運動パフォーマンスの数理モデリング：Banisterから現代へ——なぜ公式はあなたを救えないのか、それでも知る価値がある理由

序章：TSSの数字を見つめて眠れなくなったサブスリーランナー

私が指導したエンジニアの受講生がいた。仮にアーチェと呼ぼう。彼は台北の某テクノロジー企業のデータエンジニアで、数字こそが彼の母語だった。彼が私のところに来た時には、すでにフルマラソンで3時間15分を切っており、目標はサブスリーだった。初回面談で、彼はノートパソコンを開き、画面には自分でPythonを使って描いた曲線グラフが表示されていた。青い線は「体力」、赤い線は「疲労」、その2本の線を引いた緑の線が、彼が予測する「パフォーマンス」だった。彼は得意げに言った。「コーチ、僕はBanisterモデルを自分で実装したんです。今週、緑の線がピークに達するので、ハーフマラソンの記録会を入れてみました」

結果、そのハーフマラソンで彼は大失敗した。ペースは崩れ、最後の3キロは歩いて帰ってきた。

彼は首をかしげて言った。「数学は嘘をつかないはずだ。なのに、なぜモデルが最高の状態だと言う日に、一番悪い走りになったんだ？」

この記事は、まさにアーチェの疑問に答えるためのものだ。スポーツパフォーマンスの数学的モデリングは、1975年から今日の機械学習に至るまで、魅力的でありながら罠も多い歴史だ。私が皆さんに理解してほしいのは、これらの公式が何を言っているのか、なぜ役立つのか、そして何よりも——なぜ的外れになるのか、そして台湾で実際にトレーニングしているアスリートとして、どう賢く活用して、逆に振り回されないようにするか、ということだ。

先に結論を言っておく。最後まで読んで「水を差された」と思われないように。数学モデルは水晶玉ではない。それは眼鏡だ。 それをかければ、よりはっきり見えるようになる。だが、歩くのは自分自身であり、石につまずくこともある。

一、科学的基礎：Banisterは一体何を計算しているのか

1.1 直感に反する中核的概念

1975年、Eric Banisterという学者が、今日まで全てのスポーツアプリに影響を与え続けるアイデアを提唱した。インパルス—反応モデル（impulse-response model） だ。

彼の中核的洞察は、実は私たちの身体経験と非常によく一致しているが、アマチュアにはしばしば見落とされている。トレーニングは毎回、同時に2つの効果を生み出す——プラスの「体力（fitness）」と、マイナスの「疲労（fatigue）」だ。あなたがその時に発揮できる能力は、体力から疲労を引いたものに等しい。

誰もが覚えられるような、一つの公式で書くとこうなる：

パフォーマンス（Performance）＝ 体力（Fitness）－ 疲労（Fatigue）

これは当たり前に聞こえるが、Banisterはここに重要な第二の洞察を加えた。これこそが本質だ。

トレーニング後、疲労は最初、体力よりも大きい。だからパフォーマンス能力はまず低下する。しかし、疲労の消退速度は体力よりも速い。時間が経つにつれて体力が徐々に「水面に浮かび上がり」、パフォーマンス能力は上昇する。

これこそが「超回復」と「テーパリング（減量）」の背後にある数学的言語だ。大きなトレーニングメニューの翌日、脚が重くて走れないのは、弱くなったからではなく、疲労というマイナスの曲線が、一時的に体力というプラスの曲線を覆い隠しているからだ。疲労が十分に引いた時、あなたが「浮かび上がる」瞬間、それが状態のピークだ。

私はよく受講生にこう例える。体力は預金、疲労はカードの借金だ。 カードを使う（トレーニングする）たびに、預金も借金も増えるが、借金の利息は早く返済され、預金は長く残る。テーパリング週間とは「カードを使うのをやめて、借金を減らし、預金を明らかにする」プロセスだ。

1.2 「トレーニング」を数字にする方法：TRIMP

モデルを機能させるには、まず「今日どれだけトレーニングしたか」を数字に量化する必要がある。Banisterが使ったツールは TRIMP（Training Impulse、トレーニングインパルス） と呼ばれる。

