Wie künstliche Intelligenz das psychische Wohlbefinden und die körperliche Leistungsfähigkeit im Sport beeinflusst

Zusammenfassung

Eine Studie mit 385 chinesischen Sportlern ergab, dass der Einsatz von künstlicher Intelligenz (KI) und Selbstwirksamkeit das psychische Wohlbefinden positiv beeinflussen, was wiederum die wahrgenommene Sportleistung verbessert. Psychologisches Wohlbefinden vermittelt auch die Beziehungen zwischen KI/Selbstwirksamkeit und Leistung. Die Ergebnisse deuten darauf hin, KI-Tools mit Strategien zur Steigerung der Selbstwirksamkeit und des Wohlbefindens zu integrieren.

Zusammenfassung

Diese Studie untersuchte, wie KI das psychische Wohlbefinden und die wahrgenommene Sportleistung von Sportlern in China beeinflusst. Konkret wollte sie den direkten Einfluss des Einsatzes künstlicher Intelligenz auf das psychische Wohlbefinden, die Auswirkungen der Selbstwirksamkeit von Sportlern auf das psychische Wohlbefinden, die Auswirkungen des psychologischen Wohlbefindens auf die wahrgenommene sportliche Leistung sowie die vermittelnde Rolle des psychologischen Wohlbefindens in diesen Beziehungen untersuchen. Ein quantitativer Forschungsansatz wurde unter Verwendung eines querschnittsbezogenen Umfragedesigns verfolgt. Daten wurden von 385 Wettkampfsportlern in China mittels eines strukturierten Fragebogens erhoben und mit dem Statistical Package for the Social Sciences (SPSS) und Partial Least Squares Structural Equation Modeling (PLS-SEM) analysiert. Die Ergebnisse zeigten, dass der Einsatz von künstlicher Intelligenz und die Selbstwirksamkeit der Athleten beide das psychische Wohlbefinden positiv beeinflussten, während das psychologische Wohlbefinden die wahrgenommene Sportleistung positiv beeinflusste. Darüber hinaus vermittelte das psychologische Wohlbefinden signifikant die Zusammenhänge zwischen der Nutzung künstlicher Intelligenz und der wahrgenommenen Sportleistung sowie zwischen der Selbstwirksamkeit der Athleten und der wahrgenommenen Sportleistung. Diese Ergebnisse deuteten darauf hin, dass sowohl technologische als auch psychologische Ressourcen wichtig sind, um die Ergebnisse der Athleten zu verbessern. Die Studie legte nahe, dass Sportorganisationen, Trainer und politische Entscheidungsträger KI-gestützte Systeme mit Strategien integrieren sollten, die die Selbstwirksamkeit und das psychische Wohlbefinden der Athleten stärken. Insgesamt kam die Studie zu dem Schluss, dass künstliche Intelligenz nicht nur durch technische Unterstützung, sondern auch durch ihren positiven Einfluss auf die psychologische Funktion von Sportlern zur sportlichen Leistung beiträgt.

Einleitung

Künstliche Intelligenz wird zu einer treibenden Kraft im modernen Sport und ermöglicht es Trainern, Analysten und Athleten, große Datenmengen für Leistungsüberwachung, Verletzungsprävention, taktische Planung und personalisierte Trainingsanpassung^zu verarbeiten. Jüngste Bewertungen bestätigen, dass KI und maschinelles Lernen zunehmend für biomechanische Überwachung, Arbeitsbelastungsanalyse, Rehabilitation, Bewegungsverfolgung und Trainingsoptimierung eingesetzt werden, was einen entscheidenden Wandel hin zu datengetriebenen, technologiegestützten Vorbereitungs- und Wettbewerbssystemen signalisiert². Doch da diese Technologien in den Alltag der Athleten integriert werden, warnen Wissenschaftler, dass ihr Einfluss weit über technische und biomedizinische Bereiche hinausgeht: KI-Werkzeuge prägen auch, wie Athleten Feedback interpretieren, ihren eigenen Fortschritt bewerten und Selbstvertrauen sowie Motivation im Training und Wettkampf regulieren³. In China ist dieses Thema dringlich. Nationale Sportbehörden haben berichtet, dass KI-gestützte Trainingssysteme, die Echtzeit-technisches Feedback liefern, bereits bei Elite-Teams eingesetzt werden, weshalb es unerlässlich ist, nicht nur die Leistungssteigerungen, sondern auch die psychologischen Folgen einer solchen Integration zu verstehen⁴.

Während die angewandten Vorteile von KI im Sport zunehmend dokumentiert werden, beginnt eine wachsende Zahl von Forschungen ihre psychologischen Implikationen zu untersuchen und zeigt ein nuancierteres Bild, als die frühe^{Literatur nahelegt}. Einerseits haben Studien negative Folgen festgestellt, darunter Rückkopplungsangst durch ständige Leistungsüberwachung, algorithmische Abhängigkeit, die autonome Entscheidungsfindung untergraben kann, und erhöhten Druck, wenn datenbasierte soziale Vergleiche allgegenwärtig^werden. Andererseits haben Forscher auf potenzielle psychologische Vorteile hingewiesen: Wenn KI-Feedback als unterstützend wahrgenommen wird, kann es Leistungsunsicherheiten verringern, das Kontrollgefühl der Sportler über ihre Entwicklung stärken und die Selbstregulierungsfähigkeit stärken⁷. Diese aufkommende Debatte zeigt, dass die psychologische Wirkung von KI nicht monolithisch ist; Vielmehr hängt es davon ab, wie Athleten technologische Inputs in ihr Selbstbild und ihre tägliche^Praxis einschätzen und integrieren. Entscheidend ist, dass bestehende Arbeiten fragmentiert bleiben. Studien isolieren typischerweise einzelne psychologische Folgen wie Angst, Motivation oder Burnout, ohne zu untersuchen, wie diese Ergebnisse zusammenhängen, und nur sehr wenige haben psychisches Wohlbefinden als zentralen Erklärungsmechanismus für den Einsatz von KI mit Sportleistung positioniert.

Die vorliegende Studie adressiert diese Lücke, indem sie sich auf das psychologische Wohlbefinden (PWB) als zentralen vermittelnden Mechanismus konzentriert. Basierend auf der eudaimonischen Tradition umfasst PWB sechs Dimensionen: Umweltbeherrschung, persönliches Wachstum, Lebenssinn, Selbstakzeptanz, Autonomie und positive Beziehungen zu anderen, die besonders im Sport⁹ relevant sind, wo Athleten hohe Erwartungen managen, mit Unsicherheiten umgehen und eine ausgewogene Funktion aufrechterhalten müssen, während sie wettbewerbsorientierte Exzellenz anstreben¹⁰. Jüngste Erkenntnisse bestätigen, dass das Wohlbefinden von Sportlern nicht nur ein wünschenswertes Nebenprodukt ist, sondern eine entscheidende Grundlage für nachhaltige Leistung, adaptives Bewältigungsverhalten und langfristige sportliche Entwicklung¹¹. Wichtig ist, dass PWB als psychologischer Kanal dienen kann, durch den sowohl technologische Ressourcen als auch persönliche Kompetenzen in bessere Leistungsbewertungen münden: KI kann das Wohlbefinden fördern, indem sie grundlegende Bedürfnisse nach Kompetenz, Autonomie und Verbundenheit befriedigt, während Selbstwirksamkeit das Wohlbefinden durch die Förderung von Selbstvertrauen und Resilienz erhalten kann^12,13.

Die zunehmende Integration von KI in Sportumgebungen durch intelligente Wearables, Bewegungsverfolgung und personalisierte Leistungsanalysen hat das Potenzial, nicht nur die Trainingseffizienz, sondern auch die psychologischen Erfahrungen der Athleten grundlegend zu gestalten¹⁴. Während ein Großteil des bestehenden Diskurses KI als technisches Werkzeug zur Verletzungsprävention oder taktischen Entscheidungen darstellt, legt eine theoretisch fundierte Sichtweise nahe, dass KI-gesteuerte Sportumgebungen als sinnvolle psychologische^Ressource dienen können. Basierend auf der Selbstbestimmungstheorie können KI-Systeme die Erfüllung grundlegender psychologischer Bedürfnisse, Autonomie, Kompetenz und Verbundenheit unterstützen, die weithin als Vorläufer des eudaimonischen Wohlbefindens^{gelten 16}. Wenn Athleten individuelles, datenbasiertes Feedback erhalten, das ihren Fortschritt verdeutlicht und Leistungsunklarheiten reduziert, wird ihr Kompetenzgefühl gestärkt; wenn KI-gestützte Plattformen maßgeschneiderte Trainingsoptionen und anpassungsfähige Zeitpläne bieten, wird die Autonomie gesteigert; Und wenn geteilte Dashboards oder kollaborative Analysen eine konstruktive Kommunikation zwischen Trainer und Athlet ermöglichen, wird das Bedürfnis nach Verbundenheit^{genährt 17}. Durch diese Wege kann der Einsatz von KI die Kernkomponenten des psychologischen Wohlbefindens (PWB)¹⁷, Umweltbeherrschung (durch Steigerung der Vorhersehbarkeit und Kontrolle über das eigene Trainingsumfeld), persönliches Wachstum (durch das Visualisieren schrittweiser Verbesserungen über die Zeit), Lebenssinn (durch Ausrichtung des täglichen Trainings auf langfristige sportliche Ziele), Selbstakzeptanz (durch Normalisierung von Leistungsschwankungen durch objektive Daten) und positive Beziehungen (durch Förderung unterstützender Aktivitäten) positiv beeinflussen zwischenmenschliche Austausche) ¹⁸. Daher vermutet die vorliegende Studie: H1: Die Nutzung künstlicher Intelligenz wirkt sich positiv auf das psychische Wohlbefinden aus.

