AI osobni treneri: što dokazi stvarno pokazuju?

Osobni trener može ponuditi nadzor, tehničku povratnu informaciju i prilagodbu programa, ali redovite sesije mnogima nisu financijski ili vremenski dostupne. Zato dio korisnika bira videozapise, gotove programe ili aplikacije. Ti alati mogu biti korisni, ali oznaka „AI trener” sama po sebi ne govori kako je program napravljen ni koliko se stvarno prilagođava.

Trening uz AI nudi privlačno obećanje: program dostupan na zahtjev koji se mijenja prema podacima korisnika. Marketinške tvrdnje kreću se od razumnog planiranja do obećanja koja postojeći dokazi ne podupiru. Zato treba odvojiti tri stvari: digitalnu dostavu programa, prilagodljivi algoritam i stvarnu umjetnu inteligenciju.

Ovaj članak razdvaja ono što znamo o aplikacijama, autoregulaciji i kućnom treningu od onoga što tek treba dokazati za AI trenere. Cilj nije proglasiti pobjednika između čovjeka i algoritma, nego pomoći vam procijeniti konkretan proizvod.

Što je AI osobni trening zapravo

(PMID 21694556; PMID 10546695; PMID 11708692; PMID 27102172)

Izraz “AI osobni trener” pokriva toliko širok spektar da je gotovo besmislen bez pojašnjenja. Na osnovnoj razini, ne opisuje ništa više od biblioteke unaprijed napisanih programa koji se nude putem algoritma za podudaranje temeljenog na kvizu: odgovorite na nekoliko pitanja o svojim ciljevima i razini kondicije, dobijete predložak programa. To se bitno ne razlikuje od tiskane knjižice s vježbama. Oznaka “AI” tada je marketing, a ne funkcionalnost.

Na sljedećoj razini, istinski prilagodljivi sustavi prate vašu stvarnu izvedbu kroz sesije (vježbe koje ste završili, serije koje bilježite, ocjene težine koje unosite) i prilagođavaju buduće sesije na temelju tih podataka. To je bliže onome što istraživači ponašanja podrazumijevaju pod personaliziranim programiranjem, jer program reagira na ono što zapravo radite, a ne na ono što ste teoretski planirali učiniti.

Neke platforme koriste ocjenu percipiranog napora za cijelu sesiju (sesijski RPE). Foster i suradnici (PMID 11708692) usporedili su tu mjeru s metodom temeljenom na srčanoj frekvenciji tijekom biciklističkog vježbanja i košarke. Mjere su bile dosljedno povezane, iako apsolutne vrijednosti nisu bile jednake. Studija podupire sesijski RPE kao praktičnu procjenu opterećenja; nije ispitivala AI niti predviđanje umora ili ozljede.

Prilagodljivi sustav razlikuje se od običnog videozapisa po povratnoj sprezi. Može promijeniti učestalost, volumen, vježbe ili intenzitet prema onome što ste evidentirali. Koliko je prilagodba kvalitetna ovisi o pravilima sustava, točnosti ulaznih podataka i tome je li njegova odluka transparentna korisniku.

Smjernice Američkog koledža sportske medicine (Garber i sur., PMID 21694556) navode da program treba prilagoditi uobičajenoj aktivnosti, funkciji, zdravlju, reakciji na vježbanje i ciljevima osobe. Aplikacija to može podržati samo ako te podatke stvarno prikuplja i smisleno koristi.

Znanost personaliziranog programiranja

(PMID 11708692; PMID 27102172; DOI 10.1002/ejsp.674; PMID 27927218)

Zašto uopće prilagođavati program ako iste vježbe rade iste mišićne skupine? Zato što se razlikuju ciljevi, trenažno iskustvo, zdravlje, tolerancija opterećenja i raspoloživo vrijeme. Ipak, nije svaka tvrdnja o „personalizaciji” jednako dobro potkrijepljena.

Schoenfeld, Ogborn i Krieger (PMID 27102172) uključili su deset studija o učestalosti treninga otpora. Uz jednak ukupni tjedni volumen, rezultat na razini skupine podupire treniranje mišićne skupine dvaput tjedno umjesto jednom radi hipertrofije. Autori nisu mogli utvrditi je li triput tjedno bolje od dvaput, niti su tom analizom identificirali profile pojedinaca koji napreduju ili nazaduju na određenoj učestalosti.

