当数字追踪技术起到积极作用或产生负面影响时：通过动机和接受度的角度探讨活动追踪器对青少年运动员的多样化影响

《Frontiers in Psychology》：When digital tracking helps or hinders: unpacking the heterogeneous effects of activity trackers on adolescent athletes through the lens of motivation and acceptance

　　摘要
背景：数字活动追踪器在青少年训练中变得越来越受欢迎，但关于其有效性的证据却褒贬不一。大多数现有研究依赖于平均效应模型，忽略了设备使用效果的个体差异以及背后的心理机制。
目的：本研究的目的是探索追踪器客观使用与年轻足球运动员表现提升之间的异质性剂量-反应关系，并分析训练负荷的中介作用以及心理接受度和初始身体素质的调节作用。
方法：本研究跟踪了12个青少年足球学院中的142名年轻男性足球运动员，持续时间为12周。我们整合了多种数据来源，包括设备记录的客观使用数据（累计时长/频率）、表现提升数据（ΔYo-Yo间歇恢复测试分数）、训练负荷数据（基于RPE分数）以及心理接受度数据（基于TAM问卷）。采用分位数回归模型分析在不同表现提升水平（τ = 0.10至0.90）下各因素的作用，随后进行了稳健性测试和分位数特定的中介作用及调节作用分析。
结果：关联存在显著异质性：使用累计时长与表现提升之间的关联在低分位数时最为显著（τ = 0.25：B = 2.41，p < 0.001），而在高分位数时不显著（τ = 0.90：B = ?0.21，p = 0.68）。训练负荷仅在中间和较低分位数范围内起到中介作用（τ = 0.25，间接效应 = 0.89，95% CI [0.32, 1.65]）。心理接受度在低表现水平下对这一关联具有积极调节作用，而初始身体素质在低和中等水平下则起到负面调节作用，这些因素共同解释了观察到的异质性。由于观察性研究设计，无法得出因果推断。
结论：追踪器使用与表现之间的关联在个体间存在显著差异。对于初始体能较低且心理接受度较高的运动员来说，潜在益处最为显著，这部分得益于增加的训练负荷。实践需要个性化应用。由于本研究为观察性设计，因此无法从中推断出因果关系。

1 引言
青少年体育训练模式正在经历深刻的变化，这一变化是由数字技术的全面整合推动的。提供实时、客观生物反馈的可穿戴数字运动追踪器已在竞技体育系统中迅速得到应用（Ransom等人，2025年）。这些设备的价值在于提升训练的科学性和个性化程度，最终目标是优化运动表现（Passos等人，2021年）。从心理学角度来看，数字运动追踪器通过自我监测和即时反馈机制发挥作用，可能通过满足自我决定理论中的核心心理需求来培养运动员更强的自主性和内在动机（Nuss等人，2021年）。这反过来预计将提高训练依从性（包括客观行为依从性，如训练频率和时长，以及主观心理投入），并通过量化和管理训练负荷来促进安全和高效的表现提升（Temm等人，2022年）。然而，尽管有这些合理的理论依据，预期与实证证据之间仍存在显著差距。当前主流研究范式存在三个主要局限。首先，现有研究主要关注估计数字活动追踪器的平均治疗效果，很大程度上忽略了效果的系统异质性（Moe-Byrne等人，2022年）。这种“一刀切”的分析方法掩盖了一个关键现实：相同的“剂量”技术可能对初始体能、技能或心理倾向不同的青少年运动员产生不同的甚至相反的结果（Silva等人，2021年）。例如，高强度的设备使用可能会通过增强感知来激励体能较弱的运动员，但对于接近生理极限的运动员来说，它可能会因损害自主性或引发压力性监测而导致过度训练和心理疲惫（Daley和Reardon，2024年）。其次，“剂量”的操作化定义严重依赖回顾性自我报告，这容易受到回忆偏差和社会期望的影响，并且无法捕捉设备日志数据提供的细粒度客观定量信息（Patterson等人，2021年）。