走向大數據時代的運動訓練科學研究

仇乃民 李少丹

摘要：數據是科學研究的重要組成部分，數據活動方式的改變必然會影響科學研究的變化。隨著大數據時代的到來，一場關系到人們科學研究的技術與思維方式的巨大變革正在發生。目前，傳統運動訓練科學的簡單小數據研究模式正面臨難以突破的困境與局限，而大數據科學技術正在為運動訓練科學研究注入新的活力，大數據思維給運動訓練科學研究帶來了新的洞察力。基于復雜性科學理論研究視角，探討運動訓練科學大數據的研究現狀、研究的本質及其存在問題。由此為運動訓練科學研究打開了一條新的認識論與方法論的路徑：大數據時代的運動訓練科學的研究視角應從單向度轉向多維度，研究對象應從傳統的實體轉向關系，研究方法應從樣本數據轉向全數據，研究范式應從理論轉向數據。

關鍵詞： 大數據時代;大數據思維;運動訓練科學

中圖分類號： G 808.1文章編號：1009783X（2015）06054105文獻標志碼： A

Abstract：Data is an important part of scientific research.The change of data activity way is bound to affect the change of scientific research.With the advent of the era of big data，a great change has occurred in the technology and thinking mode of people's scientific research.At present，the simple and small data research model of traditional sports training science is facing difficulties and limitations，and the big data science and technology is bringing new vigor to the sports training and scientific research.Based on the theory of complexity science，the research status，the essence and the existing problems of the scientific research of sports training are discussed.The research on the scientific research of sports training opens a new way of epistemology and methodology.The research of the sports training science in the big data era should turn from one dimension to the multi dimension，the research object from the traditional entity to the relationship，the research method from the sample data to the full data，the research paradigm from the theory to the data.

Keywords：era of big data;thinking mode of big data;sports training science

在近代科學研究中，人們主要依賴抽樣數據、局部數據和片面數據，甚至在無法獲得實證數據的時候純粹依賴經驗、理論、假設和價值觀去發現未知領域的規律。而在當代，隨著信息與網絡技術的發展，人類在收集、存儲、分析、使用數據的能力方面實現了巨大跨越，人們可以運用海量的數據來揭示世界運行規律，即大數據理念和方法正在改變著政治、經濟、教育、文化、醫療等各個領域模式。面對大數據時代的到來，在運動訓練科學研究領域也逐漸開始采用大數據模式。如從運動器械上的傳感器、運動員身上的可穿戴設備、比賽場內、外的攝像頭到教練手中的終端設備及互聯網，大量的數據被廣泛地采集并通過大數據分析轉化為新的洞察力。于是，無論是賽場上運動員的表現、教練的技戰術布置，還是場外運動員的訓練或監控，大數據都在其中逐漸扮演著舉足輕重的角色。

運動訓練科學研究已經進入大數據時代，大數據正在成為運動訓練科學界熱議的術語。大數據不僅可以協助運動訓練專家、教練員從海量的訓練和比賽數據中發現規律，而且可以優化運動訓練方法，提高運動員訓練、比賽的能力;然而，在感受運動訓練大數據帶來的變化的同時，我們發現大數據不僅是一種新的數據管理方式，更是一種知識發現的過程，一種認識問題的思維模式。其思維模式的改變，不僅是方法、工具上的一種進步，更是人們認知能力的巨大改變;因此，運動訓練科學研究的大數據及其思維模式不僅為解決運動訓練中許多難以解決的問題提供新的科學技術工具，也將為現代運動訓練科學研究提供新的認識論與方法論路徑，致使運動訓練科學研究走向新范式。

1大數據時代與運動訓練科學研究

1.1大數據時代與大數據思維

1980年，阿爾文·托夫勒在《第三次浪潮》中就前瞻性地指出過大數據時代即將到來。此后經過幾十年的發展，特別是移動互聯網絡和云計算的出現，人們逐漸認識到大數據的重大意義。國際頂級學術刊物相繼出版大數據方面的?？?，如2008年9月《Nature》雜志推出《Big Data》?？?，講述了數據在數學、物理、生物、工程及社會經濟等多學科中扮演重要的角色。自此，“大數據”正式登上科學研究的大舞臺，并成為各個學科中的研究熱點問題。2011 年，《Science》雜志出版關于數據處理的?？禗ealingwith Data》，提出了對大數據進行有效地分析、組織與利用可以對社會發展起到巨大推動作用。2012年3月奧巴馬宣布美國政府5大部門投資2億美元啟動“大數據研究和發展計劃”[1]，希望推動大數據相關的收集、儲存、管理、分析和共享海量數據技術研究，進而加速美國在科學與工程領域發明的步伐，這標志著大數據已經成為國家戰略。2013年則被稱為大數據的元年，從這一年開始，大數據像旋風一樣吹遍整個世界，同時科學研究的各個領域也快速地跨入了大數據時代。

