Physical education teaching mode assisted by artificial intelligence

 Identitas Artikel

Judul : Physical education teaching mode assisted by artificial intelligence 

assistant under the guidance of high-order complex network

Jurnal : Scientific Reports

Volume : 14

Issue : 1

Nomor Artikel : 4104

Tanggal Publikasi : Desember 2024

Penulis : Xizhong Song

DOI : https://doi.org/10.1038/s41598-024-53964-7

Link Scopus : https://www.scopus.com/record/display.uri?eid=2-s2.0-85185486072&origin=resultslist&sort=plf-f&src=s&sid=4313979b16702f873f5752e38620b109&sot=b&sdt=b&s=TITLE-ABS-KEY%28sport+education%29&sl=30&sessionSearchId=4313979b16702f873f5752e38620b109&relpos=51

Latar Belakang

Latar belakang penelitian ini berpusat pada integrasi kecerdasan buatan atau artificial intelligence (AI) ke dalam pendidikan jasmani yang secara khusus berfokus pada peningkatan pengajaran olahraga seperti tenis. Penelitian ini dimotivasi oleh kebutuhan untuk meningkatkan efektivitas dan personalisasi pendidikan jasmani melalui sistem cerdas. Penelitian ini memanfaatkan jaringan kompleks tingkat tinggi dan teknologi AI untuk mengembangkan model pengajaran canggih yang dapat beradaptasi dengan sifat dinamis pendidikan olahraga. Penelitian ini memperkenalkan kerangka kerja yang disebut CS-FCM, berdasarkan prinsip-prinsip penginderaan terkompresi untuk mengatasi tantangan dalam mempelajari peta kognitif fuzzy skala besar atau fuzzy cognitive maps (FCM) dari data deret waktu. Pendekatan ini diharpkan dapat mengatasi keterbatasan dalam model tradisional dengan meningkatkan konvergensi, stabilitas, dan kemampuan beradaptasi sehingga menawarkan sistem asisten pengajar yang lebih kuat dan cerdas.

Masalah yang akan diselesaikan

Masalah yang akan diselesaikan dalam penelitian ini yaitu memecahkan masalah dalam meningkatkan efektivitas pendidikan dalam instruksi tenis dengan mengintegrasikan asisten pengajar kecerdasan buatan atau artificial intelligence (AI). Penelitian ini menjawab tantangan dalam metode pembelajaran otomatis untuk peta kognitif fuzzy atau fuzzy cognitive maps (FCM) berskala besar dari data deret waktu terutama berfokus pada peningkatan konvergensi, stabilitas, dan kemampuan beradaptasi dalam sistem AI yang digunakan untuk pendidikan jasmani yang dipersonalisasi. Penelitian ini memperkenalkan kerangka kerja baru yairu CS-FCM untuk mengatasi masalah yang berkaitan dengan interpretabilitas dan generalisasi dalam sistem kompleks yang ditandai dengan hubungan nonlinier dan multi-kolinieritas di antara variabel.

Tujuan Penelitian

Tujuan penelitian ini adalah untuk mengeksplorasi dan mempelajari cara dan metode mengintegrasikan olahraga dan pendidikan di Provinsi Shaanxi. Penelitian ini didukung oleh pendanaan dari proyek reguler 2022 dari Biro Olahraga Shaanxi yang bertujuan untuk menyelidiki bagaimana olahraga dan pendidikan dapat digabungkan secara efektif untuk meningkatkan pengajaran pendidikan jasmani. Penelitian ini dipandu oleh prinsip-prinsip jaringan kompleks tingkat tinggi dan dibantu oleh kecerdasan buatan untuk mengembangkan mode pengajaran pendidikan jasmani yang cerdas. Pendekatan ini berupaya memanfaatkan teknologi AI untuk meningkatkan kualitas dan efektivitas pendidikan jasmani dengan mengintegrasikan media olahraga pintar, acara online dan offline, dan permainan olahraga virtual. Penelitian ini juga bertujuan untuk membangun lingkungan pelatihan yang dinamis dan adaptif dengan mengintegrasikan teknologi AI dengan proses pelatihan atlet. Hal ini melibatkan pengembangan model prediksi untuk perilaku atlet dengan menggunakan film permainan yang ekstensif dan model statistik. Penelitian ini memperkenalkan mekanisme untuk menciptakan sistem video yang dapat dikontrol yang menghasilkan video berkualitas tinggi berdasarkan data nyata yang meningkatkan interaksi antara AI dan atlet. Proses berulang ini memungkinkan para atlet untuk memilih model yang disesuaikan dengan AI, membentuk lingkaran umpan balik di mana data pelatihan dan hasil terus dimasukkan ke dalam model. Tujuan akhirnya adalah untuk meningkatkan sinergi antara teknologi AI dan atlet yang berkontribusi pada pengalaman pendidikan jasmani yang lebih efektif dan menarik.

