大数据时代运动训练科学研究的新路径

摘要：长期以来，运动训练科学研究是基于还原论的科学小数据研究模式。而随着大数据时代到来，通过对大规模数据的研究来探索世界运行规律，已经成为当代科学研究的特征之一。对于运动训练科学研究领域来说，大数据不仅是一种应用性很强的实用工具，而更重要的是一种思维方式。大数据思维为运动训练科学复杂性研究开拓出一条新的方法学路径，致使现代运动训练科学研究走向新的研究范式。

关键词：大数据；大数据思维；运动训练科学；复杂性；范式；新路径

中图分类号：G808.1文献标识码：A文章编号：1006-2076（2015）04-0083-07

数据是科学研究的重要组成部分，数据活动方式改变必然会影响到科学研究的变化。长期以来，在运动训练科学研究领域，基于还原论的科学小数据研究模式提供的知识信息是分散的和碎片化的，无法拼凑出完整的、全面真实地反映运动训练世界的图景。近年来，随着信息技术和计算机技术的快速发展，人类在收集、存储、分析、使用数据的能力方面实现了巨大跨越，人们可以运用海量的数据来揭示世界运行规律，即人类在科学研究迎来了新的时代——大数据时代[1-2]。受到大数据科学研究的理念与方法影响，在运动训练科学研究邻域中运用大规模数据的来探索运动训练的规律，已经成为当代运动训练科学研究的特征之一。运动训练科学大数据研究不仅可以协助运动训练专家、教练员从海量的训练和比赛数据中发现规律，而且还可以优化运动训练手段和方法，提高运动员训练、比赛的能力，促进运动选材、运动训练与比赛的预测能力等。

大数据的介入为运动训练科学领域注入新的活力，推动大数据在运动训练科学领域的应用是实现当今运动训练现代化和科学化研究的有效路径。从运动员身上的可穿戴设备、运动器械上的传感器、比赛场内、外的摄像头到教练手中的终端设备以及互联网络，运动训练中大量的数据被广泛地采集、储存与运用。无论是赛场上运动员的表现、教练的战术布置、运动伤病的预防，还是场外运动员的训练、运动选材和运动训练监测、控制…，更全面的、完整的运动训练信息被呈现了出来并被转化为新的洞察力。大数据正在运动训练科学领域扮演着举足轻重的角色。然而，在感受运动训练科学大数据带来了变化的同时，我们发现大数据不仅是一种应用性很强的实用工具，更重要是一种思维方式的巨大变革。大数据思维为解决运动训练中许多难以解决的复杂性问题提供了新的思路与方法，为运动训练科学研究开辟了新的科学方法论路径，使得现代运动训练科学研究走向新的研究范式。

1大数据时代的兴起

1.1大数据缘起

世界的本质是物质，同时也是信息的。自上古时代的结绳记事起，人类就开始用数字来表征自然和社会。记录信息的能力成为原始社会和先进社会的分界线之一，早期文明最古老的抽象工具就是基础的计算以及长度和重量的计量。人类一直在努力更准确地记录时间、距离、地点、体积和重量等，而记录和计量一起促成了数据的诞生。19世纪，随着科学家们发明了新工具来测量和记录诸如电流、气压、温度、声频之类的自然科学现象，使得数据的数量不断增多，质量不断提高，科学已经离不开定量化了。到了20世纪伴随着科技和社会的发展进步，现代计算工具（计算机）出现带来了新的数字测量和存储设备，这样大大提高了数据化的效率，通过计算机使得数学分析挖掘出更大的价值变成可能。

