KI-Personal-Trainer: Wirklich effektiv?

Das traditionelle Modell des Personal Trainings funktioniert außerordentlich gut – für Menschen, die es sich leisten können. Eine einzelne Einheit mit einem zertifizierten Trainer in einer Großstadt kann zwischen 75 und 180 Euro kosten, und die evidenzbasierte Empfehlung für messbare Ergebnisse liegt typischerweise bei zwei bis drei Einheiten pro Woche. Für die meisten Menschen führt diese Rechnung zu einer eindeutigen Entscheidung: kein Personal Trainer. Stattdessen werden YouTube-Routinen zusammengestückelt, generische Programme befolgt, die nicht auf den eigenen Zeitplan, das Fitnessniveau oder die Erholungskapazität zugeschnitten sind – und nach sechs Wochen stagniert der Fortschritt.

KI-Fitness-Coaching hat diese Lücke mit einem anderen Versprechen gefüllt: die Vorteile der Personalisierung eines erfahrenen Trainers, zu einem Bruchteil der Kosten, jederzeit verfügbar im eigenen Wohnzimmer. Das ist ein wirklich überzeugendes Angebot – aber eines, das kritischer Betrachtung standhält. Die Marketingversprechen rund um KI-Coaching reichen von vernünftig bis übertrieben, und die Forschungslage ist, obwohl wachsend, noch im Aufbau.

Dieser Artikel arbeitet durch, was App-basiertes KI-Coaching tatsächlich ist, was die Fachliteratur über seine Wirksamkeit zeigt, wo es gegenüber menschlicher Betreuung zurückbleibt – und welche praktischen Schritte den Unterschied machen zwischen einer KI-Coaching-Erfahrung, die Ergebnisse erzielt, und einer, die nur Workout-Benachrichtigungen erzeugt, die man zu ignorieren lernt.

Was KI-Personal-Training wirklich ist

Der Begriff „KI-Personal-Trainer” umfasst ein so breites Spektrum, dass er ohne Erläuterung kaum aussagekräftig ist. Am grundlegendsten beschreibt er nichts weiter als eine Bibliothek vorgefertigter Programme, die über einen fragebogenbasierten Algorithmus zugeordnet werden: ein paar Fragen zu Zielen und Fitnessniveau beantworten, ein Programmtemplate erhalten. Das unterscheidet sich nicht wesentlich von einem gedruckten Trainingsheft. Das Label „KI” ist hier Marketing, keine Funktionalität.

Weiter oben im Spektrum verfolgen echte adaptive Systeme die tatsächliche Leistung über Einheiten hinweg – die absolvierten Übungen, die protokollierten Sätze, die eingereichten Schwierigkeitsbewertungen – und passen zukünftige Einheiten auf Basis dieser Daten an. Das kommt dem näher, was Verhaltensforscher unter personalisierter Programmgestaltung verstehen, weil das Programm auf das reagiert, was man tatsächlich tut, nicht auf das, was man theoretisch geplant hatte.

Am ausgereiften Ende nutzen manche Plattformen die Einheits-RPE (Rating of Perceived Exertion) als zentralen Eingabewert. Dr. Carl Foster und Kollegen (PMID 11357117) entwickelten und validierten die Einheits-RPE-Methode als praktisches, zuverlässiges Werkzeug zur Quantifizierung der inneren Trainingsbelastung über alle Trainingsarten hinweg. Die zentrale Erkenntnis: Subjektive Anstrengungsratings, die nach jeder Einheit konsistent erfasst werden, liefern ein erstaunlich genaues Bild der angesammelten Erschöpfung und des Trainingsstresses – Informationen, die externe Metriken wie Workoutdauer oder Schrittzähler allein nicht erfassen können. Ein KI-System, das Einheits-RPE-Daten sammelt und darauf reagiert, tut qualitativ etwas anderes als eines, das nur abgeschlossene Wiederholungen zählt.

Was KI-Coaching von einem generischen YouTube-Workout unterscheidet, ist – im besten Fall – die Feedbackschleife. Das Programm ist nicht statisch. Es passt Häufigkeit, Volumen, Übungsauswahl und Intensität basierend auf einer laufenden Aufzeichnung der tatsächlichen Reaktionen an. Wie Dr. Foster in seiner grundlegenden Studie von 2001 (PMID 11357117) feststellte, gibt die Erfassung der Einheits-RPE über die Zeit Trainern – und den Algorithmen, die Coaching-Verhalten modellieren – einen Einblick in die tatsächlich angesammelte Erschöpfung, den rohe Leistungsmetriken allein nicht liefern können.

