我原本以為，答案很簡單：既然教練覺得 Dashboard 不夠用，那就把 Dashboard 做得更完整。

這其實也是 76 人當年的直覺。前一篇提過《我在 76 人的日子》書裡分享的案例：費城 76 人團隊曾參考 IBM 與暴龍隊合作開發的多視窗數據平台，試圖把更多資料、更多指標、更多分析工具放進同一個系統裡。這套系統功能相當完整，但最後在 NBA 市場上的銷售表現並不理想。

當我開始訪談教練，聽到「資料太多、看不完、不知道哪些重要」時，我突然發現，這和 76 人當年遇到的問題幾乎重疊。

這也讓我重新思考一件事：我們真的缺一個更完整的 Dashboard 嗎？

當 AI 開始進入高風險決策場域，這個問題會變得更加關鍵。資料平台真正要解決的問題，是如何協助人從複雜資訊中理解情境、辨識關鍵變化、比較不同可能性，最後做出更好的決策。

因此，下一代資料平台的核心，應該逐漸從 Dashboard 走向 Decision Support System（決策支援系統，DSS）。Dashboard 仍然重要，但它更像是 DSS 裡負責呈現資訊的一個元件；真正需要被設計的，是從「看到資料」一路走到「理解、判斷與行動」的完整決策過程。

Dashboard 與 Decision Support System 的差異

傳統 Dashboard 最擅長回答的是：「發生了什麼？」例如某位選手近期高強度訓練比例下降 15%，系統可以清楚呈現這個變化。但對教練而言，真正重要的是理解為什麼會發生，以及接下來應該如何處理。

同一個數據變化，可能代表完全不同的情境：選手正在進入恢復週期、傷後恢復限制，或只是訓練策略刻意降低負荷。如果系統只呈現結果，卻讓使用者自己在不同資料頁面之間尋找原因，那它只是把資料搬到螢幕上，提高了可見度，卻沒有真正降低決策成本。

這個觀察也能對照到學術界對這個領域的最新盤點。CHI '24 發表的〈Grand Challenges in SportsHCI〉一文，由 22 位跨國 SportsHCI 學者共同整理出領域的十六項重大挑戰，其中三項恰好從不同角度指出 Dashboard 與 DSS 之間的落差：回饋怎麼給、數據怎麼被理解，以及理解的對象是誰。

• 第一項「缺乏設計即時身體表現分析系統的知識」
  談的是回饋的傳遞層問題：多數系統擅長把感測數據轉成儀表板或事後檢索介面，卻缺乏判斷「什麼時候給回饋」、「給多少內容」、「用視覺、聽覺還是觸覺給」的能力。Dashboard 只負責把數字放上畫面，至於這個數字值不值得被關注、該用什麼方式提醒教練，它本身無法判斷，只能被動等使用者自己發現。

• 第二項「缺乏在新型態數位體感訓練中即時協助使用者理解身體表現數據」的知識
  談的則是理解層問題：即使系統能即時收集數據，多數也只是把數據原封不動地攤在畫面上，教練還是得等訓練結束後才有時間分析，數據沒有被轉化成當下就能吸收的洞見。也就是說，第一項挑戰問的是「該不該現在把這個數字推給教練」，第二項挑戰問的是「就算推給他了，他看到的是不是能立刻懂的解釋」。

• 第三項來自論文另一個主題——把運動員視為多面向的個體
  談的是理解的對象是誰：現有系統普遍只對「表現數字」建模，卻缺乏同時考量身體、情緒、認知狀態的整合模型，也很少涉及情感支持、壓力管理、傷後心理關懷這類非表現面向的需求。這一項其實是 DSS 最容易被忽略、卻也最核心的概念：Dashboard 呈現的永遠是「選手的表現」這個切面，但教練真正要判斷、要照顧的，是「選手這個人」。例如，一名花式滑冰選手曾在比賽中因跳躍落地失誤而摔倒。即使身體已經恢復，之後面對同一動作時，她仍可能因心理陰影而猶豫、放慢速度。Dashboard 上看到的可能只是成功率下降，但教練真正需要理解的是她的恐懼與信心變化。因此，訓練可能需要暫時降低動作難度，透過分解練習與低風險訓練重新建立信心。這也說明，運動員的心理狀態會直接影響訓練決策。

前兩項挑戰決定了 DSS 怎麼把數據講清楚，第三項挑戰決定了 DSS 該不該只看數據——這正是 DSS 和 Dashboard 最根本的分野：Dashboard 的資料模型只裝得下可測量的表現指標，DSS 的資料模型要裝得下一個完整的人。

這代表產品設計的出發點也需要改變。過去我們習慣問：「哪些資料需要被呈現？」現在更值得問的是：「使用者現在正在面對什麼決策？」教練每天面對的核心是判斷問題。論文在探討教練與運動員關係的挑戰時也提到類似觀點：教練需要的是把客觀數據與運動員的主觀表現體驗一起翻譯成可行動的洞見，讓兩份資料合併成一個判斷，省下自己拼湊兩份互不相干報表的力氣。今天是否需要調整訓練強度、某位選手是否需要增加恢復，這些都需要結合不同資料來源與專業經驗才能回答，單一指標很難給出答案。

AI 時代，Context 才是資料真正的價值

這也回到 Day 8 提到的核心觀察：高價值資料，不只是感測器產生的數字，更重要的是人類如何理解這些數字。
系統可以記錄選手速度下降、心率變化、訓練負荷降低，但真正影響決策的 Context 可能是「這位選手目前處於傷後恢復階段」、「近期心理壓力較高」。這些資訊通常不存在於傳統資料庫中，而存在於教練、運科人員與情蒐人員的經驗裡。

