Przejdź do treści
OpenAthlete

AI w treningu wytrzymałościowym: co potrafi, a czego nie

Wiele z tego, co sprzedaje się jako AI, to arytmetyka, przewidywanie kontuzji jest słabe, a modele językowe najlepiej radzą sobie z tekstem. Przegląd ze źródłami.

OpenAthlete Team5 min czytania

„AI” w oprogramowaniu treningowym oznacza dwie bardzo różne rzeczy, a marketing chętnie je miesza. Pierwsza to modele statystyczne, które pracują na liczbach: tętnie, tempie, mocy, zmienności rytmu serca, śnie. Coś szacują albo próbują coś przewidzieć. Druga to modele językowe z rodziny ChatGPT, Claude i Mistral, które czytają i piszą tekst. Dowody naukowe dla każdej z nich wyglądają zupełnie inaczej, więc warto omówić je osobno.

Wiele z tego, co sprzedaje się jako AI, to arytmetyka

Krzywe kondycji, zmęczenia i formy (CTL, ATL, TSB) to wykładniczo ważone średnie dziennego obciążenia, wywodzące się z modelu impuls-odpowiedź Banistera z lat 70. TRIMP zamienia czas trwania i tętno na wynik obciążenia. Session RPE jest jeszcze prostsze: metoda Fostera mnoży ocenę wysiłku zawodnika w skali 0–10 przez czas w minutach, więc 60-minutowy bieg przy RPE 6 daje 360 jednostek. Nic z tego nie jest uczeniem maszynowym i to dobrze. Możesz sprawdzić wzór, wiesz, czego nie uwzględnia, a gdy liczba wygląda źle, możesz dojść, dlaczego.

Stanowisko konsensusu w sprawie monitorowania obciążenia, opublikowane przez Bourdona i współpracowników w 2017 roku, zaleca właśnie takie narzędzia: mierz, co zostało zrobione (obciążenie zewnętrzne, np. dystans i tempo), i jak ciężkie było to dla zawodnika (obciążenie wewnętrzne, np. tętno i RPE), i patrz na oba razem w czasie. To wciąż kręgosłup dobrej praktyki i nie potrzeba do tego żadnej sieci neuronowej.

Przewidywanie jest słabsze, niż sugerują reklamy

Przewidywanie kontuzji to obszar, w którym obietnice najbardziej wyprzedzają dane. Przegląd Roalda Bahra z 2016 roku w British Journal of Sports Medicine wyjaśnia, dlaczego testy przesiewowe nie mogą przewidzieć kontuzji u konkretnej osoby: nawet silny czynnik ryzyka na poziomie grupy pozostawia ogromne nakładanie się zawodników, którzy doznają kontuzji, i tych, którzy jej nie doznają. Uczenie maszynowe na razie niewiele tu zmieniło. Przegląd systematyczny Van Eetvelde i współpracowników z 2021 roku objął jedenaście badań nad uczeniem maszynowym w przewidywaniu kontuzji sportowych, z wynikami od ledwie lepszych niż rzut monetą (AUC 0,52) do dobrych (0,87), i wezwał do dalszych prac nad interpretacją modeli.

Wskaźnik obciążenia ostrego do przewlekłego (ACWR) to pouczająca przestroga. Przez kilka lat idea, że wartość między 0,8 a 1,3 to bezpieczny „sweet spot”, rozchodziła się po aplikacjach i kursach trenerskich. Impellizzeri i współpracownicy pokazali w 2020 roku, że ten wskaźnik ma podstawowe problemy statystyczne, a dowody na istnienie sweet spotu się nie bronią. Duże skoki obciążenia z tygodnia na tydzień wciąż są złym pomysłem. Precyzyjna liczba ryzyka zbudowana na tym wskaźniku już nie jest wiarygodna.

Gdy więc aplikacja pokazuje Ci „ryzyko kontuzji: 23 %”, zapytaj, jak tę liczbę zwalidowano, na kim i jak często się myliła. Jeśli nie ma odpowiedzi, traktuj ją jak dekorację.

Gdzie modele na liczbach pomagają: HRV z punktem odniesienia

Zmienność rytmu serca to najbardziej użyteczny codzienny sygnał, jaki większość zawodników może zmierzyć w domu. W małym, czterotygodniowym badaniu Kiviniemi i współpracownicy (2007) pozwolili, by poranne HRV decydowało o treningu danego dnia: mocno, jeśli HRV było stabilne lub rosło, lekko albo odpoczynek, jeśli spadło poniżej niedawnego zakresu danego zawodnika. Ta grupa poprawiła maksymalną prędkość biegu bardziej niż grupa trenująca według stałego planu. Plews i współpracownicy (2013) dodali ważną praktyczną uwagę: pojedynczy poranny pomiar jest zaszumiony, a średnie kroczące z około tygodnia, porównywane z własnym punktem odniesienia zawodnika, mówią znacznie więcej.

