Теория и методика физического воспитания, спортивной тренировки, оздоровительной и адаптивной физической культуры | Мир педагогики и психологии №11 (124) Ноябрь 2026
УДК 37.037.1:004.8
Дата публикации 21.11.2026
Эффективность использования генеративных нейросетей для разработки индивидуальных планов занятий физической культурой у студентов
Керге Маргарита Андреевна
Студентка второго курса факультета Кибербезопасности и управления, Поволжский государственный университет телекоммуникаций и информатики, РФ, г. Самара, kergerita2005@gmail.com
Демчук Елена Евгеньевна
Старший преподаватель кафедры физического воспитания, Поволжский государственный университет телекоммуникаций и информатики, РФ, г. Самара, e.e.demchuk@gmail.com
Аннотация: В статье рассматриваются возможности и перспективы использования генеративных нейросетей для разработки индивидуальных планов занятий физической культурой у студентов высших учебных заведений. Актуальность исследования обусловлена снижением двигательной активности студенческой молодежи и необходимостью перехода от универсальных программ физического воспитания к персонализированному подходу. Рассматриваются возможности искусственного интеллекта в проектировании адаптивных тренировочных нагрузок с учетом анатомо-физиологических особенностей, состояния здоровья, уровня физической подготовленности, индивидуальных целей и учебной занятости студентов. На основе системного подхода, сравнительного анализа научной литературы, педагогического моделирования и теоретического обобщения предложена концепция университетского цифрового модуля «SmartFit Student». Описаны основные этапы его функционирования, архитектурные особенности гибридной нейросетевой модели (сочетание больших языковых моделей и методов машинного обучения), механизмы обеспечения информационной безопасности и защиты персональных данных студентов, а также система критериев педагогической и медико-биологической оценки эффективности внедрения. Особое внимание уделяется вопросам персонализации тренировочного процесса, профилактики травматизма, повышения мотивации студентов к регулярным занятиям физической культурой и оптимизации работы преподавателей.
Ключевые слова: генеративные нейросети, большие языковые модели, физическая культура, студенты, индивидуальный план тренировок, персонализация, адаптивная физическая нагрузка, защита персональных данных, педагогическая эффективность.
2nd year student of the Faculty of Cybersecurity and Management, Povolzhskiy State University of Telecommunications and Informatics Russia, Samara
Senior Lecturer of the Department of Physical Education, Povolzhskiy State University of Telecommunications and Informatics, Russia, Samara
Abstract: The article examines the capabilities and prospects of using generative neural networks to develop individual physical education plans for university students. The relevance of the study is determined by the decline in physical activity among students and the need to move from standardized physical education programs towards a personalized approach. The paper explores the capabilities of artificial intelligence in designing adaptive training loads based on students' anatomical and physiological characteristics, health conditions, physical fitness levels, individual goals, and academic schedules. Using a systems approach, comparative analysis of scientific literature, pedagogical modeling, and theoretical generalization, the study proposes the concept of the university digital module "SmartFit Student". The main stages of its operation, the architectural features of the hybrid neural network model (combining large language models and machine learning methods), mechanisms for ensuring information security and personal data protection, as well as a system of pedagogical and biomedical criteria for evaluating implementation effectiveness are described. Particular attention is paid to the personalization of the training process, injury prevention, increasing students' motivation to engage in regular physical activity, and optimizing teachers' workload.
Keywords: generative neural networks, large language models, physical education, students, individual training plan, personalization, adaptive physical activity, personal data protection, pedagogical effectiveness.
