“冠軍模型”助力體教融合創(chuàng)新發(fā)展

崔丹丹 郭建偉

摘? 要：“冠軍模型”革命性地提升了東京奧運周期備戰(zhàn)訓練決策的科學性，這為體教融合中高水平學生運動員的自主培養(yǎng)模式提供了新的啟示。我們以“冠軍模型”為核心，整合計算機視覺、因果推斷與認知計算等智能技術，研發(fā)了一套數(shù)據驅動的個性化運動訓練診斷技術，從而打通了從監(jiān)測、分析到決策的智能化運動訓練閉環(huán)，進而打破了競技體育與體育教育的技術壁壘。未來，要實現(xiàn)該技術在體教融合中的廣泛應用，科研人員還應與教師、教練密切配合，重點解決智能技術的可行性與有效性以及診斷對象的共性與特性等問題。

關鍵詞：冠軍模型;體教融合;運動訓練;智能決策

中圖分類號：G633.96? ? 文獻標識碼：A? ? 文章編號：1005-2410（2022）02-0062-02

在東京奧運會上，我國代表團取得了38金、32銀、18銅的輝煌戰(zhàn)績。很多文獻對中國代表團取得的優(yōu)異成績從不同角度進行了討論，而在知網上有多達13篇東京奧運會的文獻與體教融合相關[1，2]。培養(yǎng)全面發(fā)展的競技體育后備人才，進而完善競技人才結構，不僅是奧運備戰(zhàn)也是體教融合的重要任務[3]。就這一點來說，我國“冠軍大學生”“學霸運動員”在東京奧運會上的大放光彩，自然會使得社會各界對體教融合充滿了期待。然而，我們也必須清醒地看到：我國多數(shù)學生奧運冠軍的第一身份是運動員，即掛靠在高校的“運動員學生”，其成功的可復制性和示范價值有限;而另一種以“清華模式”“北理工模式”為代表的，第一身份為學生，由高校自主培養(yǎng)的“學生運動員”模式，其成功的可復制性更強，因而自主培養(yǎng)“學生運動員” 才是體教融合未來的發(fā)展方向[1]。再進一步來說：成功的“清華模式”背后，離不開李慶等“冠軍教授” 的理論與實踐指導[4]，這也是不可復制的。高水平學生運動員的自主培養(yǎng)， 普遍面臨著人才短缺的困境，而人才的培養(yǎng)又難以在短時間內完成[5]，我們需要更可復制、可持續(xù)的新思路。

人工智能，恰恰就是一門通過發(fā)展機器智能來復制人類智能，從而實現(xiàn)“以一當十、以一當百”的科學。借助先進的人工智能技術，將有望在不增加競技體育消耗的前提下，將競技體育的先進經驗，快速高效地在體育教育中復制和推廣，并在此過程中，積累更多的數(shù)據資料，反過來促進技術的進步，以更好地服務于競技體育，從而在可持續(xù)的良性循環(huán)中，探索出一條競技體育與體育教育雙贏發(fā)展的體教融合新路。

借助智能技術來促進體教融合創(chuàng)新發(fā)展雖勢在必行，實現(xiàn)起來卻并非一蹴而就。一方面是技術上的瓶頸：目前，我們所熟知的計算機視覺、傳感器、統(tǒng)計機器學習等主流人工智能技術，雖然在感知監(jiān)測和大數(shù)據分析方面有了較大進步，但認知決策卻一直是個短板。而一個完整的運動訓練閉環(huán)，不僅需要進行運動的監(jiān)測、分析，還需要進行訓練決策[6]。認知決策的技術瓶頸，使得現(xiàn)有的智能訓練產品大多只能輸出基本的運動參數(shù)和統(tǒng)計圖表，或是基于預設的規(guī)則完成打分、計數(shù)等簡單評價，卻不能像人類教練一樣給出針對性的診斷與建議，因而無法實現(xiàn)完整的運動訓練閉環(huán)，滿足不了高水平運動員的個性化培養(yǎng)需求。另一方面是領域間的鴻溝：長期以來，舉國體制下“集中力量辦大事”的制度優(yōu)勢，保障了我國競技體育的高速發(fā)展，尤其是在東京奧運周期，國家隊在訓練科學性方面迅速趕超國際先進水平，但在這樣的發(fā)展模式下，競技體育成為一個相對獨立的體系，所以國家隊的先進經驗，變得很難被大眾所習得，更不要說推廣。如何從競技體育的象牙塔中取得“錦囊”，并將其在體育教育中有效推廣？這也是常規(guī)思路和傳統(tǒng)辦法無法破解的另一難題。此時，有一項奧運新“智慧”為我們提供了破冰的新思路，那就是“冠軍模型”。

