Datenerfassung
Datenerfassung (data input), Aufnahme von Daten aus Training, Wettkampf und Leistungsdiagnostik zur weiteren statistischen Bearbeitung als unverzichtbare Grundlage eines wissenschaftlichen Trainings. Die Genauigkeit der Daten ist neben der exakten Erfassung (Zeitmessung, Gerätetechnik usw.) an eindeutige terminologische Abgrenzungen der einzelnen Trainingsbereiche und Messstrecken gebunden. Zudem erfordert sie in der Zusammenarbeit mit Biomechanikern, Sportmedizinern und Psychologen, die unterschiedlichsten Techniken der Datenerfassung miteinander zu verkoppeln. Eine wesentliche Aufgabe in vielen gesellschaftlichen Bereichen (z.B. Medizin, Verbrechensbekämpfung, Klima usw.) ist die weltweite Vernetzung (nützlicher) Daten. Auch in der Sportwissenschaft sind zunächst hypothesengesteuerte Forschungsfragen zu entwickeln und klinische und biomechanische Daten zu kombinieren, um sinnvolle und anwendbare Ergebnisse zu erhalten. Dieses Ziel des Extrahierens und Analysierens von Big Data mittels Hochleistungsrechnen ist nur durch eine kollaborative und internationale Gemeinschaft möglich (Ferber 2014). In der Iinformatik spricht man von Data Mining, Verfahren, die aus Big Data bislang unbekannte, neuartige, nützliche und wichtige Informationen „aufspüren“ und zu neuem Wissen generieren. Bei der Optimierung des Trainingssystems zeigte der Einsatz von Deep Learning und Data Mining Technologie einen sehr signifikanten Effekt auf die Leistungssteigerung von Schwimmern (Liu & Sun, 2022).→Belastungszonen, →Trainingsdokumentation
Besonders im Hochleistungstraining wird der Trainer mit einer Flut an Daten konfrontiert und ist veranlasst, sich auf wesentliche Daten zu konzentrieren. Dabei ist es wichtig, bestimmte Standards (Tests, Messplatztraining) regelmäßig zu wiederholen, da die Daten erst in ihrer Entwicklung (Längsschnittvergleich) besonders aussagekräftig sind. Erfassung und Beherrschung der Datenflut entscheiden immer mehr über die Effeltivität der Leistungsdiagnostik. Neue Möglichkeiten eröffnet die vollautomatische, quantitative Videoanalyse mit dem Ziel, zyklische Strukturen zu erfassen und daraus kinematische Parameter abzuleiten (Lienhardt et al. 2015). Da dreidimensionale Technikanalysen auf Videobasis zeit- und arbeitsaufwendig sind, eignen sie sich nicht als Feedback-Methode während des Trainings. Deshalb setzt man immer mehr auf kleine Beschleunigungssensoren und Mikrocomputer. Damit konnten Ohgi & Ichikawa (2003) am Nachlassen der Handgelenksbeschleunigung den Grad der Ermüdung des Schwimmers ermitteln. Hermann & Ungerechts (2016) haben numerische Daten akkustisch (klanglich) umgesetzt (→Sonifikation). Durch die klangliche Wahrnehmung des Strömungsdrucks beim Schwimmen, kann der Athlet sein Wasserbewegungsgefühl verbessern.
Ein bescheidener Ansatz der Vereinheitlichung in der Datenerfassung für Melde– und Ergebnislisten sowie für die Erstellung der Bestenlisten ist im DSV ab dem 01. Januar 2023 der neue Standard DSV-7 (https://www.dsv.de/fileadmin/dsv/documents/Amtliche_Mitteilungen/DSV_Standard07_rot_markiete_Aenderungen.pdf – Zugriff 15.10.22)
Exkurs: Inzwischen ist die Messtechnik im Sport zur Massenware geworden. Mit in Mobiltelefone integrierten GPS-Systemen können die aktuelle Position und damit Laufgeschwindigkeit und -umfang und zusätzlich die Herzfrequenz erfasst werden. So werden bereits Hobbysportler überwacht wie Patienten auf der Intensivstation. In spezielle Shirts werden auf Brusthöhe zwischen den Schultern Elektrochips installiert, deren Daten Aufschluss darüber geben, ob ein Sportler „richtig“ trainiert hatte. An Systemen, die die Schweißproduktion und den Adrenalinausstoß erfassen, wird getüftelt (Spiegel, 12/2016, S.69). Der Datenfluss ist die eine Seite, die Interpretation die andere. →Fachkompetenz, → Activity tracker, →Datenschutz
Videos: https://www.tritonwear.com/ (Zugriff am 7.01.2019) und Vortrag von Tristan Lehari „Advancing Swimming Through Big Data“ zur FINA Golden Coaches Clinic 2016.:https://www.youtube.com/watch?v=kAR_wAOa3KA (Zugriff am 7.01.2019)