“數據”（data）一詞，在拉丁文里原是“已知”的意思，也可理解為“事實”。在科學研究中，數據是指科學實驗、檢驗、統計等所獲得的和用于科學研究、技術設計、查證、決策等的數值。在計算機科學中，數據是指所有能輸入到計算機并被計算機程序處理的符號介質的總稱，可以代表各種字母、數字符號的組合、語音、圖形、圖像等，數據經過加工后就成為信息[2]。當然，在哲學視域中，世界的本質就是數據，數據是事物現象的表征，時間和空間都可以用數來度量，只有通過數據才能獲知事物的現象[3];然而，盡管“大數據”這個詞受到人們的高度關注，但大數據是一個較為抽象的概念，至今尚無確切、統一的定義。Gartner[4]認為大數據是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。維基百科的定義[5]為：大數據是指利用常用軟件工具捕獲）管理和處理數據所耗時間超過可容忍時間的數據集。麥肯錫公司給出了定義[6]：“大數據是指大小超出了常規數據庫工具收集、存儲、管理和分析能力的數據集?！碑斍?，較為統一的認識是大數據有4個基本特征：數據規模大（volue），數據種類多（varitey），數據要求處理速度快（velocity），數據價值密度低（value），即所謂的四V特性，這些特性使得大數據區別于傳統的數據概念。

任何人都生活在一定的時代和環境中，其思考問題和解決問題的習慣和模式都會受到時代和環境的影響。大數據時代的大數據不僅是一種資源、一門應用性科學技術工具，更重要的是一種思維方式。所謂思維方式[7]是“指一個時代人們認識和研究事物的方法和手段的總和，是一種支配人們思考與行動的規范、風氣和格式”，它包含研究者思維的途徑、視角、模式、習慣、方法與手段等。也就是說，大數據思維不單單是一種新的數據管理方式，更是一種知識發現的過程，一種認識問題的思維模式。舍恩伯格等[8]在《大數據時代》中，認為大數據與3個重大的思維轉變有關：首先，要分析與某事物相關的所有數據，而不是依靠分析少量的數據樣本;其次，我們樂于接受數據的紛繁復雜，而不是追求精確性;最后，不再探求難以捉摸的因果關系，轉而關注事物的相關關系。不難看出，大數據思維實質就是從現存事物的結構和關系模式、演化程序和過程模式中去把握和描述事物的本質、特點和屬性，將現存事物的結構、關系、過程作為信息（數據）的載體或符碼，并由此破譯出其中蘊涵著的關于事物歷史狀態、現實關系、未來趨向的間接存在的內容、意義和價值[9]。這些思維上的轉變相互聯系、相互作用，它們顛覆了傳統的科學研究觀念，使得現代科學研究正在進入到一個嶄新的階段。

1.2運動訓練科學大數據研究的現狀

進入21世紀以來，在運動訓練科學研究領域，無論是運動員選材、運動訓練的技術、戰術安排與分析，或是運動訓練的效果評價與預測、運動競賽過程，運動員的疲勞、傷病的預防或恢復等方面無不與大量數據緊密聯系。也就是說，如何從浩瀚的數據中，深入尋找各種因素間的相互聯系，發現諸多因素之間的動態變化規律，從而對數據進行深層分析，使之及時準確地提供有價值的信息，這對運動訓練科學研究極為必要。如今大數據技術的出現，無疑正在悄然改變運動訓練科學研究模式。從高爾夫、網球、賽艇、棒球到足球、籃球、游泳、田徑等大數據分析正席卷整個競技運動界。

