Sind die Daten der Fitness- und Wettkampfindustrie im Schwimmsport bereit für KI? – Teil 2

Einleitung

Willkommen zurück. In Teil 1 haben wir beleuchtet, warum Datenqualität für KI-gestützte Lösungen entscheidend ist, die Risiken schlechter Daten untersucht und zentrale Prinzipien für den Aufbau KI-tauglicher Datenstrukturen skizziert. Jetzt wechseln wir von der Theorie zur Praxis. In dieser zweiten Folge betrachten wir den aktuellen Stand der Daten aus Schwimmtrainingssessions – einschließlich Lücken, Inkonsistenzen und verpasster Möglichkeiten. Wir erkunden außerdem das Potenzial eines einheitlichen Rahmens unter Bezugnahme auf die zonenbasierten Systeme von Wise Racer und gehen der zentralen Frage nach: Ist die Schwimmbranche bereit, KI sinnvoll einzusetzen?

Am Ende dieses Beitrags werden Sie ein klareres Bild der noch bestehenden Hürden haben sowie umsetzbare Erkenntnisse darüber, wie Trainer, Organisationen und Interessenvertreter die nächste Phase der datenzentrierten Innovation im Sport vorantreiben können.

In Teil 2 behandelte Abschnitte

• Abschnitt 4: Der aktuelle Stand des Datenmanagements von Schwimmtrainingssessions Bewertet, wie Sessions derzeit dokumentiert, gespeichert und interpretiert werden – und hebt die Inkonsistenzen und Lücken hervor, die eine effektive Datennutzung einschränken.
• Abschnitt 5: Ist die Schwimmbranche KI-tauglich in Bezug auf ihre Daten? Beantwortet die zentrale Frage dieser Serie. Betont die Rolle von Schwimmtrainern, Funktionären und Innovatoren bei der Förderung von Zusammenarbeit, der Einführung gemeinsamer Standards und der Vorbereitung des Sports auf einen verantwortungsvollen Umgang mit KI.
• Abschnitt 6: Chance – Den Grundstein für einen einheitlichen Rahmen legen Untersucht, wie die Verbindung technologischer Fortschritte mit Trainingszonen-Frameworks standardisierte, teilbare und handlungsorientierte Daten für Trainer und Athleten ermöglichen kann.

Abschnitt 4: Der aktuelle Stand des Datenmanagements von Schwimmtrainingssessions

Um nützliche KI/ML-Lösungen im Schwimmsport zu entwickeln, müssen wir zunächst die Herausforderungen beim Erfassen, Speichern und Nutzen von Trainingssessiondaten in der Praxis verstehen. Dieser Abschnitt analysiert den aktuellen Stand des Schwimmdatenmanagements anhand von acht zentralen Säulen hochwertiger Daten. Diese Säulen sind der allgemeinen KI/ML-Datenqualitätsliteratur entnommen und hier auf die Schwimmpraxis angewendet (Priestley et al., 2023; Zhou et al., 2024; Polyzotis et al., 2018).

1. Intrinsische Qualität Intrinsische Qualität bezieht sich auf die Genauigkeit, Konsistenz und Vollständigkeit der Rohdatenwerte. Im Schwimmsport wird diese Qualität häufig durch fragmentierte Aufzeichnungsmethoden und die Komplexität der Digitalisierung bestehender Trainingsprotokolle beeinträchtigt. Sessionpläne können beispielsweise handschriftlich in Notizbüchern festgehalten oder als Tabellen mit trainerspezifischen Kurzformen gespeichert sein, was bei der Digitalisierung zu Fehlern führt. Darüber hinaus fehlen wichtige Kennzahlen wie Rundenzeiten, Zugzählungen, Herzfrequenzen sowie Maßeinheiten für Distanz, Volumen und Intensität mitunter ganz oder sind nur vage erfasst. Ohne präzise und vollständige Daten können KI-Modelle Schwierigkeiten haben, aussagekräftige Muster zu erkennen, was ihren Wert als Entscheidungsunterstützungswerkzeuge mindert (Priestley et al., 2023; Rangineni, 2023).

