Zespół badaczy z Uniwersytetu Mississippi sprawdził, czy sztuczna inteligencja może pomóc przewidzieć, kto będzie stosował się do zaleceń dotyczących aktywności fizycznej. Dzięki badaniu udało się wskazać najważniejsze czynniki, które wpływają na decyzje ludzi o podejmowaniu ćwiczeń.
Motywacja do aktywności fizycznej
Utrzymywanie regularnej aktywności fizycznej wymaga zarówno samodyscypliny, jak i odpowiedniej motywacji. Często jednak rezygnujemy z ćwiczeń, tłumacząc się brakiem czasu, zmęczeniem czy nadmiarem codziennych obowiązków. Najnowsze badanie może przyczynić się do lepszego zrozumienia, dlaczego niektóre osoby skuteczniej niż inne realizują zalecenia dotyczące aktywności fizycznej. Wyniki badania opublikowano w czasopiśmie Scientific Reports.
W czym pomaga regularna aktywność fizyczna?
Regularna i odpowiednio intensywna aktywność fizyczna ma najważniejsze znaczenie dla ogólnego zdrowia i dobrego samopoczucia. Pozytywnie wpływa na choroby przewlekłe, zdrowie psychiczne czy metabolizm, a także na długość życia. Ze względu na korzyści wynikające z aktywności fizycznej liczni badacze zbadali rodzaje, czas trwania i intensywność ćwiczeń, które byłyby korzystne dla poszczególnych osób.
Aktywność fizyczna – wytyczne WHO
Ustanowiono różne wytyczne dotyczące aktywności fizycznej w celu promowania i poprawy wyników zdrowia u osób na całym świecie. Światowa Organizacja Zdrowia (WHO) zaleca dorosłym 150–300 minut aktywności fizycznej o umiarkowanej intensywności lub 75–150 minut aktywności fizycznej o dużej intensywności lub równoważną kombinację umiarkowanej i dużej intensywności aerobowej aktywności fizycznej tygodniowo.
Opublikowano również szczegółowe wytyczne dotyczące aktywności fizycznej dla dzieci i młodzieży oraz osób starszych. Jednak pomimo ogólnoświatowych wysiłków organizacji, statystyki ujawniają niepokojące trendy. Według danych jedynie ok. 24% populacji Stanów Zjednoczonych spełnia wytyczne dotyczące aktywności fizycznej.
Co motywuje nas do aktywności fizycznej? Badanie
Naukowcy postanowili sprawdzić, czy sztuczna inteligencja może pomóc w określeniu, jakie cechy mają największy wpływ na to, czy dana osoba przestrzega zaleceń dotyczących aktywności fizycznej. W tym celu wykorzystali dane z badania National Health and Nutrition Examination Survey (NHANES). Badanie to co dwa lata zbiera informacje na temat zdrowia, odżywiania oraz czynników społeczno-ekonomicznych i demograficznych w populacji USA. Do analizy wybrano dane od 11 638 dorosłych osób zebrane w latach 2009–2018.
Głównym celem badania było stworzenie zmiennej docelowej – IWPA – która opisywała poziom aktywności fizycznej każdej osoby. Wartość IWPA obliczano na podstawie czasu poświęcanego na aktywność fizyczną w pracy, podczas transportu i w czasie wolnym. Aby dokładniej odzwierciedlić intensywność ćwiczeń, czas trwania aktywności intensywnej liczono podwójnie, zgodnie z zaleceniami dotyczącymi zdrowia publicznego (np. 75 minut aktywności intensywnej = 150 minut umiarkowanej).
Do budowy modeli predykcyjnych wykorzystano łącznie 13 zmiennych: 7 demograficznych (takich jak płeć, wiek, wykształcenie czy dochód) oraz 6 związanych ze stylem życia i zdrowiem (m.in. palenie tytoniu, spożycie alkoholu, sen, BMI). IWPA była zmienną, którą model próbował przewidzieć.
Dane zostały odpowiednio przygotowane do analizy – m.in. zamieniono dane kategoryczne, takie jak płeć, na wartości liczbowe. W ten sposób algorytmy sztucznej inteligencji mogły je przetwarzać. Następnie przeprowadzono proces modelowania, który obejmował kilka etapów: podział danych na zestaw treningowy i testowy oraz wybór odpowiednich algorytmów. Kolejnym krokiem była nauka modeli na danych treningowych oraz dostosowanie ich parametrów, aby uzyskać jak najlepsze wyniki predykcji.
Kto przestrzega zaleceń dotyczących aktywności fizycznej i dlaczego?
Wyniki badania wskazują, iż styl życia oraz cechy antropometryczne, takie jak BMI i obwód talii, odgrywają istotną rolę w przewidywaniu przestrzegania zaleceń dotyczących aktywności fizycznej. Spośród wszystkich analizowanych zmiennych, najważniejsze okazały się: czas spędzany w bezruchu, wiek oraz poziom wykształcenia.
Uzyskane wyniki mogą przyczynić się do tworzenia bardziej skutecznych, indywidualnie dopasowanych planów aktywności fizycznej. Co więcej, zastosowanie metod uczenia maszynowego pozwala na głębsze zrozumienie czynników, które wpływają na motywację do podejmowania aktywności fizycznej. Takie podejście otwiera nowe możliwości dla badań nad zdrowiem publicznym oraz projektowania spersonalizowanych interwencji prozdrowotnych.