Керге М.А., Демчук Е.Е. Эффективность использования генеративных нейросетей для разработки индивидуальных планов занятий физической культурой у студентов // Мир педагогики и психологии: международный научно-практический журнал. 2026. № 11 (124). Режим доступа: https://scipress.ru/pedagogy/articles/effektivnost-ispolzovaniya-generativnykh-nejrosetej-dlya-razrabotki-individualnykh-planov-zanyatij-fizicheskoj-kulturoj-u-studentov.html (Дата обращения: 21.11.2026)
Актуальность исследования. Современная система высшего образования и физического воспитания сталкивается с рядом серьезных вызовов, среди которых ключевое место занимает устойчивая тенденция к снижению уровня двигательной активности студентов и ухудшение их общего состояния здоровья, что отражено в приоритетах государственной политики в сфере развития студенческого спорта [6]. Большинство действующих в вузах программ по физической культуре носят универсальный, унифицированный характер [1, с. 101]. Они не учитывают в полной мере индивидуальные анатомические и физиологические особенности учащихся, уровень их исходной физической подготовленности, наличие хронических заболеваний или перенесенных травм, а также неравномерную академическую нагрузку. В результате у студентов часто снижается мотивация к посещению занятий, падает интерес к предмету и возрастает риск возникновения травм из-за неадекватно подобранных нагрузок. В условиях масштабной цифровизации образования особую актуальность приобретает поиск принципиально новых инструментов персонализации образовательного и тренировочного процессов [2]. Одним из наиболее перспективных технологических решений выступает применение генеративных нейросетей, способных в автоматическом режиме обрабатывать комплексные массивы данных о пользователе и формировать адаптированные оздоровительные программы [3].
Целью работы является теоретическое обоснование целесообразности использования генеративных нейросетей для разработки индивидуальных планов занятий физической культурой у студентов, а также проектирование концепции их безопасного внедрения в вузовскую среду.
Методы исследования строились на принципах системного подхода, сравнительного анализа научной литературы, педагогического моделирования, архитектурного проектирования цифровых образовательных модулей и теоретического обобщения передового опыта применения цифровых технологий в сфере физической культуры.
Научная новизна исследования заключается в теоретическом обосновании гибридной архитектуры интеллектуального модуля и разработке алгоритма динамического пересчета тренировочных программ студентов с учетом их текущего функционального состояния, ритма учебной нагрузки и требований к защите биометрических и медицинских данных.
В современной спортивной педагогике и системе высшего образования наблюдается переход от стандартизированных нормативов к личностно-ориентированному подходу [1, с. 102]. Традиционные программы по физической культуре часто не способны гибко реагировать на индивидуальные отклонения в здоровье студентов, их уровень физической подготовленности и текущую академическую нагрузку. В этих условиях внедрение технологий искусственного интеллекта открывает принципиально новые возможности для оптимизации учебного процесса [2].
1. Архитектурные особенности и возможности генеративных нейросетей в проектировании тренировок
В отличие от генеративно-состязательных сетей (GAN) или диффузионных моделей, ориентированных преимущественно на синтез изображений и мультимедийного контента, для задач персонализированного планирования физической активности наиболее целесообразным является применение гибридной архитектуры, объединяющей большие языковые модели (LLM, построенные на базе архитектуры трансформеров) и алгоритмы классического машинного обучения [3].
Функциональное разделение ролей внутри такой гибридной модели позволяет преодолеть проблему «галлюцинаций» генеративных сетей и обеспечить медико-педагогическую безопасность тренировочного процесса:
1) модуль предиктивной аналитики и классификации (градиентный бустинг / деревья решений): выполняет первичную валидацию входных медико-биологических параметров, определяет допустимые зоны интенсивности (пульсовые зоны, предельный объем нагрузки) и формирует жесткую матрицу противопоказаний на основе группы здоровья;
2) генеративное ядро на базе LLM с технологией генерации, дополненной поиском (RAG - Retrieval-Augmented Generation): использует верифицированную базу знаний по теории и методике физического воспитания, лечебной физической культуре и биомеханике для синтеза структурированного микроцикла тренировок, текстового описания техники выполнения упражнений и методических пояснений для студента;
3) контур адаптивной корректировки (элементы обучения с подкреплением - RLHF / обратной связи): обеспечивает динамическую перестройку тренировочного плана на основе анализа телеметрии носимых устройств и субъективной оценки переносимости нагрузки.
Подобная архитектура позволяет алгоритму комплексно учитывать критически важные группы параметров обучающегося [2; 3]:
• анатомо-физиологические особенности: возраст, пол, рост, масса тела, индекс массы тела (ИМТ), тип телосложения, показатели частоты сердечных сокращений (ЧСС) в покое и артериального давления;
• состояние здоровья: медицинская группа для занятий физической культурой (основная, подготовительная, специальная), наличие хронических заболеваний, нарушений осанки или перенесенных травм опорно-двигательного аппарата;
• цели, интересы и академический график: фокус на развитие выносливости, силы, гибкости, коррекцию осанки или снижение психоэмоционального напряжения в период экзаменационной сессии через предпочитаемые виды двигательной активности (функциональный тренинг, йога, пилатес, плавание, оздоровительный бег).