基本的なアルゴリズムの概念はこうだ：

TRIMP ≈ 運動時間 × 平均心拍数の強度加重

ここでの心拍数は、生のbpmをそのまま掛けるのではなく、「心拍予備能（Heart Rate Reserve）」の概念を使う——つまり、あなたのその時の心拍数が「最大心拍数マイナス安静時心拍数」の区間のどこに位置するかという相対的な位置に、強度が上がるにつれて大きくなる加重係数を掛ける（高強度の生理的ストレスは非線形に増幅されるため、線形ではないからだ）。

台湾のランナーに分かりやすい例を挙げよう。アーチェの場合：

• 安静時心拍数 48 bpm、最大心拍数 190 bpm、心拍予備能＝142 bpm
• 某日、河川敷で60分ジョグ、平均心拍数 140 bpm

彼の相対強度はおよそ (140−48)/142 ≈ 0.65 で、中低強度に当たる。システムはこの時間帯に中程度の加重を与え、中程度のTRIMP値を算出する。同じ60分でも、トラックでインターバルを行い、平均心拍数が175 bpmまで上がれば、相対強度は0.89に達し、加重係数は大幅に増幅され、TRIMP値はジョグの2倍以上になる可能性がある。

重要なのは公式を覚えることではなく、それが何を捉えようとしているかを理解することだ。長くてキツいトレーニングはインパルスが最大。短くて軽いものは最小。 これはあなたの身体の直感と一致している。

補足：Garmin、Strava、TrainingPeaksで目にするかもしれないTSS（Training Stress Score）やSuffer Scoreは、TRIMPの近縁種で、パワーや心拍数を使って同じことを推定している——今日のこのトレーニングが、身体への内部負荷としてどれだけのものか。名前は違っても、本質は同じだ。

1.3 2つの時定数：モデルの魂

毎日のTRIMPをモデルに入力すると、体力と疲労はそれぞれ「指数減衰」曲線で蓄積・消退していく。各曲線には 時定数（time constant） があり、それがどれだけ速く減衰するかを決定する：

構成要素	意味	典型的な時定数（概念的な範囲に過ぎない）	平易な説明
体力 Fitness	トレーニングによる長期的なプラスの適応	比較的長い（数週間レベル）	預金、長く残る
疲労 Fatigue	トレーニングによる短期的なマイナスの消耗	比較的短い（数日レベル）	カードの借金、早く減る

特に強調しておきたいのは、上記の時定数はあくまで「概念的なオーダー」であり、そのまま使える数字ではないということだ。人によって、また同じ人でもトレーニング段階によって、これらのパラメータは異なる。これこそが、後で述べる「モデルの不正確さ」の最初の伏線だ。

1.4 50年の進化：タイムラインで見るモデリング史

多くの人はスポーツモデリングが最近のものだと思っているが、実はこの道のりは半世紀に及ぶ。私は受講生のために簡略化したタイムラインを描いたことがある。「今使っているアプリは、誰の肩の上に立っているのか」を理解してもらうためだ：

年代（概略）	マイルストーン	もたらした概念的転換
1970年代	Banisterがインパルス—反応モデルとTRIMPを提唱	初めて「トレーニング→パフォーマンス」を計算可能な公式にした
1980-1990年代	水泳、ランニング、自転車のケーススタディにモデルが使用される	理論から実際の選手の追跡へ
2000年代	TSS、パワーメーターの普及、商用プラットフォームの台頭	学術モデルを誰でも使えるダッシュボードに包装
2010年代	学界がモデルの統計的欠陥を体系的に検証	「予測が当たらない」という事実に正直に向き合い始める
2020年代〜現在	機械学習、多変量手法が従来モデルを補強	2変数から多次元へ、ただし大量のクリーンなデータが必要

この表が伝えたい要点は、各世代の手法は前の世代を否定するのではなく、前の世代の盲点を補うものだということだ。Banisterの公式は今もあなたの時計の毎回の計算の中で生き続けており、ただ外側に何層もの包装が加わっているだけだ。この文脈を理解すれば、「最新のAI予測」を盲目的に崇拝することも、「古臭いTRIMP」を軽視することもないだろう——それらは同じ川の上流と下流なのだ。

