AI személyi edzők: tényleg működnek?

A hagyományos személyi edzős modell rendkívül jól működik azoknak, akik meg tudják fizetni. Egyetlen alkalom egy képesített edzővel egy nagyvárosban 80-200 dollárba is kerülhet, miközben mérhető eredményekhez a bizonyítékokon alapuló ajánlás jellemzően heti két-három edzés. A legtöbb embernél ez egyszerű döntéshez vezet: nem fogad személyi edzőt. Inkább YouTube-rutinokat rak össze, általános programokat követ, amelyeket nem az ő időbeosztására, edzettségi szintjére vagy regenerációs kapacitására terveztek, majd nem érti, miért áll meg a fejlődés hat hét után.

Az AI fitnesz coaching ebbe a résbe lépett be más ígérettel: a hozzáértő edzővel végzett munka személyre szabási előnyeit kínálja a költség töredékéért, igény szerint, akár a nappalidban. Ez valóban vonzó ajánlat, de érdemes alaposan megvizsgálni. Az AI coachingról szóló marketingállítások a reálistól a túlzóig terjednek, és bár a kutatási alap bővül, még fejlődőben van.

Ez a cikk végigveszi, mi is valójában az appal támogatott AI coaching, mit mondanak a lektorált kutatások a hatékonyságáról, hol marad el az emberi felügyelettől, és milyen gyakorlati lépések döntik el, hogy az AI coaching eredményeket hoz-e, vagy csak olyan edzésértesítéseket termel, amelyeket megtanulsz figyelmen kívül hagyni.

Mi valójában az AI személyi edzés?

Az “AI személyi edző” kifejezés olyan széles spektrumot fed le, hogy pontosítás nélkül szinte értelmetlen. A legegyszerűbb végén nem több, mint előre megírt programok könyvtára, amelyet egy kérdőíves illesztőalgoritmus szolgál ki: válaszolsz néhány kérdésre a céljaidról és az edzettségi szintedről, majd kapsz egy sablont. Ez érdemben nem különbözik egy nyomtatott edzésfüzettől. Az “AI” címke itt marketing, nem funkció.

Feljebb lépve a valóban adaptív rendszerek a tényleges teljesítményedet követik az edzések során: milyen gyakorlatokat végzel el, milyen sorozatokat naplózol, milyen nehézségi értékelést adsz. A következő edzéseket ezek alapján igazítják. Ez közelebb áll ahhoz, amit a viselkedéskutatók személyre szabott programozásnak neveznek, mert a program arra reagál, amit ténylegesen csinálsz, nem arra, amit elméletben terveztél.

A kifinomultabb végén egyes platformok központi bemenetként használják az edzésenkénti észlelt terhelés értékelését, vagyis az RPE-t. Dr. Carl Foster és munkatársai (PMID 11357117) fejlesztették és validálták az edzésenkénti RPE-módszert mint gyakorlatias, megbízható eszközt a belső edzésterhelés számszerűsítésére minden mozgásformában. A lényeg: a minden edzés után következetesen rögzített szubjektív erőfeszítés meglepően pontos képet ad a felhalmozódott fáradtságról és edzésstresszről; a külső mutatók, például az edzésidő vagy a lépésszám ezt önmagukban nem tudják megmutatni. Az az AI-rendszer, amely RPE-adatokat gyűjt és ezek alapján cselekszik, minőségileg mást csinál, mint az, amely csak a teljesített ismétléseket számolja.

A generikus YouTube-edzéstől az AI coachingot legjobb esetben a visszacsatolási hurok választja el. A program nem statikus. A gyakoriságot, edzésmennyiséget, gyakorlatválasztást és intenzitást a tényleges reakcióid folyamatos nyilvántartása alapján állítja. Ahogy Dr. Foster 2001-es alapvizsgálata (PMID 11357117) mutatta, az edzésenkénti RPE időbeli követése az edzőknek és az edzői viselkedést modellező algoritmusoknak is rálátást ad a valódi felhalmozott fáradtságra, amit a nyers teljesítménymutatók önmagukban nem fednek fel.

Az American College of Sports Medicine Garber és munkatársai által jegyzett edzésfelírási állásfoglalása (PMID 21694556) ebben egyértelmű: a hatékony edzésprogramozás individualizálást igényel. Hasonló fitneszprofilú emberek is eltérően reagálnak ugyanarra a programra. Az életkor, edzésmúlt, regenerációs kapacitás, stresszterhelés, alvásminőség és sok más változó befolyásolja, hogy egy adott edzésinger hogyan alakul adaptációvá. Az a program, amely ezeket figyelmen kívül hagyja egy mindenkire egyformán illesztett sablon kedvéért, egy elméleti átlagembernek készül, vagyis szinte senkinek.