2. Kontextuelle Qualität Kontextuelle Qualität stellt sicher, dass Daten relevant, aktuell und für die jeweilige Aufgabe geeignet sind. Viele Schwimmtrainingspläne sind generisch und berücksichtigen keine individuellen Athletenbedürfnisse wie Alter, Geschlecht, Verletzungshistorie oder Leistungsniveau. Dieser Mangel an Spezifität schränkt die Fähigkeit eines KI-Systems ein, Empfehlungen auf unterschiedliche Schwimmerprofile zuzuschneiden. Mehrdeutige Beschreibungen wie „Anstrengung aufbauen" oder „so schnell wie möglich" erschweren zusätzlich die Intensitätsanalyse. Ebenso entfällt durch das Fehlen von Angaben zur Trainingsphase – etwa Vorbereitungszeit, Wettkampfhöhepunkt oder Regeneration – wichtiger zeitlicher Kontext. Damit KI-Erkenntnisse nützlich sind, müssen Daten den aktuellen Zustand des Athleten, das Trainingsziel und den beabsichtigten Verwendungszweck der Analyse widerspiegeln (Priestley et al., 2023; Zhou et al., 2024).

3. Repräsentationsqualität Repräsentationsqualität befasst sich damit, wie gut Daten für eine leichte Interpretation formatiert und strukturiert sind. Uneinheitliche Darstellung von Sessiondetails zwischen Teams – etwa die Verwendung von Abkürzungen wie „DKOB", „OUS", „UK" oder „choice" neben einer Vielzahl anderer – kann zu Verwirrung führen. Darüber hinaus beinhalten Sessionpläne häufig verschachtelte Sätze oder Intervalle, die sich in flachen Formaten wie Tabellen nur schwer abbilden lassen. Ohne ein standardisiertes Datenschema können wichtige hierarchische Beziehungen zwischen Einschwimmen, Hauptsätzen, ergänzenden Sätzen und Ausschwimmen verloren gehen. Schlechte Repräsentationsqualität schränkt die Fähigkeit der KI ein, zu analysieren, wie verschiedene Komponenten eines Trainings mit dem beabsichtigten Trainingsreiz zusammenhängen (Priestley et al., 2023; Bompa & Haff, 2009; Riewald & Rodeo, 2015).

4. Zugänglichkeit Zugänglichkeit stellt sicher, dass Daten für autorisierte Nutzer leicht verfügbar sind und gleichzeitig Sicherheit und Datenschutz gewahrt bleiben. Eine wesentliche Herausforderung im Schwimmsport ist die fragmentierte Datenspeicherung: Sessionprotokolle sind oft auf persönliche Notizbücher, Apps und Tabellen verteilt. Dieser Mangel an Zentralisierung schafft Datensilos, die eine umfassende Analyse verhindern. Außerdem werden Sessionbeschreibungen in verschiedenen Sprachen erstellt und können inkonsistente Terminologie enthalten, was es für KI-Tools erschwert, sie korrekt zu interpretieren. Die Verbesserung der Zugänglichkeit erfordert sichere, gemeinsam genutzte Umgebungen, in denen Daten von Trainern, Wissenschaftlern und Athleten genutzt werden können, ohne Datenschutz, Einwilligung oder Governance-Anforderungen zu vernachlässigen (Zhou et al., 2024; Qayyum et al., 2020).

5. Datenlebenszyklusmanagement Das Datenlebenszyklusmanagement umfasst die Nachverfolgung von Daten von ihrer Entstehung bis hin zu ihrer Analyse, Rückmeldung und Archivierung. In vielen Programmen werden wichtige Kennzahlen wie Herzfrequenzen während und nach der Session oder Erholungspausen zwar erfasst, aber nicht konsequent in die zukünftige Planung zurückgeführt. Diese Rückkopplungslücke begrenzt das Verbesserungspotenzial von KI-Systemen und Trainingsstrategien über die Zeit. Zudem werden Einschwimmen und Ausschwimmen häufig weniger präzise erfasst als die Hauptsätze, was blinde Flecken beim Belastungs- und Erholungsmonitoring schafft. Ein geschlossenes Lebenszyklusmanagement-System trägt dazu bei, die Rückverfolgbarkeit zu erhalten und neue Daten mit künftigen Planungsentscheidungen zu verknüpfen (Polyzotis et al., 2018; Priestley et al., 2023; Rangineni, 2023).

