Elämme kiihtyvää kvantifikaation (eng. quantification)
aikakautta ympäri maailmaa. Teknologian
kehitys/massatuotanto ja internet-palvelut ovat mahdollistaneet laajemmalle ihmisjoukolle
pääsyn käsiksi suurempaan informaatiovirtaan. Kasvanut informaatiotarjonta on
luonut myös liikunta- ja urheilumarkkinoille uusia kehityssuuntia niin
suorituskyvyn (urheilu) kuin terveydenkin (liikunta) parantamiseksi. Liekö informaation pursuava runsaus ja klikki-orientoitunut uutisointi, mutta useat termit ovat vaarallisesti sekoittuneet keskenään niin uutisoinnissa kuin web- sekä kenttätason keskustelussa - johtaen perusteettomiin uskomuksiin ja ennakkoluuloihin, joiden lopputuloksena
on ollut nähtävissä järjettömiä vastakkainasetteluita. Järkeillään hetki ja tarkastellaan lähemmin muutamia avaintermejä.
Terminologian merkityksen ymmärrys on vähintään yhtä tärkeää, ellei
tärkeämpää, kuin sen käyttö. Pyrkimykseni on tässä artikkelissa erotella
lyhyesti ja ymmärrettävästi data, tiede ja tieteelliseen näyttöön perustuva menetelmä –käsitteet toisistaan, liikunta- sekä urheiluvalmennuksen näkökulmasta tarkasteltuna. Luonnollisesti kaikkia vaikuttavia muuttujia
ei ehditä käsittelemään yhdessä tiivistetyssä artikkelissa.
Data
"Data: 1. Known facts or things used as a basis for inference or reckoning. 2. Quantities or characters operated on by a computer etc. [plural of DATUM]" [1]
Yllä oleva, Oxfordin 18-vuotta vanhaan sanakirjapainokseen
perustuva, englanninkielinen määrittely kuvaa dataa määrällisenä tai
laadullisena informaationa, jota useimmiten käsitellään tietokoneen
välityksellä. Tietokone, datan tallennus- ja käsittelyalustana, tosin on
viimeisen puolen vuosisadan etuoikeus, jota ennen paperi ja kynä toimittivat samaa roolia.
Tiivistettynä, data on x-määrä tallennettua informaatiota.
Yksinkertainen data esiintyy jokapäiväisessä liikunta- ja
urheilusuoritusten mittaamisessa. Oli se tehtyjen maalien lukumäärä
ottelupöytäkirjassa, hypätyn pituuden määrittäminen mittanauhalla, juostun
matkan kokonaisaika digitaalisesti/analogisesti kellotettuna, tai
kokonaisharjoitustuntien merkintä harjoituspäiväkirjaan. Kaikki tämä on dataa,
vaikkakaan ei itse numeroina kerro vielä minkäänlaista tarinaa.
Nykypäiväisen datan kohdalla astummekin jo askeleen
pidemmälle, joka mutkistaa hieman tarjolla olevan informaation luonnetta.
Otetaan esimerkiksi sykemittarit. Tässä tapauksessa ei ole enää kysymys ns.
raakadatasta, jossa alkuperäinen signaali tallennetaan, vaan informaatio on jo
valmiiksi suodatettu algoritmien läpi käyttäjäystävälliseksi luvuksi. Kun
juostessaan käyttäjä tarkkailee sykemittariaan, näkyy näytöllä sykevyön
elektrodien mittaaman sähköisen intensiteetin ja frekvenssin sijaan kaunis
luku, joka kuvaa sen hetkistä sydämen lyöntitiheyttä minuuttia kohden. Käyttäjä
joutuu siis luottamaan (tai olemaan luottamatta) jo prosessoituun dataan, ja
että laitteen valmistanut tuottaja on varmistanut laitteen sensorien sekä
algoritmin luotettavuuden minimoimalla virhemarginaalin.
Näin ollen kerätyn datan luotettavuus on äärimmäisen
tärkeää, jotta datan kuvaavasta tai tilastollisesta analyysista voidaan tulkita
yhtään mitään. Olemme nyt päässeet ensimmäisen vaiheen läpi, jossa olemme
tallentaneet tarvittavan informaation, mutta emme tiedä vielä kerätyn
informaation merkitystä. Seuraavaksi tarvitaan viitekehys.
