التنبؤ بجودة النوم لدى لاعبي كرة السلة باستخدام إطار تعلم عميق مع آلية انتباه مبنية على بيانات متعددة الأنماط

لماذا النوم مهم للرياضيين الطلاب

بالنسبة إلى لاعبي كرة السلة في الجامعة، كثيرًا ما تتصادم جلسات الدراسة المتأخرة وتدريبات الصباح الباكر والمباريات عالية الضغط، مما يترك مساحة ضئيلة لنوم جيد. ومع ذلك، فإن النوم هو الوقت الذي يصلح فيه الجسم العضلات، وتترسخ فيه التعلمات في العقل، وتستقر العواطف. تطرح هذه الدراسة سؤالًا عمليًا ذو آثار كبيرة على صحة اللاعبين وأدائهم: هل يمكن أن نستخدم اختبارات واستبيانات بسيطة تجمعها الفرق بالفعل — مثل مقاييس اللياقة البدنية ووزن الجسم ومستويات التوتر — لتحديد تلقائيًا أي اللاعبين معرضون لخطر سوء النوم؟

النظر إلى اللاعب ككل

بدلاً من التركيز على رقم واحد مثل ساعات النوم أو قراءة جهاز تتبّع، اتخذ الباحثون رؤية شاملة لما يشكل النوم. عملوا مع فرق كرة سلة جامعية عبر ثمانٍ مقاطعات في الصين وجمعوا بيانات من 379 لاعبًا. أكمل كل رياضي استبانات نفسية معيارية عن القلق والإجهاد المدرك، واستبيانًا واسع الاستخدام لجودة النوم، ونموذجًا إلكترونيًا عن العمر والجنس والسنة الدراسية وخلفية التدريب. في الوقت نفسه، قام موظفو التربية البدنية بقياس الطول والوزن والسعة الرئوية وسرعة العدو والقفز وقوة العضلات عبر اختبارات مثل العقلة أو الجلوس والوقوف، والقدرة على التحمل في المضمار. أنتج هذا المزيج ملفًا غنيًا عن جسم وعقل كل لاعب.

تحويل البيانات إلى مستويات خطر للنوم

لجعل النتائج مفيدة للمدربين وفرق الصحة، قسم الباحثون اللاعبين إلى ثلاث فئات بناءً على درجات استبيان النوم: نوم جيد، مشاكل متوسطة، ونوم سيئ. وجد أن ما يقرب من نصف اللاعبين يقع في فئة النوم السيئ، مما يبرز مدى شيوع مشكلات النوم في الرياضة الجامعية. ثم قام الفريق بتنظيف البيانات وتوحيدها وملء القيم المفقودة، واستخدم هذه الملفات لتدريب عدة نماذج حاسوبية. تمت مقارنة الأساليب التقليدية مثل الانحدار اللوجستي والأساليب القائمة على الأشجار مع نموذج تعلم عميق أكثر مرونة يسمى شبكة متعددة الطبقات مزودة بآلية انتباه. يمكن لهذا النموذج أن يتعلّم أي أجزاء المعلومات تستحق «الانتباه» أكثر عند إجراء التنبؤات، مما يسمح له بوزن العوامل البدنية والنفسية والخلفية بطرق مختلفة.

ما الذي تعلّمه النموذج الذكي

أدى نموذج آلية الانتباه أداءً أفضل إلى حد ما من النماذج التقليدية في تصنيف الرياضيين إلى المجموعات الثلاث للنوم. كانت دقته الإجمالية حوالي 73%، مع توازن ملحوظ أعلى في تحديد كل فئة بشكل صحيح مقارنة بالطرق الأخرى. ومع ذلك، كان التحسن متواضعًا لا كبيرًا، وكان النموذج يواجه صعوبة أكبر مع الفئة الوسطى «المتوسطة»، حيث النوم ليس جيدًا بوضوح ولا سيئًا بوضوح. يشير ذلك إلى أن الحالات الحدية يصعب تمييزها بالقياسات الحالية. عندما جرب الباحثون تقنيات تعيد موازنة البيانات اصطناعيًا — عبر إعطاء أوزان إضافية للحالات قليلة التمثيل أو إنشاء أمثلة تركيبية — تحسّن أداء النموذج في التعرف على الفئة المتوسطة، وإن كان ذلك بتكلفة بسيطة في الدقة الإجمالية.

قرائن من الجسم والعقل

لتفادي نظام «الصندوق الأسود»، فحصت الدراسة أيضًا السمات التي بدا أن النموذج يعتمد عليها أكثر. استُخدم أداتان مكملتان: آلية الانتباه داخل الشبكة التي تبرز أماكن تركيز النموذج، وطريقة تسمى SHAP التي تقدّر مقدار تأثير كل عامل في دفع التنبؤات نحو نوم أفضل أو أسوأ. عبر هاتين النظرتين، برز العبء النفسي — لا سيما القلق والإجهاد المدرك — كعوامل مرتبطة بقوة بسوء النوم. لعب مؤشر كتلة الجسم (نسبة بسيطة من الوزن إلى الطول) وعدة مقاييس لياقة مثل قوة الجزء العلوي من الجسم والسعة الرئوية دورًا مهمًا أيضًا، إلى جانب السنة الدراسية وتكرار التدريب. أظهرت العديد من اختبارات اللياقة الفردية روابط مباشرة ضعيفة مع النوم عند النظر إليها واحدة تلو الأخرى، لكنها معًا أضافت معلومات مفيدة، لا سيما عند دمجها مع مقاييس الصحة النفسية.

ما يعنيه هذا للفرق

للمدربين والمدربين البدنيين وفرق الصحة الجامعية، الرسالة الأساسية ليست أن جهازًا حاسوبيًا يمكنه تشخيص من ينام سيئًا بشكل قطعي، بل أن البيانات اليومية يمكن أن تساعد في الإشارة إلى اللاعبين الذين قد يحتاجون إلى عناية أقرب. قدم نهج التعلم العميق مكاسب صغيرة لكنها ذات دلالة إحصائية مقارنة بالنماذج الأبسط، وسلّط الضوء على أن القلق والإجهاد والوزن من بين أهم علامات التحذير المعلوماتية. وبما أن أداء النموذج كان الأسوأ لدى «النائمين في الوسط»، يوصي المؤلفون باستخدامه كأداة فحص وفرز: تحديد اللاعبين ذوي المخاطر الأعلى، ثم المتابعة بنقاشات وتقييمات أكثر تفصيلًا، وإذا لزم الأمر، إحالتهم إلى رعاية مهنية. قد تساهم الأعمال المستقبلية التي تضيف معلومات سلوكية وجدولية — مثل استهلاك الكافيين، ووقت الشاشة ليلاً، وأوقات التدريب — في تحسين هذه التنبؤات ومساعدة الفرق على حماية الأداء والصحة طويلة الأمد على حد سواء.

الاستشهاد: Liu, L., Miao, J. Sleep quality prediction in basketball athletes using a deep learning framework with an attention mechanism based on multimodal data. Sci Rep 16, 11900 (2026). https://doi.org/10.1038/s41598-026-42147-1

الكلمات المفتاحية: نوم الرياضيين, أداء كرة السلة, علم نفس الرياضة, تعلم الآلة والصحة, الرياضيون الجامعيون