InleidingVoor duursporters is een goede balans van belasting en herstel van groot belang voor hun prestaties. Hierbij gaat het niet alleen om fysieke belasting en herstel, zoals training en rust, maar ook om psychosociale belasting en herstel. Omdat er nog weinig bekend is over het psychosociale deel is het doel van deze studie om uit te zoeken hoe deze relatie tussen veranderingen in psychosociale belasting, herstel en prestatie-indicatoren bij duursporters eruit ziet. MethodeTwee jaar lang zijn psychosociale belasting, herstel en prestatie-indicatoren onderzocht van 115 duursporters. De sporters hebben in die periode dagelijks een trainingslogboek bijgehouden. Wekelijks tot 3-wekelijks hebben zij een belasting en herstelvragenlijst ingevuld (RESTQ-sport) en elke 6 tot 7 weken hebben zij een submaximale prestatietest gedaan. Gedurende deze periode is er bij de hardlopers een negatieve levensgebeurtenis (NLG) voorgekomen. De analyses van deze gegevens zijn tweeledig. Eerst is met behulp van multilevel-analyses uitgezocht wat de relatie is tussen psychosociale belasting, herstel en prestatie-indicatoren. Daarna is met ANOVA’s en T-tests uitgezocht wat de invloed is van een NLG op psychosociale belasting, herstel en prestatie-indicatoren. ResultatenDe analyses lieten zien dat een verbetering in psychosociale belasting en herstel bijdraagt aan een verbetering in prestatie-indicatoren. Bovendien bleek dat een NLG een negatieve invloed heeft op psychosociale belasting en herstel in de week van de gebeurtenis en 1 week daarna. Daarnaast blijkt dat de loopeconomie (prestatie-indicator) van hardlopers 3 weken na een NLG is verminderd.ConclusiesVeranderingen in psychosociale belasting en herstel zijn gerelateerd aan veranderingen in prestatie-indicatoren van duursporters. Daarbij verstoort een NLG de mate van psychosociale belasting en herstel en heeft het ook invloed op prestatie-indicatoren. Make it countCoaches kunnen psychosociale belasting en herstel monitoren om inzicht te krijgen in belastbaarheid van sporters. Hierdoor kunnen trainingsprogramma’s op het individu aangepast worden om uiteindelijk prestaties te verbeteren.
MULTIFILE
Toeleverende bedrijven in de Brainport regio zijn veelal te typeren als high mix low volume (HMLV) productieomgevingen. Deze bedrijven kenmerken zich door een breed aanbod aan mogelijke producten (grote variëteit in producten), die veelal in lage volumes geproduceerd worden. Vaak zijn dit klantspecifieke producten die eenmalig, of incidenteel geproduceerd worden. Deze bedrijven focussen zich traditioneel op efficiënt gebruik van resources, waarbij bezettingsgraad en kostendekking relevant zijn. De toenemende klantvraag in de regio leidt tot druk op de productiecapaciteit. Een eerste intuïtieve reactie van deze bedrijven is om de bezettingsgraad van machines verder te verhogen. Om de kosten (Cost) beheersbaar te houden, wordt niet direct geïnvesteerd in extra capaciteit. Een ongewenst neveneffect is dat tijdigheid (Delivery, zoals levertijden, leverbetrouwbaarheid, flexibiliteit) en kwaliteit (Quality) verder onder druk komen te staan. De ogenschijnlijke tegenstrijdigheid tussen kosten en tijdigheid in deze HMLV-productieomgevingen, is een vaak terugkomend vraagstuk bij praktijkgerichte onderzoeken die door Fontys Technische Bedrijfskunde studenten uitgevoerd worden. Dit resulteert in de volgende onderzoeksvraag: Welke subaspecten zijn mogelijk relevant voor de prestatie met betrekking tot Quality, Delivery en Cost (QDC) van een HMLV-productieomgeving?
DOCUMENT
The aim of this observational study was to examine the differences between training variables as intended by coaches and perceived by junior speed skaters and to explore how these relate to changes in stress and recovery. During a 4-week preparatory period, intended and perceived training intensity (RPE) and duration (min) were monitored for 2 coaches and their 23 speed skaters, respectively. The training load was calculated by multiplying RPE by duration. Changes in perceived stress and recovery were measured using RESTQ-sport questionnaires before and after 4 weeks. Results included 438 intended training sessions and 378 executed sessions of 14 speed skaters. A moderately higher intended (52:37 h) versus perceived duration (45:16 h) was found, as skaters performed fewer training sessions than anticipated (four sessions). Perceived training load was lower than intended for speed skating sessions (−532 ± 545 AU) and strength sessions (−1276 ± 530 AU) due to lower RPE scores for skating (−0.6 ± 0.7) or shorter and fewer training sessions for strength (−04:13 ± 02:06 hh:mm). All training and RESTQ-sport parameters showed large inter-individual variations. Differences between intended–perceived training variables showed large positive correlations with changes in RESTQ-sport, i.e., for the subscale’s success (r = 0.568), physical recovery (r = 0.575), self-regulation (r = 0.598), and personal accomplishment (r = 0.589). To conclude, speed skaters that approach or exceed the coach’s intended training variables demonstrated an increased perception of success, physical recovery, self-regulation, and personal accomplishment.