因此，一個真正 AI-ready 的資料平台，關鍵在於建立 Human-in-the-loop 的機制，讓人類的判斷、原因與經驗也成為系統可以理解的一部分。未來 AI 要協助專業決策時，需要理解的不只是結果，更是專業者如何從資料形成判斷的過程。

從資料分類走向決策流程

傳統 Dashboard 通常按照資料分類設計，例如訓練資料頁、生理資料頁、恢復資料頁，每個頁面可能都很完整，但實際決策時，專業者並不是按照資料分類思考。教練通常面對的是一個問題：「為什麼這位選手最近狀態下降？」他不會先打開恢復資料、再查訓練資料，最後自己推理答案。資訊應該圍繞決策流程來設計，才更貼近教練真實的思考方式：目前狀態是什麼、可能原因有哪些、有哪些相關 Context、需要注意哪些風險、有哪些可能行動。

AI 在其中扮演的角色，是協助使用者看到更多可能性、理解不同因素之間的關聯，把最終判斷留給教練。例如：「近期恢復指標下降，同時高強度活動減少，但考量目前處於比賽前調整週期，因此可能與策略安排相關。以下提供幾個可能需要關注的因素。」這也呼應近年 Human-AI Interaction 研究的重要方向：AI 應該協助使用者進行理解、比較與修正，從單向的 Recommendation，走向 Human-AI Deliberation。

用 AI 工具快速驗證下一代 DSS：實作紀錄

DSS 最大的挑戰，關鍵在於確認「這樣的人機協作方式，真的符合專業者需求嗎？」比起一開始投入大量工程資源把系統做完整，我這次先用一整套 Google AI 工具鏈，低成本跑過一次「知識驗證 → 介面發想 → 優先級檢查 → 互動原型」的完整迴圈，把每一步的產出當作和教練討論的素材。

• 第一步：用 NotebookLM 建立並測試知識庫。
  這件事排在最前面，因為後面所有介面與互動設計都得建立在「AI 是不是真的理解這個領域」之上。我把 Day 8 提到的教練經驗與 Context，整理成訪談逐字稿、運科筆記、現場觀察紀錄，上傳到 NotebookLM。這一步真正的目的是反過來測試：目前保存下來的專業知識，是否足夠支撐 AI 對異常訊號做出有意義的解讀。如果 NotebookLM 回答得語焉不詳，通常代表教練當初的知識沒被完整記錄下來，這正是 Day 8 提到的知識留存問題。

• 第二步：用 Google Stitch 快速探索資訊架構。
  我把 Day 9 篩選出的關鍵訊號，加上想驗證的決策情境（例如「選手近期恢復指標下降，教練該如何判斷」），寫成幾組 prompt 丟給 Stitch，讓它針對同一情境產生好幾種介面骨架：時間軸敘事、因果關係圖、卡片式摘要。這階段刻意不修飾畫面細節，重點只放在資訊被拆成幾層、原因和結果有沒有放在同一視野內，用來比較哪種架構最接近教練實際的思考順序。

• 第三步：用 Predictive Heatmap 類型工具檢查資訊優先級。
  在做成互動原型之前，先用視線熱區預測工具跑過 Stitch 產出的靜態畫面，檢查該被優先看到的異常，有沒有被放在容易被看到的位置。這一步等於在動工前先幫每種架構打分數：連靜態畫面都無法把重要訊號放對位置，做成互動原型只會把問題藏得更深。

• 第四步：用 Antigravity 把選中的架構做成可操作的原型。
  通過前兩關篩選後，用 Antigravity 把留下的一到兩組架構，做成可以點擊、切換情境、觸發 AI 說明文字的互動原型，並串接第一步的 NotebookLM 知識庫，確保 AI 回應真的基於教練經驗。重點是讓教練實際「操作」，因為很多問題只有在真的點下去時才會浮現。我會刻意放入幾個模糊情境（同一數據下降但背後原因不同），觀察教練會先點開哪一塊、會不會被系統解釋帶著走。

這四個工具串起來，讓我在不寫一行正式程式碼的情況下，跑完一輪「知識完整度 → 資訊架構 → 視覺優先級 → 互動驗證」的檢查，把最花時間的工程投入留到方向確認之後。這些工具真正解決的，是在投入大量開發成本之前，降低探索與試錯成本，讓每一次迭代都建立在教練實際回饋之上。

Dashboard 的終點，是決策中心

回頭看這個運動數據平台設計，我最大的轉變是提問方式：以前問「如何做出更完整的 Dashboard？」現在應該問「如何設計一個讓人與 AI 共同理解問題、共同形成判斷的系統？」在運動科學、醫療照護、災害應變等高風險場域，真正有價值的 AI，能在資訊爆炸、時間有限的情況下協助人找到重要訊號、理解背後原因、做出更有依據的決策，而這需要專業者的判斷持續參與其中。

下一篇 Day 11，我會分析現有運動科學領域與 AI 的實際應用，看 Catapult、Hudl、Nacsport 這些運動科技產業的工具，如何在真實場景中扮演教練的「第二雙眼睛」。Day 12 則會回到〈Grand Challenges in SportsHCI〉這篇論文，完整梳理五大主題、十六項挑戰，探討運動科學下一個十年該如何與 AI 協作。

參考文獻：Elvitigala, D. S., et al. (2024). Grand Challenges in SportsHCI. In Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI '24). ACM.