1. 体育与身体活动中的技术和AI应用进展
• 技术进步：近年来，对体育表现的理解以及跟踪人们休闲体育活动和锻炼数据的能力迅速发展。AI研究重点是创建和开发可记录、分类、分析和解释大量数据的软硬件系统，体育领域也在努力提供技术解决方案以提取训练和比赛中的关键数据。
• AI系统实施：需要跨学科团队对数据进行处理，以增强运动员学习、发展和表现准备。新数字工具的应用增强了AI系统的使用，实现了对选择、训练和实践活动的个性化设计。
2. 关键信息与挑战
• 避免技术决定论：体育仍存在不确定性，应避免将新技术视为不可抗拒的力量。同时，要认识到数字技术在体育教育、运动和身体活动中的过度使用风险，需将其整合到提高表现的方法中。
• AI的理论框架需求：竞争体育的不可预测性源于变量众多，AI需要支持来更好地指导表现准备和运动员发展，其实施需要综合理论框架来解释数据。
• 大数据的理解与应用：大数据是技术变革带来的新问题，体育科学家和从业者需有选择地理解数据并进行合理应用，避免数据过多带来的风险以及数据处理过程中失去上下文意义。
3. 生态动力学概念化
• 对大数据的解释：生态动力学框架可支持对运动员行为大数据集的解释，帮助教练和训练员设计更好的实践任务。新技术可提供实时反馈和监测，支持行为适应性。
• 环境知识的驱动：技术实施应促进运动员对环境的了解，AI系统应支持运动员在实践和表现环境中对环境的认知，提供补充教练和运动员互动的数据。
4. 本书的关键信息总结
• 性能分析：从研究者、教练和技术团队以及运动员三个角度强调了性能分析的重要性，讨论了如何处理大数据以及分析体育团队和运动员表现所需的动态模式分析。
• 指标与算法：介绍了通过运动学和生理性能指标描述体育表现的应用，以及AI如何将“低级”指标组合成“高级”指标。还提到了模式识别的研究方向和分类方法，以及用于体育建模和预测的深度学习策略。
5. 未来展望
• 体育领域：新技术在体育中的应用日益受到关注，但需要更多科学证据。COVID - 19疫情凸显了远程教练和运动员支持的机会和需求。要充分发挥数字技术在体育中的潜力，需要理论框架来合理化应用。同时，还探讨了技术发展与教练实践的关系以及普遍教练需求在体育技术创新中的体现。
• 身体活动领域：新兴数字技术为体育活动带来机遇，如AR和VR可远程连接人们，但VR在体育活动中的设计和实施研究有限。通过了解相关技术的障碍并制定策略，可改善老年人的身心健康。为实现数字技术在增强体育活动中的潜力，需要理论框架来确保针对不同人群的有效设计。
▼ 内容来源于本书最后一章第7章
技术、人工智能以及体育和身体活动的未来
引言
本章通过总结主要贡献来结束本书。近年来，对体育表现的理解以及对参与休闲水平体育活动和锻炼的人的数据跟踪能力迅速发展（Couceiro等人，2016）。在共同撰写本书时，我们试图从高水平表现和终身休闲参与的角度理解人工智能如何用于增强和丰富体育和体育活动的参与。本书的各章节研究了人工智能的不同方面，这些方面需要数字技术为任务提供支持——例如教育、教练、教学以及支持体育和体育活动中的学习和表现——这些任务传统上对人类具有挑战性。本书指出了当前人工智能研究的重点是如何创建和开发能够记录、分类、分析和解释大量数据的硬件和软件系统。在体育领域，已经做出了大量努力，以提供一系列不断改进的技术解决方案，旨在提取训练和比赛期间表现的关键方面的数据，包括运动的运动学、集体系统行为以及不同子系统输出的生理数据。
本书的一个重要启示是，人工智能系统的实施和利用阶段需要跨学科组织的专家团队对数据采取行动，以便从人工智能系统提供的增强信息中持续增强运动员的学习、发展和表现准备（Rothwell，Davids，Stone，Araújo和Shuttleworth，2020）。用于记录、分析和跟踪个人表现、进步和健康信息的新数字工具的实施，增强了人工智能系统的使用，以增强（重新）设计选拔、训练和实践活动，前所未有地支持这些过程的个性化。Couceiro等人（2016）在总结体育技术工程进展时指出，这种智能系统如何通过增强以下方面为调节运动员行为提供数据和反馈：
（i）开发创新技术解决方案，以估计可穿戴移动设备在表现环境中的变化位置，通过多边定位技术和无线传播测量支持个体跟踪；
（ii）设计多传感器融合算法，以提供关于个人组织状态（即位置和方向）的实时和容错信息，将无线传播测量与来自附加惯性测量单元的数据相结合；
（iii）在锻炼和训练期间集成生理传感器（例如心率监测器）在可穿戴设备内，用于对活跃个体的表现状态进行非侵入性远程生物信号监测，并设计数据挖掘程序以提高传感单元的数据可靠性；
以及（iv）关于体育表现，基于球员动作、位置和随时间监测的生理数据的软件系统的数学公式，用于在线表现分析和预测。在本章中，我们概述了阅读本文可能突出的关键“要点”。
从一个分析层面来看，一个重要的信息是要警惕技术决定论：将新技术进步视为一种不可改变的主导力量，对个人、组织、社区和社会的功能行为施加不可抗拒和不可避免的变化。尽管投入了大量资金用于寻找规划和预测竞技赛事结果的技术解决方案，但体育仍然存在大量的不确定性。巴西助理国家队教练西尔维尼奥（Sylvinho）的言论体现了这种情绪，他讨论了胜负之间的差距可能极其微小（https://www.theguardian.com/football/2020/aug/03/sylvinho-winning-a-treblewith-barcelona-was-spectacular-arsenal-wenger-guardiola-manager）。在这里，他讨论了包括佩普·瓜迪奥拉（Pep Guardiola）、巴西国家队教练蒂特（Tite）和罗伯托·曼奇尼（Roberto Mancini）在内的一些足球界最伟大的教练如何永远无法保证赢得比赛：“瓜迪奥拉过去总是说：‘小伙子们，我们要做一切，一切，一切，一切。但我不知道我们是否会赢，我不能保证。’蒂特也是一样：他整天……长时间地学习。闭门不出，学习。曼奇尼也是，随着比赛移动。我看到迭戈·西蒙尼（Diego Simeone），一位伟大的教练，输掉了两场欧洲杯决赛。有时候，胜负之间的差别很小。我们通过斯坦福桥的最后一脚射门赢得了三冠王。该死的。呸。你怎么解释呢？”
体育表现分析的未来
此外，重要的是要认识到数字技术在体育教育、体育和体育活动中的迅速普及也存在过度依赖其使用的风险。为了更有效地实施技术，它需要被整合到一种提高表现和丰富运动员和团队发展的方法中（Stone，Straford，North，Toner和Davids，2018）。
人工智能需要对体育和体育活动中的表现、学习和发展进行有力的概念化
竞技体育的不可预测性是因为存在太多可能影响表现的变量，这使得人工智能需要支持以增强其在指导表现准备和运动员发展方面的应用。简而言之，技术可以产生大量的数据，这些数据可用于支持运动员和团队的表现。但其实施需要一个全面的理论框架来解释统计值，并充分利用大量数据集中可用信息的模式和结构（Stone等人，2018）。
生态动力学如何帮助理解人工智能系统的大数据
事实上，本书的各章节表明，过去几年中感受到的大规模技术变革导致了一个新问题：体现在“大数据”这一术语中。一个普遍的假设是，开发收集数据的方法将以显著的方式补充分析方法以提高体育表现，例如调整训练计划或确定竞争对手的表现模式。体育科学家和从业者面临的一个重要挑战是从大量可用信息中有选择地理解哪些数据重要以及如何解释它们，从而在支持训练、表现准备和人才发展系统中合理使用。这是一个需要理解的重要问题，因为在训练、锻炼和表现期间人工智能系统和技术的实施已经成为标准，导致运动员、体育从业者和教练可获得大量信息。事实上，从各种类型的系统分析中收集和获取如此多的数据对科学家和从业者来说是一个真正的机会，因为他们可以获得过去无法获得的新的表现信息。但数据过多也是一种风险，这需要体育科学家使用人工智能技术（例如机器学习和深度学习）进行数据或维度缩减。