Athleten-Selbstwirksamkeit bezieht sich auf den Glauben einer Person an ihre Fähigkeit, Aufgaben erfolgreich zu erfüllen, Herausforderungen zu überwinden und im Sportkontext gewünschte Ergebnisse zu erzielen¹⁹. Laut der Selbstwirksamkeitstheorie sind Menschen, die mehr Vertrauen in ihre Fähigkeiten haben, eher dazu geneigt, in schwierigen Situationen durchzuhalten, ihre Anstrengungen zu regulieren und konstruktiv auf Rückschläge zu reagieren²⁰. In sportlichen Umgebungen ist Selbstwirksamkeit besonders wichtig, da Athleten regelmäßig unter Wettbewerbsdruck, körperlichen Anforderungen und Leistungsunsicherheit konfrontiert^{sind 21,22}. In dieser Studie wird die Selbstwirksamkeit von Sportlern durch die Wirksamkeit der Sportdisziplin, psychologische Wirksamkeit, professionelle Denkwirksamkeit und Persönlichkeitswirksamkeit dargestellt, was die multidimensionale Natur des Selbstvertrauens in der sportlichen Funktionsweise widerspiegelt²³. Sportler mit hoher Selbstwirksamkeit sind im Allgemeinen besser in der Lage, mit Stress umzugehen, ihre Motivation zu bewahren und das emotionale Gleichgewicht unter^{Druck 24} Jahre alt zu halten. Solche Sportler sehen Herausforderungen eher als handhabbar denn als bedrohlich, was ihre psychologische Funktion und ihr allgemeines Wohlbefinden verbessern kann^25,26. Da psychologisches Wohlbefinden Elemente wie Selbstakzeptanz²⁷, Autonomie und Lebenssinn umfasst, kann Selbstwirksamkeit als eine wichtige innere Ressource verstanden werden, die diese positiven psychologischen Zustände unterstützt²⁸. In anspruchsvollen Sportumgebungen kann eine stärkere Selbstwirksamkeit den Athleten daher helfen, einen gesünderen und anpassungsfähigeren psychologischen Zustand zu bewahren. H2: Die Selbstwirksamkeit der Sportler wirkt sich positiv auf das psychische Wohlbefinden aus.

Psychologisches Wohlbefinden (PWB) ist ein multidimensionales Konstrukt, das positives Funktionieren, persönliches Wachstum, sinnvolles Engagement und gesunde Anpassung im Leben widerspiegelt²⁹. Nach Ryffs eudaimonischem Rahmen umfasst er sechs Dimensionen: Umweltmeisterschaft (die Fähigkeit, die Umgebung effektiv zu managen), persönliches Wachstum (ein Gefühl fortlaufender Entwicklung), Lebenssinn (sinnvolle Ziele halten), Selbstakzeptanz (eine positive Einstellung zu sich selbst), Autonomie (Selbstbestimmung und Unabhängigkeit) und positive Beziehungen zu anderen (warme, vertrauensvolle zwischenmenschliche Verbindungen)³⁰. Im Sportbereich hat jede Dimension eine besondere Relevanz dafür, wie Athleten ihre^{eigene Leistung bewerten}. Umweltmeisterschaft befähigt Athleten, Trainingsanforderungen und Wettkampfbelastungen zu kontrollieren; Persönliches Wachstum fördert nachhaltigen Einsatz und die Verfeinerung von Fähigkeiten; Lebenssinn verankert das Engagement für langfristige sportliche Ziele; Selbstakzeptanz schützt gegen Selbstkritik nach Rückschlägen; Autonomie unterstützt intrinsische Motivation und Entscheidungsfindung unter Druck³². PWB ist also nicht nur das Fehlen von Belastung, sondern eine positive psychologische Grundlage, die es Athleten ermöglicht, während des Trainings und Wettkampfs^fokussiert, widerstandsfähig und motiviert zu bleiben. Wenn sich Athleten zielgerichtet, selbstbewusst und emotional ausgeglichen fühlen, können sie Widrigkeiten besser bewältigen, ihre Konzentration aufrechterhalten und ihre eigene Leistung positiv bewerten, was PWB zu einem starken Prädiktor für die wahrgenommene Sportleistung^{macht 34}. Im Einklang mit diesen Überlegungen stellt die vorliegende Studie folgende Hypothese auf: H3: Psychologisches Wohlbefinden beeinflusst die wahrgenommene Sportleistung positiv.

Die Beziehung zwischen der Nutzung künstlicher Intelligenz und der Sportleistung ist möglicherweise nicht vollständig direkt, da die Vorteile von KI oft durch die internen psychologischen Reaktionen der Athleten realisiert werden³⁵. KI kann leistungsbezogene Informationen, Trainingsempfehlungen und Echtzeit-Feedback liefern, aber der tatsächliche Einfluss dieser technologischen Eingaben hängt davon ab, wie Athleten sie interpretieren und nutzen³⁶. Wenn der Einsatz von KI das Gefühl von Kontrolle, Kompetenz und Wachstum der Athleten erhöht, kann sie zunächst ihr psychisches Wohlbefinden verbessern, bevor sie die Leistungsergebnisse beeinflusst³⁷. Dies legt nahe, dass das psychische Wohlbefinden den Prozess erklären könnte, durch den der Einsatz von KI zu besseren leistungsbezogenen Wahrnehmungen im Sport beiträgt. Mit anderen Worten: Athleten, die regelmäßig KI-gestützte Werkzeuge nutzen, fühlen sich möglicherweise besser vorbereitet, selbstbewusster im Training und zufriedener mit ihrem Fortschritt, was ihr psychisches Wohlbefinden stärken kann³⁸. Sobald Athleten ein höheres Wohlbefinden erleben, werden sie wahrscheinlich fokussierter, emotional stabiler und motivierter, und diese Eigenschaften können ihre Wahrnehmung ihrer sportlichen^{Leistung positiv} beeinflussen. Daher kann psychologisches Wohlbefinden als erklärender Mechanismus dienen, der technologische Einbindung mit sportbezogenen Ergebnissen verknüpft. Auf Grundlage dieser Argumentation schlägt die vorliegende Studie vor, dass der Einfluss der Nutzung künstlicher Intelligenz auf die wahrgenommene Sportleistung durch das psychische Wohlbefinden übertragen wird. H4: Psychologisches Wohlbefinden vermittelt die Beziehung zwischen KI-Nutzung und wahrgenommener Sportleistung.

Die Selbstwirksamkeit von Sportlern gilt weithin als wichtiger Prädiktor für positive Ergebnisse im Sport, da sie Ausdauer, Selbstvertrauen und adaptives Bewältigungsverhalten beeinflusst. Der Einfluss der Selbstwirksamkeit auf die Leistung kann jedoch auch indirekt durch das psychische Wohlbefinden auftreten. Sportler, die stark an ihre Fähigkeiten glauben, fühlen sich eher autonom, zielgerichtet und akzeptierend – zentrale Elemente des psychischen Wohlbefindens⁴⁰. In diesem Sinne wirkt sich Selbstwirksamkeit nicht nur direkt auf Handeln und Anstrengung aus; Sie kann auch zu einem gesünderen psychischen Zustand beitragen, der langfristige Funktionsfähigkeit und Leistung unterstützt. Wenn Athleten eine hohe Selbstwirksamkeit besitzen, sind sie in der Regel besser in der Lage, Rückschläge zu bewältigen, mit Druck umzugehen und ihren Zielen treu zu bleiben. Diese Erfahrungen können ihr psychisches Wohlbefinden stärken, was wiederum ihre Wahrnehmung von Sportleistungen verbessern kann. Daher kann psychologisches Wohlbefinden als Mechanismus dienen, durch den Vertrauen in die eigene sportliche Leistungsfähigkeit in stärkere, leistungsbezogene Ergebnisse umgesetzt wird⁴¹. Anstatt anzunehmen, dass Selbstwirksamkeit nur direkt die Leistung beeinflusst, argumentiert diese Studie, dass Sportler besser abschneiden, wenn ihr Selbstvertrauen ihre breitere psychologische Funktion verbessert. H5: Psychologisches Wohlbefinden vermittelt die Beziehung zwischen der Selbstwirksamkeit des Sportlers und der wahrgenommenen sportlichen Leistung.

Protokoll

Ethische Überlegungen
Die Studie war gemäß der Richtlinie der Institution von der formellen ethischen Überprüfung ausgenommen, da sie die Kriterien für eine anonyme Umfrage mit minimalem Risiko erfüllte. Alle Verfahren wurden in strikter Übereinstimmung mit den ethischen Standards der Helsinkier Erklärung durchgeführt. Vor der Datenerhebung wurde von allen erwachsenen Teilnehmern eine informierte Zustimmung eingeholt. Für Teilnehmer unter 18 Jahren wurde eine schriftliche informierte Zustimmung von ihren Eltern oder gesetzlichen Erziehungsberechtigten eingeholt, ebenso wie die schriftliche Zustimmung der Minderjährigen selbst. Alle Befragten wurden ausdrücklich über den Forschungszweck, ihre freiwillige Teilnahme, ihr Recht, jederzeit ohne Konsequenzen zurückzutreten, und die strengen Vertraulichkeitsmaßnahmen für ihre Daten informiert. Es wurden keine personenbezogenen Daten erhoben oder gemeldet, und alle Daten wurden ausschließlich für aggregierte akademische Analysen verwendet. Besonderes Augenmerk wurde auf nicht-aufdringliche, respektvolle Formulierungen gelegt, um sicherzustellen, dass die Umfrage nicht die Trainingsverpflichtungen oder das psychische Wohlbefinden der Athleten beeinträchtigt. Für weitere Details siehe bitte die Materialtabelle.

