AI personaaltreenerid: kas nad tegelikult töötavad?

Traditsiooniline personaaltreeneri mudel töötab erakordselt hästi inimestele, kes saavad seda endale lubada. Üks seanss sertifitseeritud treeneriga suurlinnas võib maksta 80–200 dollarit ja tõenditel põhinevad soovitused mõõdetavate tulemuste saamiseks on tavaliselt kaks kuni kolm seanssi nädalas. Enamiku inimeste jaoks viib see kalkulatsioon lihtsa otsuseni: nad ei palka isiklikku treenerit. Selle asemel loovad nad YouTube’i rutiine, järgivad üldprogramme, mis ei ole koostatud nende ajakava, vormisoleku taset või taastumisvõimet silmas pidades, ja mõtlevad, miks edusammud kuue nädala pärast peatuvad.

Tehisintellekti treeningute juhendamine on astunud sellesse lünka teistsuguse lubadusega: teadliku treeneriga töötamise isikupärastamise eelised on murdosa kuludest saadaval nõudmisel teie elutoas. See on tõeliselt mõjuv ettepanek, kuid see väärib kontrolli. Turundusväited tehisintellekti juhendamise kohta ulatuvad mõistlikust ekstravagantseni ja uurimisbaas, kuigi kasvab, areneb endiselt.

Selles artiklis uuritakse, mida rakendusepõhine tehisintellekti juhendamine tegelikult endast kujutab, mida ütlevad eelretsenseeritud tõendid selle tõhususe kohta, kus see jääb alla inimese järelevalvega võrreldes ja millised praktilised sammud teevad vahet tulemusi andva tehisintellekti juhendamise kogemuse ja lihtsalt treeninguteate genereeriva kogemuse vahel, mida õpid ignoreerima.

Mis AI personaaltreening tegelikult on

Väljend “AI personaaltreener” hõlmab piisavalt laia spektrit, et olla ilma selgituseta peaaegu mõttetu. Põhimõtteliselt kirjeldab see midagi muud kui eelnevalt kirjutatud programmide teeki, mida serveeritakse viktoriinipõhise sobitusalgoritmiga: vastake mõnele küsimusele oma eesmärkide ja sobivuse taseme kohta, saate programmi malli. See ei erine sisuliselt trükitud treeningvihikust. Silt “AI” on turundus, mitte funktsionaalsus.

Spektrit ülespoole liikudes jälgivad tõeliselt adaptiivsed süsteemid teie tegelikku jõudlust seansside lõikes (teie sooritatud harjutused, logitud komplektid, edastatud raskusastmed) ja kohandavad tulevasi seansse nende andmete põhjal. See on lähemal sellele, mida käitumuslikud uurijad mõtlevad isikupärastatud programmeerimise all, sest programm reageerib pigem sellele, mida te tegelikult teete, mitte sellele, mida te teoreetiliselt plaanisite.

Keerulisemas otsas kasutavad mõned platvormid keskse sisendina seansi tajutava pingutuse reitingut (RPE). Dr Carl Foster ja kolleegid (PMID 11357117) töötasid välja ja valideerisid seansi RPE meetodi praktilise ja usaldusväärse vahendina sisemise treeningkoormuse mõõtmiseks igat tüüpi harjutuste puhul. Põhiline arusaam on, et subjektiivsed pingutushinnangud, mida kogutakse järjekindlalt pärast iga seanssi, annavad märkimisväärselt täpse pildi kogunenud väsimusest ja treeningstressist; välised mõõdikud, nagu treeningu kestus või sammude arv, ei suuda seda üksi tabada. Tehisintellekti süsteem, mis kogub seansi RPE andmeid ja toimib nende alusel, teeb midagi kvalitatiivselt erinevat süsteemist, mis loeb ainult lõpetatud kordusi.

Mis eristab AI juhendamist üldisest YouTube’i treeningust, on parimal juhul tagasiside ahel. Programm ei ole staatiline. See reguleerib sagedust, mahtu, treeningu valikut ja intensiivsust teie tegelike reaktsioonide jooksva konto põhjal. Nagu dr Foster oma 2001. aasta alusuuringus (PMID 11357117) märkis, annab aja jooksul toimuva RPE jälgimise seansi jälgimine treeneritele ja juhendamiskäitumist modelleerivatele algoritmidele akna tõelisele kogunenud väsimusele, mida toores tulemuslikkuse mõõdikud üksi ei suuda tagada.

