Zur Hauptnavigation wechseln Zur Suche wechseln Zum Hauptinhalt wechseln

Evalulierung generierter Trainingspläne basierend auf dem Fitness Fatigue Modell

  • Lukas Voggeneder

    Studienabschlussarbeit: Masterarbeit

    Abstract

    Große Sprachmodelle (LLMs) werden zunehmend zur Erstellung von Ausdauertrainingsplänen eingesetzt, doch ihre Fähigkeit, physiologisch fundierte, umsetzbare Empfehlungen zu erstellen, ist noch wenig erforscht. Diese Arbeit bewertet systematisch drei Ansätze zur Planerstellung für ein 12-wöchiges Halbmarathon-Ziel für 20 fiktive Personen, die verschiedene Gruppen in Bezug auf Alter, Fitness und Herzfrequenzprofile repräsentieren. Die Trainingspläne wurden unter Verwendung eines Basis-ChatGPTModells, eines domänenoptimierten customGPT, „EnduranceGPT“, und eines Partikelschwarmoptimierung (PSO)-Ansatzes erstellt. Die Pläne werden mit dem FitnessFatigue-Modell von Morton et al. unter Verwendung des Trainingimpulses (TRIMP) quantifiziert, was vergleichbare Schätzungen der Fitness, Ermüdung und modellierten Leistung im Zeitverlauf ermöglicht. Bei der aggregierten Endleistung erzielt PSO die höchsten modellierten Ergebnisse, gefolgt von EnduranceGPT und mit deutlichem Abstand ChatGPT. Clusteranalysen zeigen wichtige Nuancen: Bei Personen mit geringer Fitness dominiert PSO mit der geringsten Varianz, bei Freizeitsportlern nähert sich EnduranceGPT PSO an, weist jedoch eine höhere Streuung auf, und bei Personen mit hoher Fitness liegt EnduranceGPT im Durchschnitt knapp vorne. PSO hält hohe Belastungen aufrecht, lässt jedoch oft explizite Ruhetage und eine klare Periodisierung vermissen, was zu hohen TRIMP-Werten an aufeinanderfolgenden Tagen führt, die zwar gut modelliert sind, aber Bedenken hinsichtlich der Praktikabilität aufwerfen. EnduranceGPT liefert in der Regel strukturierte Mikrozyklen und eine zweiwöchige Tapering-Phase, was Leistungssteigerungen in der Spätphase unterstützt, obwohl gelegentliche Rampenraten die Best-Practice-Grenzen überschreiten (>20%/Woche). Die ChatGPT-Baseline liefert verständliche Pläne mit klaren Trainingstypen, weist jedoch häufig TRIMP-Fehlberechnungen, eine schwache Progression (oft ≈0% wöchentlich) und eine inkonsistente Ruheverteilung auf. Insgesamt haben LLMs Schwierigkeiten, bei der ersten Generierung brauchbare Ausdauerpläne zu entwerfen, aber eine domänenoptimierte Anreicherung verbessert die Struktur und die modellierten Ergebnisse im Vergleich zu einer generischen Basislinie erheblich. Partikelschwarmoptimierung präsentiert sich jedoch am stärksten in der modellierten Endleistung. Zukünftige Arbeiten sollten die Konditionierung des Fitnessniveaus und die Taper-Kontrolle direkt in PSO integrieren und die modellierte Leistung mit Usability-Metriken koppeln, um die Trainingswirksamkeit in der Praxis besser anzuwenden.
    Datum der Bewilligung2025
    OriginalspracheDeutsch (Österreich)
    Gradverleihende Hochschule
    • FH OÖ
    Betreuer/-inStephan Selinger (Betreuer*in)

    Studiengang

    • Mobile Computing

    Zitieren

    '