Olga A. Kazakova Введение / Introduction
Если раньше студенты активно проводили свободное время: играли в волейбол, ходили в походы, катались на лыжах и коньках, то сегодня их повседневность определяется цифровыми технологиями: мониторы, социальные сети, онлайн‑лекции. Подобный образ жизни провоцирует снижение функциональных резервов организма, сокращение уровня двигательной активности, развитие синдрома хронической усталости и деградацию общего состояния здоровья. В то же время систематические занятия физической культурой способны компенсировать эти негативные тенденции, повышая функциональные возможности организма и укрепляя потенциал здоровья студентов, считают Д. Г. Сидорова с соавторами [1]. Однако текущая организация физического воспитания в вузах не в полной мере учитывает специфику современной студенческой среды: высокая учебная нагрузка, преобладание сидячего образа жизни и растущая цифровая вовлеченность формируют принципиально иные требования к структуре и содержанию физкультурных программ.
При этом современные исследования физического развития и уровня подготовленности студенческой молодежи остаются фрагментарными. Это существенно затрудняет разработку целенаправленных программ, способных компенсировать отставание в моторной сфере и обеспечить должный уровень физической подготовленности, что напрямую отражается на результатах выполнения нормативов Всероссийского физкультурно‑спортивного комплекса «Готов к труду и обороне» (ГТО): фиксируется устойчивая тенденция к снижению средних показателей, особенно в дисциплинах, требующих скоростно‑силовых качеств и выносливости.
При этом в программах физического воспитания студентов отсутствует целенаправленная подготовка к сдаче нормативов ГТО, хотя они фактически выступают универсальным оценочным критерием уровня физической подготовленности обучающихся. Это противоречие указывает на недостаточную эффективность существующей системы и требует разработки научно обоснованных подходов к ее совершенствованию.
В возрасте 18–20 лет организм молодых людей продолжает развиваться: наращивается мышечная масса, адаптируется сердечно‑сосудистая система, укрепляется иммунная защита. Данный этап сопровождается изменениями в образе жизни, психологическим созреванием и формированием социальных ролей, что существенно влияет на физическое здоровье и необходимость поддержания регулярных двигательных нагрузок. Поэтому, по мнению Л. А. Ивановой с соавторами, этот период является оптимальным для формирования здорового образа жизни и развития физических качеств [2].
В связи с этим возникает острая необходимость в создании педагогической прогностической модели, которая позволит оптимизировать процесс физического воспитания в вузах и повысит эффективность подготовки студентов к выполнению норм ГТО. Разработка такой модели станет важным шагом в решении проблемы снижения общей физической активности молодого поколения и повышения результативности выполнения нормативов комплекса «Готов к труду и обороне».
Достичь этой цели позволит модель на основе множественной регрессии, учитывающая взаимосвязь телосложения, моторики и морфофункционального состояния студентов. Она дает возможность выявить индивидуальные сильные и слабые стороны двигательной сферы каждого обучающегося, подобрать упражнения и дозировку нагрузок не по усредненным нормативам, а исходя из конкретных морфофункциональных параметров.
Кроме того, с помощью регрессионных уравнений можно прогнозировать результаты и выстраивать целевое педагогическое планирование: оценивать вероятность успешного выполнения конкретного норматива (бег, подтягивания, пресс и др.), формировать индивидуальные педагогические траектории подготовки с указанием реалистичных сроков достижения целевых показателей, корректировать планы по мере изменения морфофункциональных показателей (роста силы, выносливости, гибкости), что позволит существенно оптимизировать ресурсозатраты: сократить время на пробные попытки, поскольку модель заранее указывает, какие тесты будут наиболее проблематичными для студента; рационально распределять внимание преподавателя, концентрируясь на тех, у кого прогноз успешности по ключевым нормативам низок; обоснованно формировать группы для дифференцированных занятий –по ведущему двигательному качеству.
С методической и организационной точки зрения модель также приносит ощутимую пользу: стандартизирует диагностику готовности к ГТО, обеспечивая единый алгоритм оценки для разных вузов и факультетов; упрощает планирование учебных программ, позволяя заранее распределить нагрузку по семестрам с учетом прогнозируемых результатов; служит основой для дальнейших научных исследований – модель можно дополнять новыми переменными (генетические маркеры, психоэмоциональные показатели) для повышения точности прогнозов.
Цель работы – создать прогностический инструмент для оценки готовности студентов к сдаче норм ГТО по данным морфофункционального обследования.