在高爾夫運動中，運動員和球隊如今越來越依靠數據分析來使他們更快、更強。Track Man技術就是通過雷達測量高爾夫運動員每次擊球后球在飛行過程中的所有數據，如速率、角度、方向、旋轉速度等，然后，通過軟件進行分析。Track Man的數據非常全面，以至于一些職業教練在考慮日后如何根據Tack Man在每次擊球后的數據分析來改變他們的訓練方式[10]。在NBA，從80年代開始將球員在賽場上的表現數據化（各種移動、對抗、擋拆、掩護、進攻、得分等），經過30多年的積累已達到可辨別每一個球員在場上的弱點，方便教練進行針對性戰術安排。目前，30家球隊俱樂部中聘請了數據分析師的15家，其平均勝率達到59.3%，而另一半球隊僅有40.7%的平均勝率[11]。在NFL新秀訓練營，每個選秀球員都需要穿上帶有傳感器的運動服，這些傳感器能記錄運動員的加速度、垂直彈跳力及心率等。通過分析那些保障運動員健康的因素，就能夠制訂合理的訓練計劃，使得運動員既能夠充分訓練，又能夠保證不因過度訓練而導致受傷[12]。

踢足球也得靠數據，在2014 年世界杯上德國隊就采用了他們的秘密武器——SAP大數據解決方案。在德國足球國家隊的訓練場地內，四處都布置了傳感器，甚至訓練用球和每位球員的護脛中也都放置了傳感器，用于捕捉球員的動作與位置變化等重要而細致的信息。這些數據信息被實時傳回SAP HANA平臺，并在短時間內完成處理。任一球員的攻擊范圍、運動軌跡、進球率等相關信息都可以直接呈現在面板上，幫助教練做出決斷[13]。網球也涉及大量的數據。一發成功率、一發得分率和Ace球是標志球員競技水平的關鍵指標，發球速度、接發球成功率、上網成功率、得分點則突出體現了球員的打法特點，如果非受迫性失誤和雙發失誤率上升，那表明球員的心理狀態或者體力開始下滑。這些網球中的數據，現在都可以通過Slam Tracker平臺實現[14]。與其他的體育項目一樣，棒球也運用到大數據。在美國，基于大數據分析的棒球運動員選材，成為傳統運動選材方式的有益補充，美國職業棒球隊大聯盟奧克蘭“運動家球隊”的總經理比利·比恩就依據這樣獨特的運動員選材方式，以最經濟的成本帶領自己的球隊贏得多次比賽[15]。

2運動訓練科學大數據研究的實質及問題

2.1運動訓練科學大數據研究的實質

傳統的運動訓練科學研究是小數據模式。所謂小數據指的是數據規模比較小，它主要通過隨機、采樣方式取得。因而“小數據”代表的是局部或部分，小數據研究模式[16]就是“對事物進行抽象化提取，通過層層假設剝離事物，并最終通過數學建模完成對事物的科學化認知”。小數據的科學理論基礎應是近代自然科學，而近代自然科學研究方法是一種機械還原的方法。也就是說，運動訓練科學的小數據研究就是主要把運動訓練整體簡單分解或還原各個部分，運用“局部或部分”原理或規律去解釋或認識運動訓練“整體”的現象與規律;于是，在其研究形式上運動訓練科學小數據研究模式最終表現為在少量數據的基礎上進行推理，追求數據的精確性或代表性（主要通過抽樣的），希望通過尋找數據之間的簡單因果關系來解釋運動訓練規律。

運動訓練科學大數據研究所呈現的是數據的大規模、快速、多維度、系統、模塊、不確定性等特點及其相互錯綜復雜關系。這些數據特點從本質上看主要源于運動訓練的復雜性，也就是說運動訓練的復雜性是運動訓練科學大數據的本質，而運動訓練實質上就是一個復雜性系統，復雜性是其本質特性[17]。一個系統的運動科學訓練不但要考慮運動員本身的各種身體要素，要考慮其表現的外在因素，還要區別看待運氣和技術因素，需要了解運動員的表現和年齡變化之間的關系等;因此，運動訓練科學大數據研究模式本質就是運動訓練科學的復雜性研究模式。我們知道如果只是對一個只有3只蜜蜂的蜂群進行分析，那么將十分簡單;但如果是一個100萬只蜜蜂的蜂群，那么將是一個巨大任務。例如，在足球運動中，如果對10個球員用3個球進行訓練，那么10 min就會產生超過700萬個可供實時分析的數據點;因此，運動訓練科學大數據研究模式開拓了運動訓練科學復雜性研究一條新的路徑。運動訓練大數據研究是以運動訓練的復雜性研究為理論基礎，而基于大數據對運動訓練復雜系統內在機制、特征、關系及其原理進行的整體性研究則為運動訓練復雜性科學提供了研究的技術及工具。當然，運動訓練科學大數據研究所提供的相關理論和觀點、方式和方法能夠較好地體現出運動訓練復雜性研究的一般特征，進而也為運動訓練復雜性研究提供一個新的研究維度。