进入了21世纪，随着信息与网络技术的快速发展，尤其是近年来云计算、移动网、物联网和传感器等技术迅猛发展，为人类开辟了一种前所未有的生活方式和活动空间。人类在收集、传输、存储、分析、使用数据等能力方面实现了巨大跨越，人们可以运用海量的数据来揭示世界运行规律。如Farecast公司用将近十万亿条价格记录来帮助预测美国国内航班的票价，其准确度高达75%。2009年，Google公司利用大数据技术准确地预测了流感的爆发[3]。2011年，全球知名咨询公司麦肯锡的《大数据： 创新、竞争和生产力的下一个前沿领域》到了报告标志着“大数据”时代的到来。2012 年 3 月美国奥巴马政府发布《大数据研究与发展计划》希望提高和改进人们从海量和复杂的数据中获取知识的能力，进而加速美国在科学与工程领域发明的步伐，这标志着大数据已经成为国家战略，上升国家意志。

1.2大数据内涵与大数据思维

所谓“大数据”不同的机构或人有不同的认识。麦肯锡公司认为：“大数据是指大小超出了常规数据库工具收集、存储、管理和分析能力的数据集。[4]”Gartner 给出的定义：大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。IDC 在对大数据作出的定义为：大数据一般会涉及两种或两种以上数据形式。它要收集超过100TB 的数据，并且是高速，实时数据流；或者是从小数据开始，但数据每年会增长60%以上。舍恩伯格说的，“大数据是人们获得新认知、创造新价值的源泉；大数据还是改变市场、组织机构，以及政府与公民关系的方法”[3]。而当前，人们在讨论大数据时，更多的是通过其若干基本特征去认识。Doug Laney最先把大数据的特征概括成3个“V”，一是规模性（Volume），二是快速性（Velociyt），三是多样性（Variety）。更多的人则将其概括为4个“V”，如IBM认为大数据必然还具有真实性（Veracity）[5]，IDC认为大数据潜藏着巨大的价值性（Value），但价值密度低，也有人认为大数据最重要的特点是复杂性等。[6]

随着大数据时代的到来，我们发现大数据不仅是一种应用性很强的实用工具，而更是一种重要的思维方法。舍恩伯格和库克耶在《大数据时代》一书中，将大数据带来的思维方式变革总结为三点：一是全数据模式，要分析与事物相关的所有数据，而不是依靠分析少量的数据样本，即总体样本取代随机样本；二是混杂性，应接受数据的纷繁复杂，而不再追求精确性，增加对模糊、不确定和不精确的容忍度；三是相关关系取代因果关系，即不再探求难以捉摸的因果关系，转而关注事物的相关关系[3]。这些思维模式上的重大转变颠覆了很多传统观念，不仅使人类对世界的本质有了更清楚的认识，而且也极大地改变了世界的科学图景与人们认识世界与改造世界的方法，给当代科学研究带来了巨大的挑战。

2大数据与运动训练科学研究

2.1运动训练科学大数据研究的现状

随着大数据在各个邻域中的应用，大数据也正在席卷体育运动界，现在很多运动项目都已经开始采用大数据分析技术，无论运动训练还是比赛，运动员、运动队如今越来越多依靠数据分析来使他们变得更快、更高与更强。在NBA，科研人员利用Advanced Scout 工具将球员在赛场上的各种表现进行数据化，如各种移动、对抗、挡拆、掩护、进攻、得分……经过多年的积累已达到可辨别每一个球员在场上的弱点，从而方便教练进行针对性的战术安排[7]。高尔夫运动也离不开大数据，在高尔夫运动中通过Track Man技术采集高尔夫运动员每次击球，每次挥杆后球的飞行过程中的所有数据，如速率、 角度、方向、旋转速度等， 然后通过软件进行分析，使得运动员能够更好地了解和分析自己的运动。

网球也涉及大量的数据，2013年9 月，李娜迎战美国名将小威廉姆斯。IBM 通过Slam Tracker平台综合了美网过去8 年的全部数据之后，其中包括8 128场比赛，4 100万个数据点，动用5 500个分析模型，在45个潜在动态指标里选择、对比、分析、定位、评估等，最终为李娜制定了比赛制胜策略[8]。2014 年足球世界杯的冠军德国队在训练或比赛中也采用了SAP Match Insights的大数据分析技术，用于捕捉球员的动作与位置变化等重要而细致的信息，这有效地帮助教练从海量的训练数据中发现规律，优化球队的训练方法和战术[9]。在澳大利亚，橄榄球队通过收集球员训练或比赛数据，对训练负荷、疲劳、肌肉损伤、恢复等情况进行分析和预测，实时掌握运动员在训练或比赛中的状态变化，从而及时纠正错误，调整训练方法，有效控制训练和降低疲劳、伤病出现，提升了球队运动成绩。[10]