---

二、実践的方法：モデルを実際のトレーニングでどう使うか

数学は数学だ。私たちはそれをトレーニングに使いたい。以下は、私が実際に受講生を指導する際に、この枠組みをどう実践に落とし込んでいるかだ。

2.1 毎日使っているのに、名前を言えないかもしれない3つの指標

現代のトレーニングアプリ（TrainingPeaksのPMCチャート、intervals.icu、GarminのTraining Status）は、ほぼ全てがBanisterモデルの直系の子孫で、ただ包装が変わっただけだ。通常、3本の線が表示される：

指標（一般的な英語略称）	対応するBanisterの概念	平易な解釈	実務上の用途
CTL（慢性トレーニング負荷、長期平均）	体力 Fitness	過去約6週間で蓄積した実力の土台	長期的な進歩の傾向を見る
ATL（急性トレーニング負荷、短期平均）	疲労 Fatigue	直近約1週間で蓄積した疲労	オーバートレーニングかどうかを見る
TSB＝CTL−ATL（トレーニングストレスバランス）	パフォーマンス Performance	今日どれだけ「水面に浮かんでいる」か	レースの状態のピークを掴む

アーチェの当初の間違いは、まさにTSB（つまり緑の線）だけを見て、それがプラスに転じたのを見て状態がピークに達したと思い込み、無理な記録会を入れてしまったことだ。しかしTSBは「平均」の間接的な推定に過ぎず、昨夜の睡眠が5時間しかなかったこと、会社のプロジェクトのストレスが限界だったこと、外食で塩分を取り過ぎてむくんでいたこと、そしてちょうど台北の蒸し暑い梅雨に当たったことなどは知らない。モデルはあなたのトレーニングを見ているが、あなたの人生は見ていない。

2.2 実際に使える「テーパリング週間」のトレーニングメニュー例

テーパリングは、Banisterモデルの最も古典的で、最も実証的に支持されている応用だ——負荷を減らして疲労を消退させ、体力を浮かび上がらせ、レース当日にTSBのピークを迎える。以下は、私がアーチェのために設計し、レース2週間前に行うテーパリングの枠組みだ（フルマラソンを例に、強度ゾーンは主観的感覚RPE 1-10と心拍数の説明を併用し、偽りの正確さを避ける）：

レース前の週	週間走行距離（通常時比）	主要なトレーニングメニュー	目的（モデルの言語で言うと）
レース3週間前（最後の大きな週）	100%	ロング走1回、テンポ走1回	最後に体力の預金を積み増す
レース2週間前	約70-80%	強度は維持、量を削る	疲労（ATL）を下げ始める
レース1週間前	約50-60%	短いインターバルで神経筋の鋭敏さを維持	ATLは大幅に低下、CTLはほぼ落ちない
レース2-3日前	約30-40%	短い流しを数本、十分な休息	TSBがピークに達し、状態が浮上する

ここでよく誤解される重要な点がある。テーパリングは完全に休むことではない。 完全に休むと「鋭敏さ」（神経筋の協調、乳酸耐性の感覚）が失われる。正しいテーパリングは「量を減らし、強度を保つ」ことだ——総走行距離を大幅に減らすが、高強度の刺激は少し残し、体力の低下を疲労の低下よりもはるかに小さくする。これこそがモデルが教えてくれることだ。疲労は早く減り、体力はゆっくり減る。だから短いテーパリングでTSBの純値は上昇する。

