Generatieve AI voor hardlopers: waar het goed voor is, en waarvoor niet
Generatieve AI is een teksttool: goed in een zin omzetten in een gestructureerde training, slecht in gelijk hebben over je lichaam. Een praktische, sceptische gids.
Voor een duursporter is generatieve AI geen speeltje en geen revolutie. Het is een teksttool. Het is heel goed in losse taal omzetten in structuur en structuur in leesbare tekst, en onbetrouwbaar zodra het gelijk moet hebben over je lichaam of over getallen die niemand het gaf. Wie het zo bekijkt, ziet snel waar het tijd bespaart en waar het je kan schaden.
Goed in: een training schrijven
Een gestructureerde workout intypen in de app van je horloge is omslachtig. Hem beschrijven niet. „20 minuten rustig, dan 6 × 3 minuten hard met 2 minuten dribbelen, 10 minuten uitlopen” is precies het soort zin waar een taalmodel goed mee overweg kan: het splitst hem in stappen, herkent de herhalingen en geeft elke stap een doel als het je zones kent. „Hard” voor 3 minuten wordt je VO2max-tempobereik, „dribbelen” wordt hersteltempo.
Twee dingen zijn het controleren waard voordat de training naar je horloge gaat: de totale duur (modellen laten soms een blok weg of verdubbelen het) en de intensiteit die het koos voor vage woorden. „Hard” kan voor de een drempel betekenen en voor de ander 5 km-wedstrijdtempo. Koos het model verkeerd, zeg het dan, of schrijf de volgende keer „op drempel”.
Goed in: feedback omzetten in data
Na een duurloop vult bijna niemand een formulier met vijf schuifjes in. Je zegt eerder iets als: „het eerste uur ging prima, toen kreeg de hitte me te pakken, de laatste 5 km waren een gevecht en mijn rechterkuit trok vast.” Een taalmodel kan daar een inspanningsscore van ongeveer 8 en een notitie van maken: rechterkuit, verkramping, laat in de loop. Over weken worden die notities iets waar een coach echt op kan filteren.
Dat is belangrijker dan het klinkt. Een systematische review van Saw en collega's (2016) liet zien dat subjectieve, zelfgerapporteerde maten de trainingsbelasting beter volgen dan de meeste objectieve markers. De bottleneck was altijd om atleten ze te laten vastleggen. Als een zin of een spraakbericht volstaat, helpt dat.
Goed in: samenvatten en herschrijven
Plak de notities van vier weken training erin en vraag om een samenvatting voordat je met je coach praat: het haalt de terugkerende thema's eruit (de achillespees die na heuveltrainingen opspeelt, de donderdagtrainingen die steeds sneuvelen) sneller dan jij. Het kan een week herschrijven rond een beperking, zeg een werkreis van dinsdag tot donderdag met alleen een loopband in het hotel, en je een redelijk concept geven. Het kan een plan vertalen dat je coach in een andere taal schreef. Steeds krijg je een concept om te controleren, geen antwoord om te gehoorzamen.
Bruikbaar met voorzichtigheid: uitleggen
Vraag wat drempeltraining onderscheidt van VO2max-intervallen, of waarom het tempo van een duurloop makkelijk moet voelen, en je krijgt meestal een fatsoenlijke uitleg. Het risico is dat het er met stelligheid een detail aan toevoegt dat niet klopt, of een studie aanhaalt die niet bestaat. Taalmodellen produceren vlotte tekst, geen gecontroleerde feiten, een probleem dat onderzoekers hallucinatie noemen (Ji en collega's, 2023). Noemt een antwoord een bron, zoek die bron dan op voordat je hem herhaalt.
Slecht in: diagnosticeren
Typ „buitenkant van mijn knie doet pijn na 20 km” en je krijgt een keurig antwoord over de iliotibiale band, met rekoefeningen en een plan om weer te gaan lopen. Misschien klopt het. Het kan ook iets heel anders zijn, en het model kan dat niet weten: het kan je niet onderzoeken, je niet zien lopen en niet op de pijnlijke plek drukken. Een plausibel antwoord op een medische vraag is erger dan geen antwoord, omdat het het bezoek uitstelt dat het had opgelost. Pijn die aanhoudt, je doet manken, erger wordt tijdens het lopen of ook in rust aanwezig is, hoort bij een fysiotherapeut of een arts.
Slecht in: volledige plannen uit het niets
Düking en collega's (2024) vroegen ChatGPT om loopschema's van zes weken en lieten coachingexperts ze beoordelen op 22 criteria. Met weinig input scoorde het schema op 19 daarvan onder het midden van de schaal. Met gedetailleerde input deed het het veel beter, maar de auteurs raden toch af zulke schema's te volgen zonder ervaren coach. De typische fout is makkelijk voor te stellen: je loopt 30 km per week, je vraagt om een marathonschema, en de eerste week bevat 50 km omdat het model je geschiedenis heeft aangevuld met die van een gemiddelde loper.
Slecht in: getallen die het niet kreeg
Vraag „hoeveel heb ik in september gelopen?” zonder je data mee te geven en een chatmodel verzint misschien gewoon een plausibel getal. Zelfs met de data erin geplakt is dertig rijen optellen niet zijn sterkste kant. Totalen, gemiddelden en belastingberekeningen moeten komen van software die ze berekent, en het taalmodel moet alleen over het resultaat praten.
Bruikbaardere antwoorden krijgen
Geef het context: je zones of recente wedstrijdtijden, je weekvolume over de afgelopen vier tot zes weken, de wedstrijd en de datum ervan, de dagen waarop je kunt trainen, en elk pijntje van dit moment. Vraag het om zijn aannames te noemen voordat het iets schrijft. Controleer de uitkomst daarna aan een paar simpele regels: geen grote sprong in weekvolume, niet meer zware trainingen dan je gewend bent (twee per week is voor de meeste recreatieve lopers ruim genoeg), en rustige dagen die echt rustig zijn.
In OpenAthlete
De AI-functies in OpenAthlete blijven aan de tekstkant van die grens. Ze schrijven uit één zin een gestructureerde training met jouw zones, passen een training aan op basis van een korte instructie, stellen na een activiteit drie of vier vragen en maken van de antwoorden een inspanningsscore en een pijnnotitie voor je coach, en geven een korte lezing van elke activiteit. Je ziet elke training voordat hij naar je horloge gaat. Ze stellen geen diagnoses en draaien alleen met jouw toestemming, op je eigen API-sleutel of het Supporter-tegoed. De AI-pagina heeft de details.
Bronnen
- 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
- Ji Z et al. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12). doi:10.1145/3571730
- 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