L’uso di learning analytics abilitati dall’IA è correlato alla literacy motoria e all’impegno nelle lezioni universitarie di educazione fisica tramite insegnamento intelligente e feedback personalizzati

Perché contano le lezioni sportive intelligenti

Sempre più università trasformano le loro lezioni di sport in “palestra intelligenti”, dove dispositivi indossabili e app per smartphone tracciano in tempo reale i movimenti degli studenti. Questo studio pone una domanda semplice ma importante: questi strumenti ad alta tecnologia aiutano davvero gli studenti a diventare più attivi, sicuri di sé e coinvolti nelleducazione fisica, oppure aggiungono soltanto pressione e sorveglianza in un contesto già sensibile? Concentrandosi su grandi università cinesi dove leducazione fisica è obbligatoria, i ricercatori esplorano come i learning analytics guidati dallintelligenza artificiale influenzino latteggiamento degli studenti verso lesercizio e la loro esperienza in aula.

Dai braccialetti alle intuizioni sullallenamento

Il sistema di educazione fisica intelligente studiato combina tracker da polso, check-in mobile e una piattaforma online. Durante lezioni come basket, corsa, yoga, badminton, calcio e ping-pong, i dispositivi registrano passi, frequenza cardiaca, durata dellesercizio e postura. Questi dati confluiscono in cruscotti che mostrano riassunti settimanali, tendenze e progressi per studenti e insegnanti. Lintelligenza artificiale aggiunge un livello ulteriore: avvisi automatici quando la frequenza cardiaca è troppo alta o il tempo di esercizio troppo basso, e piani di allenamento suggeriti o consigli tecnici basati sui pattern nei dati. In totale, 1.182 studenti di quattro università che utilizzavano regolarmente il sistema hanno compilato un questionario dettagliato, e un gruppo più piccolo composto da 12 studenti e sei membri del personale ha partecipato a interviste approfondite.

Qualità dellinsegnamento e feedback personale come anello mancante

I ricercatori si sono mostrati particolarmente interessati alla «literacy motoria», un concetto ampio che include non solo la forma fisica, ma anche motivazione, fiducia, abilità e comprensione che sostengono uno stile di vita attivo. Hanno inoltre misurato quanto gli studenti si sentissero coinvolti nelle lezioni. I modelli statistici hanno mostrato che il semplice utilizzo del sistema di analytics—consultare i cruscotti o ricevere avvisi—aveva legami molto piccoli e statisticamente deboli sia con la literacy motoria sia con limpegno. La vera differenza stava invece in come gli insegnanti usavano i dati e in come veniva erogato il feedback. Quando gli studenti percepivano che gli insegnanti impiegavano la tecnologia per personalizzare le attività, regolare i carichi di lavoro e spiegare i progressi in modo chiaro, riportavano una literacy motoria più elevata e un coinvolgimento più forte in classe. Allo stesso modo, quando gli studenti sentivano di ricevere un feedback tempestivo, specifico e pratico basato sui propri dati, si mostravano più sicuri e più disposti a impegnarsi nellesercizio.

Quando i numeri aiutano—e quando danneggiano

Le interviste hanno rivelato come gli stessi dati possano essere sia una guida utile sia una fonte di stress. Molti studenti descrivevano il sistema come uno «specchio e allenatore»: vedere la frequenza cardiaca e il ritmo dopo una corsa li aiutava a notare i miglioramenti, affinare lo sforzo e sentirsi orgogliosi delle piccole conquiste. Altri, però, si sentivano sotto pressione a causa della misurazione costante e degli obiettivi legati ai voti. Messaggi generici come «obiettivo non raggiunto», soprattutto quando visibili pubblicamente o strettamente collegati alle valutazioni, spingevano alcuni studenti a limitarsi al minimo necessario per superare la prova. Preoccupazioni sullaccuratezza dei dispositivi e sulla equità—ad esempio tracker che conteggiavano male i passi o non funzionavano bene con corpi diversi—hanno ulteriormente influenzato il grado di fiducia degli studenti nei numeri, facendoli apparire arbitrari e demotivanti.

Il fattore umano dietro gli schermi

Tra le testimonianze di studenti e insegnanti, gli istruttori sono emersi come i guardiani che traducono flussi di numeri in esperienze di apprendimento significative. Quando gli insegnanti si prendevano il tempo per spiegare cosa significassero gli indicatori, discutevano i loro limiti e stabilivano obiettivi realistici con gli studenti, i dati diventavano uno strumento di riflessione più che una fonte di ansia. Il feedback privato e personalizzato basato sugli analytics spesso aumentava fiducia e motivazione. Al contrario, quando i dati venivano usati principalmente per verifiche di presenza, classifiche o valutazioni rigide, gli studenti tendevano a percepire il sistema come sorveglianza piuttosto che supporto. Lo studio mette inoltre in luce limportanza di tecnologie affidabili, regole di valutazione trasparenti e una base minima di «alfabetizzazione dei dati» affinché gli studenti comprendano cosa viene misurato e perché.

Cosa significa questo per studenti e università

Per un pubblico non specialistico, la conclusione è chiara: indossare un tracker in palestra non ti rende automaticamente più sano o più entusiasta dellesercizio. Leducazione fisica ad alta tecnologia supporta la literacy motoria nel lungo periodo solo quando i dati sono integrati in un insegnamento riflessivo e in feedback autentici, persona a persona. Le università che vogliono sfruttare lIA nelle lezioni di sport dovrebbero concentrarsi meno sullaggiungere nuove funzionalità e più sullaiutare gli insegnanti a usare i dati esistenti per guidare gli studenti in modo equo, privato e costruttivo. In altre parole, la vera innovazione non è il braccialetto in sé, ma come le persone sul campo—insegnanti e studenti—lavorano insieme attorno ai numeri per costruire fiducia, abilità e un apprezzamento duraturo per il movimento.

Citazione: Chen, Y., Xian, D., Zhao, Y. et al. AI-enabled learning analytics use relates to physical literacy and engagement in university PE via smart teaching and personalised feedback. Sci Rep 16, 8341 (2026). https://doi.org/10.1038/s41598-026-39778-9

Parole chiave: educazione fisica intelligente, learning analytics, dati da dispositivi indossabili, literacy motoria, IA nellistruzione superiore