2.3 台湾の状況での補正：モデルが教えてくれない変数

台湾でトレーニングする場合、モデルの予測を大きく乱すローカルな変数がいくつかある。私は必ず受講生に注意を促す：

• 高温多湿：台湾の夏は軽く32度、湿度80%以上になる。同じペースでも、高温多湿の環境では心拍数が10-15 bpm、あるいはそれ以上上がる。これはTRIMPが過大評価されることを意味する——モデルは「ハードにトレーニングした（心拍数が高い）」と判断するが、実際には環境と闘っているだけで、本当のトレーニング刺激はそれほど大きくない。夏のCTLの数字は割り引いて見る必要がある。
• 外食と水分：台湾の外食は総じて塩分が高く、ナトリウム摂取量が多い。レース前にむくみやすく、体重が実際より重く見え、体感やペースに影響する。テーパリング週間には、食事を薄味にし、水分に注意するよう受講生に伝えるが、これは一般的なアドバイスであり、精密なナトリウム投与量の計算ではない。
• 練習場所：河川敷のサイクリングロード、トラックのオールウェザー走路、学校の陸上競技場が多くの台湾ランナーのホームだ。河川敷は平坦でペースを掴みやすいが、夏は日差しが強く、冬は北東の季節風が向かい風になる。トラックは単調だが、強度トレーニングはやりやすい。これらは全て、同じトレーニングメニューの実際の生理的負荷に影響するが、モデルは心拍数と時間しか見ていない。

2.4 自転車の特例：パワーはモデリングをより正確にするが、自己欺瞞もしやすい

この記事は「自転車科学」カテゴリなので、自転車について特に話さなければならない。ランニングが心拍数でしか負荷を推定できないのに対し、自転車にはランナーが羨むツールがある。パワーメーター（power meter） だ。パワーは「ペダルに実際に出力したワット数」であり、外部負荷の直接測定だ。心拍数のように温度、カフェイン、脱水、睡眠に大きく乱されることはない。

これにより、自転車のモデリングは生まれつき比較的正確だ。パワーから算出されるTSSは、心拍数から算出されるTRIMPよりも安定しており、再現性が高い。私には武嶺チャレンジに参加した受講生がいるが、彼はパワーデータを使ってトレーニング負荷を非常に細かく管理していた。

しかし、パワーには新たな自己欺瞞の罠もある。パワーは非常に客観的であるため、多くのサイクリストがそれを過信し、「同じワット数でも、状態によって身体への内部コストは全く異なる」ということを無視してしまう。 同じ250ワットでも、状況によって実際の負担がどう違うかを、表で示そう：

状況	出力パワー	心拍反応	主観的感覚	実際の内部負荷
涼しい早朝、睡眠十分	250 ワット	中程度	楽に維持できる	中程度
台湾の夏の午後、高温多湿	250 ワット	明らかに高い	かなりキツい	高い
睡眠負債、風邪の初期	250 ワット	異常に高い	非常に苦しい	過剰、危険

同じパワー数値でも、TSSは全く同じに算出されるが、身体が支払う代償は天と地ほど違う。これこそが、私が常にサイクリストに要求する理由だ。パワーの記録の隣に、必ず心拍数と主観的感覚を並べて見ること。 「同じワット数なのに、今日は心拍数がずっと高い、疲れもずっと大きい」と気づいたら、それは身体があなたに叫んでいるのだ——モデルが何と言おうと、その日は手を引くべきだと。パワーは外部負荷を正確にするが、内部負荷は常にあなた自身の身体と記録で補わなければならない。

---

三、予測の限界：なぜアーチェは失敗したのか

これはこの記事全体で最も重要な部分だ。一つだけ覚えたいなら、この部分を覚えてほしい。

3.1 モデルの統計的欠陥：パラメータがそもそも正確に捉えられない

近年のスポーツ科学の研究は、従来のfitness-fatigueモデルに対してかなり厳しい批判を加えている。研究者は、このモデルは統計的に「悪条件（ill-conditioned）」であると指摘している——平たく言えば、体力と疲労という2組のパラメータの「識別可能性（identifiability）」が非常に悪いということだ。同じトレーニングとパフォーマンスのデータでも、大きく異なる多くのパラメータの組み合わせでフィッティングでき、どれも似たような結果になる。

これはどういう意味か？ あなたのアプリが「あなたの疲労の時定数はX日です」と教えてくれた時、その数字の信頼性は実は高くない——データを変えたり、フィッティング方法を変えたりすると、全く異なる値が出る可能性がある。モデルは過去のパフォーマンスを「事後的に説明」するのは通常うまくフィットするが、「事前に予測」するとなると、精度と信頼性は疑問視されている。

3.2 生理学が過度に単純化されている

2つ目の欠陥は、実際の生理的適応は「2本の指数曲線の引き算」よりもはるかに複雑だということだ。研究は、モデルの主な問題は運動生理学的プロセスの過度な単純化と、「パフォーマンスに影響する要因」を単一の変数として扱っていることにあると指摘している。

実際、今日うまく走れるかどうかに影響する要因には、少なくとも以下が含まれる：筋肉のグリコーゲン貯蔵量、睡眠の質、心理的ストレス、ホルモン状態、免疫状態、水分と電解質、環境の温度と湿度、さらには胃腸の状態まで。Banisterモデルは、この広大な森を「体力」と「疲労」という2本の木に圧縮している。圧縮は便利だが、圧縮は情報の損失を意味する。

アーチェが失敗した日、モデルの緑の線は確かにピークにあった——「トレーニング負荷」という単一の次元に関しては、彼は確かにテーパリングを適切に行っていたからだ。しかし、その週、彼は徹夜でプロジェクトに追われ、睡眠負債を抱え、梅雨の高温多湿にも見舞われた。モデルが「見えない次元」が全て同時に悪化していたのだ。モデルは間違っていない。モデルはただ盲目なだけだ——与えられた数値しか見えないのだ。

3.3 個人差：万能のパラメータは存在しない

3つ目に、研究は繰り返し強調している。最適な指標の選択とパラメータは人によって異なる。 エリート選手、単一競技、均質なサンプルに適したモデルも、あなたに当てはめ、競技を変え、トレーニング形態を変えれば、必ずしも適用できるとは限らない。これが、多くの研究の結論が「今後、異なる競技や集団でのさらなる検証が必要」となる理由でもある。

3.4 機械学習は解決策か？ そうだが、神格化するな

では、機械学習（machine learning）で古い公式を置き換えれば、無敵になるのだろうか？

研究の態度は実に現実的で、私も同意する。機械学習はfitness-fatigueモデルを「置き換える」のではなく、その弱点を「補強する」可能性がある。 生理学的知識を非線形・多変量の学習アルゴリズムに組み込むことで、機械学習は従来のモデルが処理できない複雑な相互作用（睡眠、環境、主観的感覚を一緒に入力するなど）を扱える可能性があり、さらにはアンサンブル学習で複数の個別化された反応モデルを組み合わせることもできる。

しかし、私は数字好きなアーチェたち全員に、現実的な冷水を浴びせたい。機械学習はデータを食べる。 長期にわたる、クリーンで、多次元の記録が必要だ。一方、個人のスポーツデータは往々にして少なく、ノイズが多く、連続性がない。汚いデータを放り込んで得られるのは、予言ではなく、綺麗に包装されたノイズだ。garbage in, garbage outという言葉は、スポーツモデリングにおいて特に残酷なまでに当てはまる。

3.5 3世代の手法の誠実な比較

「モデリングをどこまで信頼すべきか」について現実的な座標軸を持ってもらうために、3世代の手法を並べて比較しよう：

手法	必要なデータ	利点	主な制限	適している人
純粋な主観的感覚（RPE、体感）	ほぼ道具不要	最も実際に近い、ゼロコスト、常に使える	主観的、長期的な客観的比較が難しい	全ての人、特に初心者
従来のBanister/TSSモデル	心拍数またはパワー＋時間	傾向を定量化でき、長期的な進歩が見える	パラメータが不安定、過度に単純化、予測が信頼できない	目標を持つ中級者、コーチ
機械学習/多変量モデル	大量、クリーン、多次元のデータ	睡眠や環境などより多くの要因を組み込める	データの品質を極めて要求、神格化されやすい	豊富なデータを持つ上級者、研究チーム

この表を見れば、一つのことに気づくだろう。「最良」の手法は存在せず、「あなたの現段階に最も適した」手法があるだけだ。 そして、どの世代であっても、主観的感覚の欄は最初から最後まで存在している——それは全ての手法の土台であり、淘汰された原始的な道具ではない。 私が指導してきた最も優れた選手は、往々にしてデータを読み解ける一方で、身体の感覚を決して手放さなかった人たちだ。技術が進歩すればするほど、最も原始的な問いに立ち返ることを忘れてはならない。「今日、私の身体はどんな感じか？」と。

---

四、よくある間違いと修正

長年受講生を指導してきて、数字に振り回される様々な状況を見てきた。表にまとめて、自分に当てはまるものを見つけてほしい：

よくある間違い	背後にある誤解	私の修正アドバイス
TSBがプラスに転じただけで、ハードなメニューや記録会を入れる	モデルの「パフォーマンスのピーク」＝「身体が本当に準備できている」と思っている	TSBは参考にするが、必ず睡眠、気分、環境、朝の心拍数を重ねてから判断する
CTLの数字をひたすら上げ続ける	「体力スコア」を目標そのものにしてしまう	CTLは結果であって目標ではない。急激に上げることは疲労を積み上げ、怪我のリスクを高めるだけ
夏にCTLが落ちていないのを見て安心する	高温多湿で心拍数が実際より高くなり、TRIMPが過大評価されることを無視している	夏のデータは割り引いて見る。心拍数だけでなく、ペースやパワーを重視する
データを1日記録し忘れただけで不安になる	道具を主人にしてしまっている	モデルは傾向を見るツール。数件欠けても大局には影響しない。本末転倒しないこと
他人のパラメータやメニューをそのまま使う	個人差を無視している	パラメータは自分のデータで校正し、メニューは自分の生活と体感に合わせて調整する

実際の修正例：アーチェの2回目のテーパリング

失敗した後、私はアーチェに、非常に「エンジニアらしくない」ことをしてもらった。毎朝、安静時心拍数を測り、1-10の主観的状態スコアを記録し、昨夜の睡眠がどうだったかを一文書くこと。 この3つの超ローテクなデータを、彼が元々持っていたモデルの曲線と一緒に見るようにした。

3ヶ月後の次のフルマラソンのテーパリングで、モデルの緑の線は再びピークにあった。しかし今回は、彼の朝の心拍数は普段より6 bpm高く、主観的スコアは5しかなく、前の2晩はどちらも眠れていなかった。私たちは一緒に決めた。予定していたレース前の記録会を中止し、軽いアクティブレストの日に変更しよう。 結果、レース当日、彼は2時間58分で走り切り、サブスリーを達成した。

その時もモデルは「正しかった」——状態のピークの方向は間違っていなかった。しかし、本当に彼を救ったのは、モデルを顧問の一人として扱い、唯一のボスにしなかったことだ。

---

五、レベル別の行動アドバイス

運動を始めたばかりの初心者へ

• まずはどのモデルにも触れないこと。 CTL、TSBといった数字は、今のあなたにとっては助けではなく、邪魔だ。今最も積み上げるべきは「規則的な運動習慣」と「基本的な身体感覚」だ。
• 最も原始的なツールを練習しよう：主観的感覚（RPE 1-10）。今日のこの運動は楽だった（3点）、中程度（5-6点）、それともとてもキツかった（8点以上）？ これを身につけることは、どんなアプリよりも価値がある。
• 週に少なくとも1日は完全に休むこと。疲労は退かなければならない。これは身体の物理法則であり、怠惰ではない。

データを持ち、上達したい中級者（アーチェのような人）へ

• CTL/ATL/TSBの傾向を見始めてよいが、常に「参考」であって「命令」ではないと考えること。
• 自分自身の多次元ログを構築しよう：朝の安静時心拍数、睡眠時間、主観的状態スコア。この3つを合わせてもコストはほぼゼロだが、モデルの最大の盲点を補うことができる。
• テーパリングの際は合言葉を覚えておこう：量を減らし、強度を保つ。 完全に休むな。
• 夏のデータは割り引いて見ることを覚え、ペースとパワーを信頼し、心拍数だけを全面的に信じないこと。

