韦东谊

Introduction Traditional ethnic sports such as Zhuang Daoyin demand precise movement, yet conventional demonstration–imitation–verbal correction limits feedback timeliness and individualization. Artificial intelligence (AI) real-time posture feedback offers a scalable option, but most evaluations emphasize technical outcomes and overlook learning processes. Grounded in self-determination theory (SDT), this study tested whether and how AI real-time feedback improves motivation and motor skill by engaging basic psychological needs, with competence as the hypothesized pathway. Methods In a 12-week field experiment, 12 intact classes (307 students; control n = 152, AI n = 155) were randomly allocated at the class level to an AI real-time feedback group or a traditional teaching group; three instructors each taught two classes per condition. Both groups received identical instruction; conditions differed only in feedback source during practice (RTMPose-based concurrent vs. teacher-led terminal feedback). Need satisfaction, motivational regulation (relative autonomy index, RAI), motor skill, and course satisfaction were assessed at pre- and post-test, and analyzed with linear mixed models and structural equation modeling (lavaan, MLR). Results The AI group showed significantly greater gains in competence ( d = 0.36, p = 0.003), autonomy ( d = 0.40, p = 0.001), motor skill ( d = 0.30, p = 0.010), and learning interest ( d = 0.38, p = 0.003), whereas relatedness was unaffected ( p = 0.974); intraclass correlations were negligible. In the structural model (CFI = 0.94, RMSEA = 0.04, SRMR = 0.04), group predicted competence ( β = 0.17), competence predicted RAI ( β = 0.34), and RAI predicted motor skill ( β = 0.30); the autonomy and relatedness paths were nonsignificant. The effect of AI feedback on motor skill was fully mediated by the competence-to-RAI sequence (indirect p = 0.023; direct p = 0.097). Discussion AI real-time feedback improved motor skill by strengthening competence and supporting motivational internalization, while leaving relatedness unaffected—providing discriminant evidence that the tool acts through its affordances rather than diffuse enthusiasm. Systems enhancing performance and learning should prioritize feedback that makes progress legible, within a human–AI division of labor where teachers provide relational support. In conclusion, AI real-time posture feedback can enhance motivation and motor skill learning by satisfying learners’ competence need.

مقدمه: ورزش‌های سنتی قومی مانند Zhuang Daoyin نیازمند حرکات دقیق هستند، اما روش‌های متداول نمایش–تقلید–اصلاح کلامی، بازخورد را از نظر زمان‌بندی و فردی‌سازی محدود می‌کنند. بازخورد بلادرنگ وضعیت بدن مبتنی بر هوش مصنوعی (AI) گزینه‌ای مقیاس‌پذیر ارائه می‌دهد، اما اغلب ارزیابی‌ها بر پیامدهای فنی تأکید دارند و فرایندهای یادگیری را نادیده می‌گیرند. این مطالعه با تکیه بر نظریه خودتعیین‌گری (SDT)، بررسی کرد که آیا و چگونه بازخورد بلادرنگ مبتنی بر هوش مصنوعی با درگیر کردن نیازهای روان‌شناختی پایه، به ویژه شایستگی به عنوان مسیر فرضی، انگیزش و مهارت حرکتی را بهبود می‌بخشد. روش‌ها: در یک آزمایش میدانی ۱۲ هفته‌ای، ۱۲ کلاس کامل (۳۰۷ دانش‌آموز؛ گروه کنترل n = 152، گروه هوش مصنوعی n = 155) به صورت تصادفی در سطح کلاس به گروه بازخورد بلادرنگ هوش مصنوعی یا گروه آموزش سنتی تخصیص یافتند؛ سه مدرس هر یک دو کلاس در هر شرایط را تدریس کردند. هر دو گروه آموزش یکسانی دریافت کردند؛ تفاوت شرایط فقط در منبع بازخورد در حین تمرین بود (بازخورد همزمان مبتنی بر RTMPose در مقابل بازخورد انتهایی توسط معلم). رضایت نیازها، تنظیم انگیزشی (شاخص خودمختاری نسبی، RAI)، مهارت حرکتی و رضایت از دوره در پیش‌آزمون و پس‌آزمون ارزیابی و با مدل‌های خطی آمیخته و مدل‌سازی معادلات ساختاری (lavaan، MLR) تحلیل شد. نتایج: گروه هوش مصنوعی افزایش معناداری در شایستگی (d = 0.36، p = 0.003)، خودمختاری (d = 0.40، p = 0.001)، مهارت حرکتی (d = 0.30، p = 0.010) و علاقه به یادگیری (d = 0.38، p = 0.003) نشان داد، در حالی که ارتباط‌مندی بدون تغییر بود (p = 0.974)؛ همبستگی‌های درون‌کلاسی ناچیز بودند. در مدل ساختاری (CFI = 0.94، RMSEA = 0.04، SRMR = 0.04)، گروه پیش‌بینی‌کننده شایستگی (β = 0.17)، شایستگی پیش‌بینی‌کننده RAI (β = 0.34) و RAI پیش‌بینی‌کننده مهارت حرکتی (β = 0.30) بود؛ مسیرهای خودمختاری و ارتباط‌مندی معنادار نبودند. اثر بازخورد هوش مصنوعی بر مهارت حرکتی به طور کامل توسط توالی شایستگی به RAI میانجی‌گری شد (p غیرمستقیم = 0.023؛ p مستقیم = 0.097). بحث: بازخورد بلادرنگ هوش مصنوعی با تقویت شایستگی و حمایت از درونی‌سازی انگیزشی، مهارت حرکتی را بهبود بخشید، در حالی که ارتباط‌مندی بدون تغییر باقی ماند—که شواهد افتراقی ارائه می‌دهد مبنی بر اینکه این ابزار از طریق قابلیت‌های خود عمل می‌کند نه صرفاً اشتیاق عمومی. سامانه‌هایی که عملکرد و یادگیری را ارتقا می‌دهند باید بازخوردی را در اولویت قرار دهند که پیشرفت را قابل مشاهده می‌کند، در چارچوب تقسیم کار انسان–هوش مصنوعی که در آن معلمان حمایت ارتباطی ارائه می‌دهند. در نتیجه، بازخورد بلادرنگ وضعیت بدن مبتنی بر هوش مصنوعی می‌تواند با ارضای نیاز به شایستگی یادگیرندگان، انگیزش و یادگیری مهارت‌های حرکتی را افزایش دهد.