Computer zegt JA! Duursport met AI

Misschien wordt dit jaar mijn laatste jaar dat ik me richt op een hele triathlon als groene banaan. Na vijf jaar trainen voor een race van ruim 11 uur is het misschien wel genoeg geweest. Tenzij ik me kwalificeer voor het wereldkampioenschap Ironman in Nice 2025 …. En als dat lukt, dan ga ik nog één keer vol trainen, maar wel met een nieuwe aanpak: met Artificiële Intelligentie (AI).
Begin 2018 heb ik voor het eerst een echt trainingsschema gebruikt in combinatie met mijn Polar horloge en TrainingPeaks. Het schema kwam van 8020-endurance en de trainingen moest ik uit mijn hoofd leren, want Polar synchroniseerde wel naar TrainingPeaks, maar haalde de trainingen niet op. De afgelopen weken werden er drie schema’s naar mijn Garmin horloge gestuurd, waarvan twee gebaseerd op AI.
In 2018 vroeg ik me af of ik wel een halve triathlon zou kunnen, dus zocht ik een schema en volgde ik dat zo goed mogelijk. Dat lukte prima. De apps die ik nu gebruik, vertellen me dat ik over de Ironman Cascais tussen 9:45 en 10:39 ga doen. Als ik het schema goed volg. De computer zegt: JA! (De ene wel wat harder dan de andere.)

Op basis van mijn eigen ervaringen en wat lees-, kijk- en luisterwerk, hieronder een bespreking van twee trainingsapps op basis van AI, zoals aangekondigd. Ik vergelijk TriDot® en Humango met de 8020-methode in combinatie met TrainingPeaks™️, als atleet en als coach. Ik beperk me tot de grote lijnen en opvallende verschillen en overeenkomsten, zoals ik de apps gebruik. Ik laat sommige mogelijkheden van de platforms achterwege om het geheel leesbaar te houden. Zo laat ik de formules achter de scores weg, ga ik niet in op genetische profilering ( Physiogenomix™) en welke gezondheidsdata (HRV, Slaap) meegenomen worden.

Vooraf voor de transparantie:
TriDot geeft me 30% van de opbrengsten die via mijn links worden gegenereerd waar geen coaching van mij bij zit. Ik betaal 10%-30% afdracht voor coaching van mij via TriDot®.
Humango geeft mij kwantumkorting tussen 20 en 50% op door mij betaalde All star subscriptions. Coaching via AI levert mij verder vooral extra tijd op om beter te coachen, maar daarover later meer.

Samenvatting, conclusie en advies

Voor diegenen met weinig leestijd of -zin, de zeer korte versie.
TrainingPeaks is inmiddels de old-school manier om je trainingsdata te analyseren. Leuk voor datanerds. Goed te gebruiken door en met een coach en/of een statisch trainingsprogramma, waarbij alleen de drempelwaarden en dus je zones telkens wijzigen. Het is de verbeterde versie van een trainingsschema in Excel.
Humango zet fitness en ‘goal readiness’ op de voorgrond, is vrij luchtig, aardig en grappig (met ook een drill sergeant als coachrobot ‘Hugo’), met voldoende data om naar te kijken, en leuke trainingen. Doet soms wat vreemde dingen met je waardes. Prima voor de meeste atleten.
TriDot® is zeer degelijk, uitgebreid en duurder, met het goed uitvoeren van de trainingen op de voorgrond en is daar streng in (je krijgt een unicorn als het lukt). Voor de veeleisende atleet die een compleet pakket wil, voor bijvoorbeeld het trainen naar een grote groene banaan, zoals een Ironman®, marathon of trail. In tabel 1 staan de kenmerken van de drie platforms, zoals ze die zelf promoten, met mijn commentaar (check hier mijn aanbod i.c.m. de platforms).

Diepte

Dan gaan we nu de diepte in. Achtereenvolgens bespreek ik

• Wat is AI en hoe kun je daarmee trainen?
• Hoe onderbouwen de apps hun aanpak?
• De apps in gebruik:
  • de planning en indeling van de trainingsfasen;
  • de workouts en de trainingszones;
  • de manier waarop ze je (proberen te) motiveren;
  • de raceplannen en -voorspellingen.

AI en duurtraining

Algoritmes zijn er al langer en TrainingPeaks en andere platforms gebruiken die. De volgende stap in de ontwikkeling van de apps, na het inzetten van algoritmes, is het automatiseren, of beter genereren, van dat wat we (coaches, atleten) nog zelf deden. Even van Wikipedia:

“Kunstmatige intelligentie (KI) of artificiële intelligentie (AI) is het nabootsen van de menselijke vaardigheden met een computersysteem zoals leren, plannen, redeneren, anticiperen en zelfstandig beslissen zonder tussenkomst van een menselijke intelligentie.“

In een webinar voor TriDot coaches legde de CEO van het bedrijf achter TriDot de ontwikkeling van datagebruik bij duursport uit aan de hand van onderstaande afbeelding.

