پیوندهای مفید
آمار
| تعداد نشریات | 25 |
| تعداد شماره‌ها | 556 |
| تعداد مقالات | 4,410 |
| تعداد مشاهده مقاله | 7,319,013 |
| تعداد دریافت فایل اصل مقاله | 3,814,485 |
توسعه یک سیستم هوشمند مبتنی بر الگوریتم آدام جهت شخصی‌سازی تمرینات ورزشی دانش‌آموزان ابتدایی | ||
| نظریه و عمل در تربیت معلمان | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 05 بهمن 1404 اصل مقاله (515.44 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48310/itt.2025.19164.1104 | ||
| نویسندگان | ||
| فرشته کتبی1؛ سید امین دهقان بنادکی* 2 | ||
| 1گروه آموزش تربیت بدنی، دانشگاه فرهنگیان، صندوق پستی 889- 14665 تهران، ایران | ||
| 2دکتری مدیریت ورزشی دانشگاه تبریز | ||
| چکیده | ||
| پیشینه و اهداف: استفاده از فناوری‌های نوین، به‌ویژه هوش مصنوعی و الگوریتم‌های یادگیری عمیق، در طراحی تمرینات ورزشی شخصی‌سازی‌شده به‌ویژه در سنین رشد، مورد توجه قرار گرفته است. هدف این پژوهش طراحی و ارزیابی یک مدل هوشمند برای توصیه تمرینات متناسب با ویژگی‌های جسمانی و حرکتی دانش‌آموزان مقطع ابتدایی بود. روش‌ها: پژوهش به‌صورت توصیفی–تحلیلی روی ۴۳۰ دانش‌آموز ۱۲ تا ۱۵ ساله در مدارس شهر تهران انجام شد. داده‌ها از طریق پرسشنامه سواد حرکتی ادراک شده و آزمون‌های میدانی استاندارد جمع‌آوری و پس از پیش‌پردازش، با استفاده از شبکه عصبی مصنوعی چندلایه مبتنی بر الگوریتم ADAM تحلیل شدند. داده‌ها شامل پنج مؤلفه اصلی جسمانی بودند و مدل در قالب یک سیستم یادگیری عمیق برای پیش‌بینی تمرینات مناسب برای هر فرد آموزش داده شد. یافته‌ها: مدل پیشنهادی توانست با دقت ۹۲.۷8%، یادآوری ۸۵.۰4% و دقت مثبت ۸۸.۷1% عملکرد بالایی در توصیه تمرینات فردی داشته باشد. تحلیل ROC و مقدار AUC معادل ۰.۹۵۱ نشان‌دهنده قابلیت بالای مدل در تفکیک دقیق نیازهای تمرینی مختلف بود. افزون بر تحلیل‌های کمی، بازخوردهای میدانی از مربیان و دانش‌آموزان نشان داد که ۸7% از کاربران از برنامه‌های پیشنهادی رضایت داشته و ۸3% تأثیر مثبت آن را بر سلامت و انگیزه جسمانی خود گزارش کردند. نتیجه‌گیری: نتایج این پژوهش نشان می‌دهد که مدل‌های یادگیری عمیق می‌توانند به‌عنوان ابزاری اثربخش برای طراحی تمرینات شخصی‌سازی‌شده در آموزش تربیت بدنی مدارس مورد استفاده قرار گیرند. استفاده از این رویکرد نه‌تنها موجب افزایش دقت، کارایی و انگیزش دانش‌آموزان می‌شود، بلکه امکان به‌روزرسانی مستمر و تصمیم‌گیری آگاهانه برای مربیان را نیز فراهم می‌آورد. | ||
| کلیدواژه‌ها | ||
| بهینه‌سازی تمرینات؛ تربیت بدنی؛ تمرینات شخصی‌سازی‌شده؛ شبکه‌های عصبی مصنوعی؛ ویژگی‌های جسمانی؛ یادگیری عمیق | ||
| موضوعات | ||
| گسترش فرهنگ معلم فناور. | ||
| عنوان مقاله [English] | ||
| Development of an Intelligent System Based on the ADAM Algorithm for Personalized Exercise Programs for Elementary School Students | ||
| نویسندگان [English] | ||
| fereshteh kotobi1؛ seyed amin dehghan banadaki2 | ||
| 1Department of Physical Education, Farhangian University, P.O. Box 14665-889, Tehran, Iran | ||
| 2PhD in Sports Management, University of Tabriz | ||
| چکیده [English] | ||
| Background and Objectives: The application of developing technologies -especially artificial intelligence and deep learning algorithms- in the creation of personalized physical training programs has garnered significant attention, particularly during developmental stages. This study sought to develop and assess an intelligent model for prescribing individualized exercises based on the physical and motor attributes of primary school students. Methods: This descriptive-analytical study was performed on 430 kids aged 12 to 15 in several schools in Tehran. Data were gathered utilizing the Perceived Physical Literacy Instrument (PPLI) and standardized field assessments. Subsequent to preprocessing, the data, encompassing five essential physical components, were analyzed utilizing a multilayer perceptron (MLP) artificial neural network optimized through the ADAM method. The model was developed as a deep learning system to forecast suitable exercises for each individual. Findings: The proposed model effectively recommended personalized exercises, achieving an accuracy of 92.78%, a recall of 85.04%, and a precision of 88.71%. ROC analysis revealed an Area Under the Curve (AUC) of 0.951, signifying a strong ability to differentiate among various workout groups. Alongside the quantitative findings, feedback from students and physical education teachers indicated that 87% of participants were satisfied with the recommended activities, while 83% noted a beneficial effect on their physical health and motivation. Conclusion: The results indicate that deep learning models can function as efficient instruments for creating personalized physical training programs in school physical education. This method improves accuracy, efficiency, and student engagement, while also facilitating ongoing updates and informed decision-making by educators. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Networks, Deep Learning Exercise Optimization, Personalized Exercise Programs, Physical Features, Physical Education | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 337 تعداد دریافت فایل اصل مقاله: 130 |
||