Osebni trenerji z umetno inteligenco: Ali dejansko delujejo?

Tradicionalni model osebnega trenerja deluje izredno dobro za ljudi, ki si ga lahko privoščijo. Eno srečanje s certificiranim trenerjem v večjem mestu lahko stane od 80 do 200 dolarjev, priporočilo, ki temelji na dokazih, za merljive rezultate pa je običajno dve do tri srečanja na teden. Večino ljudi ta računica vodi do enostavne odločitve: ne najamejo osebnega trenerja. Namesto tega sestavljajo YouTubove rutine, sledijo splošnim programom, ki niso bili zasnovani glede na njihov urnik, stopnjo telesne pripravljenosti ali sposobnost okrevanja, in se sprašujejo, zakaj napredek zastane po šestih tednih.

AI fitnes coaching je stopil v to vrzel z drugačno obljubo: prednosti personalizacije dela z usposobljenim trenerjem, za delček cene, na voljo na zahtevo v vaši dnevni sobi. To je resnično prepričljiv predlog, ki pa si zasluži natančno preučitev. Marketinške trditve o coachingu z umetno inteligenco segajo od razumnih do ekstravagantnih, raziskovalna baza pa se še vedno razvija.

Ta članek obravnava, kaj je coaching, ki temelji na aplikacijah, dejansko, kaj pravijo strokovno pregledani dokazi o njegovi učinkovitosti, kje ne uspeva v primerjavi s človeškim nadzorom in kateri praktični koraki naredijo razliko med coachingom z umetno inteligenco, ki daje rezultate, in tistim, ki preprosto ustvarja obvestila o vadbi. naučiš se ignorirati.

Kaj je osebno usposabljanje z umetno inteligenco pravzaprav?

Besedna zveza “osebni trener z umetno inteligenco” zajema dovolj širok spekter, da je brez pojasnila skoraj brez pomena. Na osnovnem koncu ne opisuje nič drugega kot knjižnico vnaprej napisanih programov, postreženih z algoritmom ujemanja, ki temelji na kvizu: odgovorite na nekaj vprašanj o svojih ciljih in ravni telesne pripravljenosti, prejmite predlogo programa. To se bistveno ne razlikuje od tiskane vadbene knjižice. Oznaka »AI« je trženje, ne funkcionalnost.

Navzgor po spektru resnično prilagodljivi sistemi spremljajo vašo dejansko uspešnost med vadbami (vaje, ki jih opravite, nizi, ki jih zabeležite, ocene težavnosti, ki jih pošljete) in prilagodijo prihodnje vadbe na podlagi teh podatkov. To je bližje temu, kar vedenjski raziskovalci razumejo s prilagojenim programiranjem, ker se program odziva na to, kar dejansko počnete, in ne na to, kar ste teoretično načrtovali.

Na bolj sofisticiranem koncu nekatere platforme kot osrednji vhod uporabljajo oceno zaznanega napora (RPE). Dr. Carl Foster in sodelavci (PMID 11357117) so razvili in potrdili metodo seje RPE kot praktično in zanesljivo orodje za kvantificiranje notranje vadbene obremenitve pri vseh vrstah vadbe. Ključni vpogled je, da subjektivne ocene napora, dosledno zbrane po vsaki vadbi, zagotavljajo izjemno natančno sliko nakopičene utrujenosti in stresa pri treningu; zunanje meritve, kot je trajanje vadbe ali število korakov, tega ne morejo zajeti same. Sistem umetne inteligence, ki zbira in deluje na podatke RPE seje, počne nekaj kvalitativno drugačnega od tistega, ki šteje le opravljene ponovitve.

Inštruiranje z umetno inteligenco se razlikuje od splošne vadbe v YouTubu, v najboljšem primeru pa je povratna zanka. Program ni statičen. Prilagodi frekvenco, obseg, izbiro vadbe in intenzivnost na podlagi tekočega računa vaših dejanskih odzivov. Kot je opazil dr. Foster v svoji temeljni študiji iz leta 2001 (PMID 11357117), sledenje RPE seje v daljšem časovnem obdobju daje trenerjem in algoritmom, ki modelirajo trenersko vedenje, okno v resnično nakopičeno utrujenost, ki je zgolj surove meritve učinkovitosti ne morejo zagotoviti.