Задачи:
- Проанализировать научно-методическую литературу по теме исследования.
- Установить взаимосвязь между морфофункциональными показателями и характеристиками двигательной моторики, определяющими готовность студентов к сдаче норм ГТО.
- Создать прогностический инструмент для оценки понимания готовности студентов к сдаче норм ГТО.
Обзор литературы / Literature review
Бесспорно, занятия физической культурой и спортом нацелены на развитие функциональных возможностей организма человека. По мнению В. И. Павловой, физическая нагрузка может считаться достаточной и эффективной лишь в том случае, если она достигает пороговой величины либо незначительно превышает ее – это провоцирует необходимые вегетативные перестройки и переводит организм на более высокий уровень функционального состояния. В свою очередь, оптимизация функционального состояния существенно влияет на то, насколько эффективно организм студентов адаптируется к максимальным физическим нагрузкам [3].
Согласно позиции И. В. Левшина с соавторами, оценка функционального состояния спортсмена позволяет сформировать наиболее возможный прогноз относительно вероятности достижения спортивных результатов. При этом одним из объективных методов, позволяющих получить надежный прогноз, выступает метод моделирования [4].
В ряде исследований рассматриваются подходы к прогнозированию спортивных результатов и функционального состояния на основе множества предикторов. Так, Р. П. Банкер и Ф. П. Табтах предлагают фреймворк на основе машинного обучения для прогнозирования спортивных результатов: авторы применяют алгоритмы классификации, включая деревья решений, случайные леса и нейронные сети, тестируют модель на данных реальных соревнований и оценивают точность прогнозов с помощью специальных метрик (точности, полноты, F-меры). Они подчеркивают, что машинное обучение позволяет выявлять неочевидные закономерности и демонстрирует высокую применимость для прогнозирования исходов матчей в разных видах спорта [5].
М. К. Лангаруди и М. Ямагани сравнивают методы машинного обучения и вычислительной интеллектуальной аналитики в прогнозировании спортивных результатов. Они анализируют эффективность различных алгоритмов – SVM, k-NN, генетических алгоритмов и нечетких систем, а также применяют ансамблевые методы для повышения точности. Рассматривают влияние разнообразных предикторов (статистики игроков, погодных условий, фактора домашнего/гостевого матча и т. д.) и показывают, что гибридные модели, комбинирующие разные методы, дают лучшие результаты [6].
Исследования З. И. Сити с соавторами согласуются с выводами коллег. В своей работе ученые сравнили пять моделей (деревья решений, случайные леса, логистическая регрессия, SVM, автоэнкодеры) на данных NBA с платформы dataworld. Автоэнкодеры показали наивысшую точность (0,888 и 0,810), что подчеркивает растущую роль методов глубинного обучения. При этом, в отличие от традиционных алгоритмов, автоэнкодеры способны автоматически выделять информативные признаки из многомерных данных, снижая необходимость ручной настройки [7].
Г. Папагеоргиу, В. Сарлис, К. Тьортджис провели сравнительный анализ 14 моделей машинного обучения для прогнозирования показателей производительности в баскетболе. Авторы использовали данные NBA за три сезона (2019–2022) и 18 продвинутых статистических показателей (KPIs), оценивая точность с помощью метрики WAPE (взвешенная средняя процентная ошибка). Наилучшие результаты продемонстрировали модели на основе деревьев решений: ExtraTrees (34,14 % WAPE), Random Forest (34,23 % WAPE) и Decision Tree (34,41 % WAPE). Это подтверждает высокую эффективность ансамблевых методов в спортивной аналитике [8].
С. Хаттаби и А. М. Монтейру предложен подход к прогнозированию снижения спортивной производительности с использованием синтетических данных и методов машинного обучения. Исследователи сгенерировали репрезентативные синтетические наборы данных, имитирующие физиологические показатели, тренировочные нагрузки и периоды восстановления. На их основе обучили и протестировали несколько моделей машинного обучения, включая градиентный бустинг и нейронные сети. Ключевое преимущество метода – возможность анализа сценариев при ограниченном объеме реальных данных, что особенно актуально для редких видов спорта или индивидуальных дисциплин. Результаты показали высокую прогностическую точность модели в выявлении ранних признаков снижения эффективности спортсменов, позволяя своевременно корректировать тренировочные программы [9].