6. Ethische und rechtliche Compliance Datenschutz für Athleten, Dateneigentümerschaft und regulatorische Compliance sind entscheidend für das Vertrauen in KI-Anwendungen. Probleme entstehen häufig, wenn Schwimmer das Team wechseln oder Minderjährige betroffen sind, was Fragen aufwirft, wem die Daten gehören und wie sie weitergegeben werden dürfen. Ohne klare Richtlinien zögern Organisationen möglicherweise, zusammenzuarbeiten oder ihre Daten für die KI-Entwicklung zusammenzuführen. Robuste Datenschutzrichtlinien und Prozesse zur informierten Einwilligung können dazu beitragen, diese Risiken zu mindern und gleichzeitig verantwortungsvollere Datenaustauschpraktiken zu fördern (Qayyum et al., 2020; Zhou et al., 2024).

7. Kontinuierliche Überwachung und Verbesserung Angesichts der dynamischen Natur von Schwimmdaten – neue Sensoren, sich ändernde Trainingsprogramme und sich entwickelnde Ziele – ist eine kontinuierliche Überwachung wichtig. Vielen Teams fehlen jedoch Rahmenkonzepte für regelmäßige Datenprüfungen und -verbesserungen. Unvollständige Kennzahlen und wiederkehrende Datenlücken bleiben unbemerkt und führen zu unzuverlässigen Analysen. Protokolle zur kontinuierlichen Überwachung können helfen, Anomalien zu erkennen – etwa unplausibel kurze Rundenzeiten oder fehlende Erholungsdaten – und die Datenerhebungsmethoden entsprechend zu verfeinern. Dieser iterative Ansatz hilft dabei, die Datenqualität aufrechtzuerhalten, wenn sich die Bedingungen verändern (Bangad et al., 2024; Polyzotis et al., 2018; Zhou et al., 2024).

8. Integration von Domänenwissen Die Integration von Fachexpertise hilft KI-Systemen dabei, mehrdeutige oder komplexe Daten angemessener zu interpretieren. Trainer, Sportwissenschaftler und Athleten liefern wichtige Erkenntnisse, die KI allein nicht erfassen kann. Begriffe wie „build", „feel power" oder „cruise" können beispielsweise je nach Leistungsniveau des Schwimmers oder Trainingskontext unterschiedliche Bedeutungen tragen. Ohne Expertenwissen riskieren KI-Modelle, solche Anweisungen falsch zu interpretieren. Die Zusammenarbeit mit Fachexperten hilft dabei, KI-generierte Empfehlungen an praktischen Trainingsprinzipien auszurichten und sie als Entscheidungsunterstützung nützlicher zu machen (Priestley et al., 2023; Neutatz et al., 2021; Vec et al., 2024).

Durch die Analyse der aktuellen Herausforderungen beim Management von Schwimmtrainingssessiondaten lässt sich erkennen, wo Verbesserungen notwendig sind, um KI-taugliche Datensätze zu erstellen. Von der Standardisierung von Datenformaten und der Kontextualisierung von Kennzahlen bis hin zur Zentralisierung der Datenspeicherung und der Förderung von Zusammenarbeit – die Bewältigung dieser Herausforderungen wird dazu beitragen, die Lücke zwischen rohen Leistungsdaten und umsetzbaren KI-Erkenntnissen zu schließen.

Abschnitt 5: Ist die Schwimmbranche KI-tauglich in Bezug auf ihre Daten?

Nachdem wir in Teil 1 die Bedeutung der Datenqualität und in Teil 2 den aktuellen Stand des Schwimmtrainingssessiondatenmanagements untersucht haben, kehren wir zur zentralen Frage zurück: Ist die Schwimmbranche bereit, KI sinnvoll einzusetzen?

