摘要：大学生体质健康是“健康中国”战略与高等教育质量评估的核心环节。当前，高校体育教学正处于从技能传授向健康促进转型的关键时期，但传统模式在个性化指导、精准评估与有效干预方面存在不足。尽管《国家学生体质健康标准》已积累海量数据，其应用仍面临评估方法偏差大、指标关系认识浅、风险预测模型可解释性差等瓶颈。随着人工智能技术的发展，机器学习与可解释性 AI 为破解上述问题提供了新路径。为此，本研究基于75740 条高校体测数据，构建“数据预处理 - 综合评估 - 关联挖掘 - 风险预测”一体化框架，运用广义可加模型揭示身体形态与体能素质的非线性关系，并通过遗传算法优化 XGBoost 模型结合 SHAP 框架，实现对学生体质风险的精准预测与归因分析。本研究旨在推动体育教学从经验驱动向数据驱动转型，为构建个性化健康促进体系提供理论与实践支持。

关键词：体育教学；XGBoost ；机器学习

 

引言

大学生体质健康是国家发展的重要战略基石。当前高校体育教学正向健康促进转型，却面临数据应用不足、评估方法失准、干预靶向性弱等挑战。传统预测模型也因识别率低、可解释性差而难以支撑精准教学。

人工智能技术为破解上述困境提供了新路径。本研究基于 75，740 条体测数据，构建一体化分析框架，通过广义可加模型揭示指标间非线性关系，并采用遗传算法优化的 XGBoost 模型结合 SHAP 框架实现风险预测与归因解释。旨在为高校体育教学从经验驱动向数据驱动转型提供方法论支持，为构建个性化健康促进体系提供实践参考。

1 研究对象与方法

本研究采用横断面设计，以某高校 2018-2022 年共五届全日制本科生为研究对象，通过整群抽样获取体测数据。共纳入有效样本75,740 条（男生67.4%，女生32.6%），平均年龄（20.3±1.8）岁。

数据严格依据《国家学生体质健康标准》采集，包括身体形态（身高、体重、BMI）、身体素质（速度、力量、耐力、柔韧、爆发力）及身体机能（肺活量）三类指标。

为提升模型效能，进行了特征工程构建：引入 BMI 偏离度及其高次项，并构建 BMI 与性别等交互特征。数据预处理中，采用四分位距法识别异常值并进行 Winsorizing 截断，对缺失值则按性别分层使用 K 近邻算法插补，最终使各指标缺失率低于5%，保障了后续建模的数据质量。

2 研究结果

2.1 大学生体质健康全景评估：现状、结构与动态趋势

本研究构建的缺项重权综合评估模型，有效克服了传统方法因数据缺失导致的评价偏差，实现了对学生体质水平的精准量化。评估结果显示，全体样本的体质健康综合得分（S5）均值为70.36 分（95%Wilson CI:69.82 - 70.90），中位数为 70.9 分，其频数分布呈现出以 70 分为中心的近似正态分布特征，表明该校大学生体质整体处于中等水平，极端优劣情况均属少数。

对综合得分进行等级划分，揭示了当前体质健康管理的核心挑战与重点。合格等级学生构成了主体，占比高达 75.4%，这构成了高校体育工作的基本盘。良好等级占比 12.8%，而优秀等级学生缺失，反映出在达到基本要求后，学生体质向更高水平发展的动力与路径均存在不足，是体育教学改革亟待突破的“天花板”。此外，不合格等级占比11.8%，明确标识出需要优先进行教学干预的高风险群体。

深入的动态与群体分析为教学策略提供了更细致的依据。分性别追踪显示，2018 至 2022 年间，女生群体的平均体质得分（72.6±8.3）持续、显著地高于男生（68.5±7.9）。尤为重要的是，女生得分的年度波动幅度更大，提示女性体质可能对教学安排、年度考核政策等环境因素更为敏感；而男生得分则相对稳定在较低水平，表明其体质健康问题可能更具结构性与顽固性，需要更具针对性的长期干预方案。

2.2 身体形态与体能表现的深层规律：非线性映射与教学启示

为突破传统线性分析局限，本研究应用广义可加模型（GAM）与分位数回归，揭示了身体形态与体能表现间的复杂非线性关系。

GAM 分析表明，BMI 对各项目成绩的影响均呈显著非线性（所有平滑项 P<0.001），并识别出项目异质性的“最优BMI 区间”。例如，50 米跑成绩在 BMI 约18.8 时最优；立定跳远在BMI 18.5–23.5 区间内维持高位；中长跑则存在明显性别差异，且BMI 超过25 后负面影响急剧增大。