Ameerika spordimeditsiini kolledži treeningu määramise seisukohavõtt, mille autoriks on Garber et al. (PMID 21694556), on selles punktis selge: tõhus treeningu programmeerimine nõuab individualiseerimist. Erinevad näiliselt sarnase treeningprofiiliga inimesed reageerivad samale programmile erinevalt. Vanus, treeningute ajalugu, taastumisvõime, stressikoormus, unekvaliteet ja kümned muud muutujad mõjutavad seda, kuidas antud treeningstiimul muutub kohanemiseks. Programm, mis ignoreerib neid muutujaid kõigile sobiva malli kasuks, on programm, mis on mõeldud teoreetilisele keskmisele inimesele, see tähendab peaaegu ühelegi inimesele.

Isikupärastatud programmeerimise teadus

Isikupärastatud programmeerimine ei ole paljudele treenijatele intuitiivne. Kui kükid kasvatavad jalgu ja surumine rindkere, siis miks on vahet, kas programm on konkreetsele inimesele kohandatud? Vastus peitub sõnas, mida fitnessikultuur alatähtsustab: variatsioon.

Schoenfeld, Ogborn ja Krieger avaldasid 2016. aastal süstemaatilise ülevaate ja metaanalüüsi (PMID 27102172), milles uuriti, kuidas treeningsagedus mõjutab lihaste hüpertroofiat. Nende analüüs tuvastas midagi, mida praktikud olid aastaid täheldanud, kuid populatsioonitaseme uuringutes oli olnud raskusi puhta kvantifitseerimisega: individuaalne reaktsioon treeningute sagedusele on märkimisväärselt erinev. Mõnel inimesel on iga lihasrühma kolm korda nädalas treenimisel parem hüpertroofiline reaktsioon. Teised platoovad või taanduvad sellel sagedusel ja reageerivad paremini kaks korda nädalas toimuvatele seanssidele. Metaanalüüs näitas, et iga lihasrühma treenimine kaks korda nädalas oli seotud parema hüpertroofia tulemustega võrreldes kord nädalas, kuid andmed näitasid ka olulisi individuaalseid erinevusi, mida koondtulemused kipuvad varjama.

See individuaalne variatsioon on täpselt see, mida ACSM-i 2011. aasta asend (PMID 21694556) käsitleb. Garber et al. loob harjutuste määramise raamistiku, mis tunnistab sagedust, intensiivsust, aega ja tüüpi muutujatena, mis tuleb individuaalselt kalibreerida, mitte määrata populatsioonile ühtlaselt. Juhendis soovitatakse näiliselt tervetel täiskasvanutel koguda 150–300 minutit mõõduka intensiivsusega aeroobset treeningut nädalas või 75–150 minutit intensiivse intensiivsusega tegevust koos lihaseid tugevdavate tegevustega vähemalt kahel päeval nädalas. Kuid operatiivne fraas on “ilmselt terved täiskasvanud”, populatsioon, kelle optimaalsed treeningparameetrid ulatuvad endiselt tohutult.

Fosteri jt poolt välja töötatud seansi RPE meetod. (PMID 11357117) pakub praktilist mehhanismi elanikkonna tasandi juhiste ja individuaalsete retseptide vahelise lõhe ületamiseks. Paludes sportlastel hinnata oma tajutavat pingutust seansi kui terviku, mitte ainult üksikute harjutuste kohta, saavad treenerid jälgida, kas kumulatiivne treeningkoormus tekitab produktiivset stressi või liigub üle pingutamise poole. Mõelge sellele nagu GPS-navigatsioonisüsteemile, mis arvutab teie marsruudi ümber reaalajas liikluse, mitte kaardi printimise ajal valitsenud tingimuste alusel. Fikseeritud treeningprogramm on paberkaart: täpne ühel ajahetkel, pime kõige muutuva suhtes. Programm, mis sisaldab seansi RPE tagasisidet, arvutab pidevalt ümber.

Harjumusteadus kinnitab seda punkti. Lally jt. (PMID 19586449) leidsid, et käitumine ei muutu automaatseks mitte kindla ajakava järgi, vaid aja jooksul järjepideva kordumise funktsioonina ning et ajaskaala on väga individuaalne, ulatudes antud käitumise puhul 18 kuni 254 päevani. Programm, mis kohandub, et hoida osaleja seotuna ja läbi selle laiendatud akna edu saavutada, on struktuuriliselt paremas positsioonis püsiva käitumise muutmiseks kui programm, mis eeldab, et kõik kasutajad järgivad sama kaaret.

