Un algoritmo basato sull’intelligenza artificiale per analizzare l’attività fisica e il fitness legato alla salute nei giovani

Perché è importante monitorare il fitness dei bambini con strumenti intelligenti

I genitori e gli insegnanti si sono a lungo affidati ai test di fitness scolastici annuali per valutare quanto i bambini siano sani e attivi. Tuttavia questi test spesso restano nei cassetti, e i punteggi possono essere influenzati da calcoli frettolosi o valutazioni incoerenti. Questo studio esplora come l’intelligenza artificiale possa trasformare quelle misure di routine — come i tempi di sprint o il conteggio dei salti con la corda — in un sistema potente e affidabile che non solo valuta i bambini in modo più equo, ma predice anche come è probabile che il loro fitness cambi nel tempo.

Dai semplici punteggi a storie di salute più ricche

I ricercatori sono partiti da un grande insieme di dati reali: più di 13.000 registrazioni di fitness di studenti della scuola primaria raccolte in cinque anni, dal 2018 al 2022. Il fascicolo di ogni bambino includeva misure corporee di base come altezza, peso e indice di massa corporea, insieme ai risultati dei test come corsa sui 50 metri, test di flessibilità sit-and-reach, salto con la corda in un minuto, addominali e capacità polmonare. Tradizionalmente gli insegnanti usavano questi risultati per assegnare giudizi complessivi come “insufficiente” o “ottimo”, ma il processo era lento, soggetto a errori e sfruttava poco le informazioni nascoste nei numeri. L’obiettivo del team era pulire, standardizzare e ripensare questi dati in modo che potessero supportare decisioni molto più intelligenti.

Insegnare ai computer a valutare con equità

Per migliorare il processo di valutazione, gli autori hanno costruito un modello informatico chiamato rete neurale a retropropagazione (BP). Invece di affidarsi a regole scritte a mano, questo modello impara dagli esempi: analizza molti risultati dei test degli studenti insieme ai voti finali assegnati dagli insegnanti e scopre gradualmente i pattern che collegano i due elementi. Prima di addestrare il modello, il team ha rimosso le voci errate, ha scalato i numeri su un intervallo comune e ha usato una tecnica chiamata analisi delle componenti principali per ridurre la sovrapposizione tra misure altamente correlate come altezza, peso e capacità polmonare. Una volta addestrata, la rete BP è stata in grado di prendere le misurazioni di un nuovo studente e assegnare istantaneamente uno dei quattro livelli — insufficiente, sufficiente, buono o ottimo — con circa il 98% di accuratezza, superando con margine un metodo più tradizionale chiamato support vector machine.

Guardare avanti: predire le prestazioni future

Valutare i test di quest’anno è utile, ma gli insegnanti vogliono anche sapere come è probabile che il fitness di un bambino si sviluppi nel corso di più anni scolastici. Per affrontare questo aspetto, i ricercatori hanno progettato un secondo modello che combina due tecniche di deep learning. Una rete convoluzionale (CNN) impara prima come i diversi elementi del test si relazionano tra loro in un dato momento, mentre una rete a memoria a lungo termine (LSTM) osserva come i punteggi di ciascuno studente cambiano di anno in anno. Uno strato di “attenzione” aggiunto aiuta il sistema a concentrarsi sui punti più informativi nella storia di un bambino. Addestrato sui dati dal 2018 al 2021 e testato sul 2022, questo modello combinato CNN-LSTM ha predetto le prestazioni future degli studenti con maggiore precisione rispetto all’uso della sola CNN o della sola LSTM, raggiungendo oltre il 90% di accuratezza e un buon equilibrio tra individuare problemi e evitare falsi allarmi.

Trasformare le predizioni in lezioni di educazione fisica migliori

Con queste predizioni, gli insegnanti non devono indovinare quali studenti potrebbero avere difficoltà l’anno successivo o quali abilità sono in ritardo. Se il modello prevede un calo della resistenza, ad esempio, il personale può pianificare corse extra o giochi aerobici per quel bambino. Se la flessibilità o la forza del core risultano carenti, possono adattare le routine di stretching o gli esercizi addominali. Piuttosto che sostituire gli insegnanti, il sistema agisce come uno strumento di supporto alle decisioni: mette in evidenza tendenze che altrimenti potrebbero essere trascurate in classi affollate e tra grandi quantità di moduli cartacei.

Cosa significa questo per famiglie e scuole

In parole semplici, questa ricerca mostra che i test di fitness di tutti i giorni possono diventare molto più dei numeri sul rapporto annuale. Permettendo all’IA di vagliare anni di risultati, le scuole possono valutare in modo più equo, individuare problemi prima e adattare i piani di esercizio alle esigenze di ogni bambino. I modelli dello studio dimostrano che i computer possono riconoscere in modo affidabile i pattern nello sviluppo fisico dei bambini e prevedere dove stanno andando. Per genitori ed educatori, ciò significa una migliore opportunità per mantenere i ragazzi attivi, in salute e sicuri di sé — usando le informazioni che già raccolgono, ma in modo molto più intelligente.

Citazione: 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

Parole chiave: fitness giovanile, educazione fisica scolastica, intelligenza artificiale, monitoraggio della salute, predizione delle prestazioni