上級者またはチームを率いるコーチへ

• モデルをコミュニケーションツールと傾向のダッシュボードとして使い、「この1ヶ月の方向性は正しいか」を選手と議論するために使う。特定の日の正確なパフォーマンスを予測するために使ってはならない。
• 機械学習を試したいなら、まずデータの品質を確保すること：長期、連続、多次元。データの質がモデルの天井を決める。
• 常に「コーチの目」を残しておくこと。選手の顔色、歩幅、話す時の元気さ。これらはモデルが決して学べないものであり、往々にしてどの数字よりも早く「この人はそろそろ危ない」と教えてくれる。
• 選手と「データと体感が衝突した時の処理原則」を決めておくこと。私のデフォルトはこうだ：モデルが「トレーニングできる」と言っても、選手の朝の脈拍が明らかに高く、主観的にも非常に疲れている場合は、一律に強度を下げる。高強度トレーニングを1回見送る損失は小さいが、無理をしてオーバートレーニングや怪我になれば、その代償は数週間から数ヶ月に及ぶ。この保守的なバイアスは、長期的にはほぼ常に割に合う。
• データに会話を取って代わらせないこと。私は毎回のトレーニングの前後に、必ず1、2分だけ選手に「今日の調子はどう？」と尋ねる。その会話から得られる情報は、ダッシュボード全体よりも多いことがよくある。モデルが定量化できるものには限りがあり、人と人との間の観察には常に代替不可能な価値がある。

---

六、受講生から最もよく聞かれる6つの質問（FAQ）

長年にわたり、スポーツモデリングについて受講生から受ける質問は非常に似通っている。FAQとしてまとめたので、もしかするとあなたの疑問と一致するかもしれない。

Q1：CTL/TSBを計算できる時計やプラットフォームのサブスクリプションを買うべきですか？

あなたの段階によります。初心者なら、お金は節約して、まず規則性と体感を身につけましょう。明確なレース目標があり、毎週安定してトレーニングしている中級者なら、こうしたツールは長期的な傾向を明確にし、無意識のオーバートレーニングを防ぐのに役立つので、投資する価値はあります。ただし、ツールは意思決定の補助であり、不安を生み出すためのものではないことを忘れないでください。

Q2：アプリが「今日は回復良好、高強度OK」と言っているのに、とても疲れている場合、どちらを信じるべきですか？

自分の身体を信じてください。これはほぼ鉄則です。アプリのアドバイスは、限られた入力から計算された確率的な判断であり、昨夜の不眠や仕事のストレスが限界であることは知りません。数字と身体のシグナルが衝突した時は、身体のシグナルの優先順位が常に高いです。長期的に身体に逆らうと、代償はオーバートレーニングか怪我です。

Q3：真面目にトレーニングしているのに、CTLが停滞して動かないのはなぜですか？

CTLの停滞は必ずしも悪いことではありません。それは「維持期」に入ったことを意味するかもしれません。身体が既存の適応を固めているのです。CTLを上げることだけを追求すると、往々にして疲労の蓄積と怪我を招きます。進歩は決して直線ではなく、階段状です——プラトー期は次の飛躍のための充電期間なのです。

Q4：モデルはフルマラソンのタイムを予測できますか？

「参考範囲」は示せますが、保証とは考えないでください。先ほど述べたように、この種の予測の信頼性は学界で疑問視されており、レース当日の天候、補給、心理状態、ペース戦略、どれか一つでも狂えば、精密に計算した秒数は的外れになります。「大体この範囲に収まるだろう」という参考として捉え、石に刻まれた目標としては捉えないでください。

Q5：モデルのパラメータはどのくらいの頻度で見直すべきですか？

一般の運動者には、少なくとも1つのトレーニングサイクル（約8-12週間）が終わるごとに、一度傾向を振り返ることを勧めます。毎日の値の変動に一喜一憂して不安になるのはやめましょう。日足のノイズは大きく、週足と月足の傾向にこそ意味があります。

Q6：AI/機械学習を使ったトレーニングアプリなら、全ての問題を解決してくれるのですか？

いいえ。より多くの次元のデータを処理できますが、その天井はあなたが与えるデータの品質です。データが少なく、ノイズが多く、連続性がなければ、どんなに優れたアルゴリズムも信頼できるものを学習できません。そして、どんなに先進的なモデルでも、コーチの目とあなた自身の身体感覚を代替することはできません。AIを非常に計算力のあるアシスタントとして捉え、全知の神としては捉えないでください。

