ChatGPT离心训练对14岁以下网球少年体能的提升效果：速度、变向与跳跃

在网球对抗中，来自对手的每一次击球都可能在速度、旋转形式与旋转速率、以及球场落点上呈现差异，从而迫使运动员持续做出调整以完成应对（Kovacs, Citation2006）。因此，网球常被认为是一项需要不断进行即时反应的运动（Kovacs, Citation2006）。这种在环境高度不确定条件下进行的活动，对网球运动员的身体素质提出了很高要求。为了满足网球所需的身体能力，运动员通常需要具备较强的肌肉力量、爆发力、直线加速能力以及良好的灵活性（Fernandez-Fernandez et al., Citation2023; Kovacs et al., Citation2008; Landlinger et al., Citation2010）。特别是当运动员处于职业发展早期时，围绕这些关键能力展开训练，往往会对长期竞技表现产生积极影响（Lloyd & Oliver, Citation2012）。虽然训练确实能够帮助青少年运动员提升身体素质，但不同训练路径带来的收益并不相同，因此仍需进一步探讨如何增强训练效果，以更有效地提高各项身体素质（Lambrich & Muehlbauer, Citation2022）。

过去二十年里，离心训练（ET）由于能够在肌肉张力状态下实现拉长，被广泛引起学者与教练关注。大量研究表明，在年轻运动员阶段系统加入离心训练，有助于提升肌肉力量、爆发力、冲刺表现、以及与变向相关的（CoD）速度/灵活性等关键指标（Bright et al., Citation2023）。这也使得离心训练逐渐成为运动准备中的重要组成部分，尤其适用于需要强爆发和快速变向的项目，例如网球。在这种情境下，高效的减速能力尤为关键：运动员必须快速发力并完成变向动作，而这往往决定比赛中的重要环节（Kovacs et al., Citation2008）。离心训练在提升减速效率方面具有作用（Chaabene et al., Citation2018）。不过，现有离心训练研究多数聚焦于年轻成年人（Douglas et al., Citation2017），因此提示当前研究领域存在不足：针对青少年运动员的证据相对有限。尽管离心训练在不同运动类型中已被证实有效（Bouguezzi et al., Citation2024; Moran et al., Citation2022; Negra et al., Citation2024），但其在青少年网球中的应用研究仍然较少。Negra等人（Negra et al., Citation2024）指出，将8周的水平速度离心减速训练与常规手球训练结合后，可对青少年手球运动员的跳跃能力、变向速度及重复冲刺能力产生积极效果。类似地，Bouguezzi等人（Bouguezzi et al., Citation2024）也报告了倒向北欧运动对青少年空手道运动员多项身体素质（如跳跃、冲刺速度、变向速度）以及下肢不对称评分的潜在益处。

人工智能（AI）的快速进步正在重塑多个领域，其中也包括运动科学与训练实践（Cavazzotto et al., Citation2023; Havers et al., Citation2025; Washif et al., Citation2024）。在众多AI工具中，ChatGPT作为OpenAI开发的大型语言模型，在不同应用场景中展示出较大潜力（Cavazzotto et al., Citation2023; Washif et al., Citation2024）。在运动训练领域，像ChatGPT这样的AI工具可用于生成训练方案，从而帮助优化运动员表现（Cavazzotto et al., Citation2023; Havers et al., Citation2025; Washif et al., Citation2024）。近期一项研究认为，只要用户给予清晰的指导，ChatGPT就能够生成有效的抗阻训练计划（Washif et al., Citation2024）。此外，Havers等人（Havers et al., Citation2025）评估了ChatGPT-4与Google Gemini生成的抗阻训练方案在可重复性与质量方面表现，结论指出：当使用相同提示信息时，两类AI工具生成的训练计划具有相似的可重复性与质量。该研究还指出，输入内容越具体，生成方案的质量通常越高；并且在高质量方案生成能力上，ChatGPT-4表现优于Google Gemini。