Hij noemt de huidige fase ‘data-intelligentie’ (DI), wat meer is dan alleen AI. Zo gebruiken de apps ook ‘machine learning’ en ‘data science’ om tot plannen en voorspellingen te komen.
Trainen met DI betekent dat het platform meer dan alleen data kan laten zien. De platforms kunnen ook je vooruitgang actief monitoren, je schema aanpassen en voorschrijven, je fitheid en finishtijd voorspellen en je daarmee motiveren.

Onderbouwing (sla over)

Training en trainingseffect worden al jaren onderzocht. Zo is zijn de bekende trainingszones ook uit de wetenschap ontstaan. De wetenschapsdiscipline over trainen is breed en onderzoekt psychologie (emotie, motivatie), blessurepreventie, prestatie, fysieke ontwikkeling, gezondheid, voeding enz.. Als wetenschapper begin ik met de onderbouwing van de drie platforms die ik testte, waarbij ik TrainingPeaks en de 8020-endurance-methode als één geheel zie.

Bij een wetenschappelijke review is het gebruikelijk om te beginnen met de manier waarop je de selectie van bronnen hebt gemaakt. Laat ik daarmee in deze bespreking beginnen.
Ik kies voor TriDot en Humango, omdat die twee nu partner zijn van de twee grootste triathlon race-organisaties: respectievelijk Ironman en Challenge. Er zijn natuurlijk vele andere platforms, zoals TriQ, AI Endurance, 2Peak en MOTTIV. Groot voor in het wielrennen is ook Join Cycling. Het ene wat verder ontwikkeld dan het andere, soms wel met zwemmen, soms niet; soms wel met lopen op vermogen, soms niet. Athletica.ai benoem ik apart, omdat daar in het gebruikersforum juist heel erg over de wetenschappelijke onderbouwing gesproken wordt.

Toen ik in 2018 een schema zocht voor mijn eerste halve triathlon, was ik zeer gecharmeerd van de aanpak van 8020-endurance, vooral vanwege de onderbouwing. Die kwam, zoals te lezen in hun boeken, uit zowel grootschalig onderzoek, sterke casussen uit de sport en de eigen ervaringen van de auteurs. Mijn eerste vraag aan de verkoper van TriDot was dan ook wat hun ‘model’ of duursportfilosofie was. “Geen,” was het antwoord! Althans geen expliciete filosofie vanuit de sportwetenschap, maar wel vanuit de datawetenschap. Laat ik voor ik daar op in gaan toch even kort stilstaan bij verschillende manieren van onderbouwen. (Geen zin of tijd voor deze nuances, ga naar overzicht).

Succesverhalen

Ontwikkeling van de sport (maar ook in andere disciplines) gaat vaak via de successen van atleten die winnen en succes hebben. Soms doordat winnaars iets anders probeerden, soms ook niet. Alle platforms die ik heb gezien doen dit: “Topatleet A doet dit en wint. Lees hier haar succesverhaal met platform Y.” Maar ook wetenschappelijk is dit een bekende manier om de effecten van een trainingsaanpak te onderbouwen. De onderzoekers selecteren een groep atleten, bepalen de mate van succes en onderzoeken de (verschillen in) trainingsmethode. 8020-endurance en voorstanders van vergelijkbare aanpakken, gebruiken deze onderzoeken vaak. Athletica verwijst ook naar dit type onderzoek. Humango en TriDot® niet expliciet, maar dieper in de uitleg en support kom je deze wel tegen.

Wetenschappelijke experimenten en reviews

De klassieke onderzoeksmethoden om effect van een trainingsaanpak vast te stellen is experimenteel onderzoek, of onderzoeken die over veel van die experimenten dan weer samenvattingen schrijven (meta-onderzoek en review-studies). Vaak echter blijkt het moeilijk om grote steekproeven hiervoor in te zetten, waardoor de vertaling naar een model voor ‘alle’ sporters, zeker de amateurs en recreanten, altijd lastig is. Meta-studies proberen dit op te lossen door veel onderzoeken samen te nemen, maar hebben in feite hetzelfde probleem.
Net als bij de succesverhalen gebruiken vooral 8020 en Athletica deze bronnen.
Interessant is hier dat de aanpak van Athletica, High Intensity Interval Training (HIIT), in dit type onderzoek vaak niet als effectiefst naar boven komt. HIIT werkt wel, maar aanpakken zoals 8020 (gepolariseerd trainen) zijn toch meestal effectiever. (Ik heb een snelle zoekopdracht gegeven en vond die uitkomst in de artikelen van de meest geciteerde en hoogst gerankte tijdschriften, zie bijvoorbeeld deze en deze. Vandaar ook dat ik Athletica niet verder ben gaan uitproberen.