Stališče Ameriške fakultete za športno medicino stoji na receptu za vadbo, avtor Garber et al. (PMID 21694556), je v zvezi s tem izrecno: učinkovito programiranje vadbe zahteva individualizacijo. Različni ljudje z navidezno podobnimi fitnes profili se različno odzivajo na isti program. Starost, zgodovina vadbe, zmogljivost okrevanja, obremenitev zaradi stresa, kakovost spanja in na desetine drugih spremenljivk vplivajo na to, kako se določena vadbena spodbuda pretvori v prilagoditev. Program, ki ignorira te spremenljivke v korist predloge ene velikosti za vse, je program, zasnovan za teoretično povprečnega človeka, kar pomeni skoraj nobene dejanske osebe.

Znanost o prilagojenem programiranju

Mnogim vadečim prilagojeno programiranje ni intuitivno. Če počepi gradijo noge, sklece pa prsi, zakaj je pomembno, ali je program prilagojen posamezniku? Odgovor se skriva v besedi, ki jo fitnes kultura premalo poudarja: variacija.

Schoenfeld, Ogborn in Krieger so leta 2016 objavili sistematični pregled in metaanalizo (PMID 27102172), v kateri preučujejo, kako pogostost vadbe vpliva na mišično hipertrofijo. Njihova analiza je odkrila nekaj, kar so praktiki opazovali leta, vendar so se študije na populacijski ravni trudile natančno kvantificirati: individualni odziv na pogostost vadbe se močno razlikuje. Nekateri ljudje kažejo vrhunske hipertrofične odzive, ko vsako mišično skupino trenirajo trikrat na teden. Drugi dosežejo plato ali nazadujejo pri tej pogostosti in se bolje odzivajo na seje dvakrat na teden. Meta-analiza je pokazala, da je bilo treniranje vsake mišične skupine dvakrat na teden povezano z boljšimi hipertrofičnimi rezultati v primerjavi z enkrat na teden, vendar so podatki pokazali tudi pomembne individualne variacije, ki jih skupne ugotovitve ponavadi prikrijejo.

To individualno variacijo obravnava ACSM-jevo stališče iz leta 2011 (PMID 21694556). Garber et al. zagotavljajo okvir za predpisovanje vadbe, ki priznava pogostost, intenzivnost, čas in vrsto kot spremenljivke, ki jih je treba umeriti za posameznika, ne pa enakomerno dodeliti populaciji. Smernice priporočajo, da navidezno zdravi odrasli vsaj dva dni na teden zberejo 150 do 300 minut zmerno intenzivne aerobne vadbe ali 75 do 150 minut intenzivne dejavnosti, poleg dejavnosti za krepitev mišic. Toda operativna besedna zveza je “očitno zdravi odrasli”, populacija, katere optimalni parametri treninga še vedno obsegajo ogromen razpon.

Metoda seje RPE, ki so jo razvili Foster et al. (PMID 11357117) zagotavlja praktičen mehanizem za premostitev vrzeli med smernicami na ravni prebivalstva in predpisovanjem na ravni posameznika. Če prosijo športnike, naj ocenijo svoj zaznani napor za celotno vadbo, ne samo za posamezne vaje, lahko trenerji spremljajo, ali kumulativna obremenitev pri treningu povzroča produktiven stres ali se usmerja k pretiravanju. Zamislite si to kot navigacijski sistem GPS, ki ponovno izračuna vašo pot glede na promet v realnem času in ne glede na razmere, ki so obstajale, ko je bil zemljevid natisnjen. Fiksni program usposabljanja je papirnati zemljevid: točen v eni točki v času, slep za vse, kar se spremeni. Program, ki vključuje povratne informacije RPE seje, neprekinjeno preračunava.

Znanost o navadah to potrjuje. Lally et al. (PMID 19586449) je ugotovil, da vedenje ne postane samodejno po določenem urniku, ampak kot funkcija doslednega ponavljanja skozi čas, in da je časovna premica zelo individualna in sega od 18 do 254 dni za dano vedenje. Program, ki se prilagaja tako, da udeleženca ohranja angažiranost in uspeh skozi to razširjeno okno, je strukturno bolje pozicioniran za ustvarjanje trajne spremembe vedenja kot program, ki predvideva, da bodo vsi uporabniki sledili istemu loku.