尽管AI在运动训练中的应用逐渐升温，但关于AI生成训练方案有效性的研究仍然不足，尤其是在青少年群体中更为有限。另外，现阶段仍缺少研究在真实训练情境下验证基于ChatGPT的抗阻训练方案是否同样有效。因此，开展此类研究对于检验ChatGPT训练方案的效果与现实适用价值具有重要意义。基于此，青少年网球运动员这一人群具有独特的训练需求，尤其可能从离心训练中获得明显收益。本研究因此旨在考察ChatGPT生成的离心训练方案对14岁以下网球运动员身体素质关键指标的影响。研究假设为：ChatGPT设计的离心训练计划将能在提升14岁以下网球运动员关键身体素质指标方面产生较好效果（Havers et al., Citation2025; Washif et al., Citation2024）。

研究方法

研究问题与实验流程

在本项准实验设计中，我们评估了一个8周的ChatGPT设计离心训练（ET）计划。该方案选用北欧腿弯举（NHE）与反向北欧运动（RNE）作为干预手段，对青少年网球运动员的身体素质进行影响。我们向ChatGPT（版本4.1.0）提供如下提示：“请提供一个基于北欧腿弯举和反向北欧运动的8周训练干预方案，针对青少年网球运动员。训练频率应为每周2次，每次持续30分钟。请注意不同的训练原理以及目标群体的特点”。AI工具输出的相关细节由两位合著者及领域专家（YN和HC）进行细致核查。两位专家均持有运动科学博士学位，并在青少年运动员发展方向具备扎实的研究与实践经验。我们也认识到，ChatGPT的输出可能不会完全逐字照搬，因此可能影响训练计划的精确复现。为降低该问题，我们保留了所用提示文本，并对生成内容进行逐项复核。总体来看，经过对ChatGPT方案的全面审阅后，专家认为不需要进一步调整。该计划被认定为合理，并与当下青少年离心训练的最佳实践相一致。

本研究招募了两支地区性青少年网球队伍参与。其中一支队伍分配至ET组，另一支队伍分配至主动对照组（CG）。分组依据便利性原则执行，因为参与者本就属于两支不同队伍，因此无法进行随机化。两组的体能教练与教练员不同，但两位教练密切协作，并对网球训练计划进行标准化，以保证两组训练的一致性。两组训练均主要围绕技术技能展开，包括步法、击球动作、发球技巧、底线稳定性与网前战术。每周两组均训练4至5次网球训练。在每周的星期二与星期四，ET组将原有10至20分钟的低强度网球练习替换为离心训练。完成ET后，运动员继续进行常规网球训练。基线测试前的两周内，参与者完成身体素质测试的熟悉过程，测试内容包括直线冲刺速度（5米与10米）、变向速度（505变向测试）、灵活性（Y型灵活性测试）以及跳跃能力（反向跳跃，CMJ；20厘米下落跳跃，DJ-20）与距离（立定跳远，SLJ）。在实验开始与结束时，所有测试均安排在上次训练或比赛后至少48小时进行，并且统一在相同时间段（18:00-19:30）完成。

参与者

根据Bouguezzi等人（Bouguezzi et al., Citation2024）的研究思路，使用G*Power软件（版本3.1.6，德国杜塞尔多夫大学）进行事前功效分析，设定I类错误率为0.05，统计功效为80%。结果显示，若要观察到显著的交互效应，总样本量需为20名参与者（以505变向测试的效应大小Cohen’s d=1.18为例）。为应对潜在的退出或缺失情况，最终纳入24名高水平青少年网球运动员（平均年龄13岁）（McKay et al., Citation2021），来自两支不同地区的网球队，分配至ET组（n=13；7名女性、6名男性）或CG组（n=11；6名女性、5名男性）。参与者纳入标准基于以下条件（Alonso-Fernandez et al., Citation2019）：至少接受4年的结构化网球训练（Alonso-Fernandez et al., Citation2018）；持续参加地区或国家层面的青少年比赛（Bontemps et al., Citation2022）；且在研究前的6个月内未出现肌肉或肌腱损伤。所有运动员均来自由国家网球联合会认证的地区表现俱乐部，并参与人才发展项目。相关俱乐部持续培养具有国家竞争力的运动员，因此样本可视为较高训练水平的青少年网球群体。最终样本来源基于参与者的可用性与意愿。表1呈现了两组的身体测量数据。本研究采用成熟度偏差（MO）评估生物学成熟度（Moore et al., Citation2015），并使用如下预测方程。在所有实验程序开始前，已向参与者完整说明全部实验内容与潜在风险，并在研究实施前取得父母/法定监护人及参与者本人的书面知情同意。所有流程均已获得Ksar Said高等体育与体育教育学院伦理审查委员会批准（参考编号：LR24JS21），并依据《赫尔辛基宣言》最新版本执行。

