Tecnologías digitales aplicadas a la detección de problemas de aprendizaje en contextos de deporte y recreación: tendencias investigativas (2015–2025)
DOI:
https://doi.org/10.47197/retos.v72.117530Palabras clave:
habilidades motoras, Inteligencia artificial, visión por computadora, tecnologías digitalesResumen
Introducción: la detección inicial de dificultades en el aprendizaje vinculadas al desempeño motor en escenarios deportivos, recreativos y escolares continúa siendo un eje de atención para investigadores y profesionales de la educación.
Objetivo: analizar las tendencias investigativas sobre el uso de tecnologías digitales aplicadas a la detección de problemas de aprendizaje en contextos de deporte y recreación durante el periodo 2015–2025, a partir de una revisión bibliométrica y sistemática de la literatura científica.
Metodología: se desarrolla bajo un enfoque cuantitativo-descriptivo, orientado al análisis bibliométrico y sistemático de la producción científica relacionada con el uso de tecnologías digitales aplicadas a la detección de problemas de aprendizaje en contextos de deporte y recreación durante el periodo 2015–2025.
Resultados: el análisis de la literatura científica publicada en el periodo 2015–2025 permite evidenciar una tendencia creciente en el estudio de las tecnologías digitales aplicadas a la detección de problemas de aprendizaje en contextos de deporte y recreación.
Discusión: los hallazgos son consistentes con la tendencia global que se observa en la literatura, en donde múltiples estudios convergen en la necesidad de integrar la innovación tecnológica con procesos pedagógicos y de salud.
Conclusiones: las investigaciones realizadas entre 2015 y 2025 mostraron un aumento notable en el uso de tecnologías digitales para detectar problemas de aprendizaje en el ámbito deportivo y recreativo, destacando la aplicación de inteligencia artificial, visión por computadora y sensores portátiles en la estimación de poses, el análisis biomecánico y la evaluación de habilidades motoras.
Referencias
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
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 José Israel López Pumalema
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
- Los autores conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación de su obra, el cuál estará simultáneamente sujeto a la licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
- Se permite y se anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) antes y durante el proceso de envío, ya que puede dar lugar a intercambios productivos, así como a una citación más temprana y mayor de los trabajos publicados (Véase The Effect of Open Access) (en inglés).
Esta revista sigue la "open access policy" de BOAI (1), apoyando los derechos de los usuarios a "leer, descargar, copiar, distribuir, imprimir, buscar o enlazar los textos completos de los artículos".
(1) http://legacy.earlham.edu/~peters/fos/boaifaq.htm#openaccess