Сравнительная характеристика традиционного подхода к организации физического воспитания в вузе и модели с применением гибридных генеративных нейросетей представлена в таблице 1.
Таблица 1. Сравнение традиционного и нейросетевого подходов к планированию физической активности студентов
| Критерии сравнения | Традиционный подход (универсальный план) | Подход с использованием генеративных нейросетей |
| Учет индивидуальных особенностей | Минимальный (единая программа для всей академической группы) | Максимальный (персонализация под группу здоровья, уровень подготовки и цели) |
| Адаптивность нагрузки | Статичная, изменяется редко по решению преподавателя | Динамическая, корректируется автоматически на основе текущих показателей |
| Доступность и вариативность | Ограничена стандартным набором упражнений в спортивном зале | Широкая верифицированная база упражнений с учетом доступного инвентаря |
| Профилактика травматизма | Зависит исключительно от визуального контроля преподавателя | Проактивная (модуль ограничений блокирует противопоказанные движения) |
| Мотивация и вовлеченность | Зачастую низкая из-за шаблонности и однообразия заданий | Повышенная за счет интерактивности, геймификации и учета личных интересов |
2. Практическая реализация: концепция цифрового модуля «SmartFit Student» и защита данных
На основе проведенного теоретического анализа предлагается модель практического внедрения ИИ-технологий в электронную информационно-образовательную среду (ЭИОС) вуза - университетский цифровой модуль «SmartFit Student». Данный инструмент призван объединить академические занятия физической культурой и самостоятельную двигательную активность студентов [4, с. 29].
Функционирование модуля строится на следующих последовательных этапах:
1. Первичный сбор и верификация данных: студент заполняет цифровую анкету, в которой указывает медицинскую группу, личные спортивные предпочтения и окна в учебном расписании. Медицинские ограничения подтверждаются преподавателем или врачом вуза во избежание некорректной самооценки состояния здоровья.
2. Нейросетевая генерация и экспертная валидация: гибридный алгоритм на основе полученных данных формирует сбалансированный недельный план тренировок, распределяя нагрузку между аудиторными занятиями и самостоятельными тренировками. Преподаватель имеет доступ к сгенерированным программам для выборочного контроля и методической коррекции.
3. Обратная связь и динамический мониторинг: при добровольном подключении мобильных приложений и носимых устройств (смартфоны, фитнес-браслеты) система анализирует показатели повседневной активности (количество шагов, ЧСС, продолжительность и качество сна) и субъективную шкалу усталости (RPE). При выявлении признаков переутомления или высокой учебной загруженности нейросеть оперативно снижает интенсивность ближайших занятий и предлагает восстановительные комплексы.
Поскольку работа модуля связана с обработкой персональных и специальных категорий данных (сведений о состоянии здоровья и биометрических показателей), ключевым требованием к проектированию «SmartFit Student» является обеспечение информационной безопасности в соответствии с Федеральным законом № 152-ФЗ «О персональных данных». Архитектура защиты данных модуля предусматривает следующие механизмы:
• псевдонимизация и деперсонализация: персональные идентификаторы студента (ФИО, номер студенческого билета) хранятся в изолированном защищенном контуре ЭИОС вуза отдельно от обезличенного физиологического профиля, передаваемого в нейросетевой модуль по уникальному токену;
• локальное развертывание (on-premise): размещение языковой модели и базы данных на серверах университета исключает трансграничную передачу чувствительных медицинских сведений внешним коммерческим облачным провайдерам;
• криптографическая защита и ролевое разграничение доступа (RBAC): шифрование данных при передаче (протокол TLS 1.3) и хранении (AES-256), а также строгое разграничение прав доступа (студент видит свой план и статистику; преподаватель - агрегированные показатели выполнения и медицинские ограничения группы; медицинский работник - подтверждение группы здоровья), сопровождаемое получением информированного добровольного согласия обучающегося.
