← أحدث الأبحاث
💻 computer science

Construction of a Personalized Physical Fitness Training Recommendation System Based on Random Forest and Gradient Boosting Machine

تقترح هذه الورقة إطار عمل للتعلم التعاوني الهرمي المدفوع بالمعرفة بالمجال (DKHCL) يدمج اختيار الميزات باستخدام الغابة العشوائية مع التنبؤ بآلة تعزيز التدرج وقيود نسبة عبء العمل الحاد إلى المزمن لتحقيق توصيات دقيقة وعالية الكفاءة ومخصصة للياقة البدنية، مما أظهر أداءً متفوقاً في مرحلة الاختبار غير المتصل بالإنترنت مقابل النماذج المرجعية المتقدمة وتحسينات ملموسة في الواقع في تقليل الإصابات وكفاءة تحقيق الأهداف في عملية تحقق ميدانية استباقية.

المؤلفون الأصليون: Fuliang Geng, Mei Wei

نُشر 2026-08-26
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Fuliang Geng, Mei Wei

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

يواجه كل رياضي، من العداء الذي يمارس الجري في عطلة نهاية الأسبوع إلى عداء الأولمبياد، لغزاً بيولوجياً جوهرياً: ما مقدار الإجهاد الذي يجب تطبيقه على الجسم لزيادة قوته دون كسرِه؟ إذا كان الضغط قليلاً جداً، فسوف يتكيف الجسم ببطء؛ وإذا كان شديداً جداً، فإن خطر الإصابة يرتفع بشكل حاد. لعقود من الزمن، اعتمد المدربون على الحدس والخبرة لحل هذه المعضلة، محاولين موازنة إجهاد الرياضي الحالي مقابل لياقته طويلة الأمد. ومع ذلك، غالباً ما تعجز القدرة البشرية على التقدير عن مراعاة التاريخ المعقد والمتغير لحمل تدريب الرياضي. يعتمد نهج جديد، طوره باحثون في كلية لاييوو المهنية التقنية في الصين، على الذكاء الاصطناعي للتنقل في هذا التوازن الدقيق، مما يغير طريقة إنشاء خطط اللياقة البدنية المخصصة. وتعتمد الفكرة الجوهرية على مفهومين راسخين في علوم الرياضة. أولاً، إن استجابة الجسم للتمارين لا تتعلق فقط بالتمرين الذي يحدث اليوم، بل بكيفية مقارنة هذا التمرين بما قام به الرياضي خلال الأسابيع القليلة الماضية. ثانياً، العلاقة بين التدريب والاستشفاء ليست خطاً مستقيماً؛ بل تتضمن أنماطاً غير خطية حيث يمكن للتغييرات الصغيرة في الكثافة أن تؤدي إلى تأثيرات كبيرة غير متناسبة على الأداء أو خطر الإصابة. ومن خلال تعليم الكمبيوتر التعرف على هذه الأنماط مع الالتزام الصارم بقواعد السلامة المستمدة من الفسيولوجيا البشرية، بنى الباحثون نظاماً يقترح برامج تدريبية بمستوى من الدقة كان من الصعب تحقيقه سابقاً.

وضع الباحثون هدفاً لبناء نظام يمكنه النظر في الملف البدني التفصيلي للشخص والتوصية ببرنامج التدريب المثالي من مكتبة من الخيارات. لقد جمعوا بيانات من 2,634 فرداً على مدار 18 شهراً، مستمدين إياها من مركز رياضي إقليمي، وثلاثة نوادٍ للياقة البدنية، ومرفق لإعادة التأهيل. لكل شخص، جمعوا 37 معلومة مختلفة، تتراوح من التفاصيل الثابتة مثل العمر والطول إلى المؤشرات الفسيولوجية الديناميكية مثل تقلب معدل ضربات القلب، وقوة العضلات، واستهلاك الأكسجين. كما تتبعوا كيفية تدريب هؤلاء الأفراد بمرور الوقت، مسجلين تكرار ومدة وكثافة تمارينهم. لم يكن الهدف مجرد التنبؤ بدرجة، بل تحديد "ملاءمة" خطة تدريبية معينة لشخص معين على مقياس مكون من خمس نقاط، من غير ملائم للغاية إلى ملائم للغاية. ولإنشاء "الحقيقة الأرضية" لهذه المهمة، قامت لجنة من خمسة خبراء في العلوم الرياضية والمدربين بتقييم كل تركيبة ممكنة من الرياضي والبرنامج بشكل مستقل. وعندما اختلف الخبراء، ناقشوا الحالات حتى وصلوا إلى إجماع، مما ضمن أن البيانات التي تعلم منها الكمبيوتر كانت موثوقة بقدر ما يمكن أن تجعلها الخبرة البشرية.