Voorbeelden (case studies)

Individuele succesverhalen met een nadruk op het proces en de ervaring van de atleet worden op de websites en uitleggen nauwelijks verteld. Behalve dan de testimonials van gebruikers als marketing. 8020 doet dat op hun blog en in de boeken die erbij horen, wel expliciet. Dat helpt te begrijpen hoe een aanpak/workout voor jou kan werken. Als jij op het voorbeeld lijkt natuurlijk. Vanuit de ‘hyperpersoonlijke’ trainingsplannen van AI (zoals Humango het noemt), is het natuurlijk logisch om op dit type onderbouwing niet zo nadrukkelijk te gebruiken.

Datascience

Nieuw sinds AI, of beter DI, is de onderbouwing op basis van data-onderzoek. Dat lijkt op het eerste gezicht op de succesverhalen en ook de meta-studies, maar is iets anders. Er komen namelijk niet zozeer groepen atleten of steekproeven aan te pas, maar gegevens van zo veel mogelijk atleten, van allerlei typen. De datawetenschap analyseert die data, haalt de irrelevante data weg en zoekt verbanden tussen de data(punten), bouwt modellen die effecten kunnen voorspellen, analyseert die weer en leert daarvan. Eigenlijk een heel andere tak van sport dan tot voor kort dus. TriDot® is het beste voorbeeld hiervan. Vandaar ook dat de eerste reactie op een vraag onderbouwing ook ‘geen’ was, want het ging dus niet om een klassiek, bewegingswetenschappelijke onderbouwing of visie.
Dat ontkennen van het gebruik van een model achter de trainingen is typisch voor hoe AI/DI benaderd wordt:’de data bepaalt het.’ Alsof dat neutraal of nog sterker objectief zou zijn. Vaak weten ook de ontwerpers van lerende algoritmes niet precies wat die doen, ze zijn een black box. Toch worden er bij het ontwerp, vooral van het analyseren van de data, wel degelijk keuzen gemaakt in wat wel en niet relevante of betrouwbare data zijn en wat als succes of effectief wordt gezien. Die keuzen worden uit commercieel belang dan weer niet expliciet gemaakt. In een videogesprek met iemand van TriDot® werd later wel verteld dat uit de analyses die ze hadden gedaan bleek dat veel elementen van gepolariseerd trainen effectief zijn en dat die dus terug te zien zijn in de workouts en planning.

Zachte wetenschap

Wat mij, als onderwijswetenschapper en pedagoog, vooral opvalt is dat de voorkeur voor onderbouwing bij de zogenaamde ‘harde wetenschap’ ligt. Ik kan weinig vinden over psychologie van (online) coaching en motiveren van sporters of omgaan met tegenslag en blessures, stellen van doelen enz.. Wel wordt daar in de coach-communities en -certificering over gesproken, maar vervolgens niet gebruikt als onderbouwing van waarom welke grafiek te zien is in de app. Of hoe het spelelement van het scoren van een eenhoorn bij een goed uitgevoerde training motiveert. Of waarom Hugo de coachrobot wat zegt. Daar is ook wetenschap over te vinden; daar zijn ook theorieën over.

Samengevat zet ik de van elk van de drie platforms hieronder naast elkaar welke onderbouwing ze het nadrukkelijkst gebruiken.

Gebruik

Dan nu hoe de apps/platforms in praktijk werken. Op de twee AI/DI platforms heb ik nu ongeveer drie maanden een account. Op TrainingPeaks gebruik ik sinds 2018 schema’s van 8020-Endurance. Die heb ik hieronder op verschillende aspecten, vooral op die waarop ze onderling verschillen, naast elkaar gezet.

Planning en indeling

Trainen voor (grote) duursportuitdagingen betekent ook en vooral goed plannen. Niet alleen in je week tussen werk, gezin, feesten en partijen, maar ook op de langere termijn. Je moet er namelijk voor zorgen dat je op de racedag optimaal fit bent. Om dat te plannen en monitoren bestaan er een aantal waarden waaraan je progressie en fitheid kunt zien. Het voert hier te ver om die allemaal uit te leggen. De de tabel hieronder staan de termen die elk platform gebruikt naast elkaar gezet, zodat ik aan de hand daarvan vervolgens iets over de planning en progressie kan zeggen.