Zauważ, czym to jest: osobistym punktem odniesienia i prostą regułą. Działa, bo jest indywidualne, a nie dlatego, że model jest sprytny. Wymaga też zdyscyplinowanego pomiaru, każdego ranka w tych samych warunkach, i właśnie na tym większość ludzi się wykłada.

Dane subiektywne wciąż wygrywają z większością czujników

Przegląd systematyczny Saw, Main i Gastina z 2016 roku porównał miary subiektywne (nastrój, odczuwany stres, zmęczenie) z obiektywnymi (markery z krwi, tętno spoczynkowe, reakcja tętna na wysiłek). Miary subiektywne śledziły zmiany obciążenia treningowego z większą czułością i spójnością. Mówiąc prosto: pytanie zawodnika, jak się czuje, i zapisywanie tego za każdym razem to jedno z najlepszych dostępnych narzędzi monitorowania.

I tu modele językowe okazują się naprawdę przydatne, w mało efektowny sposób. Zawodnik chętnie napisze albo powie „nogi ciężkie od 8. km, lewe ścięgno Achillesa trochę bolało potem na schodach”, a rzadko wypełni pięć suwaków. Model językowy potrafi zamienić to zdanie w ocenę wysiłku i notatkę o bólu (lewe ścięgno Achillesa, łagodnie, po biegu), którą trener może filtrować i przedstawiać na wykresie. To wprowadzanie danych strukturalnych przez coś, co rozumie luźne sformułowania.

Modele językowe piszące plany treningowe

Düking i współpracownicy (2024) poprosili ChatGPT o sześciotygodniowe plany biegowe przy trzech poziomach szczegółowości polecenia, a eksperci od trenowania ocenili je według 22 kryteriów jakości. Przy minimalnych danych plan wypadł poniżej środka skali w 19 z 22 kryteriów. Przy szczegółowych danych (historia treningowa, cele, ograniczenia) spadło to do jednego. Autorzy i tak odradzają korzystanie z takich planów bez informacji zwrotnej od doświadczonego trenera. Badanie programów treningu siłowego autorstwa Washifa i współpracowników (2024) doszło do podobnego wniosku: wiarygodne szkice, które musi dopracować ktoś, kto zna się na rzeczy.

Modele językowe płynnie podają też nieprawdę, co nazywa się halucynacją (Ji i współpracownicy, 2023, opisują ten problem). W treningu wygląda to jak tygodniowa objętość, która się nie sumuje, „badanie”, które nie istnieje, albo bieg regeneracyjny po cichu ustawiony w tempie progowym. Te błędy łatwo przeoczyć właśnie dlatego, że reszta tekstu dobrze się czyta.

Co to oznacza w praktyce

Używaj modeli językowych do pracy z tekstem: pisania strukturalnej jednostki z opisu, podsumowania miesiąca notatek, zbierania informacji zwrotnej po treningu, wyjaśniania pojęć. Decyzje o obciążeniu i intensywności opieraj na liczbach, które możesz sprawdzić, najlepiej z trenerem lub własnym doświadczeniem jako ostatecznym filtrem. Podchodź sceptycznie do każdego wskaźnika ryzyka, którego walidacji nie widzisz. A jeśli chcesz jednego nawyku, który badania wyraźnie wspierają, zapisuj, jak czułeś się na każdym treningu.

Jak OpenAthlete korzysta z AI

Obciążenie treningowe w OpenAthlete to TRIMP z tętna, a obok session RPE: wzory, a nie czarna skrzynka. AI jest opcjonalne i zajmuje się opisaną wyżej pracą z tekstem: strukturalna jednostka z jednego zdania, trzy lub cztery pytania po aktywności, z których powstaje ocena wysiłku i dziennik bólu dla trenera, oraz krótki komentarz do każdej aktywności. Nie ma przewidywania kontuzji. Strona o AI pokazuje, co potrafi i z jakich dostawców możesz korzystać.

Źródła

  • 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

Autor

OpenAthlete Team

OpenAthlete to platforma treningowa open source tworzona w Grenoble przez niezależnego programistę i ultrabiegacza, z uwagami trenerów i sportowców, którzy z niej korzystają. Bez inwestorów, bez reklam.

Czytaj dalej

Przyszłość AI w trenowaniu: agenci, MCP i trener

Agenci sprawiają, że administracyjna połowa trenowania jest dużo tańsza, a osąd zostaje tam, gdzie był. Wyważone spojrzenie na MCP, jego ograniczenia i trenera w pętli.

5 min czytania

Trenuj z liczbami, które możesz sprawdzić.

Każdy wzór używany przez OpenAthlete jest w kodzie źródłowym, a wszystko, czego potrzebujesz do treningu, jest darmowe, na naszych serwerach lub Twoich.

Za darmo na zawsze. Bez karty kredytowej.