2.2运动训练科学大数据研究的问题与趋势

大数据正在改变着体育运动界，大数据给运动训练科学研究带来了新的洞察力。然而，面对大数据时代的到来，运动训练科学的大数据研究正面临着许多问题。首先虽然在运动训练中的实际数据量巨大，但由于缺乏相关有效数据收集、储存和积累，而且存在着数据重复性较大，因此，许多运动项目在整体架构层面上还无法提供恰当的大规模的数据平台。其次，缺乏各种类型数据的有效采集方法。在运动训练中有各种各样的数据需要采集，但有些数据可以进行有效采集，而有些数据却很难数据化，如对运动员的心理数据的采集目前还难以实现，同时，有些数据的采集，由于技术的原因还存在一定的准确性、实时性问题。再次，缺乏数据全方位有效的分析方法。目前在体育运动方面，数据分析技术还没有广泛的应用，同时数据分析技术本身也不完善还存在一定的局限性。如在体育运动中直觉非常重要，而数据分析现在还无法代替直觉。最后，缺乏大数据思维方式。运动训练的大量数据中有许多价值可以挖掘，但由于缺乏一定思维的洞察力，无法得到隐藏在数据背后的关于运动训练一些整体特征的描述，并缺乏深入寻找各种因素的相互联系，从而发现一些随诸多因素动态变化而产生的新的运动训练规律。

根据目前运动训练科学大数据研究面临的主要问题，运动训练科学研究大数据的发展趋势主要有以下三个方面：一是挖掘运动训练科学大数据的技术研究。运动训练大数据技术是指运动训练海量数据的一系列收集、存储、管理、处理、分析、共享和可视化技术的集合。运动训练科学研究大数据时代，要处理的数据量增长速度快、容量大，而业务需求和竞争压力对数据处理的实时性、有效性又提出了更高要求，传统的常规数据处理技术手段根本难以应付，运动训练的大数据给传统的数据处理带来了巨大的冲击与挑战。因此，发展运动训练科学大数据的技术研究是运动训练科学大数据研究的重要内容。二是发展运动训练科学大数据的科学理论研究。运动训练科学大数据科学理论的研究是运动训练科学进行大数据研究的基础，它回答运动训练科学大数据研究的本质及其理论基础，同时它对怎样进行运动训练科学大数据研究具有指导作用。三是拓展运动训练科学研究的大数据应用领域。虽然大数据技术在运动训练科学领域得到一定程度的应用，但这些应用只是在少数运动项目，同时应用运动训练的维度较少。随着运动训练科学大数据的研究不断深入，运动训练科学大数据不但可以应用在运动过程中动作模式的分析，运动训练或比赛的监控、技术、战术的安排，而且可以用于运动员的疲劳、伤病的预防或恢复，运动训练的选材，并且还可以用于运动训练或比赛的预测或控制等方面。

3运动训练科学大数据研究的实质

运动训练科学研究已经进入大数据时代。然而，“大数据”这样一个称谓很容易把人们的注意力引导到关注数据本身上，而忽略了数据这样一个表象背后的事实，即运动训练科学的大数据从何而来？运动训练科学的大数据与小数据有什么区别？运动训练科学大数据所揭示是运动训练科学研究模式又是什么？以上这些问题都涉及到运动训练科学大数据研究的本质问题。我们知道，世界本质上是数据的，数据界的规律其实应是现实世界运行的规律。因此，我们对运动训练科学大数据本质问题的追寻就应该从运动训练科学研究本身的发展规律中发掘。

