خوارزمية قائمة على الذكاء الاصطناعي لتحليل النشاط البدني واللياقة المتعلقة بالصحة لدى الشباب

لماذا يهم تتبع لياقة الأطفال بأدوات ذكية

اعتمد الأهالي والمعلمون لوقت طويل على اختبارات اللياقة المدرسية السنوية للحكم على مدى نشاط وصحة الأطفال. ومع ذلك، غالبًا ما تبقى هذه الاختبارات في الدواليب، وقد تتأثر الدرجات بحسابات سريعة أو تصحيح غير متسق. تستعرض هذه الورقة كيف يمكن للذكاء الاصطناعي تحويل تلك القياسات الروتينية—مثل أوقات العدو أو عدد القفز بالحبل—إلى نظام قوي وموثوق لا يقتصر على تقدير درجات الأطفال بشكل أكثر عدلاً، بل يتوقع أيضًا كيف قد تتغير لياقتهم مع مرور الوقت.

من الدرجات البسيطة إلى قصص صحية غنية

بدأ الباحثون بكمية كبيرة من البيانات الواقعية: أكثر من 13,000 سجل لياقة لطلاب المرحلة الابتدائية جُمعت على مدار خمس سنوات، من 2018 إلى 2022. تضمّن سجل كل طفل مقاييس جسمية أساسية مثل الطول والوزن ومؤشر كتلة الجسم، إلى جانب نتائج اختبارات مثل ركض 50 مترًا، اختبار الانحناء والجلوس للمرونة، قفز الحبل لمدة دقيقة، تمارين البطن، وسعة الرئة. تقليديًا، كان المعلمون يستخدمون هذه النتائج لمنح درجات عامة مثل «راسب» أو «ممتاز»، لكن العملية كانت بطيئة ومعرضة للأخطاء وتستفيد استفادة محدودة من المعلومات الكامنة في الأرقام. كان هدف الفريق تنظيف هذه البيانات وتوحيدها وإعادة التفكير فيها بحيث يمكنها دعم قرارات أذكى بكثير.

تعليم الحواسيب على التصنيف العادل

لتحسين عملية التصنيف، بنى المؤلفون نموذجًا حاسوبيًا يُدعى شبكة عصبية اعتمادًا على التغذية الراجعة (BP). بدلاً من الاعتماد على قواعد مكتوبة يدويًا، يتعلم هذا النموذج من الأمثلة: يدرس نتائج العديد من الطلاب جنبًا إلى جنب مع الدرجات النهائية التي منحها المعلمون، ويكتشف تدريجيًا أنماطًا تربط بينهما. قبل تدريب النموذج، أزال الفريق السجلات الخاطئة، وقام بتقييس الأرقام إلى نطاق مشترك، واستخدم تقنية تُسمى تحليل المركبات الرئيسية لتقليل التداخل بين المقاييس المرتبطة بشدة مثل الطول والوزن وسعة الرئة. بعد التدريب، استطاعت شبكة BP أخذ قياسات طالب جديد وتعيينه فورًا إلى واحدة من أربع مستويات—راسب، ناجح، جيد، أو ممتاز—بدقة تقارب 98%، متفوقة بوضوح على طريقة أكثر تقليدية تُدعى آلة الدعم الناقل.

النظر إلى الأمام: توقع الأداء المستقبلي

تحديد نتيجة اختبار هذا العام مفيد، لكن المعلمين يريدون أيضًا معرفة كيف قد تتطور لياقة الطفل على مدار عدة سنوات مدرسية. لمواجهة هذا، صمم الباحثون نموذجًا ثانيًا يجمع بين تقنيتين عميقتي التعلم. تتعلم شبكة التفافية (CNN) أولًا كيف ترتبط عناصر الاختبار المختلفة ببعضها في لحظة زمنية معينة، بينما تنظر شبكة الذاكرة طويلة القصر (LSTM) إلى كيف تتغير درجات كل طالب من عام لآخر. تساعد طبقة «الانتباه» المضافة النظام على التركيز على أكثر النقاط إفادة في سجل الطفل. عند تدريبه على بيانات من 2018 إلى 2021 واختباره على 2022، توقع هذا النموذج المدمج CNN‑LSTM أداء الطلاب المستقبلي بدقة أعلى من استخدام CNN أو LSTM بمفردهما، محققًا أكثر من 90% دقة وتوازنًا قويًا بين رصد المشاكل وتجنّب الإنذارات الكاذبة.

تحويل التنبؤات إلى دروس تربية بدنية أفضل

بفضل هذه التنبؤات، لا يحتاج المعلمون إلى التخمين بشأن أي الطلاب قد يواجهون صعوبة في العام القادم أو أي المهارات متأخرة. إذا تكهن النموذج بانخفاض في القدرة على التحمل، على سبيل المثال، يمكن للطاقم تخطيط تمارين جري إضافية أو ألعاب هوائية لذلك الطفل. إذا بدا أن المرونة أو قوة الجذع ضعيفة، يمكنهم تعديل تمارين التمدد أو تمارين البطن. النظام لا يحل محل المعلمين، بل يعمل كأداة دعم اتخاذ قرار: يبرز الاتجاهات التي قد تُفقد في صفوف مزدحمة وكومة كبيرة من استمارات الورق.

ماذا يعني هذا للأسر والمدارس

بعبارات بسيطة، تُظهر هذه الدراسة أن اختبارات اللياقة اليومية يمكن أن تصبح أكثر بكثير من أرقام بطاقة التقرير السنوية. بالسماح للذكاء الاصطناعي بتمحيص سنوات من النتائج، يمكن للمدارس أن تمنح درجات أكثر عدلاً، وتكشف المشكلات مبكرًا، وتفصل خطط تمرين بحسب احتياجات كل طفل. تُظهر نماذج الدراسة أن الحواسيب قادرة على التعرف بثقة على أنماط التطور البدني لدى الأطفال والتنبؤ باتجاهها. بالنسبة للآباء والمربين، يعني ذلك فرصة أفضل للحفاظ على نشاط الأطفال وصحتهم وثقتهم—باستخدام المعلومات التي يجمعونها بالفعل، ولكن بطريقة أكثر ذكاءً بكثير.

الاستشهاد: Lv, M., Wang, J., Yang, Y. et al. An AI-based algorithm for analyzing physical activity and health-related fitness in youth. Sci Rep 16, 5105 (2026). https://doi.org/10.1038/s41598-026-35514-5

الكلمات المفتاحية: لياقة الشباب, التربية البدنية المدرسية, الذكاء الاصطناعي, مراقبة الصحة, تنبؤ الأداء