概要
の古典的なアイデア 学習 動きは通常次のようになります。開業医は、学習する動きを連続して数回実行します。 当初、ムーブメントは通常、非常に不確実かつ技術的に不正確に実行されます。 教師またはトレーナーは、ターゲットの動きがどのように見えるべきかについて一定の考えを持っており、一連の画像（視覚的）または説明的（音響的）によって、実践者ができるだけ理解できるようにしようとします。
運動の実行中にこの最適な目標運動（技術モデル）から逸脱するものはすべて間違っており、運動の繰り返し中は可能な限り回避する必要があります（目標値と実際の値の絶え間ない比較）。 技術モデルからの逸脱は、可能な限り変動を少なくして目標の動きが達成されるまで、ますます減少します。 スポーツのレッスンやクラブでのトレーニングから、誰もがこの手順を知っています。
トレーナーは、動きを繰り返し、目標の動き（目標テクニック）に達するまでエラーを修正しようとします。 スポーツに特に関わっていない人は、古典的な学校の授業でこの相関関係を説明することができます。 以前は、口述に誤りがあった場合、この単語を数回繰り返す必要がありました。
この文脈において、介入とトレーナー/教師の最適な動きのアイデアが前面にあることが明らかになります。 口述を訂正しているときに、単語のつづりを数回間違えた場合、間違った単語が メモリ。 これはスポーツでも同様です。
この場合、アスリート/学生は「運動」の経験がない「技術的欠陥」と見なされます。 このいわゆるプログラム理論アプローチでは、人間 学習 一種のコンピュータとして理解されています。 しかし今、この見方には問題があります 学習、運動と認知の両方の領域で、人間のため 脳 （したがって学習）はコンピューターのようには機能しません。
脳 既知の関連付けで最適に動作します。 ただし、この能力は学校や課外スポーツ/学習では活用されません（またはほとんど活用されません）。 微分学習は、人間が正しい動きなどを学ぶ能力を持っているという前提に基づいています。
自分の中で。 多くの場合、このアプローチは、理解が不足しているため、トレーニングの実践で受け入れられていないか、まだ受け入れられていません。 多くのコーチは、アスリートが自分で正しい動きをするなら、コーチの姿は不必要になると信じています。
これはまったく当てはまりません。逆に言えば、コーチにとってますます困難なタスクがあります。 （これについては後で詳しく説明します）この時点で、従来のトレーニング（プログラム理論ビュー）は、差分学習と比較して間違っていたり悪くなかったりすることはなく、異なる原則に基づいており、最終的に成功につながることを指摘する必要があります。 ただし、最近の研究の結果は、差分学習による学習の方が成功率が高いことを示しています。
システムダイナミクスアプローチ（微分学習）の典型的な例 運動学習 小さな子供たちの歩き方を学ぶことで見つけることができます。 対象の動き（直立歩行）を学習するまでの学習過程は、動きの実行の変動が非常に大きいという特徴があります。 学習プロセスは、独立した試行錯誤によってのみ行われます。
親はめったに歩くことを部分的な動きに分解し、複合的な部分的な方法によって小さな子供たちに教えます。 ただし、目標の動きは常にほぼ完璧に達成されます。 動くことを学ぶことの大きな変動のために、子供は大きな動きの感覚を経験します。
差別的学習は、スポーツの種類に関係なく、動きには非常に高度な個々の要因が含まれているという仮定に基づいています。 これは、次の手法の例で非常に明確に見ることができます。 テニス XNUMX人のスポーツマン（ロジャーフェデラーとラファエルナダル）の。 どちらも完全に異なるテクニックで最高レベルでプレーします。
したがって、動きの課題を解決するための気質は人によって異なるため、技術モデルを決定することは非常に困難です。 したがって、差別化されたアプローチは、動くことを学ぶときにテクノロジーの指針となる原則に疑問を投げかけます。 システムダイナミクスアプローチ（微分学習）のもうXNUMXつの要因は、動きが常に大きな変動にさらされることです。
外的要因と内的要因が多すぎると動きが妨げられるため、同じ条件で同じヒット/ショット/スローなどをXNUMX回行うことは事実上不可能です。 差動学習が可能な限り広い範囲の動きを可能にするために利用するのは、まさにこれらの変動（プログラム理論アプローチではエラーと呼ばれる）です。したがって、プログラム理論アプローチと同様に、目的は個々の最適なターゲットの動きを達成することですが、差別的学習では、人間は自己学習システムとして理解されています。
人間は違いを求めて努力します。 生理学的側面と神経学的側面の両方。 したがって、これは 筋力トレーニング.
