אלגוריתם מבוסס בינה מלאכותית לניתוח פעילות גופנית וכושר בריאותי בקרב ילדים

מדוע חשוב לעקוב אחרי כושר הילדים בעזרת כלים חכמים

הורים ומורים סומכים כבר שנים על מבחני כושר שנתיים בבתי הספר כדי להעריך עד כמה ילדים בריאים ופעילים. עם זאת, תוצאות אלו לעתים קרובות נשארות בתיקיות, והציונים יכולים להיות מושפעים מחשבונות מהירים או הערכות לא אחידות. מאמר זה בוחן כיצד בינה מלאכותית יכולה להפוך מדידות שגרתיות—כמו זמני ריצת ספרינט או מספר קפיצות בחבל—למערכת חזקה ואמינה שלא רק מדרגת ילדים בצורה הוגנת יותר, אלא גם חוזה כיצד סביר שיהיה שינוי בכושר שלהם לאורך זמן.

מתוצאות פשוטות לסיפורי בריאות עשירים

החוקרים התחילו ממאגר גדול של נתוני אמת: יותר מ‑13,000 רשומות כושר של תלמידי בתי ספר יסודיים שנאספו לאורך חמש שנים, מ‑2018 עד 2022. כל תיק תלמיד כלל מדידות גוף בסיסיות כגון גובה, משקל ומדד מסת גוף, לצד תוצאות מבחנים כמו ריצת 50 מטר, מבחן גמישות ישיבה והישג (sit-and-reach), דקה של קפיצות בחבל, שכיבות בטן ונפח ריאה. באופן מסורתי המורים השתמשו בתוצאות הללו כדי להעניק ציונים כוללים כמו "עובר" או "מצוין", אבל התהליך היה איטי, פגיע לטעויות ומנצל באופן מוגבל את המידע החבוי במספרים. המטרה של הצוות הייתה לנקות, לאחד ולחשוב מחדש על הנתונים הללו כדי שיוכלו לתמוך בקבלת החלטות חכמה יותר.

ללמד מחשבים לדרג בהגינות

כדי לשפר את תהליך הדירוג, המחברים בנו מודל מחשב שנקרא רשת עצבית בהטלה לאחור (backpropagation, BP). במקום להסתמך על כללים כתובים ביד, המודל לומד מדוגמאות: הוא חוקר תוצאות מבחנים של תלמידים רבים לצד הציונים הסופיים שמורים נתנו, ובאופן הדרגתי מגלה דפוסים המקשרים בין השניים. לפני אימון המודל הצוות הסיר רשומות פגומות, קנה את המספרים לטווח אחיד והשתמש בטכניקה שנקראת ניתוח רכיבים עיקריים (PCA) כדי לצמצם חפיפה בין מדידות קשורות מאוד כגון גובה, משקל ונפח ריאה. לאחר האימון יכלה רשת ה‑BP לקבל מדידות של תלמיד חדש ולהקצות מיידית אחד מארבע רמות—נכשל, עובר, טוב או מצוין—עם דיוק כ‑98%, משיגה יתרון ברור על פני שיטה מסורתית יותר שנקראת מכונת וקטורים תומכת (SVM).

מבט קדימה: חיזוי ביצועים עתידיים

ציון מבחן השנה מועיל, אבל המורים גם רוצים לדעת כיצד כושר הילד צפוי להתפתח לאורך שנים בודדות בביה"ס. כדי להתמודד עם זאת, החוקרים תכננו מודל שני שמשלב שתי טכניקות למידה עמוקה. רשת קונבולוציה (CNN) לומדת תחילה כיצד פריטי המבחן השונים מתקשרים זה עם זה בנקודת זמן נתונה, בעוד שרשת זיכרון לטווח ארוך וקצר (LSTM) בוחנת כיצד ציוני כל תלמיד משתנים משנה לשנה. שכבת "תשומת לב" נוספת עוזרת למערכת להתמקד בנקודות המידע המעניינות ביותר בהיסטוריה של הילד. מאומן על נתונים מ‑2018 עד 2021 ונבדק על 2022, המודל המשולב CNN‑LSTM חזה את ביצועי התלמידים בעתיד בצורה מדויקת יותר מאשר שימוש ב‑CNN או ב‑LSTM בלבד, והשיג דיוק של מעל 90% ואיזון חזק בין זיהוי בעיות לבין הימנעות מאזהרות שווא.

להפוך חיזויים לשיעורי חינוך גופני טובים יותר

מצוידים בחיזויים אלה, המורים אינם צריכים לנחש אילו תלמידים עלולים להיתקל בקשיים בשנה הבאה או אילו מיומנויות מפגרות מאחור. אם המודל חוזה ירידה בסיבולת, למשל, הצוות יכול לתכנן ריצות נוספות או משחקים אירובייים לילד ההוא. אם הגמישות או כוח הליבה נראים חלשים, ניתן להתאים שגרות מתיחה או שכיבות בטן. המערכת אינה מחליפה את המורים, אלא פועלת ככלי תמיכה בקבלת החלטות: היא מבליטה מגמות שאולי היו מפוספסות בכיתות צפופות ובערימות טפסים נרחבות.

מה המשמעות למשפחות ובתי ספר

במילים פשוטות, המחקר הזה מראה שמבחני כושר שגרתיים יכולים להיות הרבה יותר ממספרים בדו"ח שנתי. על ידי מתן יכולת לבינה מלאכותית להוציא לפועל ניתוח של שנים של תוצאות, בתי ספר יכולים לדרג ביתר הוגנות, לזהות בעיות מוקדם יותר ולהתאים תוכניות אימון לצרכים של כל ילד. המודלים במחקר ממחישים שמחשבים יכולים לזהות באופן אמין דפוסים בהתפתחות הפיזית של ילדים ולחזות לאן הם מתקדמים. עבור הורים ומחנכים, זה אומר סיכוי טוב יותר לשמור על ילדים פעילים, בריאים ובטוחים בעצמם—באמצעות מידע שהם כבר אוספים, אך באופן חכם הרבה יותר.

ציטוט: 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

מילות מפתח: כושר ילדים, חינוך גופני בבית הספר, בינה מלאכותית, ניטור בריאות, חיזוי ביצועים