دوره 11، شماره 4 - ( 12-1404 )
جلد 11 شماره 4 صفحات 409-392 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mukta F T J, Rickta J F, Arafat M Y. AI-Guided vs. Traditional Training in Adolescent Soccer Players: Effects on Performance and Injury Risk. J Sport Biomech 2026; 11 (4) :392-409
URL: http://biomechanics.iauh.ac.ir/article-1-423-fa.html
URL: http://biomechanics.iauh.ac.ir/article-1-423-fa.html
موکتا فاطمه توس جهوره، ریکتا جنت الفردوس، عرفات محمدیاسر. تمرینات هدایت‌شده با هوش مصنوعی در مقایسه با تمرینات سنتی در بازیکنان نوجوان فوتبال: اثرات بر عملکرد و خطر آسیب‌دیدگی. مجله بیومکانیک ورزشی. 1404; 11 (4) :392-409
1- گروه تربیت‌بدنی و علوم ورزشی، دانشگاه علوم و فناوری جسور، بنگلادش.
2- دفتر تربیت‌بدنی، دانشگاه مهندسی و فناوری چیتاگونگ، بنگلادش.
2- دفتر تربیت‌بدنی، دانشگاه مهندسی و فناوری چیتاگونگ، بنگلادش.
متن کامل [PDF 1626 kb]
(99 دریافت)
| چکیده (HTML) (377 مشاهده)
متن کامل: (135 مشاهده)
مقدمه
آسیب‌های ورزشی یک موضوع نگران‌کننده محسوب می‌شوند، زیرا عملکرد ورزشی و آسیب‌دیدگی ارتباط مستقیم با یکدیگر دارند. آسیب‌ها می‌توانند توانایی ورزشکار را در اجرای عملکرد مطلوب کاهش دهند و در مقابل، عملکرد ضعیف نیز ممکن است خطر آسیب‌دیدگی را افزایش دهد (1). آسیب‌ها معمولاً منجر به از دست رفتن جلسات تمرینی و مسابقات می‌شوند و در نتیجه میزان حضور و مشارکت کلی ورزشکار را کاهش می‌دهند (2). علاوه بر این، آسیب‌ها پیامدهای فیزیولوژیکی و روان‌شناختی مانند اضطراب، ترس از آسیب مجدد و کاهش انگیزه ایجاد می‌کنند که وضعیت ذهنی، حرکت، قدرت و استقامت ورزشکار را تحت تأثیر قرار داده و در نهایت توانایی او را برای اجرای مهارت‌ها و عملکرد مطلوب کاهش می‌دهند (3–4). ورزشکارانی که با تقاضای عملکرد بالا و سابقه فشار تمرینی شدید مواجه‌اند، به دلیل بارگذاری تکراری، الگوهای حرکتی ضعیف و دردهای مرتبط با ناکارآمدی عملکرد، بیشتر در معرض آسیب‌های ناشی از استفاده بیش از حد قرار دارند (7-5).
رشته‌های ورزشی پرفشار مانند والیبال، هندبال، فوتبال و بسکتبال از شایع‌ترین عوامل آسیب‌های ناشی از استفاده بیش از حد، ضعف در کنترل حرکتی و کاهش عملکرد در ورزشکاران نوجوان هستند، به‌ویژه زمانی که برنامه‌های تمرینی شخصی‌سازی نشده باشند (8–9). اگرچه روش‌های تمرینی سنتی گروه‌محور برای ورزشکاران جوان مزایایی دارند، اما ممکن است تفاوت‌ها یا عدم تقارن‌های بیومکانیکی و عصبی‌عضلانی را نادیده بگیرند (10–11). این عدم تقارن‌ها شامل تفاوت در قدرت، توان یا الگوهای حرکتی بین سمت چپ و راست بدن یا بین گروه‌های عضلانی مختلف هستند (12). بنابراین، ادغام تمرینات هدفمند عصبی‌عضلانی در کنار روش‌های سنتی برای بهینه‌سازی رشد ورزشی و پیشگیری از آسیب‌ها در ورزشکاران جوان ضروری است (9). شناسایی و اصلاح این عدم تقارن‌ها می‌تواند باعث بهبود عملکرد در رشته‌های مختلف، کاهش آسیب‌دیدگی‌ها و توسعه الگوهای حرکتی متعادل‌تر و کارآمدتر شود (12).
در عصر مدرن، هوش مصنوعی (AI) به همان اندازه که در سایر جنبه‌های زندگی انسان نقش دارد، در ورزش نیز دخالت روزافزون پیدا کرده است. هوش مصنوعی در حال متحول کردن تمرینات ورزشی است و امکان طراحی برنامه‌های کاملاً شخصی‌سازی‌شده را بر اساس حجم گسترده‌ای از داده‌های ورزشکاران فراهم می‌سازد. داده‌های دریافتی از حسگرهای پوشیدنی، تحلیل حرکت و سوابق عملکردی با الگوریتم‌های AI تحلیل می‌شوند تا برنامه‌های تمرینی متناسب طراحی شوند، عملکرد بهینه گردد و خطر آسیب‌ها کاهش یابد (13–14). رویکردهای مبتنی بر AI با بهره‌گیری از این داده‌ها، برنامه‌های تمرینی شخصی‌سازی‌شده ایجاد می‌کنند (15). سیستم‌های هدایت‌شده با AI قادرند داده‌های لحظه‌ای ورزشکار را تحلیل کرده و بازخورد فوری و تنظیمات لازم را در برنامه‌های تمرینی ارائه دهند تا خطر آسیب به حداقل برسد و عملکرد بهینه شود (17-16). روش‌های سنتی تمرین در ورزش جوانان اغلب بر برنامه‌های کلی گروهی متکی‌اند تا بر ویژگی‌های فردی، و این رویکردها ممکن است تفاوت‌های بیومکانیکی، کنترل عصبی‌عضلانی و مراحل رشد ورزشکاران را نادیده بگیرند (12،18). چنین رویکرد یکسانی می‌تواند در رفع عدم تقارن‌ها، ناهماهنگی‌ها یا نیازهای خاص ناکام بماند و در نتیجه محدودیت در پیشرفت عملکرد و افزایش خطر آسیب‌های ناشی از استفاده بیش از حد ایجاد کند (8). اصل تفاوت‌های فردی تأکید می‌کند که هر ورزشکار به دلیل عواملی مانند ژنتیک، سرعت رشد، تجربه قبلی و بلوغ جسمانی، به‌طور منحصر به‌فرد به تمرین پاسخ می‌دهد (9). بنابراین، برنامه‌های تمرینی شخصی‌سازی‌شده که این ویژگی‌ها را در نظر بگیرند برای بهبود نتایج عملکردی و کاهش خطر آسیب در جمعیت نوجوانان ضروری هستند (18، 10).
اگرچه از هوش مصنوعی در ورزش‌های نخبه برای تمرین و تحلیل عملکرد به‌طور روزافزون استفاده می‌شود، اما پژوهش‌هایی که به‌طور خاص اثربخشی آن را در جمعیت جوانان بررسی کرده باشند، محدود است. با وجود گسترش استفاده از ابزارهای مبتنی بر AI، کاربرد و بررسی این فناوری‌ها در ورزشکاران نوجوان هنوز نسبتاً کمتر مورد مطالعه قرار گرفته است. یک شکاف پژوهشی در این زمینه وجود دارد که آیا سیستم‌های هدایت‌شده با AI واقعاً مزایای ملموسی نسبت به روش‌های تمرینی سنتی برای ورزشکاران نوجوان در رشته‌های تیمی مختلف فراهم می‌کنند یا خیر. فوتبال یک ورزش پرفشار و چندجهتی است که نیازمند سرعت، چابکی، توان پرش و کیفیت حرکت عملکردی بالاست. بنابراین، مطالعه حاضر به‌طور خاص بر روی بازیکنان نوجوان فوتبال متمرکز شد (19). با توجه به شیوع بالای آسیب‌های ناشی از استفاده بیش از حد و آسیب‌های حاد در فوتبال نوجوانان، این جمعیت به‌ویژه برای ارزیابی اثربخشی مداخلات تمرینی مبتنی بر هوش مصنوعی مناسب است. با تمرکز بر ورزشکاران فوتبال نوجوان، این پژوهش قصد دارد شکاف مهمی در ادبیات علمی در زمینه به‌کارگیری تمرینات شخصی‌سازی‌شده و داده‌محور در ورزشی که عملکرد و خطر آسیب ارتباط نزدیکی دارند، پر کند. بر اساس ادبیات موجود و طرح پیشنهادی، فرضیه پژوهش حاضر این است که ورزشکاران تحت هدایت AI بهبود بیشتری در نمرات FMS، سرعت دو، چابکی و ارتفاع پرش کانترموومنت نسبت به ورزشکاران گروه تمرین سنتی نشان خواهند داد.