Mida kontrollitud uuringud näitavad

Rakenduspõhiste fitness-sekkumiste uuringud ei ole ühtlaselt positiivsed, kuid need on positiivsemad, kui skeptikud tavaliselt tunnistavad.

Schoeppe jt. avaldas 2016. aastal süstemaatilise ülevaate (PMID 27927228), milles uuriti rakendusepõhiste sekkumiste tõhusust toitumise, kehalise aktiivsuse ja istuva käitumise parandamiseks. Ülevaates analüüsiti 37 uuringut, mis vastasid nende kaasamise kriteeriumidele. 32 uuringust 37-st, ligikaudu 86%, leidsid, et rakendusepõhised sekkumised olid tõhusad vähemalt ühe kehalise aktiivsuse edendamisega seotud tulemuse parandamiseks. Ülevaates märgiti, et interaktiivsemate funktsioonidega rakendused, sealhulgas eesmärkide seadmise tööriistad, eneseseire ja tagasiside mehhanismid, olid seotud tugevamate mõjudega. Tõendid näitavad, et kui digitaalsed juhendamisvahendid on hästi kavandatud, võivad füüsilise tegevuse käitumist tegelikes populatsioonides oluliselt muuta.

Jakicic ja tema kolleegid uurisid 1999. aasta uuringus (PMID 10546695) järgimise küsimust, kas inimesed saavad kodus treenida ilma treeneri vastutuseta. 18 kuu jooksul näitasid koduses treeningus osalenud osalejad järgimismäärasid, mis olid võrreldavad juhendatud rühmas osalenutega. See leid on mõttekas, sest 18-kuuline kestus ulatub tunduvalt kaugemale enamiku treeninguuringute tüüpilisest 8–12-nädalasest aknast, jäädvustades pikemaajalised järgimismustrid, mis tegelikult ennustavad treeningtulemusi. Uuring eelnes kaasaegsele tehisintellekti juhendamisele (aasta oli 1999, tehnoloogia oli tunduvalt lihtsam), kuid käitumuslik järeldus peab paika: kui hõõrdumine on väike ja struktuur on selge, ei ole kodune treening loomupäraselt väljalangemise suhtes haavatavam kui juhendatud treening.

Järgimine, nagu Jakicic et al. (PMID 10546695) tuvastasid, on fitnessitulemuste peamine ennustaja. Kõige keerukam treeningprogramm on väärtusetu, kui seda aja jooksul tegelikult ei täideta. Lally et al. harjumusuuring (PMID 19586449) näitab, et treeningu automaatseks muutumiseks vajalikud mustrid kujunevad tavaliselt nädalate või kuude jooksul, mitte esimese kahe või kolme seansiga, mida enamik inimesi peab oma “prooviperioodiks”.

Treeningutega juba kogenud kasutajate jaoks (inimesed, kes mõistavad häid liikumismustreid, kellel puudub akuutne vigastusoht ning kes vajavad pigem programmeerimist ja progresseerumist kui tehnika juhendamist), on uuringupilt piisavalt julgustav. Rakendusepõhine juhendamine toimib piisavalt hästi, et kehalist aktiivsust oluliselt parandada, ja see toetab neid täiustusi viisil, mida tavaliselt ei tee enesejuhitud, struktureerimata treeningud.

Kui AI juhendamine jääb lühikeseks

Ausus nõuab tunnistamist, mida AI juhendamine ei suuda, ja piirangud on tõelised.

Kõige olulisem on vorm. Ükski praegune tehisintellekti juhendamise süsteem ei ole lahendanud reaalajas liikumise kvaliteedi hindamist telefonikaamera kaudu tasemel, mis rahuldaks sertifitseeritud jõu- ja vormitreenerit. Kaamerapõhine poseerimise hindamine on oluliselt paranenud, kuid nimmepiirkonna vigastust ennustava lülisamba peene ümarduse või põlveliigese valguse tuvastamine kükis, mis peaks kutsuma esile taandarengu, nõuab sellist vaatluskvaliteeti, mida tehnoloogia pole väljaspool kontrollitud uurimiskeskkondi veel usaldusväärselt saavutanud. Algajatele, kes pole kunagi õigeid liikumismustreid õppinud, on see tähendusrikas turvalünk.

