Tecnologias digitais aplicadas à deteção de problemas de aprendizagem em contextos desportivos e recreativos: tendências de investigação (2015–2025)
DOI:
https://doi.org/10.47197/retos.v72.117530Palavras-chave:
inteligência artificial, visão computacional, tecnologias digitais, problemas de aprendizagem, habilidades motorasResumo
Introdução: A deteção precoce de dificuldades de aprendizagem relacionadas com o desempenho motor em ambientes desportivos, recreativos e escolares continua a ser uma área de foco fundamental para investigadores e profissionais da educação. Objectivo: Analisar as tendências de investigação sobre a utilização das tecnologias digitais aplicadas à detecção de problemas de aprendizagem em contextos desportivos e recreativos no período de 2015 a 2025, com base numa revisão bibliométrica e sistemática da literatura científica.
Metodologia : Realizada sob uma abordagem quantitativa-descritiva, orientada para a análise bibliométrica e sistemática da produção científica relacionada com a utilização das tecnologias digitais aplicadas à deteção de problemas de aprendizagem em contextos desportivos e recreativos no período de 2015 a 2025.
Resultados: A análise da literatura científica publicada entre 2015 e 2025 revela uma tendência crescente no estudo das tecnologias digitais aplicadas à deteção de problemas de aprendizagem em contextos desportivos e recreativos. Discussão: Os achados são consistentes com a tendência global observada na literatura, onde múltiplos estudos convergem para a necessidade de integrar a inovação tecnológica nos processos pedagógicos e de saúde.
Conclusões : Pesquisas realizadas entre 2015 e 2025 mostraram um aumento significativo no uso de tecnologias digitais para detetar problemas de aprendizagem em contextos desportivos e recreativos, destacando a aplicação de inteligência artificial, visão computacional e sensores vestíveis na estimativa de pose, análise biomecânica e avaliação de habilidades motoras.
Referências
Alzahrani, A., & Ullah, A. (2024). Advanced biomechanical analytics: Wearable technologies for preci-sion health monitoring in sports performance. Digital Health, 10. https://doi.org/10.1177/20552076241256745
Bastola, R., & Fenta, T. (2025). A survey on deep 3D human pose estimation. Artificial Intelligence Re-view, 58(24). https://doi.org/10.1007/s10462-024-11019-3
Bisquerra, R. (2009). Metodología de la investigación educativa (2.ª ed.). Madrid: La Muralla.
Bossavit, B., & Arnedillo, I. (2022). Using motion capture technology to assess locomotor development in children. Digital Health, 8. https://doi.org/10.1177/2055207622114420
Bossavit, B., & Arnedillo, I. (2023). Motion-based technology to support motor skills screening in de-veloping children: A scoping review. Computer Methods and Programs in Biomedicine, 240. https://doi.org/10.1016/j.cmpb.2023.107715
Bucheli, J. (2022). Tendencias digitales y la recreación física escolar. [Tesis de pregrado, Universidad Técnica de Ambato]. https://repositorio.uta.edu.ec/server/api/core/bitstreams/3df4978c-d7c1-4159-b304-08bb3ef5623f/content
Canali S, Schiaffonati V, Aliverti A. (2022). Challenges and recommendations for wearable devices in digital health: Data quality, interoperability, health equity, fairness. PLOS Digital Health, 1(10). https://doi.org/10.1371/journal.pdig.0000104
Chen, L., Liu, T., Gong, Z., & Wang, D. (2024). Movement Function Assessment Based on Human Pose Estimation from Multi-View. Computer Systems Science and Engineering, 48(2), 321-339. https://doi.org/10.32604/csse.2023.037865
Chow, D., Cheng, W., & Tam, S. (2020). A Video-Based Classification System for Assessing Locomotor Skills in Children. Journal of Sports Science & Medicine, 19(3), 585-595. https://pmc.ncbi.nlm.nih.gov/articles/PMC7429431/
Fermin, P., Smith H, Zhang Y. (2020). Automated classification of movement quality using the Mi-crosoft Kinect V2 sensor. Computers in Biology and Medicine, 125. https://doi.org/10.1016/j.compbiomed.2020.104021
Hernández, R., Fernández, C., & Baptista, P. (2014). Metodología de la investigación (6.ª ed.). México: McGraw-Hill.