Kaj kažejo nadzorovane raziskave

Raziskave o fitnes intervencijah, ki temeljijo na aplikacijah, niso enotno pozitivne, vendar so bolj pozitivne kot običajno skeptiki potrditi.

Schoeppe et al. je leta 2016 objavil sistematični pregled (PMID 27927228), ki preučuje učinkovitost intervencij, ki temeljijo na aplikacijah, za izboljšanje prehrane, telesne dejavnosti in sedečega vedenja. Pregled je analiziral 37 študij, ki izpolnjujejo merila za vključitev. Dvaintrideset od 37 študij, približno 86 %, je pokazalo, da so bile intervencije, ki temeljijo na aplikacijah, učinkovite za izboljšanje vsaj enega rezultata, povezanega s spodbujanjem telesne dejavnosti. Pregled je ugotovil, da so bile aplikacije z več interaktivnimi funkcijami, vključno z orodji za postavljanje ciljev, samonadzorom in mehanizmi povratnih informacij, povezane z močnejšimi učinki. Dokazi kažejo, da lahko digitalna orodja za inštruiranje, če so dobro zasnovana, pomembno spremenijo vedenje pri telesni dejavnosti v resničnem prebivalstvu.

Jakicic in njegovi sodelavci so leta 1999 v poskusu (PMID 10546695) preučevali vprašanje privrženosti, ali lahko ljudje izvajajo domačo vadbo brez odgovornosti trenerja. Več kot 18 mesecev so udeleženci v pogojih domače vadbe pokazali stopnje privrženosti, primerljive s tistimi v nadzorovani skupini. Ta ugotovitev je pomembna, ker 18-mesečno trajanje sega precej dlje od tipičnega 8- do 12-tedenskega okna večine študij vadbe, ki zajema dolgoročnejše vzorce privrženosti, ki dejansko napovedujejo rezultate telesne pripravljenosti. Študija je nastala pred sodobnim inštruiranjem z umetno inteligenco (leto 1999, tehnologija je bila precej enostavnejša), vendar vedenjska ugotovitev drži: ko je trenje nizko in je struktura jasna, domača vadba sama po sebi ni bolj ranljiva za osip kot nadzorovano usposabljanje.

Privrženost, kot Jakicic et al. (PMID 10546695), je glavni napovedovalec rezultatov telesne pripravljenosti. Najbolj sofisticiran program usposabljanja je ničvreden, če se sčasoma dejansko ne izvaja. In raziskava navad Lally et al. (PMID 19586449) kaže, da se vzorci, ki so potrebni, da vadba postane samodejna, običajno pojavijo v tednih ali mesecih, ne v prvih dveh ali treh sejah, ki jih večina ljudi šteje kot svoje “poskusno obdobje.”

Za uporabnike, ki že imajo izkušnje z vadbo (ljudje, ki razumejo dobre vzorce gibanja, nimajo akutnih tveganj za poškodbe in potrebujejo programiranje in napredovanje, ne pa tehničnih navodil), je slika raziskave razumno spodbudna. Inštruiranje, ki temelji na aplikacijah, deluje dovolj dobro, da povzroči pomembne izboljšave pri telesni dejavnosti, in vzdržuje te izboljšave na način, ki ga samousmerjena, nestrukturirana vadba običajno ne.

Kjer coaching z umetno inteligenco primanjkuje

Poštenost zahteva priznanje, česa coaching z umetno inteligenco ne zmore, in omejitve so resnične.

Največ pomembna je oblika. Noben trenutni sistem za treniranje z umetno inteligenco ni rešil ocene kakovosti gibanja v realnem času prek telefonske kamere na ravni, ki bi zadovoljila certificiranega trenerja moči in kondicije. Ocena položaja na podlagi kamere se je znatno izboljšala, vendar zaznavanje subtilne zaokroženosti hrbtenice, ki napoveduje ledveno poškodbo, ali valgusa kolena v počepu, ki bi moral spodbuditi regresijo, zahteva kakovost opazovanja, ki je tehnologija še ni zanesljivo dosegla zunaj nadzorovanih raziskovalnih okolij. Za začetnike, ki se še nikoli niso naučili pravilnih gibalnih vzorcev, je to pomembna varnostna vrzel.

