Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Adaptives, auf Selbstwirksamkeit basierendes KI-Coaching für Radfahren (AI)

13. August 2026 aktualisiert von: Anna Queiroz, University of Miami

Adaptives Selbstwirksamkeitsbasiertes KI-Coaching zur Steigerung der Indoor-Cycling-Leistung: Ein personalisierter maschineller Lernansatz

Das primäre Ziel dieser Studie ist es, zu bewerten, ob adaptives, KI-gestütztes personalisiertes Selbstwirksamkeits-Coaching auf Basis von Echtzeit-Feedback zu physiologischen Parametern und Leistung die Leistungsabgabe beim Indoor-Cycling während eines 20-minütigen Zeitfahrens im Vergleich zu statischen Affirmationen und reinen Trainingskontrollbedingungen verbessert.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Studientyp

Interventionell

Einschreibung (Geschätzt)

120

Phase

  • Unzutreffend

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studieren Sie die Kontaktsicherung

  • Name: Meshak Cole, B.S.
  • Telefonnummer: 305-284-3752
  • E-Mail: mwc94@miami.edu

Studienorte

  • Vereinigte Staaten
    • Florida
      • Coral Gables, Florida, Vereinigte Staaten, 33146
        • Rekrutierung
        • University of Miami
        • Kontakt:
        • Kontakt:

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

  • Erwachsene

Akzeptiert gesunde Freiwillige

Ja

Beschreibung

Einschlusskriterien:

  • Alter 18-40 Jahre

    • Freizeitlich aktiv
    • Vertraut mit stationärem Radfahren
    • In der Lage, 20 Minuten intensives Radfahren zu absolvieren

Ausschlusskriterien:

  • Kardiovaskuläre, metabolische oder respiratorische Erkrankungen

    • Medikamente, die die Herzfrequenzreaktion beeinflussen
    • Verletzung der unteren Extremitäten innerhalb der letzten 3 Monate
    • Wettkampfradfahrer (>10 Stunden Radfahren/Woche)
    • Schwangerschaft

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

  • Hauptzweck: Grundlegende Wissenschaft
  • Zuteilung: Zufällig
  • Interventionsmodell: Parallele Zuordnung
  • Maskierung: Single

Waffen und Interventionen

Teilnehmergruppe / Arm
Intervention / Behandlung
Kein Eingriff: Kontrollgruppe
Keine Bestätigungen geliefert. Teilnehmer erhalten nur Zeitbenachrichtigungen nach 5, 10, 15 und 19 Minuten zur Schrittbewusstsein. Gleiche Ausrüstung getragen, um potenzielle Überwachungseffekte zu kontrollieren.
Experimental: Gruppe 1: Selbstwirksamkeitsbasiertes KI-Coaching
Der Thompson-Sampling-Kontext-Bandit-Algorithmus, der mit Daten aus Sitzung 1 trainiert wurde, überwacht die Leistung kontinuierlich und bewertet alle 5 Sekunden, ob eine Bestätigung geliefert werden soll.
Verhalten: Gruppe 1: Selbstwirksamkeitsbasiertes KI-Coaching

Der Thompson-Sampling-Kontext-Bandit-Algorithmus, trainiert mit Daten aus Sitzung 1, überwacht die Leistung kontinuierlich und bewertet alle 5 Sekunden, ob eine Bestätigung ausgeliefert werden soll. Die Richtlinie ist darauf trainiert, eine multikriterielle "wirksamkeitserhaltende Leistungs"-Funktion zu maximieren, die belohnt:

  • Die Beibehaltung der Zielleistung im Verhältnis zu rollierenden 30s-/2min-/5min-Baselines
  • Die Stabilisierung der kurzfristigen Leistungsvariabilität (30s Variationskoeffizient)
  • Die Stabilisierung der Herzfrequenz-(HR)-Trajektorie im Einklang mit effizienter Tempogestaltung

Der Entscheidungsprozess berücksichtigt:

  • Aktuelle Leistung im Verhältnis zu rollierenden 30-Sekunden-, 2-Minuten- und 5-Minuten-Durchschnitten
  • Leistungsausgabevariabilität (Variationskoeffizient der letzten 30 Sekunden)
  • Herzfrequenztrajektorie und kardiale Driftmuster
  • Kadenzenstabilität und Veränderungen gegenüber der Baseline
  • Verstrichene Zeit und erwartete Ermüdungsprogression basierend auf der Leistungs-Dauer-Kurve KI-basiertes Coaching zur Selbstwirksamkeit passt sich an physiologische Messwerte (Leistung und Herzfrequenz) an.
Aktiver Komparator: Gruppe 2: Statische KI-Affirmationen
Generische Motivationsnachrichten, die in festgelegten Intervallen (Minute 3, 6, 9, 12, 15 und 18) unabhängig vom Leistungszustand übermittelt werden. Die Nachrichten folgen demselben Komplexitätsgradienten basierend auf der verstrichenen Zeit anstatt auf individuellen Antworten.
Verhalten: Gruppe 2: Statische KI-Affirmationen

Generische Motivationsnachrichten, die in festen Intervallen (Minute 3, 6, 9, 12, 15 und 18) unabhängig vom Leistungszustand übermittelt werden. Die Nachrichten folgen demselben Komplexitätsgradienten basierend auf der verstrichenen Zeit anstatt auf individuellen Reaktionen:

  • Minute 3, 6: "Sie bauen mit jedem Pedaltritt Schwung auf – halten Sie diesen starken Rhythmus"
  • Minute 9, 12: "Starke Anstrengung – überwinden Sie diese Herausforderung"
  • Minute 15, 18: "Letzter Einsatz – beenden Sie es stark"

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Durchschnittliche Radfahrleistung während des 20-minütigen Zeitfahrens
Zeitfenster: Tag 2
Durchschnittliche Radfahrleistung über den gesamten 20-minütigen Zeitfahren. Das Ergebnis vergleicht die durchschnittliche Leistung zwischen den Interventionsarmen (adaptives KI-Coaching vs. statische Affirmationen vs. reine Trainingskontrolle). Die Leistung wird kontinuierlich über das Fahrradergometer erfasst und als mittlere Wattzahl für den Versuch jedes Teilnehmers zusammengefasst.
Tag 2

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

University of Miami

Ermittler

  • Hauptermittler: Anna Queiroz, Ph.D., University of Miami

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

15. Mai 2026

Primärer Abschluss (Geschätzt)

23. Dezember 2028

Studienabschluss (Geschätzt)

28. Dezember 2028

Studienanmeldedaten

Zuerst eingereicht

19. Dezember 2025

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

22. Dezember 2025

Zuerst gepostet (Tatsächlich)

5. Januar 2026

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

17. August 2026

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

13. August 2026

Zuletzt verifiziert

1. August 2026

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 20251354

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .

Abonnieren