روش شناسی
شرکت‌کنندگان
در این مطالعه از یک توالی تصادفی‌سازی تولیدشده توسط رایانه (تصادفی‌سازی ساده) در یک بازه ۱۲ هفته‌ای استفاده شد تا اثر یک برنامه تمرینی شخصی‌سازی‌شده مبتنی بر هوش مصنوعی با تمرینات سنتی بر بروز آسیب‌دیدگی و شاخص‌های عملکردی در ورزشکاران نوجوان مقایسه شود. در ابتدا شاخص‌های کلیدی عملکرد و سابقه آسیب در ورزشکاران نوجوان ارزیابی شد. برای پنهان‌سازی تخصیص، یک پژوهشگر مستقل پاکت‌های مات و دربسته آماده کرد تا ورزشکاران به گروه‌ها تخصیص داده شوند و بدین ترتیب سوگیری انتخاب به حداقل برسد.
پیش از شروع مطالعه، برای تعیین حجم نمونه موردنیاز یک تحلیل توان آماری با نرم‌افزار G*Power 3.1 انجام شد. با در نظر گرفتن اندازه اثر بزرگ (8/0 = Cohen’s d)، سطح معناداری 05/0 و توان آماری 80/0 برای آزمون t مستقل، حداقل تعداد ۲۶ نفر برای هر گروه برآورد شد. به منظور پیشگیری از کاهش تعداد نمونه‌ها در اثر ریزش احتمالی، برای هر گروه ۳۰ شرکت‌کننده انتخاب گردید و در مجموع ۶۰ ورزشکار در پژوهش حضور یافتند. تمامی شرکت‌کنندگان ساکن آکادمی فوتبال بودند؛ جایی که تمرینات ورزشی به‌طور روزانه در طول سال برگزار می‌شود. ورزشکاران در بازه سنی ۱۴ تا ۱۷ سال قرار داشتند، در خوابگاه آکادمی زندگی می‌کردند و سبک زندگی مشابهی داشتند. شرایط ورود به مطالعه شامل داشتن حداقل دو سال سابقه تمرین فوتبال، حضور در لیگ‌های رقابتی نوجوانان و نداشتن آسیب‌دیدگی طی سه ماه گذشته بود. ورزشکارانی که دارای بیماری‌های مزمن محدودکننده فعالیت، اختلالات اسکلتی‌عضلانی موجود یا استفاده از سیستم‌های شخصی پایش عملکرد بودند، از مطالعه کنار گذاشته شدند. همچنین، پیش از گردآوری داده‌ها، رضایت‌نامه آگاهانه از تمامی ورزشکاران و والدین آنان اخذ شد و تأییدیه اخلاقی نیز از کمیته اخلاق مؤسسه نویسنده اول دریافت گردید.
روش جمع‌آوری داده‌ها
ورزشکاران گروه تمرین هدایت‌شده با هوش مصنوعی (گروه آزمایش) یک برنامه تمرینی شخصی‌سازی‌شده را دنبال کردند که توسط نرم‌افزار مبتنی بر هوش مصنوعی طراحی شده بود و تحلیل‌های یادگیری ماشین و داده‌های حسگرهای پوشیدنی را به کار می‌گرفت. این سیستم، بار تمرینی هفتگی، تمرینات حرکتی، تمرینات قدرتی، و زمان‌بندی ریکاوری را بر اساس تغییرپذیری ضربان قلب، بازخورد لحظه‌ای حرکت، شاخص خستگی و امتیاز آزمون غربالگری حرکات عملکردی (FMS) تنظیم می‌کرد (جدول ۱). گروه هوش مصنوعی طی ۱۲ هفته، سه جلسه تمرینی در هفته انجام دادند (هر جلسه ۶۰ تا ۷۵ دقیقه). ساختار هر جلسه شامل: گرم‌کردن (۱۰–۱۵ دقیقه)، تمرینات قدرتی و آمادگی جسمانی (۲۵–۳۰ دقیقه)، تمرینات چابکی و سرعت (۱۵–۲۰ دقیقه) و در پایان ریکاوری و تمرینات انعطاف‌پذیری (۱۰ دقیقه) بود. در همین زمان، گروه تمرین سنتی (گروه کنترل) نیز با همان تعداد جلسات (سه جلسه در هفته) تمرین کردند و برنامه تمرینی آن‌ها توسط مربیان تأییدشده ارائه شد. این برنامه شامل گرم‌کردن عمومی و اختصاصی، تمرینات چابکی و سرعت، تمرینات قدرتی و تمرینات پلیومتریک بود که مطابق با استانداردهای رایج رشته فوتبال طراحی شده بود.
آسیب‌های ورزشی یک موضوع نگران‌کننده محسوب می‌شوند، زیرا عملکرد ورزشی و آسیب‌دیدگی ارتباط مستقیم با یکدیگر دارند. آسیب‌ها می‌توانند توانایی ورزشکار را در اجرای عملکرد مطلوب کاهش دهند و در مقابل، عملکرد ضعیف نیز ممکن است خطر آسیب‌دیدگی را افزایش دهد (1). آسیب‌ها معمولاً منجر به از دست رفتن جلسات تمرینی و مسابقات می‌شوند و در نتیجه میزان حضور و مشارکت کلی ورزشکار را کاهش می‌دهند (2). علاوه بر این، آسیب‌ها پیامدهای فیزیولوژیکی و روان‌شناختی مانند اضطراب، ترس از آسیب مجدد و کاهش انگیزه ایجاد می‌کنند که وضعیت ذهنی، حرکت، قدرت و استقامت ورزشکار را تحت تأثیر قرار داده و در نهایت توانایی او را برای اجرای مهارت‌ها و عملکرد مطلوب کاهش می‌دهند (3–4). ورزشکارانی که با تقاضای عملکرد بالا و سابقه فشار تمرینی شدید مواجه‌اند، به دلیل بارگذاری تکراری، الگوهای حرکتی ضعیف و دردهای مرتبط با ناکارآمدی عملکرد، بیشتر در معرض آسیب‌های ناشی از استفاده بیش از حد قرار دارند (7-5).
رشته‌های ورزشی پرفشار مانند والیبال، هندبال، فوتبال و بسکتبال از شایع‌ترین عوامل آسیب‌های ناشی از استفاده بیش از حد، ضعف در کنترل حرکتی و کاهش عملکرد در ورزشکاران نوجوان هستند، به‌ویژه زمانی که برنامه‌های تمرینی شخصی‌سازی نشده باشند (8–9). اگرچه روش‌های تمرینی سنتی گروه‌محور برای ورزشکاران جوان مزایایی دارند، اما ممکن است تفاوت‌ها یا عدم تقارن‌های بیومکانیکی و عصبی‌عضلانی را نادیده بگیرند (10–11). این عدم تقارن‌ها شامل تفاوت در قدرت، توان یا الگوهای حرکتی بین سمت چپ و راست بدن یا بین گروه‌های عضلانی مختلف هستند (12). بنابراین، ادغام تمرینات هدفمند عصبی‌عضلانی در کنار روش‌های سنتی برای بهینه‌سازی رشد ورزشی و پیشگیری از آسیب‌ها در ورزشکاران جوان ضروری است (9). شناسایی و اصلاح این عدم تقارن‌ها می‌تواند باعث بهبود عملکرد در رشته‌های مختلف، کاهش آسیب‌دیدگی‌ها و توسعه الگوهای حرکتی متعادل‌تر و کارآمدتر شود (12).
