Ein KI‑basiertes Verfahren zur Analyse von körperlicher Aktivität und gesundheitsbezogener Fitness bei Jugendlichen

Warum es wichtig ist, die Fitness von Kindern mit intelligenten Werkzeugen zu erfassen

Eltern und Lehrkräfte verlassen sich seit langem auf jährliche Schultests, um die Gesundheit und Aktivität von Kindern einzuschätzen. Diese Tests landen jedoch oft in Schubladen, und die Ergebnisse können durch hektische Berechnungen oder uneinheitliche Bewertung beeinflusst werden. Diese Arbeit untersucht, wie künstliche Intelligenz aus routinemäßigen Messwerten – etwa Sprintzeiten oder Anzahl beim Seilspringen – ein leistungsfähiges, verlässliches System machen kann, das Kinder gerechter einstuft und zugleich vorhersagt, wie sich ihre Fitness über die Zeit voraussichtlich entwickeln wird.

Von einfachen Noten zu aussagekräftigen Gesundheitsprofilen

Die Forscher begannen mit einem großen Bestand realer Daten: mehr als 13.000 Fitnessaufzeichnungen von Grundschulkindern, die über fünf Jahre von 2018 bis 2022 gesammelt wurden. In den Datensätzen fanden sich grundlegende Körpermaße wie Körpergröße, Gewicht und Body‑Mass‑Index sowie Testergebnisse wie ein 50‑Meter‑Lauf, ein Sit‑and‑Reach‑Flexibilitätstest, Ein‑Minute‑Seilspringen, Sit‑ups und Lungenvolumen. Traditionell nutzten Lehrkräfte diese Ergebnisse, um Gesamtnoten wie „nicht bestanden“ oder „ausgezeichnet“ zu vergeben, doch der Prozess war langsam, fehleranfällig und schöpfte die in den Zahlen verborgenen Informationen nur begrenzt aus. Das Ziel des Teams war es, diese Daten zu bereinigen, zu standardisieren und neu zu denken, damit sie deutlich intelligentere Entscheidungen unterstützen können.

Computern beibringen, gerecht zu bewerten

Um die Bewertung zu verbessern, entwickelten die Autoren ein Computermodell, ein Backpropagation‑(BP‑)Neurales Netzwerk. Anstatt sich auf handgeschriebene Regeln zu stützen, lernt dieses Modell aus Beispielen: Es analysiert viele Schülerergebnisse zusammen mit den von Lehrkräften vergebenen Endnoten und entdeckt schrittweise Muster, die die beiden verbinden. Vor dem Training entfernte das Team fehlerhafte Einträge, skalierte die Werte auf einen gemeinsamen Bereich und verwendete eine Methode namens Hauptkomponenten­analyse, um Überschneidungen zwischen stark korrelierten Messgrößen wie Größe, Gewicht und Lungenvolumen zu verringern. Nach dem Training konnte das BP‑Netzwerk die Messwerte eines neuen Schülers nehmen und sofort eine von vier Stufen zuweisen – nicht bestanden, bestanden, gut oder ausgezeichnet – mit etwa 98 % Genauigkeit und übertraf damit deutlich eine traditionellere Methode namens Support‑Vector‑Machine.

Nach vorn blicken: Vorhersage künftiger Leistungen

Die Bewertung des laufenden Jahres ist nützlich, doch Lehrkräfte möchten auch wissen, wie sich die Fitness eines Kindes über mehrere Schuljahre wahrscheinlich entwickelt. Dazu entwarfen die Forscher ein zweites Modell, das zwei Deep‑Learning‑Techniken kombiniert. Ein Convolutional Network (CNN) lernt zunächst, wie verschiedene Testelemente zueinander in Beziehung stehen, während ein Long Short‑Term Memory (LSTM) Netzwerk beobachtet, wie sich die Punktzahlen eines Schülers von Jahr zu Jahr verändern. Eine zusätzliche „Attention“-Schicht hilft dem System, sich auf die aussagekräftigsten Abschnitte in der Historie eines Kindes zu konzentrieren. Auf Daten von 2018 bis 2021 trainiert und an 2022 getestet, sagte dieses kombinierte CNN‑LSTM‑Modell die künftigen Leistungen der Schüler genauer voraus als CNN oder LSTM allein und erzielte über 90 % Genauigkeit sowie ein ausgewogenes Verhältnis zwischen dem Auffinden von Problemen und dem Vermeiden falscher Alarme.

Vorhersagen in besseren Sportunterricht übersetzen

Mit diesen Vorhersagen müssen Lehrkräfte nicht raten, welche Schüler im nächsten Jahr Schwierigkeiten haben könnten oder bei welchen Fertigkeiten Nachholbedarf besteht. Wenn das Modell beispielsweise einen Abfall der Ausdauer prognostiziert, können Lehrkräfte zusätzliche Lauf‑ oder Ausdauerspiele für das betreffende Kind einplanen. Scheint die Flexibilität oder die Rumpfkraft schwach, lassen sich Dehn‑ oder Sit‑up‑Einheiten anpassen. Das System ersetzt die Lehrkraft nicht, sondern dient als Entscheidungsunterstützung: Es macht Trends sichtbar, die in vollen Klassenräumen und unter Bergen von Papierformularen sonst leicht übersehen würden.

Was das für Familien und Schulen bedeutet

Kurz gesagt zeigt diese Forschung, dass alltägliche Fitnesstests weit mehr sein können als Jahresendnoten. Indem KI über Jahre gesammelte Ergebnisse auswertet, können Schulen gerechter bewerten, Probleme früher erkennen und Trainingspläne individuell auf die Bedürfnisse einzelner Kinder zuschneiden. Die Modelle der Studie demonstrieren, dass Computer zuverlässig Muster in der körperlichen Entwicklung von Kindern erkennen und deren voraussichtlichen Weg prognostizieren können. Für Eltern und Pädagoginnen und Pädagogen bedeutet das eine bessere Chance, Kinder aktiv, gesund und selbstbewusst zu halten – mit Informationen, die bereits erhoben werden, nur deutlich intelligenter genutzt.

Zitation: 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

Schlüsselwörter: Fitness von Jugendlichen, Schulsport, künstliche Intelligenz, Gesundheitsüberwachung, Leistungsprognose