Аналогичный подход рассмотрен в статье M. К. Кордейру с соавторами. Они применили генеративно-состязательные сети (GAN) для создания синтетических данных, отражающих динамику ключевых показателей спортсменов: частоты сердечных сокращений, уровня лактата, времени восстановления и объема нагрузок. С помощью ансамблевых методов машинного обучения построили модель прогнозирования периодов снижения результативности. Исследование подтвердило, что использование синтетических данных существенно повышает устойчивость модели к недостатку реальных наблюдений и позволяет выявлять паттерны утомления за 2–3 недели до их клинического проявления [10].
Ц. Ган, С. Ли и С. Ким представили комплексный анализ эффективности различных подходов к распределению тренировочной нагрузки в марафонском беге. Модели машинного обучения смогли предсказать оптимальную методику тренировок на основе базовых характеристик атлетов, используя данные с потребительских трекеров и анализируя 27 ключевых показателей [11].
В. Ю. Щеколдина с соавторами дополняет эту картину, предлагая систему морфофункциональных критериев для прогнозирования успешности в единоборствах с использованием CHAID-анализа. Это особенно важно, так как этот метод позволяет выделять однородные группы спортсменов по уровню квалификации. В исследовании доказано, что существуют специфические морфофункциональные показатели (мышечный компонент тела, диаметр эпифизов голени, сила кисти рук, ширина плеч), которые могут служить предикторами успешности в единоборствах. Авторы формулируют статистически обоснованные критерии прогнозирования роста спортивной квалификации как для восточных, так и для классических видов единоборств [12].
Дополняет эту тему Р. Э. Сиразетдинова с коллегами, рассматривая морфологические особенности как критерии спортивного отбора в единоборствах. Они разработали математическую модель для дифференциальной диагностики морфологических особенностей, что позволяет объективно оценивать потенциал спортсменов. В результате исследования выявлены устойчивые морфологические особенности, способствующие достижению высоких результатов в единоборствах: развитая грудная клетка (по индексу Ливи), ярко выраженная широкоплечесть, низкие значения индекса «длина ноги/длина тела», высокие показатели отношения «длина руки/длина тела», минимальное развитие подкожного жироотложения. Это особенно важно при создании инструмента для объективного прогнозирования перспективных спортсменов [13].
К. В. Выборная в своей работе исследует взаимосвязь между типом телосложения и спортивной специализацией. Автор доказывает, что соматотип является важным прогностическим критерием успешности в спорте, что может быть использовано при отборе спортсменов и прогнозировании их достижений [14].
Современные научные исследования подтверждают, что тип телосложения (соматотип) оказывает существенное влияние на структуру моторики, а именно на распределение и выраженность двигательных качеств (силы, скорости, выносливости, гибкости и других). В российской научной традиции широко применяется схема
В. Г. Штефко и А. Д. Островского, согласно которой выделяют четыре основных типа телосложения: астеноидный (от греческого asthenes – «слабый, тонкий»), торакальный (от греческого thorakos – «грудь»), мышечный и дигестивный (от латинского digestive – «пищеварительный»), характеризующийся широкой грудной клеткой и относительно крупными органами пищеварения. Н. А. Скакун внесла вклад в развитие этой классификации, дополнив ее критериями оценки пропорциональности телосложения применительно к задачам спортивной морфологии [15].
Однако В. П. Федорова со авторами показывают, что различия между соматотипами выходят за рамки морфологии. Носители разных типов телосложения различаются уровнем обмена веществ, эндокринным статусом, психофизиологическими характеристиками, частотой и характером заболеваемости, а также особенностями развития моторики, скоростно-силовых качеств и физической работоспособности [16].
Установлено, что студенты разных типов телосложения демонстрируют типоспецифическую структуру моторики: каждому соматотипу присущи свои сильные и слабые стороны в двигательных качествах. По данным Х. А. Бекмансурова, наблюдаются следующие закономерности: астеноидный и торакальный типы чаще демонстрируют более высокий уровень выносливости, что обусловливает их предрасположенность к видам двигательной активности, требующим длительных нагрузок – например, бегу на длинные дистанции. В свою очередь, мышечный и дигестивный типы характеризуются лучшими скоростно-силовыми качествами, что делает их более успешными в спринте, прыжках и аналогичных упражнениях [17].
А. В. Мещеряков в своем исследовании изучал особенности морфофункционального развития и моторики студентов разных типов телосложения [18]. Им было выявлено, что у каждого соматотипа есть индивидуально прогнозируемые сильные и слабые стороны моторики. Эти данные стали основой для разработки двигательных режимов, учитывающих генетически обусловленные двигательные возможности студентов.