در عصر مدرن، هوش مصنوعی (AI) به همان اندازه که در سایر جنبه‌های زندگی انسان نقش دارد، در ورزش نیز دخالت روزافزون پیدا کرده است. هوش مصنوعی در حال متحول کردن تمرینات ورزشی است و امکان طراحی برنامه‌های کاملاً شخصی‌سازی‌شده را بر اساس حجم گسترده‌ای از داده‌های ورزشکاران فراهم می‌سازد. داده‌های دریافتی از حسگرهای پوشیدنی، تحلیل حرکت و سوابق عملکردی با الگوریتم‌های AI تحلیل می‌شوند تا برنامه‌های تمرینی متناسب طراحی شوند، عملکرد بهینه گردد و خطر آسیب‌ها کاهش یابد (13–14). رویکردهای مبتنی بر AI با بهره‌گیری از این داده‌ها، برنامه‌های تمرینی شخصی‌سازی‌شده ایجاد می‌کنند (15). سیستم‌های هدایت‌شده با AI قادرند داده‌های لحظه‌ای ورزشکار را تحلیل کرده و بازخورد فوری و تنظیمات لازم را در برنامه‌های تمرینی ارائه دهند تا خطر آسیب به حداقل برسد و عملکرد بهینه شود (17-16). روش‌های سنتی تمرین در ورزش جوانان اغلب بر برنامه‌های کلی گروهی متکی‌اند تا بر ویژگی‌های فردی، و این رویکردها ممکن است تفاوت‌های بیومکانیکی، کنترل عصبی‌عضلانی و مراحل رشد ورزشکاران را نادیده بگیرند (12،18). چنین رویکرد یکسانی می‌تواند در رفع عدم تقارن‌ها، ناهماهنگی‌ها یا نیازهای خاص ناکام بماند و در نتیجه محدودیت در پیشرفت عملکرد و افزایش خطر آسیب‌های ناشی از استفاده بیش از حد ایجاد کند (8). اصل تفاوت‌های فردی تأکید می‌کند که هر ورزشکار به دلیل عواملی مانند ژنتیک، سرعت رشد، تجربه قبلی و بلوغ جسمانی، به‌طور منحصر به‌فرد به تمرین پاسخ می‌دهد (9). بنابراین، برنامه‌های تمرینی شخصی‌سازی‌شده که این ویژگی‌ها را در نظر بگیرند برای بهبود نتایج عملکردی و کاهش خطر آسیب در جمعیت نوجوانان ضروری هستند (18، 10).
اگرچه از هوش مصنوعی در ورزش‌های نخبه برای تمرین و تحلیل عملکرد به‌طور روزافزون استفاده می‌شود، اما پژوهش‌هایی که به‌طور خاص اثربخشی آن را در جمعیت جوانان بررسی کرده باشند، محدود است. با وجود گسترش استفاده از ابزارهای مبتنی بر AI، کاربرد و بررسی این فناوری‌ها در ورزشکاران نوجوان هنوز نسبتاً کمتر مورد مطالعه قرار گرفته است. یک شکاف پژوهشی در این زمینه وجود دارد که آیا سیستم‌های هدایت‌شده با AI واقعاً مزایای ملموسی نسبت به روش‌های تمرینی سنتی برای ورزشکاران نوجوان در رشته‌های تیمی مختلف فراهم می‌کنند یا خیر. فوتبال یک ورزش پرفشار و چندجهتی است که نیازمند سرعت، چابکی، توان پرش و کیفیت حرکت عملکردی بالاست. بنابراین، مطالعه حاضر به‌طور خاص بر روی بازیکنان نوجوان فوتبال متمرکز شد (19). با توجه به شیوع بالای آسیب‌های ناشی از استفاده بیش از حد و آسیب‌های حاد در فوتبال نوجوانان، این جمعیت به‌ویژه برای ارزیابی اثربخشی مداخلات تمرینی مبتنی بر هوش مصنوعی مناسب است. با تمرکز بر ورزشکاران فوتبال نوجوان، این پژوهش قصد دارد شکاف مهمی در ادبیات علمی در زمینه به‌کارگیری تمرینات شخصی‌سازی‌شده و داده‌محور در ورزشی که عملکرد و خطر آسیب ارتباط نزدیکی دارند، پر کند. بر اساس ادبیات موجود و طرح پیشنهادی، فرضیه پژوهش حاضر این است که ورزشکاران تحت هدایت AI بهبود بیشتری در نمرات FMS، سرعت دو، چابکی و ارتفاع پرش کانترموومنت نسبت به ورزشکاران گروه تمرین سنتی نشان خواهند داد.
روش شناسی
شرکت‌کنندگان
در این مطالعه از یک توالی تصادفی‌سازی تولیدشده توسط رایانه (تصادفی‌سازی ساده) در یک بازه ۱۲ هفته‌ای استفاده شد تا اثر یک برنامه تمرینی شخصی‌سازی‌شده مبتنی بر هوش مصنوعی با تمرینات سنتی بر بروز آسیب‌دیدگی و شاخص‌های عملکردی در ورزشکاران نوجوان مقایسه شود. در ابتدا شاخص‌های کلیدی عملکرد و سابقه آسیب در ورزشکاران نوجوان ارزیابی شد. برای پنهان‌سازی تخصیص، یک پژوهشگر مستقل پاکت‌های مات و دربسته آماده کرد تا ورزشکاران به گروه‌ها تخصیص داده شوند و بدین ترتیب سوگیری انتخاب به حداقل برسد.
پیش از شروع مطالعه، برای تعیین حجم نمونه موردنیاز یک تحلیل توان آماری با نرم‌افزار G*Power 3.1 انجام شد. با در نظر گرفتن اندازه اثر بزرگ (8/0 = Cohen’s d)، سطح معناداری 05/0 و توان آماری 80/0 برای آزمون t مستقل، حداقل تعداد ۲۶ نفر برای هر گروه برآورد شد. به منظور پیشگیری از کاهش تعداد نمونه‌ها در اثر ریزش احتمالی، برای هر گروه ۳۰ شرکت‌کننده انتخاب گردید و در مجموع ۶۰ ورزشکار در پژوهش حضور یافتند. تمامی شرکت‌کنندگان ساکن آکادمی فوتبال بودند؛ جایی که تمرینات ورزشی به‌طور روزانه در طول سال برگزار می‌شود. ورزشکاران در بازه سنی ۱۴ تا ۱۷ سال قرار داشتند، در خوابگاه آکادمی زندگی می‌کردند و سبک زندگی مشابهی داشتند. شرایط ورود به مطالعه شامل داشتن حداقل دو سال سابقه تمرین فوتبال، حضور در لیگ‌های رقابتی نوجوانان و نداشتن آسیب‌دیدگی طی سه ماه گذشته بود. ورزشکارانی که دارای بیماری‌های مزمن محدودکننده فعالیت، اختلالات اسکلتی‌عضلانی موجود یا استفاده از سیستم‌های شخصی پایش عملکرد بودند، از مطالعه کنار گذاشته شدند. همچنین، پیش از گردآوری داده‌ها، رضایت‌نامه آگاهانه از تمامی ورزشکاران و والدین آنان اخذ شد و تأییدیه اخلاقی نیز از کمیته اخلاق مؤسسه نویسنده اول دریافت گردید.
روش جمع‌آوری داده‌ها
ورزشکاران گروه تمرین هدایت‌شده با هوش مصنوعی (گروه آزمایش) یک برنامه تمرینی شخصی‌سازی‌شده را دنبال کردند که توسط نرم‌افزار مبتنی بر هوش مصنوعی طراحی شده بود و تحلیل‌های یادگیری ماشین و داده‌های حسگرهای پوشیدنی را به کار می‌گرفت. این سیستم، بار تمرینی هفتگی، تمرینات حرکتی، تمرینات قدرتی، و زمان‌بندی ریکاوری را بر اساس تغییرپذیری ضربان قلب، بازخورد لحظه‌ای حرکت، شاخص خستگی و امتیاز آزمون غربالگری حرکات عملکردی (FMS) تنظیم می‌کرد (جدول ۱). گروه هوش مصنوعی طی ۱۲ هفته، سه جلسه تمرینی در هفته انجام دادند (هر جلسه ۶۰ تا ۷۵ دقیقه). ساختار هر جلسه شامل: گرم‌کردن (۱۰–۱۵ دقیقه)، تمرینات قدرتی و آمادگی جسمانی (۲۵–۳۰ دقیقه)، تمرینات چابکی و سرعت (۱۵–۲۰ دقیقه) و در پایان ریکاوری و تمرینات انعطاف‌پذیری (۱۰ دقیقه) بود. در همین زمان، گروه تمرین سنتی (گروه کنترل) نیز با همان تعداد جلسات (سه جلسه در هفته) تمرین کردند و برنامه تمرینی آن‌ها توسط مربیان تأییدشده ارائه شد. این برنامه شامل گرم‌کردن عمومی و اختصاصی، تمرینات چابکی و سرعت، تمرینات قدرتی و تمرینات پلیومتریک بود که مطابق با استانداردهای رایج رشته فوتبال طراحی شده بود.
غربالگری حرکات عملکردی
پیش از اجرای آزمون غربالگری حرکات عملکردی (FMS)، پژوهشگر طول استخوان درشت‌نی هر شرکت‌کننده (از مرکز فوقانی درشت‌نی تا سطح زمین) و طول دست (از نوک بلندترین انگشت تا چین دیستال مچ دست) را اندازه‌گیری کرد. سپس شرکت‌کنندگان هر یک از هفت الگوی حرکتی پایه را سه بار اجرا کردند: اسکوات عمیق، عبور از مانع، لانج در یک خط، تحرک شانه، پایداری چرخشی، بالا بردن فعال پای صاف و شنا با پایداری تنه (20). بین هر الگوی حرکتی یک دقیقه استراحت در نظر گرفته شد. نمره‌دهی توسط یک متخصص معتبر FMS با دو سال تجربه مرتبط انجام شد تا ثبات و پایایی ارزیابی‌ها در بین شرکت‌کنندگان تضمین شود (21).
چابکی
آزمون‌های چابکی به ارزیابی توانایی ورزشکار در شتاب‌گیری، کاهش سرعت و کنترل تعادل کمک می‌کنند. در این مطالعه از حسگرهای نوری Stagnoli (ساخت ایتالیا) برای اجرای تست T استفاده شد. هر شرکت‌کننده دو بار آزمون را اجرا کرد و زمان بر حسب ثانیه ثبت شد. در طول اجرای آزمون، پژوهشگر به‌طور کامل دستورالعمل‌های ذکرشده در مطالعات پیشین را دنبال کرد (23-20).
سرعت
برای آزمون سرعت، پژوهشگر مسافتی به طول ۲۰ متر علامت‌گذاری کرد. هر شرکت‌کننده دو بار با فاصله زمانی چهار دقیقه در این آزمون شرکت نمود. همان حسگرهای نوری برای این آزمون‌های هم استفاده شدند. در آزمون سرعت، حسگر نوری در ارتفاع ۱۲۰ سانتی‌متر نصب گردیدند و بیشترین سرعت ورزشکار بر حسب ثانیه اندازه‌گیری شد.
پرش کانترموومنت
در ابتدا، تمامی شرکت‌کنندگان در حالت ایستاده با شانه‌ها در سطح افقی و بازوها در کنار بدن قرار گرفتند، در حالی‌که نوار کشی دور زانوها و لگن بسته شده بود. سپس بلافاصله پرش عمودی انجام دادند. هر شرکت‌کننده سه بار پرش را تکرار کرد و بهترین دو تلاش برای تحلیل انتخاب شد (23).
بروز آسیب‌دیدگی
در کل دوره تمرین، بروز آسیب در هر گروه توسط فیزیوتراپیست معتبر مقیم آکادمی پایش شد. ماهیت، محل و شدت هر شکایت ثبت گردید. تمامی ورزشکاران قبل و بعد از دوره تمرین و در هر جلسه ارزیابی شدند. وقوع آسیب زمانی ثبت می‌شد که ورزشکار درد یا ناراحتی ناشی از تمرین یا مسابقه را گزارش می‌کرد و به دلیل آن جلسه تمرین یا بازی را از دست می‌داد. تمامی آسیب‌ها بر اساس نوع و نرخ طبقه‌بندی شدند، اما برای تحلیل نهایی تمامی انواع آسیب‌ها به صورت درصدی محاسبه گردید. پژوهشگران اطمینان حاصل کردند که این روند پایش، امکان مداخله زودهنگام را فراهم آورد و همچنین هر دو گروه به‌طور برابر از نظر پیامدهای مرتبط با آسیب مورد ارزیابی قرار گرفتند.
تجزیه و تحلیل آماری
داده‌ها با استفاده از نرم‌افزار اکسل سازماندهی شدند و آمار توصیفی به‌صورت میانگین ± انحراف معیار محاسبه شد. هر گروه شامل ۳۰ شرکت‌کننده بود. برای بررسی نرمال بودن توزیع داده‌ها از آزمون شاپیروویلک استفاده گردید. تحلیل‌های آماری با استفاده از نرم‌افزار SPSS نسخه ۲۵ (IBM Corp., Armonk, NY, USA) انجام شد و سطح معناداری برابر با 0/05 > p در نظر گرفته شد. در بخش آمار استنباطی، برای مقایسه‌های درون‌گروهی (پیش‌آزمون در برابر پس‌آزمون) از آزمون t زوجی، برای مقایسه‌های بین‌گروهی (گروه هوش مصنوعی در برابر گروه کنترل) از آزمون t مستقل و برای مقایسه بروز آسیب‌دیدگی از آزمون کای‌اسکوئر استفاده شد. اندازه اثر نیز با استفاده از شاخص d کوهن محاسبه گردید و به‌صورت کوچک (0/49–0/20)، متوسط (0/79-0/50) و بزرگ (0/08≥) تفسیر شد.
نتایج
در آغاز مطالعه، بین دو گروه (هوش مصنوعی و سنتی) از نظر سن، سابقه ورزشی، ویژگی‌های آنتروپومتریک و شاخص توده بدنی هیچ‌گونه تفاوت معناداری مشاهده نگردید (جدول ۲).
پیش از اجرای آزمون غربالگری حرکات عملکردی (FMS)، پژوهشگر طول استخوان درشت‌نی هر شرکت‌کننده (از مرکز فوقانی درشت‌نی تا سطح زمین) و طول دست (از نوک بلندترین انگشت تا چین دیستال مچ دست) را اندازه‌گیری کرد. سپس شرکت‌کنندگان هر یک از هفت الگوی حرکتی پایه را سه بار اجرا کردند: اسکوات عمیق، عبور از مانع، لانج در یک خط، تحرک شانه، پایداری چرخشی، بالا بردن فعال پای صاف و شنا با پایداری تنه (20). بین هر الگوی حرکتی یک دقیقه استراحت در نظر گرفته شد. نمره‌دهی توسط یک متخصص معتبر FMS با دو سال تجربه مرتبط انجام شد تا ثبات و پایایی ارزیابی‌ها در بین شرکت‌کنندگان تضمین شود (21).
چابکی
آزمون‌های چابکی به ارزیابی توانایی ورزشکار در شتاب‌گیری، کاهش سرعت و کنترل تعادل کمک می‌کنند. در این مطالعه از حسگرهای نوری Stagnoli (ساخت ایتالیا) برای اجرای تست T استفاده شد. هر شرکت‌کننده دو بار آزمون را اجرا کرد و زمان بر حسب ثانیه ثبت شد. در طول اجرای آزمون، پژوهشگر به‌طور کامل دستورالعمل‌های ذکرشده در مطالعات پیشین را دنبال کرد (23-20).
سرعت
برای آزمون سرعت، پژوهشگر مسافتی به طول ۲۰ متر علامت‌گذاری کرد. هر شرکت‌کننده دو بار با فاصله زمانی چهار دقیقه در این آزمون شرکت نمود. همان حسگرهای نوری برای این آزمون‌های هم استفاده شدند. در آزمون سرعت، حسگر نوری در ارتفاع ۱۲۰ سانتی‌متر نصب گردیدند و بیشترین سرعت ورزشکار بر حسب ثانیه اندازه‌گیری شد.
پرش کانترموومنت
در ابتدا، تمامی شرکت‌کنندگان در حالت ایستاده با شانه‌ها در سطح افقی و بازوها در کنار بدن قرار گرفتند، در حالی‌که نوار کشی دور زانوها و لگن بسته شده بود. سپس بلافاصله پرش عمودی انجام دادند. هر شرکت‌کننده سه بار پرش را تکرار کرد و بهترین دو تلاش برای تحلیل انتخاب شد (23).
بروز آسیب‌دیدگی
در کل دوره تمرین، بروز آسیب در هر گروه توسط فیزیوتراپیست معتبر مقیم آکادمی پایش شد. ماهیت، محل و شدت هر شکایت ثبت گردید. تمامی ورزشکاران قبل و بعد از دوره تمرین و در هر جلسه ارزیابی شدند. وقوع آسیب زمانی ثبت می‌شد که ورزشکار درد یا ناراحتی ناشی از تمرین یا مسابقه را گزارش می‌کرد و به دلیل آن جلسه تمرین یا بازی را از دست می‌داد. تمامی آسیب‌ها بر اساس نوع و نرخ طبقه‌بندی شدند، اما برای تحلیل نهایی تمامی انواع آسیب‌ها به صورت درصدی محاسبه گردید. پژوهشگران اطمینان حاصل کردند که این روند پایش، امکان مداخله زودهنگام را فراهم آورد و همچنین هر دو گروه به‌طور برابر از نظر پیامدهای مرتبط با آسیب مورد ارزیابی قرار گرفتند.
تجزیه و تحلیل آماری
داده‌ها با استفاده از نرم‌افزار اکسل سازماندهی شدند و آمار توصیفی به‌صورت میانگین ± انحراف معیار محاسبه شد. هر گروه شامل ۳۰ شرکت‌کننده بود. برای بررسی نرمال بودن توزیع داده‌ها از آزمون شاپیروویلک استفاده گردید. تحلیل‌های آماری با استفاده از نرم‌افزار SPSS نسخه ۲۵ (IBM Corp., Armonk, NY, USA) انجام شد و سطح معناداری برابر با 0/05 > p در نظر گرفته شد. در بخش آمار استنباطی، برای مقایسه‌های درون‌گروهی (پیش‌آزمون در برابر پس‌آزمون) از آزمون t زوجی، برای مقایسه‌های بین‌گروهی (گروه هوش مصنوعی در برابر گروه کنترل) از آزمون t مستقل و برای مقایسه بروز آسیب‌دیدگی از آزمون کای‌اسکوئر استفاده شد. اندازه اثر نیز با استفاده از شاخص d کوهن محاسبه گردید و به‌صورت کوچک (0/49–0/20)، متوسط (0/79-0/50) و بزرگ (0/08≥) تفسیر شد.
نتایج
در آغاز مطالعه، بین دو گروه (هوش مصنوعی و سنتی) از نظر سن، سابقه ورزشی، ویژگی‌های آنتروپومتریک و شاخص توده بدنی هیچ‌گونه تفاوت معناداری مشاهده نگردید (جدول ۲).
نتایج پیش‌آزمون و پس‌آزمون گروه آزمایش (هوش مصنوعی) و گروه کنترل در متغیرهای عملکردی اندازه‌گیری‌شده، همراه با مقادیر p و اندازه اثر، در جدول ۳ ارائه شده است. شکل ۱ مقایسه عملکرد پیش‌آزمون و پس‌آزمون گروه آزمایش و گروه کنترل را در متغیرهای نمره FMS، زمان دوی سرعت ۲۰ متری، زمان تست چابکی و ارتفاع پرش CMJ به‌صورت نموداری نشان می‌دهد. در جدول ۴، گروه آزمایش بهبودهای بیشتری را در حرکت عملکردی (FMS به میزان 20+ درصد)، دوی سرعت دو (4/93- درصد)، چابکی (6/48- درصد) و ارتفاع پرشCMJ (11/86+ درصد) نشان دادند. این بهبودها همراه با کاهش معنادار در بروز آسیب‌دیدگی بود (10 درصد در مقابل 7/36 درصد)، با نسبت ریسک 3/37 و شاخصNNT معادل تنها چهار ورزشکار برای پیشگیری از یک مورد آسیب. جدول ۴ تغییرات درصدی و اندازه اثر کوهن را در مقایسه بین‌گروهی پس‌آزمون نشان می‌دهد، در حالی‌که شکل ۲ برتری بهبودهای عملکردی گروه آزمایش را نسبت به گروه کنترل در ورزشکاران نوجوان نشان می‌دهد.
بحث
مطالعه حاضر شواهد جدیدی ارائه می‌دهد که نشان می‌دهد تمرینات هدایت‌شده با هوش مصنوعی می‌توانند عملکرد را بهبود بخشند و میزان بروز آسیب‌دیدگی را در بازیکنان نوجوان فوتبال کاهش دهند. نتایج این پژوهش بهبودهای معناداری را در حرکت عملکردی، سرعت دو، چابکی و توان پرش تأیید کرد. این یافته‌ها فرضیه پژوهش را پشتیبانی کرده و با مطالعات پیشین همسو هستند که بر اثربخشی مداخلات تمرینی شخصی‌سازی‌شده و داده‌محور در بهبود کیفیت حرکت و کارایی عصبی‌عضلانی تأکید داشته‌اند (۱۵، ۲۴–۲۶). گروه آزمایش بهبودهای به‌طور معناداری بیشتری در نمرات FMS، شامل تحرک‌پذیری، کنترل حرکتی و تقارن حرکت، نشان دادند. این بهبودها به‌ویژه در دوران نوجوانی اهمیت دارند؛ دوره‌ای که با رشد سریع همراه است و خطر بالاتری برای اختلالات حرکتی و آسیب‌دیدگی دارد (۸). یکی از یافته‌های کلیدی این پژوهش، بهبود برتر نمرات FMS در گروه هوش مصنوعی است که با گزارش‌های پیشین مبنی بر اینکه تمرینات عصبی‌عضلانی شخصی‌سازی‌شده می‌توانند عدم تقارن‌ها را اصلاح کرده و کارایی حرکت را بهبود بخشند و در نتیجه خطر آسیب را کاهش دهند، همخوانی دارد (۹، ۱۲). برخلاف تمرینات هدایت‌شده توسط مربی، پروتکل هوش مصنوعی بار تمرینی را به‌طور پویا و بر اساس شاخص‌های خستگی و عدم تقارن تنظیم می‌کرد که این امر می‌تواند دلیل اندازه اثر بزرگ‌تر مشاهده‌شده باشد. مرورهای نظام‌مند اخیر نیز بر اهمیت رویکردهای شخصی‌سازی‌شده برای پیشگیری از آسیب در ورزشکاران جوان تأکید کرده‌اند (۶، ۸).
بهبودهای مشاهده‌شده در عملکرد سرعت و چابکی نیز قابل توجه است. نتایج ما مشابه با یافته‌های آلکس و همکاران (۲۰۲۴) است که ارتباط بین کیفیت حرکت عملکردی و سرعت/چابکی را در بازیکنان نخبه فوتبال نوجوان گزارش کردند. این نتایج نشان می‌دهد که تمرینات شخصی‌سازی‌شده با هوش مصنوعی می‌تواند این سازگاری‌ها را از طریق بهینه‌سازی بار عصبی‌عضلانی تسریع کند. بزرگی بهبود مشاهده‌شده در این مطالعه احتمالاً ناشی از تنظیم پویا در شدت تمرین بر اساس داده‌های حسگرهای پوشیدنی است. به نظر می‌رسد سیستم هوش مصنوعی با تنظیم شدت تمرین متناسب با پاسخ‌های بیومکانیکی و پایش خستگی، کارایی عصبی را ارتقا دهد (۱۰). این رویکرد همچنین به بهینه‌سازی بار تمرینی، پیشگیری از تمرین‌زدگی و بهبود سازگاری‌های عصبی کمک می‌کند و در نهایت موجب عملکرد و ریکاوری بهتر می‌شود (۲۷–۲۸).
گروه آزمایش بهبودهای بیشتری را در حرکت عملکردی، سرعت دو، چابکی و ارتفاع پرش CMJنشان داد. این دستاوردها همراه با کاهش معنادار در بروز آسیب‌دیدگی (۱۰ در برابر 7/36 درصد) بودند؛ به‌طوری‌که نسبت ریسک 37/3 و شاخصNNT برابر با چهار ورزشکار برای پیشگیری از یک آسیب به دست آمد. کاهش بروز آسیب به‌ویژه قابل توجه است. این یافته با شواهد نوظهور همخوانی دارد که نشان می‌دهند پایش مبتنی بر هوش مصنوعی و حسگرهای پوشیدنی می‌تواند با شناسایی زودهنگام شاخص‌های خستگی و جبران‌های حرکتی، آسیب‌های ناشی از استفاده بیش‌ازحد را کاهش دهد (۱۵، ۲۵). شاخص NNT در حدود چهار نیز نشان‌دهنده ارزش عملی بالا است؛ به این معنا که به ازای هر چهار ورزشکاری که تحت تمرینات هدایت‌شده با AI قرار گیرند، از یک آسیب جلوگیری می‌شود. چنین شواهدی پیامدهای مهمی برای آکادمی‌های ورزشی نوجوانان دارد؛ جایی که در دسترس بودن بازیکنان حیاتی است و کاهش خطر آسیب اولویت دارد (۲۹). این رویکرد شامل پایش کیفیت حرکت، شاخص خستگی و تغییرپذیری ضربان قلب برای تنظیم تمرینات متناسب با عملکرد بهینه و پیشگیری از آسیب بود (۳۰–۳۱). یافته‌های این پژوهش همچنین بر این نگرانی تأکید دارند که برنامه‌های تمرینی غیرشخصی‌سازی‌شده ممکن است به بهبود شاخص‌های جسمانی و عملکردی منجر شوند، اما عدم تقارن‌های زیربنایی یا ناکارآمدی‌های حرکتی را نادیده بگیرند (۳۲).
با وجود نتایج امیدوارکننده، چند محدودیت باید مورد توجه قرار گیرد. نخست، حجم نمونه نسبتاً کم و از یک آکادمی منفرد انتخاب شد که می‌تواند تعمیم‌پذیری یافته‌ها را محدود کند. دوم، دوره پیگیری تنها ۱۲ هفته بود، بنابراین پایداری بلندمدت این بهبودها نامشخص باقی می‌ماند. سوم، اگرچه سیستم AI بار تمرینی را به‌طور فردی تنظیم می‌کرد، میزان پایبندی و بازخورد کیفی بازیکنان به‌طور نظام‌مند ارزیابی نشد. پژوهش‌های آینده باید مداخلات هدایت‌شده با هوش مصنوعی را در رشته‌های ورزشی مختلف، با حجم نمونه‌های بزرگ‌تر، دوره‌های مداخله طولانی‌تر و طراحی‌های روش ترکیبی (شامل دیدگاه‌های ورزشکاران و مربیان) بررسی کنند. همچنین تحلیل‌های مقایسه‌ای هزینه-اثربخشی می‌توانند در تعیین امکان‌پذیری اجرای گسترده این رویکرد در آکادمی‌های ورزشی نوجوانان مفید باشند. در مجموع، این مطالعه به شواهد رو به رشدی می‌افزاید که نشان می‌دهند تمرینات پشتیبانی‌شده با AI می‌توانند نتایجی برتر نسبت به روش‌های سنتی داشته باشند و بر ضرورت به‌کارگیری رویکردهای شخصی‌سازی‌شده و داده‌محور در توسعه ورزشکاران نوجوان تأکید می‌کنند.
نتیجه‌گیری نهایی
یافته کلیدی این پژوهش آن است که برنامه‌های تمرینی شخصی‌سازی‌شده و هدایت‌شده با هوش مصنوعی برای ورزشکاران نوجوان اثربخش‌تر از روش‌های تمرینی سنتی هستند. ورزشکاران گروه آزمایش در مقایسه با گروه کنترل، کیفیت حرکت، عملکرد جسمانی و پیشگیری از آسیب بهتری را نشان دادند. با توجه به بهبودهای چشمگیر در سرعت دو، چابکی، ارتفاع پرش و کاهش محسوس در بروز آسیب‌دیدگی، سیستم‌های تمرینی مبتنی بر هوش مصنوعی می‌توانند به‌عنوان راهبردی امیدبخش برای توسعه ورزش نوجوانان مطرح شوند.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
پیروی از اصول اخلاق پژوهش تمامی اصول اخلاقی در این پژوهش رعایت شده است. همه شرکت¬کنندگان با رضایت کامل در مطالعه شرکت کردند و به آن‌ها اطمینان داده شد که تمام اطلاعات مربوط به آن‌ها محرمانه باقی خواهد ماند.
حامی مالی
این پژوهش هیچ‌گونه کمک مالی از سازمان‌های دولتی، خصوصی و غیرانتفاعی دریافت نکرده است.
مشارکت نویسندگان
تمام نویسندگان در طراحی، اجرا و نگارش همه بخش‌های پژوهش حاضر مشارکت داشته¬اند.
تعارض
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.
مطالعه حاضر شواهد جدیدی ارائه می‌دهد که نشان می‌دهد تمرینات هدایت‌شده با هوش مصنوعی می‌توانند عملکرد را بهبود بخشند و میزان بروز آسیب‌دیدگی را در بازیکنان نوجوان فوتبال کاهش دهند. نتایج این پژوهش بهبودهای معناداری را در حرکت عملکردی، سرعت دو، چابکی و توان پرش تأیید کرد. این یافته‌ها فرضیه پژوهش را پشتیبانی کرده و با مطالعات پیشین همسو هستند که بر اثربخشی مداخلات تمرینی شخصی‌سازی‌شده و داده‌محور در بهبود کیفیت حرکت و کارایی عصبی‌عضلانی تأکید داشته‌اند (۱۵، ۲۴–۲۶). گروه آزمایش بهبودهای به‌طور معناداری بیشتری در نمرات FMS، شامل تحرک‌پذیری، کنترل حرکتی و تقارن حرکت، نشان دادند. این بهبودها به‌ویژه در دوران نوجوانی اهمیت دارند؛ دوره‌ای که با رشد سریع همراه است و خطر بالاتری برای اختلالات حرکتی و آسیب‌دیدگی دارد (۸). یکی از یافته‌های کلیدی این پژوهش، بهبود برتر نمرات FMS در گروه هوش مصنوعی است که با گزارش‌های پیشین مبنی بر اینکه تمرینات عصبی‌عضلانی شخصی‌سازی‌شده می‌توانند عدم تقارن‌ها را اصلاح کرده و کارایی حرکت را بهبود بخشند و در نتیجه خطر آسیب را کاهش دهند، همخوانی دارد (۹، ۱۲). برخلاف تمرینات هدایت‌شده توسط مربی، پروتکل هوش مصنوعی بار تمرینی را به‌طور پویا و بر اساس شاخص‌های خستگی و عدم تقارن تنظیم می‌کرد که این امر می‌تواند دلیل اندازه اثر بزرگ‌تر مشاهده‌شده باشد. مرورهای نظام‌مند اخیر نیز بر اهمیت رویکردهای شخصی‌سازی‌شده برای پیشگیری از آسیب در ورزشکاران جوان تأکید کرده‌اند (۶، ۸).
