Repositorio
Institucional

Godoy-Cumillaf, Andres

Prediction of Children's Subjective Well-Being from Physical Activity and Sports Participation Using Machine Learning Techniques: Evidence from a Multinational Study

MDPI

CHILDREN-BASEL

en

Highlights What are the main findings? Machine learning models, particularly XGBoost and LightGBM, predict children's subjective well-being with up to 50% explained variance, surpassing traditional regression. Sports participation, including exercise frequency, emerges as a key predictor, with linear benefits observed across diverse global samples. What is the implication of the main finding? These results support the development of targeted sports programs to enhance child well-being, leveraging advanced predictive tools. The findings advocate for integrating physical literacy into educational policies to address global inactivity trends in youth.Highlights What are the main findings? Machine learning models, particularly XGBoost and LightGBM, predict children's subjective well-being with up to 50% explained variance, surpassing traditional regression. Sports participation, including exercise frequency, emerges as a key predictor, with linear benefits observed across diverse global samples. What is the implication of the main finding? These results support the development of targeted sports programs to enhance child well-being, leveraging advanced predictive tools. The findings advocate for integrating physical literacy into educational policies to address global inactivity trends in youth.Abstract Background/Objectives: Traditional models like ordinary least squares (OLS) struggle to capture non-linear relationships in children's subjective well-being (SWB), which is associated with physical activity. This study evaluated machine learning (ML) for predicting SWB, focusing on sports participation, and explored theoretical prediction limits using a global dataset. It addresses a gap in understanding complex patterns across diverse cultural contexts. Methods: We analyzed 128,184 records from the ISCWeB survey (ages 6-14, 35 countries), with self-reported data on sports frequency, emotional states, and family support. To ensure cross-country generalizability, we used GroupKFold CV (grouped by country) and leave-one-country-out (LOCO) validation, yielding mean R2 = 0.45 +/- 0.05, confirming robustness beyond cultural patterns, SHAP for interpretability, and bootstrapping for error estimation. No pre-registration was required for this secondary analysis. Results: XGBoost and LightGBM outperformed OLS, achieving R2 up to 0.504 in restricted datasets (sensitivity excluding affective leakage: R2 = 0.35), with sports-related variables (e.g., exercise frequency) associated positively with SWB predictions (SHAP values: +0.15-0.25

incremental Delta R2 = 0.06 over demographics/family/school base). Using test-retest reliability from literature (r = 0.74), the estimated irreducible RMSE reached 0.941

XGBoost achieved RMSE = 1.323, approaching the predictability bound with 68.1% of explainable variance captured (after noise adjustment). Partial dependence plots showed linear associations with exercise without satiation and slight age decline. Conclusions: ML improves SWB prediction in children, highlighting associations with sports participation, and approaches predictable variance bounds. These findings suggest potential for data-driven tools to identify patterns, such as through physical literacy pathways, informing physical activity interventions. However, longitudinal studies are needed to explore causality and address cultural biases in self-reports.Aspectos destacados ¿Cuáles son los principales hallazgos? Los modelos de aprendizaje automático, en particular XGBoost y LightGBM, predicen el bienestar subjetivo de los niños con hasta un 50 % de varianza explicada, superando la regresión tradicional. La participación en deportes, incluida la frecuencia del ejercicio, emerge como un predictor clave, con beneficios lineales observados en diversas muestras globales. ¿Cuál es la implicación del hallazgo principal? Estos resultados respaldan el desarrollo de programas deportivos específicos para mejorar el bienestar infantil, aprovechando herramientas predictivas avanzadas. Los hallazgos abogan por integrar la alfabetización física en las políticas educativas para abordar las tendencias globales de inactividad en los jóvenes. Aspectos destacados ¿Cuáles son los principales hallazgos? Los modelos de aprendizaje automático, en particular XGBoost y LightGBM, predicen el bienestar subjetivo de los niños con hasta un 50 % de varianza explicada, superando la regresión tradicional. La participación en deportes, incluida la frecuencia del ejercicio, emerge como un predictor clave, con beneficios lineales observados en diversas muestras globales. ¿Cuál es la implicación del hallazgo principal? Estos resultados respaldan el desarrollo de programas deportivos específicos para mejorar el bienestar infantil, aprovechando herramientas predictivas avanzadas. Los hallazgos abogan por integrar la alfabetización física en las políticas educativas para abordar las tendencias globales de inactividad en los jóvenes. Resumen Antecedentes/Objetivos: Los modelos tradicionales como los mínimos cuadrados ordinarios (MCO) tienen dificultades para capturar las relaciones no lineales en el bienestar subjetivo (BS) de los niños, que está asociado con la actividad física. Este estudio evaluó el aprendizaje automático (AA) para predecir el BS, centrándose en la participación deportiva, y exploró los límites teóricos de la predicción utilizando un conjunto de datos global. Aborda una brecha en la comprensión de patrones complejos en diversos contextos culturales. Métodos: Analizamos 128.184 registros de la encuesta ISCWeB (edades de 6 a 14 años, 35 países), con datos autoinformados sobre frecuencia deportiva, estados emocionales y apoyo familiar. Para garantizar la generalización entre países, utilizamos GroupKFold CV (agrupado por país) y validación de dejar un país fuera (LOCO), obteniendo un R2 medio = 0,45 +/- 0,05, lo que confirma la robustez más allá de los patrones culturales, SHAP para la interpretabilidad y bootstrapping para la estimación del error. No se requirió preinscripción para este análisis secundario. Resultados: XGBoost y LightGBM superaron a OLS, alcanzando R2 hasta 0,504 en conjuntos de datos restringidos (sensibilidad excluyendo fuga afectiva: R2 = 0,35), con variables relacionadas con el deporte (p. ej., frecuencia de ejercicio) asociadas positivamente con predicciones de SWB (valores SHAP: +0,15-0,25

Delta R2 incremental = 0,06 sobre base demográfica/familiar/escolar). Utilizando la fiabilidad test-retest de la literatura (r = 0,74), el RMSE irreducible estimado alcanzó 0,941

XGBoost alcanzó RMSE = 1,323, acercándose al límite de predictibilidad con 68,1% de varianza explicable capturada (después del ajuste de ruido). Los gráficos de dependencia parcial mostraron asociaciones lineales con el ejercicio sin saciedad y una ligera disminución de la edad. Conclusiones: ML mejora la predicción de SWB en niños, destacando asociaciones con la participación deportiva, y se acerca a los límites de varianza predictible. Estos hallazgos sugieren el potencial de las herramientas basadas en datos para identificar patrones, como por ejemplo a través de las trayectorias de alfabetización física, lo que podría orientar las intervenciones de actividad física. Sin embargo, se necesitan estudios longitudinales para explorar la causalidad y abordar los sesgos culturales en los autoinformes.

artículo original

subjective well-being

machine learning

physical activity

children

XGBoost

SHAP

sports participation

physical literacy

10.3390/children12081083

pdf

Ciencias del Deporte y Acondicionamiento Físico

Otras Especialidades de la Psicología

Ciencias de la Computación

versión publicada

dorada

verde

acceso abierto

acceso abierto

WOS:001557302400001

Prediction of Children's Subjective Well-Being from Physical Activity and Sports Participation Using Machine Learning Techniques: Evidence from a Multinational Study

artículo original

MDPI

CHILDREN-BASEL

Pediatrics

en

CC BY 4.0

pdf