Das Positionspapier des American College of Sports Medicine zur Trainingssteuerung, verfasst von Garber et al. (PMID 21694556), ist in diesem Punkt eindeutig: Effektive Trainingsplanung erfordert Individualisierung. Verschiedene Menschen mit scheinbar ähnlichen Fitnessprofilen reagieren unterschiedlich auf dasselbe Programm. Alter, Trainingsgeschichte, Erholungskapazität, Stressbelastung, Schlafqualität und Dutzende anderer Variablen beeinflussen, wie ein gegebener Trainingsreiz in Anpassung umgewandelt wird. Ein Programm, das diese Variablen ignoriert und stattdessen auf eine Einheitsvorlage setzt, ist für eine theoretische Durchschnittsperson konzipiert – also für fast niemanden.

Die Wissenschaft hinter personalisierter Trainingsplanung

Das Argument für personalisierte Trainingsplanung ist für viele Sporttreibende nicht intuitiv. Wenn Kniebeugen Beine aufbauen und Liegestütze die Brust stärken – warum ist es dann wichtig, ob das Programm auf die Person abgestimmt ist? Die Antwort liegt in einem Wort, das die Fitnesskultur unterbewertet: Variation.

Schoenfeld, Ogborn und Krieger veröffentlichten 2016 einen systematischen Review mit Meta-Analyse (PMID 27102172), der untersuchte, wie die Trainingshäufigkeit die Muskelhypertrophie beeinflusst. Ihre Analyse identifizierte etwas, das Praktiker seit Jahren beobachtet hatten, das bevölkerungsweite Studien aber schwer sauber quantifizieren konnten: Die individuelle Reaktion auf die Trainingshäufigkeit variiert erheblich. Manche Menschen zeigen überlegene Hypertrophie-Reaktionen, wenn sie jede Muskelgruppe dreimal pro Woche trainieren. Andere stagnieren bei dieser Häufigkeit oder gehen zurück und reagieren besser auf zweimal wöchentliche Einheiten. Die Meta-Analyse ergab, dass das zweimal wöchentliche Training jeder Muskelgruppe im Vergleich zu einmal wöchentlich mit überlegenen Hypertrophie-Ergebnissen assoziiert war – die Daten zeigten jedoch auch eine bedeutsame individuelle Variation, die Durchschnittswerte verdecken.

Genau diese individuelle Variation adressiert das ACSM-Positionspapier von 2011 (PMID 21694556). Garber et al. bieten einen Rahmen für die Trainingssteuerung, der Häufigkeit, Intensität, Dauer und Art als Variablen anerkennt, die auf die Person kalibriert werden müssen – nicht einheitlich einer Bevölkerung zugewiesen werden dürfen. Die Leitlinie empfiehlt, dass scheinbar gesunde Erwachsene 150 bis 300 Minuten moderate aerobe Aktivität pro Woche oder 75 bis 150 Minuten intensive Aktivität ansammeln, ergänzt durch muskelkräftigende Aktivitäten an mindestens zwei Tagen pro Woche. Der entscheidende Begriff ist „scheinbar gesunde Erwachsene” – eine Bevölkerung, deren optimale Trainingsparameter trotzdem eine enorme Bandbreite umfassen.

Die Einheits-RPE-Methode von Foster et al. (PMID 11357117) liefert den praktischen Mechanismus, um die Lücke zwischen bevölkerungsweiten Leitlinien und individueller Trainingssteuerung zu überbrücken. Indem Sportler gebeten werden, ihre wahrgenommene Anstrengung für die gesamte Einheit zu bewerten – nicht nur für einzelne Übungen –, können Trainer verfolgen, ob die kumulative Trainingsbelastung produktiven Stress erzeugt oder sich Richtung Übertraining bewegt. Man kann es sich wie ein GPS-Navigationssystem vorstellen, das die Route auf Basis von Echtzeitverkehr neu berechnet – anstatt die Bedingungen zugrunde zu legen, die galten, als die Karte gedruckt wurde. Ein festes Trainingsprogramm ist eine Papierkarte: zu einem Zeitpunkt korrekt, blind für alles, was sich verändert. Ein Programm, das Einheits-RPE-Feedback einbezieht, berechnet kontinuierlich neu.

