Wer läuft, läuft. Wer ins Gym geht, macht Bankdrücken. Viele trainieren, was ihnen liegt, und nicht unbedingt, wo sie am schwächsten sind. Chinesische Forscher haben in Scientific Reports ein Machine-Learning-Modell vorgestellt, das aus vier Fitnesstests einen Trainingsplan ableitet. Mit echten Daten und einem randomisierten Trial, aber auch mit ein paar Lücken, die du kennen solltest. Und ganz ohne KI-Chatbot.
Studie im Check: Ganz ohne KI-Chatbot, mit Tests und Machine Learning zum Trainingsplan
Christopher Klenk6 Min. LesezeitAuf einen Blick
Chinesische Forscher haben ein Modell gebaut, das aus vier Fitnesstests die BMI-Kategorie vorhersagt und zeigt, welcher Testwert dabei am meisten Gewicht hat. Darauf richtet ein festes Regelwerk den Trainingsplan aus. Im Trial mit 1.160 Teilnehmern schnitt die Gruppe mit dem Modell-Plan besser ab als die Kontrollgruppe, zum Beispiel mit 3,1 Klimmzügen mehr. Aber: Sie trainierte auch deutlich mehr und bekam zusätzlich einen Ernährungsplan. Ob das Ausrichten auf die Schwäche selbst den Unterschied macht, zeigt die Studie nicht.
Immer auf dem Laufenden zu KI-Training & Analyse? Ein Klick – und du bekommst meine Artikel bei Google bevorzugt angezeigt.
Bei Google als bevorzugte Quelle hinzufügenDie Idee dahinter ist einfacher als sie klingt
Du machst vier Tests: 3.000-Meter-Lauf, Klimmzüge, Sit-ups in 60 Sekunden und einen kurzen Sprint-Shuttle. Die Werte gehen in ein Machine-Learning-Modell, das mit den Messdaten von 6.698 Studenten trainiert wurde. Es sagt deine BMI-Kategorie vorher und zeigt, welcher deiner Testwerte am stärksten mit einem höheren BMI zusammenhängt. Diesen Bereich behandelt der Plan dann zuerst.
Dafür nutzen die Forscher SHAP, eine Methode, die zeigt, welcher Messwert eine Vorhersage wie stark beeinflusst hat. Das Modell sagt dann zum Beispiel: Deine Klimmzugzahl hat am stärksten dazu beigetragen. Im Gesamtbild lagen Klimmzüge (0,18), 3.000-Meter-Lauf (0,15) und Shuttle (0,12) allerdings nah beieinander. Dieser Wert steuert, wie der Plan zusammengebaut wird. Wenig Kraft heißt mehr Krafttraining, schwache Ausdauer heißt mehr HIIT und Ausdauereinheiten.
Wer es genau wissen will: Was das Modell konkret macht
Technisch steckt dahinter ein 1D-CNN mit Multi-Head-Attention, das die Daten aufbereitet, danach ein LightGBM-Klassifikator. Das CNN verarbeitet die 15 Zwischenzeiten des 3.000-Meter-Laufs als Zeitreihe, die anderen drei Tests werden schlicht dupliziert, um ins Format zu passen. Die 94,5 % Trefferquote beziehen sich auf die BMI-Kategorien. Die Stufe, die daraus den Trainingsplan macht, ist laut Paper regelbasiert, also kein weiteres Machine Learning.
Ein spezialisiertes Modell, kein Chatbot
Bevor jemand fragt: Das hier hat mit einem Chatbot technisch nichts zu tun. Kein ChatGPT, kein Claude, kein Prompt. Die Forscher haben ein spezialisiertes Modell auf echten Messdaten trainiert, und dieser Unterschied ist für die Praxis wichtig.
Stell dir vor, du fragst ChatGPT: „Ich mache 8 Klimmzüge, laufe 3.000 Meter in 14 Minuten und schaffe 32 Sit-ups in 60 Sekunden. Wo ist mein größtes Defizit?“ ChatGPT gibt dir eine Antwort, sogar eine plausible. Die beruht aber auf Texten, die das Modell irgendwann gelesen hat: Artikel, Foren, Bücher über Training. Es weiß nicht, wie deine 14 Minuten im Vergleich zu tausenden anderen Menschen mit ähnlichem Körpergewicht aussehen.
Das Modell aus dieser Studie hat dagegen an 6.698 echten Messprofilen gelernt, welche Kombination aus Laufzeit, Klimmzügen, Sit-ups und Shuttle-Zeit mit welcher Gewichtskategorie zusammenhängt. Wenn du deine vier Testwerte eingibst, bekommst du eine Vorhersage, die aus gemessenen Daten folgt. Ein Beispielfall aus dem Paper zeigt, wie das aussieht: Die Klimmzugzahl hat mit +0,21 am stärksten zur Einstufung als übergewichtig beigetragen, der Shuttle-Run zog mit −0,08 in die andere Richtung.