ACSM-ovo stajalište iz 2011. (PMID 21694556) opisuje učestalost, intenzitet, vrijeme i vrstu kao varijable programa. Za naizgled zdrave odrasle osobe preporučuje najmanje 150 minuta umjerene ili 75 minuta intenzivne aerobne aktivnosti tjedno te trening snage 2–3 dana tjedno. To su polazišta na razini populacije, ne automatski recept za svaku osobu.

Sesijski RPE daje dodatnu informaciju uz trajanje i sadržaj treninga. Ako ista sesija više puta djeluje osjetno teže ili lakše, trener ili aplikacija mogu razmotriti prilagodbu. Sama ocjena ne govori zašto se doživljaj promijenio i ne dijagnosticira pretreniranost.

Lally i suradnici (DOI 10.1002/ejsp.674) pratili su svakodnevna ponašanja 96 volontera. U 39 sudionika za koje se model dobro uklopio medijan procijenjenog vremena do 95 % automatizacije bio je 66 dana, uz raspon 18–254 dana. Studija pokazuje veliku varijabilnost, ali nije ispitivala AI programe niti dokazuje da prilagodljiva aplikacija stvara trajniju naviku.

Što pokazuju kontrolirana istraživanja

(DOI 10.1002/ejsp.674; PMID 27927218; PMID 21694556; PMID 10546695)

Istraživanja intervencija temeljenih na aplikacijama daju mješovitu, ali korisnu sliku. Važno je pritom ne izjednačiti svaku zdravstvenu aplikaciju s AI osobnim trenerom.

Schoeppe i suradnici (PMID 27927218) uključili su 27 studija, od kojih 19 randomiziranih. Među 21 studijom tjelesne aktivnosti, 14 je prijavilo značajno poboljšanje barem jednog ishoda. Autori su ukupne dokaze ocijenili skromnima. Intervencije koje su aplikaciju kombinirale s drugim komponentama češće su pokazale poboljšanje između skupina (8 od 13) nego samostalne aplikacije (5 od 14), ali optimalnu kombinaciju značajki tek treba potvrditi. Većina tih intervencija nije bila AI trening.

Jakicic i suradnici (PMID 10546695) pratili su 148 sjedilačkih žena s prekomjernom težinom u 18-mjesečnom programu mršavljenja. Usporedili su vježbanje u dugim blokovima, kratkim blokovima te kratkim blokovima uz kućnu traku za trčanje. Nije postojala skupina s osobnim trenerom. Skupina s kućnom opremom održala je više vježbanja u mjesecima 13–18 i izgubila više tjelesne mase od skupine s kratkim blokovima bez opreme, dok se kondicija poboljšala u svim skupinama bez razlike među njima. To je dokaz o formatima kućnog vježbanja u specifičnoj populaciji, ne o AI vođenju.

Redovitost ostaje praktično važna: program koji se ne izvodi ne može proizvesti očekivani podražaj. Ipak, ni Jakicic ni Lally nisu uspoređivali AI trenera s ljudskim nadzorom, a njihove rezultate ne treba koristiti kao dokaz takve jednakovrijednosti.

Zaključak je ograničen: neke aplikacijske intervencije poboljšale su barem jedan ishod tjelesne aktivnosti, ali dokazi su skromni i heterogeni. Rezultat ovisi o populaciji, programu, dodatnoj podršci i načinu mjerenja.

Kako čitati tvrdnju da je program „personaliziran”

(PMID 21694556; PMID 11708692; PMID 27102172; PMID 27927218)

Personalizacija nije jedna funkcija. Program može prilagoditi početnu razinu iz kratkog upitnika, mijenjati sljedeću sesiju prema dovršenim ponavljanjima ili koristiti RPE kao dodatni signal. Sve tri verzije mogu se reklamirati istom riječju, iako se njihova sposobnost prilagodbe bitno razlikuje.

Prvo provjerite ulazne podatke. Pita li aplikacija o cilju, trenažnom iskustvu, dostupnoj opremi, ograničenjima i vremenu? Možete li kasnije ispraviti odgovor? Ako je početni profil pogrešan, algoritam koji ga slijedi može dosljedno davati pogrešne preporuke.

