Многие люди сталкиваются с трудностями в поддержании регулярных тренировок. Однако команда исследователей из Университета Миссисипи (University of Mississippi) использовала искусственный интеллект, чтобы выяснить, какие факторы помогают людям оставаться активными.
Группа ученых, в которую входят Сунгбак Ли (Seungbak Lee), Джу-Пил Чо (Ju-Pil Choe) и Минсу Кан (Minsoo Kang), профессор спортивной аналитики, стремится предсказать, следуют ли люди рекомендациям по физической активности, основываясь на их антропометрических данных, демографических характеристиках и образе жизни. Их исследование опубликовано в журнале Scientific Reports.
Методология
Для анализа данных ученые использовали данные из Национального обследования здоровья и питания (National Health and Nutrition Examination Survey), охватывающие период с 2009 по 2018 годы. Всего было рассмотрено около 30,000 анкет. Чтобы быстро обработать такой объем информации, они применили методы машинного обучения, которые позволяют компьютерам выявлять закономерности и делать прогнозы на основе имеющихся данных.
В своем исследовании ученые рассматривали демографические данные, такие как пол, возраст, раса, уровень образования, семейное положение и доход, а также антропометрические показатели, включая индекс массы тела (ИМТ) и окружность талии. Кроме того, они учитывали такие факторы образа жизни, как употребление алкоголя, курение, занятость, режим сна и уровень физической активности.
Результаты
Анализ показал, что три ключевых фактора — время, проводимое сидя, пол и уровень образования — постоянно присутствовали в моделях, которые наиболее точно предсказывали привычки к физическим нагрузкам. При этом каждая модель выделяла разные переменные как важные.
Джу-Пил Чо, ведущий автор исследования, отметил, что уровень образования оказался особенно значимым фактором. «Я ожидал, что такие факторы, как пол, ИМТ, раса или возраст, будут важны для нашей модели, но был удивлен, насколько значимым оказался уровень образования,» — сказал он.
Рекомендации
Ученые подчеркивают, что использование машинного обучения предоставляет больше возможностей для анализа данных, чем традиционные методы. Однако они также отмечают, что данные, полученные на основе самоотчетов участников, могут быть неточными, так как люди склонны переоценивать свою физическую активность.
В будущем исследователи планируют использовать более объективные данные и исследовать другие факторы, такие как использование пищевых добавок, а также применять различные алгоритмы машинного обучения. Это может помочь тренерам и фитнес-консультантам разрабатывать программы тренировок, которые люди будут придерживаться в долгосрочной перспективе.
Литература:
Ju-Pil Choe et al, Machine learning modeling for predicting adherence to physical activity guideline, Scientific Reports (2025). DOI: 10.1038/s41598-025-90077-1
Ведущий специалист отдела организации клинических исследований, терапевт, врач ультразвуковой диагностики АО «СЗМЦ» (г. Санкт-Петербург), главный редактор, учредитель сетевого издания Medical Insider, а также автор статей
E-mail для связи – [email protected];
