スポーツとフィットネス

微分学習

注意：

前書き

動きを学ぶという古典的なアイデアは通常次のとおりです：開業医は学習する動きを続けて数回繰り返します。当初、この運動は通常非常に安全ではなく、技術的に不正確です。教師またはトレーナーは、ターゲットの動きがどのように見えるべきかについて特定のアイデアを持っており、一連の画像を使用してこれを試みます（視覚的に）または説明（音響的に）できるだけ明確に研修生に伝える動作の実行中にこの最適なターゲット動作（テクニカルモデル）から逸脱するものはすべて誤りであり、エクササイズ（一定のターゲット/実際の値の比較）を繰り返すときはできるだけ回避する必要があります。テクノロジーモデルからの偏差は、可能な限り変動の少ないターゲットの動きに到達するまで次第に減少します。
誰もが、体育やクラブでのトレーニングからこの手順を知っています。トレーナーは、目標の動き（目標のテクニック）が達成されるまで、動きを繰り返し、間違いを修正しようとします。スポーツに特に関与していない人なら誰でも、この関係を従来の学校のレッスンと明確にすることができます。以前にディクテーションで間違いがあった場合、この言葉を何度か繰り返さなければなりませんでした。この文脈では、トレーナー/教師の最適な動きを介入させ、想像することに焦点が置かれていることが明らかになります。ディクテーションを修正しているときに単語のスペルミスが繰り返されると、間違った単語が記憶されます。これはスポーツでも同様に見られます。

私たちの記事も読んでください： 理論を学ぶ。

この場合、アスリート/学生は、「動き」の経験のない「技術的欠陥」と見なされます。このいわゆるプログラム理論の手順では、人間の学習は一種のコンピューターとして理解されます。

しかし今、人間の脳（したがって学習）はコンピューターのように機能しないため、運動と認知の両方の領域でこの学習の見方に問題があります。脳は既知の関連との連携が最も効果的です。ただし、この能力は学校や課外スポーツ/学習では（またはほとんど）使用されません。

微分学習では、本人自身が正しい動きなどを学習する能力があると想定されています。多くの場合、このアプローチは理解されていないため、トレーニングの実践では受け入れられないか、まだ受け入れられていません。多くのコーチは、アスリートが自分で正しい動きをする場合、コーチの体型は不必要になると考えています。これは決してそうではなく、逆に言えば、トレーナーはますます困難なタスクに直面する必要があります。（後でもっと詳しく)
この時点で、従来のトレーニング（プログラム理論の観点）は微分学習に比べて間違っていたり悪いわけではないことを指摘しておく必要があります。それは異なる原理に基づいており、最終的には成功につながります。ただし、より最近の研究の結果は、微分学習による学習がより速い結果を達成したことを示しています。

最初の例

運動学習におけるシステムの動的アプローチ（微分学習）の古典的な例は、歩くことを学んでいる小さな子供に見られます。ターゲットの動きが学習されるまで（直立歩行）学習プロセスは、動作の実行における非常に大きな変動によって特徴付けられます。学習は、独立した実験によってのみ行われます。両親が歩くことを部分的な動きに分解したり、部分的な方法を組み合わせて幼児に教えることはめったにありません。ただし、ターゲットの動きは常にほぼ完璧に達成されます。子供は、動くことの学習に大きな変動があるため、非常に素晴らしい動きの感覚を体験します。

アプローチ

微分学習 運動は、スポーツに関係なく、非常に高いレベルの 個々の要因 含まれています。これは、テクノロジーの例を使用して非常によく見ることができます テニス 2人のアスリートの（ロジャーフェデラー そして ラファエルナダル）検出します。どちらのゲームも、まったく異なるテクニックを使用した最高レベルです。したがって、技術モデルを決定することは非常に困難です。なぜなら、すべての人は、運動課題を解決するために異なる性質を持っているからです。
したがって、差分アプローチはテクノロジーモデルを表します 運動学習で 問題です。システムダイナミクスアプローチ（微分学習）のもう1つの要素は、動きです。常に大きな変動にさらされています。同じことをするのは事実上不可能です ブロー/ ショット/ ごみあまりにも多くの外的要因と内的要因が動きを妨げるので、等は同じ条件下で二度実行される。微分学習が可能な限り広い範囲の動きを可能にするために使用するのは、まさにこれらの変動（プログラム理論的アプローチではエラーと呼ばれます）です。プログラムの理論的アプローチと同様に、それは個人最適なターゲットの動きですが、微分学習では、人間は自己学習システムとして理解されます。

通知

スポーツムーブメントが外部（対戦相手、風など）および内部（筋肉、関節の位置など）の影響を受ける場合、その動きは常に変動によって特徴付けられます。これらの変動は、トレーニングプロセスに統合できます。変動の悪用のもう1つの例は、幼い頃に子供の体操に参加した子供は、この経験のない子供よりもスポーツで大きな成功を収めているという事実です。初期の体操は、幅広い運動体験とより良い身体意識を開きます。