Laten we beginnen waar ik zou uitkomen als ik de schema’s volg, op de dag voor de race, gebaseerd op mijn trainingsgeschiedenis op 29 september. De platforms gaan bij het voorspellen natuurlijk ervan uit dat je het schema volgt. Eerst de visualisatie.

In TrainingPeaks is mijn fitheid (CTL) op 18 oktober 96 en mijn vorm (TSB) 1. Grofweg wordt voor een hele triathlon respectievelijk 100 en rond de nul geadviseerd. Prima op koers dus, maar let op, het is een nogal grove benadering. Je ziet hier dat TrainingPeaks meer een monitoringssysteem is, want CTL (en TSB) zijn berekeningen over de voorgaande zes weken, met een zwaardere weging van de laatste week. Het zegt dus meer over de belasting (die je aankan), dan de prestatie die je kunt leveren.

In het dashboard van Humango staat dat mijn projected readiness 79% is de dag voor de race. De chronic workload, vergelijkbaar met CTL van TrainingPeaks is 69. Dat ik niet 100% scoor komt waarschijnlijk omdat ik nauwelijks trainingen van Humango heb gedaan. Daarnaast zie je dat Humango veel parameters genereert, maar dat de samenhang soms lastig te begrijpen is, want hoe precies verhoudt CWL zich met readiness?

TriDot berekent mijn readiness op 7,6 op een schaal van 1-10 (op de dag van de wedstrijd 8,5). Zo’n beetje vergelijkbaar met Humangos readiness. Je kunt ook zien dat ik twee dagen na de race op 10 zou zijn uitgekomen. Eigenlijk gek, want als AI/DI optimaliseert en dat ‘real time’ doet, dan zou je verwachten op 10 of 100% op race day uit te komen. Dat dat bij zowel Humango als Triodot niet zo is, komt waarschijnlijk doordat ik niet volledig en pas laat hun schema’s precies ben gaan volgen.

De genoemde uitkomsten bereiken de schema’s door in de planning verschillende fasen van belasting te gebruiken. Periodisering heet dat. Daar zijn verschillende modellen voor. Traditioneel is de lineaire indeling van het seizoen: je begint met veel volume op lage intensiteit en dat wisselt dichter naar de hoofdrace toe. De Ironman coachcertificering propageerde dit model in de standaardschema’s. Het andere model, of modellen zijn non-lineair. Meestal zijn daarbij de fasen in blokken ingedeeld die een specifiek trainingsdoel hebben en ook aangepast kunnen worden afhankelijk van het aantal races en het soort races dat de atleet gaat doen.
8020-Endurance, Humango en TriDot volgen allemaal een variant van een non-lineaire benadering. TriDot kiest daarbij voor ‘reverse periodization’, waarbij juist in het begin van het seizoen aan intensiteit (en dus snelheid) gewerkt wordt en het vermogen om dat vol te houden opgebouwd wordt door de fasen heen. (zie de afbeeldingen hieronder, uit Api, G., & Arruda, D. (2022). COMPARISON OF PERIODIZATION MODELS: A CRITICAL REVIEW WITH PRACTICAL APPLICATIONS. 2, 29.) In het wielrennen wordt dat ook steeds populairder, sinds succesvolle veldrijders, die in de winter veel korte zware inspanningen doen, ook succesvol zijn op de weg.

In TrainingPeaks heb ik zelf globaal de periodisering van 8020-Endurance gebruikt, maar daarbij wel rekening gehouden met veel kortere wedstrijden. De hoge volumes kon ik in de zomer doen, dus toen lag de intensiteit wat lager. Humango heeft in mijn plan, van drie maanden dus, nog bijna alle periodes opgenomen, rekening houdend met de andere races voorafgaand aan het hoofddoel. Je ziet dat aan de taperfasen. Daaruit kunnen we dus ook concluderen dat Humango naast datascience ook een visie op duursporttraining heeft. Logisch en goed te volgen, maar om zowel de basis als de opbouwfase nog in te voegen is dan weer niet zo logisch (je kunt dat ook handmatig aanpassen). Terwijl ze wel mijn data van het hele jaar hebben, dus zouden kunnen analyseren welke periodes al ‘gehad heb’. In TriDot is dat wel het geval. In mijn schema staat alleen een racevoorbereiding van 14 weken. Oftewel de analyse van TriDot is dat ik naar de duur en intensiteit van de race moest gaan toewerken en het opbouwen al gedaan is.

Workouts en zone-indeling

Van de lange termijn, naar de dagelijkse praktijk. Voor de week van 9 tot 15 september heb ik de planning van de drie platforms naast elkaar gezet in uren en in trainingsbelasting met de maat die elk platform zelf gebruikt (zie onderstaande tabel).

