《Frontiers in Public Health》：Artificial intelligence for university physical education: a data–knowledge synergy digital-intelligent sports platform
编辑推荐：
本研究提出一种面向高校的数字智能体育平台的设计、构建与初步评估，该平台将大语言模型(LLM)与检索增强生成(RAG)、校园数据服务及领域知识资源相集成。平台架构包含技术层、知识层、运营数据层与用户应用层，支撑教学辅助、锻炼指导、竞赛组织与健康相关信息服务。一项
本研究提出一种面向高校的数字智能体育平台的设计、构建与初步评估，该平台将大语言模型(LLM)与检索增强生成(RAG)、校园数据服务及领域知识资源相集成。平台架构包含技术层、知识层、运营数据层与用户应用层，支撑教学辅助、锻炼指导、竞赛组织与健康相关信息服务。一项涉及428名学生与6名教师的形成性校园部署记录了实施可行性与面向用户的应用场景。为提供更严格的实证补充，研究人员开展了一项独立的六周、非随机、整班准实验，共196名学生、四个体育班级参与：两个班级接受平台支持教学，两个班级接受同一教师常规教学。基线调整后分析显示，平台支持组事后基本心理需求满足更高（调整后差异=0.618，95% CI 0.506–0.730，p<0.001），需求挫败更低（调整后差异=?0.653，95% CI ?0.759至?0.547，p<0.001）。自报身体活动的调整后差异无统计学意义（p=0.216）。这些发现为平台支持体育教学中更有利的心理需求体验提供了初步证据，但未表明六周内自报身体活动相应增加。核心贡献在于将AI架构、机构知识资源与课堂实施证据在教育导向下统一集成于高校体育平台。
研究背景方面，自1985年中国开展学生体质与健康监测以来，高校学生体能和心血管风险问题持续受到关注。当前高校体育常表现为统一课程、标准化评价和个性化不足，传统灌输式教学难以满足互动与个性化学习需求。现有校园平台多偏行政管理数字化，而国际运动科技产品多面向精英运动员或单功能场景，缺少将校园数据、教育知识与教学实施打通的高等教育体育系统。为此，研究人员构建面向高校体育的大语言模型(LLM，Large Language Model)与检索增强生成(RAG，Retrieval-Augmented Generation)协同平台，连接机构知识与校园运营数据，服务教学、参与和健康促进。
该研究发表于《Frontiers in Public Health》。研究人员开展平台架构设计、专有知识库构建、428人形成性部署，以及196人六周整班准实验，结论是平台具备校园实施可行性，平台支持教学与更高基本心理需求满足、更低需求挫败相关，但未显著改变自报身体活动量，其意义在于把AI架构、制度性知识和课堂证据整合为统一的高校体育数字智能系统。
关键技术方法上，研究人员以DeepSeek-R1为推理LLM，通过机构图书馆网关与授权教学资源构建知识图谱、运动知识库与业务（运营）数据库；采用LLM生成—专家验证迭代建图，用TransE与RotatE补关系，以语义与关键词检索、元数据过滤实现RAG；样本包括某高校乒乓球、篮球、健美操课程428名学生和6名教师形成性部署，以及2025年10月至12月同教师授课的四个整班196名学生准实验队列；心理指标用基本心理需求满足与挫败量表(BPNSFS)，活动指标用国际身体活动问卷短表(IPAQ-SF)算MET-min/周。
2 数字智能平台的设计与构建
研究人员设计三层架构与四层软件栈，用户端分教师侧智能备课、学生画像分析和学生侧个性指导、竞赛模块；服务部署以LLM+RAG引擎、人在回路反馈和多模态协同推理为支撑；数据存储采用身份与专业库分离、角色权限、去标识化，并规划联邦学习与差分隐私用于跨校协作。
2.1 技术框架设计
2.1.1 用户侧设计：师生应用场景
