هوش مصنوعی راز پایبندی به ورزش را فاش کرد
وفادار ماندن به یک برنامه ورزشی شاید در ظاهر کار ساده‌ای به‌نظر برسد، اما در واقعیت، اکثر افراد پس از مدتی انگیزه اولیه خود را از دست می‌دهند. دلایل متعددی مانند مشغله‌های روزمره، خستگی ذهنی، نداشتن زمان یا حتی نداشتن انگیزه کافی، مانع از آن می‌شود که افراد به توصیه‌های مربوط به سلامت جسمانی پایبند بمانند. اما حالا پژوهشی تازه از دانشگاه می‌سی‌سی‌پی پرده از الگویی جالب برداشته است که می‌تواند این وفاداری یا بی‌وفایی به ورزش را با دقت بالا پیش‌بینی کند.
این پژوهش که توسط گروهی از دانشجویان دکتری و استادان علوم ورزشی انجام شده، با استفاده از الگوریتم‌های یادگیری ماشین (Machine Learning)، تلاش کرده است تا از دل مجموعه‌ای گسترده از اطلاعات جمعیت‌شناسی، سبک زندگی و ویژگی‌های فیزیکی افراد، تشخیص دهد که چه کسانی احتمال بیشتری برای رعایت توصیه‌های فعالیت بدنی دارند. نتایج این پژوهش که در یکی از نشریات معتبر علمی منتشر شده، می‌تواند راه را برای طراحی برنامه‌های ورزشی شخصی‌سازی‌شده هموار کند و حتی بر سیاست‌های کلان سلامت عمومی نیز تأثیرگذار باشد.
چه داده‌هایی بررسی شده‌اند؟
در این تحقیق، پژوهشگران به داده‌های گسترده‌ای از نظرسنجی ملی سلامت و تغذیه (National Health and Nutrition Examination Survey) بین سال‌های ۲۰۰۹ تا ۲۰۱۸ دسترسی داشتند. در مجموع، نزدیک به ۳۰ هزار پرسش‌نامه بررسی شد، اما با حذف داده‌های ناقص یا افرادی که به بیماری‌های خاص دچار بودند، تعداد نهایی شرکت‌کنندگان به ۱۱۶۸۳ نفر رسید.
پژوهشگران متغیرهای مختلفی را در این تحلیل در نظر گرفتند. از جمله:
ویژگی‌های بدنی: قد، وزن، نمایه توده بدنی (BMI)، دور کمر
مشخصات جمعیت‌شناختی: سن، جنسیت (Gender)، نژاد، وضعیت تأهل، سطح تحصیلات (Education Level)، درآمد
الگوهای رفتاری و سبک زندگی: مصرف الکل، سیگار، الگوهای خواب، وضعیت شغلی و میزان کم‌تحرکی (Sedentary Behavior)
هدف اصلی پژوهش این بود که از میان تمام این متغیرها، آن‌هایی را که بیشترین قدرت پیش‌بینی‌کننده دارند، شناسایی کنند. چیزی که با روش‌های سنتی آمار نمی‌توانستند به آن دست یابند.
چرا یادگیری ماشینی؟ مزایای روش‌های مدرن در علوم رفتاری
برخلاف روش‌های کلاسیک که معمولاً انتظار دارند رابطه متغیرها خطی و ساده باشد، الگوریتم‌های یادگیری ماشینی می‌توانند از دل داده‌هایی که گاه بسیار مشابه و در ظاهر بی‌ارتباط هستند، الگوهای پیچیده و پنهانی را استخراج کنند. به بیان دیگر، این فناوری به پژوهشگران امکان می‌دهد تا دیدی چندلایه و دقیق‌تر نسبت به رفتارهای انسانی پیدا کنند.
برای مثال، دو نفر با وزن و قد مشابه ممکن است رفتارهای کاملاً متفاوتی در قبال ورزش داشته باشند. دلیل این تفاوت ممکن است در عامل پنهانی مانند میزان خواب شبانه یا حتی سطح تحصیلات باشد. اینجاست که یادگیری ماشین قدرت خود را نشان می‌دهد؛ چرا که می‌تواند ترکیب‌هایی خاص و چندبعدی از عوامل را شناسایی کند که تأثیر معناداری بر پایبندی افراد به ورزش دارند.
