Osobní trenéři AI: Fungují skutečně?

Tradiční model osobního trenéra funguje mimořádně dobře pro lidi, kteří si to mohou dovolit. Jedno sezení s certifikovaným trenérem ve velkém městě může stát kdekoli od 80 do 200 USD a doporučení založená na důkazech pro měřitelné výsledky jsou obvykle dvě až tři sezení týdně. Pro většinu lidí tento kalkul vede k jednoduchému rozhodnutí: nenajímají si osobního trenéra. Místo toho skládají dohromady rutiny na YouTube, sledují generické programy, které nebyly navrženy s ohledem na jejich rozvrh, kondici nebo regenerační kapacitu, a diví se, proč se pokrok po šesti týdnech zastaví.

Kondiční koučování s umělou inteligencí vstoupilo do této mezery s jiným příslibem: výhody personalizace plynoucí ze spolupráce s erudovaným trenérem za zlomek ceny, dostupné na vyžádání ve vašem obývacím pokoji. Je to skutečně přesvědčivý návrh, který si však zaslouží pozornost. Marketingová tvrzení o koučování AI se pohybují od rozumných po extravagantní a výzkumná základna, i když roste, se stále vyvíjí.

Tento článek se zabývá tím, co koučování AI založené na aplikacích vlastně je, co recenzované důkazy říkají o jeho účinnosti, kde zaostává ve srovnání s lidským dohledem a jaké praktické kroky dělají rozdíl mezi zážitkem koučování AI, který přináší výsledky, a tím, který jednoduše generuje upozornění na cvičení, která se naučíte ignorovat.

Co vlastně osobní trénink AI je

Fráze „AI osobní trenér“ pokrývá dostatečně široké spektrum, aby bez upřesnění bylo téměř bezvýznamné. V základní části nepopisuje nic jiného než knihovnu předem napsaných programů podávanou s algoritmem porovnávání založeným na kvízu: odpovězte na několik otázek o svých cílech a úrovni zdatnosti, získejte šablonu programu. To se významně neliší od tištěné cvičební brožury. Označení „AI“ je marketing, nikoli funkčnost.

Skutečně adaptivní systémy, pohybující se ve spektru, sledují váš skutečný výkon v různých relacích (cvičení, která dokončíte, sestavy, které zaznamenáte, hodnocení obtížnosti, které odešlete) a upravují budoucí sezení na základě těchto údajů. To je blíže tomu, co behaviorální výzkumníci míní personalizovaným programováním, protože program reaguje na to, co skutečně děláte, spíše než na to, co jste teoreticky plánovali udělat.

Na sofistikovanějším konci některé platformy používají jako centrální vstup relace Hodnocení vnímané námahy (RPE). Dr. Carl Foster a kolegové (PMID 11357117) vyvinuli a ověřili metodu session RPE jako praktický a spolehlivý nástroj pro kvantifikaci interní tréninkové zátěže napříč všemi typy cvičení. Základním poznatkem je, že subjektivní hodnocení námahy, shromážděné důsledně po každém tréninku, poskytuje pozoruhodně přesný obraz nahromaděné únavy a tréninkového stresu; externí metriky, jako je délka tréninku nebo počet kroků, to samy o sobě zachytit nemohou. Systém umělé inteligence, který shromažďuje data RPE relace a pracuje na nich, dělá něco kvalitativně odlišného od systému, který počítá pouze dokončená opakování.

Co odděluje koučování AI od obecného cvičení na YouTube, je v nejlepším případě smyčka zpětné vazby. Program není statický. Upravuje frekvenci, hlasitost, výběr cvičení a intenzitu na základě aktuálních reakcí na běh. Jak Dr. Foster pozoroval ve své základní studii z roku 2001 (PMID 11357117), sledování relace RPE v průběhu času poskytuje trenérům a algoritmům, které modelují chování koučování, okno do skutečné nahromaděné únavy, kterou samotné hrubé metriky výkonu nemohou poskytnout.