教师模块做教学设计、数据分析与评估；学生模块做个性锻炼指导与竞赛组织；数字成就凭证作为教育激励而非投机资产。
2.1.2 服务部署与训练：大模型与多模态协同
以校外托管全量DeepSeek-R1为主模型，检索层结合语义、关键词与元数据过滤，多模态编码器处理文本、图像与草图，教师审核输出。
2.1.3 数据存储运维：安全与协同治理
分层数据管理分离学号与专业分析库，大学、企业、政府协同；支持访问、负载与审计监控及冗余存储。
2.2 专有知识库构建
RAG用本地专有知识改善领域相关性与时效性。知识图谱经LLM生成—人工验证、补全优化、图模型融合、知识推理与版本更新；知识仓库按能力导向与技能导向分为八类项目群；业务数据库以体育数字孪生映射体适能参数与锻炼行为，含数据感知、虚拟映射、模型迭代三层。
2.3 用户模块设计
教学模块用知识图谱与RAG做实时答疑和OpenPose动作反馈；课外竞赛模块做赛程、规则引擎与成就激励；个性锻炼模块做教育型AI教练；休闲互动模块做校园定向与团队挑战，支撑自主、胜任、关联三类需求。
3 平台应用案例
3.1 形成性校园部署
428人两月部署中，前月直接用DeepSeek-R1，后月嵌入平台；记录问答、备课、体测解读与竞赛支持，证明真实校园可运行，但固定顺序与聚合反馈限制因果推断。
3.2 六周课堂准实验评估
3.2.1 设计与参与者
非随机、整班、前后测，四班同教师，98对98，课堂数据独立于428人部署。
3.2.2 教学条件与测量
平台班用检索资源、锻炼指导与教师中介任务；对照班常规教学。BPNSFS测自主、胜任、关联满足与挫败；IPAQ-SF测MET-min/周。
3.2.3 数据质量与统计分析
用HC3稳健标准误，调对应前测、性别、年级、锻炼频率；因仅四整班，补充班级层面与留一班敏感性分析；响应模式集中现象作为解释性局限保留。
3.3 课堂评估结果
3.3.1 数据质量与响应模式审计
196人配对成功，平台组模式化应答更集中，但未单凭相似模式删卷。
3.3.2 主要结果
需满足调整差0.618（p<0.001），需挫败调整差?0.653（p<0.001）；自报活动ln(1+MET-min/周)差0.202（p=0.216）。
3.3.3 次要与班级敏感性发现
六个子维度均有利平台组；两平台班变化同向，留一班分析方向不变；身体活动无组间显著差。
4 讨论与分析
研究人员指出，平台可能通过解释、可修订资源、个性指导和教师反馈提升自主、胜任、关联体验；但整班非随机与四班限制使结果属调整后关联而非因果。自报活动无差异说明六周不足以改变周活动量，需更长期、客观监测。RAG质量依赖检索与生成，多模态对齐、知识抽取错误和隐私治理都需专家审核与分阶段验证。代理化扩展应在认证、运营数据和教师审核层内做受控工具调用。可持续运行依赖大学、技术方与教师边界清晰、资源维护和可追溯反馈。
5 结论与展望
5.1 研究结论
研究人员开发以LLM+RAG、领域知识、运营数据与用户模块为中心的高校数字智能体育平台；428人部署提供形成性证据，六周课堂研究显示平台支持教学带来更有利近端心理体验，自报身体活动无显著组间差；需更多多班多机构研究评估长期教育与技术表现。
5.2 研究局限
非随机四整班、个体推断难完全分离班级依赖；主结果为自报且响应模式集中；前后测日期未完全同步；形成性部署缺标准可用性与响应质量指标；课堂评估未含请求级技术基准。
5.3 未来研究方向
分阶段保存版本语料与运营记录，评事实准确性、证据忠实性、不支持声明率、不安全输出率、延迟、可用率、失败率与教师更正率；用验证问卷与客观出勤、技能、体适能指标；引入受约束自适应体育代理(Adaptive Sports Agent)，以认证工具、检索 grounded 规划、可解释指导和教师批准替代自主高风险决策；虚拟场景、可穿戴、数字孪生与隐私保护协作作为模块化扩展。
该研究整体表明，高校体育数字化应从泛化行政工具转向数据–知识协同、教师问责与架构对齐的AI教育系统集成。