Die Habitforschung unterstreicht diesen Punkt. Lally et al. (PMID 19586449) fanden, dass Verhalten nicht nach einem festen Zeitplan automatisch wird, sondern als Funktion konsistenter Wiederholung über die Zeit – und dass der Zeitrahmen stark individuell variiert, von 18 bis 254 Tagen für ein gegebenes Verhalten. Ein Programm, das sich anpasst, um den Teilnehmer über diesen langen Zeitraum engagiert und erfolgreich zu halten, ist strukturell besser positioniert, dauerhaften Verhaltensänderungen zu erzeugen, als eines, das davon ausgeht, dass alle Nutzer denselben Bogen durchlaufen.

Was die kontrollierte Forschung zeigt

Die Forschung zu App-basierten Fitnessinterventionen ist nicht durchgehend positiv – aber sie ist positiver, als Skeptiker typischerweise einräumen.

Schoeppe et al. veröffentlichten 2016 einen systematischen Review (PMID 27927228), der die Wirksamkeit App-basierter Interventionen zur Verbesserung von Ernährung, körperlicher Aktivität und Sitzverhalten untersuchte. Der Review analysierte 37 Studien, die ihre Einschlusskriterien erfüllten. 32 von 37 Studien – etwa 86 % – stellten fest, dass App-basierte Interventionen wirksam waren, um mindestens ein Ergebnis im Zusammenhang mit der Förderung körperlicher Aktivität zu verbessern. Der Review stellte fest, dass Apps mit mehr interaktiven Funktionen – darunter Zielsetzungstools, Selbstüberwachung und Feedbackmechanismen – mit stärkeren Effekten assoziiert waren. Die Belege legen nahe, dass digitale Coaching-Tools, wenn sie gut gestaltet sind, das Bewegungsverhalten in realen Bevölkerungen bedeutsam verändern können.

Die Frage der Adhärenz – ob Menschen Sport zu Hause ohne die Kontrolle eines Trainers aufrechterhalten können – untersuchten Jakicic und Kollegen in einem Versuch von 1999 (PMID 10546695) auf andere Weise. Über 18 Monate zeigten die Teilnehmer der Heimtrainingsgruppe Adhärenzraten, die mit jenen der betreuten Gruppenumgebung vergleichbar waren. Dieser Befund ist bedeutsam, weil die 18-monatige Dauer weit über das typische 8-bis-12-Wochen-Fenster der meisten Trainingsstudien hinausgeht und die längerfristigen Adhärenzmuster erfasst, die tatsächlich die Fitness-Ergebnisse vorhersagen. Die Studie stammt aus einer Zeit vor dem modernen KI-Coaching – das Jahr war 1999, die Technologie war erheblich einfacher – aber der Verhaltensbefund gilt: Wenn die Hürde gering und die Struktur klar ist, ist Heimtraining nicht von vornherein anfälliger für Abbrüche als betreutes Training.

Adhärenz, wie Jakicic et al. (PMID 10546695) feststellten, ist der primäre Prädiktor für Fitness-Ergebnisse. Das ausgefeilteste Trainingsprogramm ist wertlos, wenn es über die Zeit nicht tatsächlich ausgeführt wird. Und die Habitforschung von Lally et al. (PMID 19586449) zeigt, dass die für automatisches Training notwendigen Muster typischerweise über Wochen bis Monate entstehen – nicht in den ersten zwei oder drei Einheiten, die die meisten Menschen als ihre „Probezeit” betrachten.

Für Nutzer, die bereits Erfahrung mit Sport haben – Menschen, die gute Bewegungsmuster kennen, kein akutes Verletzungsrisiko haben und Programmgestaltung und Progression statt Technikunterweisung brauchen –, ist das Forschungsbild durchaus ermutigend. App-basiertes Coaching funktioniert gut genug, um bedeutsame Verbesserungen der körperlichen Aktivität zu erzielen, und es hält diese Verbesserungen auf eine Weise aufrecht, die selbstgesteuertes, unstrukturiertes Training typischerweise nicht schafft.