Zatim provjerite odluku. Dobar opis treba reći koja se varijabla mijenja: broj serija, ponavljanja, trajanje, učestalost ili izbor vježbe. „AI je optimizirao vaš trening” ne objašnjava što se dogodilo. Korisniku je korisnija konkretna poruka: „Prethodne dvije sesije ocijenili ste težima od planiranog, pa sljedeća ima jednu seriju manje.” Takva poruka omogućuje provjeru logike i ispravak pogrešnog unosa.

Treći je korak granica sustava. Može li aplikacija razlikovati napor mišića od boli u zglobu? Zna li da je korisnik bolestan ako mu to nije prijavljeno? Ako kamera prati samo čučanj iz jednog kuta, ne treba zaključiti da je potvrđena tehnika cijelog programa. Iskreno opisana granica povećava korisnost jer pokazuje kada se treba osloniti na vlastitu procjenu ili stručnu pomoć.

Četvrto, provjerite postoji li način za odbijanje preporuke. Program može predložiti napredovanje, ali korisnik treba moći ostati na istoj razini, zamijeniti vježbu ili prijaviti nelagodu. Prilagodba nije stvarna ako se plan mijenja samo u jednom smjeru i bez mogućnosti povratka.

Peto, odvojite angažman od ishoda. Češće otvaranje aplikacije nije isto što i bolja kondicija, veća snaga ili održiva tjelesna aktivnost. Pregled Schoeppe i suradnika pokazuje da su neki digitalni programi poboljšali barem jedan ishod, ali ukupne dokaze ocjenjuje skromnima. Za tvrdnju o snazi treba mjeriti snagu; za tvrdnju o dugoročnoj aktivnosti treba pratiti aktivnost dovoljno dugo.

Usporedba s ljudskim trenerom nije jednostavan dvoboj

(PMID 27927218; PMID 21694556)

Ljudski trener također može pogriješiti, koristiti gotov predložak ili propustiti važan signal. S druge strane, može postaviti dodatno pitanje, promatrati pokret iz drugog kuta i odmah razumjeti kontekst koji aplikacija nije prikupila. Razlika zato nije „čovjek razumije sve, algoritam ništa”, nego širina informacija i odgovornost za odluku.

AI program ima druge praktične prednosti: dostupan je bez dogovora termina, može dosljedno bilježiti velik broj sesija i brzo primijeniti isto pravilo. To može pomoći korisniku koji već zna izvoditi odabrane vježbe i želi strukturu. Ista dosljednost postaje nedostatak ako je pravilo loše ili se temelji na pogrešnom unosu.

Hibridni pristup može biti razuman kada je potreban pregled tehnike ili zdravstvenog ograničenja, a svakodnevno praćenje može preuzeti aplikacija. To je praktična mogućnost, ne zaključak da je određeni broj stručnih susreta dovoljan za sve. Osoba s novim neurološkim simptomima, jakom boli ili složenim zdravstvenim stanjem treba drugačiji put od zdrave osobe koja traži jednostavan kućni program.

Prije pretplate zato zatražite odgovore na četiri pitanja: koje podatke sustav koristi, što točno prilagođava, kako objašnjava promjenu i kada upućuje korisnika stručnjaku. Ako proizvod ne može odgovoriti, riječ „AI” daje manje informacija od običnog dobro dokumentiranog programa.

Provjerite i što se događa s vašim podacima. Video pokreta, zdravstvena ograničenja, RPE i obrasci aktivnosti mogu biti osjetljiviji od običnog zapisa treninga. Pročitajte obrađuje li se video na uređaju ili šalje poslužitelju, koliko se dugo čuva i možete li ga izbrisati. Dobra preporuka ne opravdava nejasno prikupljanje podataka.

Besplatno probno razdoblje iskoristite za provjeru ponašanja sustava, ne za procjenu fizičkog rezultata u nekoliko dana. Namjerno evidentirajte lakšu i težu sesiju, provjerite objašnjava li aplikacija promjenu te pokušajte zamijeniti neprikladnu vježbu. Tako testirate stvarnu povratnu spregu prije dugoročne obveze.