(Seetõttu on RazFiti tehisintellekti treenerid Orion ja Lyssa loodud selleks, et suunata liikumismustreid rakenduse harjutuste teegis, selle asemel, et püüda lahendada reaalajas vormi korrigeerimise lahendamata probleemi kaamera kaudu. Lähenemisviis on disainilt konservatiivne, harjutuse raskuste sobitamine kasutaja demonstreeritud võimalustega, selle asemel, et süsteemi liikumiskvaliteeti kontrollida, ei saa usaldusväärselt hinnata.)

Tehisintellekti juhendamisel ei saa arvesse võtta ka psühholoogilist seisundit, ägedat haigust või stressi kogunemist, mis muudab programmeeritud raske seansi konkreetsel päeval halvaks ideeks. Inimtreener loeb teie kehakeelt esimese viie minutiga ja kohandab seda vastavalt. Algoritm, mis töötab seansi lõpetamise andmetel ja RPE-sisenditel, töötab õhemast signaalist.

Harjumustest kinnipidamine jääb inimeste probleemiks, mida tehnoloogia suudab toetada, kuid mitte lahendada. Lally jt. (PMID 19586449) leidsid, et harjumuse kujunemiseks kulub keskmiselt 66 päeva ja nõudlikuma käitumise korral kuni 254 päeva. Ükski tehisintellekti juhendamise süsteem seda bioloogiat ei muuda. Tehnoloogia võib pakkuda juhiseid, hüvesid ja struktureeritud edenemist, kuid füüsilised kordused peavad reaalses maailmas siiski toimuma päevadel, mil motivatsioon on madal ja diivan on treeningu põrandapinnast lähemal.

Ühtegi tehisintellekti juhendamise platvormi pole veel kinnitatud kuldstandardi randomiseeritud kontrollitud uuringus, mis vastaks tõendite kvaliteedile, mis toetab sertifitseeritud treenerite juhendatud treeningut. Schoeppe jt. (2016, PMID 27927228) süstemaatilises ülevaates leiti järjekindlalt positiivseid tulemusi, kuid “positiivne” tähendab selles kontekstis eneseraporteeritud kehalise aktiivsuse paranemist, mitte rangelt kontrollitud ja pimestatud tulemuste mõõtmist, mis annaks kõrgeima taseme kliinilist tõendusmaterjali. Uurimisbaas on tõeliselt julgustav; see pole veel lõplik.

Lõpetuseks, tehisintellekti juhendamine sobib kõige paremini motiveeritud alustajatele: inimestele, kes juba mõistavad, miks nad tahavad treenida, kellel on liikumisalane pädevus ja kes vajavad pigem struktuuri ja edasiminekut kui alusõpetust. Täielikele algajatele, eriti neile, kellel on varasemad vigastused või olulised liikumispiirangud, on aus soovitus investeerida vähemalt kahele või kolmele seansile koos sertifitseeritud treeneriga, enne kui hakkate kasutama AI-ga juhitavat programmi. See investeering õigesse alusmehaanikasse maksab dividende, mida ükski isikupärastatud algoritmi kohandamine ei saa asendada.

Kuidas automaatreguleerimine muudab tehisintellekti juhendamise targemaks

Mehhanism, mis eristab adaptiivset tehisintellekti juhendamist staatilisest arvutustabelist, on autoregulatsioon: treeningu muutujate kohandamise praktika, mis põhineb pideval tagasisidel selle kohta, kuidas inimene tegelikult reageerib.

Dr Carl Fosteri seansi RPE meetod (PMID 11357117) on autoregulatsiooni praktiline nurgakivi kaasaegses coachingus. Meetod palub sportlastel hinnata oma tajutavat pingutust kogu seansi jooksul, mitte ainult kõige raskemat või keskmist treeningut, skaalal 0–10. See hinnang, korrutatuna seansi kestusega minutites, annab „treeningukoormuse“ väärtuse. Nende väärtuste jälgimine aja jooksul annab pildi kroonilisest koormusest (kehtestatud lähtetase), akuutsest koormusest (hiljutised seansid) ja nendevahelisest suhtest. See on signaal, mida kogenud treenerid kasutavad ülejõu tuvastamiseks enne töövõime langust ja vigastuste riski suurenemist.