第三，当前研究往往将“技术-行为-生理”路径视为一个黑盒，未能系统地考察训练负荷（将行为转化为生理适应的关键中介变量）和技术接受度（基于TAM）等心理因素，而这些因素是技术采纳和持续使用的重要调节因素（Kao等人，2019年；Verstappen等人，2021年）。这种过度简化严重限制了我们对心理过程如何与技术交互影响结果的理解，以及数字活动追踪器对哪些人群有效的认识（Neupert等人，2022年）。为了弥补这些不足，本研究以年轻足球运动员为对象，在方法上进行了更深入的探索。为了解决这些问题，我们提出了一个综合理论模型（图1），该模型结合了技术接受模型（TAM）和自我决定理论（SDT）。这种整合具有特定目的：TAM有助于预测哪些运动员更有可能基于他们对设备有用性和易用性的感知采纳并持续使用该技术。随后，SDT提供了一个框架，解释了持续使用这些技术如何满足或阻碍基本心理需求（自主性、能力、相关性），从而解释长期动机、训练行为和最终表现结果的变化（Dwivedi等人，2020年；Flannery，2017年）。该综合模型假设数字活动追踪器使用剂量与表现之间的关联通过训练负荷的变化来调节，并且这种关联受到运动员心理接受度（来自TAM）和初始身体素质等基线特征的调节。此外，这些途径的强度可能因表现水平而异（Noorbhai等人，2025年）。基于这一框架，本研究旨在回答四个具体问题：（1）数字活动追踪器使用的客观测量剂量（频率和时长）与青少年足球运动员的客观和主观训练依从性之间有何差异性关联？（2）剂量与表现提升之间的关联是否因运动员的初始表现水平而异？（3）训练负荷是否调节剂量与表现提升之间的关联？（4）运动员对数字运动追踪器的心理接受度（TAM）和初始体能水平是否调节剂量与依从性/表现之间的关联，这种调节效应能否解释观察到的异质性？

图1 结合了技术接受模型（TAM）和自我决定理论（SDT）的综合理论模型。该概念模型阐明了一种假设机制，解释了青少年运动员使用数字身体活动追踪器（DPAT）与表现提升之间的异质性关联。该框架整合了TAM和SDT，描述了技术参与不同阶段的心理过程。具体而言，TAM（蓝色虚线框所示）假设运动员对其有用性和易用性的感知形成的心理接受度调节了设备可用性与实际使用行为之间的关系。SDT（绿色虚线框所示）为中介路径提供了动机基础：设备的一致使用理论支持基本心理需求（自主性、能力、相关性），从而促进训练参与，进而提高表现。模型提出DPAT使用与表现提升之间的关联既直接又间接，由训练负荷（训练RPE）调节。此外，这种剂量-反应关系受到基线体能水平和心理接受度的调节，导致不同表现分位数之间的预期异质性。为此，我们采用了为期12周的纵向队列设计，参与者来自多个青少年足球学院。我们创新性地整合了来自设备应用编程界面的连续日志行为数据、通过实证抽样方法收集的高强度纵向主观数据以及定期标准化生理测试数据（Poppe等人，2025年）。在分析方法方面，本研究超越了传统线性均值模型的限制，使用分位数回归系统地描述了数字运动追踪器剂量在不同条件表现分布位置（如低、中和高分位数）对运动员的差异性关联（Liu等人，2024年）。我们期望这项研究不仅能为青少年体育中数字训练工具的个性化应用提供精确的实证依据，还能通过检验综合TAM SDT模型来促进体育心理学文献的发展。研究范式已经从追求“平均效应”转向探索“效应异质性”和“个性化匹配”（West等人，2025年）。

2 方法
2.1 研究设计和参与者
本研究采用了前瞻性纵向观察研究设计，包含三次测量：基线（T0）、第6周（T1）和第12周（T2）。研究对象来自中国东部四个职业足球俱乐部的U15至U17青年训练队。通过集群抽样方法，在获得俱乐部和监护人同意后，最初纳入了156名男性运动员。排除因严重受伤而无法全程参加训练的运动员后，最终分析样本包括142名运动员（平均年龄16.2岁，标准差1.1岁；平均训练年限5.3年，标准差2.4年），分布在12支训练队中。通过蒙特卡洛法事前功效分析确认，当前样本在主要分位数（τ = 0.25、0.50、0.75）检测到显著效应的统计功效超过80%（Shieh，2018年）。
2.2 变量测量和操作化
2.2.1 数字追踪器使用剂量（自变量）
设备：Garmin Forerunner 255手表。
2.2.1.1 客观剂量（API衍生）
使用频率：每周佩戴并记录至少一个有效训练会话的天数（超过30分钟）。
使用时长：设备记录的每周有效训练总分钟数。
累计剂量：在T1和T2阶段分别计算了累计使用天数和总使用时长。
2.2.2 训练依从性和表现（因变量）
客观训练依从性：从设备数据中得出，计算为训练完成率（完成的会话数/安排的会话数）和每两周的平均训练会话时长。
主观训练依从性：通过经验抽样测量。运动员在训练结束后30分钟内报告感知到的用力程度（RPE，Borg CR-10量表）和集中注意力程度（3项，7点李克特量表，Cronbach’s系数α = 0.88）。计算出两周的平均值（Khanshan等人，2021年）。
2.2.2.1 运动表现
Yo-Yo间歇恢复测试表现：在T0、T1和T2阶段进行测试。记录完成的总距离。表现提升计算为ΔYo-Yo（T2测试分数减去T0测试分数）（Póvoas等人，2016年）。
综合表现指数（CPI）：为了提高有效性，同时测量了30米冲刺、伊利诺伊敏捷性测试和反向垂直跳跃高度。T0和T2的测试分数进行了标准化处理，并进行了主成分分析。提取了解释65%方差的第一主成分作为综合表现指数，并计算了其前后测试差值（ΔCPI）（Wagner等人，2019年）。
2.2.3 中介和调节变量
训练负荷（中介变量）：基于单次训练会话中自觉用力程度的得分进行计算。每周训练负荷（任意单位）= Σ（训练会话时长[分钟] × 训练会话自觉用力程度得分）。分别计算了T0到T1和T1到T2的平均每周负荷（Gaudino等人，2015年）。我们承认，仅使用RPE作为衡量指标可以捕捉内部感知负荷，但无法区分生理和心理压力成分，也不能考虑机械或神经肌肉负荷。
心理接受度（调节变量）：在T0阶段，使用修订版的技术接受模型问卷进行测量，该问卷包含三个子量表：感知有用性（4项，α = 0.91）、感知易用性（4项，α = 0.89）和使用态度（3项，α = 0.87）。总分取各子量表的平均值（Ruiz-Figueroa等人，2024年）。该量表使用了经过验证的TAM工具。 confirmatory因素分析表明模型拟合良好（CFI = 0.96，RMSEA = 0.06），支持其构念有效性。
2.2.4 协变量
年龄、训练年限、基线Yo-Yo间歇恢复测试分数（用于分位数分层）、受伤历史（过去6个月内因伤缺席的周数）以及俱乐部/团队虚拟变量。
2.3 统计分析
本研究采用了多方法顺序统计分析策略。首先进行描述性统计分析，描述样本特征和关键变量的分布（表1）。核心分析采用了分位数回归来建模数字运动追踪器使用累积时长与表现提升（ΔYo-Yo间隔恢复试验）之间的关联，在τ = 0.10、0.25、0.50、0.75、0.90的分位数上进行了测试。所有模型都控制了基线表现、年龄、训练年限、受伤历史和俱乐部所属（表2）（Lee等人，2021年）。通过500次重复自助法获得了稳健的标准误差。在此基础上，扩展了分位数回归框架以测试其机制：使用分位数中介模型来评估训练负荷的中介效应。该方法通过自助法估计结果分布特定分位数处的间接效应（ab），而不假设间接效应呈正态分布。通过引入交互项（剂量×调节因素）在分位数回归模型中测试心理接受度的调节效应，并通过自助法置信区间来评估交互作用的显著性（表3）（Li等人，2022年）。表1 变量类别 特定变量 平均值（M）/百分比（%） 标准差（SD） 范围/IQR 人口统计 年龄（岁）16.2 1.07 14.8–17.9 训练经验（年）5.3 2.42 2–11 基线表现 Yo-Yo IRT（米）186 4.54 32.69 20–2,840 综合表现指数（Z分数）0.01 1.00（?2.35, 2.18） 剂量（12周累积） 总使用天数67.8 14.22 8–84 总使用时长（小时）145.6 41.34 8–256 结果变量 ΔYo-Yo IRT（米）280.4 178.9 ?120-720 Δ综合表现指数0.52 0.78（?1.10, 2.65） 客观依从性（完成率%）88.5% 9.8% 52–100% 主观努力（RPE）7.2 1.54–10 机制变量 平均每周训练负荷（AU）3,850 1,120 1,560–6,540 心理接受度总分4.1 50.76（2.1, 5.8） 样本特征、设备使用剂量和关键变量的描述性统计（N = 142）。IQR，四分位距；AU，任意单位。表2 预测因子 τ = 0.10 τ = 0.25 τ = 0.50（中位数） τ = 0.75 τ = 0.90 累积时长（小时）1.85（0.62）**2.41（0.48）***1.22（0.40）**0.68（0.37）??0.21（0.51）基线Yo-Yo（100米）?17.8（5.1）***?22.1（4.0）***?25.3（3.2）***?26.8（3.0）***?30.4（4.1）***年龄（岁）15.2（18.1）12.8（14.0）10.5（11.2）8.3（10.5）5.1（14.8）训练经验（年）8.9（6.2）10.1（4.8）*11.5（4.0）**13.0（3.8）***14.8（5.2）**受伤历史（周）?25.6（11.3）*?20.1（8.8）*?15.3（7.2）*?10.8（6.8）?5.2（9.5）俱乐部虚拟变量 包含 包含 包含 包含 包含 假R2 0.28 0.32 0.35 0.33 0.29 分位数回归估计累积使用时长对表现提升（ΔYo-Yo IRT）的影响。N = 142。表中呈现了带有自助法标准误差（500次复制）的非标准化回归系数。模型估计了在指定分位数（τ）上对ΔYo-Yo IRT（米）的影响。***p < 0.001，**p < 0.01，*p < 0.05，?p < 0.10。表3 分析与路径 分位数（τ）效应估计95%自助法CITest统计量/指数 A. 通过训练负荷的中介 间接效应（ab）τ = 0.25 0.89[0.32, 1.65]– τ = 0.50 0.51[0.15, 1.02]–中介比例 τ = 0.25 36.9%–– B. 通过接受度的调节 交互系数（剂量×接受度）τ = 0.25 0.95[0.18, 1.77] t = 2.42 τ = 0.50 0.41[?0.23, 1.09] t = 1.25 C. 通过基线体能的调节 交互系数（剂量×基线）τ = 0.25 ?0.85[?1.62, ?0.15] t = ?2.39 τ = 0.50 ?0.51[?0.98, ?0.05] t = ?2.18 分位数特定的中介和调节分析。N = 142。CI = 偏差校正的自助法置信区间（5,000次复制）。中介比例 = 间接效应/总效应。为了确保结果的稳健性，分析中包含了几项测试：使用使用频率作为替代剂量指标重新估计主模型；在消除极端剂量使用者后重新分析；以及使用面板固定效应分位数回归模型来控制不可观测的、不随时间变化的异质性（表4）（Dai等人，2020年）。为了帮助实质性解释分位数回归结果，根据基线Yo-Yo间歇恢复测试表现的中位数将样本分为“低基线表现”和“高基线表现”两个子组，并分别测试它们的剂量-反应模式。数据可视化对于解释复杂结果至关重要，主要图表包括主要变量的分布、剂量系数在整个分位数范围内的轨迹，以说明效应的异质性，以及在选定分位数处的剂量-反应图表，以描绘潜在的非线性关系。为了进一步验证表现提升的低分位数对应于基线表现较低的表现这一解释，还通过按基线表现的中位数进行了补充分析。所有统计分析均使用Stata 18.0和R 4.3.0软件完成，显著性测试使用双侧测试，α水平设定为0.05。表4 规格/模型 样本/关键变量 τ = 0.25 τ = 0.50 τ = 0.75 1. 主模型 累积时长（小时）2.41（0.48）*1.22（0.40）0.68（0.37）? 2. 替代剂量指标 平均每周时长3.12（1.02）1.85（0.85）*0.91（0.78）3. 样本限制 排除极端使用者（n = 134）2.05（0.51）*1.10（0.43）*0.61（0.40）4. 额外控制 +基线动机2.35（0.50）*1.19（0.42）0.66（0.39）? 5. 面板FE QR 个体内估计器2.18（0.71）1.35（0.59）*0.72（0.55）跨分位数的剂量-反应关系的稳健性检查（ΔYo-Yo IRT）。所有模型都控制了基线表现、年龄、训练经验、受伤历史和俱乐部。自助法SE在括号中。3 结果 3.1 描述性统计和初步分析 最终分析样本包括142名男性青年足球运动员（年龄：平均16.2岁，标准差1.1岁；训练年限：平均5.3年，标准差2.4年）。在12周的干预期间，参与者平均使用数字运动追踪器67.8天（14.2个标准差），累积时长约为145.6小时（41.3个标准差）。运动员的表现有显著提升，在ΔYo-Yo间隔恢复测试中的平均得分为280.4米（标准差178.9）。客观训练依从性很高（平均完成率88.5%），主观报告表明努力程度为中等到高（平均感知努力得分为7.2）。关键变量的分布，包括表现提升和设备剂量，显示在图1中。图2显示了关键变量的分布。图2A表明ΔYo-Yo间歇恢复测试表现的提升分布大致呈正态分布，略微右偏；图2B显示不同运动员之间的累积剂量差异很大。值得注意的是，当根据基线表现将参与者分成三组时，基线表现最低的组的表现提升最大（见图2C），这提供了效应异质性的初步证据。通过按基线表现（低与高表现）分组进行的补充分析证实了这一点，结果显示低基线表现组的剂量-表现曲线的斜率更陡。图2 关键变量分布和初步异质性。（A）表现提升（ΔYo-Yo间歇恢复测试）的密度分布大致呈正态分布，略微右偏。（B）数字运动追踪器使用的累积时长的密度分布在个体间变化很大。（C）箱线图显示基线表现最低三分位组的运动员获得了最大的中位数和平均提升，表明表现较好的运动员的收益递减。3.2 剂量对表现提升的异质性效应 分位数回归分析显示，数字运动追踪器使用累积时长与表现提升（ΔYo-Yo间隔测试）之间的关联存在显著且统计上显著的异质性。如表2所示，表现提升的条件分布存在显著差异。这种关联在低分位数（τ = 0.25：B = 2.41，自助法标准误差 = 0.48，p < 0.001）时最强，表明对于提升相对较小的运动员来说，每增加一小时的设备使用与大约2.4米的Yo-Yo间隔恢复测试表现提升相关。这种关联在中位数分位数（τ = 0.50：B = 1.22，自助法标准误差 = 0.40，p < 0.01）时减弱，在第75百分位数（τ = 0.75：B = 0.68，自助法标准误差 = 0.37，p = 0.07）时仅略有显著。在代表表现提升最大的第90百分位数时，这种关联最小且不显著（B = 0.21，自助法标准误差 = 0.51，p = 0.68）。图3通过绘制整个分位数范围（τ从0.05到0.95）的剂量系数变化轨迹直观展示了这种异质性。系数显示出明显的单调递减趋势，点估计及其95%置信区间在τ ≈ 0.80之前远高于零，之后包含零。这种模式强烈证实了数字活动追踪器使用的表现提升关联对于表现提升较低的运动员最为显著，并且对于表现提升较大的运动员这种关联减弱。从实质意义上讲，这表明最终提升较小的运动员（通常是基线水平较低的运动员，如所有分位数的基线Yo-Yo得分所支持的）设备使用更多，这与更好的结果最为相关。基线表现是所有分位数中一致的负面预测因素，证实了初始水平较高的运动员的收益递减的统计现象。图3 分位数间的剂量-效应系数轨迹。蓝实线显示了使用ΔYo-Yo间歇恢复测试的累积数字运动追踪器的分位数回归系数（τ = 0.05到0.95）；灰色带是95%自助法置信区间。红线标记了零值。系数从低分位数的显著正值单调递减到高分位数的不显著值，表明对于提升较小的运动员，正相关最为强烈。图4通过展示在三个代表性分位数（τ = 0.25、0.50、0.75）的预测剂量-反应曲线进一步说明了这种关系，所有其他协变量固定在中位数。