纽约，4月19日：密西西比大学的一组研究人员利用机器学习技术，识别出长期锻炼习惯的最强预测因素。通过对近12,000名个体的数据进行分析，该研究揭示了久坐时间、性别和教育水平是决定某人是否能够持续达到推荐的体育活动指南的关键指标。
这些发现发表在《科学报告》期刊上，可能会重塑公共卫生官员和健身专业人士推广定期体育活动的策略。
由健康、运动科学与休闲管理系的博士生Seungbak Lee和Ju-Pil Choe以及教授Minsoo Kang领导的研究团队，使用了从2009年至2018年的全国健康与营养调查（NHANES）中提取的数据训练机器学习模型。该调查包括详细的日常生活方式、人口统计学和健康相关响应。
Kang解释说：“我们希望使用先进的数据分析技术，如机器学习，来预测这种行为。遵守体育活动指南对公共健康至关重要，因为它与疾病预防和整体健康模式有关。”
美国卫生与公众服务部建议成年人每周至少进行150分钟的中等强度锻炼或75分钟的高强度活动。然而，普通美国人每周仅花费约两小时进行体育活动——远低于疾病控制与预防中心设定的每周四小时基准。
研究人员探讨了多种因素，包括年龄、性别、种族、收入、教育、婚姻状况、BMI、腰围、睡眠、饮酒和吸烟习惯。排除了某些疾病患者和缺乏体育活动数据的参与者后，最终样本量为11,683人。
尽管考虑了多个变量，但机器学习模型一致地将三个因素确定为最具预测性：久坐时间、性别和教育水平。这些因素出现在所有高性能预测模型中，表明它们与锻炼承诺有很强的关联。
该研究的主要作者Choe表示：“我预计性别、BMI、种族或年龄等因素会很重要，但我对教育状态的重要性感到惊讶。虽然性别或BMI是先天的，但教育是一个外部因素，可能会随着时间影响行为。”
该研究依赖于自我报告的活动水平，这是其局限性之一，因为参与者往往会高估自己的体育活动。研究人员指出，未来的研究可以通过结合可穿戴设备的健身数据来获得更客观的结果。
尽管如此，研究团队认为机器学习提供了一种强大的方法来理解健康行为模式。与假设线性关系的传统统计方法不同，机器学习可以识别变量之间的更细微联系。
展望未来，研究人员计划使用类似的方法探索其他健康行为，如饮食和补充剂使用，目标是帮助健身专家和卫生政策制定者开发个性化的、可持续的锻炼策略。
Kang表示：“最终，我们希望支持那些帮助人们长期保持活跃的项目。了解他们坚持下去的原因是第一步。”
(全文结束)