Stanovisko American College of Sports Medicine stojí na předpisu cvičení, jehož autory jsou Garber et al. (PMID 21694556), je v tomto bodě explicitní: efektivní programování cvičení vyžaduje individualizaci. Různí lidé se zdánlivě podobnými fitness profily reagují na stejný program různě. Věk, tréninková historie, schopnost regenerace, stresová zátěž, kvalita spánku a desítky dalších proměnných ovlivňují, jak se daný tréninkový stimul promítne do adaptace. Program, který ignoruje tyto proměnné ve prospěch univerzální šablony, je program určený pro teoretického průměrného člověka, tedy téměř pro žádného skutečného člověka.

Věda o personalizovaném programování

Případ pro personalizované programování není pro mnoho cvičenců intuitivní. Jestliže dřepy budují nohy a kliky hrudník, proč záleží na tom, zda je program šitý na míru jednotlivci? Odpověď spočívá ve slově, které kultura fitness podceňuje: variace.

Schoenfeld, Ogborn a Krieger publikovali v roce 2016 systematický přehled a metaanalýzu (PMID 27102172), která zkoumala, jak frekvence tréninku ovlivňuje svalovou hypertrofii. Jejich analýza odhalila něco, co praktikující pozorovali roky, ale co se studie na úrovni populace jen obtížně kvantifikovaly: individuální reakce na frekvenci tréninku se výrazně liší. Někteří lidé vykazují vynikající hypertrofické reakce, když trénují každou svalovou skupinu třikrát týdně. Jiní se při této frekvenci ustálí nebo ustoupí a lépe reagují na sezení dvakrát týdně. Metaanalýza zjistila, že trénování každé svalové skupiny dvakrát týdně bylo spojeno s lepšími hypertrofickými výsledky ve srovnání s jednou týdně, ale údaje také ukázaly významné individuální variace, které mají tendenci zakrývat souhrnná zjištění.

Tato individuální variace je přesně to, co ACSM 2011 position stand (PMID 21694556) řeší. Garber a kol. poskytnout rámec pro předpis cvičení, který uznává frekvenci, intenzitu, čas a typ jako proměnné, které musí být kalibrovány pro jednotlivce, nikoli jednotně přiřazené napříč populací. Směrnice doporučuje, aby zdánlivě zdraví dospělí akumulovali 150 až 300 minut středně intenzivního aerobního cvičení týdně nebo 75 až 150 minut intenzivní aktivity spolu s aktivitami na posilování svalů alespoň dva dny v týdnu. Ale operativní fráze je „zřejmě zdraví dospělí“, populace, jejíž optimální tréninkové parametry stále pokrývají obrovský rozsah.

Metoda session RPE vyvinutá Fosterem a kol. (PMID 11357117) poskytuje praktický mechanismus pro překlenutí propasti mezi doporučeními na úrovni populace a preskripcí na individuální úrovni. Požádáním sportovců, aby ohodnotili svou vnímanou námahu pro trénink jako celek, nejen pro jednotlivá cvičení, mohou trenéři sledovat, zda kumulativní tréninková zátěž vytváří produktivní stres nebo směřuje k přetěžování. Představte si to jako navigační systém GPS, který přepočítá vaši trasu na základě provozu v reálném čase, nikoli podle podmínek, které existovaly při tisku mapy. Pevný tréninkový program je papírová mapa: přesná v jednom okamžiku, slepá ke všemu, co se mění. Program, který zahrnuje zpětnou vazbu RPE relace, neustále přepočítává.

Věda o návykech tento bod posiluje. Lally a kol. (PMID 19586449) zjistili, že chování se stává automatickým nikoli podle pevného plánu, ale jako funkce konzistentního opakování v průběhu času, a že časová osa je vysoce individuální, v rozmezí od 18 do 254 dnů pro dané chování. Program, který se přizpůsobí tak, aby udržoval účastníka zapojeného a uspěl v tomto rozšířeném okně, má strukturálně lepší pozici pro vytvoření trvalé změny chování než program, který předpokládá, že všichni uživatelé budou sledovat stejný oblouk.

