Een AI-gebaseerd algoritme voor het analyseren van fysieke activiteit en gezondheidsgerelateerde fitheid bij jongeren

Waarom het bijhouden van de fitheid van kinderen met slimme hulpmiddelen ertoe doet

Ouders en leerkrachten hebben al lange tijd jaarlijkse schoolfitheidstests gebruikt om te beoordelen hoe gezond en actief kinderen zijn. Deze tests belanden echter vaak in archiefkasten, en scores kunnen worden beïnvloed door gehaaste berekeningen of inconsistente beoordeling. Dit artikel onderzoekt hoe kunstmatige intelligentie die routinematige metingen — zoals sprinttijden of aantal springtouwen — kan omzetten in een krachtig, betrouwbaar systeem dat kinderen niet alleen eerlijker beoordeelt, maar ook voorspelt hoe hun fitheid waarschijnlijk in de loop van de tijd zal veranderen.

Van eenvoudige scores naar rijke gezondheidsverhalen

De onderzoekers begonnen met een grote verzameling real‑world gegevens: meer dan 13.000 fitheidsregistraties van basisschoolleerlingen verzameld over vijf jaar, van 2018 tot 2022. Elk kindrecord bevatte basislichamelijke metingen zoals lengte, gewicht en body mass index, samen met testresultaten zoals een 50‑meterloop, een zit‑en‑reik test voor flexibiliteit, één minuut springtouw, sit‑ups en longcapaciteit. Traditioneel gebruikten leraren deze resultaten om overall cijfers toe te kennen zoals "voldoende" of "uitmuntend", maar het proces was traag, foutgevoelig en maakte weinig gebruik van de informatie die in de cijfers verborgen ligt. Het doel van het team was deze gegevens op te schonen, te standaardiseren en opnieuw te denken zodat ze veel slimmer gebruiksondersteuning konden bieden.

Computers leren eerlijk te beoordelen

Om het beoordelingsproces te verbeteren bouwden de auteurs een computermodel genaamd een backpropagation (BP) neurale netwerk. In plaats van te vertrouwen op handgeschreven regels leert dit model van voorbeelden: het bestudeert vele leerlingenresultaten samen met de eindoordelen die leraren hadden gegeven, en ontdekt geleidelijk patronen die de twee verbinden. Voor het trainen van het model verwijderde het team foutieve invoeren, schaaltet de getallen naar een gemeenschappelijk bereik en gebruikte een techniek genaamd hoofdcomponentenanalyse om overlap tussen sterk gerelateerde metingen zoals lengte, gewicht en longcapaciteit te verminderen. Eenmaal getraind kon het BP‑netwerk van de metingen van een nieuwe leerling onmiddellijk één van vier niveaus toekennen — onvoldoende, voldoende, goed of uitmuntend — met ongeveer 98% nauwkeurigheid, en daarmee een traditionelere methode genaamd support vector machine duidelijk overtreffen.

Vooruitkijken: toekomstige prestaties voorspellen

Het scoren van de test van dit jaar is nuttig, maar leraren willen ook weten hoe de fitheid van een kind zich waarschijnlijk zal ontwikkelen over meerdere schooljaren. Om dit aan te pakken ontwierpen de onderzoekers een tweede model dat twee deep‑learning technieken combineert. Een convolutioneel netwerk (CNN) leert eerst hoe verschillende testitems op een bepaald moment met elkaar samenhangen, terwijl een long short‑term memory (LSTM) netwerk bekijkt hoe de scores van elke leerling van jaar tot jaar veranderen. Een toegevoegde "attention" laag helpt het systeem zich te concentreren op de meest informatieve punten in de geschiedenis van een kind. Getraind op gegevens van 2018 tot 2021 en getest op 2022, voorspelde dit gecombineerde CNN‑LSTM‑model de toekomstige prestaties van leerlingen nauwkeuriger dan alleen CNN of LSTM, met meer dan 90% nauwkeurigheid en een goede balans tussen het opsporen van problemen en het vermijden van valse alarmen.

Voorspellingen omzetten in betere gymlessen

Met deze voorspellingen hoeven leraren niet te gokken welke leerlingen het volgend jaar moeite zullen hebben of welke vaardigheden achterblijven. Als het model bijvoorbeeld een daling in uithoudingsvermogen voorspelt, kan het personeel extra hardloop- of aerobe spelletjes plannen voor dat kind. Als flexibiliteit of corekracht zwak lijkt, kunnen ze rek‑ of sit‑up routines aanpassen. In plaats van leraren te vervangen fungeert het systeem als een beslissingsondersteunend hulpmiddel: het brengt trends aan het licht die anders mogelijk over het hoofd worden gezien in volle klaslokalen en stapels papieren formulieren.

Wat dit betekent voor gezinnen en scholen

In eenvoudige bewoordingen laat dit onderzoek zien dat alledaagse fitheidstests veel meer kunnen worden dan jaarlijkse cijfers op een rapport. Door AI jaren aan resultaten te laten analyseren, kunnen scholen eerlijker beoordelen, problemen eerder signaleren en trainingsplannen op maat maken voor de behoeften van elk kind. De modellen in de studie tonen aan dat computers betrouwbaar patronen in de lichamelijke ontwikkeling van kinderen kunnen herkennen en kunnen voorspellen waar die naartoe gaan. Voor ouders en opvoeders betekent dat een betere kans om kinderen actief, gezond en zelfverzekerd te houden — met behulp van informatie die ze al verzamelen, maar op een veel slimmer manier.

Bronvermelding: 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

Trefwoorden: fitness bij jongeren, lichamelijke opvoeding op school, kunstmatige intelligentie, gezondheidsmonitoring, prestatievoorspelling