لحل هذه المشكلة، أنشأ الفريق إطار عمل للذكاء الاصطناعي يتكون من جزأين ويعمل بشكل مختلف عن نماذج تعلم الآلة القياسية. يعمل الجزء الأول كمرشح، باستخدام طريقة تسمى "الغابة العشوائية" (Random Forest) لتصفية البيانات الـ 37 المتاحة وتحديد أهم 15 نقطة منها. هذه الخطوة حاسمة لأنها تزيل الضجيج وتركز النظام على الإشارات التي تهم حقاً، مثل السعة القصوى للأكسجين لدى الرياضي وتكرار تدريبه الأخير. أما الجزء الثاني، وهو "آلة تعزيز التدرج" (Gradient Boosting Machine)، فيأخذ هذه الميزات الـ 15 الرئيسية ويقوم بالتنبؤ الفعلي. وما يجعل هذا النظام فريداً هو كيفية تعامله مع الوقت والسلامة. فبدلاً من محاولة تعلم مرور الوقت من البيانات الخام وحدها، قام الباحثون بتغذية النظام صراحةً بنسب محسوبة تقارن عبء عمل الرياضي في الأسبوع الأخير مقابل عبء عمله في الأسابوات الأربعة الماضية. هذه النسبة، المعروفة باسم نسبة عبء العمل الحاد إلى المزمن، هي مقياس سلامة معروف في العلوم الرياضية. لم يترك الباحثون الكمبيوتر ليتعلم هذا من تلقاء نفسه؛ بل بنوا قاعدة مباشرة داخل عملية التعلم تعاقب النظام إذا اقترح خطة من شأنها أن ترفع نسبة السلامة هذه بشكل كبير جداً. وهذا يضمن أن الكمبيوتر لن يوصي أبداً بزيادة خطيرة في حمل التدريب، حتى لو أشارت البيانات بخلاف ذلك إلى أن هذا سيؤدي إلى درجة عالية.

تم اختبار نتائج هذا النهج مقابل مجموعة واسعة من الأساليب الأخرى، بما في ذلك نماذج تعلم الآلة الفردية، وأنظمة التعلم العميق التي تحاكي الدماغ البشري، والتخطيط التقليدي القائم على الخبرة. في الاختبارات غير المتصلة بالإنترنت باستخدام مجموعة ثابتة من البيانات، حدد النظام الجديد ملاءمة البرامج التدريبية بشكل صحيح بنسبة 87.3% من المرات. كان هذا الأداء أعلى من أفضل نماذج التعلم العميق، التي وصلت إلى 85.8%، وأفضل بكثير من الطرق التقليدية. كما أثبت النظام أنه أسرع بكثير في التدريب، حيث استغرق حوالي 52 ثانية فقط لمعالجة البيانات على محطة عمل قياسية، بينما تطلبت نماذج التعلم العميق أكثر من ثلاث دقائق. والأهم من ذلك، أن الباحثين أخرجوا النظام من المختبر إلى العالم الحقيقي في اختبار ميداني استمر 16 أسبوعاً شمل 600 مشارك. ومن المهم ملاحظة أن هذه كانت دراسة أتراب مضبوطة غير عشوائية استباقية، مما يعني أن تخصيص المجموعات استند إلى تفضيل الرياضيين بدلاً من التوزيع العشوائي، مما قد يؤدي إلى تحيز في الاختيار. في هذا الاختبار الواقعي، شهدت المجموعة التي استخدمت توصيات النظام انخفاض معدل حدوث الإصابات لديها إلى 3.2 لكل 1000 ساعة تعرض، وهو رقم أقل بكثير من 7.1 الملحوظ في المجموعات التي اتبعت خطط التدريب التقليدية. علاوة على ذلك، حقق الرياضيون الذين استخدموا النظام أهداف لياقتهم البدنية في وقت أسرع بمتوسط 21 يوماً من المجموعات الضابطة.

تشير الدراسة إلى أن الطريقة الأكثر فعالية لتطبيق الذكاء الاصطناعي في التدريب الرياضي ليست ترك الكمبيوتر يتعلم كل شيء من الصفر، بل توجيهه بالمعرفة البشرية الراسخة. فمن خلال دمج قواعد السلامة الفسيولوجية مباشرة في عملية تعلم الخوارزمية، يتجنب النظام الوقوع في الفخ الشائع المتمثل في اقتراح أحمال تدريبية خطيرة لمجرد أن البيانات تبدو واعدة. وجد الباحثون أنه بينما تعد نماذج التعلم العميق قوية، إلا أنها تتطلب كميات هائلة من البيانات لتعلم قيود السلامة هذه من تلقاء نفسها، بينما حقق نظامهم الهجين نتائج متفوقة باستخدام مجموعة بيانات أصغر بكثير من خلال البدء بالقواعد الصحيحة. كما يتضمن النظام آلية تعديل ديناميكية: فإذا أشارت ملاحظات الرياضي إلى إجهاد عالٍ أو ضعف في الاستشفاء خلال فترة معينة، يقوم النظام بتفعيل إعادة تقييم يمكن أن تقلل من كثافة التدريب الموصى بها بنسبة 10-15%. وهذا يخلق حلقة مغلقة حيث يتطور مخطط التدريب مع الحالة اليومية للرياضي، بدلاً من أن يظل جدولاً ثابتاً. وبينما أجريت الدراسة على مجموعة محددة من المشاركين وركزت على النتائج قصيرة المدى، فإن النتائج تقدم مخططاً مقنعاً لكيفية دعم التكنولوجيا للقرار الدقيق للمدربين البشر بدلاً من استبداله، مما يجعل التدريب رفيع المستوى أكثر أماناً وكفاءة لمجموعة أوسع من الناس.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →