Die Belastungs- und Erholungssteuerung ist ein zentraler Aspekt des Trainings. Mit der aktuellen beschleunigten Weiterentwicklung der Künstlichen Intelligenz (KI) eröffnen sich neue Möglichkeiten, diese Prozesse zu optimieren.
Jetzt dem fM WhatsApp-Kanal folgen!
Insbesondere Chatbots und Autoregulations-KI bieten innovative Ansätze, um Trainierende gezielt zu unterstützen und ihre Leistungsfähigkeit zu steigern. Eine effektive Steuerung von Belastung und Erholung ist entscheidend für die Leistungsentwicklung und das Verletzungsmanagement.
Traditionell werden diese Aspekte durch subjektive Einschätzungen, basierend auf wissenschaftlichen Fachkenntnissen, und manuelle Datenerhebung gesteuert. Moderne Technologien, wie Chatbots oder andere KI-Systeme, ermöglichen jedoch eine präzisere und individuellere Steuerung.
Chatbots als Werkzeug im Sport
Chatbots sind text- oder sprachbasierte Systeme, die durch natürliche Sprachverarbeitung mit Nutzerinnen und Nutzern interagieren können. Sie bieten personalisierte Unterstützung und können Informationen schnell und effizient bereitstellen.
Chatbots sind grundsätzlich nichts anderes als interaktive automatische Telefonansagen, da sie vom Grundsatz her gleich aufgebaut sind und auch ähnlich funktionieren. Entscheidungsbäume aus vordefinierten Regeln führen die Benutzenden durch eine Art Gespräch und im Optimalfall zur gewünschten Information, ohne dass dabei Mitarbeitende der Kundenhotline Zeit investieren oder sich ein Kunde durch ein Sammelwerk an FAQs (Frequently Asked Questions) arbeiten muss.
Chatbots zeichnen sich jedoch im Gegensatz zu traditionellen interaktiven Telefonansagen durch außergewöhnliche Konversationsfähigkeiten und umfassendes fachübergreifendes Wissen aus, auch wenn die Korrektheit und Validität in den meisten Fällen kritisch hinterfragt werden sollte.
Ziel einer Studie war es sogar, die Vorteile und Herausforderungen des Einsatzes von Chatbots in der Sportrehabilitation zu evaluieren (McBee et al., 2023). Hier übernahm ein Chatbot gleichzeitig die Rolle des Moderators und der Diskussionsteilnehmer in einer simulierten Podiumsdiskussion, zu denen ein Physiotherapeut, ein Psychologe, ein Ernährungswissenschaftler, ein KI-Experte und ein Sportler gehörten.
Die Forschenden nahmen schließlich die Rolle des Publikums ein, das dem Podium Fragen stellte. Die Diskussionsteilnehmenden waren sich einig, dass Chatbots das menschliche Gesundheitspersonal im Rehabilitationsprozess nicht ersetzen, sondern unterstützen sollen.
Verpassen Sie keine Fitness-NEWS mehr!
FOLGEN Sie uns bei WhatsApp, Facebook, LinkedIn & Instagram
Dieses Beispiel zeigt, wie man Chatbots trotz ihrer Mängel verwenden könnte: nämlich nicht zur Beantwortung von Fragen, sondern eher zur Diskussion und Inspiration.
Die aktuelle Lage in der Gesundheitsversorgung betrifft auch verletzte Sportlerinnen und Sportler, die eine Behandlung benötigen. Darüber hinaus beeinflusst sie Studierende, die eine Ausbildung zum Athletiktrainer anstreben, da diese Ausbildung auf die spezialisierte Behandlung verletzter Sportlerinnen und Sportler ausgerichtet ist.
Diese werden möglicherweise durch fehlende Facharzttermine nicht schnell genug untersucht und medizinisch versorgt, was dazu führen kann, dass sich ihre Verletzungen verschlimmern.
Ziel einer Studie aus 2021 war es, einen Rahmen für eine mobile Anwendung mit einem Chatbot zu schaffen, der die notwendigen Informationen von verletzten Sportlern, die medizinische Hilfe benötigen, sammelt und eine Kontaktsuche durchführt (Aminnuddin et al., 2021).