Tiede
"Science: 1. A branch of knowledge conducted on objective principles involving the systematized observation of and experiment with phenomena, esp. concerned with the material and functions of the physical universe. 2 a. Systematic and formulated knowledge, esp. of a specified type or on a specified subject. b. The pursuit or principles of this. 3. An organised body of knowledge on a subject. 4. Skillful technique rather than strength or natural ability. 5. Archaic knowledge of any kind." [1]
Liikunnan ja urheilun saralla tieteellisen menetelmän
pyrkimyksenä on tutkia objektiivisesti mm. yleisiä ja rajattuja ilmiöitä (esim.
mikä on ikäsidonnainen leposyke miehillä ja naisilla?) tai harjoitusmenetelmien
tehokkuutta (esim. kuinka paljon leposyke muuttuu 8-viikon
pitkäkestoisen-matalan intensiteetin tai lyhytkestoisen-korkean intensiteetin
kestävyysharjoittelun seurauksena?). Modernin tieteen filosofian
arvostetuimpiin henkilöihin lukeutuva Karl Popper[2] arvioi väitteiden falsioitavuuden[3]
(eng. falsiability) edustavan tieteen keskeistä ominaisuutta.
Iso määrä dataa ei välttämättä mahdollista korkeatasoista
tieteellistä tutkimusta dataan liittyvää ilmiötä koskien. Tieteellisen näytön yleispätevän vahvuuden arvioimiseen, ja kääntäen näytön falsioitavuuteen, on sovellettu
tutkimusmenetelmiä koskevaa hierarkiaa (kts. kuva 1). Esimerkiksi, jos
tallentaisin oman 8-viikon harjoitusohjelmani matkalla menestyksekkääseen
kestävyyskilpailusuoritukseen ja raportoisin että harjoittelin yhteensä 60 tuntia, joista
90% sykealueilla, jotka vastasivat 65-72% maksimisykkeestä ja loput harjoitusajasta
yli 90% sykealueilla – niin ko. näyttö riittäisi yksittäiseen
tapaustutkimukseen, jonka tieteellinen vahvuus olisi suhteellisen heikko.
Kuitenkin saavuttamani menestys ja raportoimani positiiviset kokemukset
harjoitusprosessista voisivat antaa aihetta tarkempaan tutkimukseen ko.
harjoitusmenetelmää koskien.
 |
| Kuva 1. Tieteellisen näytön vahvuushierarkia |
Omat raportoimani tulokset ja kokemukset toimisivat tässä
tapauksessa lähtolaukauksena laadukkaammalle tieteelliselle prosessille, jossa
akateeminen tutkimusryhmä kävisi läpi tapaustutkimukseni, vertaisi menetelmiä
ja tuloksia ensisijaisesti saman alueen meta-analyyseihin tai vähintään
laadukkaisiin RCT-tutkimuksiin[6] (eng. Randomized controlled trials), ja
muodostaisivat tieteellisen hypoteesin[4] (esim. polarisoitu
kestävyysharjoittelu parantaa maksimaalista hapenottokykyä merkittävästi
verrattaessa pelkkään korkean intensiteetin harjoitteluun
aktiivikuntoilijoilla) tutkittavaksi. Ihanteellisessa tilanteessa hypoteesia
tutkittaisiin nimenomaan RCT-koeasetelmassa (sisältäen kontrolliryhmän sekä vastakkaiset
harjoitusryhmät) mahdollisimman laajalla osallistujamäärällä sekä
verrannollisella populaatiolla (aktiivikuntoilijat). Johtuen yhtenevästä ja
tarpeeksi laajasta osallistujaryhmästä yhdistettynä kontrolloituun
koeasetelmaan, kerätty data myöhempää tilastollista analyysia varten on
luotettavampaa kuin omat kontrolloimattomaan harjoitusasetelmaan liittyneet
harjoitusdatat. Tutkimuksen mittauksessa käytettäisiin raakadataa, johon sovellettaisiin luotettavinta laskukaavaa (esim. maksimaalisen hapenottokyvyn määrittämisessä) - ja kaikki nämä raportoitaisiin julkisessa tutkimusjulkaisussa.
 |
| Kuva 2. Tieteellinen prosessi |
Tilastolliset analyysit ja tutkimusjulkaisut edellä
kuvatuista koeasetelmista eri populaatioille kartuttavat tieteellistä informaatiopankkia
koskien kyseistä harjoitusmenetelmää. Näiden karttuessa systemaattisten
katsausjulkaisujen sekä meta-analyysien kautta pystytään arvioimaan kyseisen
harjoitusmenetelmän tieteellistä vahvuutta tarkemmin.