直线冲刺计时

10米线性冲刺通过单光束电子计时系统评估（Wittygate，Microgate，SRL，意大利博尔扎诺）。参与者从站立分立姿势起步：前脚位于第一个红外光电门前0.3米处，光电门距离地面0.75米，以便尽可能捕捉躯干运动，降低由肢体摆动造成的误判信号。整个测试设置了三道单光束光电门。开始前不得出现摇摆或走步。两次试验间恢复时间为3分钟。5米与10米冲刺的组间ICC分别为0.88与0.91，典型测量误差（TEM）分别为1.2%与1.3%。取两次试验中的最佳成绩用于后续分析。

505变向速度

505 CoD速度测试参照Negra等人（Negra et al., Citation2024）的标准实施，并使用电子计时系统（Wittygate，Microgate，SRL，意大利博尔扎诺）记录表现。测试起点位于10米线的站立位置。运动员需要尽可能快速地通过起点/终点线，然后在标志锥指示的15米线处完成180°转身，随后再尽可能快速返回起点/终点线。为确保动作执行正确，研究人员站在转弯区域；若参与者在到达转弯点之前改变运动方向，则该次试验无效，需在3分钟恢复后重新进行。每次试验间休息3分钟。取两次试验中的最佳成绩用于进一步分析。试验间ICC为0.92，TEM为1.6%。

Y型灵活性测试

Y型灵活性测试依据Lockie等人（Lockie et al., Citation2014）的方案完成，使用Witty光学计时系统记录时间并设定反应条件。门的宽度为1.5米，高度为1.2米。起始线后0.3米处，参与者先进行5米最大直线冲刺。随后，参与者需尽快完成变向任务：向左或向右进行45°变向，接着再进行5米冲刺至终点门。为判定变向方向，绿色箭头将在通过起点门约40–45毫秒后显示。共进行两次试验，取最好成绩用于后续分析。两次之间休息90秒。试验间ICC为0.89，TEM为4.9%。

反向跳跃

从站立姿势开始，双腿与肩同宽，双臂自然叉腰。参与者先完成快速下蹲动作，随后进行最大垂直跳跃。跳跃高度使用光电系统（Optojump next，Microgate，SRL，意大利博尔扎诺）记录。共进行三次试验，取最佳结果用于进一步分析，每次试验间休息90秒。试验间ICC为0.93，TEM为4.1%。

立定跳远

参与者站在起始线后，双脚与肩同宽，双臂自然下垂。听到“准备，预备，开始”指令后，参与者迅速下蹲并尽最大努力向前做水平跳跃。要求双脚同时落地，且不能向前、向侧面或向后摔倒。通过卷尺测量起始线与后脚跟之间的水平距离，精确至1厘米。共进行三次试验，取最佳成绩用于进一步分析，每次试验间休息90秒。试验间ICC为0.87，TEM为3.15%。

20厘米下落跳跃

从距地面20厘米的平台起跳，参与者站立，双臂叉腰，领先腿保持伸直以避免任何初始向上的助推。为保证测试有效性，研究人员告知参与者需以完全伸展的膝关节与踝关节离开平台，并在落地时保持同样的伸展状态。短暂接触地面后立即完成最大垂直跳跃。共进行三次试验，取最佳成绩用于进一步分析，每次试验间休息90秒。试验间ICC为0.86，TEM为4.8%。

离心训练方案

与ET干预相关的所有细节均汇总在表2中。ET计划在赛季前半段（2024年10月-11月）实施，方案基于两类动作：北欧腿弯举（NHE）与反向北欧运动（RNE）。根据实验提示（见实验问题部分），ChatGPT生成的回答通过下列核验标准进行评估：i）训练负荷是否符合年龄适宜性；ii）动作难度、训练量与训练强度是否呈现逐步递增；iii）组间与每次训练课程之间的恢复时间是否充分。关于第三点，我们承认直到参与者在实际练习中完成这些动作后才做出最终判断。在该阶段，我们向参与者征求其对恢复感受的反馈，并询问所提供的恢复时长是否足够。参与者反馈整体积极，因此研究团队保留ChatGPT最初建议的恢复时间。在每次ET课程开始前，均按ChatGPT给出的热身程序执行：慢跑/动态动作（如高抬腿、臀部踢腿）2–3分钟，动态拉伸（如髋屈伸、腿摆动、手臂圈）2–3分钟。在每个训练周的开始阶段，第一次ET课程安排在周二，且距离上一个周末的网球比赛至少48小时。第二次ET课程安排在周五，距离第一次ET课程间隔72小时。

对照组训练安排

在8周干预期内，对照组参与常规的网球专项训练计划：每周5次训练，每次80至90分钟。一般而言，专项训练包含技术技能练习（例如击球动作、发球与接发球）、步法练习以及基础对抗模式。与实验组不同，对照组在整个干预过程中未加入任何额外或替代的离心训练内容。其训练课程为完整方案，并保持每周训练量与组织结构的一致性，只是在实验组中引入离心训练成分。

数据统计分析

所有统计分析使用SPSS 25.0（SPSS, Inc, Chicago, IL, USA）完成。数据以均值与标准差（SD）表示。首先使用Shapiro-Wilk检验评估正态性，并通过Q-Q图进行可视化确认（Razali & Wah, Citation2011）。为判断干预对因变量的影响，采用混合线性模型对每个指标进行分析。当组别×时间交互作用达到显著水平（p<0.05）时，进一步进行事后配对t检验。Cohen’s d用于量化组内效应。计算方式为：将后测与前测的均值差异除以前后测的合并标准差，所得结果以绝对值形式报告。效应强度解释参照Hopkins等人（Hopkins et al., Citation2009）提出的分级标准：<0.2为微小，0.2至0.6为小，0.6至1.2为中等，1.2至2.0为大，2.0至4.0为非常大，>4.0为极大。通过ICC模型（Alonso-Fernandez et al., Citation2019；Bontemps et al., Citation2022）与TEM评估试验间可靠性。最小值得变化（SWC0.2）设定为0.2×合并标准差，其中SD为前测训练分数的合并标准差（Ferreira et al., Citation2012）。SWC用于描述在实际应用中有意义的最小变化，从而帮助判断观察到的改变是否可能具有现实相关性，即使统计显著性未必成立（Hopkins, Citation2010）。该计算基于Cohen的效应大小原则，其中0.2代表小但不等同于微不足道的效应。

研究结果

所有参与者均被归类为青春期个体（表1），两组分布相等。两组均按照分配完成训练，出勤率为100%，没有缺席情况。研究期间未报告与训练或测试相关的伤病。基线与随访时的身体素质指标见表3。基线阶段，两组在身体测量特征与身体素质指标上均未观察到显著差异（表3）。

线性冲刺时间 显著的组别×时间交互作用（p<0.01）提示ET组在5米冲刺中的提升幅度大于CG组（表3）。事后分析显示，ET组在5米冲刺上实现了显著的前后改善（∆9.10%；d=1.66，95% CI [1.62, 1.70]；p<0.001），而CG组未见显著改善（5米：∆0.41%；d=0.15；95% CI [0.10, 0.18]；p<0.05）。此外，在5米冲刺项目中，ET组100%的运动员提升幅度均超过SWC0.2阈值，而CG组仅有27%（n=3）的运动员达到该标准。对于10米冲刺，未发现显著的组别×时间交互作用（p>0.05）（表3）。尽管如此，ET组中90%（n=12）的运动员在10米冲刺上改善超过SWC0.2，而CG组仅有36%（n=4）达到相同阈值。