曲线显示了整体上积极但非线性的关系，在低分位数（τ = 0.25）处斜率最陡，在高分位数（τ = 0.75）处斜率最平缓。图中清楚地可见边际收益递减的现象，特别是在累积使用超过约150小时后。图4 在选定的分位数处预测的剂量-反应曲线。图中的线条显示了在τ = 0.25、0.50和0.75分位数下，所有其他协变量固定时的ΔYo-Yo间歇恢复测试的预测值。τ = 0.25（低提升者）的斜率最陡，并且随着分位数的升高而变得平坦，证实了剂量-反应关系的递减和非线性。3.3 剂量-反应关系的稳健性 在一系列方法学变化和样本限制下，识别的异质性效应模式仍然稳健（表4）。当将剂量调整为每周平均时长而不是累积时长时，尽管由于数据聚合标准误差增加，系数在分位数上的衰减模式保持不变。排除极端剂量使用者（最高和最低5%），系数略有减弱，但并未改变分位数趋势或统计显著性的模式。在控制潜在的心理混淆变量基线动机后，获得的系数与主模型几乎相同。最值得注意的是，考虑了所有个体异质性的面板固定效应分位数回归模型在中位数分位数产生了质量上一致且统计上显著的结果（B = 1.35，p < 0.05），这加强了个体内关联的证据。尽管关于反向因果关系或时间变化混淆因素的担忧尚未消除。3.4 异质性效应的机制：中介和调节 机制分析提供了观察到的异质性来源的见解（表3）。首先，训练负荷发挥了显著的中介作用，但其效应是特定于分位数的。在τ = 0.25（ab = 0.89，95%自助法置信区间[0.32, 1.65]）和τ = 0.50（ab = 0.51，95%自助法置信区间[0.15, 1.02]）时，剂量对ΔYo-Yo间歇恢复测试表现的间接效应显著。它们分别占总效应的约37%和42%。这表明数字活动追踪器的关联部分是通过为中等至低提升水平的运动员提供更大（并且可能管理得更好的）训练负荷来观察到的。在τ = 0.75时未发现显著的中介效应。心理接受度显著调节剂量-反应关系，但仅在低分位数（τ = 0.25）时显著。积极且显著的交互项（B = 0.95，95%自助法置信区间[0.18, 1.77]，p < 0.05）表明，在提升较低的运动员中，设备使用的表现提升关联对于初始心理接受度较高的运动员更为显著。最重要的是，初始体能水平本身是一个强大的调节因素，有助于解释主要的异质性。在τ = 0.25（B = 0.85，p < 0.05）和τ = 0.50（B = 0.51，p < 0.05）时观察到剂量与基线Yo-Yo间歇恢复测试表现之间的显著负交互作用。這表明对于研究开始时体能水平较高的运动员，设备使用的积极关联显著减弱。这一发现直接解释了分位数间系数衰减的模式：表现提升较低的运动员更可能有较低的基线体能水平，对于这一组，数字运动追踪器的使用显示出最强的正相关。4 讨论 本研究首次系统地检查了数字运动追踪器与青年足球运动员的训练依从性和运动表现之间的异质性关联，通过将客观设备数据与高密度纵向主观报告相结合，并使用分位数回归。核心发现揭示了一个清晰的模式：数字活动追踪器的关联效应并不均匀，但存在显著且系统的个体差异，这种关联的强度和方向高度依赖于运动员的初始表现水平。具体来说，对于基线表现较低且表现提升较小的运动员，设备使用显示出显著的正相关关系；而对于基线表现较高且表现提升较大的运动员，这种关联则大大减弱甚至消失。剂量-反应关系的异质性部分可以通过训练负荷的中介效应以及基线身体素质和心理接受度的调节效应来解释。以下章节将深入讨论这些发现，阐明其理论意义、实际价值以及本研究的局限性。

4.1 主要发现的解释和理论对话