分位数回归进一步揭示了影响的群体异质性。以立定跳远为例，BMI 增长对低体能群体（25% 分位）的成绩提升效益（β=0.28,P<0.01）显著高于高体能群体（75% 分位，β=0.15,P<0.05），提示需针对不同水平学生制定差异化干预策略。

形态指标关联网络分析显示：身高与立定跳远正相关（r=0.22），但与 50 米跑负相关 _(r=-0,58) ；体重与爆发力正相关显著（r=0.49）。各体能素质间也存在内在联系，如速度与爆发力呈负相关 c=-0 .19），柔韧性与综合体能呈正相关（r=0.45）。控制年龄后，部分相关性减弱，说明年龄是不可忽视的混杂因素。

2.3AI 风险预测模型的效能：精准预警与可解释归因

在体能风险预测任务中，通过对逻辑回归、随机森林、XGBoost 及LightGBM 四类模型的系统对比（表 1），并创新性地引入遗传算法（GA）进行超参数自动化全局寻优，最终确定XGBoost 模型为最优解决方案。

表1 预测模型对比

卓越的预测性能：在测试集上，其 AUC 值达到 0.69，F1 分数高达 0.40，标准差最小（0.08），对高风险学生的识别精度显著优于传统模型，能满足早期筛查的准确率要求。强大的模型鲁棒性：在不同年份、性别子群体中进行验证，其核心性能指标波动幅度小于 2%，证明了其在面对校园人口动态变化时的稳定性与可靠性。

关键的可解释性：通过集成SHAP 框架，模型不仅能做出预 示出每个高风险学生的核心预警指标（如“BMI 过高是首要风险因子” 教师可理解、可操作的“个体体质诊断报告”，为后续制定个性化运动处方提供了 真正实现了人工智能与体育教学实践的深度融合。

3 讨论与分析

本研究构建的 " 评估 - 预测 - 归因 " 一体化分析模型，成功探索了数据驱动范式在大学生体质健康监测与干预中的创新应用。基于实证研究结果，我们从以下维度展开深入探讨：

1. 模型系统创新与体育教学实践的深度融合

本研究建立的综合分析框架突 统体质研究的单 维度局 实现了从基础评估到智能干预的全流程覆盖。该框架的创新 估模型，解决了因数据缺失导致的评价偏差问题， 态评估与动态预警相结合，既能全面把握学生体质现状 可解释性人工智能技术，将抽象的预测结果转化为具体的 策的完整决策支持。这种系统化的解决方案显著提升了体质健 水 平 为高 教学的数字化转型提供了有力支撑。

2. 方法论创新对体育科学研究的推动

本研究在方法论层面实现了重要突 主要体现在以下方面：基于遗传算法优化的 XGBoost 模型在风险预测中表现出卓越性能（AUC= HAP 解释框架的成功应用，有效解决了机器学习模型的可解释 具，能够明确指示具体的影响因素及其贡献程度； 义可 身体形态与体能表现间的复杂非线性关系，还发现了影响因素在不 的异 质性特征 这些方法学创新不仅为体质健康研究提供了新的技术路径，也从数理层面验证了" 因材施教" 等教学原则的科学性

基于本研究建立的方法论基础和技术框 可在多个 维度进行深化和拓展。在数据维度上，可通过整合穿戴设备监测、 课 体的学生健康画像，进一步提升模型的全面性和准确性。 实现对学生体质状况的实时监测和动态反馈。在应用场 动技能评估、训练负荷监控、体育教学效果评价等领域，为构建智 体系提供全方位支持 拓展方向不仅体现了本研究成果的延展性，也为未来研究规划了清晰的发展路径

本研究建立的 " 评估 - 预测 - 归因 " 一体化框架，为实现精准化、个性化的体育教学提供了理论依据和技术支持。随着教育信息化建设的深入推进和人工智能技术的持续发展，这一研究范式将推动高校体育教学从经验驱动向证据驱动转变，从标准化教学向个性化指导演进，最终实现全面提升学生体质健康水平的目标。结论与建议