变向速度 显著的组别×时间交互作用（p<0.01）表明ET组在505 CoD测试上的改善优于CG组（表3）。事后分析显示，ET组前后表现出现非常大的提升（∆11.96%；d=2.15，95% CI [2.05, 2.27]；p<0.01），而CG组无显著变化（∆2.11%；d=0.37；95% CI [0.28, 0.48]；p>0.05）。在个体分析层面，ET组90%的运动员（n=12）在505 CoD表现上超过SWC0.2，而CG组只有63%（n=7）的运动员达到该阈值。

Y型灵活性测试 在Y型灵活性测试中，组别×时间交互作用达到显著水平（p<0.01），说明ET组相较于CG组拥有更大的改善幅度（表3）。事后分析显示，ET组的前后表现呈现中等幅度的改善（∆6.64%；d=1.13；95% CI [1.00, 1.24]；p<0.01），而CG组出现小幅下降（∆3.14%；d=0.6；95% CI [0.49, 0.70]；p<0.05）。进一步个体分析发现，ET组中81%的运动员（n=11）在Y型测试中的提升超过SWC0.2，而CG组仅有18%（n=2）达到该阈值。

跳跃表现 在所有三项跳跃能力测试中均未观察到显著的组别×时间交互作用（全部p>0.05）（表3）。当结合个体反应进行分析时，ET组在所有项目中的表现超过SWC0.2的比例均高于CG组：CMJ（81% vs. 18%）、SLJ（73% vs. 27%）以及DJ-20（73% vs. 18%）。这提示尽管组别×时间交互在统计层面未达到显著，但ET组中获得具有实际意义改善的运动员比例更高。

讨论

本研究的目的在于评估由ChatGPT生成的离心训练（ET）方案对青少年网球运动员身体素质指标的有效性。由于本研究属于初步工作，我们认为其在既有证据中具有一定探索性：就我们所知，这是首次尝试在真实训练场景中应用AI生成的ET方案。研究的主要创新点在于将AI引入“概念验证”的框架：从纯粹的理论编程走向对其可行性与潜在有效性的初步检验。总体而言，研究结果显示，ChatGPT生成的ET方案使青少年网球运动员在冲刺速度、变向速度以及灵活性表现方面实现了中等到非常大的提升。与之对比，执行常规网球训练的运动员在各项身体素质指标上未出现显著改善。这些发现为ChatGPT基础ET方案在青少年运动人群中的可行性与潜在有效性提供了初步证据。

短距离线性冲刺速度

短距离线性冲刺速度是网球运动员的重要体能特征（Chapelle et al., Citation2022；Kovacs et al., Citation2008；Ulbricht et al., Citation2016）。本研究显示，ET方案能够使青少年网球运动员在5米冲刺速度上获得显著且幅度较大的提升（∆9.10%；d=1.67），而在活跃对照组（CG）中未检测到该参数的显著变化。对于10米冲刺速度，本研究没有发现显著的交互作用。上述结果支持“AI设计的训练能够推动年轻运动员在冲刺速度方面产生有意义的适应变化”这一判断。此外，个体分析进一步表明：ET组所有参与者的5米冲刺成绩均超过SWC0.2阈值，而CG组仅有27%的运动员（n=3）达到该标准。尽管10米冲刺未出现显著交互效应，但个体反应显示ET组中90%的运动员（n=12）超过SWC0.2，而CG组只有36%的运动员（n=4）达到该阈值。综合来看，这些结果反映了ET在提升短距离线性冲刺能力方面的有效性，也提示仅依靠常规网球训练可能不足以在这一关键能力上带来显著提升。