同时，数据缩减和数据建模的潜在风险是从业者会失去大型数据集背后的背景意义。这是因为，当模糊数据、降低维度和建模参数时，结果对于教练和体育从业者来说可能极具挑战性和复杂性，难以理解和解释，使得从数据集到干预设计的转换不直接。
人工智能在体育和体育活动中实施所带来的挑战体现在以下问题中：这些数据集对个体运动员的表现、学习和发展意味着什么？这些信息源如何用于帮助个人随着时间的推移提高表现？什么样的运动员和团队表现及发展的理论概念化可以帮助我们理解数据并使用信息使体育中各级表现和专业知识的个人受益？从业者的工作需要以数据为依据，而不是由数据驱动。
本书提出，需要以数据为依据的决策制定来吸引学习者、训练者和运动表现者，而不是数据驱动的方法，这需要一个全面的理论框架来批判性地解释来自大型和复杂数据集的信息，以便在训练前、训练中、训练后以及比赛中丰富运动员的行为。事实上，传感器总是为科学家和从业者提供数据，即使这些数据可能收集得不好，不能很好地反映实践的核心，也许是在脱离背景或不具代表性的训练协议期间收集的，这加剧了数据驱动方法的弱点。
一个关键的论点是，从娱乐到精英水平参与体育、体育活动和锻炼的个人的体验，可以因新技术的实施而得到丰富或贬低。这个问题最初是在将先进数字技术应用于制造生产的研究中探讨的（Jackson和Wall，1991）。对将先进制造技术应用于现有流程制造环境的研究表明，需要一个用于工作设计实施的理论框架，以确保操作人员的表现和福祉。
证据表明，对人类表现行为（包括动机、技能表达和解决问题）的理论理解的重要性，以便操作人员在生产过程中恰当地使用他们的技能，而不是使他们技能退化，以支持在工作组织中采用所谓的“技术至上”心态。
研究结果还表明了工程师、技术专家和操作人员技能培训师之间的协作关系在丰富工作环境方面的潜力（Davids和Wall，1990）。在体育领域，这些想法对于包括教练、培训师、体育科学家、数据科学家、工程师和表现分析师在内的专业支持人员之间的持续合作具有重要意义，他们在一个方法学部门（Rothwell等人，2020）中为不同专业知识水平的体育和体育活动项目中的个人设计学习和训练环境，我们将在本章后面讨论这个问题。
生态动力学概念化的人类行为：对体育中人工智能系统使用的启示
在第1章中，我们讨论了体育科学家、教育者和从业者的生态动力学框架如何支持对从运动员实践和表现行为中收集的大型数据集的解释，这可以帮助教练和培训师设计更好的实践任务，并对体育中的运动员表现进行基于证据的解释。丰富参与体验的目的从根本上说是一个利用技术支持来持续促进个人与体育、锻炼和体育活动环境互动的嵌入过程（Reed，1993；Renshaw等人，1999；Stone等人，2018；Woods，McKeown，Shuttleworth，Davids和Robertson，2019）。生态现实主义的本体论将生态动力学作为理解学习、实践、教育和发展的重要框架，从强调对表现环境的知识进行搜索探索、发现、重新组织、稳定和利用以调节行动的角度来看。新技术可以支持提供实时或短期反馈和监测，这可以帮助调节行动，有利于表现中的行为适应性。
例如，使用微型惯性测量单元可以在表现的生态环境中持续收集数据，使体育从业者能够检测到扰动（表现和/或行为不稳定），从而在运动员中发展灵活性和适应性行为（例如，见Guignard等人，2017b）。
技术实施应推动运动员对环境的了解
第1章对于理解支撑在体育、体育活动和锻炼环境中使用人工智能技术的人类行为的心理学理论的关键概念至关重要。该章概述了这些技术在利用环境的可供性能力的进化和发展中的作用，这对人类生态位中的成功表现至关重要。
