Makine Öğrenimi ile Egzersiz Düzenine Bağlılık Tahmini

Araştırmacılar, Egzersiz Düzenine Bağlılığı Tahmin Etmek için Makine Öğrenimini Kullanıyor

Mississippi Üniversitesi’nin Scientific Reports’ta yayımlanan çalışması, makine öğreniminin egzersiz düzenine bağlılığı tahmin etmede kullanıldığını gösteriyor. Yaklaşık 30.000 anket verisini analiz eden araştırmacılar, oturma süresi, cinsiyet ve eğitim seviyesinin egzersiz alışkanlıklarını öngörmede kilit faktörler olduğunu buldu. Makine öğrenimi, demografik, antropometrik ve yaşam tarzı faktörlerini değerlendirerek daha doğru tahminler sunuyor ve gelecekteki sağlık önerilerini şekillendirebilir.

Makine Öğrenimi ile Egzersiz Bağlılığını Anlama

Egzersiz düzenine bağlı kalmak, birçok insanın karşılaştığı bir zorluk. Mississippi Üniversitesi’nden bir araştırma ekibi, bu bağlılığı sürdüren faktörleri ortaya çıkarmak için makine öğrenimini kullanıyor. Ekip, fiziksel eğitim doktora öğrencileri Seungbak Lee ve Ju-Pil Choe ile Sağlık, Egzersiz Bilimi ve Rekreasyon Yönetimi Bölümü Spor Analitiği Profesörü Minsoo Kang’tan oluşuyor.

Ekip, bireylerin fiziksel aktivite yönergelerine uyup uymadığını, vücut ölçüleri, demografik bilgiler ve yaşam tarzı faktörlerine dayalı olarak tahmin etmeyi hedefliyor. Yaklaşık 30.000 anket verisini inceleyen araştırmacılar, bu büyük veri setini hızlıca analiz etmek için makine öğrenimine başvurdu. Makine öğrenimi, verilerdeki kalıpları tanımlamak ve tahminler yapmak için bilgisayarları kullanıyor.

Scientific Reports’ta 18 Nisan 2025’te yayımlanan sonuçlar, fiziksel aktiviteye bağlılığın halk sağlığı açısından kritik olduğunu vurguluyor. Prof. Minsoo Kang, “Fiziksel aktivite yönergelerine bağlılık, hastalık önleme ve genel sağlık kalıplarıyla ilişkili olduğu için bir halk sağlığı sorunu. Bu davranışı tahmin etmek için makine öğrenimi gibi gelişmiş veri analitiği tekniklerini kullanmak istedik,” diyor.

Fiziksel Aktivite Yönergeleri

ABD Sağlık ve İnsan Hizmetleri Bakanlığı’na bağlı Hastalık Önleme ve Sağlık Teşviki Ofisi, yetişkinlerin sağlıklı bir yaşam tarzı için haftada en az 150 dakika orta yoğunluklu veya 75 dakika yüksek yoğunluklu egzersiz yapmasını öneriyor. Ancak araştırmalar, ortalama bir Amerikalının haftada sadece 2 saat fiziksel aktivite yaptığını, bu sürenin Hastalık Kontrol ve Önleme Merkezleri (CDC)’nin önerdiği 4 saatin yarısı olduğunu gösteriyor.

Çalışmanın Yöntemi

Ekip, 2009-2018 yılları arasında yürütülen Ulusal Sağlık ve Beslenme İnceleme Anketi (NHANES)’den kamu verilerini kullandı. Çalışmanın baş yazarı Ju-Pil Choe, “Makine öğrenimini kullanarak, anket verilerine dayalı olarak insanların fiziksel aktivite yönergelerine uyup uymadığını tahmin etmeyi ve doğru tahminler için en iyi değişken kombinasyonlarını bulmayı amaçladık. Cinsiyet, yaş, ırk, eğitim durumu, medeni durum, gelir gibi demografik değişkenler ile BMI ve bel çevresi gibi antropometrik ölçümler dikkate alındı,” diyor.

Ayrıca, alkol tüketimi, sigara, istihdam, uyku düzeni ve hareketsiz davranış gibi yaşam tarzı faktörleri de bir kişinin fiziksel aktivite düzeyine etkileri açısından değerlendirildi.

Bulgular

Analiz, oturma süresi, cinsiyet ve eğitim seviyesi’nin, egzersiz alışkanlıklarını tahmin eden en iyi modellerde tutarlı bir şekilde öne çıktığını gösterdi. Her model farklı değişkenleri önemli olarak tanımlasa da bu üç faktör, kimin daha aktif ve sosyal olarak bağlantılı kalma olasılığının yüksek olduğunu anlamada özellikle önemliydi.

Choe, “Cinsiyet, BMI, ırk veya yaş gibi faktörlerin tahmin modelimiz için önemli olacağını bekliyordum, ancak eğitim durumunun bu kadar belirleyici olması beni şaşırttı. Cinsiyet, BMI ve yaş gibi faktörler bedene özgüyken, eğitim durumu dışsal bir faktör,” diyor.

Analiz sırasında, belirli hastalıkları olan kişilerin verileri ve fiziksel aktivite verisi eksik yanıtlar hariç tutuldu. Bu, ilgili veriyi 11.683 katılımcıya indirdi.

Makine Öğreniminin Avantajları

Araştırmacılar, makine öğreniminin verileri daha özgürce incelemelerine olanak tanıdığını belirtiyor. Geleneksel yöntemler, verilerin düz bir çizgi desenine uymasını bekler ve bazı bilgiler çok benzer olduğunda iyi çalışmaz. Makine öğrenimi, bu sınırlamalara sahip olmadığından daha esnek bir şekilde kalıplar bulabiliyor.

Choe, “Çalışmamızın bir sınırlaması, fiziksel aktivite verilerinin öznel olarak ölçülmesiydi; katılımcılar aktivitelerini hafızalarına dayanarak bildirdi. İnsanlar anketlerde fiziksel aktivitelerini abartma eğiliminde, bu nedenle daha doğru, nesnel veriler çalışmanın güvenilirliğini artırırdı,” diyor.

Gelecek Araştırmalar

Araştırmacılar, benzer bir yöntemi gelecekteki çalışmalarda kullanmayı planlıyor ancak farklı faktörleri (örneğin diyet takviyesi kullanımı), daha fazla makine öğrenimi algoritması veya öznel yerine nesnel verileri incelemeyi düşünüyor. Bu, antrenörlerin ve fitness danışmanlarının, insanların uzun vadede bağlı kalabileceği egzersiz programları tasarlamasına yardımcı olabilir.

Yayın Tarihi ve Kaynak: Çalışma, 18 Nisan 2025 tarihinde Scientific Reports dergisinde yayımlandı.
Referans: Ju-Pil Choe, Seungbak Lee, Minsoo Kang, “Machine learning modeling for predicting adherence to physical activity guideline,” Scientific Reports, 2025; 15 (1) DOI: 10.1038/s41598-025-90077-1.