3. Критерии оценки эффективности внедрения цифрового модуля в образовательный процесс
На текущем этапе исследования обоснована теоретическая модель модуля «SmartFit Student», а его эмпирическая апробация в рамках педагогического эксперимента (с формированием контрольной и экспериментальной групп студентов) запланирована в качестве следующего этапа работы. Для объективной оценки результативности внедрения разработанной концепции в учебный процесс предлагается система критериев, объединяющая четыре ключевых блока показателей:
1. Педагогический и мотивационно-поведенческий критерий: динамика посещаемости академических занятий по физической культуре, регулярность выполнения самостоятельных тренировочных модулей, а также изменение уровня внутренней мотивации к двигательной активности (оцениваемое посредством стандартизированного анкетирования и элементов геймификации [4, с. 31]).
2. Медико-биологический и функциональный критерий: динамика показателей общей физической подготовленности (сдача контрольных нормативов в соответствии с медицинской группой), восстановление ЧСС после стандартной нагрузки, индекс функциональных изменений и снижение частоты случаев перетренированности или микротравматизма [5, с. 513].
3. Организационно-методический критерий (оптимизация труда преподавателя): сокращение временных затрат научно-педагогических работников на составление и корректировку индивидуальных планов занятий, а также повышение доли учебного времени, уделяемого непосредственному контролю техники выполнения упражнений и индивидуальному консультированию.
4. Технико-эксплуатационный критерий: корректность генерируемых нейросетью тренировочных планов (отсутствие рекомендаций, противоречащих медицинским ограничениям, по результатам экспертной валидации преподавателями) и степень удовлетворенности студентов интерфейсом и адаптивностью системы.
Теоретический анализ показывает, что интеграция гибридных генеративных нейросетей в систему физического воспитания обладает высоким потенциалом для качественной трансформации образовательного процесса: она позволяет совместить преимущества индивидуального тренерского сопровождения с массовостью вузовского обучения при сохранении методического контроля со стороны преподавателя.
Вывод:
Проведенное теоретическое исследование позволяет сделать вывод о перспективности использования гибридных генеративных нейросетей (на базе LLM с технологией RAG и предиктивных моделей классификации) для разработки индивидуальных планов занятий физической культурой у студентов. Предложенная концепция университетского цифрового модуля «SmartFit Student», дополненная контуром защиты персональных и медицинских данных и системой критериев оценки педагогической эффективности, создает методологическую основу для безопасного перехода от унифицированных программ физического воспитания к персонализированному, адаптивному и здоровьесберегающему образовательному процессу. Дальнейшее развитие работы предполагает программную реализацию прототипа модуля и проведение сравнительного педагогического эксперимента на базе вуза.
Список литературы
1. Оразбаев Р.М., Карлыбаева А.М. Современные методы преподавания физической культуры в вузах // Вестник университета «Туран». 2022. № 4 (96). С. 100–105.
2. Попович А.П., Колокольцев М.М., Романова Е.В. Использование искусственного интеллекта в создании персонализированных планов занятий физической культурой и спортом со студентами // Современные проблемы науки и образования. 2024. № 4. URL: https://cyberleninka.ru/article/n/ispolzovanie-iskusstvennogo-intellekta-v-sozdanii-personalizirovannyh-planov-zanyatiy-fizicheskoy-kulturoy-i-sportom-so-studentami (дата обращения: 04.11.2026).
3. Смирнов Д.В. Генеративные нейросети как инструмент планирования тренировок студентов // Тенденции развития науки и образования. 2025. № 118. С. 45–48. URL: https://apni.ru/article/15464-generativnye-nejroseti-kak-instrument-planirovaniya-trenirovok-studentov (дата обращения: 04.11.2026).
4. Рыбачук Н.А. Геймификация учебного процесса по дисциплине «Физическая культура и спорт» в вузе // Гуманитарные и социально-экономические науки. 2024. № 1 (90). С. 28–33.
5. Ботиров А.Р., Батирова Ф.А. Влияние движений и физических нагрузок на детский организм // Экономика и социум. 2023. № 6 (109). С. 512–515.
Список источников:
6. Стратегия развития физической культуры и спорта в Российской Федерации на период до 2030 года: утв. распоряжением Правительства РФ от 24 ноября 2020 г. № 3081-р // Собрание законодательства Российской Федерации. 2020. № 49. Ст. 7958.