本研究最重要的发现是，数字运动追踪器的效果模式存在异质性，这取决于运动员的初始表现水平。这一发现与运动心理学理论存在关键性的对话，并对其进行了扩展。它挑战了数字健康干预文献中普遍存在的“一刀切”假设，这类研究往往寻求并报告平均治疗效果（Vitger等人，2021年）。我们的结果与之前报告的可穿戴设备对青少年运动员动机或表现有持续积极影响的研究结果相反，可能是因为那些研究依赖于基于平均值的模型（例如，方差分析、标准线性回归），从而掩盖了潜在的分布异质性（Delves等人，2021年）。我们的分位数回归方法揭示了一个现实，即与运动科学中的边际收益递减原则和个体间反应变异性一致（Hecksteden等人，2017年）。更重要的是，它为自我决定理论提供了细致的视角。对于表现较差的运动员，数字活动追踪器可以提供他们之前缺乏的结构化自我监控和即时反馈，显著提高训练的科学性，并通过清晰的进步可视化和自我调节训练满足他们的能力需求，从而产生实质性的边际收益（Ridgers等人，2016年）。相反，对于高水平的运动员，他们的训练可能已经高度structured且接近生理极限，额外的技术反馈可能会导致信息过载、与教练反馈重复，甚至由于过度分析数据而产生“分析麻痹”和心理压力，这可能会削弱他们的自主感或造成外部控制（Brenner等人，2024年）。这种细致的视角扩展了先前自我决定理论在体育技术领域的应用。以往的研究通常认为，技术支持下自主性和动机之间存在一般性的正向联系。然而，对于已经具有较高自主性和能力的运动员，这种关联可能会减弱甚至逆转（Davis等人，2022年）。此外，技术接受度模型的调节效应仅在一季度分位数上显著。这强调了对于最有可能从干预中受益的亚群体（通常是基线较低的人）而言，个体对有用性和易用性的感知是将技术暴露转化为实际收益的关键心理过滤器（Shin等人，2019年）。对于可能已经接近最佳训练状态的高水平运动员来说，技术态度的影响似乎更为有限，表明在这个层面上动机强度或其他因素可能占主导地位（Powell等人，2022年）。

4.2 剂量-反应关系及其潜在机制
本研究确定了一个非线性的剂量-反应关系，其形状随条件分布而变化（Gralla等人，2019年）。训练负荷的中介效应仅在低和中间分位数上显著，揭示了一个关键的行为途径：对于低和中间水平的运动员，该设备可能主要通过促进更积极和规律的训练参与（即更高的客观剂量）来发挥作用，这转化为训练负荷的受控增加。最终，这将促进表现提升（Debien等人，2022年）。这表明，对于这一群体，数字运动追踪器的部分价值在于克服参与障碍和优化训练输入（Vajravelu和Arslanian，2021年）。这一发现部分支持了之前将训练负荷视为可穿戴设备使用和表现之间共同中介因素的研究（Clemente等人，2021年），但也对其进行了修正。我们的分位数特定中介结果表明，这一机制并不是普遍的，而是有条件的相关（Hayes和Rockwood，2017年）。在高分位数上缺乏显著的中介效应表明，对于精英青少年运动员来说，表现提升可能较少依赖于设备促进的可量化训练负荷的增加，而更多依赖于技术性和战术性精细化、心理调节或恢复优化等定性方面。这些因素在单次训练中的感知努力得分中无法完全捕捉到（Symons等人，2023年）。实际上，我们认识到一个关键的测量限制：使用RPE作为训练负荷的唯一代理变量只能捕捉运动员的内部努力感知，但无法区分生理和心理压力，也无法考虑客观的外部负荷（例如，距离、加速度）。这可能是为什么高水平的运动员中介路径不显著的原因，他们的进步可能更多地依赖于训练质量或战术精细化等因素。因此，我们的结果呼吁数字活动追踪器设计从主要关注“促进行为遵从”转向能够“优化训练质量”和“促进恢复调节”的功能，以满足高水平运动员的需求。这种转变在当前的体育技术文献中虽有暗示但尚未完全探讨（Kaufman等人，2025年）。

4.3 理论贡献
本研究在运动心理学和体育技术领域做出了多项理论贡献。首先，在方法论方面，我们系统地将分位数回归引入了体育技术效果的评估中，推动了该领域的研究范式从关注“平均治疗效果”转向描述“效果异质性”（O’Keeffe等人，2020年）。这鼓励未来的研究超越“它是否有效？”的问题，深入探讨“对于谁，在什么条件下，以及在多大程度上有效？”（Jedwab等人，2021年）。其次，通过整合TAM和SDT，我们构建并部分验证了一个多层次的心理框架。TAM将个体的初始接受度识别为技术输入的关键过滤器，而SDT解释了持续使用可能影响训练行为和结果的动机过程。整合模型为未来关于运动员与技术互动的研究提供了一个新颖且可测试的框架（Gasser等人，2025年）。第三，研究结果表明，数字干预的关联效应并非由技术本身单方面决定，而是用户特征（初始水平、心理接受度）和技术特征之间互动的产物，这为在体育情境中应用“人与技术匹配”理论提供了实证支持（Zhou和Daud，2024年）。