DOCUMENT
In het RAAK-project, genaamd Groningen MAPS, is er veel data en kennis vergaard van waaruit antwoorden zijn geformuleerd op verschillende vragen rondom belasting en belastbaarheid van (top)sporters. Het onderzoek naar de factoren die invloed hebben op de prestaties en het blessurerisico van sporters heeft opgeleverd dat we nu meer inzicht hebben in de informatie die nodig is om gericht te zoeken naar verbanden tussen belasting en belastbaarheid. We hebben echter nog niet gekeken naar de data vanuit een datamining perspectief. Datamining is het gericht zoeken naar verbanden in een database met als doel het opstellen van profielen. Deze profielen kunnen nieuwe inzichten geven waardoor sporters van nog betere feedback voorzien kunnen worden. Het doel van het Top-up project is om kennis te ontwikkelen over het automatiseren van de verwerking en analyse van datastromen. Dit zal leiden tot een datasysteem wat automatisch analyses uitvoert achter de schermen. Met dit datasysteem kan de Groningen MAPS-data verder geanalyseerd worden (door middel van datamining) om nieuw inzicht te verkrijgen op het gebied van patronen in belasting en belastbaarheid van (top)sporters.
Big data spelen een steeds grotere rol in de (semi)professionele sport. De hoeveelheid gegevens die opgeslagen wordt, groeit exponentieel. Sportbegeleiders (coaches, inspanningsfysiologen, sportfysiotherapeuten en sportartsen) maken steeds vaker gebruik van sensoren om sporters te monitoren. Tijdens trainingen en wedstrijden worden de hartslagen, afgelegde afstanden, snelheden en versnellingen van sporters gemeten. Het analyseren van deze data vormt een grote uitdaging voor het begeleidingsteam van de sporters. Sportbegeleiders willen big data graag inzetten om meer grip te krijgen op sportblessures. Blessures kunnen namelijk desastreuze gevolgen hebben voor teamprestaties en de carrière van (semi)professionele sporters. In totaal stopt maar liefst 33% van de topsporters door blessures met hun sportloopbaan. Daarnaast is uitval door blessures een belangrijke oorzaak van stagnatie van talentontwikkeling. Het lectoraat Sportzorg van de Hogeschool van Amsterdam heeft veel expertise op het gebied van blessurepreventie in de sport. Sportbegeleiders hebben het lectoraat Sportzorg benaderd om antwoord te krijgen op de onderzoeksvraag: Wat zijn op data gebaseerde indicatoren om sportblessures te voorspellen? Deze onderzoeksvraagstelling is opgesplitst in de volgende deelvragen: 1. Hoe kan met sensoren relevante data van sporters verzameld worden om de sportbelasting in kaart te brengen? 2. Welke parameters kunnen blessures voorspellen? 3. Hoe kunnen deze parameters op betekenisvolle en eenvoudige wijze naar sportbegeleiders en sporters teruggekoppeld worden? Het project resulteert in de volgende projectresultaten: - Een overzicht van nauwkeurige en gebruiksvriendelijke sensoren om sportbelasting in kaart te brengen - Een overzicht van relevante parameters die blessures kunnen voorspellen - Een online tool dat per sporter aangeeft of de sporter wel of niet training- of wedstrijdfit is Bij dit project zijn de volgende organisaties betrokken: Hogeschool van Amsterdam, Universiteit Leiden, VUmc, Rijksuniversiteit Groningen (RuG), Amsterdam Institute of Sport Science (AISS), Johan Sports, Centrum voor Topsport en Onderwijs (CTO) Amsterdam, Koninklijke Nederlandse Voetbalbond (KNVB), de Nederlandse Vereniging voor Fysiotherapie in de Sport (NVFS), VV Noordwijk (voetbalclub) en Black Eagles (basketbalclub).
Trainers/coaches van sporttalenten hebben een complexe taak. Sporttalenten moeten hard trainen om de volgende stap te maken in hun sportcarrière of om de aansluiting bij de top te halen. Complexe taken waarmee de trainer te maken krijgt zijn onder andere: het vinden van de juiste balans tussen techniek, tactiek, mentale en andere trainbare factoren; stellen van grenzen aan fysieke en mentale vermogen van sporters; afstemmen op pieken in groei, lichamelijke en mentale ontwikkeling; bepalen van trainingsbelasting in relatie tot (individuele) belastbaarheid; afstemmingsproblemen tussen studie, sport en privéleven. Het risico van een disbalans tussen belasting en belastbaarheid is continu aanwezig met alle negatieve gevolgen van dien. Hierbij valt te denken aan sportblessures, niet optimaal presteren als gevolg van over- of ondertraining of drop out. Om goede sturing te kunnen geven aan dit proces, monitoren veel trainers de individuele belasting en belastbaarheid van hun sporters. Echter ontbreekt het hen aan de kennis, knowhow en tijd om de verzamelde data te verwerken, te interpreteren en om te zetten naar onderbouwde trainingsaanpassingen. Deze handelingsverlegenheid van trainers/coaches is vertaald naar de volgende onderzoeksvraag die centraal staat in het huidige RAAK-project: Hoe kunnen trainers/coaches beter toegerust worden om een optimale balans tussen individuele belasting en belastbaarheid van sporttalenten te realiseren met gebruikmaking van feedback van trainingsdata en trainingssturing. In dit project gaan we, mede op basis van input van trainers/coaches, een scholing ontwikkelen ter bevordering van trainingssturing. Parallel hieraan wordt een feedback dashboard ontwikkeld (Coach in Control dashboard) dat data van individuele sporter geautomatiseerd en betekenisvol rapporteert, visualiseert en beschikbaar maakt voor trainers/coaches. Dit gebeurt in de context van de cyclische sporten waarbij de casus plaatsvindt binnen het langebaanschaatsen en shorttrack. De trainers/coaches worden doorlopend actief betrokken bij de ontwikkeling en het testen van prototypes van de scholing (blended) en het feedback dashboard.