Co ukazuje kontrolovaný výzkum

Výzkum kondičních intervencí založených na aplikacích není jednotně pozitivní, ale je pozitivnější, než skeptici obvykle uznávají.

Schoeppe a kol. publikoval v roce 2016 systematický přehled (PMID 27927228), který zkoumal účinnost intervencí založených na aplikacích pro zlepšení stravy, fyzické aktivity a sedavého chování. Přehled analyzoval 37 studií splňujících kritéria pro zařazení. Třicet dva z 37 studií, zhruba 86 %, zjistilo, že intervence založené na aplikacích byly účinné pro zlepšení alespoň jednoho výsledku souvisejícího s podporou fyzické aktivity. Recenze poznamenala, že aplikace s více interaktivními funkcemi, včetně nástrojů pro nastavení cílů, sebemonitorování a mechanismů zpětné vazby, byly spojeny se silnějšími účinky. Důkazy naznačují, že pokud jsou nástroje digitálního koučování dobře navrženy, mohou významně posunout chování při fyzické aktivitě u skutečných populací.

Otázka dodržování, zda lidé mohou udržovat domácí cvičení bez odpovědnosti trenéra, byla zkoumána Jakicicem a jeho kolegy ve studii z roku 1999 (PMID 10546695). V průběhu 18 měsíců vykazovali účastníci domácího cvičení míru dodržování srovnatelnou s mírou v kontrolované skupině. Toto zjištění je smysluplné, protože 18měsíční trvání značně přesahuje typické 8 až 12týdenní okno většiny cvičebních studií a zachycuje dlouhodobější vzorce dodržování, které ve skutečnosti předpovídají výsledky fitness. Studie předchází modernímu koučování AI (psal se rok 1999, technologie byla podstatně jednodušší), ale behaviorální zjištění platí: když je tření nízké a struktura je jasná, domácí cvičení není ze své podstaty náchylnější k opuštění než trénink pod dohledem.

Adherence, jak Jakicic et al. (PMID 10546695) identifikovaný, je primárním prediktorem výsledků fitness. Nejsofistikovanější tréninkový program je bezcenný, pokud není v průběhu času skutečně proveden. A výzkum návyků Lally et al. (PMID 19586449) ukazuje, že vzorce nezbytné k tomu, aby se cvičení stalo automatickým, se obvykle objevují během týdnů až měsíců, nikoli během prvních dvou nebo tří sezení, která většina lidí považuje za své „zkušební období“.

Pro uživatele, kteří již mají s cvičením zkušenosti (lidé, kteří rozumí dobrým pohybovým vzorcům, nemají žádné akutní riziko zranění a potřebují programování a progresi spíše než výuku techniky) je obraz výzkumu přiměřeně povzbudivý. Koučování založené na aplikacích funguje dostatečně dobře na to, aby přineslo smysluplná zlepšení ve fyzické aktivitě, a udržuje tato zlepšení způsobem, který samořízené, nestrukturované cvičení obvykle nedělá.

Kde AI koučink zaostává

Upřímnost vyžaduje uznání toho, co AI koučink nedokáže, a omezení jsou skutečná.

Nejdůležitější je forma. Žádný současný AI koučovací systém nevyřešil hodnocení kvality pohybu v reálném čase prostřednictvím kamery telefonu na úrovni, která by uspokojila certifikovaného silového a kondičního trenéra. Odhad pozice pomocí kamery se podstatně zlepšil, ale detekce jemného zaoblení páteře, které předpovídá poranění beder nebo valgozitu kolena v dřepu, které by mělo vyvolat regresi, vyžaduje kvalitu pozorování, které technologie dosud spolehlivě nedosáhla mimo kontrolovaná výzkumná prostředí. Pro začátečníky, kteří se nikdy nenaučili správné pohybové vzorce, je to smysluplná bezpečnostní mezera.