男は変化を求めて努力する

男は違いを求めて努力します。生理学的側面と神経学的側面の両方で。これは、 筋力トレーニング。同じウェイトと繰り返しで同じトレーニングを行うと、長期的には望ましい結果が得られない可能性があります。肥大に取り組んだことのある人（筋肉の建物）訓練を受け、筋持久力の領域で単一の訓練刺激を使用して、別の肥大刺激よりも筋肉の構築に大きな成功を収めます。

実装

ロット（これはすべてを意味するわけではありません）ただし、トレーナーはこのアプローチの意図を理解しておらず、前述の変動を誤って解釈しています。言うまでもなく、適切な量の動きの変動が重要です。これらの違いは、 "ノイズ" 最適な動きへの参照が常に保証されるようにトレーナーが選択する必要があります。たとえば、 テニスのサービス。微分学習には、変化した環境条件（クラブの選択、ボールの選択）および変更された技術コンポーネント（フットポジション、ヒップインサート、アームインサート、グリップポジションなど。）。ニューラルネットワークでの適応を可能にするために、トレーナーによく知られている一般的なエラーは、意図的に運動の実行に統合されます（神経可塑性）挑発します。ただし、揺れの焦点と選択は、常に目標の動きの達成を誘発する必要があります。したがって、下からの衝撃をシミュレートすることは有益ではありません。これは、動きの範囲の点で、ターゲットの動き（上からの衝撃）から非常に離れているためです。理想的なケースでは、いわゆるノイズがすべての動きで意識的に使用されます。

このアプローチをスポーツ科学の観点から説明しようとする

を介して動きを学習します 微分学習 それぞれのターゲットの動きを中心に変化し、学習者が将来の動きのシーケンスでさまざまに反応できるようにします。に来る 相互分極 テクニックの。テニスの例を考えてみましょう：

フリープレーでは、プレーヤーは対戦相手の影響により、絶えず変化する移動状況に反応する必要があります。運動学習の変動は、運動選手に運動と行動のより大きな自由を与えます。ターゲットムーブメントはトレーナーのテクニカルモデルにリンクされていませんが、各プレイヤー自身の開発の過程で開発されます。

証明

微分学習の証明は、実際の研究で数回行われています。古典的なアプローチ（プログラム理論的視点/体系的な演習シリーズ）と微分学習を比較しました。バスケットボール、サッカー、テニス、ショットの領域では、パフォーマンスの大幅な改善がすでに観察されています。

ハンドボールの微分学習

前書き

90年間のルール変更により、 ハンドボールゲーム。この構造変更により、ゲームのペースが大幅に速くなり、ダイナミズムが向上しました。それ以降、パフォーマンス要件または条件付き要件プロファイルはますますフォアグラウンドに移行しています。ハンドボールのスポーツのための小学校は隣にあります戦術そして状態、正しいものを学ぶ技術したがって、適切なテクニックのトレーニングも行います。テクニックを学習するとき、2つの異なる方法が区別されます。

プログラム理論 (より伝統的な）アプローチ
システムダイナミック (微分）アプローチ

プログラム理論的アプローチ

いわゆる保守的な プログラム理論 アプローチは古典的な心理学から来ており、動きを学ぶ人々を純粋な情報処理システムと見なしています。いわゆる汎用モータープログラム（gmP）が発生します。したがって、新しく学習された動きは、中央に保存される新しいプログラムです。この学習方法の特徴は、同じ状況で繰り返しが多いことです。テニスでは、これは同じストロークを何度も繰り返すことになります。

大まかな調整 --> 細かいコーディネート --> 細かいコーディネート

従来の調停方法は

方法論の原則
体系的な演習シリーズ
体系的なゲームシリーズ

プログラム理論的アプローチの批判：

プログラム理論のアプローチには多くの問題が発生しますが、以下に簡単にまとめます。制御と修正は、常に教師またはトレーナーによって外部から制御されます。プログラムの理論的アプローチの基礎となっている脳の中央制御システムの証拠はありません。高性能スポーツであっても、ムーブメント内の自然な変動は常に与えられます。

トピックの詳細： 運動学習

システムの動的アプローチ

の基礎 システムダイナミック, 微分アプローチは物理学です。このアプローチは、人間を相乗的、非線形、無秩序なシステムと見なします。 自己組織化 学ぶ。動きの学習は、ここでは、検索プロセスと、知覚と経験の体験プロセスとして行われます。理論的なプログラムアプローチと比較して、ここでは標準化された移動シーケンスはありません。

変動性->不安定性->自己組織化

微分学習アプローチ

の 実行の変動性 内の変動を最小限に抑えるために、差動学習で意識的に使用および適用されています動く挑発します。これは自己組織化のプロセスをトリガーします。注：小さな子供は、差動システムで歩くことを学びます。で 微分学習 ムーブメント内で意識的に変動を生み出すために、さまざまな可能性が生じます。