A személyre szabott programozás tudománya

A személyre szabott programozás értéke sok edző ember számára nem magától értetődő. Ha a guggolás lábat, a fekvőtámasz mellkast épít, miért számít, hogy a program személyre van-e szabva? A válasz egy olyan szóban rejlik, amelyet a fitneszkultúra alulhangsúlyoz: variáció.

Schoenfeld, Ogborn és Krieger 2016-ban szisztematikus áttekintést és metaanalízist publikáltak (PMID 27102172) arról, hogyan hat az edzésgyakoriság az izomhipertrófiára. Elemzésük azonosított valamit, amit a gyakorlati szakemberek régóta láttak, de amit populációs vizsgálatok nehezen számszerűsítettek tisztán: az edzésgyakoriságra adott egyéni válasz jelentősen eltér. Vannak, akik akkor reagálnak jobban izomnövekedéssel, ha egy izomcsoportot hetente háromszor edzenek. Mások ezen a gyakoriságon stagnálnak vagy visszaesnek, és jobban reagálnak heti két alkalomra. A metaanalízis szerint egy izomcsoport heti kétszeri edzése jobb hipertrófiás eredményekkel társult, mint a heti egyszeri, de az adatok azt is mutatták, hogy az összesített eredmények mögött érdemi egyéni variáció húzódik meg.

Pontosan ezt az egyéni variációt kezeli az ACSM 2011-es állásfoglalása (PMID 21694556). Garber és munkatársai olyan keretet adnak az edzésfelíráshoz, amelyben a gyakoriság, intenzitás, időtartam és típus olyan változók, amelyeket az egyénhez kell kalibrálni, nem pedig egységesen kiosztani egy populációban. Az irányelv azt javasolja, hogy látszólag egészséges felnőttek heti 150-300 perc közepes intenzitású aerob mozgást vagy 75-150 perc intenzív aktivitást gyűjtsenek össze, legalább heti két nap izomerősítéssel együtt. De a kulcskifejezés a “látszólag egészséges felnőttek”: még ennek a csoportnak az optimális edzésparaméterei is óriási tartományban mozognak.

Foster és munkatársai RPE-módszere (PMID 11357117) adja a gyakorlati hidat a populációs irányelvek és az egyéni edzésfelírás között. Ha a sportoló az egész edzés észlelt nehézségét értékeli, nem csak egy-egy gyakorlatot, az edző követni tudja, hogy a kumulatív terhelés produktív stresszt okoz-e, vagy a túledzés irányába halad. Olyan ez, mint egy GPS, amely valós idejű forgalom alapján újratervezi az útvonalat, nem pedig a térkép nyomtatásakor érvényes állapotokat követi. A fix edzésprogram papírtérkép: egy adott pillanatban pontos, de vak mindenre, ami azóta változott. Az RPE-visszajelzést használó program folyamatosan újratervez.

A szokáskutatás ezt a képet erősíti. Lally és munkatársai (PMID 19586449) azt találták, hogy a viselkedés nem fix menetrend szerint válik automatikussá, hanem a következetes ismétlés függvényében, és az időtartam nagyon egyéni: 18-254 nap között mozgott egy adott viselkedésnél. Az a program, amely ezen a hosszú ablakon keresztül alkalmazkodik, fenntartja az érdeklődést és sikerélményt ad, szerkezetileg jobb helyzetben van tartós viselkedésváltozás létrehozásához, mint az, amely minden felhasználót ugyanarra az ívre kényszerít.

Mit mutatnak a kontrollált kutatások?

Az appal támogatott fitneszintervenciókról szóló kutatás nem egységesen pozitív, de pozitívabb, mint ahogy a szkeptikusok gyakran feltételezik.

Schoeppe és munkatársai 2016-ban szisztematikus áttekintést publikáltak (PMID 27927228) az étrendet, fizikai aktivitást és ülő viselkedést javító appalapú beavatkozások hatékonyságáról. Az áttekintés 37, beválasztási kritériumoknak megfelelő vizsgálatot elemzett. A 37-ből 32, vagyis nagyjából 86% azt találta, hogy az appalapú beavatkozások legalább egy, fizikai aktivitás előmozdításához kapcsolódó kimenetet javítottak. A szerzők megjegyezték, hogy a több interaktív funkcióval rendelkező appok, például célkitűzés, önmonitorozás és visszajelzés, erősebb hatásokkal társultak. A bizonyítékok arra utalnak, hogy a jól megtervezett digitális coachingeszközök valós populációkban is érdemben mozdíthatják a fizikai aktivitást.