(To je důvod, proč jsou AI trenažéři Orion a Lyssa RazFit navrženi tak, aby vedli pohybové vzorce v knihovně cvičení aplikace, spíše než aby se pokoušeli vyřešit nevyřešený problém korekce tvaru v reálném čase pomocí kamery. Tento přístup je konzervativní, protože obtížnost cvičení odpovídá předvedeným schopnostem uživatele, místo aby se snažil dohlížet na spolehlivé posouzení kvality pohybu systému.)

Koučování umělé inteligence také nemůže vysvětlovat psychický stav, akutní onemocnění nebo druh akumulace životního stresu, kvůli kterému je naprogramované tvrdé sezení v daný den špatný nápad. Lidský trenér přečte řeč vašeho těla během prvních pěti minut a podle toho se přizpůsobí. Algoritmus pracující z dat dokončení relace a vstupů RPE pracuje s tenčím signálem.

Dodržování návyků zůstává lidským problémem, který technologie může podpořit, ale ne vyřešit. Lally a kol. (PMID 19586449) zjistili, že vytváření návyků trvá v průměru 66 dní a až 254 dní u náročnějšího chování. Žádný koučovací systém AI tuto biologii nemění. Tato technologie může poskytnout podněty, odměny a strukturovaný postup, ale fyzické opakování se v reálném světě stále musí dít ve dnech, kdy je nízká motivace a pohovka je blíže než podlahová plocha pro cvičení.

Žádná koučovací platforma AI nebyla dosud ověřena v randomizované kontrolované studii zlatého standardu, která by odpovídala kvalitě důkazů podporujících výcvik pod dohledem s certifikovanými trenéry. Schoeppe a kol. (2016, PMID 27927228) systematický přehled nalezl trvale pozitivní výsledky, ale „pozitivní“ v tomto kontextu znamená zlepšení fyzické aktivity, kterou si sami uvádějí, nikoli druh přísně kontrolovaného, ​​zaslepeného měření výsledků, které získává nejvyšší úroveň klinických důkazů. Výzkumná základna je skutečně povzbudivá; ještě to není definitivní.

A konečně, koučování umělé inteligence funguje nejlépe pro motivované začátečníky: lidi, kteří již chápou, proč chtějí cvičit, mají základní pohybovou kompetenci a potřebují spíše strukturu a progresi než základní instrukce. Pro úplné začátečníky, zejména pro ty, kteří měli předchozí zranění nebo výrazná pohybová omezení, je upřímným doporučením investovat alespoň do dvou nebo tří lekcí s certifikovaným trenérem, než se spolehnout na program řízený umělou inteligencí. Tato investice do správné základní mechaniky se vyplácí, které nemůže nahradit žádná personalizovaná úprava algoritmu.

Jak autoregulace dělá AI koučink chytřejším

Mechanismus, který odlišuje adaptivní koučování AI od statické tabulky, je autoregulace: praxe upravující tréninkové proměnné na základě průběžné zpětné vazby o tom, jak jednotlivec skutečně reaguje.

Sezení Dr. Carla Fostera Metoda RPE (PMID 11357117) je praktickým základním kamenem autoregulace v moderním koučování. Metoda žádá sportovce, aby ohodnotili své vnímané úsilí po celou dobu tréninku, nejen pro nejtěžší sérii nebo průměrné cvičení, na stupnici od 0 do 10. Toto hodnocení, vynásobené délkou tréninku v minutách, dává hodnotu „tréninkové zátěže“. Sledování těchto hodnot v průběhu času vytváří obraz chronické zátěže (stanovená výchozí hodnota), akutní zátěže (nedávné sezení) a poměru mezi nimi, což je signál, který zkušení trenéři používají k detekci překročení před poklesem výkonu a zvýšením rizika zranění.