Die kurze Antwort lautet: Noch nicht, aber es gibt einen klaren Weg nach vorne.

Die Bedeutung der Führungsrolle von Trainern Trainer sind die Hüter der Schwimmtrainingsdaten. Als primäre Ersteller und Verwalter von Trainingsplänen ist ihre Rolle entscheidend für die Förderung datengetriebener Fortschritte. Durch die Einführung standardisierter Intensitätszonen, gut strukturierter Sessionpläne und einer umfassenden Ergebniserfassung legen Trainer das Fundament für eine genauere und qualitativ hochwertigere Datenerfassung. Mit diesem stärkeren Datengerüst können KI/ML-Tools Technikreückmeldungen, die Interpretation von Trainingsbelastungen und die langfristige Planung besser unterstützen – vorausgesetzt, menschliche Überprüfung und das Urteil der Trainer bleiben dabei erhalten (Vec et al., 2024; Leckey et al., 2025).

Skalierung der Vorteile für alle Beteiligten Wenn sich die Schwimmbranche auf hochwertige, strukturierte Daten ausrichtet, profitieren alle Ebenen des Sports davon:

• Athleten: Erhalten besser kontextualisierte Trainingspläne, die ihre individuellen Ziele, Fähigkeiten und Reaktionen widerspiegeln und die Leistungsentwicklung sowie eine risikobewusste Planung unterstützen.
• Trainer und Vereine: Optimieren den Sessionplanungsprozess, reduzieren den Verwaltungsaufwand und erhalten Zugang zu nützlicheren Leistungsanalysen für Einzelpersonen und Teams.
• Organisationen und Verbände: Können angemessen verwaltete und anonymisierte Daten aus verschiedenen Regionen zusammenführen, um groß angelegte Forschung zu fördern, nationale Trainingsprogramme zu informieren und bewährte Verfahren für alle Wettkampfebenen zu entwickeln – von Altersklassenveranstaltungen bis hin zu internationalen Elitewettkämpfen.

Einfachheit und Universalität Der Schlüssel zum Erfolg liegt in der Entwicklung einfacher, intuitiver Datenstrukturen, die leicht zu übernehmen sind und gleichzeitig die Tiefe des Expertenwissens wahren. Das bedeutet nicht, zu vereinfachen oder wertvolle Erkenntnisse zu verlieren. Stattdessen soll die Datenerfassung und -verwaltung für alle Beteiligten zugänglich gemacht werden. Durch die Verwendung standardisierter Terminologie, einheitlicher Intensitätszonen und klar definierter Datenrahmen können Trainer, Athleten und Technologieentwickler in einer gemeinsamen Sprache zusammenarbeiten, die Fachwissen und Technologie verbindet.

Abschnitt 6: Chance – Den Grundstein für einen einheitlichen Rahmen legen

Unsere Untersuchung der Datenqualitätsherausforderungen zeigt eine entscheidende Erkenntnis: Die Schaffung hochwertiger KI/ML-Lösungen im Schwimmsport betrifft nicht nur bessere Sensoren, Computer Vision, detailliertere Tabellen oder die Digitalisierung der Trainingseinheiten der besten Schwimmer der Welt. Die eigentliche Chance liegt in der Schaffung eines einheitlichen Rahmens: eines gemeinsamen Entwurfs, der standardisiert, wie Trainingssessions geplant, aufgezeichnet und analysiert werden. Wenn Schwimmexperten und Technologiefachleute gemeinsam an gemeinsamen Standards arbeiten, können sie Daten reichhaltiger, zuverlässiger und wiederverwendbarer machen. Dies kann allen zugutekommen – von Spitzenathleten, die Rekorde anstreben, bis hin zu Freizeitschwimmern, die stetige Verbesserungen anstreben.