М. М. Колокольцев и Е. А. Койпышева подтверждают, что студентки существенно различаются по двигательным возможностям в зависимости от соматотипа [19]. Это указывает на необходимость дифференцированной физической подготовки с учетом конституциональных особенностей.
А. А. Тимошевский раскрывает генетико-антропологический базис моторики [20]. Автор показывает, что тип телосложения, будучи во многом генетически детерминированным, коррелирует с базовыми двигательными качествами:
– эктоморфный тип демонстрирует предрасположенность к видам активности, требующим выносливости и скоростно‑силовых нагрузок малой мощности;
– мезоморфный тип обладает преимуществом в тестах на силу и скорость (подтягивания, прыжки, спринт);
– эндоморфный тип имеет потенциал в упражнениях на статическую выносливость и силовую работу с собственным весом (удержание позиций, отжимания).
Он подчеркивает, что генетически заданные особенности метаболизма и опорно-двигательного аппарата требуют дифференцированного подхода к дозированию нагрузок. Например, у астеников повышен риск травм связок при резких ускорениях, а у гиперстеников – перегрузки сердечно-сосудистой системы при интенсивном беге.
Е. А. Ткачук и И. Ж. Семинский демонстрируют, как молекулярно-генетические технологии позволяют персонализировать подготовку к физическим нагрузкам [21], отмечая: полиморфизмы генов ACTN3 и ACE влияют на скорость восстановления после нагрузок и определяют предпочтительные режимы тренировок (интервальные или длительные), что критически важно при планировании циклов подготовки к нормативам ГТО (бег на 2–3 км, подтягивания, пресс); предиктивная диагностика выявляет генетические маркеры риска (например, предрасположенность к гипертрофии миокарда или дисплазии соединительной ткани), позволяя исключить опасные для конкретного соматотипа нагрузки; биообратная связь через генетическое тестирование повышает мотивацию молодежи, визуализируя «врожденные спортивные таланты» и усиливая вовлеченность в процесс подготовки.
Методическую базу для практической реализации этих идей предлагает
А. Ю. Асанова и др. [22] В ней систематизированы протоколы антропометрического и генетического скрининга, которые можно адаптировать для экспресс‑оценки соматотипа у школьников и студентов: индекс Пинье позволяет дифференцировать астеников, нормостеников и гиперстеников; соотношение длины конечностей к туловищу служит маркером долихоморфного или брахиморфного типа. Руководство содержит данные о корреляциях между генетическими маркерами и физическими качествами. Это дает возможность:
‒ прогнозировать успешность сдачи конкретных нормативов ГТО;
‒ выделять группы риска по трудностям в отдельных тестах;
‒ подбирать компенсаторные упражнения для слаборазвитых качеств (например, гибкость для мезоморфов, аэробную выносливость для эндоморфов);
‒ предотвращать травмы за счет учета наследственных особенностей опорно-двигательного аппарата (например, гипермобильности суставов), требующих ограничения определенных нагрузок (прыжков и т. п.).
Это также отражено в работе С. Б. Тихвинского, продемонстрировавшего зависимость показателей физической работоспособности в тесте PWC170 у мальчиков и девочек от 6 до 16 лет от соматического типа телосложения [23].
Помимо типа телосложения, свидетельствует М. А. Суботялов, значимое влияние на двигательные способности оказывает состав тела, в частности процент жировой массы. Повышенное содержание жира в организме может снижать результаты в тестах на скоростные и силовые способности. Кроме того, дефицит массы тела коррелирует с ухудшением двигательных качеств: студенты с недостаточной массой тела показывают более низкие результаты в антропометрических, физиометрических и двигательных тестах по сравнению с нормовесными сверстниками [24].
Работа Н. Янич, Д. Капор, Д. Н. Додер, И. Савич дополняет эти выводы, подтверждая связь между соматотипом, составом тела и скоростными качествами. Авторы проанализировали ключевые факторы, определяющие результативность в беге на короткие дистанции в реальных условиях [25]. В частности, показано: спортсмены с более длинными конечностями и низким процентом жировой массы демонстрируют лучшие результаты в спринте: у них выше скорость разгона и экономичность движений на дистанции. Кроме того, исследование демонстрирует возможность количественной оценки влияния морфологических параметров на спортивный результат. Разработанная ими математическая модель позволяет рассчитать ожидаемое время забега для конкретного спортсмена с учетом его антропометрических данных (роста, длины конечностей, состава тела), что создает основу для индивидуализации тренировочного процесса.