سه متغیر طلایی: نشستن، جنسیت و تحصیلات
پس از آزمون مدل‌های مختلف، فقط سه متغیر بودند که در همه مدل‌های قوی پیش‌بینی‌کننده، حضوری دائمی داشتند:
زمان نشستن در طول روز (Sedentary Time)
جنسیت (Gender)
سطح تحصیلات (Education Level)
یعنی صرف‌نظر از اینکه مدل از چه الگوریتمی استفاده می‌کرد یا چه متغیرهایی را ترکیب می‌نمود، این سه عامل همیشه میان مهم‌ترین‌ها دیده می‌شدند. این یافته بسیار قابل‌تأمل است، زیرا نشان می‌دهد که نه‌تنها سبک زندگی ما (مثل نشستن زیاد) بلکه عوامل اجتماعی مانند تحصیلات نیز نقش تعیین‌کننده‌ای در رفتار ورزشی ما دارند.
یکی از پژوهشگران در این پروژه گفته است که انتظار داشت عوامل ذاتی‌تری مانند سن، نژاد یا نمایه توده بدنی، تأثیر بیشتری داشته باشند. اما شگفتی پژوهش در این بود که تحصیلات – به عنوان عاملی بیرونی – تأثیر چشم‌گیرتری داشت. این یعنی ما می‌توانیم با آموزش، اطلاع‌رسانی و ارتقای سطح سواد عمومی، وفاداری به ورزش را افزایش دهیم.
محدودیت‌ها و مسیر آینده پژوهش
البته این تحقیق هم مانند هر پژوهش دیگری با محدودیت‌هایی روبه‌رو بوده است. مهم‌ترین محدودیت، تکیه بر داده‌های خوداظهاری شرکت‌کنندگان درباره میزان فعالیت بدنی‌شان بوده. در این نوع داده‌ها، معمولاً افراد تمایل دارند بیش از آنچه واقعاً انجام می‌دهند، خود را فعال نشان دهند. بنابراین، استفاده از ابزارهای اندازه‌گیری دقیق‌تر مانند دستگاه‌های پوشیدنی، می‌تواند در تحقیقات بعدی مفیدتر باشد.
پژوهشگران همچنین پیشنهاد کرده‌اند که در مطالعات آینده، از همین روش‌های یادگیری ماشین برای بررسی عوامل دیگری مانند مصرف مکمل‌های غذایی (Dietary Supplements)، کیفیت خواب، استرس و حتی حمایت اجتماعی استفاده شود. چنین تحقیقاتی می‌توانند تصویر دقیق‌تری از پیچیدگی‌های رفتار ورزشی انسان‌ها ارائه دهند.
تأثیر عملی بر مربیان و سیاست‌گذاران
شاید مهم‌ترین کاربرد این پژوهش، در دنیای واقعی باشد: مربیان ورزشی، مشاوران سلامت، و حتی سیاست‌گذاران حوزه سلامت عمومی می‌توانند از این یافته‌ها برای طراحی برنامه‌های فردی و جمعی استفاده کنند. وقتی بدانیم که تحصیلات و میزان نشستن در روز تأثیر مستقیمی بر ورزش‌پذیری فرد دارد، می‌توانیم توصیه‌ها را متناسب با سطح سواد و شغل و سبک زندگی فرد تنظیم کنیم.
برای مثال، برای کسی که شغل پشت‌میزنشینی دارد، طراحی یک برنامه انعطاف‌پذیر و قابل اجرا در محل کار می‌تواند بسیار مؤثرتر از پیشنهادات کلیشه‌ای باشد. همچنین آگاهی‌رسانی در سطح عمومی درباره مضرات نشستن زیاد، می‌تواند رفتار عمومی جامعه را تغییر دهد.
جمع‌بندی: وقتی داده‌ها از ما می‌خواهند بجنبیم!
این پژوهش نقطه آغازی است بر ترکیب داده‌محوری و سلامت عمومی. با کمک هوش مصنوعی، می‌توانیم نه‌فقط درباره «چه باید کرد» صحبت کنیم، بلکه بفهمیم «چگونه» هر فرد می‌تواند به بهترین نسخه‌ی فعال‌تر از خودش تبدیل شود.
و شاید مهم‌تر از همه، اینکه حالا می‌دانیم عوامل اجتماعی، فرهنگی و حتی رفتاری – و نه فقط ویژگی‌های جسمانی – نقش محوری در تعیین مسیر سلامتی ما دارند.