Eine gemeinsame Vision Trotz der Vielfalt an Trainingsmethoden und Leistungsniveaus der Schwimmer sind hochwertige Daten eine praktische Voraussetzung für die Fortschrittserfassung, das risikobewusste Belastungsmonitoring und die Verbesserung der Trainingsinterpretation. Die Harmonisierung der Art und Weise, wie wichtige Kennzahlen erfasst werden, kann viele der in dieser Serie diskutierten Datenprobleme reduzieren. Zu diesen Kennzahlen gehören Zugzählungen, Erholungspausen und Intensitätszonen, und zu den Problemen zählen inkonsistente Terminologie, mangelnde Individualisierung sowie unvollständige Erholungs- und Regenerationsdaten (Fernandes et al., 2024; Borresen & Lambert, 2009; Dudley et al., 2023).

Dies ist nicht nur eine Technologieinitiative. Es ist eine Brücke zwischen Sportwissenschaft und Datenwissenschaft. Trainer, Sportwissenschaftler und Softwareentwickler bringen jeweils wertvolles Fachwissen ein und helfen dabei, dass der Rahmen die praktischen Gegebenheiten des täglichen Trainingsbetriebs widerspiegelt und gleichzeitig technisch fundiert und skalierbar bleibt.

Aufbau auf einem Trainingszonen-Framework Wise Racer hat bereits Schritte in Richtung Standardisierung unternommen und zwei zentrale Modelle eingeführt:

1. Das 9-Zonen-Performance-Schwimmtraining-Framework Dieses für Wettkampfschwimmer konzipierte Framework unterteilt die Anstrengung in neun Zonen und deckt dabei alles von niedrigintensiver Technikarbeit bis hin zu hochintensiven Sprints ab.
2. Das 5-Zonen-Fitness-Schwimmtraining-Framework Dieses für Fitness- und Freizeitschwimmer entwickelte, vereinfachte System konzentriert sich auf wesentliche Intensitätsbereiche und ist damit für diejenigen zugänglich, die Fitnessverbesserungen gegenüber dem Wettkampf priorisieren.

Diese zonenbasierten Frameworks helfen Schwimmern, Trainern und Interessenvertretern, effektiv über Intensität und Anstrengung zu kommunizieren. Zonen allein sind jedoch nicht ausreichend. Damit diese Frameworks eine konsistente Interpretation unterstützen können, müssen sie mit standardisierten Datenerfassungsprotokollen verbunden werden. Das bedeutet klare Definitionen jeder Zone, einheitliche Methoden zur Protokollierung von Sätzen und Intervallen sowie einen konsistenten Ansatz zur Erfassung athletenspezifischer Kontexte wie Verletzungshistorie oder Trainingsphasen. Mit dieser Struktur sollte ein Athlet, der in Zone 3 trainiert, in den Daten dieselbe beabsichtigte Reizklasse repräsentieren. Die tatsächliche Reaktion des Athleten erfordert weiterhin individuelle Tests, Monitoring und die Interpretation durch den Trainer (Fernandes et al., 2024; Borresen & Lambert, 2009).

Der Weg nach vorne In kommenden Blogbeiträgen werden wir Leitlinien für die Umsetzung eines einheitlichen Rahmens vorstellen. Dazu gehören die Strukturierung von Trainingsplänen, die Protokollierung von Sessionergebnissen und die Nutzung von Daten zur Anpassung von Trainingsentscheidungen. Wir werden auch untersuchen, wie konsistente, hochwertige Daten KI/ML-Tools im Schwimmsport stärken können, indem sie Folgendes ermöglichen:

• Rückkopplungsschleifen: Analyse von Erholungspausen, Zugeffizienz und Herzfrequenzdaten, um Trainern bei der Feinabstimmung von Trainingsentscheidungen zu helfen.
• Prädiktive Analytik: KI-Modelle, die Muster im Zusammenhang mit Plateaurisiken, Erschöpfung oder ungünstigen Belastungsentscheidungen erkennen können – vorausgesetzt, die Ergebnisse werden mit angemessener Vorsicht interpretiert.
• Individualisierte Empfehlungen: Entscheidungsunterstützungssysteme, die Planungsvorschläge an die persönlichen Schwellenwerte eines Athleten anpassen – ob Jugendlicher oder ein Triathlet, der sich auf Langstrecken-Freiwasserveranstaltungen konzentriert.

