From Splits to Heat Strain: A Ten-Year Analysis of Performance Determinants and a Digital Twin Prototype for Olympic-Distance Triathlon Developed Using a Generative AI Workflow

기술 요약: 올림픽 거리 트라이애슬론의 스플릿(Splits)에서 열 스트레스까지

문제 제기
방대한 경기 결과 아카이브의 가용성에도 불구하고, 지난 10년간의 국제 올림픽 거리 트라이애슬론 선수권 대회를 대상으로 스플릿 수준의 운동학(kinematics)과 기상 데이터를 동시에 연결하는 대규모 종단적 분석은 이루어지지 않았다. 기존 문헌들은 러닝을 주요 수행 결정 요인으로 식별하고 열 부하(thermal loads)의 영향을 인정하고 있으나, 종목별 페이싱, 전환 효율성, 경기 필드 품질, 그리고 주변 열 스트레스 사이의 상호작용을 이해하는 데에는 여전히 공백이 존재한다. 또한, 점점 더 더워지는 환경에서 경쟁하는 엘리트 선수들을 위해 개별화된 경기 계획, 열 순응 전략 및 안전 개입을 지원할 데이터 기반 도구도 부족한 실정이다.

방법론
본 연구는 포괄적인 분석 파이프라인을 구축하기 위해 "인간 참여형(human-in-the-loop)" 생성형 AI 워크플로우를 채택하였다. 본 연구는 6개 대륙에서 진행된 339개 챔피언십 이벤트(2015~2025)에 참여한 3,060명의 고유 선수로부터 추출한 7,415개의 선수-경기 기록 데이터셋을 활용하였다.

1. 데이터 획득 및 엔지니어링: World Triathlon REST API를 통해 경기 결과를 수집하였다. 경기력 차이와 코스 조건을 제어하기 위해 스플릿 시간(수영, T1, 사이클, T2, 러닝)을 각 경기 및 성별 층위 내에서 z-점수(z-scores)로 표준화하였다.
2. 기상 데이터 재구성: Open-Meteo 역사적 아카이브와 Liljegren 등의 물리적 에너지 균형 모델을 사용하여 301개 이벤트에 대한 경기 당일 습구흑구온도(WBGT)를 재구성하였다(88% 커버리지). 사용 가능한 경우 수온 데이터도 통합하였다.
3. 통계 및 머신러닝 모델링:
   • 수행 결정 요인: 최소제곱법(OLS) 회귀 분석과 XGBoost 분류기를 사용하여 각 종목이 총 경기 시간 및 포디움 결과에 기여하는 고유한 분산 기여도를 정량화하였다.
   • 열 스트레스 분석: 개인별 열 내성을 평가하기 위해 무작위 선수 수준의 기울기(random athlete-level slopes)를 포함한 선형 혼합 효과 모델을 사용하였다. 선수들은 WBGT 변화에 대한 반응(기울기 < 0은 열 내성을 의미)에 따라 계층화되었다.
   • DNF 분석: 로지스틱 회귀와 Wilson score 신뢰 구간을 적용하여 WBGT 플래그 카테고리(Green, Blue, Orange)에 따른 중도 탈락(DNF) 비율을 분석하였다.
   • 디지털 트윈 프로토타입: 과거 스플릿 성적과 경기 당일 WBGT를 기반으로 총 경기 z-점수를 예측하는 XGBoost 회귀 모델을 개발하였다. 데이터 누수를 방지하기 위해 시계열 홀드아웃 검증 전략(20152022년 학습, 20232025년 테스트)을 활용하였다.