В работе Г. Юрас и М. Л. Латаш подчеркивается, что современные модели управления движениями интегрируют данные из нейрофизиологии, биомеханики и психологии, позволяя объяснить, как морфологические особенности (длина конечностей, состав тела) влияют на эффективность двигательных актов [26]. Авторы отмечают, что различия в длине рычагов тела (конечностей) не просто задают биомеханические ограничения, но и требуют специфической настройки нейронных команд для достижения оптимальной скорости и экономичности движений. Это добавляет к традиционному антропометрическому анализу нейрофизиологическое измерение: успех в спринте (например, у спортсменов с длинными конечностями) зависит не только от длины ног, но и от способности нервной системы координировать мышечные усилия в условиях высокой скорости.
Развитие этой мысли находит свое подтверждение в исследовании Л. К. Маурер и соавторов [27]. Ученые систематизируют данные о мозговых механизмах, лежащих в основе различных типов двигательных ошибок – от ошибок планирования до сенсорных неточностей. Они показывают, что даже при схожих морфологических параметрах спортсмены могут демонстрировать разную эффективность движений из-за индивидуальных особенностей нейронного контроля.
Современные исследования также демонстрируют возможности математического моделирования для прогнозирования готовности студентов к выполнению нормативов ГТО. В работе А. С. Большева, Д. Г. Сидорова и О. В. Сидоровой использовался метод множественной линейной регрессии [28]. Авторы установили, что показатели адаптационного потенциала, артериального давления, максимального потребления кислорода и результат в беге на 100 метров являются ключевыми факторами, определяющими спортивные результаты студентов. На основе этих данных были получены формулы прогностического расчета, позволяющие оценить эффективность занятий физической культурой и спрогнозировать результаты спортивных испытаний, включая нормативы ГТО.
Исследование В. Ю. Щеколдина, М. Е. Цоя и А. В. Махалина подтверждает универсальность такого подхода: авторы, применяя схожие методы математического анализа, обосновали комплекс морфофункциональных критериев для прогнозирования спортивных достижений у единоборцев [29].
Анализ научной литературы показал, что существует множество методов прогнозирования спортивных результатов. Однако особое внимание в спортивной аналитике уделяется методу множественной линейной регрессии, который показывает высокую эффективность при работе с данными студентов. Этот метод позволяет установить четкую математическую зависимость между различными факторами и спортивными результатами, что особенно важно в условиях образовательного процесса.
Таким образом, связь между морфофункциональными показателями и двигательной моторикой – установленный факт, имеющий практическое значение для разработки как индивидуальных, так и групповых программ физической подготовки студентов. Включение этого аспекта в систему физического воспитания способно повысить эффективность учебного процесса и помочь достижению нормативов ВФСК ГТО, а также общему укреплению здоровья студенческой молодежи.
Методологическая база исследования / Methodological base of the research
Для создания прогностической модели были проведены комплексные исследования морфологических показателей студентов-мужчин в возрасте 18–20 лет. В выборку вошли 280 студентов из трех высших учебных заведений Самарской области: Самарского государственного экономического университета; Самарского университета; Приволжского государственного университета путей сообщения.
Исследование включало анализ 41 параметра морфологических показателей. Статистическая обработка данных проводилась методом главных компонентов (PCA) с применением ортогонального вращения Varimax.
При обработке данных использовались следующие критерии отбора факторов:
1) собственные значения факторов превышали 1;
2) совокупная доля объясненной дисперсии составляла более 70%.
Все расчеты и анализ данных выполнялись с помощью программного обеспечения SPSS 27.
В качестве метода прогнозирования был выбран метод множественной линейной регрессии.
Такая методология обеспечивает высокую точность прогнозирования и позволяет учитывать множество факторов при построении прогностической модели.
Результаты исследования / Research results
Для анализа морфофункциональных показателей студентов был обследован 41 параметр (табл. 1).
