Ваши GPS-часы и другие гаджеты отлично подходят для описания тренировок, но назначить их - сложнее.
Главный вопрос, с которым борются спортивные ученые в наши дни, заключается в следующем: что, черт возьми, мы собираемся делать со всеми этими данными? В спорте на выносливость мы перешли от пульсометров и GPS-часов к сложному биомеханическому анализу, внутреннему уровню кислорода и непрерывным измерениям глюкозы, которые отображаются на вашем запястье, а затем автоматически загружаются на ваш компьютер. Командные виды спорта претерпели аналогичную техническую революцию. Полученные данные интересны и многочисленны, но действительно ли они полезны?
Новая статья в Международном журнале спортивной физиологии и производительности посвящена этому вопросу и представляет интересную основу для размышлений, взятую из литературы по бизнес-аналитике. Документ написан Кобе Хаутмейерсом и Арне Ясперсом из KU Leuven в Бельгии, а также Педро Фигейредо из Футбольной школы Португалии Португальской федерации футбола.
Вот их четырехэтапная структура для анализа данных, представленная в порядке возрастания сложности и повышения ценности для спортсмена или тренера:
- Описательный: Что случилось?
- Диагностика: Почему так случилось?
- Прогнозирующий: Что случится?
- Предписывающий: Как нам этого добиться?
Каждый этап основан на предыдущем, а это означает, что описательный уровень является основой для всего остального. Достаточно ли хороших данных? Я почти уверен, что современные GPS-часы могут точно описать, как далеко и как быстро я пробежал на тренировке, что позволяет мне перейти к следующему этапу и попытаться определить, была ли хорошая или плохая гонка результатом слишком долгих тренировок. слишком мало, слишком сложно, слишком легко и так далее. Напротив, данные о частоте пульса, которые я получаю от наручных датчиков на спортивных часах, являются полнейшим мусором (что подтверждается путем сравнения с данными с нагрудных ремней). Мне потребовалось время, чтобы осознать это, и любое понимание, которое я извлек из этих ошибочных данных, очевидно, было бы бессмысленным и, возможно, разрушительным для моего обучения.
Сложнее делать прогнозы (особенно, как говорится, на будущее). Ученые, занимающиеся различными видами спорта, пытались использовать машинное обучение для анализа больших наборов данных о тренировках, чтобы предсказать, кто подвергается высокому риску получения травмы. Например, в исследовании, опубликованном ранее в этом году исследователями из Университета Гронингена в Нидерландах, были включены данные о семи годах тренировок и травмах, полученные от 74 соревнующихся бегунов, в алгоритм, который анализировал риск на основе либо предыдущих семи дней бега (с десятью параметрами). на каждый день, например, общее расстояние в разных тренировочных зонах, воспринимаемое напряжение и продолжительность кросс-тренинга) или за предыдущие три недели (с 22 параметрами в неделю). Получившаяся модель, как и аналогичные модели в других видах спорта, была значительно лучше, чем подбрасывание монеты при прогнозировании травм, но еще не достаточно хороша, чтобы принимать решения о тренировках.
Предписательная аналитика, святой Грааль для ученых в области спорта, еще более труднодостижима. Простым примером, не требующим каких-либо сложных вычислений, является вариабельность сердечного ритма (ВСР), косвенная мера стресса и статуса восстановления, которая (как я обсуждал в статье 2018 года) была предложена в качестве ежедневного руководства для принятия решения о тренировках. сложно или легко. Несмотря на то, что физиология имеет смысл, я скептически относился к делегированию важнейших тренировочных решений алгоритму. Однако, по мнению Хаутмайерса и его коллег, это ошибочный выбор. Предписывающая аналитика предоставляет «системы поддержки принятия решений»: алгоритм не заменяет коуча, а дает ему или ей другую точку зрения, не отягощенную неизбежными когнитивными предубеждениями, влияющими на принятие решений людьми.
Интересно, что Марко Алтини, один из лидеров в разработке подходов к обучению с использованием ВСР, несколько недель назад опубликовал ветку в Твиттере, в которой размышлял о том, что изменилось в этой области со времени моей статьи 2018 года. Среди выводов: улучшилась измерительная технология, а также появились знания о том, как и когда ее использовать для получения наиболее надежных данных. Это ключ к описательному использованию. Но даже хорошие данные не гарантируют хороших рекомендаций. По словам Алтини, в исследованиях тренировок под контролем ВСР (подобных этому) отошли от корректировки планов тренировок, основанных на капризах утреннего чтения, вместо этого они полагались на долгосрочные тенденции, такие как усреднение за семь дней. Даже с этими оговорками я все равно буду рассматривать ВСР как источник поддержки принятия решений, а не как лицо, принимающее решения.
Одна из причин, по которой мне понравилась статья Хаутмейерса, заключается в том, что я потратил много времени на размышления об этих проблемах во время моего недавнего эксперимента с непрерывным мониторингом глюкозы. Четырехэтапная структура помогает прояснить мои мысли. Понятно, что CGM предлагают отличные описательные данные; и, я думаю, приложив некоторые усилия, вы также сможете получить хорошие диагностические данные. Но коммерческое предложение, как и следовало ожидать, явно сосредоточено на предсказательных и предписывающих обещаниях: подсказывает, что и когда есть, чтобы добиться максимальной производительности и восстановления. Может быть, это возможно, но я еще не уверен.
На самом деле, если есть одно простое сообщение, которое я вынес из этой статьи, так это то, что описание и диагноз - это не то же самое, что прогноз и рецепт. Последнее не следует автоматически из первого. Поскольку наборы данных становятся все больше и качественнее, кажется неизбежным, что мы в конечном итоге достигнем точки, когда алгоритмы машинного обучения смогут улавливать закономерности и взаимодействия, которые могут пропустить даже очень опытные тренеры. Но это большой скачок, и данные сами по себе - даже «большие» данные - не помогут нам в этом.