Forschungsdesign und Studienkontext
Diese Studie verwendete einen quantitativen Forschungsansatz mit einem Querschnittsbefragungsdesign, um die vorgeschlagenen Zusammenhänge zwischen der Nutzung künstlicher Intelligenz, der Selbstwirksamkeit der Athleten, dem psychischen Wohlbefinden und der wahrgenommenen Sportleistung unter Athleten in China zu untersuchen. Ein quantitatives Design galt als angemessen, da die Studie darauf abzielte, theoretisch abgeleitete Hypothesen zu testen, die Stärke und Richtung von Beziehungen zwischen klar definierten Konstrukten zu untersuchen und sowohl direkte als auch medialierende Effekte mittels statistischer Verfahren zu bewerten. Der Querschnittsansatz wurde gewählt, weil Daten zu allen Studienvariablen zu einem bestimmten Zeitpunkt von den Befragten erhoben wurden, was es dem Forscher ermöglichte, die aktuellen Wahrnehmungen der Athleten zum Einsatz von KI im Sport, ihre Effektivitätsüberzeugungen, das psychologische Wohlbefinden und die wahrgenommenen Leistungsergebnisse zu erfassen. Dieses Design wurde in den Sozial- und Verhaltenswissenschaften weit verbreitet verwendet, insbesondere wenn es darum ging, Assoziationsmuster zwischen latenten Konstrukten zu identifizieren und ein theoretisch fundiertes Strukturmodell in einem natürlichen Umfeld zu testen. Die Studie wurde in China durchgeführt, was einen sehr relevanten empirischen Rahmen für diese Forschung bot, da das Land eine rasante Digitalisierung in mehreren Sektoren erlebt hatte, darunter Sport, Fitness und Athletenentwicklung. In den letzten Jahren haben chinesische Sportinstitutionen, Universitäten, professionelle Ausbildungszentren und Sportorganisationen zunehmend KI-basierte Systeme in Coaching, Leistungsüberwachung, technische Bewertung und Verletzungsprävention integriert. Dieser zunehmende Einsatz intelligenter Sporttechnologien schuf ein geeignetes Umfeld, um zu untersuchen, ob die Exposition gegenüber KI-gestützten Sportsystemen zu den psychologischen Zuständen und Leistungswahrnehmungen der Athleten beiträgt. Darüber hinaus machte die hochkompetitive Natur des chinesischen Sportumfelds es besonders wichtig zu verstehen, wie technologische Ressourcen und psychologische Fähigkeiten gemeinsam die Funktionsweise der Athleten beeinflussen. Daher bot der chinesische Kontext sowohl praktische Relevanz als auch theoretischen Wert für die Untersuchung des vorgeschlagenen Modells.

Population und Stichprobe
Die Zielgruppe der Studie bestand aus Wettkampfsportlern in China, darunter solche, die mit Universitäten, Sportakademien, Profivereinen, provinziellen Trainingszentren und anderen organisierten Sportinstitutionen verbunden waren und aktiv an regelmäßigen Trainings- und Wettkampfaktivitäten beteiligt waren. Die Studie konzentrierte sich auf Sportler, da sie am besten geeignet waren, um die Rolle künstlicher Intelligenz in sportbezogenen Kontexten zu bewerten und über ihre Selbstwirksamkeit, psychologisches Wohlbefinden und wahrgenommene Leistung zu berichten. Um sicherzustellen, dass die Befragten ausreichend Vertrautheit mit dem Thema hatten, wurden nur Personen aufgenommen, die derzeit im organisierten Sport aktiv sind und in gewisser Erfahrung mit technologiegestützten Sportumgebungen haben. Für die Studie wurde eine Stichprobengröße von 385 Befragten verwendet. Diese Stichprobengröße wurde als ausreichend für eine quantitative Studie mit mehreren latenten Variablen, multidimensionalen Konstrukten und Mediationsanalysen angesehen, insbesondere bei Verwendung von PLS-SEM, die genügend Fälle für stabile Parameterschätzung und prädiktive Bewertung erforderte.

Die Befragten wurden durch eine gezielte Stichprobenmethode ausgewählt, die es dem Forscher ermöglichte, Personen auszuwählen, die spezifische Einschlusskriterien erfüllten, die für die Ziele der Studie relevant waren. Zielgerichtete Stichprobe war besonders geeignet, da die Forschung Daten von Sportlern und nicht von der Allgemeinbevölkerung erforderte. Praktisch wurden die Teilnehmer über Sportinstitutionen, Universitätssportabteilungen, Clubs, Trainingsprogramme und Athletennetzwerke angesprochen. Die Stichprobe sollte eine Vielzahl von Sportdisziplinen, Wettkampfniveaus und Athleten-Hintergründen abdecken, um die Ergebnisse zu erweitern und ein sinnvolleres Bild davon zu liefern, wie KI-bezogene Sportpraktiken in verschiedenen sportlichen Kontexten in China erlebt wurden.

Messung von Variablen
Die Studie verwendete einen strukturierten Fragebogen, um alle Variablen zu messen, und alle Items wurden von zuvor in der Literatur berichteten Skalen angepasst. Der Fragebogen verwendete ein Likert-ähnliches Antwortformat, das weithin anerkannt ist, um Wahrnehmungen, Einstellungen, Überzeugungen und selbstberichtete Erfahrungen in der quantitativen Forschung zu messen. Die unabhängige Variable, die Nutzung von KI, wurde mit acht Elementen gemessen, die aus einer^{Studie 42} adaptiert und an den sportlichen Kontext angepasst wurden. Konkret veranlassten die Punkte die Athleten, anzugeben, inwieweit sie während Training und Wettkampf aktiv mit KI-gestützten Sporttechnologien interagierten. Um das Konstrukt in der konkreten Praxis zu verankern, listete der Fragebogen explizit Beispiele von KI-Anwendungen auf, denen Athleten im chinesischen Sportsystem häufig begegnen, darunter tragbare Biosensoren (z. B. Smartwatches, Herzfrequenzvariabilitätsmessgeräte, GPS-fähige Leistungstracker), KI-gesteuerte Videoanalysen und Motion-Capture-Systeme, die automatisiertes technisches Feedback bieten, sowie personalisierte Trainingsempfehlungsplattformen, die Arbeitslasten anhand von Echtzeitdaten anpassen. sowie prädiktive Analyse-Dashboards, die für Verletzungsrisikowarnungen und Erholungsüberwachung verwendet werden. Die Artikel erfassten somit die selbstberichtete Häufigkeit der Athleten und die wahrgenommene Integration dieser intelligenten Werkzeuge in ihren täglichen Sportroutinen, anstatt lediglich die allgemeine Einstellung zur Technologie. Diese Operationalisierung ermöglicht es dem Konstrukt, die Breite der KI-Exposition widerzuspiegeln, während anerkannt wird, dass Athleten nicht zwischen verschiedenen algorithmischen Untertypen unterscheiden mussten; stattdessen maß die Skala ein ganzheitliches Maß an Engagement mit KI-gestützten Sportumgebungen. Es sollte beachtet werden, dass aufgrund der Heterogenität von KI-Werkzeugen zwischen Sportarten und Institutionen die KI-Nutzung als eine breite latente Variable behandelt wird, eine Einschränkung, die später diskutiert wird.

Die zweite unabhängige Variable, die Athleten-Selbstwirksamkeit, wurde als multidimensionales Konstrukt konzipiert, das in vier Dimensionen gemessen wird: Sportdisziplin-Wirksamkeit, psychologische Wirksamkeit, professionelle Denkwirksamkeit und Persönlichkeitswirksamkeit, jeweils mit vier Elementen. Diese multidimensionale Behandlung erfasst die theoretische Breite der Selbstwirksamkeit im Wettkampfsport, bei der Selbstvertrauen über körperliche Ausführung hinausgeht und den Glauben an die eigene Disziplin und die Einhaltung von Trainingsplänen (Sportdisziplin-Effizienz), geistige Bereitschaft und emotionale Regulation unter Druck (psychologische Wirksamkeit), taktisches Verständnis und Entscheidungsfähigkeit (professionelle Denkwirksamkeit) sowie widerstandsfähige persönliche Eigenschaften wie Ausdauer und Anpassungsfähigkeit (Persönlichkeitswirksamkeit). Diese vier Dimensionen basieren auf der Athlete Self-Efficacy Scale, die von Koçak⁴³ entwickelt und validiert wurde, wo gezeigt wurde, dass sie gemeinsam ein übergeordnetes Gefühl sportlicher Leistungsfähigkeit widerspiegeln. Die vermittelnde Variable, das psychologische Wohlbefinden, wurde mit einer angepassten Version der Psychologischen Wohlfühlskala für Kinder (PWB-c) von einer Gruppe⁴⁴ gemessen, die sechs Dimensionen umfasst: Umweltbeherrschung (7 Items), persönliches Wachstum (5 Items), Lebenssinn (5 Items), Selbstakzeptanz (5 Items), Autonomie (5 Items) und positive Beziehungen (10 Items). Obwohl ursprünglich für jüngere Bevölkerungsgruppen entwickelt, sind die PWB-c-Elemente mit einer klaren Sprache formuliert, die auf Ryffs eudaimonischem Rahmen basiert, wodurch der Inhalt konzeptionell für Erwachsene geeignet ist. Für die vorliegende Studie wurden die Aufgaben sorgfältig überprüft und bei Bedarf umformuliert, zum Beispiel durch das Ersetzen von schulbezogenen Referenzen durch Trainings- oder Sportkontexte, um die Eignung für erwachsene Wettkampfsportler sicherzustellen, ohne die zugrundeliegenden Konstrukte zu verändern. Die abhängige Variable, die wahrgenommene Sportleistung, wurde aus einer weiteren Studie⁴⁵ adaptiert und umfasste drei Dimensionen: selbstorientierte Leistung (4 Items), sozial vorgeschriebene Leistung (4 Items) und sonstig-orientierte Leistung (4 Items). Da mehrere Konstrukte im Modell multidimensional waren, wurden sie in der Datenanalyse als latente Konstrukte höherer Ordnung behandelt. Um sprachliche und konzeptuelle Gleichwertigkeit im chinesischen Kontext sicherzustellen, durchlief das vollständige Instrument ein strenges Übersetzungs- und Rückübersetzungsverfahren durch zweisprachige Experten in Sportpsychologie, gefolgt von einer Expertenbewertung zur Bewertung der Inhaltsvalidität und kulturellen Relevanz. Anschließend wurde ein Pilottest mit einer kleinen Stichprobe von Athleten (n = 30) durchgeführt, um die Klarheit der Fragen, den Antwortprozess und die vorläufige interne Konsistenz zu bewerten; Feedback führte zu geringfügigen Formulierungsverfeinerungen vor der Hauptdatenerhebung. Der Einsatz angepasster, zuvor validierter Skalen in Kombination mit diesen prozeduralen Schritten verbesserte die Inhaltsvalidität und theoretische Konsistenz des Messmodells.