Sportlerinnen und Sportler sowie deren Trainerinnen und Trainer interagierten mit einem Chatbot, der die Verletzungen bewertete, sodass ein geeigneter Rehabilitationsplan über die mobile Anwendung bereitgestellt werden konnte.
Autoregulations-KI zur Steuerung von Belastung und Erholung
KI-Systeme zur Autoregulation analysieren im Gegensatz zu Chatbots kontinuierlich physiologische und leistungsbezogene Daten, um Trainingsempfehlungen in Echtzeit anzupassen. Diese sind vom Konzept her zwar immer noch eine Schnittstelle zwischen Mensch und Computer, verwenden aber ein anderes Mittel der Informationsübertragung.
Benutzende führen hier kein Gespräch mit dem Computersystem im klassischen Sinn einer Kommunikation. Das System stellt die Daten und Empfehlungen in einer für Menschen lesbaren Form dar, wie zum Beispiel mithilfe von Diagrammen oder Tabellen in einem Dashboard auf einer Website oder in einer mobilen Smartphone-App.
Über den Autor
Der Leiter des Fachbereichs Informatik an der Deutschen Hochschule für Prävention und Gesundheitsmanagement (DHfPG) promovierte 2019 an der Universität des Saarlandes zum Thema „Measuring User Experience for Virtual Reality“.
Von 2014 bis 2019 war er wissenschaftlicher Mitarbeiter und Doktorand am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) und dort im Ubiquitous Media Technologies Lab (UMTL) und Innovative Retail Laboratory (IRL) tätig.
Mehr von diesem Autor
Weitere Fachartikel dieses Autors lesen Sie, indem Sie auf eines der nachstehenden Bilder klicken.
Durch die Nutzung von Sensordaten, wie Herzfrequenz, Schlafmuster und Muskelaktivität, kann eine Autoregulations- KI die Trainingsintensität und -dauer anpassen, indem der Trainerin oder dem Trainer oder den Trainierenden selbst Maßnahmen empfohlen werden, die bei bestimmten Mustern mit hoher Wahrscheinlichkeit zum Erfolg führen.
Diese kontinuierliche Anpassung kann dabei helfen, Übertraining zu vermeiden und die optimale Erholungszeit zu bestimmen (Moniri et al., 2020). Schon 2017 haben Lundstrom, Foreman und Biltz aktuelle Praktiken und Anwendungen der Analyse der Herzfrequenzvariabilität bei Ausdauersportlern während des Trainings sowie nach dem Training beschrieben.Auf Basis dieser Daten konnten sie physiologische Prognosen und Leistungsvorhersagen aufstellen.
Hörtipp: fM Podcast 'Fitness im Ohr' – 'Zukunft mit KI'
Um den klinischen Wert der Schlafüberwachung durch Wearables besser zu verstehen, haben Forschende im Jahr 2018 eine Literaturrecherche durchgeführt, einschließlich Machbarkeitsstudien und klinischer Studien zu diesem Thema (Guillodo et al., 2018).
Es konnte gezeigt werden, dass Wearables akzeptable und vielversprechende Überwachungsinstrumente für ein breites Spektrum von klinischen Anwendungen zur Schlafüberwachung sind. Da „guter“ Schlaf bei der Erholung eine große Rolle spielt, kann eine KI-unterstützte Schlafüberwachung so einen Beitrag für ein besseres Trainingsergebnis leisten.
Herausforderungen von Autoregulations-KI im Sport
Ein klares Manko von Autoregulations-KI-Systemen ist jedoch, dass die KI nur so gut funktionieren kann wie die vordefinierten Regeln, Muster und die Qualität der Messdaten. Es ist wichtig, zu betonen, dass eine KI nicht in der Lage ist, zu erkennen, ob eine Maßnahme tatsächlich funktioniert oder nicht.
Sie kann lediglich Empfehlungen verknüpft mit Wahrscheinlichkeiten anbieten. Die Entscheidung liegt beim Menschen, dessen Bauchgefühl und Intuition neben dem Fachwissen und der Erfahrung eine immer noch wichtige Rolle spielt. Zudem sind Datenschutz und Datensicherheit entscheidende Herausforderungen beim Einsatz von KI beim Training bzw. im Sport.
