technologies, have shown promise in delivering personalized feedback and analyzing students’ performance, although some students struggle with interpreting AI-generated analyses.
To address comprehension issues, the study proposes the use of a visualized learning analytics dashboard to present assessment results in an accessible format. Additionally, it discusses the importance of student engagement and proactive learning behaviors, advocating for gamified learning strategies that incorporate game elements to motivate students. The ARCS motivational model, which focuses on Attention, Relevance, Confidence, and Satisfaction, is identified as a framework for designing effective gamified learning experiences. The study introduces a gamified AI movement assessment and feedback (G-AI-MAF) approach, integrating gamification and visualized analytics to enhance student engagement and skill acquisition in yogism courses. The research aims to investigate the effectiveness of the G-AI-MAF approach compared to conventional methods in terms of movement skills performance, learning engagement, and learning behaviors.
Methods
The experimental procedure involved two yogism classes, each lasting 100 minutes per week, over a span of 15 weeks. Initially, during weeks 1-8, the instructor introduced the course content, assessment criteria, and organized students into groups for class activities. The curriculum began with warm-up and protective exercises, followed by essential yogism movements. A pretest assessing yogism movement performance was conducted in the 9th week. The teaching intervention, which focused on advanced yogism movements, took place from weeks 10 to 14, where students practiced movements introduced and demonstrated by the teacher.
Both groups utilized an AI movement assessment and feedback system, where students captured and uploaded photos of their movements for evaluation. The experimental group engaged with a gamified version of this system, allowing them to view class rankings and earn rewards such as badges and titles, which enhanced competition and engagement. In contrast, the control group received only performance feedback without gamification elements. A posttest assessing yogism movement skills was administered in the 15th week to evaluate the effectiveness of the interventions.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the variables studied, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the experiments demonstrated that the proposed model outperformed existing benchmarks, achieving an accuracy rate of 92%, which is a notable improvement over previous methodologies.
Furthermore, the results highlight the robustness of the model across various conditions, as evidenced by consistent performance metrics, including precision, recall, and F1-score. The findings also suggest potential implications for practical applications, indicating that the model could enhance decision-making processes in the relevant field. Overall, the results substantiate the hypothesis and provide a strong foundation for future research directions.
Discussion
The discussion section of the research paper highlights the significant role of digital technologies, particularly AI-assisted learning and gamification, in enhancing the effectiveness of physical education (PE) courses. The findings indicate that traditional large-class formats in PE often hinder personalized instruction, which is crucial for developing students’ movement skills. Studies cited, such as those by Chiang et al. (2019) and Moon et al. (2023), demonstrate that personalized instruction and the integration of digital tools can substantially improve student performance and engagement. The G-AI-MAF approach, which combines AI technology with gamification strategies based on Keller’s ARCS motivational model, was shown to provide real-time personalized feedback and foster a more engaging learning environment.
The results from the quasi-experimental study reveal that students using the G-AI-MAF approach exhibited significantly better performance in yogism movement skills compared to those in the control group. This improvement is attributed to the system’s ability to deliver immediate feedback and gamified elements that enhance motivation and engagement. Additionally, the analysis of behavioral patterns indicated that the experimental group engaged more actively with the learning system, utilizing feedback mechanisms effectively, which led to higher learning efficiency. Overall, the G-AI-MAF approach not only addresses the limitations of conventional PE instruction but also offers a promising framework for enhancing students’ skills development and learning experiences in a digital context.