Η τεχνητή νοημοσύνη μπορεί να προβλέψει αν θα γυμναστείς ή αν θα ξεγραφτείς από το γυμναστήριο

Σε μελέτη που δημοσιεύεται στο περιοδικό Scientific Reports αναφέρεται ότι η τεχνητή νοημοσύνη μπορεί να προβλέψει αν κάποιος που γράφεται γυμναστήριο θα ακολουθήσει σταθερά ένα πρόγραμμα προπόνησης.  Οι ερευνητές ανέλυσαν δεδομένα από μια μεγάλη έρευνα για την υγεία και τη διατροφή, καλύπτοντας την περίοδο 2009 έως 2018. Χρησιμοποιώντας τεχνικές μηχανικής μάθησης, εξέτασαν πάνω από 30.000 καταγεγραμμένες απαντήσεις. Στόχος τους ήταν να εντοπίσουν ποια στοιχεία προβλέπουν την τήρηση των συστάσεων για φυσική δραστηριότητα. 

Για τη μελέτη επιλέχθηκαν μόνο ενήλικες άνω των 18 ετών, οι οποίοι δεν είχαν ασθένειες που θα μπορούσαν να επηρεάσουν αρνητικά την ικανότητά τους να γυμναστούν, όπως ο καρκίνος, ο διαβήτης ή η αρθρίτιδα. Αφού αποκλείστηκαν οι περιπτώσεις με ελλιπή δεδομένα, το τελικό δείγμα περιλάμβανε 11.638 άτομα. Οι πληροφορίες τους οργανώθηκαν σε τρεις βασικές κατηγορίες: δημογραφικά στοιχεία (ηλικία, φύλο, φυλή, εισόδημα), σωματομετρικά δεδομένα (όπως δείκτης μάζας σώματος και περίμετρος μέσης) και συνήθειες ζωής (κατανάλωση αλκοόλ, κάπνισμα, ύπνος και χρόνος καθιστικής ζωής).

Η τεχνητή νοημοσύνη αναλύει τα μοτίβα συμπεριφοράς στην άσκηση

Οι ειδικοί προσπάθησαν να δημιουργήσουν μοντέλα πρόβλεψης για το αν κάθε συμμετέχων θα γυμναζόταν για τουλάχιστον 150 λεπτά μέτριας ή 75 λεπτά έντονης άσκησης την εβδομάδα. Η ομάδα χρησιμοποίησε έξι διαφορετικούς αλγόριθμους μηχανικής μάθησης για να δημιουργήσει 18 μοντέλα πρόβλεψης, εξετάζοντας ποιοι συνδυασμοί παραγόντων οδηγούν στα πιο ακριβή αποτελέσματα.

Τα πιο κρίσιμα χαρακτηριστικά που προβλέπουν ποιος θα γυμναστεί

Όπως διαβάζουμε στο The Brighter Side News, το πιο αποτελεσματικό μοντέλο ήταν αυτό που ενσωμάτωνε όλες τις διαθέσιμες μεταβλητές. Πέτυχε ακρίβεια περίπου 70,5%, ενώ η συνολική του απόδοση κρίθηκε πολύ υψηλή. Οι ερευνητές δεν περιορίστηκαν μόνο στην αξιολόγηση των μοντέλων, αλλά ήθελαν να εντοπίσουν και ποιοι παράγοντες είχαν τη μεγαλύτερη σημασία στην πρόβλεψη. Χρησιμοποιώντας μια τεχνική που ονομάζεται Permutation Feature Importance, κατέληξαν πως οι πιο καθοριστικοί παράγοντες ήταν ο χρόνος καθιστικής ζωής, η ηλικία, το φύλο και το επίπεδο εκπαίδευσης.

Ιδιαίτερο ενδιαφέρον είχε το εύρημα ότι το μορφωτικό επίπεδο ήταν από τους πιο ισχυρούς παράγοντες. Παρότι η ηλικία, το φύλο και ο δείκτης μάζας σώματος είναι βιολογικά δεδομένα, η εκπαίδευση είναι εξωτερικός παράγοντας που επηρεάζει τη συμπεριφορά. Οι άνθρωποι με χαμηλότερο μορφωτικό επίπεδο και περισσότερο χρόνο ανάπαυσης ήταν λιγότερο πιθανό να γυμνάζονται συστηματικά, κάτι που μπορεί να αξιοποιηθεί για να σχεδιαστούν πιο στοχευμένα προγράμματα άσκησης.

Παρά τα ενθαρρυντικά αποτελέσματα, οι επιστήμονες αναγνώρισαν και περιορισμούς στη μελέτη. Ο σημαντικότερος είναι ότι τα δεδομένα για τη φυσική δραστηριότητα βασίζονταν σε αναφορές των συμμετεχόντων. Αυτό σημαίνει ότι πολλοί μπορεί να υπερεκτίμησαν τον χρόνο άσκησής τους. Η χρήση αντικειμενικών εργαλείων, όπως φορητοί αισθητήρες και εφαρμογές κινητών, θα μπορούσε να ενισχύσει την ακρίβεια τέτοιων αναλύσεων στο μέλλον.

Εξατομικευμένη καθοδήγηση: η άσκηση προσαρμοσμένη στον τρόπο ζωής σου

Παρόλα αυτά, η μελέτη αποδεικνύει ότι η τεχνητή νοημοσύνη έχει σημαντικές δυνατότητες στην πρόληψη και την προώθηση της υγείας. Δεν εντοπίζει απλώς τάσεις – μπορεί να αποκαλύψει τους λόγους πίσω από αυτές, επιτρέποντας πιο εξατομικευμένες προσεγγίσεις στην καθοδήγηση και την υποστήριξη του κοινού. Η γνώση του γιατί κάποιος δεν ασκείται, επιτρέπει στους ειδικούς να του προσφέρουν ένα ρεαλιστικό και προσαρμοσμένο πλάνο δράσης.