Ook hier zien we dat Humango het vriendelijkst, of beter voorzichtigst is. Mijn eigen planning schiet wat uit, omdat ik er een fietstocht van Roermond naar Bergen op Zoom ingezet had. In praktijk van de planning van volume per week in de maand voor een race verschillen de platforms dus niet veel van elkaar. De trainingsbelasting scheelt wat meer, maar ook dat heeft vooral met de manier van berekenen te maken.

Voordat je werkelijk aan de slag kunt met het trainen, moet je op een of andere manier weten wat de workouts voorschrijven. Een studiegenoot van ruim 30 jaar geleden deed dat met blokjes van een training uit te printen en per atleet in een volgorde te plakken op een papiertje. Hij coached nog steeds en stuurt tegenwoordig pdf’s, die in Excel gemaakt zijn. Dat kan en werkt ook.
Met apps en devices werkt het anders: je moet je horloge (of fietscomputer) koppelen aan de app. Met alledrie de platforms heb je daarvoor tal van mogelijkheden (zie tabel). Ik zet ze hieronder even op een rij. Meestal kun je rechtstreeks tussen het device en het platform heen en weer synchroniseren. Soms lukt dat niet en is er omweg via Strava nodig. Behalve via je wearable kunnen alle platforms ook nog praten met andere trainingapps, zoals Zwift en Rouvy voor fietsen. TrainingPeaks kan verder ook data opnemen van voedingapps en weegschalen. TriDot kan dat ook met FuelE.

En dan ga je lekker zwemmen, fietsen en/of lopen. Dat werkt bij alle apps hetzelfde, want is vooral afhankelijk van je horloge, uit je hoofd geleerde, of uitgeprinte schema. Soms weet je door de titel van een workout al bijna wat je moet doen. Alledrie de platforms hebben een systematiek in de naamgeving. 8020-Endurance kiest meestal om het doel, fysiologisch, in de naam (afkorting) op te nemen; Cycling Aerobic # (CAE#), waarbij # staat voor het nummer, dus de lengte. Het duurt even voor je dat door hebt, maar werkte voor mij de afgelopen jaren prima.
Humango wisselt af in naamgeving tussen het doel (endurance run), met de naam van de ontwerper (Coach Rae’s start slow, finish fast). TriDot heeft alleen namen waaruit duidelijk wordt wat je moet doen: tresholds 200/300’s.

Het grootste verschil in de praktijk van het trainen met de apps zit in de manier waarop ze de intensiteit in zones indelen. Die zones worden namelijk opgeven als doel (target) in de trainingen. Wisselen tussen de drie manieren vond ik het lastigst. Je merkt daarin het sterkst het verschil in visie en aanpak van de systemen. Ik was 8020-Endurance gewend en zij volgen dus een variant op het gepolariseerd trainen, waarbij 80% van de trainingen in zones 1-3 plaatsvindt en 20% in zones 4-5. Daarbij ontwijken ze wat ze noemen de ‘moderate intensity rut’: dat gebied waarin het trainen net zwaar voelt, waar je dan toch veel van moet herstellen, maar de training relatief weinig effect heeft op de lange termijn. Die zones zijn zone X en Y.
Omdat ik dat veel in lage zones trainen zo lang gedaan had, was het schrikken dat ik veel meer in zones 2,3,4 van Humango en TriDot moest trainen. Waar nog bij komt dat zones 2 in die modellen net wat intensiever zijn dan bij 8020. Zie hieronder mijn zone-indeling voor de drie platforms (op 24 augustus in Watts voor lopen, door de platforms bepaald).

Eerste dat opvalt is dat alleen TriDot voor zes zones kiest. Daar is wel wat voor te zeggen, want trainingen met die intensiteit hebben niet echt een onderscheid tussen heel hard en allerhardst nodig. TriDot is het verder erg eens met 8020-Endurance, maar toch merk je in workouts het verschil. TriDot vraagt je heel weinig te doen in zone 1. Ook de warming up gaat meteen in zone 2, terwijl warming ups bij 8020 juist in zone 1 zijn en de lange duur (aeroob) in zone 2.
Tweede dat opvalt is dat Humango mijn FTP (de functionele drempelwaarde waarboven je verzuurt) veel hoger inschat. Dat komt, vermoed ik, omdat ze die voortdurend berekenen op basis van de laatste training. Het is dus niet een laatste meting of test. Als je namelijk opzoekt wat je 60-minutenwaarde is, dat is namelijk de definitie van FTP, vind je een andere (lagere) waarde. Dat maakt dat je al snel vrij heftige trainingen kunt krijgen, hoewel ze die weer minder vaak plannen dan TriDot.