根据詹姆斯·吉布森（James Gibson）的观点， 感知是一种基本的认知类型，与这些观点一致，特维（Turvey）和卡雷洛（Carello）（1981）指出，从生态现实主义的本体论角度来看，认知可以被视为个人与表现环境的可供性之间的有意互动的协调。里德（Reed）（1993）优雅地解释了支撑认知的心理过程如何能够支持对环境的了解，描述了感知如何提供这种了解，使生物体（体育表演者）能够意识到在互动过程中存在的事件、对象和重要他人（注意力、感知），曾经存在的（记忆），可能存在的（预期）和应该存在的（预测）。里德（1993）的见解可以被理解为运动员在表现和实践中的行动、感知和认知是“产生知识的过程”（第47页）。在本书的许多章节中，我们已经概述了如何实施人工智能系统以提供增强信息，以支持运动员在与实践和表现环境互动过程中的基于知识的功能。
关于体育表现和实践的知识：人工智能的作用
在最基本的层面上，人工智能提供信息以帮助人们在特定环境中“知道该做什么”，形成他们的意图和目标，作为体育行为中“认知”的基础（Araújo，Hristovski等人，2019）。生态方法的创始人詹姆斯·吉布森（James Gibson）（1979）认为认知是生态的。这是因为环境是要被感知、作用于、认知和在具有特定意图的人之间共享的，这些意图可以体现在表现目标中。认知的生态概念化是积极的、共享的和向外看的，构成了与环境持续互动的基础。在第1章中我们指出，感知是最基本的认知功能，因为它产生表现环境的可供性（行动机会）的知识。在这种观点下，获取关于表现环境的详细和实质性知识是使用人工智能构建运动员表现和发展的优秀基础。在认知的生态动力学原理中，环境是要被运动员感知、作用于和了解的，运动员寻求与关键任务约束（如规则、空间、其他从业者、设备、表面和条件）互动。在这里我们提出人工智能的作用是在表现和实践过程中支持和丰富对环境的认知，提供数据以补充教练和运动员的互动。由新技术提供的人工智能最好在要被运动员和团队感知、作用于和了解的实践和表现环境中实施，这些运动员和团队寻求与关键表现约束互动。使用技能和知识的预期方向是任何运动员对围绕他/她的可供性的感知和使用的基础。
人工智能在体育环境中的一个重要作用是通过支持个体的认知，无论其技能水平和专业知识如何。认知被认为是构建“任何和所有心理过程”（Reed，1993，第46页）在提供环境知识方面可能发挥作用的方式，特别是在与表现环境互动的情境中。这些来自里德（Reed）（1993）的观点表明可供性和个人的意向性是理解认知如何用于理解环境的关键。人们的特定意图对于使用可供性非常重要，在集体群体中这些意图可以被共享或共同感知。意图有助于从众多可供性中选择一个子集，用于支持选定的行动。注意力和行动可以支持这种选择过程。使用技能和环境知识的意向性方向是任何个人对围绕他/她的可供性的使用的基础。当然，这种为实现特定意图选择可供性的过程并不是在真空中发生的。例如，社会文化约束会影响可供性的这种持续选择，构成一种生活形式（Rothwell等人，2020）。
里德（Reed）（1993，第49页）提出：“随着要作用的环境发生变化，发展中的人自己也会发生变化，重新组织他/她的行动系统”。塑造这些互动的约束不仅包括生物物理环境，还包括社会文化和历史约束，它们构成一种不断由家庭、同龄群体、组织、趋势、变化的技术、社会和社区以及教育经历塑造的生活形式。里德（Reed）指出，是可供性的感知和使用可能会变得具有文化偏见，而不是可供性本身。
相反，詹姆斯·吉布森（James Gibson）（1979）认为关于环境的知识更抽象、更具象征性和文化性，与数字、语言、手势交流有关，这些可以帮助重新组织和巩固通过感知获得的知识，这些知识可以以更抽象的形式使用。