Azt a kérdést, hogy az emberek képesek-e fenntartani az otthoni edzést edzői elszámoltathatóság nélkül, Jakicic és munkatársai vizsgálták egy 1999-es kísérletben (PMID 10546695). 18 hónap alatt az otthoni edzéscsoport résztvevői a felügyelt csoportos edzéshez hasonló adherenciát mutattak. Ez azért fontos, mert a 18 hónapos időtartam messze túlmutat a legtöbb edzésvizsgálat 8-12 hetes ablakán, és azokat a hosszabb távú mintázatokat ragadja meg, amelyek ténylegesen előre jelzik a fitneszeredményeket. A vizsgálat jóval a modern AI coaching előtt készült, de a viselkedési megállapítás ma is érvényes: ha alacsony a súrlódás és világos a struktúra, az otthoni edzés önmagában nem sérülékenyebb a lemorzsolódással szemben, mint a felügyelt edzés.

Jakicic és munkatársai (PMID 10546695) szerint az adherencia a fitneszeredmények elsődleges előrejelzője. A legkifinomultabb program is értéktelen, ha hosszabb távon nem hajtják végre. Lally és munkatársai (PMID 19586449) szokáskutatása pedig azt mutatja, hogy azok a mintázatok, amelyek az edzést automatikussá teszik, hetek-hónapok alatt alakulnak ki, nem az első két-három alkalom alatt, amit sokan “próbaidőszaknak” tekintenek.

Azoknál, akiknek már van edzéstapasztalatuk, értik a jó mozgásmintákat, nincs akut sérüléskockázatuk, és inkább programozásra és progresszióra van szükségük, nem technikai alapoktatásra, a kutatási kép biztató. Az appalapú coaching elég jól működik ahhoz, hogy érdemi javulást hozzon a fizikai aktivitásban, és ezt stabilabban tartja fenn, mint a teljesen önirányított, strukturálatlan edzés.

Hol marad el az AI coaching?

Az őszinteséghez hozzátartozik, hogy kimondjuk, mit nem tud az AI coaching, és a korlátok valósak.

A legfontosabb a mozgásforma. Jelenleg nincs olyan AI coachingrendszer, amely telefonkamerán keresztül, valós időben olyan szinten oldaná meg a mozgásminőség értékelését, amellyel egy képesített erőnléti edző elégedett lenne. A kameraalapú pózbecslés sokat javult, de annak észlelése, hogy mikor jelent sérüléskockázatot egy finom gerinckerekítés vagy mikor kell visszaléptetni egy guggolást térdvalgus miatt, olyan megfigyelési minőséget igényel, amelyet a technológia kontrollált kutatási környezeten kívül még nem ér el megbízhatóan. Kezdőknél, akik még nem tanulták meg a helyes mozgásmintákat, ez érdemi biztonsági rés.

(Ezért a RazFit AI edzői, Orion és Lyssa, az app gyakorlattárán belül vezetik a mozgásmintákat, nem pedig azt a megoldatlan problémát próbálják megoldani, hogy kamerán keresztül valós időben javítsák a technikát. A megközelítés szándékosan konzervatív: a gyakorlat nehézségét a felhasználó bizonyított képességeihez illeszti, nem próbál olyan mozgásminőséget felügyelni, amelyet a rendszer nem tud megbízhatóan megítélni.)

Az AI coaching a pszichés állapotot, az akut betegséget vagy azt az életterhelést sem tudja teljesen figyelembe venni, amely miatt egy adott napon rossz ötlet lenne egy nehéz edzés. Egy emberi edző az első öt percben olvassa a testbeszédedet és ehhez igazít. Egy algoritmus, amely edzésbefejezési adatokból és RPE-bemenetekből dolgozik, szűkebb jelre támaszkodik.

A szokásokhoz való ragaszkodás továbbra is emberi probléma, amelyet a technológia támogathat, de nem old meg helyetted. Lally és munkatársai (PMID 19586449) szerint a szokásképzés átlagosan 66 napig, nehezebb viselkedéseknél akár 254 napig is tarthat. Ezen a biológián egyetlen AI coachingrendszer sem változtat. A technológia adhat emlékeztetőket, jutalmakat és strukturált progressziót, de a fizikai ismétléseknek a való világban kell megtörténniük, olyan napokon is, amikor alacsony a motiváció, és a kanapé közelebb van, mint az edzőhely.