3.1运动训练的简单性——运动训练科学小数据研究的本质

近代科学研究是科学小数据模式[11]，所谓科学小数据研究模式，其实质就是“对事物进行抽象化提取，通过层层假设剥离事物，并最终通过数学建模完成对事物的科学化认知”[12]。而其具体表现为数据的规模比较小、种类少，追求数据的精确性或代表性（主要通过抽样的），用部分或少量数据代替所有的或大量的数据，在少量数据的基础上进行分析与推理，希望通过寻找数据之间的简单因果关系来解释世界运动规律等。因此，“小数据”其实代表的是局部或部分，它的研究方法实质上就是一种机械还原论的法，科学理论的基础则是近代科学。而一般认为，近代科学是关于简单性的科学，即其奉行的“世界简单性”的信念，也就是说世界本质上是简单的，简单性是世界的本质属性，复杂性则是一种表象，并最终都可还原为简单的要素（如要了解宇宙，就只要了解构成宇宙的砖瓦——基本粒子；懂得了生物大分子、核酸、蛋白质，就可以理解生命等）。在近代科学研究的数百年时间内，人们一直把简单性思想作为其主导思想，以科学小数据形式，努力探究物质构成的简单性，运动规律的简单性和科学方法的简单性。

传统运动训练科学研究起源于19世纪90年代，其基本理论形成于20世纪60～70年代，它是近代自然科学尤其是生理学、生物学、物理学、化学和数学等科学的产物。因此它研究方法遵循的是近代科学的小数据研究模式与理念。于是，传统运动训练科学研究本质应是运动训练的简单性。所谓运动训练的简单性，我们认为至少应包含以下几个方面：1）运动训练是其各部分简单的加和，如要提高运动员的竞技能力，就是要提高其各部分子能力，或者说提高了各部分的子能力，其整体竞技能力就会一定提高。2）假定运动训练的各部分之间是简单的线性关系，这种关系存在可以通过割断整体的联系来研究部分，并把部分的性质和规律加和起来形成整体的性质和规律。3）运动训练的规律变化是服从简单的因果律，也就是说运动训练各部分之间的联系是简单的因果关系，即一个原因必然地决定一个结果，而这个结果作为原因又必然地决定下一个结果。运动训练科学的简单性决定了传统运动训练科学研究的小数据特征，即追求数据的代表性（局部）、精确性和统计性（因果决定性）等。运动训练科学研究的小数据模式对加深人类对运动训练本质的认识产生了积极的作用，运动训练科学研究在此基础上也取得许多辉煌的成就。

3.2运动训练的复杂性——运动训练科学大数据研究的本质

随着运动训练科学研究的逐渐深入与国际竞技体育运动竞争日益激烈，原来基于还原论的运动训练科学研究小数据模式愈来愈显示其局限性，人们无法真正理解运动训练中的“平台”现象、“Choking”现象、“克拉克”现象、“黑马”现象或“竞技状态不稳定”问题、过度疲劳问题、运动成绩难以预测等问题……也就是说在运动训练中越来越显示出其复杂性一面。实际上，运动训练本质上就是复杂性系统，复杂性是其重要的特性，简单性只不过是其复杂性一种简化，其具体表现为：1）运动训练要素的复杂性，如有生理、心理、技术、战术、营养、健康、卫生、伤病、遗传、环境、社会等要素；2）运动训练关系的复杂性，即以上这些运动训练的要素与要素、要素与系统、系统与环境之间存在着相互联系、相互作用的非线性关联；3）运动训练结构的复杂性，即运动训练关系的复杂性在空间结构上则表现为运动训练的复杂网络结构，也就是运动训练系统各要素之间相互作用、相互联系、相互制约的交织在一起共同构成复杂网络；4）运动训练功能的复杂性，主要表现为运动训练系统的整体功能并不是其各部分或要素功能的简单加和；5）运动训练状态的复杂性，即运动训练状态不但具有平衡态、周期态，还具有拟周期态和混沌态等；6）运动训练环境的复杂性，主要表现为其环境具有开放性，即运动训练系统不断的与外界环境进行着物质、能量和信息交换等。[13]