Ein KI-Chatbot kann dir erklären, wie ein Plan bei wenig Kraft aussehen sollte. Dieses Modell zeigt dir, welcher deiner Werte am stärksten mit Übergewicht zusammenhängt. Ob das ein echtes Kraftdefizit ist, musst du selbst einordnen.
Was der Test zeigt und wo er Lücken hat
1.160 Teilnehmer, 12 Wochen, zwei Gruppen: Eine bekam den vom Modell erstellten Trainingsplan, die andere trainierte nach dem üblichen Programm. Gegenüber der Kontrollgruppe schaffte die erste Gruppe im Schnitt 3,1 Klimmzüge mehr, war über 3.000 Meter 0,9 Minuten (54 Sekunden) schneller und im Shuttle 2 Sekunden schneller. Da ist also etwas passiert.
Ich habe nachgeschaut, was sonst noch anders war, und da wird es dünn. Die Interventionsgruppe trainierte mindestens 300 Minuten pro Woche mit HIIT, Ausdauer und Kraft, die Kontrollgruppe nur ihr übliches Programm. Dazu bekam die Interventionsgruppe einen Ernährungsplan mit Kalorien- und Makrovorgaben, und der ist in den Ergebnissen nicht herausgerechnet. Teilnehmer und Trainer wussten außerdem, in welcher Gruppe sie waren. Wie viel der Modell-Plan selbst beigetragen hat, lässt sich so nicht sauber sagen. Laut Paper sank auch der Anteil der Übergewichtigen um 23,5 %. Wie genau das gerechnet ist und wie die Kontrollgruppe dabei abschnitt, steht dort nicht.
Zwei weitere Punkte, die du wissen solltest
Das Modell wurde nur mit 18- bis 20-jährigen Männern einer Hochschule entwickelt, einer Fachhochschule für Luftfahrttechnik in Changsha. Die Trial-Teilnehmer kamen von derselben Schule. Frauen, ältere Erwachsene oder Leistungssportler sind nicht dabei. Dazu sagt das Modell BMI-Kategorien vorher, nicht Körperfett oder Muskelmasse. Wer viel Muskelmasse hat, gilt nach BMI schnell als übergewichtig, und das Modell kann das nicht unterscheiden. Außerdem passen im Paper einige Prozentangaben nicht zu den eigenen Tabellen, etwa bei den Klimmzügen. Ich habe mich deshalb an die Tabellen gehalten.
So kannst du die Idee selbst testen
Das Modell aus der Studie kannst du nicht herunterladen, Daten und Code sind nicht öffentlich. Die Grundidee kannst du aber heute schon ausprobieren. Meine Lesart: Die Studie zeigt, dass ein Paket aus mehr Training, Ernährungsplan und Modell-Steuerung besser wirkt als das übliche Programm. Ob das Ausrichten auf die eigene Schwäche selbst den Unterschied macht, bleibt eine Hypothese. Aus meiner Trainerzeit halte ich sie für plausibel.
Drei Wege, wie du das heute nutzen kannst
Einfach: Mach die vier Tests selbst und gib die Werte in einen Chatbot-Prompt ein, zum Beispiel so: „Ich mache 8 Klimmzüge, laufe 3.000 Meter in 14:30 Minuten, schaffe 28 Sit-ups in 60 Sekunden und 32 Sekunden im 30×2-Shuttle. Welches ist mein größtes Defizit im Vergleich zu einem fitten Sportler meines Alters, und wie soll ich die nächsten 4 Wochen trainieren?“ Ob das ohne spezialisiertes Modell genauso gut klappt, ist ungetestet. Ich würde es trotzdem so probieren.
Besser: Du nutzt deine Wearable-Daten (HRV, Trainingsbelastung, VO₂max-Schätzung) als Input statt vier Einzeltests. Mehr Datenpunkte können die Priorisierung verbessern, getestet ist aber auch das nicht.
Für Technik-Enthusiasten: Du trainierst ein eigenes kleines Modell auf deinen Trainingsdaten der letzten Jahre. Mit Python machbar, und dann tatsächlich auf dich zugeschnitten statt auf Daten von Studenten einer Fachhochschule.
Spannend finde ich die Kombination: ein spezialisiertes Modell für die Diagnose und ein Chatbot für den Plan. Die Bausteine gibt es heute alle. Ob die Kombination etwas taugt, hat aber noch niemand getestet.
Hier gilt dasselbe wie bei jedem Prompt: Wer weiß, was Ausdauer, Maximalkraft und anaerobe Kapazität unterscheidet, bekommt vom Chatbot eine brauchbare Priorisierung und kann den eigenen Trainingsplan mit ChatGPT, Gemini oder Claude selbst erstellen. Wer das nicht weiß, bekommt eine selbstbewusst formulierte Antwort, die er nicht einordnen kann.
Quelle: Mo M. et al. A machine learning framework for personalized exercise prescription based on BMI and physical fitness assessment. Scientific Reports (2026). DOI: 10.1038/s41598-026-42405-2
