Birçok insanın karşılaştığı bir zorluk olan egzersiz rutinine bağlı kalma konusunda Mississippi Üniversitesi'nden bir araştırma ekibi, bireyleri egzersizlerine bağlı tutan faktörleri ortaya çıkarmak için makine öğrenimini kullanıyor. Fiziksel eğitim doktora öğrencileri Seungbak Lee ve Ju-Pil Choe ile Sağlık, Egzersiz Bilimi ve Rekreasyon Yönetimi Bölümü'nde spor analitiği profesörü Minsoo Kang'dan oluşan ekip, bireylerin vücut ölçüleri, demografik bilgileri ve yaşam tarzlarına dayanarak fiziksel aktivite yönergelerine uyup uymadığını tahmin etmeyi umuyor. Yaklaşık 30.000 anketten elde edilen verileri inceleyen ekip, bu büyük veri setini hızlı bir şekilde analiz etmek için, bilgisayarların bilgiye dayalı olarak örüntüleri tanımlamasını ve tahminler yapmasını sağlayan bir yöntem olan makine öğrenimine başvurdu.
Ekibin Nature Portfolio dergisinde yayınlanan sonuçlarının güncel olduğunu belirten Kang, “Yönergelerdeki fiziksel aktivite bağlılığı, hastalık önleme ve genel sağlık örüntüleriyle ilişkisi nedeniyle bir halk sağlığı sorunudur. Bu davranışı tahmin etmek için makine öğrenimi gibi gelişmiş veri analizi tekniklerini kullanmak istedik.” dedi. ABD Sağlık ve İnsan Hizmetleri Departmanı'nın bir parçası olan Hastalık Önleme ve Sağlığı Geliştirme Ofisi, yetişkinlerin sağlıklı bir yaşam tarzının parçası olarak her hafta en az 150 dakika orta yoğunlukta veya 75 dakika yüksek yoğunlukta egzersiz yapmayı hedeflemeleri gerektiğini öneriyor. Araştırmalar, ortalama bir Amerikalının fiziksel aktiviteye haftada sadece iki saat harcadığını gösteriyor; bu, Hastalık Kontrol ve Önleme Merkezleri tarafından önerilen dört saatin yarısıdır. Lee, Choe ve Kang, 2009-18 yıllarını kapsayan, hükümet destekli bir anket olan Ulusal Sağlık ve Beslenme İnceleme Anketi'nden elde edilen kamuya açık verileri kullandı.
Çalışmanın baş yazarı Choe, “Anket verilerine dayanarak insanların fiziksel aktivite yönergelerine uyup uymadığını tahmin etmek ve doğru tahminler için en iyi değişken kombinasyonunu bulmak amacıyla makine öğrenimini kullanmayı hedefledik. Cinsiyet, yaş, ırk, eğitim durumu, medeni hal ve gelir gibi demografik değişkenlerin yanı sıra VKİ ve bel çevresi gibi antropometrik ölçümler dikkate alındı.” dedi. Araştırmacılar ayrıca bir kişinin fiziksel aktivitesi üzerindeki etkilerini anlamak için alkol tüketimi, sigara içme, istihdam, uyku düzeni ve hareketsiz davranış gibi yaşam tarzı faktörlerini de değerlendirdi. Sonuçlar, birinin ne kadar zamanını oturarak geçirdiği, cinsiyeti ve eğitim düzeyi olmak üzere üç temel faktörün, her model farklı değişkenleri önemli olarak tanımlasa da, egzersiz alışkanlıklarını tahmin eden en iyi performans gösteren tüm modellerde tutarlı bir şekilde ortaya çıktığını gösterdi.
Choe'ye göre, bu faktörler özellikle kimin aktif kalma ve sosyal bağlantı kurma olasılığının daha yüksek olduğunu anlamak için önemli ve gelecekteki sağlık önerilerine rehberlik etmeye yardımcı olabilirler. Choe, “Cinsiyet, VKİ, ırk veya yaş gibi faktörlerin tahmin modelimiz için önemli olacağını bekliyordum, ancak eğitim düzeyinin ne kadar önemli olduğuna şaşırdım. Cinsiyet, VKİ ve yaş gibi faktörler vücuda daha içkin olsa da, eğitim düzeyi harici bir faktördür.” dedi. Analiz sırasında araştırmacılar, belirli hastalıkları olan ve fiziksel aktivite verileri eksik olan kişilerin verilerini hariç tuttular. Bu, ilgili verileri 11.683 katılımcıya düşürdü. Araştırmacılar, makine öğreniminin verileri incelemek için kendilerine daha fazla özgürlük sağladığını belirtiyor. Eski yöntemler, her şeyin doğrusal bir örüntü izlemesini bekler ve bazı bilgi parçaları çok benzer olduğunda iyi çalışmazlar. Makine öğreniminin bu tür sınırları yoktur, bu nedenle daha fazla esneklikle örüntüler bulabilir.