(Zato sta RazFitova AI trenerja Orion in Lyssa zasnovana tako, da vodita gibalne vzorce v knjižnici vadb aplikacije, namesto da bi poskušala rešiti nerešen problem sprotnega popravljanja oblike s kamero. Pristop je po zasnovi konzervativen, saj težavo vadbe usklajuje z prikazanimi zmožnostmi uporabnika, namesto da poskuša za nadzor kakovosti gibanja sistem ne more zanesljivo oceniti.)

AI coaching tudi ne more upoštevati psihološkega stanja, akutne bolezni ali vrste kopičenja življenjskega stresa, zaradi katerega je programirana naporna vadba slaba ideja na določen dan. Človeški trener prebere vašo govorico telesa v prvih petih minutah in se ustrezno prilagodi. Algoritem, ki deluje na podlagi podatkov o zaključku seje in vnosov RPE, deluje na podlagi tanjšega signala.

Privrženost navadam ostaja človeški problem, ki ga tehnologija lahko podpira, vendar ne reši. Lally et al. (PMID 19586449) so ugotovili, da oblikovanje navade v povprečju traja 66 dni, pri zahtevnejšem vedenju pa do 254 dni. Noben sistem treniranja AI ne spremeni te biologije. Tehnologija lahko zagotovi pozive, nagrade in strukturirano napredovanje, vendar se morajo fizične ponovitve še vedno zgoditi v resničnem svetu, v dneh, ko je motivacija nizka in je sedežna garnitura bližje kot talni prostor za vadbo.

Nobena platforma za treniranje z umetno inteligenco še ni bila potrjena v randomiziranem kontroliranem preskušanju zlatega standarda, ki se ujema s kakovostjo dokazov, ki podpirajo nadzorovano usposabljanje s certificiranimi trenerji. Schoeppe et al. (2016, PMID 27927228) sistematični pregled je pokazal dosledno pozitivne rezultate, vendar “pozitivno” v tem kontekstu pomeni izboljšanje telesne dejavnosti, o kateri so poročali sami, ne vrste strogo nadzorovanega, slepega merjenja rezultatov, ki zasluži najvišje ravni kliničnih dokazov. Raziskovalna baza je resnično spodbudna; še ni dokončno.

Nazadnje, coaching z umetno inteligenco najbolje deluje pri motiviranih samozačetnikih: ljudeh, ki že razumejo, zakaj želijo telovaditi, imajo osnovno gibalno sposobnost in potrebujejo strukturo in napredek namesto temeljnih navodil. Za popolne začetnike, zlasti tiste s predhodnimi poškodbami ali znatnimi omejitvami gibanja, je iskreno priporočilo, da investirajo v vsaj dve ali tri seje s certificiranim trenerjem, preden se zanesejo na program, ki ga vodi umetna inteligenca. Ta naložba v pravilno temeljno mehaniko se obrestuje, ki je ne more nadomestiti nobena prilagojena prilagoditev algoritma.

Kako avtoregulacija naredi AI coaching pametnejša

Mehanizem, ki razlikuje prilagodljivo AI coaching od statične preglednice, je avtoregulacija: praksa prilagajanja spremenljivk usposabljanja na podlagi stalnih povratnih informacij o tem, kako je posameznik dejansko odziv.

Dr. Metoda RPE seje Carla Fosterja (PMID 11357117) je praktični temelj avtoregulacije v sodobnem coachingu. Metoda od športnikov zahteva, da ocenijo svoj zaznani napor za celotno vadbo, ne le za najtežjo serijo ali povprečno vajo, na lestvici od 0 do 10. Ta ocena, pomnožena s trajanjem vadbe v minutah, daje vrednost “obremenitve pri treningu”. Sledenje tem vrednostim v daljšem časovnem obdobju ustvari sliko kronične obremenitve (ugotovljena izhodiščna vrednost), akutne obremenitve (nedavne vadbe) in razmerje med njima, signal, ki ga izkušeni trenerji uporabljajo za odkrivanje prekoračitve, preden se zmogljivost zmanjša in tveganje za poškodbe naraste.