Egyetlen AI coachingplatformot sem validáltak még olyan arany standard randomizált kontrollált vizsgálatban, amely a képesített edzőkkel végzett felügyelt edzés bizonyítékszintjéhez mérhető lenne. Schoeppe és munkatársai (2016, PMID 27927228) szisztematikus áttekintése következetesen pozitív eredményeket talált, de a “pozitív” itt önbevallásos fizikai aktivitási javulást jelent, nem olyan szigorúan kontrollált, vak kimenetmérést, amely a legmagasabb klinikai bizonyítékszintet adná. A kutatási alap valóban biztató; még nem végleges.

Végül az AI coaching a motivált önindítóknál működik a legjobban: azoknál, akik már tudják, miért akarnak edzeni, rendelkeznek alapvető mozgáskompetenciával, és struktúrára meg progresszióra van szükségük, nem alapképzésre. Teljes kezdőknek, különösen korábbi sérüléssel vagy jelentős mozgáskorláttal, az őszinte ajánlás az, hogy legalább két-három alkalmat fektessenek be egy képesített edzővel, mielőtt kizárólag AI-vezérelt programra támaszkodnak. A helyes alapmechanika megtanulása olyan befektetés, amelyet semmilyen személyre szabott algoritmikus finomhangolás nem pótol.

Hogyan teszi okosabbá az autoreguláció az AI coachingot?

Az adaptív AI coachingot a statikus táblázattól az autoreguláció választja el: az a gyakorlat, hogy az edzésváltozókat folyamatos visszajelzés alapján igazítjuk ahhoz, hogyan reagál az egyén ténylegesen.

Dr. Carl Foster edzésenkénti RPE-módszere (PMID 11357117) a modern coaching autoregulációjának gyakorlati alapköve. A módszer arra kéri a sportolót, hogy 0-10-es skálán értékelje az egész edzés észlelt erőfeszítését, nem csak a legnehezebb sorozatot vagy az átlagos gyakorlatot. Ezt az értéket megszorozva az edzés percben mért időtartamával kapunk egy “edzésterhelés” értéket. Ezek időbeli követése képet ad a krónikus terhelésről, az akut terhelésről és ezek arányáról; ezt a jelet tapasztalt edzők arra használják, hogy a teljesítményromlás és sérüléskockázat emelkedése előtt észleljék a túlnyúlást.

Ahogy Dr. Foster megjegyzi (PMID 11357117), ez a szubjektív mérőszám olyan dimenziókat ragad meg az edzésstresszből, amelyeket a külső mutatók teljesen kihagynak. Két 40 perces edzés papíron azonosnak tűnhet, mégis radikálisan más érzés lehet az alvásminőség, tápláltsági állapot vagy az előző hét felhalmozott stressze szerint. Az RPE-adat mindezt automatikusan integrálja, mert a sportoló megélt tapasztalatát rögzíti.

A fix programok erre nem képesek. Az a program, amely ugyanazokat a súlyokat, sorozatokat és intervallumokat írja elő függetlenül attól, hogyan érzed magad, szándékosan vak a napi állapotodra. Jó napon a lehetőségeid alatt edzel. Nehéz napon túlnyúlást kockáztatsz. Elég hosszú idő után az előírás és a kapacitás közötti eltérés a stagnálás és a lemorzsolódás egyik fő hajtóereje.

Az adaptív rendszer, amely edzésről edzésre követi az RPE-t, és ehhez igazítja a következő alkalom nehézségét, közelebb kerül ahhoz, amit egy reagáló emberi edző csinál: emeli a terhelést, ha az edzések a vártnál könnyebbnek érződnek, és csökkenti, ha fáradtság halmozódik fel. Itt releváns a pihenőnapok és regeneráció tudománya: az edzés az adaptációs inger, de maga az adaptáció a regeneráció alatt történik. Az a rendszer, amely nem érzékeli a felhalmozott fáradtságot, a felhasználók egy részét krónikusan alulregenerált állapotba tolja.

Schoenfeld és munkatársai (PMID 27102172) 2016-os metaanalízisében dokumentált egyéni variáció megmutatja, miért számít az automatikusan igazított gyakoriság. Mivel egyesek magasabb edzésgyakoriságon fejlődnek, mások pedig stagnálnak, az a rendszer, amely alapgyakoriságról indul és teljesítményadatok alapján igazít, idővel közelebb kerülhet az egyéni optimumhoz, mint bármely fix menetrend. A hosszú távú adaptációt hajtó progresszív túlterhelési elvek nem pusztán azt követelik meg, hogy idővel nőjön a nehézség, hanem azt is, hogy olyan ütemben nőjön, amelyet az egyén fel tud dolgozni. Ez az ütem a kutatások szerint nagyon változó.