Niille, jotka kokevat vielä tämänkin jälkeen että
tieteellisestä tutkimuksesta voi tehdä keppihevosen mille tahansa omalle
mieltymykselle/pakkomielteelle, suosittelen lukemaan yhdysvaltalaisen
liikuntafysiologi Anoop Balachandran blogin aiheesta[5]. Näin ohjenuorana:
jokainen valtamedian skuuppi uudesta vallankumouksellisesta
yksittäistutkimuksesta ei välttämättä edusta vahvaa tieteellistä näyttöä, mutta tämä ei
tarkoita ettei tieteellisestä tutkimuksesta voida hyötyä liikunta- ja
urheiluvalmennuksessa yleisesti. Kunhan osataan haravoida näyttöä fiksusti läpi ja asettaa oikeaan perspektiiviin.
Tieteelliseen näyttöön perustuvat menetelmät
Palataan takaisin juoksuradan, hien ja epätoivoisen
menestystarpeen sävyttämään maailmaan. Rikotaan näin aluksi yksi raskaimmista
myyteistä: tieteelliseen näyttöön perustuvan valmennusohjelman soveltaminen ei
ole tiedettä itsessään. Joten ao. kuvan skenaariosta ei ole pelkoa.
Vastaavasti ei ole myöskään ”pelkoa” että jokainen
urheilija/kuntoilija/vasta-aloittelija reagoisi täsmälleen tieteellisesti
pätevöitetyn harjoitusmenetelmän keskiarvojen mukaisesti, tai joissain tapauksissa
pysyisi edes keskihajonnan sisällä. Toisaalta iso osa reagoi 'odotetusti', kun malli
valitaan pätevän kriteeristön mukaisesti, mutta tästä vasta
joukkueelle/ryhmälle/yksilölle optimaalisesti sopivan harjoitusmenetelmän
luominen alkaa.
Yksilöllisen harjoitusadaptaatioon vaikuttavat muuttujat
muodostavat valtavan laajan kokonaisuuden, aina täsmällisistä geeneistä
ravintoon sekä harjoitusympäristöön, ja vaatii oman blogiartikkelin
kokonaisuudessaan.
Jotta tuo yksilöllinen harjoitusadaptaatio voidaan määrittää
suhteessa sovellettuun harjoitusmalliin/-ohjelmointiin, täytyy
suorituskapasiteetin muutosta suhteessa lähtötilanteeseen/aiempiin ohjelmiin
sekä tavoitteisiin arvioida. Esimerkiksi jos suorittaisin tuon 8-viikon
kestävyysohjelman uudestaan mukautetusti soveltuvaan ja vahvaan tieteelliseen
näyttöön perustuen, olisi tärkeätä mitata samoja, tai vahvasti verrannollisia,
suoritusmuuttujia (esim. maksimaalinen hapenottokyky, mieluiten samalla
menetelmällä) kuin vastaavissa tutkimuksissa – vähintään ennen ja jälkeen
harjoitusohjelman. Tämän lisäksi valmennuksessa tulisi lisäksi suorittaa
jatkuvaa adaptaatioseurantaa (esim. uni, ravinto, nesteytys, leposyke, HRV,
subjektiivinen rasitus) verrattuna harjoituskuormaan - jälleen dataa järjestelmällisesti keräämällä.
Suoritusmittareista ja adaptaatioseurannasta kerätyn datan,
ja tarkan kuvaavan sekä tilastollisen analyysin perusteella saadaan kavennettua
yksilölle sopivaa menetelmää jakso jaksolta lähemmäksi optimaalista mallia.
Tieteelliseen näyttöön perustuvan menetelmän avulla minimoidaan ainoastaan
turhaa sokkoammuntaa, myyttejä ja loukkaantumisriskejä lähtötilanteessa. Laadukkaat
valmentajat, fysiologit, fysioterapeutit ja muut toimijat silti tarvitsevat
avoimet silmät ja korvat menetelmän onnistuneeseen muokkaamiseen tarpeiden
mukaan.
Summa summarum – data, tiede ja tieteelliseen näyttöön
perustuvat menetelmät ovat kolme eri asiaa, joista kaksi viimeistä ovat
riippuvaisia ensimmäisestä (laatu: raaka vs. prossessoitu). Siinä missä datan määrä tulee vielä
lisääntymään yhä enemmän tulevien innovaatioiden kautta, tulee laadukkaan
valmennuksen eteen tehdä systemaattista ’siivilöintiä’, johon tiede voi tarjota
omat etunsa.
Enemmän ei ole aina paremmin.
Lähteet
[1] The Concise Oxford Dictionary of Current English (1995),
9th Edition
Ei kommentteja:
Lähetä kommentti