Таблица 1
Морфофункциональные показатели студентов вузов
|
№ |
Показатели |
X±σ |
|
1 |
Длина тела, см |
177,3 ± 4,7 |
|
2 |
Вес тела, кг |
71,2± 9,1 |
|
3 |
Обхват грудной клетки, см |
89± 4,7 |
|
4 |
Обхват бедра, см |
56,4±3,7 |
|
5 |
Обхват, плеча, см |
26,7±3,1 |
|
6 |
Длина стопы, см |
28,1±2,5 |
|
7 |
Ширина плеч, см |
39,9±3,9 |
|
8 |
Ширина таза, см |
29,5±1,4 |
|
9 |
Абсолютная поверхность тела, м2 |
1,88±0,02 м² |
|
10 |
Вес жира, кг |
8,3± 3,7 |
|
11 |
Активная масса тела |
62,6± 8,01 |
|
12 |
Абсолютный вес мышц |
37,5± 2,0 |
|
13 |
Проценты мышц в весе тела, кг |
48,2± 3,8 |
|
14 |
Процент жира в весе тела |
11,3±2,0 |
|
15 |
Процент активной массы тела |
90± 1,9 |
|
16 |
Длина туловища, см |
54,2± 3, 4 |
|
17 |
Длина руки, см |
77,1± 5,1 |
|
18 |
Длина ноги, см |
96,1±2,1 |
|
19 |
Кистевая динамометрия, кг |
48,9±8,1 |
|
20 |
Сила разгибания бедра, кг |
127,6±18,5 |
|
21 |
Сила сгибания голени, кг |
44,8±8,8 |
|
22 |
Сила разгибателей туловища |
46,1±8,9 |
|
23 |
Становая сила, кг |
155,1±22,7 |
|
24 |
Время удержания 75-процентного кистевого усилия, с |
29,1±14,0 |
|
25 |
Время удержания 75-процентного усилия сгибателей предплечья, с |
42,2±25,4 |
|
26 |
Время удержания 75-процентного станового усилия, с |
39,2±18,9 |
|
27 |
Время удержания ног под углом 90° в висе на гимнастической стенке, с |
6,7±2,1 |
|
28 |
Время удержания 75-процентного станового усилия, с |
39,4±19,9 |
|
29 |
Время удержания 50-процентного кистевого усилия, с |
58,9±19,2 |
|
30 |
Отжимание в упоре лежа, кол-во раз |
27,2± 13,5 |
|
31 |
Подтягивание на перекладине, кол-во раз |
7± 7,5 |
|
32 |
Время бега на 3000 м, мин |
17,3±3,1 |
|
33 |
Подвижность в тазобедренном суставе при сгибании бедра, ° |
25±6 |
|
34 |
Подвижность при отведении бедра в тазобедренном суставе, с |
51,2± 8,9 |
|
35 |
Время выполнения 10 наклонов и выпрямлений туловища, с |
9,7±1,1 |
|
36 |
Время выполнения 10 приведений/отведений ноги, с |
6,7±1,0 |
|
37 |
Частота шагов в беге на месте за 10 с, кол-во раз |
37,9±4,9 |
|
38 |
Время бега на 100 м, с |
15,5±2,2 |
|
39 |
Взрывное усилие в тяге, кг |
179,0± 28,8 |
|
40 |
Длина прыжка с места, см |
199±22,8 |
|
41 |
Прыжок в длину с разбега, м |
4,895 ± 0,041 |
На основании проведенного анализа были выявлены восемь факторов, характеризующих текущее морфофункциональное состояние студентов (см. табл. 2, 3), оцененное посредством тестирования испытуемого по 12 валидным показателям: вес тела (кг), длина туловища (см), прыжок в длину с разбега (м), бег на 100 м (с), взрывное усилие в тяге (кг), подвижность в тазобедренном суставе при сгибании бедра (°), относительный вес жира (кг), время удержания 75-процентного усилия сгибателей предплечья (с), время удержания 75-процентного кистевого усилия (с), становая сила (кг), время удержания ног под углом 90° в висе на гимнастической стенке (с).
Таблица 2
Факторная структура морфофункционального состояния
студенческой молодежи
|
№ |
Название фактора |
Вклад фактора в общую дисперсию (%) |
Валидный признак и его факторный вес |
|
1 |
Тотальный показатель физического развития |
23,8 |
Вес тела (0,905) |
|
2 |
Физическая подготовленность |
14,2 |
Длина прыжка с разбега (0,614); бег на 100 м (0,398) |
|
3 |
Взрывная сила в тяге и подвижность в тазобедренном суставе при отведении бедра |
10,4 |
Взрывная сила в тяге (0,483); подвижность в ТБС при отведении (0,436) |
|
4 |
Относительный вес жира и статистическая выносливость сгибателей предплечья |
8,1 + 6,8* |
Процент жира в весе тела (0,557) |
|
Время удержания 75-процентного усилия при сгибании предплечья (0,338) |
|||
|
5 |
Статистическая выносливость мышц, сгибающих пальцы в кулак |
–
|
Время удержания 75-процентного кистевого усилия (0,315) |
|
6 |
Длина туловища и подвижность в тазобедренном суставе при разгибании бедра |
6,0 |
Длина туловища (0,370); подвижность в ТБС при разгибании (0,342) |
|
7 |
Статистическая выносливость сгибателей туловища |
4,1 |
Время удержания ног под углом 90° (0,483) |
|
8 |
Статистическая выносливость мышц ног, спины при удержании 75-процентного станового усилия |
3,0 |
Время удержания 75-процентного станового усилия (0,289) |
* Эти показатели коррелируют и отражают общий компонент («композицию тела плюс локальную выносливость»). Объединение выполнено на этапе интерпретации по содержательным соображениям или из-за близости факторных нагрузок после вращения.
