Algorytm oparty na sztucznej inteligencji do analizy aktywności fizycznej i sprawności związanej ze zdrowiem u młodzieży

Dlaczego ważne jest monitorowanie sprawności dzieci przy pomocy inteligentnych narzędzi

Rodzice i nauczyciele od dawna polegają na corocznych szkolnych testach sprawności, by ocenić, jak zdrowe i aktywne są dzieci. Jednak te testy często lądują w szufladach, a wyniki mogą być zaburzone przez pośpieszne obliczenia lub niespójną ocenę. Niniejszy artykuł bada, jak sztuczna inteligencja może przekształcić rutynowe pomiary — takie jak czasy sprintu czy liczba skoków na skakance — w potężny, wiarygodny system, który nie tylko ocenia dzieci w sposób sprawiedliwszy, lecz także przewiduje, jak ich sprawność może zmieniać się w czasie.

Od prostych ocen do pełniejszych historii zdrowotnych

Naukowcy zaczęli od obszernego zbioru danych z rzeczywistej praktyki: ponad 13 000 rekordów sprawności uczniów szkół podstawowych zebranych w ciągu pięciu lat, od 2018 do 2022 roku. Każdy rekord zawierał podstawowe pomiary ciała, takie jak wzrost, waga i wskaźnik masy ciała, wraz z wynikami testów takimi jak bieg na 50 metrów, test gibkości „sięgania palców”, skakanka przez jedną minutę, brzuszki i pojemność płuc. Tradycyjnie nauczyciele używali tych wyników do przyznawania ogólnych ocen, takich jak „niedostateczny” czy „wyróżniający się”, ale proces ten był powolny, podatny na błędy i wykorzystywał ograniczoną ilość informacji ukrytej w liczbach. Celem zespołu było oczyszczenie, ustandaryzowanie i przemyślenie tych danych, aby mogły wspierać znacznie mądrzejsze decyzje.

Nauka komputerów oceniania w sposób sprawiedliwy

Aby usprawnić proces oceniania, autorzy zbudowali model komputerowy zwany siecią neuronową z wsteczną propagacją (BP). Zamiast polegać na ręcznie pisanych regułach, model ten uczy się na przykładach: analizuje wiele wyników uczniów wraz z końcowymi ocenami wystawionymi przez nauczycieli i stopniowo odkrywa wzorce łączące oba elementy. Przed treningiem modelu zespół usunął błędne wpisy, przeskalował wartości do wspólnego zakresu i zastosował technikę analizy głównych składowych (PCA), aby zmniejszyć nakładanie się wysoko skorelowanych miar, takich jak wzrost, waga i pojemność płuc. Po wytrenowaniu sieć BP mogła pobrać pomiary nowego ucznia i natychmiast przypisać jeden z czterech poziomów — niedostateczny, dostateczny, dobry lub wyróżniający się — z około 98% dokładnością, wyraźnie przewyższając bardziej tradycyjną metodę zwaną maszyną wektorów nośnych (SVM).

Patrząc w przyszłość: przewidywanie przyszłych wyników

Ocena tegorocznego testu jest pomocna, ale nauczyciele także chcą wiedzieć, jak sprawność dziecka prawdopodobnie rozwinie się w ciągu kilku lat szkolnych. Aby to rozwiązać, badacze zaprojektowali drugi model łączący dwie techniki głębokiego uczenia. Sieć splotowa (CNN) najpierw uczy się, jak poszczególne zadania testowe odnoszą się do siebie w danym momencie, podczas gdy sieć z długą pamięcią krótkotrwałą (LSTM) analizuje, jak wyniki każdego ucznia zmieniają się z roku na rok. Dodatkowa warstwa „uwagi” pomaga systemowi skupić się na najbardziej informatywnych punktach w historii dziecka. Wytrenowany na danych z lat 2018–2021 i przetestowany na 2022 roku, połączony model CNN‑LSTM przewidywał przyszłe wyniki uczniów dokładniej niż wykorzystanie samego CNN lub LSTM, osiągając ponad 90% dokładności i silną równowagę między wykrywaniem problemów a unikaniem fałszywych alarmów.

Przekształcanie prognoz w lepsze zajęcia WF

Dysponując tymi prognozami, nauczyciele nie muszą zgadywać, którzy uczniowie mogą mieć trudności w przyszłym roku ani jakie umiejętności pozostają w tyle. Jeśli model prognozuje spadek wytrzymałości, personel może zaplanować dodatkowe biegi lub gry aerobowe dla tego ucznia. Jeśli gibkość lub siła tułowia wydają się słabe, można dostosować ćwiczenia rozciągające lub program brzuszków. System nie zastępuje nauczycieli — działa jako narzędzie wspomagające podejmowanie decyzji: ujawnia trendy, które mogłyby umknąć w zatłoczonych klasach i przy dużej ilości papierowych formularzy.

Co to oznacza dla rodzin i szkół

Mówiąc wprost, badanie to pokazuje, że codzienne testy sprawności mogą stać się czymś więcej niż corocznymi ocenami. Dzięki temu, że AI przeanalizuje wieloletnie wyniki, szkoły mogą oceniać uczniów sprawiedliwiej, wykrywać problemy wcześniej i dostosowywać plany ćwiczeń do potrzeb każdego dziecka. Modele z badania pokazują, że komputery potrafią wiarygodnie rozpoznawać wzorce w rozwoju fizycznym dzieci i prognozować, dokąd zmierzają. Dla rodziców i wychowawców oznacza to większą szansę na utrzymanie dzieci aktywnymi, zdrowymi i pewnymi siebie — wykorzystując informacje, które już zbierają, ale w znacznie inteligentniejszy sposób.

Cytowanie: 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

Słowa kluczowe: sprawność młodzieży, wychowanie fizyczne w szkole, sztuczna inteligencja, monitorowanie zdrowia, prognozowanie wyników