Verfahren zur Datenerhebung
Die Daten wurden je nach Zugänglichkeit und praktischer Verfügbarkeit der Befragten durch eine selbst durchgeführte Online- und Präsenzerhebung erhoben. Dieser Ansatz der gemischten Verteilung wurde verfolgt, um die Teilnahme von Athleten aus verschiedenen Institutionen und Sporteinrichtungen in China zu maximieren. Vor der umfassenden Datenerhebung wurde das Umfrageinstrument hinsichtlich Formulierung, Klarheit, Relevanz und kontextueller Angemessenheit überprüft. Da die ursprünglichen Skalen in unterschiedlichen Kontexten entwickelt wurden, wurden die Gegenstände sorgfältig angepasst, um die Realitäten des athletischen Trainings und der Leistungsumgebungen in China widerzuspiegeln. Wo nötig, wurden kleinere Wortlautänderungen vorgenommen, um den Befragten zu helfen, die Gegenstände leicht mit ihren eigenen sportlichen Erfahrungen in Verbindung zu bringen, ohne die zugrundeliegenden Bedeutungen der Konstrukte zu verändern.

Der abschließende Fragebogen war in logische Abschnitte unterteilt: eine kurze Einführung mit Erläuterung zum Zweck der Forschung, gefolgt von demografischen Fragen und anschließend die Messpunkte zur Nutzung künstlicher Intelligenz, zur Selbstwirksamkeit der Athleten, zum psychischen Wohlbefinden und zur wahrgenommenen Sportleistung. Während der Datenerhebung wurde den Teilnehmern mitgeteilt, dass ihre Teilnahme völlig freiwillig sei, es keine richtigen oder falschen Antworten gebe und die Studie ausschließlich zu akademischen Zwecken durchgeführt werde. Ihnen wurde zugesichert, dass alle Antworten vertraulich und anonym bleiben und bei der Berichterstattung der Ergebnisse keine personenbezogenen Informationen offengelegt werden. Diese Verfahren waren wichtig, um Response Bias zu reduzieren, ehrliche Antworten zu fördern und die Glaubwürdigkeit der gesammelten Daten zu erhöhen. Ausgefüllte Fragebögen wurden vor der Analyse geprüft, um sicherzustellen, dass nur gültige und nutzbare Antworten für statistische Tests erhalten bleiben.

Die Teilnehmer wurden durch eine Kombination aus gezielter und schneeballbasierter Stichprobe in provinziellen Trainingszentren, Universitätssportabteilungen und professionellen Sportvereinen in Ost- und Südchina rekrutiert. Die Einschlusskriterien verlangten, dass die Teilnehmer aktive Athleten (Alter ≥ 16 Jahre) mit mindestens einem Jahr systematischer Trainingserfahrung und regelmäßigem Kontakt mit KI-basierten Leistungstools (z. B. tragbare Sensoren, Videoanalyse-Software oder intelligente Coaching-Apps) sind. Ausschlusskriterien umfassten aktuelle Verletzungsverhinderungstraining, unvollständige Umfragen oder Nichteinwilligung zur Datennutzung. Alle Teilnehmer gaben vor der Teilnahme eine schriftliche informierte Einwilligung ab; Für Athleten unter 18 Jahren wurde zusätzlich die Zustimmung der Eltern oder des Erziehungsberechtigten eingeholt. Bezüglich der Übersetzung und kulturellen Anpassung wurden alle originalen englischen Skalen unabhängig ins Chinesische von zwei zweisprachigen Sportwissenschaftlern übersetzt, in einer einzigen Version abgestimmt und dann von einem dritten, der die Originalstücke blind erkannte, zurückübersetzt. Unstimmigkeiten wurden durch Expertenpaneldiskussionen behoben, gefolgt von einem Pilottest mit 30 Athleten (nicht in der Endstichprobe enthalten), um semantische, konzeptuelle und kontextuelle Äquivalenz zu bestätigen. Dieser Prozess stellte sicher, dass die Messinstrumente sowohl sprachlich korrekt als auch kulturell passend für den chinesischen Sportkontext waren.

Datenanalyse-Technik
Die gesammelten Daten wurden mit SPSS und PLS-SEM analysiert, da beide Werkzeuge für die Verarbeitung quantitativer Umfragedaten und für das Testen komplexer theoretischer Modelle mit Mediation und multidimensionalen latenten Variablen geeignet waren. In der ersten Analysephase wurde SPSS für die Datenerstellung und die vorläufige statistische Untersuchung verwendet. Dazu gehörte das Codieren der Antworten, das Überprüfen fehlender Werte, das Identifizieren von Ausreißern, das Screening auf unvollständige Fragebögen sowie die Erstellung beschreibender Statistiken wie Häufigkeit, Mittelwerte und Standardabweichungen für demografische und studienbezogene Variablen. SPSS wurde auch verwendet, um die interne Konsistenz der Skalen auf Anfangsebene zu bewerten und sicherzustellen, dass die Daten für weitere multivariate Analysen geeignet sind. In der zweiten Phase wurde PLS-SEM angewendet, um sowohl das Messmodell als auch das Strukturmodell zu bewerten. PLS-SEM wurde ausgewählt, weil es besonders geeignet war, wenn die Studie höherordnungige Konstrukte, vorhersageorientierte Ziele, Vermittlungsbeziehungen und Modelle umfasste, die möglicherweise keine multivariate Normalität erfordern. Die Bewertung des Messmodells konzentrierte sich auf die Indikatorzuverlässigkeit, äußere Lasten, zusammengesetzte Zuverlässigkeit, Cronbachs Alpha, die extrahierte durchschnittliche Varianz und die Diskriminantenvalidität anhand akzeptierter Kriterien wie dem Fornell-Larcker-Kriterium und dem HTMT-Verhältnis.

Nach Bestätigung der Angemessenheit des Messmodells wurde das strukturelle Modell bewertet, um die hypothetisierten Zusammenhänge zu bewerten. Wegkoeffizienten, t-Werte, p-Werte und bias-korrigierte 95%-Konfidenzintervalle wurden durch Bootstrapping mit 5.000 Unterstichproben ermittelt, ein Verfahren, das für stabile und zuverlässige Signifikanztests im PLS-SEM empfohlen wird. Die Erklärungskraft des Modells wurde anhand des Bestimmungskoeffizienten (R²), der Effektgrößen (f²) und der prädiktiven Relevanz (Q²) untersucht. Die hypothetisierten strukturellen Zusammenhänge zwischen der Nutzung künstlicher Intelligenz, der Selbstwirksamkeit des Sportlers, dem psychischen Wohlbefinden und der wahrgenommenen Sportleistung wurden zunächst bewertet, gefolgt von der Bewertung des psychischen Wohlbefindens als Vermittler. Die Mediationsanalyse wurde durchgeführt, indem die spezifische indirekte Effekte der KI-Nutzung auf die wahrgenommene Sportleistung durch das psychologische Wohlbefinden sowie von der Selbstwirksamkeit der Athleten auf die wahrgenommene Sportleistung durch das psychologische Wohlbefinden bewertet wurden, wobei dasselbe Bootstrapping-Verfahren verwendet wurde, um robuste Konfidenzintervalle für die indirekten Pfade zu erzeugen. Außerdem wurde aufgrund der Erhebung aller Variablen aus einem einzigen Umfrageinstrument eine gemeinsame Methodenverzerrung bewertet, um die Strenge der Analyse zu stärken. Gemeinsam schuf der Einsatz von SPSS für vorläufige Datenscreening und PLS-SEM für die strukturelle Modellierung einen systematischen und robusten analytischen Rahmen für die Hypothesenprüfung.

Ergebnisse

Beschreibende Statistiken (N = 385)
Deskriptive Statistiken wurden präsentiert, um die grundlegenden Eigenschaften der Studienvariablen zusammenzufassen und ein erstes Verständnis der Daten zu vermitteln, bevor eine fortgeschrittene statistische Analyse durchgeführt wurde. In der quantitativen Forschung sind deskriptive Statistiken wichtig, da sie die durchschnittlichen Antworten der Teilnehmer und das Ausmaß der unterschiedlichen Antworten über die Stichprobe hinweg zeigen. In dieser Studie zeigten die Mittelwerte das allgemeine Maß der Übereinstimmung der Athleten bezüglich des Einsatzes künstlicher Intelligenz, der Selbstwirksamkeit der Athleten, des psychologischen Wohlbefindens und der wahrgenommenen Sportleistung, während die Standardabweichungswerte die Streuung der Reaktionen um den Mittelwert widerspiegelten. Diese Statistiken halfen festzustellen, ob die Daten auf einem akzeptablen Niveau normal verteilt waren und ob die Befragten im Allgemeinen niedrige, moderate oder hohe Wahrnehmungen der Studienvariablen angaben.

Variablen	N	Minimum	Maximum	Mittel	Standardabweichung
Einsatz durch künstliche Intelligenz	385	1.42	4.91	3.78	0.68
Athletische Selbstwirksamkeit	385	1.57	4.95	3.92	0.63
Psychologisches Wohlbefinden	385	1.66	4.88	3.85	0.59
Wahrgenommene Sportleistung	385	1.51	4.9	3.74	0.66

Tabelle 1: Beschreibende Statistiken. Beschreibende Statistiken für die vier wichtigsten Studienvariablen (Nutzung von Künstlicher Intelligenz, Athleten-Selbstwirksamkeit, psychologisches Wohlbefinden und wahrgenommene Sportleistung). Basierend auf 385 Befragten zeigen alle Variablen moderate bis hohe Durchschnittswerte (von 3,74 bis 3,92) und akzeptable Standardabweichungen (0,59–0,68), was auf eine ausreichende Variabilität für eine weitere Analyse hindeutet.