Vorteile für Institutionen, Eltern, Trainer und Schwimmer Ein strukturierter, technologiegestützter Ansatz im Schwimmtraining kommt jedem Beteiligten im Ökosystem zugute:

• Verbesserte Personalisierung: Durch die Kombination standardisierter Zonen mit präzisen, athletenspezifischen Daten können Trainer Trainingssätze und Intensitäten auf individuelle Bedürfnisse abstimmen und gleichzeitig Reaktion und Erholung überwachen.
• Effizientes Belastungsmanagement: Verbesserte Erfassung von Erholungs-, Regenerations- und Belastungsdaten hilft Trainern, blinde Flecken beim kumulativen Belastungsmanagement zu reduzieren.
• Einfachere Fortschrittsverfolgung: Mit einem einheitlichen Datenformat wird die Verfolgung der Fortschritte eines Schwimmers über Wochen oder Saisons hinweg unkomplizierter und bietet sowohl Trainern als auch Eltern einen klareren Blick auf Leistungstrends.
• Kollaborativer Fortschritt: Wenn mehrere Vereine, Regionen oder Verbände ähnliche Frameworks übernehmen, können sie angemessen verwaltete, aggregierte Erkenntnisse teilen und vergleichen. Diese Zusammenarbeit kann Innovationen anstoßen und bessere Standards im Sport fördern.

Eine modernisierte Schwimmkultur Eine gemeinsame Vision für das Datenmanagement, verbunden mit standardisierten Frameworks wie den 9-Zonen- und 5-Zonen-Modellen von Wise Racer, kann verbessern, wie Schwimmen gelehrt, trainiert und bewertet wird. Durch die Einführung einer gemeinsamen Datenstruktur und die Ausrichtung an effektiven Trainingsprinzipien kann die Schwimmgemeinschaft ein besser informiertes, integrativeres und dynamischeres Umfeld schaffen. Dies kann die Leistungsentwicklung unterstützen und gleichzeitig das langfristige Engagement auf allen Ebenen fördern – von Breitensportprogrammen bis hin zu internationalen Elitewettkämpfen.

Zusammenfassung

Teil 2 bietet sowohl einen Realitätscheck als auch einen Fahrplan für den Fortschritt. Wir untersuchen den fragmentierten Zustand des aktuellen Sessiondatenmanagements und zeigen, wie dieses Durcheinander die effektive KI-Nutzung einschränkt. Der Ausblick ist jedoch nicht düster. Wir skizzieren einen hoffnungsvollen Weg nach vorne durch harmonisierte Datenerfassungsprotokolle, die Integration von Domänenwissen und die Anwendung der Intensitätszonen-Frameworks von Wise Racer. Indem die Schwimmgemeinschaft diese Lücken schließt, kann sie nützlicheren KI/ML-gestützten Erkenntnissen näherkommen und gleichzeitig die Rolle von Trainern, Athleten und Sportwissenschaftlern bewahren.

Aber wie gestalten wir Trainingssessions, die den Anforderungen des KI-Zeitalters gerecht werden? In der nächsten Folge stellen wir unser umfassendes Trainingssessions-Framework vor, einschließlich der wichtigsten Überlegungen und Designentscheidungen, die für KI-taugliche Daten erforderlich sind. In der abschließenden Folge zeigen wir dann Beispiele, wie dieses Framework in der Praxis angewendet werden kann und wie Trainingszonen und Sessionsstrukturen zusammenwirken können, um bedeutsame Verbesserungen zu unterstützen.

Handlungsaufruf

Das kann keine Einzelperson alleine schaffen. Das Schwimmen braucht Ihre Unterstützung.

Wenn Sie Trainer, Athlet, Datenwissenschaftler, Sportwissenschaftler, Sportdirektor oder einfach leidenschaftlich am Schwimmen und Ihrem Fach interessiert sind und zu diesem Gespräch beitragen möchten, melden Sie sich bitte. Ihre Erkenntnisse und Ihr Fachwissen können dazu beitragen, bedeutsamen Wandel voranzutreiben.