بهبودهای مشاهده‌شده در عملکرد سرعت و چابکی نیز قابل توجه است. نتایج ما مشابه با یافته‌های آلکس و همکاران (۲۰۲۴) است که ارتباط بین کیفیت حرکت عملکردی و سرعت/چابکی را در بازیکنان نخبه فوتبال نوجوان گزارش کردند. این نتایج نشان می‌دهد که تمرینات شخصی‌سازی‌شده با هوش مصنوعی می‌تواند این سازگاری‌ها را از طریق بهینه‌سازی بار عصبی‌عضلانی تسریع کند. بزرگی بهبود مشاهده‌شده در این مطالعه احتمالاً ناشی از تنظیم پویا در شدت تمرین بر اساس داده‌های حسگرهای پوشیدنی است. به نظر می‌رسد سیستم هوش مصنوعی با تنظیم شدت تمرین متناسب با پاسخ‌های بیومکانیکی و پایش خستگی، کارایی عصبی را ارتقا دهد (۱۰). این رویکرد همچنین به بهینه‌سازی بار تمرینی، پیشگیری از تمرین‌زدگی و بهبود سازگاری‌های عصبی کمک می‌کند و در نهایت موجب عملکرد و ریکاوری بهتر می‌شود (۲۷–۲۸).
گروه آزمایش بهبودهای بیشتری را در حرکت عملکردی، سرعت دو، چابکی و ارتفاع پرش CMJنشان داد. این دستاوردها همراه با کاهش معنادار در بروز آسیب‌دیدگی (۱۰ در برابر 7/36 درصد) بودند؛ به‌طوری‌که نسبت ریسک 37/3 و شاخصNNT برابر با چهار ورزشکار برای پیشگیری از یک آسیب به دست آمد. کاهش بروز آسیب به‌ویژه قابل توجه است. این یافته با شواهد نوظهور همخوانی دارد که نشان می‌دهند پایش مبتنی بر هوش مصنوعی و حسگرهای پوشیدنی می‌تواند با شناسایی زودهنگام شاخص‌های خستگی و جبران‌های حرکتی، آسیب‌های ناشی از استفاده بیش‌ازحد را کاهش دهد (۱۵، ۲۵). شاخص NNT در حدود چهار نیز نشان‌دهنده ارزش عملی بالا است؛ به این معنا که به ازای هر چهار ورزشکاری که تحت تمرینات هدایت‌شده با AI قرار گیرند، از یک آسیب جلوگیری می‌شود. چنین شواهدی پیامدهای مهمی برای آکادمی‌های ورزشی نوجوانان دارد؛ جایی که در دسترس بودن بازیکنان حیاتی است و کاهش خطر آسیب اولویت دارد (۲۹). این رویکرد شامل پایش کیفیت حرکت، شاخص خستگی و تغییرپذیری ضربان قلب برای تنظیم تمرینات متناسب با عملکرد بهینه و پیشگیری از آسیب بود (۳۰–۳۱). یافته‌های این پژوهش همچنین بر این نگرانی تأکید دارند که برنامه‌های تمرینی غیرشخصی‌سازی‌شده ممکن است به بهبود شاخص‌های جسمانی و عملکردی منجر شوند، اما عدم تقارن‌های زیربنایی یا ناکارآمدی‌های حرکتی را نادیده بگیرند (۳۲).
با وجود نتایج امیدوارکننده، چند محدودیت باید مورد توجه قرار گیرد. نخست، حجم نمونه نسبتاً کم و از یک آکادمی منفرد انتخاب شد که می‌تواند تعمیم‌پذیری یافته‌ها را محدود کند. دوم، دوره پیگیری تنها ۱۲ هفته بود، بنابراین پایداری بلندمدت این بهبودها نامشخص باقی می‌ماند. سوم، اگرچه سیستم AI بار تمرینی را به‌طور فردی تنظیم می‌کرد، میزان پایبندی و بازخورد کیفی بازیکنان به‌طور نظام‌مند ارزیابی نشد. پژوهش‌های آینده باید مداخلات هدایت‌شده با هوش مصنوعی را در رشته‌های ورزشی مختلف، با حجم نمونه‌های بزرگ‌تر، دوره‌های مداخله طولانی‌تر و طراحی‌های روش ترکیبی (شامل دیدگاه‌های ورزشکاران و مربیان) بررسی کنند. همچنین تحلیل‌های مقایسه‌ای هزینه-اثربخشی می‌توانند در تعیین امکان‌پذیری اجرای گسترده این رویکرد در آکادمی‌های ورزشی نوجوانان مفید باشند. در مجموع، این مطالعه به شواهد رو به رشدی می‌افزاید که نشان می‌دهند تمرینات پشتیبانی‌شده با AI می‌توانند نتایجی برتر نسبت به روش‌های سنتی داشته باشند و بر ضرورت به‌کارگیری رویکردهای شخصی‌سازی‌شده و داده‌محور در توسعه ورزشکاران نوجوان تأکید می‌کنند.
نتیجه‌گیری نهایی
یافته کلیدی این پژوهش آن است که برنامه‌های تمرینی شخصی‌سازی‌شده و هدایت‌شده با هوش مصنوعی برای ورزشکاران نوجوان اثربخش‌تر از روش‌های تمرینی سنتی هستند. ورزشکاران گروه آزمایش در مقایسه با گروه کنترل، کیفیت حرکت، عملکرد جسمانی و پیشگیری از آسیب بهتری را نشان دادند. با توجه به بهبودهای چشمگیر در سرعت دو، چابکی، ارتفاع پرش و کاهش محسوس در بروز آسیب‌دیدگی، سیستم‌های تمرینی مبتنی بر هوش مصنوعی می‌توانند به‌عنوان راهبردی امیدبخش برای توسعه ورزش نوجوانان مطرح شوند.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
پیروی از اصول اخلاق پژوهش تمامی اصول اخلاقی در این پژوهش رعایت شده است. همه شرکت¬کنندگان با رضایت کامل در مطالعه شرکت کردند و به آن‌ها اطمینان داده شد که تمام اطلاعات مربوط به آن‌ها محرمانه باقی خواهد ماند.
حامی مالی
این پژوهش هیچ‌گونه کمک مالی از سازمان‌های دولتی، خصوصی و غیرانتفاعی دریافت نکرده است.
مشارکت نویسندگان
تمام نویسندگان در طراحی، اجرا و نگارش همه بخش‌های پژوهش حاضر مشارکت داشته¬اند.
تعارض
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.
فهرست منابع
1. Rogers DL, Tanaka MJ, Cosgarea AJ, Ginsburg RD, Dreher GM. How mental health affects injury risk and outcomes in athletes. Sports Health. 2024;16(2):222-229. [DOI:10.1177/19417381231179678] [PMID]
2. Drew MK, Raysmith BP, Charlton PC. Injuries impair the chance of successful performance by sportspeople: a systematic review. British Journal of Sports Medicine. 2017;51(16):1209-1214. [DOI:10.1136/bjsports-2016-096731] [PMID]
3. Forelli F, Moiroux-Sahraoui A, Nielsen-Le Roux M, Miraglia N, Gaspar M, Stergiou M, Bjerregaard A, Mazeas J, Douryang M, MOIROUX A, Bjerregaard Sr A. Stay in the Game: Comprehensive Approaches to Decrease the Risk of Sports Injuries. Cureus. 2024;16(12):1-11. [DOI:10.7759/cureus.76461] [PMID]
4. Kelley S, Martin K, Perlmuter M, Sofla M. Psychological Injury Rehabilitation: The Link Between Body and Mind. Imagine: A Promise Scholars & McNair Scholars Journal. 2024;2(1):1-22.