4.4 实际意义
这些发现对青少年足球训练实践具有直接的意义。对于教练和培训师来说，应放弃对数字活动追踪器益处的统一期望，转而采用差异化的推广和管理策略（Urban等人，2025年）。对于年轻运动员或处于基础阶段的运动员，可以积极鼓励他们使用数据来进行个人目标设定和激励（Freire等人，2025年）。关键在于，对于这一群体，提高心理接受度（如展示设备的有用性和确保易用性）的努力可能特别重要，以释放其益处（Drehlich等人，2020年）。对于精英年轻运动员，应强调设备的辅助和工具性质，并将其整合到现有的训练系统中，以避免数据主导的决策，同时密切监测心理反应以防止技术压力（Jordalen等人，2016年）。对于体育技术开发者来说，应努力创建更灵活的算法和反馈界面，例如为新手用户提供更鼓励和教育性的基本反馈，为精英用户提供与高水平训练目标相匹配的更精简的高级分析（Swain等人，2024年）。对于学院政策制定者来说，在采购和部署此类技术时，重要的是要认识到不同子群体的效益成本效益可能有所不同。投资应与教育支持相匹配，以最大化技术接受度和效果。

4.5 局限性和未来方向
在解读研究结果时，需要考虑几个限制因素。首先，也是最重要的一点，尽管控制了关键协变量并采用了固定效应模型，但观察性纵向设计无法确定因果关系。设备使用的剂量是自我选择的，虽然我们控制了基线动机，但其他未测量的混淆变量（例如，内在自我调节、社会支持）可能会影响设备使用和表现提升。因此，我们的发现应被解释为关联关系，而非因果效应。需要未来的随机对照试验，并采用分层剂量来确认因果效应并确定不同运动员子群体的最佳剂量范围。其次，使用RPE作为训练负荷的唯一测量方法是有限的，因为它仅捕捉了负荷的感知方面。未来的研究应结合客观的外部负荷测量（例如，GPS或加速度计）和生理测量（例如，心率变异性），以更全面地理解训练负荷如何调节技术使用和表现之间的关系。第三，我们关注了行为遵从性和身体表现。未来的研究应包括更丰富的心理测量（例如，基本心理需求满足度、动机调节、自我决定理论中的倦怠感）和心理生理测量（例如，心率变异性作为压力/恢复的标志），以更全面揭示观察到的效果背后的心理和生物心理社会机制。最后，虽然剂量是基于持续时间客观定义的，但我们没有区分使用的具体功能（例如，查看数据、设定目标、社交分享），这些功能可能产生不同的影响。基于此，未来的研究可以：1）进行分剂量化的随机对照试验，以更严格地测试因果效应和最佳剂量范围；2）结合定性访谈使用混合方法，深入了解不同水平运动员使用数字运动追踪器的体验和感知；3）实施更长时间的随访，以检验效果的可持续性和“新颖性效应”的潜在衰减；4）使用路径分析或潜在变量生长模型，在更大样本中明确测试整合的技术接受模型和自我决定理论模型；5）探索人工智能驱动的个性化反馈是否可以缓解甚至消除本文观察到的异质性，从而实现真正的个性化训练支持。

5. 结论
本研究揭示了数字运动追踪器与青少年足球运动员表现之间的关系呈现出复杂的异质性。观察到的关联并非普遍存在，而是显著偏向于初始表现较低且提升空间较大的运动员，部分原因是由于训练负荷的增加。运动员的心理接受度和初始体能是塑造这种关系的关键调节因素，支持使用完整的TAM-SDT框架来解释这种异质性。虽然本研究提供了关于异质性关联及其可能机制的强有力证据，但非随机设计排除了因果推断的可能性。这些发现表明，在采用体育技术时需要一种批判性和精确的视角。技术的价值不在于其固有的复杂性，而在于其与个别运动员的心理特征和表现水平的恰当匹配。未来在体育科学中的数字干预研究和实践应从寻求普遍的“技术解决方案”转向探索基于证据的和个人化的“技术适应策略”。