人类的理解涉及几种认知模式的不同组合。教练、训练师和体育科学支持人员存在于由关于行动、结果、表现数据、身体子系统的生理影响等事物的知识形成的实践和表现数据的专业组织中，相比之下，运动员居住在表现环境中，更喜欢关于环境的知识以便进行互动。在这种意义上，人工智能系统提供的信息需要由体育从业者翻译，以便运动员在实践和表现过程中使用这些数据，因为两组人有不同的知识来源，因此有不同的视角，知道该做什么。关于人工智能的知识和关于表现的知识的这种联系构成了本书的一个创新关键。
本书各章节的关键信息是什么？
对表现分析的讨论从三个不同的角度强调了体育中表现分析的重要性：
（i）研究者
（ii）教练和技术团队，
（iii）运动员。
它描述了在比赛、训练、实践、恢复和休息期间记录和测量运动员表现和行为的相关性。各章节围绕体育中最近和相关的一个关注点进行了讨论：如何处理大数据。这个讨论将提供一个对最近为提高对大型和复杂数据量的解释而采用的方法的总结，以避免在锻炼、体育活动和体育中重新陷入仅仅对信息进行数据化，从而从传统的量化体育表现的方法转向一种模式驱动的量化，这在后面的章节中进一步描述。
在第2章中，我们讨论了最近基于体育表现中数据的时空、模式化结构的检测的数据分析视角，基于这样的假设：在个体或集体表现环境中的复杂人类行为流具有顺序结构。该章描述了传统量化体育表现的方法在捕捉随着时间推移在体育表现中出现的复杂模式以及在特定约束下的能力的局限性。它概述了为分析体育中竞争对手和队友之间的时空交互模式而采用的新方法，无论这些模式是从个体感知 - 运动系统中出现的，还是从基于时间的事件和其他环境中出现的。该章强调了人工智能研究社区如何开始关注体育表现的环境作为一个重要的领域，用于分析大型数据集中的统计模式，以提高表现准备和发展运动员。主要焦点是开发专门的机器学习算法和分析程序，用于选择个人和设计特定的训练程序，以实现运动员和团队的潜力。后来的章节阐明了对体育团队和运动员表现的分析需要对大型数据集进行动态模式分析。它强调了最近的数据分析视角，专注于体育中数据的时空结构的检测，基于这样的假设：复杂的人类行为流，无论是个体的还是集体的，具有顺序结构。它描述了传统量化体育表现的方法在描述随着时间推移在体育中出现的复杂模式的能力的局限性。它概述了为分析体育中交互的时空模式而采用的新方法，例如运动模式、基于时间的事件和子群体中个人之间的交互。
例如，收集大量数据的一些巨大优势，如 在训练期间用各种类型的传感器（例如GPS、IMU、心率传感器）获取的长时间序列测量值，包括以下几点：
i. 跟踪表现和/或行为动态，而不是进行静态或离散事件分析。因此，人工智能技术使体育从业者能够扫描运动员/团队的整个动作库，以及动态中的非线性和非比例性现象（例如分叉、关键波动、滞后、多稳定性、复杂性指标、熵）（Komar，Seifert和Thouvarecq，2015；Seifert，Button和Davids，2013）。因此，人工智能的一个真正的“增值”是检测、量化和/或限定那些不能通过人类观察感知和评估的现象，但它们存在并且可以揭示专业知识、学习、适应性行为、福祉或伤害风险的重要方面。
ii. 评估和理解个体内部和个体之间的变异来源。事实上，运动和协调变异传统上被认为是一种系统“噪声”，其特征是偏离“专家”技术或模板。最近在人工智能中的高级分析，使用无监督机器学习技术（即，没有任何先验输出以避免人类偏见），强调了变异在体育表现中的功能作用（Seifert和Davids，2012）。
例如，聚类分析方法说明了运动模式协调的个体内部和个体之间的变异如何是功能性的，因为它对应于与一组约束相互作用时的个体适应（Rein，Button，Davids和Summers，2010；游泳方面的一个例子，见Seifert，Komar，Barbosa等人，2014）。
在其他章节中，我们强调了通过围绕运动学和生理性能指标展开讨论来描述体育表现的变量。它研究了这些“低级”表现指标在体育（如足球）中的应用，描述了用于研究体育的运动学和生理需求的各种方法。它描述了将准确可靠的时间 - 运动运动学分析（如球员在场上的位置或他们的身体姿势）与生理指标相结合的代表性，以便更全面地理解运动员的表现。技术进步是进一步研究和增强对运动员表现理解的一个机会窗口。