变向速度

既往研究强调，现代网球对运动员的变向速度与灵活性提出了较高要求（Fernandez-Fernandez et al., Citation2014，Citation2023）。本研究结果显示，ET方案分别促使505变向速度与灵活性表现获得非常大与中等程度的提升（∆-11.96%；d=2.15和∆6.64%；d=1.13）。然而在CG中，变向速度并未发生显著变化，灵活性指标反而出现小幅下降（∆3.14%；d=0.6）。个体分析表明，ET组中90%的运动员（n=12）在505 CoD表现上改善超过SWC0.2，而CG组中仅有63%（n=7）达到该阈值。对于灵活性，ET组81%的运动员（n=11）在灵活性测试中的表现超过SWC0.2，而CG组仅18%的运动员（n=2）达到同样水平。这些结果与现有文献相符。例如，已有研究显示，将反向北欧运动（RNE）与常规空手道训练结合的8周方案可在青少年空手道运动员中带来中等程度的505变向速度提升（∆7.07%；d=1.18）（Bouguezzi et al., Citation2024）。此外，Negra等人（Negra et al., Citation2024）也报告：在一项8周水平速度离心减速训练方案后，青少年男性足球运动员的505 CoD速度表现出现显著改善（∆9.90%；d=1.72）。上述研究与本研究共同提示，ET可能在提升青少年运动员的变向能力与灵活性方面具有积极作用。

跳跃表现

虽然本研究在三项跳跃指标上均未观察到显著的组别×时间交互作用，但个体反应分析显示，ET组在所有测试中实现超过SWC0.2阈值的比例均高于CG组：CMJ（81% vs. 18%）、SLJ（73% vs. 27%）以及DJ-20（73% vs. 18%）。这表明，即便统计意义上的交互效应不显著，ET组仍有更多运动员在跳跃表现上获得具有实际价值的改善。Bouguezzi等人（Bouguezzi et al., Citation2024）在青少年空手道运动员中应用8周RNE训练方案后，也观察到CMJ与SLJ的中等幅度提升。Chaabene等人（Citation2020）则在青春期后女性手球运动员中实施8周NHE训练后，报告CMJ高度有较大提升（∆17%；d=0.85）。尽管本研究并未直接测量相关机制指标，但从训练内容推断，ET方案中膝伸肌与屈肌力量的增强，可能是跳跃表现改善的原因之一。

研究局限

本研究仍存在若干局限，需要在解释结果时加以考虑。首先，参与者被分配至实验组与对照组的过程并未采用随机化。由于参与者来自两家不同俱乐部，导致无法随机进行分组；组别分配采用便利性原则，这可能增加偏倚风险。后续研究应采用随机分配流程来降低此类影响。尽管如此，两组在身体测量、成熟度偏差（MO）以及身体素质基线方面具有较高相似性，这在一定程度上增强了“研究期内的差异主要来自ET干预而非原始差异”的可能性。其次，尽管两家俱乐部间已对网球训练进行了标准化，但仍无法完全排除由于队伍分组不同而带来的潜在层级效应（集群效应）。此外，本研究未收集关于运动员或教练对ChatGPT生成方案的看法等定性信息。未来研究可以进一步探讨用户满意度以及对干预效果的感知，从而为此类训练实践的推广可行性与接受度提供更全面的证据。

结论

本研究结果显示：将基于ChatGPT的短时离心训练方案（每次10至20分钟），与常规网球训练相结合，每周2次持续8周，能够有效改善14岁以下青少年网球运动员的关键身体素质，包括冲刺速度、变向速度与灵活性。同时，ET干预后，跳跃能力也获得了显著改善。相比之下，仅进行常规网球训练的对照方式似乎不足以在这些身体素质指标上引发显著的适应变化。以上发现为ChatGPT生成的ET方案在特定情境中的可行性与潜在有效性提供了初步证据。尽管ChatGPT在为青少年运动员生成ET方案方面展现出能力，但仍需强调：训练刺激只有在合格专家的监督下，才更可能实现有效且安全的实施，确保动作以正确技术、合理强度与合适恢复时间完成。此外，AI生成的训练方案在实际应用前必须始终经过人工专家验证，以确保其安全性、适当性并符合当前最佳实践。未来研究可通过随机对照设计和更大样本规模对结果进行复制，以验证结论的普遍性与稳健性。