Gençlerde fiziksel aktivite ve sağlıkla ilgili zindeliği analiz etmek için yapay zekâ tabanlı bir algoritma

Çocukların zindeliğini akıllı araçlarla izlemek neden önemli

Veliler ve öğretmenler uzun süredir çocukların ne kadar sağlıklı ve aktif olduğunu değerlendirmek için yıllık okul zindelik testlerine güveniyor. Ancak bu testler çoğu zaman dosya dolaplarında kalıyor ve puanlar aceleyle yapılan hesaplamalardan veya tutarsız değerlendirmelerden etkilenebiliyor. Bu makale, sprint süreleri veya ip atlama sayısı gibi rutin ölçümleri, çocuklara daha adil puan vermenin ötesinde zaman içinde zindeliklerindeki değişimi de öngörebilen güçlü ve güvenilir bir sisteme dönüştürebilecek yapay zekâ uygulamalarını inceliyor.

Basit puanlardan zengin sağlık öykülerine

Araştırmacılar, gerçek dünyadan geniş bir veri kümesiyle işe başladı: 2018–2022 yılları arasında ilkokul öğrencilerinden toplanan 13.000’den fazla zindelik kaydı. Her çocuğun kaydı, boy, kilo ve vücut kitle indeksi gibi temel beden ölçümlerinin yanı sıra 50 metre koşu, oturup-öne eğilme esneklik testi, bir dakikalık ip atlama, mekik ve akciğer kapasitesi gibi test sonuçlarını içeriyordu. Geleneksel olarak öğretmenler bu sonuçları “başarısız” veya “mükemmel” gibi genel notlar vermek için kullanıyordu; ancak süreç yavaş, hataya açık ve sayılardaki bilgiden sınırlı biçimde yararlanıyordu. Ekip, bu verileri temizleyip standartlaştırmayı ve daha akıllı kararları destekleyecek şekilde yeniden düzenlemeyi hedefledi.

Bilgisayarlara daha adil not vermeyi öğretmek

Notlandırma sürecini iyileştirmek için yazarlar, geri yayılımlı (BP) bir yapay sinir ağı adlı bir bilgisayar modeli geliştirdi. Elle yazılmış kurallara dayanmak yerine bu model örneklerden öğreniyor: çok sayıda öğrencinin test sonuçlarını öğretmenlerin verdiği nihai notlarla birlikte inceleyerek ikisi arasındaki desenleri kademeli olarak keşfediyor. Modeli eğitmeden önce ekip hatalı girişleri çıkardı, sayıları ortak bir aralığa ölçeklendirdi ve boy, kilo ile akciğer kapasitesi gibi yüksek derecede ilişkili ölçümler arasındaki örtüşmeyi azaltmak için ana bileşenler analizi adlı bir teknik kullandı. Eğitildikten sonra BP ağı, yeni bir öğrencinin ölçümlerini alıp anında dört düzeyden birini — başarısız, geçen, iyi veya üstün — yaklaşık %98 doğrulukla atayabiliyordu; bu, destek vektör makinesi adı verilen daha geleneksel bir yöntemi belirgin bir farkla geride bıraktı.

Geleceğe bakış: gelecekteki performansı tahmin etmek

Bu yılki testi puanlamak faydalı olsa da öğretmenler bir çocuğun zindeliğinin birkaç okul yılında nasıl gelişeceğini de bilmek istiyor. Bunu ele almak için araştırmacılar iki derin öğrenme tekniğini birleştiren ikinci bir model tasarladı. Bir evrişimsel ağ (CNN) ilk olarak belirli bir zamanda farklı test maddelerinin birbirleriyle nasıl ilişkili olduğunu öğrenirken, uzun-kısa süreli bellek (LSTM) ağı her öğrencinin puanlarının yıldan yıla nasıl değiştiğine bakıyor. Eklenen bir “dikkat” katmanı sistemin bir çocuğun geçmişindeki en bilgi verici noktalara odaklanmasına yardımcı oluyor. 2018–2021 verileriyle eğitilen ve 2022 üzerinde test edilen bu birleşik CNN‑LSTM modeli, yalnızca CNN veya LSTM kullanmaya kıyasla öğrencilerin gelecekteki performansını daha doğru tahmin etti; %90’ın üzerinde doğruluk ve sorunları yakalamayla yanlış alarmlardan kaçınma arasında güçlü bir denge sağladı.

Tahminleri daha iyi beden eğitimi derslerine dönüştürmek

Bu tahminlerle öğretmenlerin gelecek yıl hangi öğrencilerin zorlanabileceğini ya da hangi becerilerin geride kaldığını tahmin etmeleri gerekmez. Örneğin model dayanıklılığın düşeceğini öngörürse, personel o çocuk için ekstra koşu ya da aerobik oyunlar planlayabilir. Esneklik ya da merkez gücü zayıf görünüyorsa, esneme veya mekik rutinlerini ayarlayabilirler. Sistemin amacı öğretmenlerin yerini almak değil; kalabalık sınıflarda ve büyük dosya yığınlarında kaçırılabilecek eğilimleri ortaya çıkaran bir karar destek aracı olarak hizmet etmektir.

Bu aileler ve okullar için ne anlama geliyor

Sade bir ifadeyle, bu araştırma günlük zindelik testlerinin yıllık karne rakamlarından çok daha fazlası haline gelebileceğini gösteriyor. Yapay zekânın yılların sonuçları arasında süzme yapmasına izin vererek okullar daha adil not verebilir, sorunları daha erken tespit edebilir ve her çocuğun ihtiyaçlarına göre egzersiz planları uyarlayabilir. Çalışmadaki modeller, bilgisayarların çocukların fiziksel gelişimindeki desenleri güvenilir şekilde tanıyabileceğini ve nerede ilerleyeceklerini tahmin edebileceğini gösteriyor. Veliler ve eğitimciler için bu, zaten topladıkları bilgilerle çocukları daha aktif, sağlıklı ve özgüvenli tutma şansını artıran daha akıllı bir yaklaşım demek.

Atıf: 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

Anahtar kelimeler: genç zindeliği, okul beden eğitimi, yapay zekâ, sağlık izlemi, performans tahmini