傳統運動訓練科學小數據研究模式無法揭示運動訓練系統中許多復雜的關系，無法有效地整體把握運動訓練的規律。通過運動訓練大數據研究可加深人們對運動訓練復雜系統的整體理解，能使人們有可能得到一種最接近正確的選擇和路徑或最接近正確的觀點與方法，從而更加接近運動訓練的客觀情況，消除基于小數據還原論的經典科學研究的主觀性;因此，運動訓練大數據是研究運動訓練復雜性科學的一門科學技術，運動訓練大數據面臨的科學問題本質可能就是運動訓練復雜性科學問題。然而，對運動訓練復雜性科學研究將有助于指導運動訓練大數據搜集、更好地分析運動訓練系統的數據，幫助研究者利用大數據建立復雜運動訓練分析與預測模型等，即運動訓練的復雜性分析是其大數據科學研究的重要基石。

2.2運動訓練科學大數據研究面臨的問題

大數據帶來了運動訓練科學研究的新的洞察力，正在改變著運動訓練科學界;但運動訓練科學大數據是作為一種新的理論，其技術、方法等還遠不成熟，在其發展的過程中還將面臨著大量問題。如數據量大，但數據分散，數據格式眾多，數據重復性大;數據通常對時間極度敏感，缺乏數據全方位有效的分析方法（實時數據分析能力差）;數據傳輸、處理效率低，缺乏各種類型數據的采集方法等。更重要的是我們擁有極大規模的數據，卻缺乏有價值的洞察力，難以提取有效信息，即我們以為自己需要信息，但其實我們真正更需要的是知識。也就是說當人們的主觀愿望不積極的時候，大數據對他們來說不過是噪音而已。相反，數據也會因為主觀意愿的片面而具有欺騙性，因為有些方面是數據系統無法感知的，例如運動員的心理狀態、意志性、專注力等。如2個最頂尖的足球球探里弗斯和布朗都認為“光憑數據就能買進某個球員”這種想法是十分荒謬的?！澳阈枰H眼看看那個球員，你需要愛上那個球員，你會看到他如何做熱身運動，他怎樣跟裁判交流，在錯過機會后他是怎樣跟隊友溝通的，他怎樣慶祝得分，還有在他進球以后其隊友的反應。數據只會幫你排除一些明顯的錯誤，但最終的決定必須依賴人的判斷。這就是球探和教練的直覺”。[18]

與此同時，在競技體育界里有句老話“數據也會說謊”。如籃球選手得分高不等于對球隊貢獻大，因為他可能為了追求得分而瘋狂出手，導致球隊進攻無法流暢運轉;某些網球選手，如瑞士天王費德勒的非受迫性失誤比例會比其他球員高，但那是因為他的球風比較積極，致勝分也比別人要多;橄欖球四分衛被抄截率低也未必一定就好，因為他可能為了避免被抄截而拖延出手時間，最終被對方防守組擒殺等。所以，運動員的實力和潛力實在很難用一個簡單的數字來判斷，集體項目中尤其如此[18]。除對時間的極度敏感性之外，數據分析可能還會有一些負面影響。博爾頓的分析研究總監布萊恩·普萊斯迪奇透露說，“自從他們的守門員開始研究對方的點球手的數據以后，他的撲點球效率反而降低了，過去2個賽季只有9%的成功率”，“我們給他灌輸了數據分析的思維方式，卻拿走了人性的部分，他作為球員的直覺被弱化了。”

