Un algorithme basé sur l’IA pour analyser l’activité physique et la forme liée à la santé chez les jeunes

Pourquoi il est important de suivre la forme des enfants avec des outils intelligents

Parents et enseignants se sont longtemps appuyés sur des tests annuels d’école pour juger de la santé et du niveau d’activité des enfants. Pourtant, ces tests finissent souvent dans des armoires, et les résultats peuvent être biaisés par des calculs hâtifs ou une notation inconsistante. Cet article examine comment l’intelligence artificielle peut transformer ces mesures de routine — comme les temps de sprint ou le nombre de sauts à la corde — en un système fiable et puissant qui non seulement évalue les enfants de façon plus équitable, mais prédit aussi comment leur forme est susceptible d’évoluer dans le temps.

De simples notes à des récits riches sur la santé

Les chercheurs ont commencé avec une importante base de données du monde réel : plus de 13 000 dossiers de forme physique d’élèves du primaire recueillis sur cinq ans, de 2018 à 2022. Le dossier de chaque enfant comprenait des mesures corporelles basiques telles que la taille, le poids et l’indice de masse corporelle, ainsi que des résultats de tests comme le 50 mètres, le test de flexibilité assis‑et‑toucher, le saut à la corde en une minute, les abdominaux et la capacité pulmonaire. Traditionnellement, les enseignants utilisaient ces résultats pour attribuer des mentions globales comme « insuffisant » ou « excellent », mais le processus était lent, sujet aux erreurs et n’exploitait que peu l’information cachée dans les chiffres. L’objectif de l’équipe était de nettoyer, standardiser et repenser ces données afin qu’elles puissent soutenir des décisions beaucoup plus intelligentes.

Apprendre aux ordinateurs à noter équitablement

Pour améliorer le processus de notation, les auteurs ont construit un modèle informatique appelé réseau de neurones à rétropropagation (BP). Plutôt que de s’appuyer sur des règles écrites à la main, ce modèle apprend à partir d’exemples : il étudie de nombreux résultats de tests d’élèves associés aux notes finales attribuées par les enseignants, et découvre progressivement des motifs liant les deux. Avant d’entraîner le modèle, l’équipe a supprimé les entrées erronées, mis les chiffres à l’échelle sur une même plage et utilisé une technique appelée analyse en composantes principales pour réduire le recouvrement entre des mesures fortement liées comme la taille, le poids et la capacité pulmonaire. Une fois entraîné, le réseau BP pouvait prendre les mesures d’un nouvel élève et attribuer instantanément l’un des quatre niveaux — insuffisant, satisfaisant, bon ou excellent — avec environ 98 % de précision, surpassant nettement une méthode plus traditionnelle appelée machine à vecteurs de support.

Prévoir les performances futures

Évaluer le test de cette année est utile, mais les enseignants veulent aussi savoir comment la forme d’un enfant est susceptible d’évoluer sur plusieurs années scolaires. Pour répondre à cela, les chercheurs ont conçu un second modèle qui combine deux techniques d’apprentissage profond. Un réseau convolutionnel (CNN) apprend d’abord comment les différents items de test se rapportent les uns aux autres à un instant donné, tandis qu’un réseau à mémoire à long terme (LSTM) observe comment les scores de chaque élève évoluent d’une année sur l’autre. Une couche d’« attention » supplémentaire aide le système à se concentrer sur les points les plus informatifs de l’historique d’un enfant. Entraîné sur les données de 2018 à 2021 et testé sur 2022, ce modèle combiné CNN‑LSTM a prédit les performances futures des élèves plus précisément que le CNN ou le LSTM seuls, atteignant plus de 90 % de précision et un bon équilibre entre détection des problèmes et limitation des fausses alertes.

Transformer les prévisions en meilleurs cours d’EPS

Grâce à ces prévisions, les enseignants n’ont plus à deviner quels élèves pourraient rencontrer des difficultés l’année suivante ni quelles compétences sont en retard. Si le modèle prévoit une baisse d’endurance, par exemple, le personnel peut prévoir des séances supplémentaires de course ou des jeux d’aérobie pour cet enfant. Si la flexibilité ou la force du tronc paraît faible, ils peuvent ajuster les routines d’étirement ou d’abdominaux. Plutôt que de remplacer les enseignants, le système agit comme un outil d’aide à la décision : il met en évidence des tendances qui pourraient autrement passer inaperçues dans des classes bondées et des piles de formulaires papier.

Ce que cela signifie pour les familles et les écoles

Concrètement, cette recherche montre que les tests de forme du quotidien peuvent devenir bien plus que des chiffres sur le bulletin annuel. En laissant l’IA analyser des années de résultats, les écoles peuvent noter plus équitablement, repérer les problèmes plus tôt et adapter les programmes d’exercice aux besoins de chaque enfant. Les modèles de l’étude démontrent que les ordinateurs peuvent reconnaître de façon fiable les motifs du développement physique des enfants et prévoir leur trajectoire. Pour les parents et les éducateurs, cela signifie une meilleure chance de garder les enfants actifs, en bonne santé et confiants — en utilisant des informations déjà collectées, mais de manière beaucoup plus intelligente.

Citation: 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

Mots-clés: forme des jeunes, éducation physique scolaire, intelligence artificielle, suivi de la santé, prévision des performances