那么“冠軍模型”是什么？該怎樣來助力體教融合？本文將從“冠軍模型”的概念及相關智能技術構成、“冠軍模型”在體教融合中應用的關鍵問題和主要挑戰(zhàn)等角度展開討論，并以筆者在100米跑項目上取得的初步進展為例進行說明，希望能夠為廣大教師、教練和體育科研工作者提供參考。

一、冠軍模型的概念及相關智能技術構成

在東京奧運周期，隨著“走出去、請進來”和“科技助力奧運”等戰(zhàn)略的實施，我國的各項競技水平都得到了穩(wěn)步提升。尤其是“跨界選材”和“冠軍模型”等理念的提出，革命性地提升了我國備戰(zhàn)決策的科學性。其中，“冠軍模型”最初為服務“跨界選材”而提出[7]，是指對優(yōu)秀運動員形態(tài)、體能、技術等一系列特征的量化建模。繼而，個性化的“冠軍模型”被應用于蘇炳添等高水平運動員的訓練中，取得了顯著效果[8]。

受此啟發(fā)，筆者展開了“冠軍模型”的體工融合研究，并針對100米跑項目，開發(fā)出一套數(shù)據驅動的速度節(jié)奏自動診斷技術。該技術以計算機視覺動作捕捉數(shù)據或傳感器分段計時數(shù)據為輸入，利用因果推斷技術來模仿國家隊教練選擇“冠軍模型”和預估訓練效果時的決策邏輯[9]，并通過搭建認知計算架構來模仿人類教練在一個完整訓練閉環(huán)中的決策過程[10]，最終輸出個性化的技術診斷和改進建議。

運用該技術，以網絡直播視頻為輸入，對蘇炳添在東京奧運會百米決賽中的速度節(jié)奏表現(xiàn)進行診斷，得到了“起跑加速為首要改進點”的診斷結論，這與主教練的判斷是一致的。但如果我們僅對蘇的分段排名做統(tǒng)計分析，數(shù)據會顯示其在沖刺階段的排名更為落后，從而輸出“沖刺階段為主要問題點”的診斷結果，這就背離了教練的認知?？梢?，相較于傳統(tǒng)方法，基于“冠軍模型”的智能診斷技術更好地模擬了人類專家的認知決策智能，從而打通了從監(jiān)測、分析到決策的運動訓練閉環(huán)，在體教融合中批量復制“冠軍”的技術條件已初步具備。

二、冠軍模型在體教融合中應用的關鍵問題和主要挑戰(zhàn)

解決了競技體育中“冠軍模型”的智能化技術問題之后，我們隨即在校園內開展了基于“冠軍模型”的百米速度節(jié)奏智能診斷服務，邁出了“冠軍模型”在體教融合中應用實踐的第一步，第一批服務對象為我校短跑專項學生和短跑校隊隊員，在此過程中，我們又遇到了一系列新的挑戰(zhàn)。

首先，挑戰(zhàn)存在于每一個技術環(huán)節(jié)之中：監(jiān)測環(huán)節(jié)最常用的兩種智能監(jiān)測方式是視覺方式和傳感器方式，但在校園的日常訓練中，很難配備競技體育中的壓電式比賽起跑器、多視角高速相機、高頻率光學傳感器等昂貴設備，因而無法獲得起跑反應時參數(shù)，骨骼關鍵點和分段計時數(shù)據的精度也有不同程度的下降。為此，我們進行了簡化數(shù)學模型、定制視覺算法等嘗試，并輔以便攜式分段計時設備，一定程度上解決了智能監(jiān)測技術在體育教育場景下的可行性和有效性問題。在分析與決策環(huán)節(jié)中，理論上形態(tài)、體能、技術參數(shù)與成績之間的因果關系在高水平專業(yè)運動員與普通大學生運動員之間存在共性，但現(xiàn)實中二者身體素質、競技水平的巨大差異，是否會改變上述變量間因果效應值的大小，進而帶來診斷決策上的差異呢？在競技體育與體育教育兩個不同場景下，運動主體的特性不容忽視。就這一問題，目前還不能輕易下結論，需要繼續(xù)積累數(shù)據和收集反饋，并在此基礎上挖掘新的因果機制，總結運動主體之間的共性與特性，必將會有令人信服的新發(fā)現(xiàn)。圖1展示了目前我們在校園智能訓練診斷中所采用的技術流程：首先，我們使用GoPro單目高速相機和FastRunR便攜式傳感器光門采集數(shù)據，利用身高、體重、年齡等運動員基本資料進行“冠軍模型”的匹配，再選用不含起跑反應時的簡化數(shù)學模型提取速度節(jié)奏特征進行技術對比，目前在診斷決策中還是沿用高水平運動員的結構因果模型。