本书中的材料旨在为设置分析设计提供指南，重点是团队体育，定义任务、程序和相关技术。它强调了使用自动化工具来协助对集体体育中的表现进行行为分析，以在改善个人和集体结果方面产生差异。它解释了如何准备和构建分析运动员表现的方法设置，考虑到前一章中描述的性能指标。提出并比较了几种方法和技术替代方案，并由作者提供了多个案例研究，应用于不同的体育项目。
在所调查的多种技术中，它涵盖了传统相机、智能手机、电视广播跟踪系统、3D深度相机、动作捕捉服（视动相机和惯性测量单元）、智能手表和GPS，以及体育专用设备，支持研究和实践中的设计。有必要继续发现“高级”性能指标或度量，这些指标是在教练、训练师、体育科学家和运动员感兴趣的运动学和生理变量之上计算的。
人工智能使体育从业者能够将“低级”指标组合成“高级”指标，这些指标有助于理解运动协调或通过高级度量（如复杂性、熵、韧性）提供见解，以支持进一步挖掘“低级”指标的含义。例如，周期性活动（如跑步、划船、游泳中的手臂和腿部动作）中的步频或划水频率是“低级”指标，可以帮助解释速度的变化，因为速度是肢体动作（跨步或用手臂拉）的频率和长度的乘积。然而，使用动作捕捉系统进行跟踪使体育从业者能够获得逐周期的数据，这些数据可以通过整个事件/比赛进行建模，以便解释和理解其变异性（游泳速度在50米、100米和200米自由泳比赛分析的一个例子，见Simbaña - Escobar，Hellard和Seifert，2018b；Simbaña - Escobar，Hellard，Pyne和Seifert，2018a）。描述了几种用于捕捉球员表现的度量，并通过算法进行了界定，包括个体度量（如球员轨迹的分数阶系数）、集体度量（如球队的有效比赛区域）和网络相关度量（如微观、中观和宏观网络度量）。每个度量都通过多个例子进行了说明，并讨论了其代表性。这些度量已被用作本书中呈现的模式识别架构的特征。
本书的另一个重要贡献是通过采用多种分类方法（包括支持向量机和多种神经网络方法，如卷积神经网络的快速区域和长短期记忆网络）对体育中当前的模式识别研究方向进行了调查。在本书中，我们分析了这些人工智能方法在个体和集体层面上自主识别动作和表现特征的使用情况，介绍了它们的优缺点、作为代表性特征所需的性能度量以及使用示例。后来的章节还讨论了研究挑战，如运动员的个体特征（特别是在生理水平上）和技术限制，以及剩余的开放研究问题。目的是考虑从个体到集体体育的多个示例，特别强调足球。还面临着对体育进行建模以估计导致运动员成功或失败以及球队输赢比赛的表现特征的问题。然而，行为（运动和运动的协调）分析可能无法反映关键性能结果的分析（如比赛中的得分、跑分或进球），反之亦然。
此外，建模可用于不同的功能，如预测或理解，并可在不同的时间尺度（如一场比赛、一个赛季甚至几个赛季）和不同的分析水平（微观、中观和宏观；Clemente，Martins和Mendes，2016）上进行。为此，它考虑了一些章节中提出的从分类、通过解释到预测的贡献，意图估计对表现环境的运作有高度影响的各种参数，包括运动员的位置、动作和肌肉疲劳。这种方法导致了一种新的体育预测模型的提出，通过该模型，深度学习被用作一种学习策略。此外，我们还描述了本书中提出的几种表现预测方法所固有的局限性。试图呈现当前表现预测方法的含义，并考虑它们可能导致的未来努力，无论是在研究、教育还是培训环境中。
展望未来
在体育领域，新技术和相关系统的可及性和移动性的增加导致了人们对其应用于发展运动员表现的兴趣日益浓厚。然而，尽管有许多体育组织投资于先进的分析系统，但需要更多的科学证据来为其在理解体育表现以及准备和发展未来运动员方面的应用提供信息和支持。
