Enhancing Running Performance through AI: A Prompt Engineering Approach to Training Optimization
Autor(ka) práce:
Satekova, Aigerim
Typ práce:
Bachelor thesis
Vedoucí práce:
Hoza, Petr
Oponenti práce:
Nguyen, Viet Bach
Jazyk práce:
English
Abstrakt:
This thesis investigates how prompt engineering can unlock the coaching potential of large-language-model (LLM) assistants for half-marathon preparation. Its primary objective is to design and validate a prompting framework that enables chat-based AI systems to deliver structured, personalised training plans for runners with diverse experience levels, physiological profiles, and goals. The methodology combined a literature review, a survey on the real-world use of AI coaching tools, 12 prompt trials across three runner personas using GPT-4o and Gemini 2.0 Pro, analysis, and evaluation of an AI-generated plan. The evaluation assessed their personalization, balance and variety of training stimuli, clarity, effectiveness. Results show that prompts incorporating detailed athlete backgrounds, time-bound goals, and clear instructions improve plan quality and effectiveness compared to prompts lacking context. While both models demonstrated comparable adherence to general training principles, Gemini 2.0 Pro consistently prescribed more conservative paces, whereas GPT 4o adopted a more aggressive approach. However, both models mishandled tapers and defaulted to cautious volumes and less specific workouts when specific goals were omitted. The study concludes that current LLMs, guided by a proposed prompting framework, can draft periodised programmes for recreational runners. However, informed human oversight remains essential for monitoring objective and subjective load markers and refining plans.
Klíčová slova:
Generative artificial intelligence; large language models; prompt engineering; endurance running; training plans
Název práce:
Využití umělé inteligence pro zvyšování běžeckého výkonu: přístup k optimalizaci tréninku pomocí promptového inženýrství
Autor(ka) práce:
Satekova, Aigerim
Typ práce:
Bakalářská práce
Vedoucí práce:
Hoza, Petr
Oponenti práce:
Nguyen, Viet Bach
Jazyk práce:
English
Abstrakt:
Tato bakalářská práce zkoumá, jakým způsobem může promptové inženýrství (prompt engineering) využít potenciál asistentů založených na velkých jazykových modelech (LLM) pro přípravu na půlmaraton. Hlavním cílem práce je navrhnout a validovat metodický rámec pro tvorbu promptů, který umožní AI systémům generovat strukturované a personalizované tréninkové plány pro běžce s různou úrovní zkušeností, fyziologickými profily a stanovenými cíli. Metodika práce kombinuje literární rešerši, dotazníkové šetření zaměřené na reálné využití AI koučovacích nástrojů, 12 testovacích cyklů promptování u tří modelových person běžců s využitím modelů GPT-4o a Gemini 2.0 Pro, a následnou analýzu a expertní hodnocení vygenerovaných plánů. Hodnocení se zaměřilo především na míru personalizace, vyváženost a variabilitu tréninkových stimulů, srozumitelnost a celkovou tréninkovou efektivitu. Výsledky ukazují, že prompty obsahující detailní anamnézu atleta, časově ohraničené cíle a jasné instrukce výrazně zvyšují kvalitu a účinnost plánu ve srovnání s prompty s nízkou mírou kontextu. Zatímco oba modely prokázaly srovnatelnou schopnost dodržovat obecné tréninkové principy, model Gemini 2.0 Pro konzistentně navrhoval konzervativnější tempa, zatímco GPT-4o volil agresivnější přístup. Oba modely však vykazovaly nedostatky v metodice ladění formy (tapering) a v případech absence konkrétních cílů měly tendenci sklouzávat k nadměrně opatrným objemům a méně specifickým tréninkovým jednotkám. Studie dochází k závěru, že současné modely LLM jsou při správném metodickém vedení schopny sestavit periodizované tréninkové programy pro rekreační běžce. Kvalifikovaný lidský dohled však zůstává nezbytný pro monitorování objektivních i subjektivních ukazatelů zátěže a pro finální korekci plánů.