Feedback en motiveren

Naast de belofte van trainingen speciaal en uniek voor jou, die zich ook voortdurend aanpassen, beloven de AI/DI platforms ook je te blijven motiveren. Ze zijn namelijk “… designed to improve athletic motivation and performance,” aldus Humango. TriDot helpt je vooral de ‘right training right’ te doen en “measures and motivates adherence” Over motiveren heb ik op deze site al meer geschreven (zie uitvouwtekst hieronder), dus ik ben bijzonder geïnteresseerd hoe dit werkt. Zoals gezegd, het motiverende van de aanpak wordt verder niet onderbouwd. Wat ik heb proberen te doen is nagaan waarmee de apps mij proberen te motiveren op basis van de feedback die ze geven.

Beweegredenen…….
De oplettende lezer, zeker die uit het onderwijs, merkt dat ik het woord motivatie probeer te omzeilen. Motivatie kan zo veel en zo weinig betekenen, daarom gebruik ik het liever niet. De theorie die ik gebruik in mijn onderwijsonderzoek en dus ook hier, spreekt over motieven. Letterlijk vertaald zijn dat beweegredenen. Aangezien ik hier anderen wil (helpen) aanzetten tot bewegen, is dat dus een passende term. Bananen, groen en geel, als respectievelijk lange-termijn- en korte-termijnmotieven.

De meest zichtbare feedback is jouw progressie die alle platforms laten zien (de datavisualisation in de eerste afbeelding) en de projectie van de vooruitgang in de toekomst, als je het schema gaat volgen: de fitness of readiness die je gaat behalen.

Fitness/readiness

Hierboven is al te zien hoe de apps visueel je fitness monitoren en readiness projecteren. TriDot laat daarnaast in dezelfde grafiek ook zien in hoeverre je afwijkt van het plan. Dat is in Traininpeaks en Humango ook te vinden, maar zit iets verder verborgen. Dat wordt dus kennelijk niet ingezet om te motiveren. Mij helpt het zien van je afwijking van het plan wel, vooral om te zien of mijn gevoel klopt: had ik die week een goede week (deed ik de juiste trainingen juist?) en is er een verklaring te vinden voor lagere fitheid dan verwacht?
De voor de hand liggende manier om te weten of je voortgang boekt in je trainingen is vast stellen of je harder gaat. Alleen, ‘harder gaan’ (zwemmend, fietsend, lopend) is nogal afhankelijk van onder andere de omstandigheden. De maat die daarvoor wordt gebruikt is de drempelwaarde: het vermogen (of eventueel tempo) dat je precies een uur zou moeten kunnen volhouden. Meestal FTP genoemd (zie meer uitleg hier https://www.bananenwinkel.nl/deel-c-over-data-trainen-in-zones/). De verandering in je FTP zou je dus kunnen zien als bewijs van je voortgang.
In TrainingPeaks is die wat lastig te vinden. Je moet daarvoor zelf wat tabellen/grafieken in het dashboard maken, of in een workout naar je 60-minutenwaarde zoeken en die vergelijken. Wel signaleert TrainingPeaks automatisch een verandering in drempelwaarde en stuurt dan een bericht (naar jou en je coach).
In Humango zie je je FTP meteen op de homepagina onder ‘My performance’ en de ontwikkeling in de grafiek ‘Treshold history’. Daarnaast kun je ook nog een 60-minutenwaarde vinden. Maar wat blijkt: die twee waardes zijn niet hetzelfde! De verklaring is dat de treshold history de berekende waarde weergeeft, dus op basis van meest recente training. De 60-minutenwaarde de werkelijk hoogst gemeten waarde die je 60 minuten volhield. Dat komt dus niet op hetzelfde neer, want op basis van 45 minuten workout en een berekening zou je op iets anders uit kunnen komen dan wanneer je 60 minuten voluit gaat en die waarde neemt. Je kunt dat wel weer zelf anders instellen.
TriDot stelt je FTP alleen vast na tests (verschillende opties), die ze je om de vier weken laten doen. Het platform gaat dus niet op basis van waardes in trainingen zelf die treshold aanpassen. Daaraan zie je weer dat TriDot van de schone en precieze data is: alleen volgens het testprotocol vastgestelde waarden tellen mee (hoewel je je FTP ook handmatig in kunt geven).

