En AI‑baserad algoritm för att analysera fysisk aktivitet och hälso‑relaterad kondition hos unga

Varför det spelar roll att följa barns kondition med smarta verktyg

Föräldrar och lärare har länge förlitat sig på årliga skoltester för att bedöma hur friska och aktiva barn är. Ofta hamnar dock dessa tester i arkivskåp, och poäng kan påverkas av snabba beräkningar eller ojämn rättning. Denna artikel undersöker hur artificiell intelligens kan förvandla rutinmässiga mätningar—som sprinttider eller hopp‑repetitioner—till ett kraftfullt, tillförlitligt system som inte bara ger rättvisare bedömningar utan också förutser hur barnens kondition sannolikt kommer att förändras över tid.

Från enkla poäng till rikare hälsohistorier

Forskarna började med en stor mängd verkliga data: mer än 13 000 konditionsregister från elever i grundskolan insamlade under fem år, från 2018 till 2022. Varje barns register inkluderade grundläggande kroppsmått som längd, vikt och body mass index, tillsammans med testresultat som 50‑meterslöpning, sitt‑och‑böj‑test för rörlighet, en minuts hopprep, situps och lungkapacitet. Traditionellt använde lärare dessa resultat för att tilldela övergripande betyg som ”underkänd” eller ”utmärkt”, men processen var långsam, felbenägen och utnyttjade i liten utsträckning den information som finns i siffrorna. Gruppens mål var att rensa, standardisera och ompröva dessa data så att de kunde stödja mycket smartare beslut.

Att lära datorer att betygsätta rättvist

För att förbättra betygsättningen byggde författarna en datormodell kallad ett backpropagation (BP) neuralt nätverk. Istället för att förlita sig på handskrivna regler lär sig denna modell från exempel: den studerar många elevers testresultat tillsammans med de slutbetyg lärare satt och upptäcker gradvis mönster som kopplar samman dem. Innan modellen tränades rensade teamet bort felaktiga poster, skalade siffrorna till ett gemensamt intervall och använde en teknik kallad huvudkomponentanalys för att reducera överlappning mellan starkt relaterade mått som längd, vikt och lungkapacitet. När BP‑nätverket väl var tränat kunde det ta en ny students mätvärden och ögonblickligen tilldela en av fyra nivåer—underkänd, godkänd, bra eller utmärkt—med cirka 98 % noggrannhet, vilket tydligt överträffade en mer traditionell metod kallad support vector machine.

Framåtblick: att förutsäga framtida prestation

Att sätta poäng på årets test är hjälpsamt, men lärare vill också veta hur ett barns kondition sannolikt kommer att utvecklas över flera skolår. För att hantera detta designade forskarna en andra modell som kombinerar två djupinlärningstekniker. Ett konvolutionsnätverk (CNN) lär sig först hur olika testmoment relaterar till varandra vid en given tidpunkt, medan ett long short‑term memory (LSTM)‑nätverk ser hur varje elevs poäng förändras från år till år. Ett tillagt ”attention”‑lager hjälper systemet att fokusera på de mest informativa punkterna i ett barns historik. Tränad på data från 2018 till 2021 och testad på 2022 förutsade denna kombinerade CNN‑LSTM‑modell elevers framtida prestation mer exakt än att använda CNN eller LSTM separat, och uppnådde över 90 % noggrannhet samt en stark balans mellan att upptäcka problem och undvika falska larm.

Att omvandla förutsägelser till bättre idrottslektioner

Med dessa prognoser behöver lärare inte gissa vilka elever som kan få svårt nästa år eller vilka färdigheter som halkar efter. Om modellen förutser en minskning i uthållighet kan personalen till exempel planera extra löpning eller konditionsövningar för det barnet. Om rörlighet eller bålstyrka verkar svagt kan de justera stretching‑ eller situp‑rutiner. Istället för att ersätta lärare fungerar systemet som ett beslutsstödsverktyg: det lyfter fram trender som annars kan förbises i fullsatta klassrum och bland stora högar med pappersformulär.

Vad detta betyder för familjer och skolor

Enkelt uttryckt visar denna forskning att vardagliga konditionstester kan bli mycket mer än årliga betygssiffror. Genom att låta AI gå igenom år av resultat kan skolor ge mer rättvisa betyg, upptäcka problem tidigare och skräddarsy träningsplaner efter varje barns behov. Studiens modeller visar att datorer på ett tillförlitligt sätt kan känna igen mönster i barns fysiska utveckling och förutsäga vart de är på väg. För föräldrar och pedagoger innebär det en bättre möjlighet att hålla barn aktiva, friska och självsäkra—genom att använda information de redan samlar in, men på ett mycket mer intelligent sätt.

Citering: 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

Nyckelord: ungdomsfysik, idrott i skolan, artificiell intelligens, hälsoövervakning, prestationsprediktion