Tabelle 1 zeigt die beschreibenden Statistiken (N = 385) für die vier Hauptkonstrukte der Studie, basierend auf den Antworten von 385 Athleten. Die Ergebnisse zeigten, dass die Selbstwirksamkeit der Athleten den höchsten Mittelwert hatte (M = 3,92, SD = 0,63), was darauf hindeutet, dass die Befragten sich im Allgemeinen als selbstbewusst in ihren sportlichen Fähigkeiten und damit verbundenen psychologischen Fähigkeiten wahrnahmen. Darauf folgten psychologisches Wohlbefinden (M = 3,85, SD = 0,59) und KI-Einsatz (M = 3,78, SD = 0,68), was darauf hindeutet, dass die Befragten moderat hohe Wohlbefinden und Engagement mit KI-bezogenen Sportwerkzeugen berichteten. Die wahrgenommene Sportleistung hatte den niedrigsten Mittelwert (M = 3,74, SD = 0,66), blieb aber dennoch oberhalb des Mittelpunkts der Skala, was auf eine allgemein positive Leistungswahrnehmung der Athleten hindeutet. Insgesamt deuteten die Durchschnittswerte darauf hin, dass die Befragten bei allen Konstrukten moderate bis hohe Werte zeigten, während die Standardabweichungswerte eine akzeptable Verteilung der Antworten zeigten, was die Eignung der Daten für weitere inferenzielle Analysen unterstützt.

Abbildung 1: Balkendiagramm mit deskriptiven Statistiken für Studienvariablen. Diese Abbildung zeigt beschreibende Statistiken (Mittelwerte) für die Studienvariablen. Balken stehen für Mittelwerte, Fehlerbalken für Standardabweichungen, die blaue Linie für die minimal beobachteten Werte und die orangefarbene Linie für die maximal beobachteten Werte. Die Teilnehmer berichteten vom höchsten Durchschnittswert für die Selbstwirksamkeit der Athleten (M = 3,92), gefolgt von Psychologisches Wohlbefinden (M = 3,85), Nutzung von künstlicher Intelligenz (M = 3,78) und Wahrgenommene Sportleistung (M = 3,74), alle gemessen auf einer Skala von 0–5. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 1 zeigt beschreibende Statistiken (Mittelwerte) für die Studienvariablen. Die Teilnehmer berichteten vom höchsten Durchschnittswert für die Selbstwirksamkeit der Athleten (M = 3,92), gefolgt von Psychologisches Wohlbefinden (M = 3,85), Nutzung von künstlicher Intelligenz (M = 3,78) und Wahrgenommene Sportleistung (M = 3,74), alle gemessen auf einer Skala von 0–5. Fehlerbalken (wenn gezeigt) stellen Standardabweichungen dar; exakte SD-, Minimal- und Maximumwerte werden in der aktuellen Zusammenfassung nicht angezeigt.

Variablen	1	2	3	4
Einsatz durch künstliche Intelligenz	1
Athletische Selbstwirksamkeit	0.481**	1
Psychologisches Wohlbefinden	0.536**	0.617**	1
Wahrgenommene Sportleistung	0.442**	0.558**	0.673**	1

Tabelle 2: Korrelationsmatrix. Diese Tabelle zeigt die Korrelationsmatrix für die Kernvariablen der Studie und zeigt, dass alle Variablen positiv und signifikant miteinander korreliert waren.

Tabelle 2 zeigte die Korrelationsmatrix (N = 385) für die Kernstudienvariablen und zeigte, dass alle Variablen positiv und signifikant miteinander korreliert sind. Der Einsatz von künstlicher Intelligenz war positiv mit der Selbstwirksamkeit der Athleten (r = 0,481, S. < 0,01), dem psychologischen Wohlbefinden (r = 0,536, S. < 0,01) und der wahrgenommenen Sportleistung (r = 0,442, S. < 0,01) assoziiert. Die Selbstwirksamkeit der Sportler stand auch positiv im Zusammenhang mit dem psychischen Wohlbefinden (r = 0,617, S. < 0,01) und der wahrgenommenen sportlichen Leistung (r = 0,558, S. < 0,01). Unter allen Zusammenhängen wurde die stärkste Korrelation zwischen psychologischem Wohlbefinden und wahrgenommener Sportleistung festgestellt (r = 0,673, S. < 0,01), was darauf hindeutet, dass Athleten mit höherem psychischem Wohlbefinden tendenziell eine bessere sportliche Leistung meldeten. Insgesamt lieferten diese eine vorläufige Unterstützung für die vorgeschlagenen Hypothesen und deuteten darauf hin, dass die Variablen ausreichend miteinander verbunden waren, um eine Fortsetzung mit PLS-SEM für Strukturmodelltests zu rechtfertigen.

Abbildung 2: Spinnendiagramm der Korrelationsmatrix unter den Studienvariablen. Sie veranschaulicht die Korrelationsmuster zwischen den vier Studienvariablen: Nutzung künstlicher Intelligenz, Selbstwirksamkeit der Sportler, psychologisches Wohlbefinden und wahrgenommene Sportleistung. Jede Achse stellt eine Variable dar, und jede Linie zeigt das Korrelationsprofil einer Variablen mit den anderen in der Matrix. Das Diagramm zeigt positive Assoziationen aller Variablen, wobei die stärkste beobachtete Beziehung zwischen psychologischem Wohlbefinden und wahrgenommener Sportleistung beobachtet wird (r = 0,673, S. < 0,01). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 2 : Korrelationsmatrix, die die Korrelationsprofile von vier Variablen darstellt: Nutzung künstlicher Intelligenz, Athleten-Selbstwirksamkeit, psychologisches Wohlbefinden und wahrgenommene Sportleistung. Jedes Polygon verfolgt die Korrelationswerte einer Variablen mit allen anderen. Die sich überlappenden Polygone von Künstlicher Intelligenznutzung (blau) und Psychologischem Wohlbefinden (grün) werden für den direkten Vergleich hervorgehoben. Alle Korrelationen sind bei p < 0,01 signifikant (**). Die deskriptiven Statistiken zeigten, dass alle vier Studienvariablen Mittelwerte über dem Mittelpunkt der Skalen hatten, was darauf hindeutet, dass die Befragten im Allgemeinen moderate bis hohe Werte an künstlicher Intelligenz, Selbstwirksamkeit der Sportler, psychisches Wohlbefinden und wahrgenommene sportliche Leistung berichteten. Unter den Variablen meldete die Selbstwirksamkeit der Athleten den höchsten Mittelwert, während die wahrgenommene Sportleistung den niedrigsten Mittelwert zeigte, obwohl sie auf einem zufriedenstellenden Niveau blieb. Darüber hinaus zeigte die Korrelationsanalyse, dass alle Variablen positiv und signifikant miteinander assoziiert waren. Insbesondere zeigte das psychologische Wohlbefinden die stärkste positive Korrelation mit der wahrgenommenen Sportleistung, was die vorgeschlagenen theoretischen Zusammenhänge zunächst stützte. Diese Ergebnisse deuteten darauf hin, dass die Daten für eine weitere Bewertung des strukturellen Modells geeignet sind.

Bewertung von Messmodellen
Die Bewertung von Messmodellen war in dieser Studie wichtig, weil sie feststellte, ob die Konstrukte, die zur Messung der Nutzung künstlicher Intelligenz, die Selbstwirksamkeit der Sportler, das psychische Wohlbefinden und die wahrgenommene Sportleistung verwendet werden, zuverlässig und gültig sind, bevor die strukturellen Beziehungen zwischen ihnen getestet wurden. Da die Studie mehrere latente Variablen verwendete, von denen mehrere durch Subdimensionen modelliert wurden, war es notwendig zu bestätigen, dass die beobachteten Objekte ihre beabsichtigten Konstrukte angemessen repräsentierten. In PLS-SEM ist dieser Schritt unerlässlich, da die Qualität des Strukturmodells von der Angemessenheit des Messmodells abhängt. Dementsprechend bewertete die vorliegende Studie das Messmodell anhand von Faktorlasten, zusammengesetzter Zuverlässigkeit (CR), der abgezogenen durchschnittlichen Varianz (AVE), dem HTMT-Verhältnis und der Diskriminantvalidität. Indikatorlasten wurden untersucht, um die Zuverlässigkeit der Elemente zu bestätigen, CR wurde zur Bewertung der internen Konsistenz verwendet, AVE zur Feststellung der konvergenten Validität, HTMT-Werte wurden überprüft, um die Diskriminantvalidität zu überprüfen, und das Fornell-Larcker-Kriterium wurde angewandt, um weiter zu bestätigen, dass jedes Konstrukt empirisch von den anderen unterschieden ist.

Konstrukt	Subdimension	Nein. Anzahl von Gegenständen	Äußerer Lastbereich	CR	AVE
Einsatz durch künstliche Intelligenz	Einsatz durch künstliche Intelligenz	8	0.731–0.852	0.913	0.569
Athletische Selbstwirksamkeit	Wirksamkeit der Sportdisziplin	4	0.744–0.861	0.882	0.651
Athletische Selbstwirksamkeit	Psychologische Wirksamkeit	4	0.728–0.844	0.871	0.629
Athletische Selbstwirksamkeit	Berufliche Denkwirksamkeit	4	0.752–0.873	0.889	0.668
Athletische Selbstwirksamkeit	Persönlichkeitswirksamkeit	4	0.719–0.836	0.864	0.614
Psychologisches Wohlbefinden	Umweltmeisterschaft	7	0.712–0.846	0.91	0.592
Psychologisches Wohlbefinden	Persönliches Wachstum	5	0.726–0.851	0.883	0.603
Psychologisches Wohlbefinden	Lebenssinn	5	0.738–0.862	0.891	0.621
Psychologisches Wohlbefinden	Selbstakzeptanz	5	0.721–0.848	0.88	0.595
Psychologisches Wohlbefinden	Autonomie	5	0.709–0.833	0.872	0.579
Psychologisches Wohlbefinden	Positive Beziehungen	10	0.718–0.857	0.942	0.618
Wahrgenommene Sportleistung	Selbstorientierte Leistung	4	0.756–0.874	0.891	0.673
Wahrgenommene Sportleistung	Sozial vorgeschriebene Leistung	4	0.739–0.861	0.883	0.653
Wahrgenommene Sportleistung	Anders-orientierte Leistung	4	0.748–0.869	0.887	0.662

Tabelle 3: Bewertung des Messmodells. Messmodellbewertungsergebnisse, bei denen Konstrukte mit ihren jeweiligen Unterdimensionen, Anzahl der Items, äußeren Belastungsbereichen, zusammengesetzter Zuverlässigkeit (CR) und der abgezogenen durchschnittlichen Varianz (AVE) präsentiert werden. Alle Lasten überschreiten 0,70, CR-Werte liegen über 0,86 und AVEs liegen zwischen 0,569 und 0,673, was auf zufriedenstellende konvergente Validität und interne Konsistenz hinweist.