Compliance

Tweede nadrukkelijke motivator is de manier waarop de apps laten zien hoe goed je de training hebt uitgevoerd: de compliance. TrainingPeaks laat simpelweg door de gedane training een kleur te geven zien hoe precies je de workout hebt uitgevoerd. Rood voor een gemiste training, oranje voor wel gedaan, maar behoorlijk naast het doel, geel bijna goed en groen voor een perfect uitgevoerde training. Je kunt zelf instellen op basis waarvan TrainingPeaks dat precies bepaalt, maar standaard is het de duur en intensiteit.
Humango heeft in het dashboard meteen staan hoe goed je je aan het hele schema houdt (plan compliance) en geeft met een cirkelgrafiekje, een vinkje én een percentage aan in hoeverre je de training goed hebt uitgevoerd. Coachrobot Hugo geeft dan ook nog commentaar, bijvoorbeeld:”Goed gedaan, weer een training uitgevoerd. Was de training te zwaar, of had je te weinig tijd?” Keurige feedback volgens het principe ‘eerst een aai over de bol, dan een trap onder het hol’.

TriDot geeft punten per training (session XP) waarvan je dan kunt zien hoeveel ervan je hebt gehaald (bijvoorbeeld 32/42). Haal je alle punten van de belangrijkste training in de week, dan krijg je de volle mep: dan krijg je een unicorn! Die heb ik helaas nog niet mogen ontvangen. Wel een ponicorn, omdat ik een minder belangrijke training perfect uitvoerde. Daarnaast heeft elke training, en elke week en maand, een Training Execution score (TrainX). De belangrijkste trainingen in de week hebben dus de hoogste TrainX score van 0-100. Je hebt ook een persoonlijke TrainX score en daaraan kun je ook zien wat je progressie is.

Gamificatie

In leren en onderwijs, zeker als het verbonden wordt met apps en internet, is al jaren gamifacatie een manier om te motiveren. Dat betekent dat elementen van games worden gebruikt om het doen van opdrachten te stimuleren en te zorgen dat deelnemers bij de les blijven. Daarvoor worden badges, punten, extra levens en rankings etc. ingezet.
TrainingPeaks heeft behalve de compliance ook nog medailles (brons, zilver goud), voor drempelwaarden die je scoort (derde snelste tijd op 1km afgelopen jaar bijvoorbeeld). Werkt motiverend en laat in enige mate je vooruitgang zien.
Bij Humango vind je weinig game-elementen. Behalve de coachrobot zijn het vooral de concrete data die je moeten stimuleren. Wel heeft Humango een sociale functie, waarmee je samen in groepen of clubs trainingen kunt doen. Je kunt ook zien wat de atleten die je volgt gedaan hebben, net zoals bij Strava. Dat stimuleert natuurlijk.
Bij TriDot is de gamificatie nadrukkelijker aanwezig. Zo zijn er de de XPunten en de TrainX-scores en de ponicorns en unicorns die je kunt winnen. Ook kun je je vergelijken met anderen, althans het gemiddelde van anderen zoals jij, aan de hand van de ‘dots’ (vandaar de naam).
Per discipline (zwemmen, fietsen, lopen) zie een score tussen 0-100 gebaseerd op de drempelwaarde die je hebt. Je kunt daaraan, voor triathleten, dus ook zien wat je sterkere en zwakkere onderdelen zijn, ten opzichte van je leeftijds- en seksegenoten.

Raceplannen en -voorspellingen

Al vijf jaar probeer ik met wisselend succes mijn eindtijd te schatten voor de hele triathlons die ik doe
(19, 21, 22). Niet zozeer als prestatiedoel, maar ook en vooral om de race te plannen qua voeding en voor de mogelijke supporters. Mijn zwemmen is vrij stabiel en op de ongeveer vier kilometer is de afwijking niet snel meer dan een minuut of 10. Bovendien kun je tijdens zwemmen niet eten en drinken, dus de planning daarvoor is makkelijk. Het fietsen lukte ook redelijk, met tools als Best Bike split, omdat je met parcours en je FTP met marges van niet meer dan 30 minuten ook niet zomaar zonder gelletjes komt te zitten. Lopen is al veel lastiger, vooral omdat het lopen op vermogen nog nieuw is en er dus weinig tools beschikbaar zijn (Stryd kan dat wel bijvoorbeeld). Toch ben je er dan nog niet, want al die losse schattingen per onderdeel geven samen dan wel een zeer ruime marge voor het geheel (tot wel twee uur).
Als er iets is dat AI/DI te bieden heeft is het de voorspellingen die het kan doen. Humango en TriDot zetten die functie dan ook duidelijk neer in hun platform. Bij Humango is er een speciale tab, seasons, waar je de A-,B- en C-races in kunt zetten en zien wat de voorspelling dan is. Je kunt de parcoursen uploaden en aangeven hoe hard je wil gaan (easy – very hard). Rekening houdend met je readiness en FTP komt daar dan een verwachtte eindtijd uit: 9:43 als ik very hard ga op alle onderdelen voor mijn Ironman Cascaïs!). Je kunt er een beetje mee spelen door het ene onderdeel harder te gaan dan andere en kijken welk effect dat op de eindtijd heeft. Bovendien levert dat dus een raceplan op, hoewel Humango voor lopen dat (nog) niet op vermogen aanbiedt.