运动训练这些复杂性特性决定了运动训练科学研究的小数据模式的局限性与在其研究过程中产生的困惑。也就是说运动训练的复杂性需要运动训练科学研究采用新的数据研究模式，而运动训练科学研大数据研究模式就是运动训练科学处理运动训练复杂性的新的模式。换句话说运动训练复杂性特征决定了运动训练科学研究的在其数据上表现出大数据的特征。如运动训练要素的复杂性导致了运动训练科学研究在其科学数据的获取、储存、处理与应用上表现出大规模；运动训练关系或结构的复杂性决定了这些数据之间也会表现出相互错综复杂的关系；运动训练状态的动态性或不稳定性则决定了运动训练数据的快速性、多样性或不确定性；而运动训练的整体性则决定了运动训练数据的系统性、模块等大数据的特性等。因此，运动训练科学大数据研究的本质主要源于运动训练的复杂性。从这种意义上看，运动训练科学大数据研究模式实质上是运动训练科学复杂性研究的一种模式，运动训练大数据思维实质上就是运动训练复杂性研究的思维，而运动训练科学大数据技术则开拓了运动训练科学复杂性研究一条新的技术路径。

4大数据思维：重构运动训练科学研究的新路径

大数据正在改变我们的一切，但其中最重要的是改变我们的思维方式，带来所谓的“大数据思维”。大数据思维是一种崭新的信息思维方式，实质就是从现存事物的结构和关系模式、演化程序和过程模式中去把握和描述事物的本质、特点和属性，将现存事物的结构、关系、过程作为信息（数据）的载体或符码，并由此破译出其中蕴涵着的关于事物历史状态、现实关系、未来趋向的间接存在的内容、意义和价值[4]。这种崭新的思维方式代表着当代科学研究思维发展的新方向，大数据思维一般具有整体性、相关性、非线性、无序性、动态性等特性。运用大数据思维进行运动训练科学研究必然会引起在多方面发生重大的转变。

4.1运动训练科学研究视角的转变：局部转向整体

传统运动训练科学研究是科学小数据研究模式，因此“小数据”其实代表的是局部或部分，其倡导的是了解局部和样本分析方法，属于还原论的理念，即通过把整体理解为由各个部分组合而成，因而可以分解为部分来研究，从部分来解释整体；或把总体还原为样本，相信了解样本就能了解整体，通过研究样本来寻找把握整体的方法、路径。这一传统一直延续至今，并且成为运动训练科学研究的主流做法，但是，无论如何科学抽样或分解，都有可能走样，部分都未必能够代表“整体”。于是，我们发现在使用某一项或几项的生理、生化等指标来反映运动能力时，或采用的各种训练手段或防守技木，或进攻技术，或上肢，或下肢，或力量，或速度对运动员进行训练时，却发现局部是合理，看似科学的，但事实上所采用的指标越多，就分解得越精确，然而离整体就可能越远，或可当我们对一个个成分基本了解时，却仍然不敢说了解了这一运动项目特点等。

任何一项运动项目实际上都是一个有机整体，即运动训练各要素或部分之间是相互联系、相互作用、相互影响和相互制约的，无法加以机械的分割。而运动训练科学小数据研究模式容易造成一种孤立、片面地看问题，只能使我们满足于运动训练中所谓的正态分布一般平庸平凡的现象，却无法真正地捕捉到经常藏匿在细节之中的特殊或个性化问题，有时真正有价值的运动训练科学问题就是来源于特殊的或细节之中。于是，我们发现运用传统的小数据研究方法，无法真正复制老虎伍兹的挥杆动作、乔丹的“空中飞人”技术和林丹的“鱼跃”击球动作等。因此，我们运动训练科学研究需要走向整体的研究，需要更多的细节与信息进行新的分析，能够从不同角度更细致地观察和研究。运动训练科学大数据研究是一种整体的研究方法，它倡导的就是“全样本”或整体上的研究，即“样本=总体”，不再用局部去“代表”整体，崇尚总体把握，强调数据的完整性，追求更多的、尽量完整的数据，其研究的核心全在于发现和理解更多或更全面的信息（数据）内容及信息（数据）与信息（数据）之间的关系，在此基础上利用所有的数据进行深度地探讨。