Huhn, S., Axt, M., Gunga, H., Maggioni, M., Munga, S., Obor, D., Sié, A., Boudo, V., Bunker, A., Sauerborn, R., Bärnighausen, T., & Barteit, S. (2022). The Impact of Wearable Technologies in Health Re-search: Scoping Review. JMIR Mhealth Uhealth, 10(1). https://pmc.ncbi.nlm.nih.gov/articles/PMC8826148/
Kristoffersson, A., & Lindén, M. (2022). A Systematic Review of Wearable Sensors for Monitoring Phys-ical Activity. Sensors, 22(2), 573. https://doi.org/10.3390/s22020573
Marín, J., Rodríguez, Á., Martínez, D., & Rodríguez, J. (2025). Las competencias digitales del futuro pro-fesional de la Actividad Física y el Deporte en Ecuador. Retos, 67, 745–760. https://doi.org/10.47197/retos.v67.112741
Osmanoğlu, U., Erdaği, K., IŞIK, B., Örücü, S., & Özbay , E. (2025). Comparative analysis of Microsoft Kinect Azure and manual measurement methods in the sit and reach test among elite female weightlifters. Scientific Reports, 15(24636). https://doi.org/10.1038/s41598-025-09754-w
Ressman, J., Rasmussen-Barr, E., & Grooten, W. (2020). Reliability and validity of a novel Kinect-based software program for measuring a single leg squat. BMC Sports Science, Medicine & Rehabilita-tion, 12(31). https://doi.org/10.1186/s13102-020-00179-8
Tharatipyakul, A., Srikaewsiew, T., & Pongnumkul, S. (2024). Deep learning-based human body pose estimation in providing feedback for physical movement: A review. Heliyon, 10(17). https://doi.org/10.1016/j.heliyon.2024.e36589
Venek, V., Kranzinger, S., Schwameder, H., & Stöggl, T. (2022). Human Movement Quality Assessment Using Sensor Technologies in Recreational and Professional Sports: A Scoping Review. Sensors, 22(13). https://doi.org/10.3390/s22134786
Wang, Y., & Wang, X. (2024) Artificial intelligence in physical education: comprehensive review and future teacher training strategies. Frontiers in. Public Health, 12. https://doi.org/10.3389/fpubh.2024.1484848
Xu, H. (2025). AI-powered technologies in physical education: impact on physical and psycho-emotional well-being of students. The Journal of General Psychology, 1–22. https://doi.org/10.1080/00221309.2025.2541585
Zhang, Z., & Shin, S.-Y. (2025). Two-Dimensional Human Pose Estimation with Deep Learning: A Re-view. Applied Sciences, 15(13), 7344. https://doi.org/10.3390/app15137344
Downloads
Publicado
Edição
Secção
Licença
Direitos de Autor (c) 2025 José Israel López Pumalema
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-SemDerivações 4.0.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e assegurar a revista o direito de ser a primeira publicação da obra como licenciado sob a Licença Creative Commons Attribution que permite que outros para compartilhar o trabalho com o crédito de autoria do trabalho e publicação inicial nesta revista.
- Os autores podem estabelecer acordos adicionais separados para a distribuição não-exclusiva da versão do trabalho publicado na revista (por exemplo, a um repositório institucional, ou publicá-lo em um livro), com reconhecimento de autoria e publicação inicial nesta revista.
- É permitido e os autores são incentivados a divulgar o seu trabalho por via electrónica (por exemplo, em repositórios institucionais ou no seu próprio site), antes e durante o processo de envio, pois pode gerar alterações produtivas, bem como a uma intimação mais Cedo e mais do trabalho publicado (Veja O Efeito do Acesso Livre) (em Inglês).
Esta revista é a "política de acesso aberto" de Boai (1), apoiando os direitos dos usuários de "ler, baixar, copiar, distribuir, imprimir, pesquisar, ou link para os textos completos dos artigos". (1) http://legacy.earlham.edu/~peters/fos/boaifaq.htm#openaccess
