Um algoritmo baseado em IA para analisar atividade física e aptidão relacionada à saúde em jovens

Por que monitorar a aptidão de crianças com ferramentas inteligentes importa

Pais e professores há muito dependem de testes de aptidão escolares anuais para avaliar quão saudáveis e ativos são as crianças. Ainda assim, esses testes frequentemente acabam em arquivos, e as pontuações podem ser influenciadas por cálculos apressados ou avaliações inconsistentes. Este artigo explora como a inteligência artificial pode transformar essas medições rotineiras — como tempos em sprints ou contagens de pular corda — em um sistema poderoso e confiável que não apenas pontua as crianças de forma mais justa, mas também prevê como sua aptidão provavelmente mudará ao longo do tempo.

De pontuações simples a narrativas ricas sobre a saúde

Os pesquisadores começaram com um grande conjunto de dados do mundo real: mais de 13.000 registros de aptidão de alunos do ensino fundamental coletados ao longo de cinco anos, de 2018 a 2022. O registro de cada criança incluía medidas corporais básicas, como altura, peso e índice de massa corporal, junto com resultados de testes como corrida de 50 metros, teste de flexibilidade sentar-e-alcançar, pular corda por um minuto, abdominais e capacidade pulmonar. Tradicionalmente, os professores usavam esses resultados para atribuir notas gerais como “reprovado” ou “excelente”, mas o processo era lento, sujeito a erros e fazia uso limitado das informações escondidas nos números. O objetivo da equipe foi limpar, padronizar e repensar esses dados para que pudessem suportar decisões muito mais inteligentes.

Ensinando computadores a avaliar de forma justa

Para melhorar o processo de avaliação, os autores construíram um modelo computacional chamado rede neural de retropropagação (BP). Em vez de depender de regras escritas à mão, esse modelo aprende a partir de exemplos: ele estuda muitos resultados de testes de alunos juntamente com as notas finais que os professores haviam dado e gradualmente descobre padrões que conectam os dois. Antes de treinar o modelo, a equipe removeu entradas defeituosas, escalou os números para uma faixa comum e usou uma técnica chamada análise de componentes principais para reduzir a sobreposição entre medidas altamente correlacionadas, como altura, peso e capacidade pulmonar. Uma vez treinada, a rede BP podia receber as medidas de um novo aluno e atribuir instantaneamente um dos quatro níveis — reprovado, aprovado, bom ou excelente — com cerca de 98% de precisão, superando um método mais tradicional chamado máquina de vetor de suporte por uma margem clara.

Olhando adiante: prevendo desempenho futuro

Pontuar o teste deste ano é útil, mas os professores também querem saber como a aptidão de uma criança provavelmente se desenvolverá ao longo de vários anos escolares. Para enfrentar isso, os pesquisadores projetaram um segundo modelo que combina duas técnicas de deep learning. Uma rede convolucional (CNN) primeiro aprende como diferentes itens de teste se relacionam entre si num dado momento, enquanto uma rede de memória de longo curto prazo (LSTM) observa como as pontuações de cada aluno mudam de ano para ano. Uma camada adicional de “atenção” ajuda o sistema a se concentrar nos pontos mais informativos do histórico da criança. Treinado com dados de 2018 a 2021 e testado em 2022, esse modelo combinado CNN‑LSTM previu o desempenho futuro dos alunos com mais precisão do que usar apenas CNN ou LSTM, alcançando mais de 90% de acurácia e um forte equilíbrio entre detectar problemas e evitar falsos alarmes.

Transformando previsões em melhores aulas de educação física

Com essas previsões em mãos, os professores não precisam adivinhar quais alunos podem ter dificuldades no próximo ano ou quais habilidades estão ficando para trás. Se o modelo prevê uma queda na resistência, por exemplo, a equipe pode planejar corridas extras ou jogos aeróbicos para aquela criança. Se a flexibilidade ou a força do core parecer fraca, eles podem ajustar rotinas de alongamento ou abdominais. Em vez de substituir os professores, o sistema atua como uma ferramenta de apoio à decisão: ele destaca tendências que poderiam passar despercebidas em salas cheias e em grandes pilhas de fichas.

O que isso significa para famílias e escolas

Em termos simples, esta pesquisa mostra que testes de aptidão cotidianos podem se tornar muito mais do que números no boletim anual. Ao permitir que a IA vasculhe anos de resultados, as escolas podem avaliar com mais justiça, detectar problemas mais cedo e adaptar planos de exercício às necessidades de cada criança. Os modelos do estudo demonstram que os computadores podem reconhecer padrões no desenvolvimento físico das crianças de forma confiável e prever para onde eles estão caminhando. Para pais e educadores, isso significa uma chance melhor de manter as crianças ativas, saudáveis e confiantes — usando informações que já coletam, mas de uma maneira muito mais inteligente.

Citação: 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

Palavras-chave: aptidão de jovens, educação física escolar, inteligência artificial, monitoramento da saúde, previsão de desempenho