TriDot heeft RaceX als raceplanner en -voorspeller (bij de duurdere abonnementen). Die planner heeft meer functies, waarmee je ook wat-als scenario’s door kunt lopen voor het fietsen, vergelijkbaar met Best Bike split. Je kunt je fietshouding aanpassen of de windrichting of gewicht om te zien welk effect dat heeft. Ook het gemiddelde vermogen dat je wil gaan trappen, wat neerkomt op wat Humango met de intensiteit ook kan, maar dan preciezer. TriDot denkt dat ik over de race 10:39 ga doen. Nog steeds een half uur sneller dan mijn snelste triathlon in de polder, maar toch al wat minder intimiderend. En tussen de twee platforms zit ‘maar’ een marge van een uur. Dat zal mijn vader aan de zijlijn voor zijn planning van de drankjes op het terras wel fijn vinden.

Dus geen coach meer nodig?

Tsja. Misschien niet, maar dat zou ook het antwoord zijn voor iemand die graag in de data van TrainingPeaks duikt. Ook de meeste platforms die bij sporthorloges en fietscomputers horen hebben trainingprogramma’s., die werken ook voor velen prima. De vraag is niet wel of geen, maar waneer wel en waarom is dat beter met AI/DI? En daar is geen kort antwoord op dat voor iedereen geldt. Goed om te weten is dat de CEO van TriDot aan het opzetten van het systeem begon als zwemcoach, omdat hij data nodig had om beter te coachen. TriDot is daarmee ook en vooral gebouwd voor coaches. Vandaar dat er geen coachrobot is, zoals bij Humango.

Een coach helpt, wat mij betreft, bij in beweging blijven. Voor de een is dat helpen met doelen formuleren en races plannen, waarvoor dan een goed schema gemaakt wordt. Voor de ander is dat meer tijdens het volgen van het schema feedback ontvangen en aangemoedigd worden om vertrouwen te houden in de uitkomst. Voor weer een anderen een combinatie van die dingen en nog meer.
Hoe AI/DI mij als coach kan helpen is vrij praktisch: ik kan minder snel vergeten een schema aan te vullen en het maatwerk dat ik in de schema’s bouw, wordt nu voor mij gedaan. Ik kan me dus door AI/DI helemaal op het coachen richten: groene bananen vinden, aanmoedigen, het proces en de data toelichten enz.. Dat klinkt als een marketingkreet. En dat is het ook.

Samenvatting

De toegevoegde waarde van AI voor het duurtrainen zit hem vooral in het preciezer afstemmen van trainingsplan en afzonderlijke workouts op de atleet en het voorspellen van je eindtijd voor een race. Daarnaast gebruiken de platforms met AI op een slimmere manier je data om te visualiseren en je te motiveren.
TrainingPeaks, zonder AI, is inmiddels de old-school manier om je trainingsdata te analyseren. Leuk voor datanerds. Goed te gebruiken door en met een coach en/of een statisch trainingsprogramma, waarbij alleen de drempelwaarden en dus je zones telkens wijzigen. Het is de verbeterde versie van een trainingsschema in Excel, waarbij vooruitgang een getal is (een CTL van 90 bijvoorbeeld).
Humango zet fitness en ‘goal readiness’ op de voorgrond, is vrij luchtig, aardig en grappig (met ook een drill sergeant als coachrobot ‘Hugo’), met behoorlijk veel data om naar te kijken, en leuke trainingen. Doet soms wat vreemde dingen met je waardes en stimuleert ook met een sociale functie vergelijkbaar met Strava. Prima voor de meeste atleten.
TriDot is consistent, degelijk, uitgebreid en duurder, met het goed uitvoeren van de trainingen op de voorgrond en is daar streng in (je krijgt een eenhoorn als het lukt). Voor de veeleisende atleet die een compleet pakket wil, voor bijvoorbeeld het trainen naar een grote groene bananen, zoals een Ironman, marathon of trail.

Aanbod

Wil je ook gaan trainen met AI? Dat kan nu bij de Bananenwinkel. Neem contact op. Of probeer TriDot gratis twee weken uit via deze link.
Wil je Humango proberen, maak dan een account aan en voeg mij eventueel toe als coach.

Hieronder een overzicht van de kosten van elk platform met en zonder hulp van de Bananenwinkel.

Workshop trainen met AI

Als je tot zover hebt doorgelezen, wil je misschien ook wel naar de workshop Trainen met AI komen op vrijdag 1 november vanaf 19:45 bij Studio Velo in Bergen op Zoom.