此外，在“育人為本”的體育教育中，還需更加關注心理層面的問題。大學生運動員年齡集中在18～22歲左右，這個年齡段的獨立意識很強，但心智又尚未成熟，好奇心旺盛。以特定優(yōu)秀運動員為原型建立的“冠軍模型”，在心理學上可以看作一種“role model”，而“role model”不僅有指導“skill acquisition”的作用、還能夠對“motivation” “goal reinforcement”以及“goal adoption”等認知過程產生影響[11]，這與體教融合在競技技能提升、內生動力培養(yǎng)等方面的多元化功能需求十分匹配[5]。那么什么樣的“冠軍模型”能夠更好地激發(fā)學生的內生動力？學生對“冠軍模型”的主觀偏好又會如何影響其心理激活和技能提升？這些都是有待研究的新問題，需要將體育教育實踐與認知計算、情感計算等智能技術相結合來解決。

三、結語

本文簡要介紹了國家隊備戰(zhàn)東京奧運會的先進訓練理念“冠軍模型”，探討了將“冠軍模型”應用于高水平運動員自主培養(yǎng)的現(xiàn)實需求、技術方案以及關鍵問題，并以筆者在校園短跑教學和訓練中的初步實踐為例，拋磚引玉地進行了說明。

誠然，要實現(xiàn)“冠軍模型”在體教融合中的廣泛應用，前方還有漫長的路要走。正如中國工程院院士張亞勤在2021人工智能計算大會上所說，“泛化的能力是人工智能的一個大挑戰(zhàn)”。即便如此，集奧運備戰(zhàn)訓練智慧、精英選手成功案例和認知決策智能技術于一身的“冠軍模型+人工智能”技術路線，無論從體育、教育還是人工智能的發(fā)展視角來看，都是一條值得探索的新思路。未來，我們有信心也有決心，與廣大一線師生、教練員、運動員攜手奮進，開拓出一條競技體育、體育教育與人工智能三贏的體教融合創(chuàng)新發(fā)展之路。

參考文獻：

[1]劉波，黃璐.體教融合培養(yǎng)高水平運動員的多元化發(fā)展途徑研究[J].體育教學，2021，41（09）.

[2]毛振明，羅帥呈.東京奧運后談“舉國體制”和“體教融合”[J].體育教學，2021，41 （09）.

[3]王登峰.體教融合的歷史背景與現(xiàn)實意義[J].體育科學，2020，40（10）.

[4]姜自立，李慶.李慶短跑訓練理念研究[J].體育科學，2018，38（02）.

[5]許弘，李先雄.體教融合背景下青少年體育活動開展的困境與思考[J].體育學刊，2021，28（02）.

[6]Raj p A，F(xiàn)ister I.A systematic literature review of intelligent data analysis methods for smart sport training[J].Applied Sciences，2020，10 （09）.

[7]莊薇，邵恩，朱志強，等.基于世界級運動員身體形態(tài)、機能及素質特征的雪上項目冠軍模型研究[J].體育科學，2018，38（10）.

[8]蘇炳添，鄧民威，徐澤，等.新時代中國男子100m短跑：回顧與展望[J].體育科學，2019，39（02）.

[9]Pearl J.Causality[M].Cambridge university press，2009.

[10]Fu X，Cai L，Liu Y，et al.A computational cognition model of perception， memory， and judgment[J].Science China Information Sciences，2014， 57 （03）.

[11]Morgenroth T，Ryan M K，Peters K.The motivational theory of role modeling： How role models influence role aspirants’ goals[J].Review of general psychology，2015， 19 （04）.

[基金項目：國家自然科學基金青年項目“基于因果推斷方法的運動訓練智能化決策機制研究”;田徑短跑接力項目國家隊備戰(zhàn)東京奧運會（2021年度）科技攻關與科技服務]