3大數據時代運動訓練科學研究的新路徑

3.1運動訓練科學研究視角：從單向度走向多維度

由于近代科學技術的局限和自然科學研究的簡單性理念的影響，傳統運動訓練科學研究主要局限于運動訓練的單向度或局部因素方面研究。如運動員的生理機能、運動技術或所謂的核心競技能力研究，并主要局限于化學或物理因素或機械方面的分析，由此形成運動訓練的生物學模式，即生物學因素成為運動訓練的主要因素;但隨著運動訓練科學研究的逐漸深入，我們發現運動訓練不僅與運動員的生物學因素有關，還與運動員的心理因素、自然環境、社會因素等許多因素相關聯，而且這些因素逐漸成為影響運動員比賽勝負的關鍵。同時由于缺少對這些因素研究的有效方法，這些因素的研究也成為運動訓練與比賽中難以有效控制的因素。然而，隨著運動訓練科學大數據模式研究的實現，這些大規模、多源性、多樣性運動訓練數據得以整合，并可以處理與分析所有相關的數據，挖掘其中獨有的價值，進而真正實現運動訓練科學整體研究的模式，即生物心理自然社會系統的運動訓練新模式。也就是說，運動訓練科學大數據研究，是實現了運動訓練科學研究從單向度向多維度、局部向整體轉變的有效途徑。

3.2運動訓練科學研究對象：從實體走向關系

近代科學研究是一種關于實體的研究。所謂實體是指不依賴他物而獨立自存的事物，而實體觀的理論預設就是“世界的本質是簡單的，它是由剛性不變的“實體”構成，外部世界復雜性是由種種簡單性“實體”聚合而成，并在“實體”層面得到還原論的清楚解釋和充足說明。科學的任務就是探明宇宙的最終“實體”，而科學中的所有學科最終都可以統一到“實體”上來;因此，受到近代科學研究“實體”的自然觀和方法論的影響，傳統運動訓練科學研究也是實體研究，研究方法則主要是一種分解還原的方法。而數據形式上則表現為小數據模式，如在中國足球訓練在幾十年的時間里，主要就是按照這樣方式進行研究和訓練的，即將足球運動訓練中的集體、對抗的訓練，化解成分散、分割、拆零式的非對抗個人練習;或將競技各項因素割裂開來，以單項的形式分別進行或技術或體力的訓練，并以肌肉圍度、肺活量、心率、攝氧能力、彈跳力等指標（100 m跑和庫伯（12 min跑）測試）反映一名球員的足球能力等[19]6567。

然而，現代科學研究發現，實體是關系的產物，關系比實體更重要。如原子是原子核與電子相互作用的產物，分子是原子與原子相互作用的產物，生命是蛋白質與核酸相互作用的產物等。對于運動訓練來說，不只是純粹的實體世界，而是以一種關系存在的，即構成運動訓練的各種要素及它本身都處在復雜的關系之中，而且這種關系比實體更重要;因此，我們只有以一種關系思維或關聯性思維方式來考察各種要素或系統的運行狀態，才能揭示它們的運動發展的規律。如在足球訓練中，我們不能說，如果一名球員肺活量很大，他就能把球踢好。也不能說，一名球員有強壯的肌肉，他就會在比賽中表現出色或他的頭球能力強。同樣，若一名球員跑得快，但我們不能認為他肯定踢好球;因此，這種單純的技術訓練（脫離了應用環境，等于雜技練習），或單純的跑動訓練（等于田徑），或不設對抗的技術+跑動訓練（等于雜技+田徑練習），在參加重大比賽時，在激烈的對抗中，在對方的壓力下，就不會運用技術，失誤多，不會使用體力，不知怎樣跑，相互不會配合，缺少變化，不能隨機應變，于是，輸球也就難免了[19]94。運動訓練科學大數據研究全在于發現與理解這些信息內容及信息與信息之間的關系。利用大數據技術對運動訓練中相關關系分析能夠更準確、更快，而且不易受到有關偏見的影響。