Nagu dr Foster märgib (PMID 11357117), kajastab see subjektiivne näitaja treeningstressi mõõtmeid, mida välised mõõdikud täielikult märkamata jäävad. Kaks 40-minutilist seanssi võivad paberil tunduda identsed, kuid tunduda kardinaalselt erinevad olenevalt une kvaliteedist, toitumisseisundist või eelneva nädala kogunenud stressist. RPE andmed integreerivad kõik need tegurid automaatselt, sest see on sportlase seansi kogemus.

Fikseeritud programmid ei saa seda teha. Programm, mis määrab samad kaalud, samad komplektid, samad intervallid, olenemata sellest, kuidas te end tunnete, on konstruktsioonilt pime teie tegeliku seisundi suhtes igal konkreetsel päeval. Heal päeval treenid alla potentsiaali. Raskel päeval riskite üle pingutada. Piisavalt pika aja jooksul on see retseptide ja suutlikkuse vaheline ebaühtlus üks peamisi stagnatsiooni ja võimaliku väljalangemise põhjuseid.

Adaptiivne süsteem, mis jälgib RPE-d seanss seansi järel ja kohandab järgmise seansi raskust, suurendades koormust siis, kui treeningud tunduvad oodatust lihtsamad, ja vähendades seda, kui väsimus kuhjub, teeb midagi sarnast reageeriva inimtreeneriga. Puhkepäevade ja taastumise teadus on siin asjakohane: treening annab kohanemisstiimuli, kuid tegelik kohanemine toimub taastumise ajal. Süsteem, mis kogunenud väsimust ei tuvasta, laseb osal kasutajatest krooniliselt liiga vähe taastuda.

Schoenfeldi jt dokumenteeritud individuaalne variatsioon. (PMID 27102172) näitab oma 2016. aasta metaanalüüsis, miks automaatselt kohandatud sagedus on oluline. Kuna mõned inimesed arenevad kõrgematel treeningsagedustel ja teised platool, läheneb süsteem, mis käivitub vaikesagedusega ja kohandub jõudlusandmete põhjal, aja jooksul individuaalsele optimumile lähemal, kui mis tahes fikseeritud ajakava suudab saavutada. Progressiivse ülekoormuse põhimõtted, mis juhivad pikaajalist kohanemist, ei nõua mitte ainult aja jooksul raskuste suurenemist, vaid ka selle suurendamist kiirusega, mida inimene suudab omastada, ja see määr on väga erinev, nagu uuringud näitavad.

Kuidas tehisintellekti juhendatud treeningust maksimum võtta

Uuringud viitavad mitmetele praktilistele põhimõtetele kasutajatele, kes soovivad, et tehisintellekti juhitud juhendamine annaks tulemusi, mitte ainult teavitusi.

Jälgige seansse ausalt. Kogu adaptiivne mehhanism sõltub täpsetest sisendandmetest. Seansi lõpetatuks logimine, kui jätsite poole sellest vahele, või pingutuse hindamine mõõdukaks, kui vaevalt higistasite, rikub signaali, mida süsteem tulevaste seansside kalibreerimiseks kasutab. RPE hinnangud, energiatasemed ja seansi lõpetamise andmed on kasulikud ainult niivõrd, kuivõrd need on täpsed. Seos unekvaliteedi ja treeningute vahel on hästi välja kujunenud; une jälgimine koos treeninguandmetega annab AI-süsteemile parema konteksti, et tõlgendada pingutusreitinguid, mis tunduvad hiljutise programmeerimisega vastuolus olevat.

Andke algoritmile õppimiseks piisavalt aega. Lally jt. (PMID 19586449) leidsid, et käitumismustrite väljakujunemiseks kulub nädalaid kuni kuid. Kahenädalase seansiandmete põhjal töötav tehisintellekti juhendamise süsteem põhineb õhukesest proovist. Mõttekas mustrituvastus (teie individuaalse taastumismäära, sageduse muutustele reageerimise, optimaalse seansi kestuse tuvastamine) nõuab vähemalt nelja kuni kuue nädala järjepidevaid andmeid. Kasutajad, kes hülgavad süsteemi kahe nädala pärast, kuna see ei tunne end täiuslikult kalibreerituna, hülgavad selle just siis, kui see alles kogub vajalikku teavet. harjumuse kujundamise strateegiad, mis muudavad fitnessi kinni, kehtivad samaväärselt tehisintellekti juhendamise tegelikuks toimimiseks.