4.2运动训练科学研究对象的转变：实体转向关系

实体”是西方的一个传统的概念，一般指构成万物的最基本物质或微粒，如“原子”“元素”等。近代科学诞生的主要标志就是建立了一套关于“实体”的自然观和方法论，如笛卡儿—牛顿的机械自然观、拉美特利的人是机器等。近代科学的“实体论”认为，“世界的本质是简单的，是由不变的“实体”构成，外部世界的复杂性是由种种简单性“实体”聚合而成，并在“实体”层面得到还原论的清楚解释和充足说明。科学的任务就是探明宇宙的最终“实体”，而科学中的所有学科最终都可以统一到“实体”上来”[15]。当前的运动训练科学学科研究主要秉承也是“实体”观，即把运动训练看成是各种“实体”的组合，如把运动员看成由各个机械部分组成的机器，即也就是运动员是由意识和机体叠加，而机体则是许多机械部分（肌肉、骨骼、神经或组织、器官、分子、原子等）组成；把复杂的运动员的生理、心理等现象降解成物理、化学过程；把运动训练的本质或根源最终归结到人体、器官、组织、分子、原子等层次的实体机制上来。这样实体观最终导致运动训练只能是一种简单的因素或功能研究（力量、速度、耐力等）。[6]

20世纪以来，现代科学的发现表明，实体并非是客观实在的，实体是关系的产物，关系比实体是更基本的存在，即关系更具实在性。黑格尔曾经指出，“相互作用是因果关系的最切近的真理”，恩格斯也认为，“交互作用是事物的真正的终极原因。”在运动训练世界中，运动训练的本质其实不是所谓纯粹的实体世界，而应是以一种关系性存在的，即构成运动训练的各种要素以及它本身都处在复杂的关系网络之中，并且表现于对于各种演化的单元并不是孤立的实体，而是关系中的实体，且这种关系比实体更重要。这意味着在运动训练科学研究过程中不仅仅是研究其各种构成的要素（速度、耐力、力量等），而更重要的是要研究这些要素之间的关系，也就是说将运动训练的构成要素以及它本身孤立起来考察和认识是远远不够的，而唯有把它们置于关系或背景中才能理解、描述和认识它们，而且后者更重要。而科学大数据研究的核心就是以一种关系思维或关联性思维方式来考察各种要素或系统的运行状态，从而来揭示它们的运动发展的规律。也就是说通过大量数据建立起相关关系模式，并通过相关关系进行分析与预测，而且不易受任何偏见的影响。这样的研究可以比以前更容易、更快捷、更清楚。因此，运动训练科学大数据是实现运动训练科学从“实体”研究中心向“关系”研究为中心转移的有效路径。

4.3运动训练科学研究路径的转变：假说驱动转向数据驱动

传统运动训练科学研究主要是一门假设驱动的科学，即提出一个科学问题，再据此提出一种可能的假设，然后用实验对假设进行验证。与此研究路径密切相关的是所谓的运动训练科学的还原论， 即一切人体生命现象和心理现象最终都可以还原为物理、化学现象，因而原则上完全可以用物理、化学规律来说明人体运动的规律，通过分解人体的结构成份或功能予以离析研究来理解复杂人体运动系统的观念。这种科学研究方法在过去大半个世纪大大推动了人体运动科学研究，让我们见证了运动生理学、运动生物力学、运动生物化学以及运动解剖学等对运动训练科学所引发的辉煌。然而，面对人体生命运动的复杂性，假设驱动运动训练科学研究其统治地位受到了挑战。因为，假设的提出是基于已有的知识或理论；但那些全新的东西，如当前运动训练或比赛中的“Choking”现象、运动性疲劳问题、“克拉克现象”“黑马现象”、运动技能的不可复制问题或“平台”期等问题，可能远远超出了我们能假设的认知范围。