3.3運動訓練科學研究方法：從樣本走向全數據

目前，大數據研究主要作為一種研究方法或一種發現新知識的工具，而不是把數據本身作為研究目標。作為研究方法，它與數據采集、統計分析和挖掘等無法分開。受到時代數據處理能力的局限影響，傳統運動訓練科學的研究方法，即數據的收集運用的是采樣數據，采樣數據的目的就是用最少的數據得到最多的信息，即以局部代替整體的研究模式;但這種研究方法的成功與否全依賴于采樣過程的絕對隨機性，因為采樣的準確性隨著采樣的隨機性增加而大幅度提高，而與樣本數量的增加關系不大，這是由于當樣本數量達到某個一定值之后，從新樣本身上得到的信息就會越來越少了。運動訓練科學的隨機采樣方法在一定范圍內取得了成功，然而這種研究方法只是一條捷徑，是在不可收集和分析全部數據的情況下的一種選擇，而它本身存在著一些缺陷。如在抽樣中真正實現采樣的隨機性非常困難，一旦采樣過程中存在著任何偏見，其分析結果就會相去甚遠;更重要的是采樣無法得到一些微觀細節方面的考察，甚至還會失去對某些特定子類別進行進一步研究的能力，也就是說，我們不能只滿足于正態分布，在運動訓練研究中有時真正有價值的東西經常藏匿于細節之中（數據具有混合性），而采樣分析卻忽略或無法捕捉到這些細節。運動訓練科學大數據研究是采用的所有數據方法（我們已經具有足夠的數據處理和存儲能力，也有了最先進的分析技術）。擁有全部或幾乎全部的數據，我們就能夠從不同的角度、不同層面、更細致地觀察和研究運動訓練數據的方方面面;因為運動訓練科學大數據研究更多的是基于不同數據之間的關系（非線性關系）的一種預測。

3.4運動訓練科學研究范式：從理論走向數據

庫恩認為范式的演變是科學研究的方法及觀念的取代過程，科學的發展不是靠知識的積累而是靠范式的轉換完成的，新范式形成表明建立起了新的常規科學。圖靈獎獲得者、美國計算機科學家詹姆斯·格雷先生認為科學經歷了經驗科學、理論科學、計算機科學與數據密集型科學;相對應的研究范式經歷了經驗范式、理論范式、計算機模擬范式與數據密集型范式的變遷和演化[20]。目前運動訓練科學研究主要是一門經驗與理論相結合的科學，其中運動訓練的經驗是其理論科學的實踐基礎，運動訓練理論科學是其經驗科學的指導，而運動訓練的經驗又是在已有的理論基礎上進行實驗的;因此，兩者是互相聯系、互相補充共同推進著運動訓練科學的研究。當然在現代運動訓練科學研究中也會引入計算機科學，但這只是對運動訓練的經驗科學和理論科學中的科學方法進行必要的補充和優化。以上這些科學研究方法在過去大半個世紀大大推動了運動訓練科學研究，讓我們見證了運動訓練科學研究許多的輝煌;然而，面對越來越多運動訓練的復雜性問題（如運動訓練難以預測問題、運動訓練過程與運動技術不可完全復制的問題、運動性疲勞問題等），以運動訓練科學理論研究為主的范式受到了挑戰。因為基于已有的知識或理論，再通過推理和論證而得出的科研預期成果，是對研究對象的初步分析和綜合;但有許多全新的東西可能遠超出我們能假設的認知范圍。

大數據科學研究推動了一種“數據密集型”科研的第4范式的發展，它不同于傳統的經驗、理論和計算的范式，這種范式不需要考慮因果關系，以數據為中心，分析數據的相關性，打破了許多年來從結果出發探究原因的科學研究模式，使得大規模的復雜數據成為新的科研模式（運動訓練過程中包含海量的數據）。2008年，Chris[1]甚至發出“理論已終結”的驚人斷言，即“相互關系已經足夠。我們可以停止尋找模型，相互關系取代了因果關系，沒有具有一致性的模型、統一的理論和任何機械式的說明，科學也可以進步”;因此，“用數據說話”已成為認知世界的一種方法。換句話說，現代科學研究范式正在從傳統的理論驅動型方法轉向基于數據的探索型方法。對于在運動訓練科學研究領域運用“數據驅動”方法去盡可能多地搜集人體運動的各種信息（數據密集型科學研究范式由數據的采集、管理和分析3個基本活動組成），在此基礎上再考慮理論假設;這樣一種方法與“理論假設驅動”的研究策略相比，可能更適合對復雜的人體運動科學現象的研究。

4結束語

隨著大數據時代的到來，“大數據”成為學術界、經濟界以及政府熱議的話題，同時也成為運動訓練科學領域新的研究熱點;但目前對運動訓練大數據的研究仍處于起步階段，還有很多基礎性的問題有待解決，我們也將面臨越來越多的問題與挑戰，如何充分采集、利用并挖掘大數據？如何使得數據可視化和自我量化及不同數據庫積累？如何突破數學框架而引入生物學、心理學和社會學模式等？盡管如此，大數據及大數據思維依然為運動訓練科學研究開辟了新的研究路徑、新的研究方法與新的研究范式。