Tabelle 3 zeigte, dass alle Unterdimensionen zufriedenstellende psychometrische Eigenschaften aufwiesen. Die äußeren Belastungen aller Indikatoren überschritten die minimal akzeptable Schwelle von 0,70, was auf eine angemessene Zuverlässigkeit der Artikel hinweist. Ebenso reichten alle CR-Werte von 0,864 bis 0,942, überschritten damit die empfohlene Schwelle von 0,70 und bestätigten eine starke interne Konsistenz über alle Dimensionen hinweg. Die AVE-Werte reichten von 0,569 bis 0,673, was darauf hindeutet, dass jedes Konstrukt mehr als 50 % der Varianz in seinen Indikatoren erklärte und damit die konvergente Validität feststellte. Insgesamt deuteten die Ergebnisse darauf hin, dass die Messelemente ihre jeweiligen Konstrukte ausreichend erfassten und das Modell für weitere diskriminierende Validitätsbewertungen und strukturelle Modelltests geeignet war.

Abbildung 3: PLS-SEM-Mess- und Strukturmodell. Diese Abbildung zeigt das etablierte PLS-SEM-Mess- und Strukturmodell, einschließlich latenter Konstrukte, beobachteter Indikatoren, Faktorlasten, strukturellen Wegkoeffizienten und^R-2-Werten . Die Abbildung zeigt standardisierte Faktorlasten (λ) für jeden Indikator (typischerweise zwischen 0,00 und 1,00, mit akzeptablen Werten ≥ 0,70), Wegkoeffizienten (β) zwischen Konstrukten (von -1,00 bis +1,00) und Bestimmungskoeffizienten (R²) für jede endogene latente Variable (üblicherweise interpretiert als 0,25 = schwach, 0,50 = moderat und 0,75 = substantielle Prädiktionsleistung). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung3 zeigt etablierte SEM-Mess- und strukturelle Pfade bei KI-Nutzung, Selbstwirksamkeit von Sportlern, psychologischem Wohlbefinden und wahrgenommener Sportleistung. Sie zeigt standardisierte Faktorlasten (λ) für jeden Indikator (von 0,00 bis 1,00, mit akzeptablen Werten ≥ 0,70), Wegkoeffizienten (β) zwischen Konstrukten (von -1,00 bis +1,00) und Bestimmungskoeffizienten (R²) für jede endogene latente Variable (üblicherweise interpretiert als 0,25 = schwach, 0,50 = moderat und 0,75 = substantielle Prädiktionsleistung).

Konstrukte	KI-Nutzung	Athletische Selbstwirksamkeit	Psychologisches Wohlbefinden	Wahrgenommene Sportleistung
Einsatz durch künstliche Intelligenz	—
Athletische Selbstwirksamkeit	0.562	—
Psychologisches Wohlbefinden	0.614	0.723	—
Wahrgenommene Sportleistung	0.497	0.648	0.781	—

Tabelle 4: HTMT-Verhältnis. Heterotrait-Monotrait-(HTMT)-Verhältnisse zur Bewertung der diskriminierenden Validität. Alle Werte liegen unterhalb der konservativen Schwelle von 0,85, die von 0,497 bis 0,781 reicht, was die diskriminierende Gültigkeit über die vier latenten Konstrukte hinweg bestätigt.

Tabelle 4 zeigt die HTMT-Verhältnisse für die wichtigsten Konstrukte der Studie. Die Ergebnisse zeigten, dass alle HTMT-Werte unter dem allgemein akzeptierten Schwellenwert von 0,85 lagen, was darauf hindeutet, dass die Konstrukte empirisch voneinander unterschieden waren. Der höchste HTMT-Wert wurde zwischen dem psychologischen Wohlbefinden und der wahrgenommenen Sportleistung (0,781) festgestellt, was auf eine relativ starke Beziehung zwischen den beiden Konstrukten hindeutete, während sie dennoch innerhalb der akzeptablen Grenze für diskriminierende Validität blieb. Ebenso blieben die HTMT-Werte bei der Nutzung künstlicher Intelligenz, der Selbstwirksamkeit der Athleten und dem psychologischen Wohlbefinden unterhalb der Schwelle, was bestätigte, dass die Konstrukte unterschiedliche konzeptuelle Bereiche maßen. Diese angenommenen Ergebnisse unterstützten daher die diskriminierende Validität des Modells.

Konstrukte	KI-Nutzung	Athletische Selbstwirksamkeit	Psychologisches Wohlbefinden	Wahrgenommene Sportleistung
Einsatz durch künstliche Intelligenz	0.754
Athletische Selbstwirksamkeit	0.481	0.786
Psychologisches Wohlbefinden	0.536	0.617	0.777
Wahrgenommene Sportleistung	0.442	0.558	0.673	0.801

Tabelle 5: Diskriminantenvalidität (Fornell-Larcker-Kriterium). Diese Tabelle zeigt die Bewertung der diskriminanten Validität unter Verwendung des Fornell-Larcker-Kriteriums, wobei die Quadratwurzel der durchschnittlichen Varianz (AVE) für jedes Konstrukt auf der Diagonale extrahiert wird (implizit fett gedruckt) und unterhalb der Diagonale Interkonstrukte Korrelationen sind. Alle diagonalen Werte überschreiten die entsprechenden Off-Diagonal-Korrelationen, was eine ausreichende Diskriminantvalidität zwischen den vier Konstrukten bestätigt.

Tabelle 5 zeigt die Diskriminantenvalidität, die sicherstellt, dass jedes Konstrukt empirisch von den anderen unterscheidet, wurde mit dem Fornell-Larcker-Kriterium bewertet. Wie in Tabelle 5 dargestellt, sind die Diagonalwerte (die die Quadratwurzeln der für jedes Konstrukt extrahierten durchschnittlichen Varianz) 0,754 (KI-Nutzung), 0,786 (Athleten-Selbstwirksamkeit), 0,777 (Psychologisches Wohlbefinden) und 0,801 (Wahrgenommene Sportleistung). Ein gründlicher Vergleich zeigt, dass jeder diagonale Wert wesentlich größer ist als alle entsprechenden außer-diagonalen Inter-Konstrukt-Korrelationen sowohl in seiner Zeile als auch in seiner Spalte. Zum Beispiel übersteigt die Quadratwurzel des AVE für psychologisches Wohlbefinden (0,777) ihre höchste Korrelation mit der wahrgenommenen Sportleistung (0,673), und ebenso übersteigt die Quadratwurzel der AVE für wahrgenommene Sportleistung (0,801) ihre Korrelation mit dem psychologischen Wohlbefinden (0,673). Dieses Muster gilt bei allen vier Konstrukten konsistent, wobei die außer-diagonalen Korrelationen von 0,442 bis 0,673 reichen.

Abbildung 4: Diskriminantenvalidität (Fornell-Larcker-Kriterium). Diagonalwerte stellen die Quadratwurzel der Average Variance Extracted (√AVE) für jedes Konstrukt dar; Off-diagonale Werte zeigen Korrelationen zwischen verschiedenen Konstrukten an. Nach dem Fornell-Larcker-Kriterium wird die Diskriminantenvalidität festgestellt, wenn jeder diagonale Wert alle Off-Diagonal-Werte in seiner entsprechenden Zeile und Spalte übersteigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 4 zeigt die diskriminierende Validität zwischen den Konstrukten mit künstlicher Intelligenz, Sportler-Selbstwirksamkeit, psychologischem Wohlbefinden und wahrgenommener Sportleistung anhand des Fornell-Larcker-Kriteriums. Diagonale Felder zeigen für jedes Konstrukt die Quadratwurzel von AVE an, während Off-Diagonal-Zellen die Korrelationen zwischen den Konstrukten aufweisen.

Bewertung des Strukturmodells
Die Bewertung des strukturellen Modells war in dieser Studie entscheidend, da nach Nachweis der Zuverlässigkeit und Validität des Messmodells der nächste Schritt darin bestand, zu bewerten, ob die vorgeschlagenen theoretischen Zusammenhänge zwischen der Nutzung künstlicher Intelligenz, der Selbstwirksamkeit der Sportler, dem psychologischen Wohlbefinden und der wahrgenommenen Sportleistung empirisch belegt sind. Im PLS-SEM bestimmt die Bewertung des Strukturmodells das Ausmaß, die Richtung und die statistische Signifikanz der hypothetischen Wege und liefert somit direkte Belege für die Hypothesenprüfung. Für die vorliegende Studie war dieser Schritt besonders wichtig, da das Modell nicht nur die direkten Auswirkungen des Einsatzes künstlicher Intelligenz und der Selbstwirksamkeit von Sportlern auf das psychische Wohlbefinden untersuchte, sondern auch die vermittelnde Rolle des psychologischen Wohlbefindens bei der Erklärung untersuchte, wie sich diese Vorläufervariablen in die wahrgenommene Sportleistung unter Athleten in China übertragen haben.

Sowohl das psychologische Wohlbefinden als auch die Selbstwirksamkeit der Athleten wurden als reflektiv-reflektierende höherstufige Konstrukte in PLS-SEM modelliert, was mit der theoretischen Annahme übereinstimmt, dass jede untergeordnete Dimension eine eigenständige Manifestation einer gemeinsamen zugrunde liegenden latenten Variablen darstellt. Für das psychologische Wohlbefinden sind die sechs Dimensionen (Umweltmeisterschaft, persönliches Wachstum, Lebenssinn, Selbstakzeptanz, Autonomie und positive Beziehungen) konzeptionell austauschbare Facetten des eudaimonischen Wohlbefindens, die einen gemeinsamen Kern teilen; Für die Selbstwirksamkeit spiegeln die vier Dimensionen (Sportdisziplin, psychologisches, berufliches Denken und Persönlichkeitswirksamkeit) gemeinsam einen übergeordneten Glauben an sportliche Fähigkeiten wider. Dementsprechend werden die Beziehungen zwischen den höherstufigen Konstrukten und ihren Dimensionen angemessen als reflektiv angegeben, und die Dimensionen selbst werden nicht als separate Prädiktoren im Modell angenommen. Die Lasten zweiter Ordnung jeder Dimension auf ihrem jeweiligen höherordentlichen Konstrukt lagen alle über 0,70 und waren statistisch signifikant (Bootstrapping mit 5.000 Teilproben), was bestätigt, dass die Dimensionen stark auf ihre vorgesehenen latenten Variablen konvergieren. Eine Tabelle, die diese Lasten zweiter Ordnung darstellt, wurde in den Zusatzmaterialien zur vollständigen Transparenz bereitgestellt.

