Статья
Цель исследования: разработать и научно обосновать архитектуру персонализированной системы спортивной тренировки по пауэрлифтингу на основе искусственного интеллекта и экспериментально доказать эффективность её внедрения.
Методы и организация исследования. Исследование выполнено на базе двух вузов с 48 пауэрлифтерами мужского пола 18-23 лет различной спортивной квалификации, разделённых на ЭГ и КГ. В работе использовались следующие методы исследования: теоретический анализ литературы, структурно-функциональное моделирование и педагогический эксперимент, методы экспертной оценки и математической статистики. Для интеллектуального сопровождения применялся сервис ChatGPT с доступом к GPT-5 Plus и возможностями компьютерного зрения для анализа видеозаписей приседа, жима лёжа и становой тяги и формирования отчётов.
Результаты исследования и их обсуждение. Разработана модель замкнутого контура (сбор данных – интеллектуальный анализ в ChatGPT – интерпретируемый отчёт и рекомендации – тренировочный цикл – повторная коррекция), включающая целевой, технологический, содержательный и результативный блоки. Интеллектуальные отчёты обеспечивали фазовый разбор техники и «триггеров» ошибок (траектория грифа, стабильность корпуса и таза, фазность, темп, признаки утомления) и связывали выявленные нарушения с вероятными причинами и средствами коррекции. По итогам эксперимента ЭГ продемонстрировала более высокий прирост суммы в троеборье по трем видам по сравнению с КГ, различия между группами были статистически значимыми (χ², p<0,05). Наибольший эффект получен у спортсменов I-II разрядов, что указывает на эффективность ИИ-сопровождения на этапе активного формирования техники и силовой базы.
Заключение. Интеграция ИИ-сопровождения в тренировочный процесс пауэрлифтеров повышает эффективность подготовки и подтверждается экспериментальными данными, полученными в исследовании.
1. Aksyonov, M. O. Management of the training process in powerlifting based on modern information technologies: Dis. ... Cand. Ped. Sciences. 13.00.04 / M. O. Aksyonov. – Ulan-Ude, 2006. – 206 p.
2. Bindusov, E. E. Experience of using digital technologies in educational and training activities of physical culture / E. E. Bindusov // Physical culture and health. – 2022. – No. 3 (83). – P. 58-62.
3. Bogomolov, G. V. Digitalization of the provision of statistical data in the sphere of physical culture and sports / G. V. Bogomolov, S. B. Eroshkina, V. A. Furaev // Theory and practice of physical culture. – 2021. – No. 1. – P. 14-16.
4. Bondarenko, M. P. Modeling the training process of powerlifters taking into account overcoming disrupting factors / M. P. Bondarenko, A. A. Ilchenko, A. S. Malygin, A. S. Semenov // Scientific notes of the P. F. Lesgaft University. – 2022. – No. 1 (203). – P. 34-37.
5. Borisova, A. N., Volnov, S. A. Using artificial intelligence and computer vision technologies to automate the control of fitness exercises using the FORA VISION online platform as an example / A. N. Borisova, S. A. Volnov // Russian journal of information technology in sports. – 2025. – No. 2. – P. 3-14.
6. Lukyanov, A. B. Management of the training process in powerlifting using information technologies / A. B. Lukyanov // Bulletin of VESU. – 2016. – No. 5 (85). – P. 176-181.
7. Nagovitsyn, R. S. Pedagogical potential of GPT chat in the digital transformation of physical education and sports / R. S. Nagovitsyn, R. Sh. Alimov // Scientific notes of the P. F. Lesgaft University. – 2024. – No. 5 (231). – P. 271-274.
8. Panchenko, L. P. Artificial intelligence in providing first aid / L. P. Panchenko // Theory and practice of physical education. – 2021. – No. 5. – P. 85-87.
9. Albert, J. A. Persist: A Multimodal Dataset for the Prediction of Rating of Perceived Exertion and Heart Rate During Resistance Training / J. A. Albert, A. Herdick, C. M. Brahms, U. Granacher, B. Arnrich // Data. – 2022. – 8(1). – 9.
10. Aleksić, J. Computer vision solutions for range of motion assessment / J. Aleksić // Southeastern European Medical Journalю – 2023. – 7(1). – P. 55-66.
11. Bae, K. Concurrent validity and test reliability of the deep learning markerless motion capture system during the overhead squat / K. Bae, S. Lee, S. Y. Bak, H. S. Kim, Y. Ha, J. H. You // Scientific Reports. – 2024. – 14. – Art. 29462.
12. Balsalobre-Fernández, C. Validity of a smartphone app using artificial intelligence for the real time measurement of barbell velocity in the bench press exercise / C. Balsalobre-Fernández, J. Xu, P. Jarvis, S. Thompson, K. Tannion, C. Bishop // Journal of Strength and Conditioning Research. – 2023. – 37(12). – P. e640-e645.
13. Chariar, M. AI Trainer: Autoencoder Based Approach for Squat Analysis and Correction / M. Chariar, S. Rao, A. Irani, S. Suresh, C. S. Asha // IEEE Access. – 2023. – Vol. 11. – P. 107135-107149.
14. Chen, C. Quantitative analysis and evaluation of research on the application of computer vision in sports since the 21st century / C. Chen, J. Xue, W. Gou, M. Xie, X. Yao // Front Sports Act Living. – 2025. – 7. – 604232.
15. Khanal, S. R. A review on computer vision technology for physical exercise monitoring / S. R. Khanal, D. Paulino, J. Sampaio, J. Barroso, A. Reis, V. Filipe // Algorithms. – 2022. – 15(12). – 444.
16. Nagovitsyn, R. S. Artificial Intelligence Program for Predicting Wrestlers’ Sports Performances / R. S. Nagovitsyn, R. A. Valeeva, L. A. Latypova // Sports. – 2023. – 11(10). – 196.
17. Roggio, F. A comprehensive analysis of the machine learning pose estimation models used in human movement and posture analyses: a narrative review / F. Roggio, B. Trovato, M. Sortino, G. Musumeci // Heliyon. – 2024. – 10(21). – e39977.
