L'IA nell'allenamento di endurance: cosa può fare e cosa no

Nei software di allenamento, "IA" indica due cose molto diverse, che il marketing tende a confondere. Da una parte ci sono modelli statistici che lavorano sui numeri: frequenza cardiaca, ritmo, potenza, variabilità della frequenza cardiaca, sonno. Stimano qualcosa o cercano di prevederlo. Dall'altra ci sono i modelli linguistici, la famiglia di ChatGPT, Claude e Mistral, che leggono e scrivono testo. Le prove scientifiche sono molto diverse per l'una e per l'altra, quindi conviene guardarle separatamente.

Molto di ciò che si vende come IA è aritmetica

Le curve di forma, fatica e freschezza (CTL, ATL, TSB) sono medie ponderate esponenzialmente del carico giornaliero, eredi del modello impulso-risposta di Banister degli anni Settanta. Il TRIMP trasforma durata e frequenza cardiaca in un punteggio di carico. L'RPE di seduta è ancora più semplice: il metodo di Foster moltiplica la valutazione della fatica dell'atleta, su una scala da 0 a 10, per la durata in minuti, quindi una corsa di 60 minuti a RPE 6 vale 360 unità. Niente di tutto questo è machine learning, ed è un pregio: puoi controllare la formula, sai cosa trascura e, quando un numero sembra sbagliato, puoi capire perché.

La dichiarazione di consenso sul monitoraggio del carico pubblicata da Bourdon e colleghi nel 2017 raccomanda proprio questo tipo di strumenti: misurare cosa è stato fatto (carico esterno, come distanza e ritmo) e quanto è costato all'atleta (carico interno, come frequenza cardiaca e RPE), e guardarli insieme nel tempo. È ancora la base di una buona pratica, e non serve nessuna rete neurale.

La previsione è più debole di quanto dicano le pubblicità

La previsione degli infortuni è il campo in cui le promesse corrono più avanti dei dati. La revisione di Roald Bahr uscita nel 2016 sul British Journal of Sports Medicine spiega perché i test di screening non possono prevedere l'infortunio di un singolo: anche un fattore di rischio forte a livello di gruppo lascia una sovrapposizione enorme tra chi si infortuna e chi no. Il machine learning non ha ancora cambiato molto il quadro. Una revisione sistematica di Van Eetvelde e colleghi (2021) ha trovato undici studi sulla previsione degli infortuni sportivi con il machine learning, con prestazioni che andavano da poco meglio del lancio di una moneta (AUC di 0,52) a buone (0,87), e ha chiesto più lavoro sull'interpretazione dei modelli.

Il rapporto tra carico acuto e cronico è un buon esempio da tenere a mente. Per qualche anno l'idea che un rapporto tra 0,8 e 1,3 fosse una "zona ideale" sicura si è diffusa in app e corsi per allenatori. Impellizzeri e colleghi hanno mostrato nel 2020 che il rapporto ha problemi statistici di fondo e che le prove a favore di quella zona ideale non reggono. Aumentare molto il carico da una settimana all'altra resta una cattiva idea. Una percentuale di rischio precisa costruita su quel rapporto, invece, vale poco.

Quindi, quando un'app ti mostra "rischio infortunio: 23%", chiedi come è stato validato quel numero, su chi e quante volte ha sbagliato. Se non c'è risposta, consideralo una decorazione.

Dove i modelli sui numeri aiutano: l'HRV, con un riferimento

La variabilità della frequenza cardiaca è il segnale quotidiano più utile che la maggior parte degli atleti può misurare a casa. In un piccolo studio di quattro settimane, Kiviniemi e colleghi (2007) hanno lasciato decidere all'HRV del mattino la seduta del giorno: intensa se l'HRV restava stabile o saliva, facile o riposo se scendeva sotto l'intervallo abituale dell'atleta. Quel gruppo ha migliorato la velocità massima di corsa più di un gruppo con un piano fisso. Plews e colleghi (2013) hanno aggiunto un punto pratico importante: una singola misura mattutina è rumorosa, e le medie mobili su circa una settimana, confrontate con il riferimento personale dell'atleta, sono molto più informative.

Nota di cosa si tratta: un riferimento personale e una regola semplice. Funziona perché è individuale, non perché il modello sia furbo. E richiede una misura disciplinata, ogni mattina nelle stesse condizioni, ed è lì che quasi tutti mollano.

Le sensazioni battono ancora quasi tutti i sensori

La revisione sistematica di Saw, Main e Gastin (2016) ha confrontato misure soggettive (umore, stress percepito, fatica) con misure oggettive (marcatori nel sangue, frequenza cardiaca a riposo, risposta cardiaca allo sforzo). Le misure soggettive seguivano le variazioni di carico con maggiore sensibilità e coerenza. In parole semplici: chiedere all'atleta come si sente, e annotarlo ogni volta, è uno dei migliori strumenti di monitoraggio disponibili.