Algajad peaksid enne ainult tehisintellekti juhistele lootma asumist investeerima inimvundamendisse. Kaks või kolm seanssi sertifitseeritud treeneriga, mis keskenduvad konkreetselt teie kavandatud programmi harjutuste liikumiskvaliteedile, vähendab dramaatiliselt vigastuste riski, mis on tehisintellekti juhendamise kõige olulisem piirang. Mõelge sellele kui liikumispädevuse baaskihi paigaldamisele, millele AI seejärel tugineb. Kui põhimustrid on paika pandud, võib rakendusepõhine programmeerimine ohutult pakkuda edenemist ja ülesehitust, mida inimeste juhendamise kulud ja ajakava piirangud muidu takistaksid.

Kasutage mängustamist käitumusliku toestusena, mitte tõelise treenimiskavatsuse asendajana. RazFiti lähenemine, kus Orion keskendub jõutreeningutele ja Lyssa kardiotreeningutele, kasutab 1–10-minutilisi adaptiivseid seansse, mis muutuvad lõpetamisandmete põhjal järk-järgult raskemaks. Nii saab kohanemise peamiseks mootoriks järjepidevus, mitte absoluutne intensiivsus. Saavutusmärgid ja seeriate mehaanika tegelevad järgimisprobleemiga, mille Jakicic et al. (1999, PMID 10546695) määratlesid fitnessitulemuste peamise ennustajana: probleem ei ole selles, et inimesed ei tea, kuidas treenida, vaid selles, et nad lõpetavad treenimise. Kui struktuur on selge, seansid on lühikesed ja tagasiside kohene, muutub järjepidevus saavutatavaks viisil, mida pikemad ja nõudlikumad programmid harva püsivad.

Ühendage tehisintellekti juhendamine tavadega, mis võimendavad signaali kvaliteeti: järjepidev uni, piisav taastumine ja ausad pingutuse hinnangud. Kahe kuu jooksul ausate ja järjepidevate andmete põhjal töötav algoritm annab oluliselt individuaalsema kogemuse kui sama algoritm, mis töötab nädala jooksul ebajärjekindlate sisendite põhjal. Investeering kvaliteetsetesse andmetesse on investeering nende loodud programmi kvaliteeti.

Viited

1. Garber CE et al. (2011). “Treeningu kogus ja kvaliteet kardiorespiratoorse, lihasluukonna ja neuromotoorse võimekuse arendamiseks ja säilitamiseks näiliselt tervetel täiskasvanutel: juhised treeningu määramiseks.” Medicine & Science in Sports & Exercise, 43(7), 1334–1359. PMID 21694556. https://pubmed.ncbi.nlm.nih.gov/21694556/

2. Jakicic JM et al. (1999). “Vahelduva treeningu ja koduste treeningseadmete kasutamise mõju ülekaaluliste naiste järgimisele, keharaskuse langusele ja sobivusele: randomiseeritud uuring.” JAMA, 282(16), 1554–1560. PMID 10546695. https://pubmed.ncbi.nlm.nih.gov/10546695/

3. Foster C et al. (2001). “Uus lähenemine treeningu jälgimisele.” 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). “Resistentsuse treenimise sageduse mõju lihaste hüpertroofia mõõtmisele: süstemaatiline ülevaade ja metaanalüüs.” Spordimeditsiin, 46(11), 1689–1697. PMID 27102172. https://pubmed.ncbi.nlm.nih.gov/27102172/

5. Lally P et al. (2010). “Kuidas harjumused kujunevad: harjumuse kujunemise modelleerimine reaalses maailmas.” European Journal of Social Psychology, 40(6), 998–1009. PMID 19586449. https://pubmed.ncbi.nlm.nih.gov/19586449/

6. Schoeppe S et al. (2016). “Toitumise, kehalise aktiivsuse ja istuva käitumise parandamiseks rakendusi kasutavate sekkumiste tõhusus: süstemaatiline ülevaade.” International Journal of Behavioral Nutrition and Physical Activity, 13(1), 127. PMID 27927228. https://pubmed.ncbi.nlm.nih.gov/27927228/

Seotud artiklid

• Puhkepäevad: nutikama taastumise teadus
• Progressiivne ülekoormus kodus: jõusaalivaba juhend
• Kuidas kujundada endale sobivat treenimisharjumust
• Kuidas mängustamine muudab fitnessi