摘要
人工智能在运动科学中的应用日益广泛，用于分类动作、分析战术、评估就绪状态、预测表现和受伤风险，以及支持康复。然而，仅靠预测性能并不能确立其实际效用、安全性或负责任的使用。通过目的性来源选择和批判性综合，本综述将运动特定证据与关于预测建模、人机交互和人工智能风险管理的指导相结合。它突出了五个反复出现的差距：数据和标签有限；易发生泄露或时间上不恰当的验证；校准和不确定性的报告薄弱；从预测到行动的转换不明确；以及对运动员权利和部署后监控的关注不足。我们提出了一个涵盖数据和上下文、预测、决策转化、个性化、人类监督和部署监控的六层框架。对于每个适用的层次，该框架规定了需要记录的证据、评估问题和常见失效模式。它区分了模型开发与操作性决策支持，并将技术评估与工作流效用、公平性、隐私、问责制、可挑战性和生命周期治理联系起来。该框架是概念性的，而不是经过验证的评分或认证工具。运动科学人工智能应被评估为社会技术干预措施，而不是孤立的算法。未来的研究应优先考虑运动员层面和时间上的验证、校准概率、外部和前瞻性评估、预设行动路径、亚组表现、记录的人工干预程序以及持续监控。