Ako preporuku ne razumijete, nemojte pretpostaviti da je složenija samo zato što ju je izradio algoritam. Jasno objašnjenje dio je kvalitete proizvoda.

Gdje trening uz AI ima ograničenja

(PMID 21694556; PMID 10546695; PMID 11708692; PMID 27102172)

Ograničenja ovise o tome koje podatke sustav prikuplja i koju odluku pokušava donijeti.

Ovaj članak ne sadrži dokaz da kamera može pouzdano procijeniti sve obrasce, korisnike i uvjete. Prepoznavanje položaja nije isto što i klinička procjena ili predviđanje ozljede. Korisnik zato treba provjeriti za koje je pokrete sustav ispitan i što točno može prijaviti.

AI treneri u aplikaciji RazFit, Orion i Lyssa, vode korisnika kroz vježbe iz biblioteke aplikacije; ne procjenjuju formu u stvarnom vremenu putem kamere. To ograničenje treba shvatiti doslovno: demonstracija vježbe nije zamjena za pregled stručnjaka kada postoji bol, ozljeda ili nejasno ograničenje pokreta.

Sustav može uzeti u obzir samo podatke koje prikuplja. Ne može pouzdano zaključiti neprijavljenu bolest, bol ili životni stres. Ako aplikacija pita samo jeste li završili sesiju i koliki je bio RPE, njezina sljedeća odluka temelji se na uskom skupu signala.

Tehnologija može podržati ponavljanje ponašanja, ali ga ne može obaviti umjesto korisnika. U studiji Lally i suradnika medijan modeliranog vremena bio je 66 dana, uz velik raspon, i to samo u podskupini s dobrim uklapanjem modela. To je opis razvoja automatizacije, a ne biološki rok za naviku vježbanja.

Izvori obrađeni u ovom članku ne uspoređuju AI osobnog trenera s certificiranim nadzorom. Zato ne podupiru tvrdnju da su ta dva pristupa jednakovrijedna.

Početnici te osobe s boli, prethodnom ozljedom ili većim ograničenjem pokreta trebaju razmotriti procjenu kvalificiranog stručnjaka prije samostalnog programa. Ne postoji dokazani univerzalni broj uvodnih sesija; odluka ovisi o stanju, ciljevima i složenosti vježbi.

Kako autoregulacija može poboljšati trening uz AI

(PMID 11708692; PMID 27102172; DOI 10.1002/ejsp.674; PMID 27927218)

Mehanizam koji razlikuje adaptivno AI treniranje od statične proračunske tablice jest autoregulacija: praksa prilagodbe varijabli treninga na temelju stalnih povratnih informacija o tome kako pojedinac zapravo reagira.

Fosterova metoda sesijskog RPE-a (PMID 11708692) traži ocjenu percipiranog napora za cijelu sesiju na ljestvici od 0 do 10. Ocjena pomnožena s trajanjem u minutama daje jednostavnu procjenu opterećenja treninga. Praćenje opisuje trend percipiranog opterećenja, ali samo po sebi ne dijagnosticira pretreniranost niti predviđa ozljedu.

Dvije 40-minutne sesije mogu imati isti vanjski opis, a različit subjektivni napor. RPE može odražavati zajednički utjecaj sna, prehrane, stresa i drugih čimbenika, ali ne utvrđuje koji je od njih uzrok promjene.

Fiksni program ne reagira na tu promjenu. Prilagodljivi program može reagirati, ali samo ako su pravila prilagodbe razumna i ako korisnik podatke unosi dosljedno. To je prednost povratne sprege, ne dokaz boljeg dugoročnog ishoda za svaki algoritam.

Sustav može unaprijed definiranim pravilima smanjiti ili povećati sljedeće opterećenje prema RPE-u. Takva reakcija nalikuje jednom dijelu trenerske odluke, ali ne znači da je sustav otkrio uzrok umora. Dani odmora i oporavak i dalje trebaju biti dio programa.

Uz jednak ukupni tjedni volumen, analiza Schoenfelda i suradnika (PMID 27102172) podupire dvaput tjedno umjesto jednom za hipertrofiju na razini skupine; nije dokazala da algoritam može pronaći individualni optimum. Progresivno preopterećenje zato treba uvoditi postupno i procjenjivati prema izvedbi, toleranciji i cilju, ne samo zato što je aplikacija predložila povećanje.