Jak poznamenává Dr. Foster (PMID 11357117), toto subjektivní měření zachycuje dimenze tréninkového stresu, které externí metriky zcela míjejí. Dvě 40minutové sezení mohou na papíře vypadat stejně, ale cítit se radikálně odlišně v závislosti na kvalitě spánku, nutričním stavu nebo nahromaděném stresu z předchozího týdne. Data RPE automaticky integrují všechny tyto faktory, protože se jedná o prožitou zkušenost sportovce z tréninku.

Pevné programy to neumí. Program, který předepisuje stejné váhy, stejné sady, stejné intervaly bez ohledu na to, jak se cítíte, je podle návrhu slepý k vašemu skutečnému stavu v kterýkoli daný den. V dobrý den trénujete pod potenciál. V těžkém dni riskujete překročení. Po dostatečně dlouhou dobu je tento nesoulad mezi předpisem a kapacitou jednou z hlavních příčin stagnace a případného výpadku.

Adaptivní systém, který sleduje relaci RPE po relaci a podle toho upravuje obtížnost další lekce, zvyšuje zátěž, když se lekce cítí snadněji, než se očekávalo, a snižuje ji, když se únava hromadí, dělá něco bližšího tomu, co dělá citlivý lidský trenér. Věda o dnech odpočinku a zotavení je zde relevantní: adaptačním stimulem je cvičení, ale skutečná adaptace nastává během zotavování. Systém, který nedokáže detekovat nahromaděnou únavu, bude chronicky nedostatečně zotavovat část svých uživatelů.

Individuální variace dokumentovaná Schoenfeldem et al. (PMID 27102172) ve své metaanalýze z roku 2016 ukazuje, proč na automatické úpravě frekvence záleží. Protože některým jedincům se daří na vyšších frekvencích tréninku a jiným se ustálí, systém, který začíná s výchozí frekvencí a upravuje se na základě údajů o výkonu, se časem přiblíží k něčemu, co je blíže individuálnímu optimu, než může dosáhnout jakýkoli pevný rozvrh. Principy progresivního přetížení, které řídí dlouhodobou adaptaci, vyžadují nejen rostoucí obtížnost v průběhu času, ale její zvyšování rychlostí, kterou jedinec dokáže absorbovat, a tato míra je velmi proměnlivá, jak objasňuje výzkum.

Jak nejlépe využít trénink s umělou inteligencí

Důkazy výzkumu poukazují na několik praktických principů pro uživatele, kteří chtějí, aby koučování řízené umělou inteligencí skutečně přinášelo výsledky, spíše než jen doručovalo oznámení.

Poctivě sledujte relace. Celý adaptivní mechanismus závisí na přesných vstupních datech. Zaprotokolování relace jako dokončené, když jste vynechali polovinu z ní, nebo hodnocení úsilí jako mírného, ​​když jste se sotva zapotili, naruší signál, který systém používá ke kalibraci budoucích relací. Hodnoty RPE, energetické úrovně a údaje o dokončení relace jsou užitečné pouze do té míry, do jaké jsou přesné. Spojení mezi kvalitou spánku a tréninkovým výkonem je dobře zavedené; sledování spánku spolu s údaji o cvičení poskytuje systému umělé inteligence lepší kontext pro interpretaci hodnocení úsilí, která se zdají být v rozporu s nedávným programováním.

Dejte algoritmu dostatek času se naučit. Lally a kol. (PMID 19586449) zjistili, že vytvoření vzorců chování trvá týdny až měsíce. Koučovací systém umělé inteligence fungující na základě dvou týdnů dat z relace čerpá z tenkého vzorku. Smysluplné rozpoznávání vzorů (detekce vaší individuální míry zotavení, reakce na změny frekvence, optimální trvání relace) vyžaduje alespoň čtyři až šest týdnů konzistentních dat. Uživatelé, kteří opustí systém po dvou týdnech, protože se nezdá být dokonale zkalibrovaný, jej opustí právě ve chvíli, kdy ještě shromažďuje potřebné informace. strategie utváření návyků, díky nimž se posilovací hůl vztahuje stejně na to, aby koučování AI skutečně fungovalo.