Hypothese	Struktureller Verlauf	Wegkoeffizient (Beta)	Krankheitsfehler	T-Wert	p-Wert	95%-Konfidenzintervall	Entscheidung
H1	Einsatz von künstlicher Intelligenz → psychologischem Wohlbefinden	0.243	0.051	4.765	0	[0.144, 0.342]	Unterstützt
H2	Athleten-Selbstwirksamkeit → psychisches Wohlbefinden	0.496	0.054	9.185	0	[0.391, 0.602]	Unterstützt
H3	Psychologisches Wohlbefinden → wahrgenommene Sportleistung	0.551	0.052	10.596	0	[0.449, 0.653]	Unterstützt
H4	Einsatz von künstlicher Intelligenz → psychologisches Wohlbefinden → wahrgenommene Sportleistung	0.134	0.032	4.188	0	[0.073, 0.198]	Unterstützt
H5	Athleten-Selbstwirksamkeit → psychologisches Wohlbefinden → wahrgenommene Sportleistung	0.273	0.041	6.659	0	[0.194, 0.355]	Unterstützt

Tabelle 6: Bewertung von Strukturmodellen und Hypothesentest. Strukturelle Modellbewertung und Hypothesentestergebnisse, einschließlich direkter Effekte (H1–H3) und indirekter Effekte durch das psychologische Wohlbefinden (H4–H5). Alle Pfade sind statistisch signifikant (p < 0,001), mit positiven Koeffizienten und Konfidenzintervallen, die keine Null enthalten, was alle Hypothesen unterstützt.

Tabelle 6 präsentiert detaillierte Ergebnisse des strukturellen Modells, die den vorgeschlagenen theoretischen Rahmen stark stützen. Erstens war der Weg von der Nutzung künstlicher Intelligenz zum psychologischen Wohlbefinden positiv und statistisch signifikant (β = 0,243, t = 4,765, S. < 0,001), was H1 unterstützte. Dieses Ergebnis zeigte, dass der verstärkte Einsatz von KI-gestützten Technologien im Sport mit einem höheren Maß an psychischem Wohlbefinden bei Sportlern verbunden war. Substanziell deutete das Ergebnis darauf hin, dass Sportler, die stärker mit intelligenten Sportsystemen wie digitalen Feedback-Tools, Überwachungstechnologien und Leistungsanalysen beschäftigt waren, tendenziell eine positivere psychologische Funktion meldeten. Obwohl der Effekt moderat statt dominant war, blieb das Ergebnis theoretisch bedeutsam, da es nahelegte, dass KI über ihre rein technische Leistungsrolle hinaus zum Wohlbefinden der Athleten beiträgt.

Zweitens hatte die Selbstwirksamkeit der Athleten einen stärkeren positiven Effekt auf das psychische Wohlbefinden (β = 0,496, t = 9,185, S. < 0,001) und unterstützte damit H2. Unter den direkten Vorläufern des psychischen Wohlbefindens trat die Selbstwirksamkeit als einflussreicherer Prädiktor hervor. Diese Erkenntnis war besonders bemerkenswert, weil sie zeigte, dass das Selbstvertrauen der Athleten in ihre Disziplin, mentale Bereitschaft, professionelles Denken und persönliche Fähigkeiten zentrale psychologische Ressourcen sind, die ihr breiteres Wohlbefinden stützen. Inhaltlich gesehen schienen Sportler, die stärker an ihre eigenen Fähigkeiten glaubten, besser in der Lage zu sein, emotionales Gleichgewicht, Zielstrebigkeit, Selbstakzeptanz und positives Funktionieren aufrechtzuerhalten. Daher war der Einsatz von KI zwar wichtig, aber die Ergebnisse deuteten darauf hin, dass die interne psychologische Fähigkeit weiterhin der stärkere Treiber des psychologischen Wohlbefindens im aktuellen Modell bleibt.

Drittens zeigten die Ergebnisse, dass psychologisches Wohlbefinden einen starken und positiven Einfluss auf die wahrgenommene Sportleistung hatte (β = 0,551, t = 10,596, S. < 0,001), was die Unterstützung für H3 lieferte. Dieser Pfad war die stärkste direkte Beziehung im Strukturmodell und zeigte, dass Athleten mit höherem psychischem Wohlbefinden deutlich häufiger von besseren Leistungswahrnehmungen berichteten. Aus theoretischer Sicht bestätigte dieses Ergebnis die Ansicht, dass die Leistung der Athleten nicht ausschließlich in Bezug auf technische oder physische Faktoren verstanden werden sollte. Vielmehr schien das Gefühl von Zielstrebigkeit, Beherrschung, Selbstakzeptanz, Wachstum und Beziehungsstabilität der Athleten eine entscheidende Rolle dabei zu spielen, wie effektiv sie ihre Leistung wahrnahmen. Dieses Ergebnis positionierte das psychologische Wohlbefinden nicht als periphere Hintergrundvariable, sondern als zentralen erklärenden Mechanismus im Modell.

Die Mediationsergebnisse stärkten den Erklärungswert des Rahmens weiter. Der indirekte Effekt des Einsatzes künstlicher Intelligenz auf die wahrgenommene Sportleistung durch psychisches Wohlbefinden war positiv und statistisch signifikant (β = 0,134, t = 4,188, S. < 0,001) und unterstützt damit H4. Diese Erkenntnis deutet darauf hin, dass der Einsatz von KI auf die Leistungswahrnehmung zumindest teilweise durch Verbesserungen des psychischen Wohlbefindens der Sportler übertragen wurde. Anders ausgedrückt: KI beeinflusste die Leistung nicht nur durch die Verbesserung der Trainingseffizienz oder Entscheidungsunterstützung; vielmehr schien es wichtig zu sein, weil es auch zu einem positiveren psychologischen Zustand beitrug, was sich dann in verbesserte Leistungswahrnehmungen niederschlug. Die Bedeutung dieses Mediationspfades unterstreicht die Notwendigkeit, psychologische Mechanismen bei der Bewertung der Technologieeinführung im Sport zu berücksichtigen.

Ebenso war der indirekte Effekt der Selbstwirksamkeit der Athleten auf die wahrgenommene Sportleistung durch psychisches Wohlbefinden ebenfalls positiv und statistisch signifikant (β = 0,273, t = 6,659, S. < 0,001), was H5 unterstützte. Bemerkenswert ist, dass dieser vermittelte Effekt deutlich stärker war als der entsprechende indirekte Effekt des KI-Einsatzes, was darauf hindeutet, dass die Selbstwirksamkeit die wahrgenommene Sportleistung durch psychisches Wohlbefinden stärker beeinflusste als der Einsatz von KI. Dieses Ergebnis deutete darauf hin, dass der Selbstglaube der Sportler ein besonders wichtiger Vorläufer der Leistung ist, da er die psychologischen Bedingungen fördert, unter denen Athleten eher gedeihen. In leistungsstarken Sportumgebungen waren Athleten mit starken Effektivitätsüberzeugungen eher bereit, diese Überzeugungen in positive psychologische Funktionen und letztlich in positivere Leistungsurteile umzusetzen.

Zusammengenommen zeigte das Strukturmodell eine moderate bis erhebliche Erklärungskraft. Der^R2-Wert von 0,468 für psychisches Wohlbefinden zeigte, dass der Einsatz künstlicher Intelligenz und die Selbstwirksamkeit der Athleten gemeinsam 46,8 % der Varianz im Mediator erklärten, was als ein sinnvolles Maß an erklärender Genauigkeit in der Verhaltensforschung angesehen werden kann. Ebenso zeigte der^R2-Wert von 0,547 für wahrgenommene Sportleistung, dass das Modell 54,7 % der Varianz in der abhängigen Variable erklärte, was auf ein vergleichsweise starkes Maß an prädiktiver Erklärung hindeutet. Außerdem lagen die^Q2-Werte für psychologisches Wohlbefinden (0,281) und wahrgenommene Sportleistung (0,336) beide über null, was darauf hindeutet, dass das Modell eine zufriedenstellende prädiktive Relevanz besaß. Zusammen zeigten diese Ergebnisse, dass der vorgeschlagene Rahmen nicht nur statistisch signifikant, sondern auch inhaltlich informativ war.

Es ist wichtig klarzustellen, dass das vorliegende Modell das psychologische Wohlbefinden als vollständigen Vermittler in den Beziehungen zwischen den beiden Vorläufern und der wahrgenommenen Sportleistung spezifizierte; Im Strukturmodell wurden keine direkten Wege von der Nutzung künstlicher Intelligenz oder der Selbstwirksamkeit der Athleten zu wahrgenommener Sportleistung enthalten. Das Modell spezifizierte nur indirekte Wege; daher unterstützen die Ergebnisse bedeutende indirekte Assoziationen, erlauben jedoch keine formale Unterscheidung zwischen vollständiger und teilweiser Mediation. Diese Modellierungsentscheidung war theoretisch getrieben, da die zentrale Aussage der Studie besagte, dass KI und Selbstwirksamkeit die Leistung nicht als direkte Eingaben verbessern, sondern indem sie zunächst die psychologischen Bedingungen stärken, die effektives Funktionieren zugrunde liegen. Diese Spezifikation schließt jedoch nicht empirisch die Möglichkeit einer teilweisen Mediation aus, die nur in einem Modell bewertet werden könnte, das auch die direkten Wege von KI-Nutzung und Selbstwirksamkeit bis hin zur wahrgenommenen Sportleistung schätzt. Zukünftige Forschung sollte Modelle untersuchen, die diese direkten Wege einschließen, um einen formalen Vergleich von vollständiger und partieller Vermittlung zu ermöglichen und aufzuzeigen, ob jegliche verbliebene direkte Auswirkungen von Technologie oder Selbstvertrauen auf Leistungswahrnehmungen über den indirekten Weg durch das Wohlbefinden hinaus bestehen.

