Faster Results from a Smarter Schedule: Reframing Collegiate Cross Country through Analysis of the National Running Club Database

Stellen Sie sich vor, Sie sind ein Trainer, der versucht, eine siegreiche Sportmannschaft aufzubauen. Sie haben einen Stapel Daten: wer schnell lief, wer langsam lief und wann sie liefen. Aber hier ist der Haken: Laufen ist nicht nur reine Geschwindigkeit. Ein Rennen an einem erfrischenden, kühlen Herbstmorgen fühlt sich anders an als dasselbe Rennen an einem schwülen, heißen Nachmittag. Auch das Gelände spielt eine Rolle. Ein hügeliger Kurs ist schwieriger als ein flacher. In der Vergangenheit mussten Trainer ihren Saisonplan durch Raten erstellen. Sie verließen sich auf „Bauchgefühl“ oder alte Traditionen, wie zum Beispiel: „Wir laufen immer fünf Rennen, weil wir das letztes Jahr so gemacht haben.“ Sie hatten keine riesige, gemeinsame Datenbank, die ihnen sagen konnte, ob mehr Rennen ihre Athleten tatsächlich schneller machten oder ob das Wetter sie nur täuschte, wenn sie glaubten, sich zu verbessern.

Diese Arbeit befasst sich mit einer speziellen Nische der Sportwissenschaft namens datengestützter Leistungsanalyse. Sie stellt eine einfache, aber knifflige Frage: Können wir anhand der vergangenen Ergebnisse eines Läufers vorhersagen, ob er in dieser Saison schneller wird? Um dies zu erreichen, mussten die Forscher ein „Fairness“-Problem lösen. Sie verwendeten einen speziellen mathematischen Trick, um Rennzeiten zu „standardisieren“, wodurch die Effekte von Hitze, Luftfeuchtigkeit und Hügeln eliminiert wurden, damit die Zeit eines Läufers von einem regnerischen Tag fair mit der Zeit eines sonnigen Tages verglichen werden konnte. Sie untersuchten auch die Teamplanung: Hilft es einem Team zu gewinnen, wenn mehr Athleten häufiger an Rennen teilnehmen? Die Antwort auf diese Fragen ist wichtig, da sie die Planung der Saison von Trainern verändern könnte – weg vom Raten hin zu evidenzbasierten Entscheidungen, die mehr Schüler dabei unterstützen können, gesund zu bleiben und ihre Fähigkeiten zu verbessern.

---

Das große Rätsel des Rennkalenders

Stellen Sie sich vor, Sie sind der Trainer einer Crosslauf-Mannschaft. Sie haben eine große Frage: „Wie viele Rennen sollten meine Läufer diese Saison absolvieren, um die besten Ergebnisse zu erzielen?“ Jahrelang haben Trainer dies mit Intuition, Tradition oder einem Gefühl beantwortet. Doch ein Team von Forschern beschloss, den Detektivhut aufzusetzen und eine massive neue Datenbank zu nutzen – die National Running Club Database (NRCD) –, um zu sehen, ob die Zahlen eine andere Geschichte erzählen. Sie analysierten über 23.000 Rennergebnisse von 7.083 Athleten zwischen 2023 und 2025 und suchten nach Mustern, die Trainern helfen könnten, intelligentere Pläne zu erstellen.

Der „magische“ mathematische Trick: Standardisierung der Zeiten

Zuerst mussten die Forscher ein großes Problem lösen: den Vergleich von Äpfeln mit Birnen. Wenn ein Läufer ein Rennen an einem heißen Tag läuft und dann dasselbe Rennen an einem kalten Tag absolviert, wird er am kalten Tag wahrscheinlich schneller sein. Ohne diese Korrektur sieht es so aus, als hätte sich der Läufer verbessert, obwohl eigentlich nur das Wetter geholfen hat.

