הדבקות בשגרת אימונים היא אתגר שאנשים רבים מתמודדים איתם. אולם צוות המחקר של אוניברסיטת מיסיסיפי משתמש בלמידה במכונה כדי לחשוף מה שומר על אנשים מחויבים לאימונים שלהם.
הצוות-Seungbak Lee ו- Ju-Pil Choe, שניהם סטודנטים לדוקטורט בחינוך גופני, ומינסו קנג, פרופסור לניתוח ספורט במחלקה לבריאות, מדעי התעמלות ופנאי-מקווה לחזות אם אדם עומד בהנחיות פעילות גופנית על בסיס מדידות גופם, דמוגרפיה ואורח חיים.
הם בדקו נתונים מכ- 30,000 סקרים. כדי למיין במהירות מערך נתונים כה ענק, הם פנו ללימוד מכונה, דרך להשתמש במחשבים כדי לזהות דפוסים ולבצע תחזיות על סמך המידע.
תוצאות הקבוצה, שפורסמו בכתב העת The Nature Dex
"פעילות גופנית הקפדה על ההנחיות היא דאגה לבריאות הציבור בגלל הקשר שלה למניעת מחלות ודפוסי בריאות כוללים", אמר. "רצינו להשתמש בטכניקות אנליטיות מתקדמות, כמו למידת מכונה, כדי לחזות התנהגות זו."
המשרד למניעת מחלות וקידום בריאות, חלק ממשרד הבריאות והשירותים האנושיים בארה"ב, מציע כי על מבוגרים לכוון לפחות 150 דקות של פעילות גופנית מתונה, או 75 דקות של פעילות גופנית נמרצת, כל שבוע כחלק מאורח חיים בריא.
מחקרים מראים כי האמריקני הממוצע מבלה רק שעתיים בשבוע על פעילות גופנית – מחצית מארבע השעות המומלצות על ידי המרכז לבקרת מחלות ומניעה.
לי, צ'ו וקאנג השתמשו בנתונים ציבוריים מסקר הבדיקות הבריאות והתזונה הלאומי, סקר בחסות ממשלה, שקסם 2009-18.
צ'ו אמר כי "כיוונו להשתמש בלמידה במכונה כדי לחזות אם אנשים עוקבים אחר הנחיות פעילות גופנית המבוססות על נתוני שאלונים, ולמצוא את השילוב הטוב ביותר של משתנים לתחזיות מדויקות", אמר צ'ו, המחבר הראשי של המחקר. "משתנים דמוגרפיים כמו מגדר, גיל, גזע, מצב חינוכי, מצב זוגי והכנסה, יחד עם אמצעים אנתרופומטריים כמו BMI והיקף המותניים, נשקלו."
החוקרים שקלו גם גורמי אורח חיים הכוללים צריכת אלכוהול, עישון, תעסוקה, דפוסי שינה והתנהגות בישיבה כדי להבין את השפעתם על פעילותו הגופנית של האדם, אמר.
התוצאות הראו כי שלושה גורמים עיקריים-כמה זמן מישהו מבלה בישיבה, את המין שלהם ורמת ההשכלה שלהם-הופיעו בעקביות בכל המודלים המובילים בביצועים המנבאים הרגלי אימון, למרות שכל מודל זיהה משתנים שונים כחשובים.
על פי צ'ו, גורמים אלה חשובים במיוחד להבנת מי יש סיכוי גבוה יותר להישאר פעיל ומחוברים חברתית, והם יכולים לעזור להנחות את המלצות הבריאות העתידיות.
"ציפיתי שגורמים כמו מגדר, BMI, גזע או גיל יהיו חשובים למודל החיזוי שלנו, אבל הופתעתי מהמצב החינוכי המשמעותי", אמר. "בעוד שגורמים כמו מגדר, BMI וגיל הם מולדים יותר לגוף, מעמד חינוכי הוא גורם חיצוני."
במהלך הניתוח, החוקרים שללו נתונים מאנשים עם מחלות ותגובות מסוימות חסרות נתוני פעילות גופנית. זה הושיט את הנתונים הרלוונטיים ל 11,683 משתתפים.
החוקרים אומרים כי למידת מכונות נותנת להם יותר חופש ללמוד את הנתונים. שיטות ישנות מצפות מהדברים לעקוב אחר דפוס קו ישר, והן לא פועלות טוב כאשר חלק מהמידע דומה מדי.
למידת מכונה אין גבולות אלה, כך שהיא יכולה למצוא דפוסים עם גמישות רבה יותר.
צ'ו אמר כי "מגבלה אחת של המחקר שלנו הייתה שימוש בנתוני פעילות גופנית שנמדדה באופן סובייקטיבי, בהם המשתתפים נזכרו בפעילותם מהזיכרון." "אנשים נוטים להעריך יתר על המידה את הפעילות הגופנית שלהם בעת השימוש בשאלונים, כך נתונים מדויקים ואובייקטיביים יותר ישפרו את אמינות המחקר."
מסיבה זו, החוקרים אומרים כי הם יכולים להשתמש בשיטה דומה למחקר עתידי בתחום זה, אך לחקור גורמים שונים, כולל שימוש בתוספי תזונה, באמצעות אלגוריתמים רבים יותר של למידת מכונות או הסתמכות על נתונים אובייקטיביים במקום על מידע שדיווח על עצמם.
זה יכול לעזור למאמנים ויועצי כושר לייצר משטרי אימון שאנשים יכולים למעשה להיצמד אליהם לטווח הארוך.