Metode Penelitian

Metode penelitian yang digunakan dalam penelitian ini melibatkan integrasi teknologi kecerdasan buatan atau artificial intelligence (AI) ke dalam pendidikan jasmani, khususnya berfokus pada pengajaran tenis. Penelitian ini memperkenalkan pengajaran berbantuan AI dengan menggabungkan panduan dari jaringan kompleks tingkat tinggi yang menyajikan perspektif dan metode baru untuk meningkatkan kecerdasan model pengajaran pendidikan jasmani. Pendekatan ini divalidasi melalui simulasi eksperimental yang menunjukkan keefektifan model yang diusulkan. Simulasi ini berfungsi sebagai langkah dasar untuk aplikasi yang lebih luas dalam pengajaran pendidikan jasmani di masa depan, memberikan pengalaman dan referensi yang berharga untuk mengintegrasikan AI dalam pendidikan.

Selain itu, penelitian ini menggunakan kerangka kerja yang disebut CS-FCM yang didasarkan pada prinsip-prinsip penginderaan terkompresi. Kerangka kerja ini diterapkan pada pembelajaran peta kognitif fuzzy skala besar atau fuzzy cognitive maps (FCM) dari data deret waktu. Penginderaan terkompresi adalah teknik pemrosesan sinyal yang secara mahir memperoleh dan merekonstruksi sinyal dengan menyelesaikan sistem linier dengan informasi terbatas. Penelitian ini meneliti konvergensi dan stabilitas CS-FCM melalui eksperimen yang dilakukan pada FCM dengan kepadatan yang bervariasi. Eksperimen ini melibatkan analisis kinerja model menggunakan dataset yang berbeda, yang membantu dalam memahami kemampuan beradaptasi dan efektivitas model dalam memproses struktur data yang kompleks.

Hasil Penelitian

Hasil penelitian dari penelitian ini menunjukkan efektivitas dan kelayakan mengintegrasikan kecerdasan buatan atau artificial intelligence (AI) ke dalam pendidikan jasmani, khususnya melalui penggunaan kerangka kerja CS-FCM. Penelitian ini menyoroti kinerja unggul CS-FCM dalam mempelajari peta kognitif fuzzy skala besar atau fuzzy cognitive maps (FCM) dari data deret waktu. Kerangka kerja ini mencapai stabilitas dan konvergensi secara efisien, bahkan dengan kepadatan FCM yang berbeda-beda, yang menunjukkan kapasitasnya yang kuat dalam pembelajaran koneksi. Hal ini sangat penting dalam menangani data struktur jaringan yang kompleks, di mana model tradisional mungkin mengalami kesulitan. Hasil penelitian menunjukkan bahwa kerangka kerja CS-FCM dapat secara efektif memproses dan belajar dari data berskala besar, memberikan fondasi yang kuat untuk sistem pendidikan olahraga yang cerdas.

Selain itu, penelitian ini memperkenalkan model SAE-HFCM yang meningkatkan kinerja algoritma FCM dalam prediksi deret waktu. Model ini menunjukkan akurasi prediksi yang luar biasa, terutama dalam beradaptasi dengan perubahan mendadak dalam data deret waktu. Kemampuan beradaptasi ini sangat penting untuk sistem pengajaran cerdas, karena memungkinkan alat pendidikan yang lebih akurat dan responsif. Hasil penelitian ini memberikan dukungan yang kuat untuk pengembangan metodologi pengajaran dengan bantuan kecerdasan buatan yang menawarkan wawasan berharga untuk aplikasi masa depan di berbagai domain pendidikan. Temuan penelitian ini menggarisbawahi potensi AI untuk mengubah pendidikan jasmani dengan menyediakan model pengajaran yang lebih personal dan efektif.

Namun, penelitian ini juga mengakui adanya keterbatasan tertentu terutama terkait dengan ketergantungan pada ekstraksi fitur otomatis dan pembelajaran representasi. Ketergantungan ini dapat membatasi kinerja model dalam keadaan tertentu, dan menunjukkan area untuk penelitian di masa depan. Penelitian ini mengusulkan untuk mengeksplorasi teknik yang lebih canggih dalam pemrosesan data dan rekayasa fitur untuk menangkap sifat-sifat rumit yang melekat pada data pelatihan fisik. Dengan mengatasi keterbatasan ini, penelitian di masa depan dapat lebih meningkatkan ketahanan dan keserbagunaan metodologi yang diusulkan, membuka jalan untuk aplikasi AI yang lebih maju dalam pendidikan jasmani dan seterusnya.

Kesimpulan

Kesimpulan dari penelitian ini adalah bahwa integrasi kecerdasan buatan atau artificial intelligence (AI) ke dalam pendidikan jasmani, khususnya melalui kerangka kerja CS-FCM, layak dan efektif. Penelitian ini menunjukkan bahwa CS-FCM unggul dalam mempelajari peta kognitif fuzzy skala besar atau fuzzy cognitive maps (FCM) dari data deret waktu yang mencapai stabilitas dan konvergensi secara efisien. Pengenalan model SAE-HFCM semakin meningkatkan akurasi prediksi algoritma FCM terutama dalam beradaptasi dengan perubahan mendadak pada data deret waktu. Temuan ini memberikan dukungan yang kuat untuk pengembangan sistem pengajaran cerdas, menawarkan wawasan yang berharga untuk pengajaran berbantuan cerdas di berbagai domain. Namun, penelitian ini juga mencatat keterbatasan yang terkait dengan ketergantungannya pada ekstraksi fitur otomatis dan pembelajaran representasi, yang menunjukkan area untuk penelitian di masa depan untuk meningkatkan ketahanan dan keserbagunaan metodologi.