Wenn Ihnen die Zukunft des Schwimmens am Herzen liegt, können Sie diese Initiative unterstützen, indem Sie diesen Beitrag teilen und Wise Racer auf LinkedIn, Facebook oder Instagram folgen. Gemeinsam können wir eine intelligentere, datengetriebene Zukunft für den Sport aufbauen.

Hinweis: Dieser Artikel wurde ursprünglich auf Englisch verfasst und mit automatisierten KI-Tools in andere Sprachen übersetzt, damit wir diese Informationen mit mehr Menschen teilen können. Wir bemühen uns, die Übersetzungen präzise und verständlich zu halten, und freuen uns über die Hilfe der Community bei ihrer Verbesserung. Sollte etwas in einer übersetzten Version unklar, fehlerhaft oder vom englischen Original abweichend sein, gilt der englische Originaltext als maßgebliche Version.

Quellen

Bangad, N., Jayaram, V., Sughaturu Krishnappa, M., Banarse, A., Bidkar, D., Nagpal, A., & Parlapalli, V. (2024). A theoretical framework for AI-driven data quality monitoring in high-volume data environments. International Journal of Computer Engineering & Technology, 15, 618-636. https://doi.org/10.5281/zenodo.13878755

Bompa, T. O., & Haff, G. G. (2009). Periodization: Theory and methodology of training. Human Kinetics.

Borresen, J., & Lambert, M. I. (2009). The quantification of training load, the training response and the effect on performance. Sports Medicine, 39, 779-795. https://doi.org/10.2165/11317780-000000000-00000

Dudley, C., Johnston, R., Jones, B., Till, K., Westbrook, H., & Weakley, J. (2023). Methods of monitoring internal and external loads and their relationships with physical qualities, injury, or illness in adolescent athletes: A systematic review and best-evidence synthesis. Sports Medicine. https://doi.org/10.1007/s40279-023-01844-x

Fernandes, R. J., Carvalho, D. D., & Figueiredo, P. (2024). Training zones in competitive swimming: A biophysical approach. Frontiers in Sports and Active Living. https://doi.org/10.3389/fspor.2024.1363730

Leckey, C., van Dyk, N., Doherty, C., Lawlor, A., & Delahunt, E. (2025). Machine learning approaches to injury risk prediction in sport: A scoping review with evidence synthesis. British Journal of Sports Medicine. https://doi.org/10.1136/bjsports-2024-108576

Neutatz, F., Chen, B., Abedjan, Z., & Wu, E. (2021). From cleaning before ML to cleaning for ML. Bulletin of the IEEE Computer Society Technical Committee on Data Engineering.

Polyzotis, N., Roy, S., Whang, S., & Zinkevich, M. (2018). Data lifecycle challenges in production machine learning: A survey. ACM SIGMOD Record, 47, 17-28. https://doi.org/10.1145/3299887.3299891

Priestley, M., O'Donnell, F., & Simperl, E. (2023). A survey of data quality requirements that matter in ML development pipelines. Journal of Data and Information Quality, 15. https://doi.org/10.1145/3592616

Qayyum, A., Qadir, J., Bilal, M., & Al-Fuqaha, A. (2020). Secure and robust machine learning for healthcare: A survey. IEEE Reviews in Biomedical Engineering. https://doi.org/10.1109/RBME.2020.3013489

Rangineni, S. (2023). An analysis of data quality requirements for machine learning development pipelines frameworks. International Journal of Computer Trends and Technology, 71, 16-27. https://doi.org/10.14445/22312803/IJCTT-V71I8P103

Riewald, S. A., & Rodeo, S. A. (Eds.). (2015). Science of swimming faster. Human Kinetics.

Vec, V., Tomazic, S., Kos, A., & Umek, A. (2024). Trends in real-time artificial intelligence methods in sports: A systematic review. Journal of Big Data. https://doi.org/10.1186/s40537-024-01026-0

Zhou, Y., Tu, F., Sha, K., Ding, J., & Chen, H. (2024). A survey on data quality dimensions and tools for machine learning. 2024 IEEE International Conference on Artificial Intelligence Testing, 120-131. https://doi.org/10.1109/AITest62860.2024.00023