然而，“科学就是数据，数据就是科学”。大数据科学研究推动了一种“数据驱动的科学”的研究方法的发展，即首先是获取大量的数据，然后在数据分析的基础上提出假设和开展实验。按照舍恩伯格的说法，“拥有全部数据或几乎全部的数据，我们就能够从不同的角度，更细致地观察和研究数据的方方面面，可以正确地考察细节并进行新的分析，并在任何细微的层面，可以用大数据去论证新的假设”[3]。2008年，美国Wired杂志主编Chris Anderson甚至发出“理论已终结”的惊人断言，他指出：相互关系已经足够。我们可以停止寻找模型，相互关系取代了因果关系，没有具有一致性的模型、统一的理论和任何机械式的说明，科学也可以进步[17]。因此，“用数据说话”已成为认知世界的一种方法。也就是说，当代科学研究方法正在从传统的假说驱动型方法转向基于数据的探索型方法。因此，对于在运动训练科学研究邻域运用“数据驱动”方法去尽可能多地搜集人体运动的各种信息，在此基础上再考虑假设；这样一种方法与“假设驱动”的研究策略相比，可能更适合对复杂的人体运动科学现象的研究。也就是说运动训练科学大数据研究促使我们在运动训练科学领域更多的使用数据驱动的研究方式。

4.4运动训练科学研究范式的转变：简单转向复杂

所谓“范式”，是指从事某一科学的科学家群体所共同遵从的世界观和行为方式，也是常规科学所赖以运作的理论基础和实践规范[18]，它构成一定时期内学科活动的基础，规定了科学家看到什么，提出什么问题和以什么方式思索、解决问题。科学研究从整体看可分成两种范式，即简单性范式与复杂性范式。传统运动训练科学研究的范式是简单性范式，它遵循的是一种生物机械—还原论方法，即将研究对象假定为没有生命的机械，将对象与其他事物隔离开来单独进行分解、剖析，将宏观对象还原到微观要素，直到不能再分解为止，然后研究要素的结构、功能等[19]。这种方法总体表现为把运动员竞技能力整体性质和功能分解成各竞技能力各要素的简单加和，竞技能力或机能提高就是不断的刺激——恢复——超量恢复的叠加结果，或者说把高层次水平上的人体运动能力还原为低层次的身体各部分的特征，或用低层次的属性特征来表征高层次水平上的运动能力等。于是，传统运动训练科学研究方法整体上表现为实证性、局部性、精确性等特点，即在数据的则上（定量研究）追求其的随机性、精确性、确定性、线性等小数据模式。这种运动训练科学研究的简单性范式对运动训练实践的影响、运动成绩的提高、国际竞技运动的迅猛发展起到了巨大的作用，竞技运动训练成果也取得前所未有的辉煌。

然而，人体本质上是复杂性系统，即1）人体是一个具有复杂结构的整体统一的巨系统；2）人体是一个内外环境的物质、信息、能量双向交流的开放系统；3）人体是一个无序和有序相互转化的耗散结构系统；4）人体是由大脑通过信息运动进行着严格调控的有序系统；5）人体是一个高度有序的自组织系统；6）人体是能够适应社会生活和社会发展的系统等等[20]。因此，传统运动训练科学简单性范式把复杂的人体约化为简单的人体，固然省事，但是不符合实际。随着运动训练科学研究的逐渐深入，复杂性范式将是未来运动训练科学研究的新范式，也就是说运动训练科学研究必然走向其复杂性研究模式，而当今大数据研究则加深我们对运动训练复杂性的整体上理解，能使我们有可能得到一种最接近正确的选择和路径、最接近正确的观点与方法，从而更加接近运动训练的客观上复杂性特征，消除基于小数据还原论的经典科学研究的主观性。当然，对运动训练复杂性科学研究将有助于指导运动训练大数据搜集、更好地分析运动训练系统的数据，帮助研究者利用大数据建立复杂训练分析与预测模型等。因此，运动训练大数据研究其实是以运动训练的复杂性研究为其理论基础，而基于大数据对运动训练复杂系统内在机制、特征、关系及其原理进行的整体性研究则为运动训练科学复杂性研究提供了技术及工具。另一方面，运动训练科学大数据研究所提供的相关理论和观点、方式和方法能够较好地体现出运动训练复杂性研究的的一般特征，进而也为运动训练复杂性研究提供一个新的维度。