同じ重みと同じ繰り返し回数で同じトレーニングを行うと、長期的には望ましい成功を収めることができない可能性があります。 の分野で何年も訓練している人 肥大 （筋肉増強）は、筋力の単一のトレーニング刺激で筋肉増強でより大きな成功を収めます 耐久性 別のエリアより 肥大 刺激。 ただし、多くの（すべてではない）トレーナーは、このアプローチの意図を理解しておらず、言及された変動を誤って解釈しています。
言うまでもなく、適切な量の動きの変化が重要です。 「ノイズ」としても知られるこれらの違いは、最適な動きへの参照が常に保証されるように、トレーナーが選択する必要があります。 でサーブを見てみましょう テニス例えば。
差別的学習には環境の変化が伴います 条件 （ラケットの選択、ボールの選択）および変更されたテクニックコンポーネント（足の位置、腰の使用、腕の使用、グリップの位置など）。 コーチによく知られている典型的なエラーは、神経ネットワーク（神経可塑性）の適応を誘発するために、意識的に運動の実行に統合されます。
ただし、焦点と揺れの選択は、常にターゲットの動きの達成を誘発する必要があります。 したがって、動きの範囲がターゲットの動きから非常に離れているため（上からの衝撃）、下からの衝撃をシミュレートすることは有益ではありません。 理想的なケースでは、いわゆるノイズが各動作の実行に意図的に使用されます。
動きの学習がそれぞれのターゲットの動きの周りの差動学習によって変化する場合、それは学習者が将来の動きのシーケンスで変化に反応することを可能にします。 これは、技術の相互分極につながります。 の例を見てみましょう テニス：フリープレイでは、プレイヤーは対戦相手の影響を通じて絶えず変化する動きの状況に対応する必要があります。
運動学習の変動により、アスリートはより広い範囲の運動と行動を与えられます。 ターゲットの動きは、トレーナーの技術的概念とは関係ありませんが、開発の過程で各プレーヤー自身のために開発されます。 ソリューション領域について話します。
差分学習の証明は、実際の研究で数回証明されています。 古典的なアプローチ（プログラム理論的見解/系統的演習シリーズ）と差別的学習を比較しました。 バスケットボール、サッカー、テニス、砲丸投げの分野では、すでに大幅なパフォーマンスの向上が見られています。
90年のルール変更により、ハンドボールには根本的な変更がありました。 この構造変更により、はるかに高い演奏テンポとより多くのダイナミクスが可能になりました。 それ以来、パフォーマンスの前提条件または条件付き要件のプロファイルは、ますます前面に移動しています。
ハンドボールのスポーツの初歩は、戦術とスタミナだけでなく、適切な技術、したがって適切な技術トレーニングを学ぶことでもあります。 テクニックを学ぶとき、XNUMXつの異なる方法が区別されます。
- プログラム理論的（伝統的）アプローチ
- システムダイナミック（差分）アプローチ
いわゆる保守的なプログラムの理論的アプローチは、古典的な心理学に由来し、運動を学習している人間を純粋な情報処理システムと見なしています。 いわゆる一般化された運動プログラム（gmP）が開発されています。
したがって、新しく学習されたムーブメントは、中央に保存された新しいプログラムです。 この学習方法は、同じ状況での繰り返し回数が多いという特徴があります。 テニスでは、これは同じことを繰り返すことを意味します ストローク 何度も繰り返し。
粗い コーディネーション –>細かい調整–>細かい調整古典的な教授法は次のとおりです。プログラムの理論的アプローチでは、いくつかの問題が発生します。以下に簡単に要約します。 制御と修正は、常に外部制御下の教師またはトレーナーによって行われます。 中央制御システムの証拠はありません 脳、プログラムの理論的アプローチの基礎となっています。
高性能スポーツでも、ムーブメント内の自然な変動は常に存在します。 このトピックの詳細：運動学習
- 体系的な原則
- 整然とした運動シリーズ
- 整然としたゲームシリーズ
システムダイナミックディファレンシャルアプローチの基礎は物理学です。このアプローチは、人間を自己組織化によって学習する相乗的で非線形の混沌としたシステムと見なします。 動くことを学ぶことは、知覚、知覚、経験を探し、体験するプロセスです。
プログラムの理論的アプローチと比較して、標準化された移動プロセスはありません。 変動性–>不安定性–>自己組織化実行の変動性は、動きの中で可能な限り最大の変動を引き起こすために、意識的に使用され、差分学習に適用されます。 これは自己組織化のプロセスを引き起こします。
注：小さな子供は、差動システムで歩くことを学びます。 微分学習は、動きの中で意識的に変動性を生み出すためのさまざまな可能性を提供します。
- 動きの空間的実行の違い
- 時空間モーション実行（速度）の違い
- 動的モーション実行（加速）の違い
- 動きの時間的実行の違い（リズム）