此外，2020 - 2021年的新冠疫情隔离凸显了利用体育数字技术进行远程教练和运动员支持的机会和需求。对于北美和南美、澳大利亚、欧盟、俄罗斯、中国和印度等大规模地理区域来说尤其如此，这些地区的教练、培训师、支持人员和运动员之间往往距离遥远。
同时，发展中的运动员几十年来一直可以使用数字工具进行反馈和学习。仍然不清楚的是针对不同应用的技术的适当使用。此外，在精英水平，体育中机器学习、人工智能的发展和计算机视觉的应用开始为教练和体育从业者创造复杂的反馈和分析水平。这种复杂性产生的原因是，随着技术和算法的发展，数据分析师可以进行实时分析，具备在竞技赛事期间提供快速反馈的能力。因此，人工智能在竞技赛事中经常被使用。为了充分发挥这些数字技术在增强运动员表现和发展体育方面的潜力，需要一个理论框架来合理安排这些系统的应用，以确保学习环境的有效和高效设计。正如Stone和他的同事们（2020）所提出的，生态动力学的关键概念（即生态心理学、动态系统理论、复杂性科学、约束导向实践和代表性学习设计的概念整合）可以为数字技术的设计和应用提供信息，以实现当前和新技术在支持表现准备和运动员发展方面的有效使用。很明显，根据体育项目和学习者的不同，表现的驱动因素也不同（Magill和Anderson，2016）。
令人惊讶的是，运动学习和表现分析尚未以一种结构化的方式结合起来，以理解数字技术如何最好地满足需求。在其他领域，如体育中数据挖掘的使用，研究人员已经创建了考虑将体育需求与适当的分析和数据挖掘方法相匹配的框架（Ofoghi，Zeleznikow，MacMahon和Raab，2013）。
然而，技能获取实践和数字技术之间的联系是缺失的。关于技术，对于体育发展和教练有三个首要问题：
1. 有哪些技术可供教练使用，它们是否与教练提出的重大问题以及运动学习原则相一致？
2. 技术的发展如何推动教练实践的发展，反之亦然？
3. 在体育技术创新的驱动中，普遍的教练需求和兴趣是如何体现的？
围绕这些关键问题进行研究，本书为那些希望了解数字技术在增强体育训练和表现方面使用的人提供信息。体育训练和表现无疑已经被数字技术所增强。教练不仅前所未有地能够获得分析和数据，而且发展中的和有经验的运动员都能获得表现和学习反馈。
在澳大利亚、中国、美洲和欧盟等大型陆地地区，科技为高水平远程教练提供了一个平台。在发展阶段，运动员可以使用各种平台来传播人工智能，如手机应用程序、仪器设备和虚拟现实。
在精英水平，计算机视觉的进步为教练提供了无与伦比的信息深度。此外，然而，技术的适当使用可能会带来挑战，在某些情况下还会出现选择的悖论（Schwartz，2004），其中使用技术的许多选项或方式可能会导致艰难的决策分析和对所选内容的不满。这个项目将试图弥合技术和可用信息与有效使用它们的技能学习原则之间的差距。
然而，本书也强调从业者的支持（发展和准备）工作不应仅仅是“数据驱动”的，而应是“数据知情”的。获取大量的表现和训练数据并不是要取代方法学部门中支持人员的人类决策。相反，数据访问应该被视为有助于支持这些组织中的从业者决策（Couceiro等人，2016；Rothwell等人，2020）。
本书试图理解不同技术（从简单的拍摄和反馈到虚拟现实、计算机视觉和深度学习）对教练和运动员在发展和完善运动——一般和体育特定技能方面的适当应用。在新兴数字技术的快速发展为前沿创新提供了令人兴奋的机会，以解决当代社会层面的问题并改变生活。保持和改善身心健康是全球主要关注的问题，而体育活动（PA）被广泛认为是确保身体、心理和情感健康的决定性因素。向家庭式、室内锻炼的转变是由城市化的增加以及最近全球疫情对户外行动的限制所推动的。