Далее мы определили вклад каждого фактора в дисперсию.
Таблица 3
Ранжирование факторов по вкладу в дисперсию
|
Ранг |
Номер |
Название фактора |
Вклад в |
Средний вес переменных |
|
1 |
1 |
Тотальный показатель физического развития |
23,8 |
0,905 |
|
2 |
2 |
Физическая подготовленность |
14,2 |
0,506 |
|
3 |
4* |
Относительный вес жира и статистическая выносливость сгибателей предплечья |
14,9 |
0,448 |
|
4 |
3 |
Взрывная сила в тяге и подвижность в ТБС при отведении |
10,4 |
0,460 |
|
5 |
6 |
Длина туловища и подвижность в ТБС при разгибании |
6,0 |
0,356 |
|
6 |
7 |
Статистическая выносливость сгибателей туловища |
4,1 |
0,483 |
|
7 |
8 |
Статистическая выносливость мышц ног, спины (становая) |
3,0 |
0,289 |
|
– |
5* |
Статистическая выносливость мышц, сгибающих пальцы в кулак |
– |
0,315 |
*Фактор 4 (14,9% дисперсии) объединяет относительный вес жира и статистическую выносливость сгибателей предплечья. Объединение основано на физиологической взаимосвязи (влияние жировой массы на энергетическое обеспечение статической работы); близости факторных нагрузок после вращения Varimax. Фактор 5 не включен в ранжирование из‑за низкого вклада в дисперсию (–) и слабых нагрузок переменных (0,315). Он рассматривается как второстепенный компонент. ТБС – тазобедренный сустав.
Это позволило нам подтвердить наличие связи между свойствами моторики и строением тела у студентов. Несмотря на то что многие показатели связи не очень высокие и варьируются от 0,2 до 0,6 (в некоторых случаях это свидетельствует лишь о тенденции), тем не менее они позволяют выделить те свойства моторики, которые во многом обусловлены влиянием строения тела.
Для количественной оценки этих взаимосвязей рассчитывались линейные и нелинейные коэффициенты корреляции, а также совокупные коэффициенты корреляции каждого показателя свойств моторики с характеристиками строения тела. Всего было проанализировано 18 показателей телосложения и 23 показателя свойств моторики – таким образом, исследовались корреляционные связи в матрице размерностью 18×23.
В частности, установлено, что у не занимающихся спортом:
‒ силовые возможности в целом во многом зависят от величины абсолютной активной массы тела, веса тела, обхвата грудной клетки и веса мышечного компонента;
‒ на скоростные и скоростно-силовые возможности более всего влияют вес тела, его активная масса и абсолютная поверхность;
‒ силовая выносливость студентов зависит от обхвата грудной клетки, ширины таза, абсолютного веса жира и относительного веса мышечного компонента;
‒ на показатели, характеризующие структуру подвижности в суставах, наибольшее влияние оказывают относительный вес мышечной массы тела, его активная масса, относительный вес жира и вес тела.
В большей степени влияние строения тела испытывают:
‒ собственные силовые качества (становая, кистевая динамометрия и сила разгибателей бедра);
‒ скоростные и скоростно-силовые (взрывная сила в тяге руками, ногами и туловищем, прыжок в длину с разбега);
‒ силовая выносливость (отжимание в упоре лежа, бег на 3 км, статистическая выносливость сгибателей рук по отношению к 75-процентному усилию);
‒ подвижность в суставах (подвижность в тазобедренном суставе при сгибании бедра).
С учетом выявленных закономерностей связи телосложения и свойств моторики у студентов, а также фактурной структуры их текущего морфофункционального состояния мы разработали модель множественной регрессии, которая позволяет с достаточной вероятностью диагностировать студентов к выполнению определенного норматива из комплекса ГТО при их морфофункциональном состоянии (см. табл. 4).