5. Aicale R, Tarantino D, Maffulli N. Overuse injuries in sport: a comprehensive overview. Journal of Orthopaedic Surgery and Research. 2018;13(1):1-11. [DOI:10.1186/s13018-018-1017-5] [PMID]
6. Paterno MV, et al. Prevention of overuse sports injuries in the young athlete. Orthopedic Clinics of North America. 2023;44(4):545-552. [DOI:10.1016/j.ocl.2013.06.009] [PMID]
7. Hamoongard M, Hadadnezhad M, Mohammadi Orangi B. A Narrative Review on the Effect of Variability-Based Motor Learning Approaches on Kinetic and Kinematic Factors Related to Anterior Cruciate Ligament Injury in Athletes. Journal of Sport Biomechanics. 2025;10(4):276-93. [DOI:10.61186/JSportBiomech.10.4.276]
8. Faude O, Rößler R, Junge A. Football injuries in children and adolescent players: are there clues for prevention? Sports Medicine. 2013;43(9):819-37. [DOI:10.1007/s40279-013-0061-x] [PMID]
9. Myer GD, Faigenbaum AD, Ford KR, Best TM, Bergeron MF, Hewett TE. When to initiate integrative neuromuscular training to reduce sports-related injuries and enhance health in youth? Current Sports Medicine Reports. 2011;10(3):155-66. [DOI:10.1249/JSR.0b013e31821b1442] [PMID]
10. Oliver JL, Lloyd RS, Read PJ, Myer GD,. Developing the foundations of movement competency in youth. Strength and Conditioning Journal. 2020:42(6):15-23.
11. Zemková E, Hamar D. Sport-specific assessment of the effectiveness of neuromuscular training in young athletes. Frontiers in Physiology. 2018;9:264. [DOI:10.3389/fphys.2018.00264] [PMID]
12. Bishop C, Read P, Chavda S, Turner A. Inter-limb asymmetries: Understanding how to calculate them and influence training prescription. Strength and Conditioning Journal. 2018;40(4):1-6. [DOI:10.1519/SSC.0000000000000371]
13. Zhou D, Keogh JW, Ma Y, Tong RK, Khan AR, Jennings NR. Artificial intelligence in sport: A narrative review of applications, challenges and future trends. Journal of Sports Sciences. 2025;16:1-6. [DOI:10.1080/02640414.2025.2518694] [PMID]
14. Du T, Bi N. Application of Artificial Intelligence Advances in Athletics Industry: A Review. Concurrency and Computation: Practice and Experience. 2025;37(3):e8372. [DOI:10.1002/cpe.8372]
15. Claudino JG, Capanema DD, de Souza TV, Serrão JC, Machado Pereira AC, Nassis GP. Current approaches to the use of artificial intelligence for injury risk assessment and performance prediction in team sports: a systematic review. Sports Medicine-Open. 2019;5(1):1-12. [DOI:10.1186/s40798-019-0202-3] [PMID]
16. Liu H, Gómez MA, Gonçalves B, Sampaio J. Technical performance and match-to-match variation in elite football teams. Journal of Sports Sciences. 2016;34(6):509-18. [DOI:10.1080/02640414.2015.1117121] [PMID]
17. Owen R, Owen JA, Evans SL. Artificial intelligence for sport injury prediction. InArtificial intelligence in sports, movement, and health. 2024;69-79. Cham: Springer Nature Switzerland. [DOI:10.1007/978-3-031-67256-9_5]
18. Williams, C. A., & Armstrong, N. The influence of growth and maturation on physical performance. In N. Armstrong & W. van Mechelen (Eds.), Oxford textbook of children's sport and exercise medicine.2019;(3rd ed.,pp. 35-50). Oxford University Press.
19. Rickta JF, Arafat MY, Mukta FT. A Study on Correlation among Physique, Motor fitness and Performance of Soccer Player. International Journal of Physical Education Sports Management and Yogic Sciences. 2021;11(1):28-33. [DOI:10.5958/2278-795X.2021.00004.7]
20. Alexe DI, Čaušević D, Čović N, Rani B, Tohănean DI, Abazović E, Setiawan E, Alexe CI. The relationship between functional movement quality and speed, agility, and jump performance in elite female youth football players. Sports. 2024;12(8):214. [DOI:10.3390/sports12080214] [PMID]
21. McCunn R, aus der Fünten K, Fullagar HH, McKeown I, Meyer T. Reliability and association with injury of movement screens: a critical review. Sports Medicine. 2016;46(6):763-781. [DOI:10.1007/s40279-015-0453-1] [PMID]
22. Mukta FT, Rickta JF, Arafat MY. Monitoring of athletes condition: Male handball players body part pain in handball performance. Journal of Sports Research. 2025;12(1):24-32. [DOI:10.18488/90.v12i1.4334]
23. Mukta FT, Rickta JF, Islam MZ, Arafat MY. Correlation between Functional Movement Patterns and Performance Metrics in National level Female Handball players. International Journal of Kinesiology and Sport Science. 2025;13(3):81-86. [DOI:10.7575/aiac.ijkss.v.13n.3p.81]
24. Kadhim JH, Hamzah FM, Hussain LM. A Review of the Use of Artificial Intelligence Algorithms for Predicting Injuries and Performance in Football Players. Mustansiriyah Journal of Sports Science. 2025;7(2):148-161. [DOI:10.62540/mjss.2025.2.7.12]
25. Bianchi F, Soligard T, Eirale C, Zwiers R, Bahr R. Injury surveillance and workload monitoring in youth sports: The role of emerging technologies. Sports Medicine. 2021;51(4):639-652.
26. Qeysari S F, Emamrezaii S, Eslamizad A, Qeysari S K. Comparison of External Focus Instructions Based on Mechanics and Performance in the Vertical jump: Examining the constrained action hypothesis. Journal of Sport Biomechanics. 2023;9(3):178-191 [DOI:10.61186/JSportBiomech.9.3.178]
27. Huang Z, Wang W, Jia Z, Wang Z. Exploring the Integration of Artificial Intelligence in Sports Coaching: Enhancing Training Efficiency, Injury Prevention, and Overcoming Implementation Barriers. Journal of Computer and Communications. 2024;12(12):201-217. [DOI:10.4236/jcc.2024.1212012]
28. Nazari F, Fatahi A. Football Biomechanics and Performance Enhancement: A Systematic Review. Journal of Sport Biomechanics. 2023;9(3):252-270 [DOI:10.61186/JSportBiomech.9.3.252]
29. Mateus N, Abade E, Coutinho D, Gómez MÁ, Peñas CL, Sampaio J. Empowering the sports scientist with artificial intelligence in training, performance, and health management. Sensors. 2024;25(1):1-12. [DOI:10.3390/s25010139] [PMID]
30. Chen Z, Dai X. Utilizing AI and IoT technologies for identifying risk factors in sports. Heliyon. 2024;10(11):1-15. [DOI:10.1016/j.heliyon.2024.e32477] [PMID]
31. Ghorbani M, Varmaziar M, Heydarian M. A Review of Training Protocols for Preventing Anterior Cruciate Ligament Injuries in Soccer Players. Journal of Sport Biomechanics. 2025;11(1):46-62 [DOI:10.61186/JSportBiomech.11.1.46]
32. Silva A, Ferraz R, Branquinho L, Dias T, Teixeira JE, Marinho DA. Effects of applying a multivariate training program on physical fitness and tactical performance in a team sport taught during physical education classes. Frontiers in Sports and Active Living. 2023;5:1291342. [DOI:10.3389/fspor.2023.1291342] [PMID]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
تماس با ما
فصلنامه بیومکانیک ورزشی
همدان،شهرک مدنی، بلوار امام خمینی(ره)، بلوار پروفسور موسیوند، مجتمع دانشگاه آزاد اسلامی واحد همدان، معاونت پژوهش و فناوری، دفتر مجلات علمی
صندوق پستی: 734
تلفن دفتر نشریه: 08134494042
وب‌سایت: http://biomechanics.iauh.ac.ir
ایمیل: sportbiomechanics@iauh.ac.ir
