El impacto de la inteligencia artificial y el análisis de datos en el rendimiento deportivo de alto nivel
Notice bibliographique
Résumé
El presente estudio analiza el impacto de la inteligencia artificial (IA) y el análisis de datos en el rendimiento deportivo de alto nivel, considerando variables como la frecuencia de uso, la percepción de efectividad y los resultados obtenidos por atletas en disciplinas como atletismo, ciclismo y natación. A través de un enfoque cuantitativo, con diseño no experimental, se aplicaron encuestas y se analizaron registros de rendimiento, demostrando que el uso sistemático de herramientas tecnológicas mejora significativamente las marcas deportivas y reduce el riesgo de lesiones. Además, se evidenció que estas tecnologías influyen positivamente en la motivación y el bienestar emocional del deportista, especialmente durante procesos de rehabilitación. La experiencia del atleta y la formación técnica del cuerpo técnico son factores clave para la integración efectiva de la IA en el entrenamiento. Sin embargo, también se identificaron desafíos relacionados con la dependencia digital, la brecha tecnológica y la necesidad de regulación ética en el manejo de datos personales. En conclusión, la inteligencia artificial representa una herramienta poderosa en el deporte de alto rendimiento, siempre que sea implementada con criterios pedagógicos, éticos y estratégicos, poniendo al ser humano como eje central del proceso deportivo.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».