Day 10 談 Dashboard 該走向 DSS，Day 11 看了 Catapult、Hudl、Nacsport 這些工具的 AI 現況，也發現它們的 AI 大多還被鎖在各自的資料源裡。這篇我想把前兩篇一直提到、卻只引用了部分內容的〈Grand Challenges in SportsHCI〉這篇論文完整攤開來看：這個領域的十六項挑戰，哪些已經有產業在動手解決，哪些連學術界都還沒找到答案，而這些空白，正是接下來十年真正的機會所在。
CHI '24 這篇論文由 22 位 SportsHCI 學者，透過五天工作坊整理出五大主題共十六項挑戰。前兩篇文章挑了其中幾項對照 Dashboard／DSS 和競品分析，這裡把剩下還沒提過的部分補齊。
主題一：運動表現優化分析。
除了前面提過的回饋時機與長期追蹤研究，論文也點出「生物力學整合」這項挑戰：把肌肉、骨骼這類複雜的生物力學原理，整合進感測器與互動系統設計，目前仍然困難，因為生物力學把身體簡化成力學系統，HCI 則專注於創造體驗，兩個領域的專業語言和精確度要求並不一樣，需要更深的跨領域合作才能真正整合。
主題二：以人為本的設計與體育參與。
論文特別點出「運動員與觀眾的關係」這項空白：現有研究多半聚焦在觀眾彼此之間的互動，例如共享、剪輯比賽片段，但運動員與觀眾之間同步、雙向的互動設計還很少見，尤其像長跑、自行車這類觀眾長時間看不到選手本人的項目，這塊幾乎是空白。論文也提到「運動員導向的個人化挑戰」：每位選手的生物力學特徵和訓練反應都不同，但要替每個人量身打造技術方案，成本高、也很難規模化。
主題三：運動員作為多面向的個體。
這部分 Day 10 已經談過運動員建模與非表現支持的挑戰，這裡不重複。
主題四：真實體育世界中的技術考量。
Day 11 提過真實場域驗證不足的問題。論文還提到「日常生活體驗整合」的挑戰：很多運動員享受的是「遠離塵囂」的自然體驗，如果技術介入得太明顯，反而會干擾這種純粹感，如何讓系統不露痕跡地融入日常訓練與比賽，是一個常被低估的設計難題。另外，論文也提到隨著感測技術快速增加，運動科技已經走向多裝置、多來源的巨量資料時代，如何把這些資料轉化成使用者能理解、能互動的形式，目前也還缺乏足夠的設計知識。
主題五：追求社會影響的策略願景。 **
這是整篇論文最貼近「下一個十年」的主題，也是前兩篇都還沒碰過的內容。論文指出，全球有超過四分之一的成年人身體活動量不足，這個比例在青少年族群甚至高達八成，世界衛生組織直接把這稱為一場「大流行」。論文認為，現有 SportsHCI 系統多半只處理步數、卡路里這類表面指標，卻沒有真正解決讓人願意持續參與運動的內在動機問題**，這是治標不治本。論文也提到「身體素養」的評估標準幾乎不存在——身體素養包含動機、自信、身體能力、知識與理解，缺乏長期、跨階段的研究設計，讓這塊很難有效推進。最後是「運動參與的障礙」：女性、低社經地位族群、神經多樣性群體、身心障礙者，都面臨比一般人更高的參與門檻，多數 SportsHCI 系統預設使用者是「常規身體與能力」的人，這代表新技術很容易在無意間讓不平等變得更明顯。
如果說 Catapult、Hudl、Nacsport 代表的是「單一資料源做得很深」的第一代工具，那 Zone7 和 Kitman Labs 這類新一代平台，代表的是產業開始嘗試回應論文提到的整合挑戰。
Zone7 專注在傷害風險預測。它把 GPS 追蹤、訓練負荷、比賽數據、睡眠紀錄等原本分散在不同系統裡的資料整合起來，比對超過兩億小時的表現資料庫，找出容易被人類忽略的傷害前兆模式，每天為球隊生成風險報告。