5结语

面对大数据时代的来临，运动训练科学研究将要进入一个崭新的时代，作为运动训练科学研究工作者应顺应时代的变化，积极融入时代的变迁，变革新的运动训练科学研究思维方式。对待研究视角，要用整体代替传统的局部。对待研究对象，要用关系代替传统的实体。对待研究路径要以数据驱动模式替传统的假设驱动模式。对待研究范式，要善于从简单范式转变为复杂性范式。另外，随着运动训练科学研究越来越多的运用大数据技术，即运动训练科学研究与大数据结合得越来越紧密，其必将在优化运动训练手段和方法，提高运动员训练、比赛的能力，促进运动员选材、运动训练与比赛的监控与预测能力等方面取得突破性的进展。运动训练科学大数据研究终将真正成为一个时代。

参考文献：

[1]Big Data[J]. Nature， 2008， 455 （7 209）：1-136.

[2]Dealing with data[J].Science， 2011，331 （6 018）：639-806.

[3]维克托·恩伯格·肯尼斯·库克耶.大数据时代[M].杭州：浙江人民出版社，2013.

[4]Manyika J，C'hui M， Brown B，et al.Big data：The next frontier

[HJ1.8mm] for innovation competition，and productivvity[OL].2012-10-02.

[5]IBM. What is big data？ [OL].http//www-01.ibm.com/software/data/bigdata/.2012-10-22.

[6]李国杰.大数据研究的科学价值[J].中国计算机学会通讯，2012，8（9） ：8-15.

[7]IPop：How Big Data Will Transform Coaching in the NBA， http；//bleacherreport.com/articles/ 1934273-ipop-how-big-data-will-transform-coaching-in-the-nba.2014-01-23.

[8][JP3]杨澍.前台的竞技，后台的数据[J].商学院，2013（10）：34-39.[JP]

[9]黄锴.德国队大胜C罗背后：大数据“操纵”足球？[N].21世纪经济报道，2014-06-21.

[10] Twist， C， Waldron， M， Highton， J， Burt， D， and Daniels， M.Neuromuscular， biochemical and perceptual post-match fatigue in professional rugby league forwards and backs[J].J Sports Sci，2012，30：359-367.

[11]苗东升.从科学转型演化看大数据[J].首都师范大学学报：社会科学版，2014（5）：48-55

[12]王成文.数据力：“大数据”PK“小数据”[J].中国传媒科技，2013（19）：68-70.

[13]仇乃民，李少丹.复杂性思维视域中的运动训练科学研究：反思与重构[J].天津体育学院学报，2013，28（6）：513-518.

[14]邬焜 .复杂性与科学思维方式的变革[J].自然辩证法研究，2002，18（10）：46-49

[15]高剑平.近代科学技术革命：“实体”对象及对“实体”的认识[J].学术论坛，2007（10）：14-17

[16]仇乃民，李少丹.试论运动训练科学研究的方法论问题[J].山东体育学院学报，2014，30（4）：72-76.

[17]ChrisAnderson. The End of Theory： The Data Deluge Makes the Scientific Method Obsolete[J].Wired，2008， 16（7）.

[18]托马斯.库恩.科学革命的结构[M].北京：北京大学出版社，2003：157.

[19] 笛卡尔.谈谈方法[M].北京：商务印书馆，2006：16.

[20]韩丹.论体育哲学的人体观[J].体育与科学，1997，18（2）：25-30.