Wo KI-Coaching an seine Grenzen stößt

Ehrlichkeit erfordert, anzuerkennen, was KI-Coaching nicht kann – und die Einschränkungen sind real.

Die bedeutendste ist die Ausführungsqualität. Kein aktuelles KI-Coaching-System hat die Echtzeit-Bewegungsqualitätsbewertung durch eine Handykamera auf einem Niveau gelöst, das einen zertifizierten Kraft- und Konditionstrainer zufriedenstellen würde. Kamerabasierte Pose-Schätzung hat sich erheblich verbessert, aber das subtile Rundrücken, das eine Lendenwirbelsäulenverletzung ankündigt, oder das Knievalgus in einer Kniebeuge, das eine Regression nahelegt, zu erkennen – das erfordert eine Beobachtungsqualität, die die Technologie außerhalb kontrollierter Forschungsumgebungen noch nicht zuverlässig erreicht hat. Für Anfänger, die korrekte Bewegungsmuster nie erlernt haben, ist das eine relevante Sicherheitslücke.

(Deshalb sind RazFits KI-Trainer Orion und Lyssa so konzipiert, dass sie Bewegungsmuster innerhalb der Übungsbibliothek der App anleiten, anstatt das ungelöste Problem der Echtzeit-Formkorrektur per Kamera anzugehen. Der Ansatz ist bewusst konservativ – die Schwierigkeit der Übung wird den nachgewiesenen Fähigkeiten des Nutzers angepasst, anstatt zu versuchen, Bewegungsqualität zu überwachen, die das System nicht zuverlässig beurteilen kann.)

KI-Coaching kann auch den psychischen Zustand, akute Erkrankungen oder die Art von Lebens-Stress-Akkumulation nicht berücksichtigen, die eine geplante intensive Einheit an einem bestimmten Tag zur schlechten Idee machen. Ein menschlicher Trainer liest die Körpersprache in den ersten fünf Minuten und passt entsprechend an. Ein Algorithmus, der aus Einheitsabschlussdaten und RPE-Eingaben arbeitet, hat ein dünneres Signal.

Habituelles Durchhalten bleibt ein menschliches Problem, das Technologie unterstützen, aber nicht lösen kann. Lally et al. (PMID 19586449) fanden, dass die Gewohnheitsbildung durchschnittlich 66 Tage dauert – und bei anspruchsvolleren Verhaltensweisen bis zu 254 Tage. Kein KI-Coaching-System ändert diese Biologie. Die Technologie kann Hinweise, Belohnungen und strukturierte Progression bieten, aber die körperlichen Wiederholungen müssen trotzdem stattfinden – in der realen Welt, an Tagen, wenn die Motivation niedrig und das Sofa näher ist als der Platz auf dem Boden für ein Workout.

Keine KI-Coaching-Plattform wurde bislang in einer randomisierten kontrollierten Studie nach Goldstandard validiert, die dem Evidenzniveau entspricht, das für betreutes Training mit zertifizierten Trainern spricht. Der systematische Review von Schoeppe et al. (2016, PMID 27927228) fand konsistent positive Ergebnisse, aber „positiv” bedeutet hier Verbesserungen bei selbstberichteter körperlicher Aktivität – nicht die Art von rigoros kontrollierter, verblindeter Ergebnismessung, die die höchsten Ebenen klinischer Evidenz verdient. Die Forschungslage ist wirklich ermutigend; sie ist noch nicht abschließend.

Schließlich funktioniert KI-Coaching am besten für motivierte Selbststarter – Menschen, die bereits wissen, warum sie Sport treiben wollen, über eine Grundkompetenz in Bewegung verfügen und Struktur und Progression statt grundlegender Anleitung brauchen. Für völlige Anfänger, insbesondere jene mit früheren Verletzungen oder erheblichen Bewegungseinschränkungen, lautet die ehrliche Empfehlung: Investiert in mindestens zwei oder drei Einheiten mit einem zertifizierten Trainer, bevor ihr euch allein auf ein KI-geführtes Programm verlasst. Diese Investition in korrekte grundlegende Bewegungsmechanik zahlt sich aus – in einer Weise, die kein noch so personalisierter Algorithmus ersetzen kann.