Začátečníci by měli investovat do lidských základů, než se budou spoléhat pouze na vedení AI. Dvě nebo tři sezení s certifikovaným trenérem, zaměřená konkrétně na kvalitu pohybu pro cvičení ve vašem plánovaném programu, dramaticky snižují riziko zranění, které je nejvýznamnějším omezením AI koučink. Berte to jako instalaci základní vrstvy pohybové kompetence, na které pak AI staví. Jakmile jsou stanoveny základní vzorce, programování založené na aplikacích může bezpečně zajistit postup a strukturu, které by jinak bránily náklady na lidské koučování a omezení plánování.

Používejte gamifikační mechaniku jako lešení chování, nikoli jako náhradu za skutečný tréninkový záměr. Přístup RazFit se Orion pro silově zaměřené tréninky a Lyssa pro kardio využívá 1–10minutové adaptivní sezení, které se progresivně zatěžuje na základě údajů o dokončení, díky čemuž je hlavním hnacím motorem adaptace spíše konzistence než absolutní intenzita. Odznaky úspěchu a mechanika pruhů řeší problém přilnavosti, který Jakicic a spol. (1999, PMID 10546695) identifikovali jako primární prediktor výsledků fitness: ne to, že lidé nevědí, jak cvičit, ale že to přestanou dělat. Když je struktura jasná, sezení jsou krátká a zpětná vazba okamžitá, lze dosáhnout konzistence způsobem, který delší a náročnější programy jen zřídka vydrží.

Kombinujte koučování AI s postupy, které zesilují kvalitu signálu: konzistentní spánek, adekvátní zotavení a poctivé hodnocení úsilí. Algoritmus pracující na poctivých, konzistentních datech po dobu dvou měsíců poskytne výrazně individualizovanější zážitek než stejný algoritmus pracující z nekonzistentních vstupů po dobu jednoho týdne. Investice do kvalitních dat je investicí do kvality programu, který generuje.

Reference

1. Garber CE et al. (2011). “Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in apparently healthy adults: guidance for prescribing exercise.” Medicine & Science in Sports & Exercise, 43(7), 1334–1359. PMID 21694556. https://pubmed.ncbi.nlm.nih.gov/21694556/

2. Jakicic JM et al. (1999). “Effects of intermittent exercise and use of home exercise equipment on adherence, weight loss, and fitness in overweight women: a randomized trial.” JAMA, 282(16), 1554–1560. PMID 10546695. https://pubmed.ncbi.nlm.nih.gov/10546695/

3. Foster C et al. (2001). “A new approach to monitoring exercise training.” Journal of Strength and Conditioning Research, 15(1), 109–115. PMID 11357117. https://pubmed.ncbi.nlm.nih.gov/11357117/

4. Schoenfeld BJ, Ogborn D, Krieger JW (2016). “Effects of resistance training frequency on measures of muscle hypertrophy: a systematic review and meta-analysis.” Sports Medicine, 46(11), 1689–1697. PMID 27102172. https://pubmed.ncbi.nlm.nih.gov/27102172/

5. Lally P et al. (2010). “How are habits formed: modelling habit formation in the real world.” European Journal of Social Psychology, 40(6), 998–1009. PMID 19586449. https://pubmed.ncbi.nlm.nih.gov/19586449/

6. Schoeppe S et al. (2016). “Efficacy of interventions that use apps to improve diet, physical activity and sedentary behaviour: systematic review.” International Journal of Behavioral Nutrition and Physical Activity, 13(1), 127. PMID 27927228. https://pubmed.ncbi.nlm.nih.gov/27927228/

Související články

• Dny odpočinku: Věda chytřejšího zotavení
• Progressive Overload at Home: No-Gym Guide
• Jak si vybudovat fitness návyk, který se drží
• Jak Gamifikace proměňuje kondici