주요 결과

• 수행 결정 요인:

  • 분산 기여도: 총 경기 시간 측면에서 사이클과 러닝 구간은 거의 동일한 고유 분산(준부분 $R^2 \approx 0.13$ 각각)을 기여한 반면, 수영 구간은 미미하게 기여하였다(~0.02).
  • 포디움 예측: 러닝 구간이 포디움 입상을 결정짓는 지배적인 변별 요소였다. XGBoost 특성 중요도(feature importance)는 러닝을 가장 높게(남성: 45.5%, 여성: 48.9%) 배치했으며, 그 뒤를 사이클과 수영이 이었다. 이는 팩 사이클링(pack cycling)이 분산을 압축하여 결정적인 요인을 러닝으로 이동시킨다는 점을 확인시켜 준다.
  • 수영의 영향: 수영은 총 시간 분산에는 거의 기여하지 않지만, 사이클 구간의 드래프트 그룹 구성을 결정하기 때문에 포디움의 중요한 이차적 예측 인자로 남는다(XGBoost 중요도 ~25–27%).

• 열 스트레스 및 내성:

  • 인구 집단 수준: 평균 WBGT 기울기는 양 성별 모두에서 통계적으로 유의미하지 않았으며(남성: $p=0.065$; 여성: $p=0.104$), 이는 균일한 인구 집단 효과보다는 이질적인 개인적 반응을 시사한다.
  • 개별 가변성: 열 내성에 대한 상당한 개인차 관찰되었다. 자격 요건을 갖춘 남성 선수의 약 52.1%와 여성 선수의 36.9%가 "열 우호적(heat-favorable)" 기울기(WBGT가 증가함에 따라 성적이 향상되거나 안정적으로 유지됨)를 보였다.
  • DNF 비율: DNF 비율은 조건에 따라 11.7%에서 18.8% 사이였다. 남성의 경우 WBGT와 DNF 확률 사이의 유의미한 연관성은 발견되지 않았으나, 여성의 경우 작지만 유의미한 양의 관계가 관찰되었다($p=0.004$). 싱가포르와 항저우 같은 개최지는 WBGT 대비 눈에 띄게 높은 DNF 비율을 보였다.

• 디지털 트윈 성능:

  • 프로토타입은 시계열 홀드아웃에서 0.490 z-단위(남성) 및 **0.468 z-단위(여성)**의 평균 절대 오차(MAE)를 달성하였다.
  • 피어슨 상관 계수는 0.383(남성) 및 **0.295(여성)**였다.
  • WBGT는 예측 모델에서 가장 중요한 특성이었으며(~23% 중요도), 그 뒤를 과거 성적 지표가 이었다.

의의 및 주장
본 논문은 포디움 예측, 열 내성 프로파일링 및 결과 투영을 위해 스플릿 수준의 데이터와 재구성된 기상 조건을 통합한 최초의 10년 단위 분석을 제공한다고 주장한다.

• 과학적 기여: 본 연구는 균일한 열 효과라는 통념에 도전하며, 엘리트 트라이애슬론 선수들이 이질적인 열 반응을 보인다는 것을 입증한다. 또한 러닝 구간의 우선순위를 재확인하는 동시에 사이클 구간 위치 선정을 위한 수영의 전략적 중요성을 강조한다.
• 실무적 적용: 저자들은 수행 및 열-생리학적 모델을 결합한 디지털 트윈 프로토타입을 제시한다. 저자들은 현재 모델의 예측 정확도가 다소 완만하다는 점(MAE > 0.45 z-단위, 약 90~120초에 해당)을 겸허히 인정하면서도, 이 도구가 증거 기반의 경기 선택, 열 순응 우선순위 지정 및 전술 계획을 위한 토대를 제공한다고 주장한다.
• 방법론적 혁신: 본 연구는 복잡한 데이터 수집, 특성 공학 및 통계 모델링 파이프라인을 구조화하는 데 있어 생성형 AI 워크플로우(Claude Sonnet/Opus 등의 도구 활용)의 효용성을 입증한다.

저자들은 이러한 연구 결과가 주요 경기가 열악한 열 환경에서 점점 더 많이 개최됨에 따라, 선수의 안전과 성과 계획을 향상시키기 위한 AI 기반 도구 개발을 지원한다고 결론짓는다.