Wie Autoregulation KI-Coaching intelligenter macht

Der Mechanismus, der adaptives KI-Coaching von einem statischen Trainingsplan unterscheidet, ist Autoregulation – die Praxis, Trainingsvariablen basierend auf kontinuierlichem Feedback darüber anzupassen, wie der Einzelne tatsächlich reagiert.

Dr. Carl Fosters Einheits-RPE-Methode (PMID 11357117) ist der praktische Eckpfeiler der Autoregulation im modernen Coaching. Die Methode bittet Sportler, ihre wahrgenommene Anstrengung für die gesamte Einheit auf einer Skala von 0 bis 10 zu bewerten – nicht nur den härtesten Satz, nicht die durchschnittliche Übung, sondern das Ganze. Diese Bewertung, multipliziert mit der Einheitsdauer in Minuten, ergibt einen „Trainingslast”-Wert. Die Verfolgung dieser Werte über die Zeit erzeugt ein Bild der chronischen Last (die etablierte Grundlinie), der akuten Last (jüngste Einheiten) und des Verhältnisses zwischen ihnen – ein Signal, das erfahrene Trainer nutzen, um Übertraining zu erkennen, bevor die Leistung nachlässt und das Verletzungsrisiko steigt.

Wie Dr. Foster anmerkt (PMID 11357117), erfasst dieses subjektive Maß Dimensionen des Trainingsstresses, die externe Metriken vollständig verpassen. Zwei 40-minütige Einheiten sehen auf dem Papier identisch aus, fühlen sich aber je nach Schlafqualität, Ernährungsstatus oder angesammeltem Stress aus der Vorwoche völlig unterschiedlich an. Die RPE-Daten integrieren all diese Faktoren automatisch, weil sie das gelebte Erleben des Sportlers der Einheit widerspiegeln.

Feste Programme können das nicht. Ein Programm, das dieselben Gewichte, dieselben Sätze, dieselben Intervalle vorschreibt – unabhängig davon, wie man sich fühlt –, ist von vornherein blind für den tatsächlichen Zustand an einem bestimmten Tag. An einem guten Tag trainiert man unter dem Potenzial. An einem schweren Tag riskiert man Übertraining. Über einen langen genug Zeitraum ist diese Fehlausrichtung zwischen Vorgabe und Kapazität einer der Haupttreiber von Stagnation und letztlichem Abbruch.

Ein adaptives System, das die RPE von Einheit zu Einheit verfolgt und die Schwierigkeit der nächsten Einheit entsprechend anpasst – Belastung erhöhen, wenn Einheiten leichter als erwartet wirken, reduzieren, wenn Erschöpfung sich ansammelt –, tut etwas, das dem näher kommt, was ein reaktionsfähiger menschlicher Trainer tut. Die Wissenschaft von Ruhetagen und Erholung ist hier relevant: Der Anpassungsreiz ist das Workout, aber die eigentliche Anpassung findet während der Erholung statt. Ein System, das angesammelte Erschöpfung nicht erkennen kann, wird einen Teil seiner Nutzer chronisch zu wenig erholen lassen.

Die individuelle Variation, die Schoenfeld et al. (PMID 27102172) in ihrer Meta-Analyse von 2016 dokumentierten, unterstreicht, warum automatisch angepasste Häufigkeit wichtig ist. Da manche Personen bei höheren Trainingsfrequenzen gedeihen und andere stagnieren, wird ein System, das mit einer Standardhäufigkeit beginnt und sich basierend auf Leistungsdaten anpasst, über die Zeit etwas näher am individuellen Optimum konvergieren als jeder feste Zeitplan. Die Prinzipien der progressiven Überlastung, die langfristige Anpassung antreiben, erfordern nicht nur, die Schwierigkeit mit der Zeit zu erhöhen, sondern sie in einem Tempo zu erhöhen, das der Einzelne absorbieren kann – und dieses Tempo ist, wie die Forschung deutlich macht, sehr variabel.

Das Beste aus KI-geführtem Training herausholen

Die Forschungsevidenz weist auf mehrere praktische Prinzipien hin für Nutzer, die möchten, dass KI-geführtes Coaching tatsächlich Ergebnisse liefert – und nicht nur Benachrichtigungen.