Das Team verwendete eine „standardisierte“ Zeitformel. Stellen Sie sich das wie ein Videospiel vor, das den Schwierigkeitsgrad automatisch anpasst. Wenn Sie auf einer schweren, hügeligen Strecke in der Hitze laufen, „levelt“ die Mathematik Ihre Zeit hoch, um sie fair mit jemandem zu vergleichen, der auf einer flachen, kühlen Strecke läuft. Sie fanden heraus, dass Läufer, wenn Trainer nur die Rohzeiten (die sie als „Converted Only“-Zeiten bezeichnen) betrachteten, scheinbar um 15 bis 21 Sekunden schneller wurden, als sie es tatsächlich waren – schlichtweg, weil das Wetter im Laufe der Saison kühler wurde. Die „standardisierten“ Zeiten sind die wahren Werte, die den tatsächlichen Fitnesszuwachs zeigen.

Die große Überrasung: Man kann die Zukunft nicht vorhersagen (noch nicht)

Die Forscher versuchten, leistungsstarke Computermodelle (Maschinelles Lernen) einzusetzen, um ihre erste große Frage zu beantworten: Können wir anhand der ersten paar Rennen eines Läufers vorhersagen, wie viel er sich bis zum Ende der Saison verbessern wird?

Sie entwickelten Modelle, um die individuelle Verbesserung vorherzusagen, aber die Ergebnisse waren für die Anhänger der „Kristallkugel“ eher enttäuschend. Die Modelle konnten nicht vorhersagen, wer schneller werden würde. Der Genauigkeitswert (genannt R²) war praktisch Null.

• Für Männer erreichte das beste Modell ein R² von 0,043.
• Für Frauen lag es bei -0,029 (was schlechter ist als einfach nur den Durchschnitt zu raten).

Was bedeutet das? Es bedeutet, dass der Blick auf die frühen Rennzeiten eines Läufers nicht hilft, seine zukünftige Verbesserung zu erraten. Die Modelle scheiterten darin, vorherzusagen, wer schneller werden würde. Die Forscher argumentieren, dass dies nicht an schlechten Computern liegt, sondern daran, dass das „Signal“ einfach zu verrauscht ist. Es ist, als würde man versuchen, genau vorherzusagen, wie stark eine Pflanze in einer Woche wachsen wird, indem man nur auf ihre heutige Höhe schaut; es gibt zu viele verborgene Faktoren (wie die Wassermenge oder ob ein Käfer ein Blatt gefressen hat), die die Daten nicht erfassen. Die Forscher berechneten, dass man selbst mit perfekten Daten eine Genauigkeit von etwa 0,23 bis 0,28 erreichen könnte, und die Modelle erreichten diesen Wert nicht einmal. Wenn Sie also ein Trainer sind, der hofft, nach dem ersten Rennen Ihren „Star-Verbesserer“ zu identifizieren, sagt Ihnen die Statistik: Setzen Sie nicht darauf.

Die Teamstrategie: Eine starke Verbindung, aber kein Zauberspruch

Während sie die individuelle Verbesserung nicht vorhersagen konnten, fanden die Forscher auf der Teamebene ein sehr klares Muster. Hier wird die Geschichte spannend.

Sie fragten: „Führen Teams, die häufiger rennen, bei den nationalen Meisterschaften besser ab?“
Die Daten zeigen eine starke Assoziation: Teams, in denen mehr Athleten 4 oder mehr Male antraten, absolvierten mit viel höherer Wahrscheinlichkeit ein Top-15-Finish bei den Nationals.

• Die Daten zeigten eine „Dosis-Wirkungs-Beziehung“: Je mehr Rennen die Teammitglieder bestritten, desto besser war das Team.

Aber hier kommt die Wendung: Es ging nicht nur darum, einen einzelnen Super-Athleten (einen „Arbeitstier“) zu haben, der jedes Rennen läuft. Das Muster deutete eher auf Tiefe hin.

• Teams, in denen viele Athleten (nicht nur die obersten 7 Punktesammler) Rennerfahrung sammelten, schnitten besser ab.
• Sie führten das Konzept der Effektiven Rennchance (Effective Racing Opportunity, ERO) ein. Betrachten Sie dies als einen „Team-Energie-Score“. Er misst nicht nur, wie viele Rennen das Team lief, sondern wie gleichmäßig die Rennen auf die gesamte Mannschaft verteilt waren.
• Teams mit einer hohen ERO (das heißt, viele Läufer bekamen die Chance zu rennen) hatten eine 2,7-mal höhere Chance, in die oberste Kategorie zu gehören, im Vergleich zu Teams mit einer niedrigen ERO.