4 研究结论

4.1 结论

该模型展现出三大核心优势，使其具备直接部署于体育教学管理系统的潜力：

本研究通过构建" 评估- 预测- 归因 ^′′ 一体化分析框架，在大学生体质健康研究领域取得以下重要结论：（1）创新性地建立了集系统性、精准性与可解释性于 体的体质健康智能评估体系。该体系通过缺项重权评估模型、GA-XGBoost 预测算法和 SHAP 解释框架的有机融合，实现了从群体特征分析到个体归因诊断的全流程智能化处理，为高校体育工作的数字化转型提供了完整的技术解决方案。

3. 应用拓展与未来发展方向

（2）首次系统揭示了身体形态指标与运动能力之间的复杂作用机制。研究发现 BMI 等关键指标与体测成绩存在显著的非线性关联，并表现出明显的群体异质性特征。这一发现不仅深化了对体质健康影响因素的认识，更为实施精准化、个性化的体育教学干预提供了重要的理论支撑。

（3）研究成果具有显著的应用价值。基于大数据分析和机器学习技术构建的预警系统能够精准识别高风险群体，生成的归因分析报告可为体育教学提供明确的改进方向，群体差异分解结果则为资源配置和政策制定提供了科学依据，有效推动了学校体育卫生工作从经验管理向数据驱动的精准管理转变。

4.2 实践建议

基于研究成果，提出以下多层次实施建议：

（1）管理决策层面：建议教育主管部门将智能评估系统纳入高校体育工作体系，建立 " 数据采集 - 智能分析 - 预警干预 - 效果评估 " 的闭环管理机制。通过制度化保障和技术化支撑，实现学生体质健康的动态监测和精准管理，推动体育教育工作模式的范式重构。

（2）教学实施层面：体育教师应充分发挥智能系统的诊断功能，将归因分析结果转化为具体的教学行动。对于预警学生，基于其体质短板制定针对性的运动处方；对于普通学生，参照" 最优区间" 理论优化训练方案。同时，利用群体异质性特征实施分层教学，全面提升体育教学的针对性和有效性。

（3）未来发展层面：建议沿着三个方向深化研究：一是拓展数据维度，融合多源信息构建更全面的健康评估体系；二是优化技术架构，提升系统的实时性和易用性；三是拓展应用场景，将方法论推广至运动技能评估、训练方案优化等更多领域，持续完善智慧体育教学体系。

本研究建立的智能分析框架和方法体系，为推动高校体育教育的精准化变革提供了理论支持和技术保障。随着教育信息化建设的深入发展，这一研究成果将有力促进体育教学从标准化向个性化、从经验驱动向证据驱动转变，为全面提升大学生体质健康水平开辟新的路径。

参考文献：

[1] 邵媛 . 大学生体质健康促进模型的构建研究 [J]. 成都体育学院学报 ,2024,50(04):124-131.DOI:10.15942/jcsu.2024.04.015.

[2] 陈文浩 . 高校体育“学、练、赛、评”一体化教学的理论模型与实践路径优化研究 [J]. 冰雪体育创新研究 ,2025,6(18):55-57.DOI:10.20155/j.cnki.issn2096-8485.2025.18.019.

[3] 朱菊芳 , 胡若晨 . 公共体育服务智能化建设水平测度与评价研究 [J]. 体育科学 ,2025,45(07):41-57.DOI:10.16469/J.css.2025KX054.

[4] 李霞 . 基于现代技术高校体育创新路径的探究 [J]. 学周刊 ,2025,(21):1-3.DOI:10.16657/j.cnki.issn1673-9132.2025.21.001.

[5] 孟怡豪 . 基于新一代人工智能技术的高校体育混合式教学实践改革研究 [J]. 文体用品与科技 ,2025,(15):124-126.

[6] 潘金星 , 王晋 . 数字赋能高职体育课堂教学的高质量发展 [J]. 文体用品与科技 ,2025,(16):90-93.

[7] 曾理, 韩星蕊. 数字技术对提升大学生体质健康水平的实验研究[J]. 实验室研究与探索,2024,43(12):201-205+247.DOI:10.19927/j.cnki.syyt.2024.12.040.

[8] 吴秋林. 用模糊数学方法建立高校体育素质教育评价模型的研究[J]. 北京体育大学学报,2002,(01):81-82.DOI:10.19582/j.cnki.11-3785/g8.2002.01.028.

作者简介：黄时强（1993—），男，汉，江西上饶，专任教师/ 助教，硕士体育教学。本文系：校级教育规划一般课题，编号：24XYB30