Einheiten ehrlich protokollieren. Der gesamte adaptive Mechanismus hängt von genauen Eingabedaten ab. Eine Einheit als abgeschlossen zu protokollieren, wenn man die Hälfte übersprungen hat, oder die Anstrengung als moderat zu bewerten, wenn man kaum ins Schwitzen kam, verfälscht das Signal, das das System zur Kalibrierung zukünftiger Einheiten nutzt. RPE-Bewertungen, Energieniveaus und Einheitsabschlussdaten sind nur so nützlich wie sie genau sind. Der Zusammenhang zwischen Schlafqualität und sportlicher Leistung ist gut belegt – Schlaf gemeinsam mit Workout-Daten zu erfassen gibt einem KI-System besseren Kontext für die Interpretation von Anstrengungsbewertungen, die im Widerspruch zur jüngsten Planung zu stehen scheinen.

Dem Algorithmus genug Zeit zum Lernen geben. Lally et al. (PMID 19586449) fanden, dass Verhaltensmuster Wochen bis Monate brauchen, um sich zu etablieren. Ein KI-Coaching-System, das aus zwei Wochen Einheitsdaten arbeitet, zieht aus einer dünnen Stichprobe. Bedeutsame Mustererkennung – die individuelle Erholungsrate erkennen, die Reaktion auf Häufigkeitsänderungen, die optimale Einheitsdauer – erfordert mindestens vier bis sechs Wochen konsistenter Daten. Nutzer, die ein System nach zwei Wochen aufgeben, weil es sich nicht perfekt kalibriert anfühlt, verlassen es genau dann, wenn es noch die Informationen sammelt, die es braucht. Die Strategien zur Gewohnheitsbildung, die Fitness nachhaltig machen, gelten ebenso dafür, KI-Coaching wirklich funktionieren zu lassen.

Anfänger sollten in ein menschliches Fundament investieren, bevor sie sich allein auf KI-Führung verlassen. Zwei oder drei Einheiten mit einem zertifizierten Trainer – mit dem Fokus speziell auf Bewegungsqualität für die Übungen im geplanten Programm – reduzieren das Verletzungsrisiko erheblich, das die bedeutendste Einschränkung von KI-Coaching ist. Man kann es sich so vorstellen, als würde man die Grundschicht der Bewegungskompetenz installieren, auf der die KI dann aufbaut. Sobald fundamentale Muster etabliert sind, kann App-basiertes Training sicher die Progression und Struktur liefern, die Kosten und Terminplanung von menschlichem Coaching sonst verhindern würden.

Die Gamification-Mechaniken als Verhaltensstütze nutzen, nicht als Ersatz für echte Trainingsabsicht. RazFits Ansatz – Orion für kraftorientierte Workouts, Lyssa für Cardio – nutzt adaptive Einheiten von 1–10 Minuten, die progressiv auf Basis von Abschlussdaten belasten, wodurch Konsistenz zum primären Treiber der Anpassung wird, nicht absolute Intensität. Die Achievement-Abzeichen und Streak-Mechaniken adressieren das Adhärenzproblem, das Jakicic et al. (1999, PMID 10546695) als primären Prädiktor von Fitness-Ergebnissen identifizierten: nicht dass Menschen nicht wissen, wie man Sport treibt, sondern dass sie aufhören. Wenn die Struktur klar ist, die Einheiten kurz sind und das Feedback sofort kommt, wird Konsistenz erreichbar auf eine Weise, die längere, anspruchsvollere Programme selten aufrechterhalten.

KI-Coaching mit den Praktiken kombinieren, die die Signalqualität erhöhen: konsistenter Schlaf, ausreichend Erholung und ehrliche Anstrengungsbewertungen. Ein Algorithmus, der aus ehrlichen, konsistenten Daten über zwei Monate arbeitet, wird eine deutlich individuellere Erfahrung erzeugen als derselbe Algorithmus, der aus inkonsistenten Eingaben über eine Woche arbeitet. Die Investition in Datenqualität ist eine Investition in die Qualität des Programms, das er generiert.

---

Quellen

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/

Verwandte Artikel

• Ruhetage: Warum Erholung stärker macht
• Progressive Überlastung zu Hause ohne Geräte
• Sportgewohnheit aufbauen: Die Wissenschaft
• Wie Gamification dein Training verändert