Kako izvući najviše iz treninga vođenog umjetnom inteligencijom

(DOI 10.1002/ejsp.674; PMID 27927218; PMID 21694556; PMID 10546695)

Iz dostupnih dokaza mogu se izvesti oprezna praktična načela. Ona ne jamče rezultat i ne zamjenjuju procjenu zdravstvenog stručnjaka kada postoji medicinski problem.

Bilježite sesije dosljedno. Ako sustav prilagođava program prema završenim vježbama i RPE-u, netočan unos mijenja signal na kojem radi. Podatke o snu, energiji ili boli unosite samo ako aplikacija objašnjava kako ih koristi i kako ih štiti.

Slijedite razdoblje kalibracije koje navodi konkretna aplikacija i provjerite možete li poništiti neprikladnu preporuku. Studija Lally i suradnika o navikama ne određuje koliko podataka treba AI sustavu. Ako aplikacija ne objašnjava kada i zašto mijenja program, dulje korištenje samo po sebi ne jamči bolju prilagodbu. Strategije stvaranja navike mogu pomoći kontinuitetu, ali nisu potvrda kvalitete algoritma.

Ako ste početnik ili imate bol, prethodnu ozljedu ili ograničenje pokreta, razmotrite početnu procjenu stručnjaka. Broj potrebnih susreta nije univerzalan, a procjena ne može obećati da neće doći do ozljede. Njezin je smisao odabrati prikladne vježbe i razjasniti kada treba stati.

Upotrijebite elemente igre kao pomoć pri praćenju kontinuiteta, ne kao dokaz kvalitete programa. Orion i Lyssa u aplikaciji RazFit nude vođene sesije iz biblioteke vježbi, dok značke i održavanje niza bilježe napredak. Te značajke treba vrednovati prema tome pomažu li vam provesti prikladan program, a ne samo otvoriti aplikaciju.

Na kraju redovito provjerite rezultat: napreduje li izvedba, je li program podnošljiv i razumijete li zašto se mijenja. Dosljedni podaci mogu pomoći sustavu, ali ne popravljaju loš model niti zamjenjuju stručnu procjenu novih simptoma.

Reference

1. Garber CE i sur. (2011). “Količina i kvaliteta vježbe za razvoj i održavanje kardiorespiratorne, mišićno-koštane i neuromotorne kondicije u naizgled zdravih odraslih osoba: smjernice za propisivanje tjelovježbe.” Medicine & Science in Sports & Exercise, 43(7), 1334–1359. PMID 21694556. https://pubmed.ncbi.nlm.nih.gov/21694556/

2. Jakicic JM i sur. (1999). “Učinci povremenog vježbanja i korištenja opreme za kućno vježbanje na pridržavanje, gubitak težine i kondiciju kod žena s prekomjernom težinom: randomizirano ispitivanje.” JAMA, 282(16), 1554–1560. PMID 10546695. https://pubmed.ncbi.nlm.nih.gov/10546695/

3. Foster C i sur. (2001). “A new approach to monitoring exercise training.” Journal of Strength and Conditioning Research, 15(1), 109–115. PMID 11708692. https://pubmed.ncbi.nlm.nih.gov/11708692/

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 i sur. (2010). “How are habits formed: Modelling habit formation in the real world.” European Journal of Social Psychology, 40(6), 998–1009. DOI 10.1002/ejsp.674

6. Schoeppe S i sur. (2016). “Efficacy of interventions that use apps to improve diet, physical activity and sedentary behaviour: a systematic review.” International Journal of Behavioral Nutrition and Physical Activity, 13(1), 127. PMID 27927218. https://pubmed.ncbi.nlm.nih.gov/27927218/

Povezani članci

(PMID 21694556; PMID 10546695; PMID 11708692; PMID 27102172)

• Dani odmora: znanost pametnijeg oporavka
• Progresivno preopterećenje kod kuće: Vodič bez teretane
• Kako izgraditi naviku vježbanja koja će se zadržati
• Kako igrifikacija mijenja fitness