Die Forscher waren jedoch sehr vorsichtig und betonten, dass dies eine Korrelation ist und kein Zauberspruch. Sie konnten nicht beweisen, dass eine Änderung des Rennplans eines Teams automatisch zu einem Sieg führt. Bei genauerer Betrachtung stellten sie fest, dass „Tiefe“ und „häufigeres Rennen“ oft nur Nebenwirkungen eines größeren Clubs sind. Größere Programme haben naturgemäß mehr Athleten und können häufiger an Rennen teilnehmen. Als die Forscher die Größe des Teams kontrollierten, verblasste das Signal der „Tiefe“. Das bedeutet, die Daten zeigen, dass größere, besser ausgestattete Programme mehr rennen und besser abschneiden, aber es beweist nicht, dass das bloße Hinzufügen von Rennen zu einem Zeitplan eines kleinen Teams magisch dessen Platzierung steigert. Die Verbindung ist real, aber sie ist an die Gesamtgröße und die Ressourcen des Programms gebunden.

Der Gender Gap: Es geht ums Erscheinen, nicht ums häufigere Teilnahme

Die Arbeit untersuchte auch die Unterschiede zwischen Männer- und Frauenteams. Dabei stellten sie ein großes Ungleichgewicht fest: Es gibt viel mehr männliche Läufer als weibliche Läufer in diesen Club-Programmen.

• Männer machten etwa 60–63 % der Athleten aus.
• Sob[ie］mals ein Läufer jedoch im Team war, traten Männer und Frauen jedoch fast mit der exakt gleichen Häufigkeit an.

Dies ist eine entscheidende Erkenntung. Die Lücke besteht nicht darin, dass Frauen weniger Rennen laufen, sobald sie im Team sind; die Lücke besteht darin, dass weniger Frauen überhaupt am Wettbewerb teilnehmen. Sobald sie im Kader stehen, rennen sie genauso oft wie die Männer.

Das Fazze für Trainer

Was sollte ein Trainer also aus all dem mitnehmen?

1. Vertrauen Sie nicht den Rohzeiten: Wenn Sie sehen, dass ein Läufer von September bis November 20 Sekunden schneller wird, prüfen Sie das Wetter! Es könnte einfach die kühlere Herbstluft sein und kein Fitnesswunder. Nutzen Sie „standardisierte“ Zeiten, um den echten Fortschritt zu sehen.
2. Versuchen Sie nicht, die Zukunft vorherzusagen: Sie können nicht aus dem ersten Rennen eines Läufers schließen, wer sich am meisten verbessern wird. Die Daten sind dafür zu unrein.
3. Betrachten Sie das gesamte Team: Die Daten legen nahe, dass Teams mit tieferen Kaderstrukturen und mehr Rennmöglichkeiten tendenziell besser abschneiden. Dies ist jedoch oft mit der Gesamtgröße des Clubs verknüpft. Während es ein gutes Ziel ist, vielen Athleten die Chance zu geben zu rennen, sollten Trainer verstehen, dass das bloße Hinzufügen von Rennen zu einem Zeitplan keinen Sieg garantiert, wenn die Größe des Programms und die Ressourcen dies nicht unterstützen.
4. Fördern Sie mehr Frauen beim Einstieg: Da die Rennhäufigkeit einmal im Team eine fast identische ist, liegt die Lösung für den Gender Gap darin, mehr Frauen dazu zu bewegen, überhaupt mit dem Laufen zu beginnen.

Kurz gesagt: Die Arbeit zeigt uns, dass wir zwar nicht genau vorhersagen können, wie sich ein einzelner Läufer verbessern wird, wir aber sehen können, dass mehr Rennmöglichkeiten für das gesamte Team mit besseren Ergebnissen verknüpft sind. Es ist eine Bewegung weg vom Raten hin zum Aufbau eines Zeitplans, der jedem die Chance gibt zu laufen, während man gleichzeitig im Hinterkopf behält, dass größere Programme naturgemäß einen Vorteil in Bezug auf Größe und Rennfrequenz haben.