它公開的驗證研究測試了 11 支職業足球隊、423 次真實傷害，成功在傷害發生前 1 到 7 天內預警的比例達到 72%。西班牙的 Getafe CF 採用後，傷病率下降超過六成；利物浦、流浪者這些歐洲球會也是它的客戶。
Zone7 的關鍵設計是「裝置不可知」（device agnostic）——它不綁定特定感測器廠牌，而是想辦法讀懂球隊手上既有的各種資料，這正好回應了論文提到「巨量多面向資料」的整合挑戰。
Kitman Labs 走的則是更全面的路線，它把自己定位成 Intelligence Platform，而不只是資料儀表板。目前有超過 700 支隊伍在用，橫跨 NFL、NHL、MLB、英超等聯盟。它把醫療紀錄、訓練負荷、比賽表現、球員發展資料整合進單一系統，讓總管、球探、教練、防護員、醫療團隊能在同一個平台上，針對同一位選手的完整狀態做判斷，內建的 Risk Advisor 功能還會主動標出傷害風險升高的潛在原因。
Kitman Labs 官方也提到，隨著感測技術普及，每位選手身上能收集到的資料量預計在幾年內成長近百倍——這正好呼應論文對「巨量資料如何被使用者理解」這個挑戰的擔憂：資料量增加不代表決策自動變好，關鍵在於誰負責把這些資料轉譯成教練能用的判斷。
把論文的挑戰和 Zone7、Kitman Labs 這類產業實踐放在一起看，我認為下一代運動數據平台，會由三個層次組成。
第一層是 Data Layer，也就是資料基礎層，負責收集穿戴式裝置、訓練紀錄、比賽事件、生理狀態與傷病資料，解決的是「發生了什麼」。
第二層是 Intelligence Layer，AI 在這一層協助找模式、發現異常、比較歷史案例、建立風險提示，解決的是「這些現象可能代表什麼」。
第三層是 Human Context Layer，也就是人類專業脈絡層，包含選手心理狀態、訓練策略、傷後恢復階段與現場觀察，解決的是「在這個情境下，我們應該如何判斷」。
這第三層，正是論文一路強調、卻是產業目前最少著墨的部分：無論是 Zone7 的傷害預警，還是 Kitman Labs 的風險提示，本質上都還停留在 Intelligence Layer——AI 找出模式、生成報告，最後的判斷仍然完全交給教練與醫療團隊自己去做，也較缺乏人類去校正 AI 的資料 Feedback loop。
三層真正結合，才可能形成論文所說「真正可靠的高風險決策系統」，因為 AI 擅長處理大量資料，人類提供的是情境、經驗與價值判斷，兩者缺一不可。這也是我在前面幾篇文章一直強調 Human-in-the-loop 的原因：未來的系統，應該是 AI 發現模式、人類補充理解、系統累積知識，逐步形成更貼近場域需求的協作方式。
回頭看這個運動數據平台的探索，我最大的收穫是：運動科技表面上在追求更好的成績，深層其實是在探索如何讓科技增強人類能力。
這也是為什麼我認為運動科學與醫療、災害應變具有高度相似性。三個領域都面對大量資訊、高度不確定、有限時間與高影響決策：教練需要判斷選手是否適合繼續訓練，醫療人員需要判斷病人是否需要立即介入，救災人員需要判斷有限資源如何分配。這些場域真正需要的，是讓人能在更完整、更容易理解的資訊環境下做出更好的決策，AI 在其中扮演的是協作者的角色。
從這個運動數據平台開始，我逐漸形成自己的 AI for Social Good 設計方法：AI 該做的是成為專業者理解複雜世界的協作工具。
接下來，我會把這套思考延伸到另一個更高風險的場域：醫療照護。運動決策關乎最佳表現，醫療決策面對的則是更高的錯誤成本。下一章，我將探討如何設計 AI 輔助醫療系統，讓科技降低錯誤發生的機會。
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.
iThome鐵人賽
看影片追技術