重要的是，证据表明锻炼环境对体育活动的质量有影响（Yeh等人，206）。虽然传统的体育活动干预措施包括实施定期的个人和基于群体的行为改变倡议，这些措施可能成本高昂，但人工智能辅助的新兴数字技术，如增强现实（AR）和虚拟现实（VR）可以远程使用，并连接距离较远的人或行动受限的人。然而，关于如何在体育和体育活动中有效设计和实施VR的实证研究仍然有限（Stone等人，2018）。最近在锻炼环境中实施VR技术的尝试表明，VR的沉浸感可以创造一种愉快和令人愉快的锻炼体验（Jones和Ekkekakis，2019）。创造吸引人且令人愉快的锻炼体验对于长期坚持锻炼至关重要。通过有意义地与新兴数字技术的潜在用户互动，不仅了解他们面临的障碍，而且了解旨在减少这些障碍的策略类型，虚拟现实等技术的内容和设计可能会更有效。因此，内容设计的协同设计方法是必不可少的，并将指导有组织的体育活动计划。
综上所述，通过新兴数字技术丰富体育活动提供了大量机会，可以获得新技能、在锻炼者之间建立社区、创造激励环境，并最终改变生活。因此，本书的一个关键预期结果是 通过首先理解与这些技术相关的障碍，然后制定策略来克服这些障碍，以改善老年人的身体、心理和情感健康，来研究新兴数字技术在丰富体育活动中的作用。定期体育活动的好处被广泛认可，但如何让更多人达到每周推荐的体育活动量仍然是一个挑战。
全球的体育活动目标相似（例如，英国和澳大利亚建议每周进行150分钟的中等强度活动，或75分钟的高强度活动，以及两次强化活动），但英国和澳大利亚的体育活动不活跃率分别为33%和55%。由于英国和澳大利亚人口老龄化，老年人体育活动不活跃的问题对社会的影响将比年轻人更为直接。因此，英国政府的工业战略中描述了老龄化人口面临的挑战，并呼吁采用新技术来解决这些挑战。
老年人（50 - 64岁）在年龄上是同质的，但在参与锻炼方面面临不同的障碍。挑战在于理解限制人们参与锻炼的障碍背后的核心问题，并使用新兴数字技术共同创造有效的内容和策略来帮助解决这些障碍。例如，在澳大利亚，身体距离是锻炼的一个障碍，与其他人互动也不容易，而在英国，前往锻炼设施的时间是一个障碍。创建适合老年人的数字内容以促进社会互动，可能会解决这两个锻炼障碍背后的潜在问题，同时促进社会支持，社会支持是激励和参与锻炼的强大动力。
此外，力量训练往往是“被遗忘”的体育活动建议，通过数字平台适当开发的内容可以帮助老年人通过参与体育活动和游戏来保持力量。玩耍在所有年龄都很重要，也可以帮助老年人保持运动能力，以便安全地参与强化锻炼，减少虚弱。为了实现数字技术在增强体育活动中的全部潜力，需要一个理论框架来合理安排这些系统的应用，以确保针对该人群的有效和高效设计。
Davids，Araújo和Brymer（2016）讨论了生态动力学的理论框架，特别是可供性（行动机会）这一关键概念如何可用于调节环境互动，为（重新）设计体育活动和锻炼环境提供基础。通过在特定环境中操纵任务约束，我们可以共同创造可供性，以帮助不同人群在调节其活动时获得他们所需的东西。将可供性设计到体育活动环境中可以“推动”个人朝着特定结果发展。随着它们的出现，行为可以支撑每个个体在特定环境中的结构（身体调节、敏捷性、灵活性和力量）和功能（认知、情感和疲劳减少）需求。例如，锻炼的乐趣被认为是锻炼的一个激励因素，但缺乏锻炼的乐趣是一个障碍。参与式数字技术（头戴式显示器）已被证明可以增加锻炼期间的快乐（Jones和Ekkekakis，2019），但还需要进一步研究来为老年人开发合适的内容。
因此，未来研究的一个关键目标是与不活跃的老年人互动，了解他们面临的锻炼障碍，并获取关于如何实施新兴数字技术来解决这些障碍的知识。
作者介绍：郭佰鑫（Max）
作者Max，一位大三的应用心理学本科生，社交自媒体平台专注于输出体育科技以及体育科学相关内容，期待未来有能力的基础下能加入更多基于人工智能的体育分析与科技。有其他科研合作的欢迎您的联系。
邮箱：gbx1220max@gmail.com 我的联系方式（微信）： MaxGBX Linkedin领英：Baixin Guo 自媒体视频制作//公众号文章代做/翻译/AI智能体&工作流（大语言模型）搭建/科研&推文绘图/PPT制作也欢迎您的联系！ 期待您的合作！ ▼ 麻烦您带一下备注！