Kot ugotavlja dr. Foster (PMID 11357117), ta subjektivna mera zajema razsežnosti vadbenega stresa, ki jih zunanja metrika ne upošteva. v celoti. Dve 40-minutni seji sta lahko videti enaki na papirju, vendar se počutita radikalno različno, odvisno od kakovosti spanja, prehranskega stanja ali nakopičenega stresa v prejšnjem tednu. Podatki RPE samodejno integrirajo vse te dejavnike, ker gre za športnikovo živo izkušnjo vadbe.

Fiksni programi tega ne zmorejo. Program, ki predpisuje enake uteži, enake serije, enake intervale, ne glede na to, kako se počutite, je po zasnovi slep za vaše dejansko stanje na kateri koli dan. Na dober dan trenirate pod potencialom. Na naporen dan tvegate pretiravanje. V dovolj dolgem obdobju je ta neusklajenost med predpisovanjem in zmogljivostjo eden od glavnih dejavnikov stagnacije in morebitnega osipa.

Prilagodljiv sistem, ki sledi seji RPE za sejo in ustrezno prilagodi težavnost naslednje seje, poveča obremenitev, ko se seje zdijo lažje od pričakovane, in jo zmanjša, ko se nabere utrujenost, naredi nekaj bližje temu, kar počne odziven človeški trener. Znanost o dnevih počitka in okrevanju je tu pomembna: spodbuda za prilagoditev je vadba, vendar se dejanska prilagoditev zgodi med okrevanjem. Sistem, ki ne more zaznati nakopičene utrujenosti, bo kronično premalo okreval del svojih uporabnikov.

Individualna variacija, ki so jo dokumentirali Schoenfeld et al. (PMID 27102172) v svoji metaanalizi iz leta 2016 kažejo, zakaj je samodejno prilagojena frekvenca pomembna. Ker nekateri posamezniki uspevajo pri višjih frekvencah vadbe, drugi pa na platoju, se bo sistem, ki začne s privzeto frekvenco in se prilagaja na podlagi podatkov o zmogljivosti, sčasoma približal nečemu, kar je bližje posameznikovemu optimumu, kot ga lahko doseže kateri koli fiksni urnik. Načela progresivne preobremenitve, ki spodbujajo dolgoročno prilagajanje, ne zahtevajo samo naraščajoče težave sčasoma, ampak jo povečujejo s hitrostjo, ki jo posameznik lahko absorbira, in ta stopnja je zelo spremenljiva, kot je razvidno iz raziskave. Inštruiranje, vodeno z umetno inteligenco, za dejansko doseganje rezultatov in ne samo za pošiljanje obvestil.

Iskreno spremljajte seje. Celoten prilagoditveni mehanizem je odvisen od natančnih vhodnih podatkov. Beleženje seje kot dokončane, ko ste jo preskočili polovico, ali ocena truda kot zmernega, ko ste se komaj spotili, pokvari signal, ki ga sistem uporablja za umerjanje prihodnjih sej. Ocene RPE, ravni energije in podatki o zaključku seje so uporabni le toliko, kolikor so točni. Povezava med kakovostjo spanja in uspešnostjo treninga je dobro uveljavljena; sledenje spanju skupaj s podatki o vadbi daje sistemu AI boljši kontekst za razlago ocen napora, ki se zdijo neskladne z nedavnim programiranjem.

Dajte algoritmu dovolj časa za učenje. Lally et al. (PMID 19586449) je ugotovil, da vedenjski vzorci trajajo tedni ali meseci, da se vzpostavijo. Sistem za usposabljanje z umetno inteligenco, ki deluje na podlagi dvotedenskih podatkov o seji, črpa iz tankega vzorca. Smiselno prepoznavanje vzorcev (zaznavanje vaše individualne stopnje okrevanja, odziva na spremembe frekvence, optimalnega trajanja seje) zahteva vsaj štiri do šest tednov doslednih podatkov. Uporabniki, ki po dveh tednih opustijo sistem, ker se ne zdi popolnoma umerjen, ga opustijo ravno takrat, ko še zbira informacije, ki jih potrebuje. Strategije oblikovanja navad, zaradi katerih je palica za telesno pripravljenost uporabna za dejansko delovanje coachinga z umetno inteligenco.