È qui che i modelli linguistici si rivelano davvero utili, senza clamore. Un atleta scrive o dice volentieri "gambe pesanti dal km 8, Achille sinistro un po' dolorante sulle scale dopo", ma raramente compila cinque cursori. Un modello linguistico può trasformare quella frase in un punteggio di fatica e una nota sul dolore (Achille sinistro, lieve, dopo la corsa) che l'allenatore può filtrare e seguire. È inserimento di dati strutturati, fatto da qualcosa che capisce le frasi approssimative.

Quando un modello linguistico scrive un piano

Düking e colleghi (2024) hanno chiesto a ChatGPT piani di corsa di sei settimane con tre livelli di dettaglio nella richiesta e li hanno fatti valutare da allenatori esperti secondo 22 criteri di qualità. Con informazioni minime, il piano stava sotto la media in 19 criteri su 22. Con informazioni dettagliate (storico, obiettivi, vincoli), in uno solo. Gli autori sconsigliano comunque di usare questi piani senza il parere di un allenatore esperto. Uno studio di Washif e colleghi (2024) sui programmi di forza arriva a una conclusione simile: bozze plausibili da rifinire da parte di qualcuno che conosce il mestiere.

I modelli linguistici affermano anche cose false con grande disinvoltura, un difetto chiamato allucinazione (Ji e colleghi ne fanno il punto nel 2023). Nell'allenamento significa un volume settimanale che non torna, uno "studio" che non esiste o una corsa di recupero messa senza dirlo a ritmo soglia. Sono errori facili da non vedere proprio perché il resto del testo si legge bene.

Cosa significa in pratica

Usa i modelli linguistici per il lavoro sul testo: scrivere una seduta strutturata da una descrizione, riassumere un mese di note, raccogliere le sensazioni dopo l'allenamento, spiegare un concetto. Tieni le decisioni su carico e intensità su numeri che puoi verificare, con un allenatore o la tua esperienza come ultimo filtro. Diffida di qualsiasi indice di rischio di cui non vedi la validazione. E se vuoi un'unica abitudine chiaramente sostenuta dalla ricerca, annota come ti sei sentito in ogni seduta.

Come OpenAthlete usa l'IA

In OpenAthlete il carico di allenamento è il TRIMP calcolato dalla frequenza cardiaca, con l'RPE di seduta accanto: formule, non una scatola nera. L'IA è facoltativa e si occupa del lavoro sul testo descritto sopra: una seduta strutturata da una frase, tre o quattro domande dopo un'attività che diventano un punteggio di fatica e un registro del dolore per l'allenatore, e una breve lettura di ogni attività. Non c'è previsione degli infortuni. La pagina sull'IA spiega cosa fa e quali fornitori puoi usare.

Fonti

• Banister EW et al. (1975). A systems model of training for athletic performance. Australian Journal of Sports Medicine, 7, 57–61.
• Foster C et al. (2001). A new approach to monitoring exercise training. Journal of Strength and Conditioning Research, 15(1), 109–115. PubMed
• Bourdon PC et al. (2017). Monitoring athlete training loads: consensus statement. International Journal of Sports Physiology and Performance, 12(Suppl 2), S2161–S2170. doi:10.1123/IJSPP.2017-0208
• Bahr R (2016). Why screening tests to predict injury do not work—and probably never will…: a critical review. British Journal of Sports Medicine, 50(13), 776–780. doi:10.1136/bjsports-2016-096256
• Van Eetvelde H et al. (2021). Machine learning methods in sport injury prediction and prevention: a systematic review. Journal of Experimental Orthopaedics, 8, 27. doi:10.1186/s40634-021-00346-x
• Impellizzeri FM et al. (2020). Acute:chronic workload ratio: conceptual issues and fundamental pitfalls. International Journal of Sports Physiology and Performance, 15(6), 907–913. doi:10.1123/ijspp.2019-0864
• Kiviniemi AM et al. (2007). Endurance training guided individually by daily heart rate variability measurements. European Journal of Applied Physiology, 101(6), 743–751. doi:10.1007/s00421-007-0552-2
• Plews DJ et al. (2013). Training adaptation and heart rate variability in elite endurance athletes: opening the door to effective monitoring. Sports Medicine, 43(9), 773–781. doi:10.1007/s40279-013-0071-8
• Saw AE, Main LC, Gastin PB (2016). Monitoring the athlete training response: subjective self-reported measures trump commonly used objective measures: a systematic review. British Journal of Sports Medicine, 50(5), 281–291. doi:10.1136/bjsports-2015-094758
• Düking P et al. (2024). ChatGPT generated training plans for runners are not rated optimal by coaching experts, but increase in quality with additional input information. Journal of Sports Science and Medicine, 23(1), 56–72. doi:10.52082/jssm.2024.56
• Washif JA et al. (2024). Artificial intelligence in sport: exploring the potential of using ChatGPT in resistance training prescription. Biology of Sport, 41(2), 209–220. doi:10.5114/biolsport.2024.132987
• Ji Z et al. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12). doi:10.1145/3571730