به گزارش عصر تهران، ساعت‌های هوشمند و ابزارهای پوشیدنی روزانه حجم زیادی از اطلاعات مربوط به خواب، فعالیت بدنی و وضعیت ریکاوری بدن را ثبت می‌کنند. با این حال، بسیاری از این دستگاه‌ها بیشتر بر نمایش داده‌ها تمرکز دارند تا توضیح معنای آنها برای هر کاربر.
در چنین شرایطی، روندی تازه با عنوان «دیتامکسینگ» در حال شکل‌گیری است. در این رویکرد، کاربران داده‌های ثبت‌شده توسط ابزارهای پوشیدنی خود را در اختیار هوش مصنوعی قرار می‌دهند تا به جای مواجهه با مجموعه‌ای از اعداد و نمودارها، تحلیلی ساده‌تر و شخصی‌تر دریافت کنند.
دیتامکسینگ چگونه کار می‌کند؟
در دیتامکسینگ، کاربر داده‌های جمع‌آوری‌شده از ساعت هوشمند یا سایر ابزارهای پوشیدنی را به یک چت‌بات هوش مصنوعی ارائه می‌کند.
سپس از مدل هوش مصنوعی می‌خواهد الگوهای موجود در داده‌ها را بررسی کند. برای نمونه، کاربر می‌تواند درباره تغییرات کیفیت خواب در هفته‌های اخیر سؤال کند یا بپرسد آیا کاهش کیفیت خواب با تغییر میزان فعالیت بدنی او ارتباط داشته است.
به این ترتیب، هدف اصلی دیتامکسینگ تبدیل داده خام به توضیحی قابل فهم‌تر و متناسب با شرایط همان فرد است.
محدودیت ابزارهای پوشیدنی در تحلیل شخصی
یک مطالعه در سال ۲۰۲۶ نشان داده است که ابزارهای پوشیدنی در ارائه خلاصه‌ای از داده‌ها عملکرد مناسبی دارند، اما هنگام پاسخ‌گویی به پرسش‌های شخصی درباره داده‌های کاربر با محدودیت‌هایی مواجه می‌شوند.
در این پژوهش، یک عامل هوش مصنوعی توانست به ۸۴ درصد از پرسش‌های عددی و عینی پاسخ صحیح بدهد. این یافته نشان می‌دهد میان «خواندن داده» و «تفسیر دقیق شرایط یک فرد» همچنان تفاوت قابل توجهی وجود دارد.
بنابراین، هرچه سؤال پیچیده‌تر و وابسته‌تر به شرایط فردی باشد، اهمیت کیفیت داده‌ها و توانایی مدل در تفسیر درست آنها بیشتر می‌شود.
حرکت شرکت‌های پوشیدنی به سمت هوش مصنوعی
دیتامکسینگ کاملاً جدا از مسیر صنعت ابزارهای پوشیدنی نیست. برخی شرکت‌های این حوزه نیز در حال حرکت به سمت استفاده از هوش مصنوعی برای تفسیر داده‌های کاربران هستند.
ابزارهای هوش مصنوعی مرتبط با محصولات Oura و همچنین Google Health Coach از جمله نمونه‌هایی هستند که تلاش می‌کنند داده‌های مربوط به خواب و فعالیت بدنی را به توضیحات و توصیه‌های شخصی‌تر تبدیل کنند.
از این منظر، دیتامکسینگ را می‌توان شکل شخصی و غیررسمی همین روند دانست؛ با این تفاوت که کاربر مستقیماً داده‌های خود را در اختیار یک مدل هوش مصنوعی قرار می‌دهد و درباره آنها سؤال می‌کند.
پژوهش‌ها چه می‌گویند؟
نتایج یک پژوهش دیگر در سال ۲۰۲۵ نیز نشان داد یک مدل زبانی بزرگ حوزه سلامت گوگل در بررسی ۸۵۷ مورد مرتبط با خواب و آمادگی جسمانی، در پاسخ‌های مربوط به تناسب اندام عملکردی مشابه کارشناسان انسانی داشته است.
این مدل همچنین در برخی تحلیل‌های شخصی درباره خواب، نسبت به مدل پایه عملکرد بهتری نشان داد. چنین نتایجی نشان می‌دهد مدل‌های زبانی می‌توانند در پردازش و توضیح داده‌های سلامت و سبک زندگی ظرفیت قابل توجهی داشته باشند.
با این حال، عملکرد مناسب در پژوهش به معنای قابل اعتماد بودن کامل این فناوری در تمام شرایط نیست.
خطر تفسیر اشتباه داده‌های سلامت
مهم‌ترین محدودیت دیتامکسینگ، احتمال تفسیر نادرست داده‌ها یا تولید اطلاعات نادرست توسط هوش مصنوعی است.
این خطر زمانی جدی‌تر می‌شود که کاربر از تحلیل خواب و فعالیت بدنی فراتر برود و درباره بیماری، تشخیص یا روش درمان از هوش مصنوعی سؤال کند.
داده‌های ساعت هوشمند نیز لزوماً معادل اندازه‌گیری‌های پزشکی نیستند و کیفیت و دقت آنها می‌تواند با توجه به نوع دستگاه، حسگرها و شرایط استفاده متفاوت باشد. بنابراین، یک الگوی مشاهده‌شده در داده‌های پوشیدنی نباید به‌تنهایی مبنای تشخیص بیماری قرار گیرد.
دیتامکسینگ؛ ابزار کمکی، نه جایگزین پزشک
در شرایط فعلی، کاربرد منطقی دیتامکسینگ بیشتر در کمک به فهم داده‌های روزمره بدن و فعالیت فردی است.
هوش مصنوعی می‌تواند حجم زیادی از اطلاعات را سریع بررسی کند، روندها را کنار هم بگذارد و الگوهایی را که در میان انبوه داده‌ها کمتر دیده می‌شوند، برای کاربر قابل فهم‌تر کند.
با این حال، تصمیم‌گیری پزشکی همچنان به ارزیابی متخصصان سلامت نیاز دارد. به بیان ساده، دیتامکسینگ می‌تواند به فرد کمک کند داده‌های ساعت هوشمند خود را بهتر بخواند، اما نباید جایگزین پزشک، تشخیص تخصصی یا درمان پزشکی شود.