Začetniki bi morali vlagati v človeško osnovo, preden se zanašajo samo na smernice z umetno inteligenco. Dve ali tri seje s certificiranim trenerjem, osredotočene posebej na kakovost gibanja za vaje v vašem načrtovanem programu, dramatično zmanjšajo tveganje za poškodbe, ki je najpomembnejša omejitev treniranja z umetno inteligenco. Razmišljajte o tem kot o namestitvi osnovnega sloja gibalne kompetence, na kateri nato gradi AI. Ko so temeljni vzorci vzpostavljeni, lahko programiranje, ki temelji na aplikacijah, varno zagotovi napredovanje in strukturo, ki bi ju sicer preprečili stroški človeškega treniranja in omejitve urnika.

Uporabite mehaniko igrifikacije kot vedenjski oder, ne kot nadomestilo za pristen namen usposabljanja. RazFitov pristop z Orionom za vadbe, osredotočene na moč, in Lyssa za kardio, uporablja 1–10-minutne prilagodljive seje, ki postopoma povečujejo obremenitev na podlagi podatkov o zaključku, zaradi česar je doslednost primarno gonilo prilagajanja in ne absolutna intenzivnost. Značke za dosežke in mehanika nizov obravnavajo problem adherencije, ki ga Jakicic et al. (1999, PMID 10546695) identificiral kot primarni napovedovalec kondicijskih rezultatov: ne da ljudje ne vedo, kako telovaditi, ampak da s tem prenehajo. Ko je struktura jasna, so seje kratke in povratne informacije takojšnje, postane doslednost dosegljiva na način, ki ga daljši, zahtevnejši programi le redko obdržijo.

Združite usposabljanje z umetno inteligenco s praksami, ki povečujejo kakovost signala: dosledno spanje, ustrezno okrevanje in poštene ocene napora. Algoritem, ki deluje na podlagi poštenih, doslednih podatkov v dveh mesecih, bo ustvaril bistveno bolj individualizirano izkušnjo kot isti algoritem, ki dela na podlagi nedoslednih vnosov v enem tednu. Naložba v kakovostne podatke je naložba v kakovost programa, ki ga ustvari.

Reference

1. Garber CE et al. (2011). “Količina in kakovost vadbe za razvoj in vzdrževanje kardiorespiratorne, mišično-skeletne in nevromotorične kondicije pri navidez zdravih odraslih: smernice za predpisovanje vadbe.” Medicina & Science in Sports & Exercise, 43(7), 1334–1359. PMID 21694556. https://pubmed.ncbi.nlm.nih.gov/21694556/

2. Jakičič JM et al. (1999). “Učinki občasne vadbe in uporabe opreme za domačo vadbo na adherenco, izgubo teže in telesno pripravljenost pri ženskah s prekomerno telesno težo: randomizirano preskušanje.” JAMA, 282(16), 1554–1560. PMID 10546695. https://pubmed.ncbi.nlm.nih.gov/10546695/

3. Foster C et al. (2001). “Nov pristop k spremljanju treninga vadbe.” 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). “Učinki pogostosti vadbe odpornosti na meritve mišične hipertrofije: sistematični pregled in meta-analiza.” Sports Medicine, 46 (11), 1689–1697. PMID 27102172. https://pubmed.ncbi.nlm.nih.gov/27102172/

5. Lally P et al. (2010). “Kako se oblikujejo navade: modeliranje oblikovanja navad v resničnem svetu.” European Journal of Social Psychology, 40(6), 998–1009. PMID 19586449. https://pubmed.ncbi.nlm.nih.gov/19586449/

6. Schoeppe S et al. (2016). “Učinkovitost posegov, ki uporabljajo aplikacije za izboljšanje prehrane, telesne dejavnosti in sedečega vedenja: sistematični pregled.” International Journal of Behavioural Nutrition and Physical Activity, 13(1), 127. PMID 27927228. https://pubmed.ncbi.nlm.nih.gov/27927228/

Sorodni članki

• Dnevi počitka: znanost o pametnejšem okrevanju
• Progresivna preobremenitev doma: vodnik brez telovadnice
• Kako zgraditi fitnes navado, ki se drži
• Kako gamifikacija spremeni fitnes