motor skill learning

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.

This exploratory cluster-randomized pilot study investigated the individual and combined effects of Video Self-Modeling (VSM) and preferred music during warm-up on physical, technical, and psychological performance following a nine-week shot-put learning program in secondary school students. Eighty students, nested within four intact classes, were allocated to four conditions at the class level (one class per condition): neutral self-talk with no music (control), VSM only, preferred music only (PM), and combined VSM plus preferred music (CVSMPM). Shot-put distance, technical execution, rating of perceived exertion, feeling scale, and situational motivation (SIMS) were assessed. Physical performance improved significantly in all groups. Because randomization occurred at the class level with a single class per condition, intervention and class-level effects cannot be statistically separated; results are reported as descriptive contrasts. Descriptive contrast analysis showed medium-to-large effect-size differences favoring the combined intervention over control on physical and technical performance at formative (0.79 < d < 1.50) and summative assessments (0.62 < d < 1.32). Feeling-scale scores increased with large-to-very-large effects in CVSMPM and PM (1.34 < d < 2.02), and situational motivation improved with medium-to-large effects in CVSMPM (0.87 < d < 1.69) and PM (0.79 < d < 1.21). CVSMPM showed the most consistent pattern of medium-to-large effect-size differences in motor skill acquisition, technical proficiency, and psychological engagement relative to the other conditions. Given the cluster design and exploratory analyses, these findings should be regarded as preliminary and hypothesis-generating.

این مطالعه مقدماتی به‌صورت خوشه‌ای و تصادفی‌شده، تأثیرات فردی و ترکیبی مدل‌سازی ویدیویی از خود (VSM) و موسیقی ترجیحی در حین گرم‌کردن را بر عملکرد جسمانی، فنی و روان‌شناختی پس از یک برنامه نه‌هفته‌ای آموزش پرتاب وزنه در دانش‌آموزان دبیرستانی بررسی کرد. هشتاد دانش‌آموز، که در چهار کلاس مجزا قرار داشتند، در سطح کلاس به چهار وضعیت تخصیص یافتند (هر کلاس یک وضعیت): گفتار درونی خنثی بدون موسیقی (گروه کنترل)، فقط VSM، فقط موسیقی ترجیحی (PM) و ترکیب VSM به‌علاوه موسیقی ترجیحی (CVSMPM). فاصله پرتاب وزنه، اجرای فنی، ارزیابی ادراک‌شده از تلاش، مقیاس احساس و انگیزش موقعیتی (SIMS) مورد ارزیابی قرار گرفت. عملکرد جسمانی در همه گروه‌ها به‌طور معناداری بهبود یافت. از آنجا که تصادفی‌سازی در سطح کلاس و با یک کلاس برای هر وضعیت انجام شد، تأثیرات مداخله و سطح کلاس از نظر آماری قابل تفکیک نیست؛ نتایج به‌صورت مقایسه‌های توصیفی گزارش شده‌اند. تحلیل مقایسه‌های توصیفی تفاوت‌هایی با اندازه اثر متوسط تا بزرگ را به نفع مداخله ترکیبی نسبت به گروه کنترل در عملکرد جسمانی و فنی در ارزیابی‌های تکوینی (0.79 < d < 1.50) و نهایی (0.62 < d < 1.32) نشان داد. امتیازات مقیاس احساس با اندازه اثر بزرگ تا بسیار بزرگ در گروه‌های CVSMPM و PM افزایش یافت (1.34 < d < 2.02) و انگیزش موقعیتی با اندازه اثر متوسط تا بزرگ در CVSMPM (0.87 < d < 1.69) و PM (0.79 < d < 1.21) بهبود یافت. گروه CVSMPM الگوی ثابتی از تفاوت‌های اندازه اثر متوسط تا بزرگ در اکتساب مهارت حرکتی، مهارت فنی و درگیری روان‌شناختی نسبت به سایر وضعیت‌ها نشان داد. با توجه به طراحی خوشه‌ای و تحلیل‌های اکتشافی، این یافته‌ها مقدماتی و فرضیه‌ساز تلقی می‌شوند.