Das Sammeln von Daten über die Leistung, den Schlaf und die Bewegungen von Trainierenden kann invasiv sein, und diese sind möglicherweise besorgt darüber, wie ihre Daten verwendet und weitergegeben werden.
Transparenz über die Verwendung der Daten, ehrliche Kommunikation zwischen Sportler und Trainerin bzw. Trainer sowie ethische Leitlinien sind daher ebenso wichtig wie die Datenqualität und Datenreinheit.
KI als Unterstützung und nicht als Ersatz
Chatbots sind nicht dazu gedacht, als Ersatz für Trainerinnen und Trainer zu fungieren. Während sie wertvolle Unterstützung bieten können, indem sie Informationen bereitstellen, Fragen beantworten und administrative Aufgaben erleichtern, fehlt ihnen die menschliche Intuition und das Einfühlungsvermögen, das für effektives Coaching unerlässlich ist. Trainerinnen und Trainer können die emotionalen und motivationalen Aspekte des Trainings anpassen, individuelle Bedürfnisse erkennen und eine persönliche Verbindung zu den Sportlerinnen und Sportlern aufbauen.
Diese menschlichen Fähigkeiten sind entscheidend für die Entwicklung und das Wohlbefinden der Sportlerinnen und Sportler und können von einem Chatbot nicht vollständig nachgebildet werden.
Zudem können Trainerinnen und Trainer auf unerwartete Situationen flexibel reagieren und ihre Methoden an die spezifischen Gegebenheiten anpassen, was ein Chatbot aufgrund seiner programmierten Natur nicht leisten kann. Ein Chatbot ist immer nur so gut, wie die Informationen und Regeln, mit denen ihn der Mensch füttert.
Fazit
Die Kombination von Chatbots und Autoregulations-KI kann eine umfassende Betreuung bieten. Während der Chatbot häufig eher als unterstützender Motivator fungiert, sorgt die Autoregulations-KI als Assistenzsystem für eine wissenschaftlich fundierte Anpassung des Trainingsplans.
Die Implementierung von KI beim Training stellt auch Herausforderungen dar, insbesondere im Bereich der Ethik, des Datenschutzes und der Datensicherheit. Es bedarf auch nach über 40 Jahren KI-Forschung immer noch weiterer wissenschaftlicher Untersuchungen, um die Technologien zu verfeinern und ihre Akzeptanz bei Trainierenden und Trainern zu erhöhen.
Auszug aus der Literaturliste
Aminuddin, R., Noor, M.H., Ilias, N.F. & Wahab, N. (2021). Framework for a mobile application with a chatbot to self-report injuries and carry out contact tracing for athletes and sports trainers. 2021 IEEE Symposium on Industrial Electronics & Applications (ISIEA), 1–6.
Guillodo, E., Lemey, C., Simmonet, M., Ropars, J. & Berrouiguet, S. (2018). Sleep monitoring and wearables : a systematic review of clinical trials and future applications (Preprint).
Lundstrom, C.J., Foreman, N.A. & Biltz, G.R. (2022). Practices and Applications of Heart Rate Variability Monitoring in Endurance Athletes. International Journal of Sports Medicine, 44, 9–19.
McBee, J.C., Han, D.Y., Liu, L., Ma, L., Adjeroh, D., Xu, D. et al. (2023). Interdisciplinary Inquiry via PanelGPT: Application to Explore Chatbot Application in Sports Rehabilitation. medRxiv.
Moniri, A., Terracina, D., Rodriguez-Manzano, J., Strutton, P.H. & Georgiou, P. (2020). Real-Time Forecasting of sEMG Features for Trunk Muscle Fatigue Using Machine Learning. IEEE Transactions on Biomedical Engineering, 68, 718–727.
Für eine vollständige Literaturliste kontaktieren Sie bitte marketing@dhfpg-bsa.de.
Diesen Artikel können Sie folgendermaßen zitieren:
Speicher, M. (2024). Mit Chatbots und Autoregulations-KI zum Ziel? fitness MANAGEMENT international, 5 (175), 96–98.