---

七、健康と安全に関する注意

数学モデルには危険な副作用がある。それは人に自分は持ちこたえられるという過信を与えることだ。緑の線が美しい時、一部の人は身体の本当の警告サインを無視して無理をしてしまう。

ぜひ覚えておいてほしい。モデルは病気を検知しない。トレーニング中またはトレーニング後に以下のような状態が現れた場合、「TSBはまだ良いのに」と自分を慰めず、立ち止まり、必要に応じて医師の診察を受けてください：

• 運動中または運動後に胸の圧迫感、胸痛、異常な息切れ、めまい、失神が現れる
• 安静時心拍数が長期間異常に上昇する、不整脈のような感覚、動悸
• 不釣り合いな極度の疲労、数週間続く原因不明のパフォーマンス低下

台湾では医療機関へのアクセスは実に便利で、健保の下で心臓内科やスポーツ医学外来のハードルはそれほど高くありません。心血管疾患、糖尿病、高血圧などの慢性疾患の既往歴がある方、または家族に心臓病の既往歴がある方は、トレーニングを開始または大幅に強度を上げる前に、医師に相談し個別化された評価を受けることを強くお勧めします——これらの状況は専門的な判断と個別化された対応が必要であり、どんなモデルや記事も代替することはできません。表現は控えめにしておきます。ここではいかなる診断も下さず、処方箋も出しません。ただ、専門的なことは専門家に任せるよう注意を促すだけです。

結語：公式を眼鏡として使い、水晶玉としては使わない

1975年のBanisterの「体力マイナス疲労」という一つの式から、今日の生理学的知識を組み込んだ機械学習まで、スポーツパフォーマンスの数学的モデリングは50年を歩んできた。この旅が私に教えてくれた最も深い教訓は、モデルの価値は、明日を正確に予言できるかどうかではなく、トレーニングという混沌とした営みを、ほんの少しだけ明確に見せてくれるかどうかにあるということだ。

アーチェは後に、私がとても好きな言葉を残した。「コーチ、以前はモデルが答えを教えてくれると思っていました。今は分かります。モデルはただ、正しい問いを立てる手助けをしてくれるだけだと」

これこそが私が皆さんに残したいものだ。この数学の眼鏡をかければ、よりはっきり見えるだろう——しかし、歩くのは自分自身であり、身体を感じるのも自分自身であり、最後に一歩一歩に責任を持つのも、やはり自分自身だ。数字は僕であり、身体こそが主人だ。あなたの手にある道具が、50年前の古い公式であれ、最新のAIアルゴリズムであれ、本当にあなたがどこまで行けるかを決めるのは、決してモデルがどれだけ賢いかではなく、あなたがそれを上手に使いながら、誠実に自分の身体に耳を傾けることを学んだかどうかだ。賢くトレーニングし、健康にトレーニングし、毎回の出発で、怪我から遠く、愛おしさに長くあれますように。

---

本記事は教育目的の内容であり、医師、理学療法士、栄養士による個別の診断や治療アドバイスに代わるものではありません。

参考資料

• Fitness-Fatigue Model の応用とインパルス—反応モデルの概念：https://pmc.ncbi.nlm.nih.gov/articles/PMC8949585/
• 従来のfitness-fatigueモデルの統計的欠陥（パラメータの識別可能性の低さ、予測信頼性への疑問）：https://www.nature.com/articles/s41598-025-88153-7
• Fitness-Fatigueモデルの概念的問題と機械学習の貢献：https://pmc.ncbi.nlm.nih.gov/articles/PMC8894528/
• 一般スポーツにおけるFitness-Fatigueモデルに基づくトレーニング効果予測の研究：https://journals.plos.org/plosone/article?id=10.1371%2Fjournal.pone.0337824

関連テーマの読み物

• Banister モデル：トレーニング負荷の数学的定量化
• 超回復とトレーニング適応理論：トレーニングメニューの背後にある生理学的論理
• 運動テストの科学：体力を評価し、適切な場所でのテストと追跡方法を選ぶ
• 自分のトレーニングデータを読み解く：ゴミの中から黄金を掘り出す