Hogyan hozd ki a legtöbbet az AI-vezérelt edzésből?

A kutatási bizonyítékok több gyakorlati elvre mutatnak azoknak, akik azt szeretnék, hogy az AI-vezérelt coaching tényleges eredményt hozzon, ne csak értesítéseket.

Naplózz őszintén. Az egész adaptív mechanizmus pontos bemeneti adatoktól függ. Ha teljesítettnek jelölsz egy edzést, amelynek felét kihagytad, vagy közepesnek értékeled az erőfeszítést, miközben alig izzadtál meg, elrontod azt a jelet, amelyből a rendszer a jövőbeli edzéseket kalibrálja. Az RPE, energiaszint és edzésbefejezési adat csak annyira hasznos, amennyire pontos. Az alvásminőség és edzésteljesítmény kapcsolata jól ismert; ha az alvást is követed az edzésadatok mellett, az AI-rendszer jobb kontextust kap az olyan erőfeszítésértékelések értelmezéséhez, amelyek nem illenek az előző programozáshoz.

Adj időt az algoritmusnak tanulni. Lally és munkatársai (PMID 19586449) szerint a viselkedési mintázatok kialakulása hetek-hónapok kérdése. Egy AI coachingrendszer, amely két hét edzésadatból dolgozik, vékony mintából következtet. A valódi mintázatfelismeréshez, például az egyéni regenerációs ütem, a gyakoriságváltozásra adott válasz vagy az optimális edzéshossz felismeréséhez legalább négy-hat hét következetes adatra van szükség. Azok, akik két hét után elhagyják a rendszert, mert nem érződik tökéletesen kalibráltnak, pont akkor lépnek ki, amikor az még gyűjti a szükséges információt. A fitnesz megtapadását segítő szokásképzési stratégiák ugyanúgy érvényesek arra is, hogy az AI coaching tényleg működjön.

Kezdőknek érdemes emberi alapot építeniük, mielőtt kizárólag AI-útmutatásra támaszkodnak. Két-három alkalom egy képesített edzővel, kifejezetten a tervezett program mozgásminőségére fókuszálva, jelentősen csökkenti azt a sérüléskockázatot, amely az AI coaching legfontosabb korlátja. Tekints erre úgy, mint a mozgáskompetencia alaprétegének telepítésére, amelyre az AI később épít. Ha az alapminták stabilak, az appalapú programozás biztonságosan adhatja azt a progressziót és struktúrát, amelyet az emberi coaching ára és időbeosztási korlátai sokak számára elérhetetlenné tesznek.

A gamifikációs mechanikákat viselkedési támaszként használd, ne a valódi edzési szándék helyettesítőjeként. A RazFit megközelítése, Orionnal az erőközpontú edzésekhez és Lyssával a kardióhoz, 1-10 perces adaptív edzéseket használ, amelyek teljesítési adatok alapján fokozatosan terhelnek. Így az adaptáció elsődleges hajtóereje a következetesség, nem az abszolút intenzitás. A teljesítményjelvények és szériamechanikák azt az adherenciaproblémát kezelik, amelyet Jakicic és munkatársai (1999, PMID 10546695) a fitneszeredmények fő előrejelzőjeként azonosítottak: nem az a gond, hogy az emberek nem tudják, hogyan kell edzeni, hanem hogy abbahagyják. Ha a struktúra világos, az edzések rövidek és a visszajelzés azonnali, a következetesség elérhetőbbé válik, mint a hosszabb, igényesebb programoknál.

Kombináld az AI coachingot azokkal a gyakorlatokkal, amelyek javítják a jelminőséget: következetes alvás, megfelelő regeneráció és őszinte erőfeszítésértékelések. Egy algoritmus, amely két hónapon át őszinte, következetes adatokból dolgozik, lényegesen személyre szabottabb élményt ad, mint ugyanaz az algoritmus egy hét következetlen bemenet alapján. A minőségi adatba fektetett energia a program minőségébe fektetett energia.

Hivatkozások

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/

Kapcsolódó cikkek

• Pihenőnapok: az okosabb regeneráció tudománya
• Progresszív túlterhelés otthon: konditerem nélküli útmutató
• Hogyan építs tartós fitneszszokást?
• Hogyan alakítja át a gamifikáció a fitneszt?