Апробация уравнений позволила нам в лабораторных условиях диагностировать готовность студентов к сдаче норм ГТО. Из 280 студентов, к сожалению, готовы к сдаче норм (выполняют ≥ 3 нормативов бронзы): 168 человек (60%); требуют дополнительной подготовки (выполняют 1–2 норматива): 98 человек (35%); имеют значительное отставание (0 нормативов) 14 человек (5%).
На основе результатов исследования сформулированы практические рекомендации по совершенствованию программ по общей физической подготовке в вузах. Основные направления коррекции включают: индивидуализацию нагрузок с учетом морфофункциональных особенностей; акцент на развитие отстающих физических качеств (силовая выносливость, подвижность в суставах); поэтапное планирование подготовки к сдаче нормативов ГТО; регулярный мониторинг морфофункционального статуса и двигательной моторики.
Таблица 4
Управление регрессией для прогнозирования результатов в нормативах
комплекса ГТО по морфофункциональным данным студентов
|
Нормативы комплекса ГТО |
Уравнения |
Среднее квадратическое отклонение вектора |
Совокупный коэффициент корреляции (R) |
|
Бег на 3 км
|
Y = 388,125 + 0,917х Х1 – 0,913·Х6 – 1,215·Х7 – 0,694·Х8 – 0, 0559·Х9 + 0,032· Х10 – 0,030·Х11 + 0,166·Х12 + 0,030·Х13 – 0,007·Х14 |
0,813 |
R = 0,408 |
|
Отжимание из упора лежа (кол-во раз) |
Y = 12,456 + 0,342·X4−0,287·X3− 0,195·X6 + 0,512·X10 − 0,043·X14 |
1,247 |
R = 0,600 |
|
Подтягивание на перекладине (кол-во раз) |
Y = 4,783 + 0,621·X4 − 0,415·X3− 0,302·X6 + 0,274·X8 + 0,189·X11 |
1,085 |
R = 0,612 |
|
Бег на 100 м, с |
Y = 14,821−0,115·X12 − 0,097·X13 + 0,073·X14 + 0,204·X1 − 0,156·X7 |
0,429 |
R = 0,335 |
|
Прыжок в длину с разбега, м |
Y = 198,342 + 0,487·X14 − 0,211·X3 + 0,326·X4 + 0,145·X12− 0,089·X6 |
0,06732 |
R = 0,468 |
‒ Обозначения: Х1 – вес тела (кг); Х2 – абсолютная поверхность тела (м2); Х3 – абсолютный вес жира (кг); Х4 – активная масса тела(кг); Х6 – процент жира в весе тела (%); Х7 – длина туловища (см); Х 8 – время удержания 75‑процентного усилия показателей кистевого усилия (с); Х9 – время удержания 75‑процентного усилия показателей предплечья (с); Х10 – время удержания ног под углом 90° (с), Х11 – время удержания 75‑процентного станового усилия (с); Х12 – подвижность при разгибании бедра (град); Х13 подвижность при отведении бедра (град); Х14 – взрывное усилие в тяге (кг); R – совокупный коэффициент корреляции; Y – прогнозируемый результат по нормативу.
Заключение / Conclusion
В ходе исследования подтверждена достоверная взаимосвязь между морфофункциональными параметрами организма и характеристиками двигательной моторики у студентов. В числе значимых морфофункциональных факторов, влияющих на спортивные результаты, выявлены: масса тела, активная масса тела, уровень развития мышечной массы, процент жировой массы, подвижность в суставах (в т. ч. в тазобедренном), показатели силовой и статической выносливости.
С помощью метода множественной линейной регрессии разработана прогностическая модель для расчета ожидаемых результатов при сдаче нормативов комплекса ГТО, которая базируется на количественных показателях физического развития и функционального состояния студентов. Апробация модели на выборке студентов показала, что только 60% испытуемых способны выполнить нормативы ГТО на уровне бронзового знака отличия. Полученные данные свидетельствуют о недостаточном уровне физической подготовленности значительной части студенческой молодежи и указывают на необходимость корректировки учебных программ.
Таким образом, разработанная прогностическая модель не только отражает текущее состояние физической подготовленности студентов, но и служит инструментом для целенаправленной корректировки учебных программ. Ее применение позволяет выявить отстающие физические качества у отдельных студентов, проводить мониторинг динамики результатов в течение учебного года, прогнозировать вероятность выполнения нормативов комплекса «Готов к труду и обороне».