Insgesamt lieferten die Ergebnisse konsistente empirische Unterstützung für das Argument, dass sowohl technologische als auch psychologische Ressourcen die Ergebnisse der Athleten im chinesischen Sportkontext prägten. Genauer gesagt deuteten die Ergebnisse darauf hin, dass die Selbstwirksamkeit der Sportler der stärkste Vorläufer des psychischen Wohlbefindens ist, während das psychologische Wohlbefinden als zentraler Mechanismus dient, der sowohl KI-Einsatz als auch Selbstwirksamkeit in wahrgenommene sportliche Leistung übersetzt. Aus einer interpretativen Perspektive im SSCI-Stil deuteten die Ergebnisse auf ein Modell hin, in dem psychologisches Wohlbefinden als entscheidender erklärender Weg fungierte, der externe Sporttechnologie und innere persönliche Fähigkeiten mit der Leistungswahrnehmung der Athleten verknüpft. Daher lieferte die Studie Hinweise darauf, dass die Leistungsimplikationen von KI im Sport nicht rein technologisch sind, sondern sinnvoll in die psychologischen Erfahrungen und das Wohlbefinden der Sportler eingebettet sind.

Bewertung von Common Method Bias
Da alle Studienvariablen mit einem einzigen Selbstberichtsfragebogen zu einem bestimmten Zeitpunkt gemessen wurden, stellt Common Method Bias (CMB) eine potenzielle Bedrohung für die Validität der Ergebnisse dar. CMB kann Beziehungen zwischen latenten Konstrukten künstlich aufblähen oder dedefizieren, wenn systematische Varianz aufgrund der Messmethode und nicht durch die substantiellen Konstrukte geteilt wird. Die Berücksichtigung von CMB ist daher in der vermessungsbasierten strukturellen Gleichungsmodellierung unerlässlich, um sicherzustellen, dass beobachtete Assoziationen nicht bloße Artefakte des Datenerhebungsprozesses sind. In dieser Studie wurde CMB mit dem Ansatz Full Collinearity Variance Variance Factor (VIF) bewertet, der bewertet, inwieweit jede latente Variable gleichzeitig von allen anderen latenten Variablen vorhergesagt wird. Diese Methode ist besonders geeignet für PLS-SEM und bietet eine umfassendere Diagnostik als traditionelle Einfaktortests, wenn Modelle mehrere höherordnungige Konstrukte enthalten.

Latentes Konstrukt	Vollkollinearität VIF
Einsatz durch künstliche Intelligenz	1.473
Athletische Selbstwirksamkeit	2.108
Psychologisches Wohlbefinden	2.342
Wahrgenommene Sportleistung	2.167

Tabelle 7: Vollständige Kollinearitäts-VIF-Bewertung für häufige Methodenverzerrung. Diese Tabelle zeigt die vollständigen Kollinearitätsvarianz-Inflationsfaktoren (VIFs) für die latenten Konstrukte. Alle Werte liegen unter der konservativen Schwelle von 3,3, was darauf hindeutet, dass Common Method Bias die strukturellen Modellabschätzungen wahrscheinlich nicht verzerrt.

Tabelle 7 zeigt, dass alle VIF-Werte der vollen Kollinearität deutlich unter der konservativen Schwelle von 3,3 lagen, die von 1,473 bis 2,342 reicht. Diese Ergebnisse deuten darauf hin, dass die latenten Konstrukte eine ausreichende diskriminierende Validität aufweisen und dass die geteilte Varianz, die auf die Messmethode zurückzuführen ist, keine problematischen Niveaus erreicht. Daher scheint der gemeinsame Methodenbias kein ernsthaftes Problem darzustellen, das die in dieser Studie berichteten strukturellen Wegabschätzungen verzerren könnte. Während diese Diagnose die Glaubwürdigkeit der Ergebnisse stützt, sollten zukünftige Studien prozedurale Maßnahmen in Betracht ziehen, wie die zeitliche Trennung von Prädiktor- und Kriteriumsmaßen oder die Einbeziehung einer Markervariable, um potenzielle CMB weiter zu mindern.

DATENVERFÜGBARKEIT:
Die für die Analyse dieser Studie verwendeten Rohdaten werden als ergänzende Tabelle 1 bereitgestellt.

Ergänzende Tabelle 1: Rohdaten. Alle für diese Studie verwendeten Rohdaten sind in dieser Tabelle enthalten. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Bevor die wesentlichen Ergebnisse interpretiert werden, ist es notwendig, bestimmte analytische und methodologische Grenzen der vorliegenden Studie zu klären. Diese Forschung verwendet ein Querschnittsvermessungsdesign und analysiert die Daten mittels varianzbasierter Strukturgleichungsmodellierung (PLS-SEM). Folglich unterteilten die Autoren die Daten in Modellrobustheit und prädiktive Relevanz, die durch Bootstrapping (5.000 Neustichproben) und die Stone-Geisser-Q2-Statistik mittels des PLSpredict-Verfahrens bewertet wurden, das als entsprechende methodische Sicherung für Stabilität und Generalisierbarkeit innerhalb des SEM-Rahmens dient.

Bezüglich des Common Method Bias (CMB) erkennen die Autoren an, dass vollständige Kollinearitäts-VIFs allein, obwohl nützlich, CMB in selbstberichteten, einquellenbasierten Daten nicht vollständig ausschließen. Um eine stärkere Begründung zu liefern, verwendete diese Studie sowohl prozedurale als auch statistische Maßnahmen. Prozedural sorgten die Autoren für Anonymität der Antwort, verwendeten klare und deutliche Skalierungsanker, um Konsistenzverzerrungen zu minimieren, und setzten proximale Trennung ein, indem sie Prädiktor- und Kriteriumsvariablen in verschiedene Fragebogenabschnitte mit unterschiedlichen Anweisungen gruppierten. Statistisch führten die Autoren Harmans Ein-Faktor-Test bei allen Messpunkten durch; Die Analyse des unrotierten Faktors zeigte, dass ein einzelner Faktor weniger als 50 % der Gesamtvarianz ausmachte (genauer gesagt 34,6 %), was darauf hinweist, dass kein einzelner Faktor die Varianzstruktur dominierte. Darüber hinaus liegt die höchste Interkonstrukt-Korrelation in unserer diskriminanten-Validitätsmatrix (0,673 zwischen Psychological Well-Being und Perceived Sport Performance) deutlich unter der konservativen Schwelle von 0,90, was darauf hindeutet, dass CMB die Ergebnisse kaum wesentlich verzerrt hat. Dennoch erkennt die aktuelle Studie dies als eine Restbegrenzung an und diskutiert sie entsprechend.

Ein zentrales Ergebnis dieser Studie ist der bedeutende indirekte Zusammenhang zwischen KI-Einsatz und Selbstwirksamkeit der Athleten sowie zwischen psychologischem Wohlbefinden und wahrgenommener Sportleistung. Die Autoren müssen jedoch ausdrücklich eine entscheidende methodische Einschränkung anerkennen: Das strukturelle Modell enthielt keine direkten Wege vom KI-Einsatz und der Selbstwirksamkeit der Athleten hin zu wahrgenommener Sportleistung. Das Modell wurde so spezifiziert, dass es ausschließlich die indirekten (mediationalen) Signalwege testet, anstatt ein vollständiges Mediationsmodell, das sowohl direkte als auch indirekte Effekte einschließt. Folglich kann die vorliegende Studie nicht feststellen, ob die Mediation vollständig oder teilweise ist. Diese Studie kann nur zu dem Schluss kommen, dass es eine statistisch signifikante indirekte Verbindung gibt. Es ist durchaus möglich, dass der Einsatz von KI und die Selbstwirksamkeit auch direkte Auswirkungen auf die wahrgenommene Leistung haben, die dieses Modell nicht erfasst. Dementsprechend fordern die Autoren die Leser auf, die Vermittlungsbehauptungen mit Vorsicht zu interpretieren: Die Ergebnisse zeigen, dass das psychische Wohlbefinden als ein plausibler Übertragungsmechanismus dient, schließen aber nicht das Vorhandensein anderer direkter oder alternativer Wege aus. Zukünftige Forschung sollte ein Modell festlegen, das direkte Wege enthält, um das Vorhandensein, die Größe und die Bedeutung direkter Effekte im Verhältnis zu indirekten Effekten formell zu testen, um so zu klären, ob eine vollständige, teilweise oder keine Mediation stattfindet.

Die KI-Nutzungsskala wurde von einem ursprünglich für Universitätsstudenten entwickelten generativen KI-Instrument adaptiert und anschließend auf verschiedene Technologien ausgeweitet, darunter Wearables, Motion-Tracking-Systeme, prädiktive Analysen und Trainingsempfehlungsplattformen. Diese Technologien sind konzeptionell heterogen in ihren spezifischen Funktionen und technischen Architekturen. Diese Studie bietet jedoch eine zweiteilige Rechtfertigung dafür, sie als ein einziges latentes Konstrukt in der Studie zu behandeln. Konzeptionell teilen all diese Werkzeuge eine gemeinsame funktionale Rolle im Ökosystem des Athleten: Sie dienen als exogene, datengetriebene technologische Eingaben, die objektives, Echtzeit- oder prädiktives Feedback an die Athleten liefern und so ihre Informationsumgebung während Training und Wettkampf erweitern. Unabhängig davon, ob die Technologie ein tragbarer Biosensor oder ein Videoanalyse-Dashboard ist, erleben Athleten sie als externes System, das leistungsbezogene Informationen über menschliche Beobachtung hinaus liefert. Diese geteilte funktionale Äquivalenz rechtfertigt ihre Aggregation auf einer höheren Abstraktionsebene, indem sie die wahrgenommene Intensität und Häufigkeit der Interaktion mit intelligenten Sportsystemen und nicht mit dem spezifischen technologischen Subtyp misst. Empirisch unterstützte die Bewertung des Messmodells diese Behandlung: Alle acht Elemente wurden signifikant auf einen einzigen Faktor geladen, wobei die Belastungen über 0,70 lagen, und die zusammengesetzte Zuverlässigkeit (CR) sowie die durchschnittliche extrahierte Varianz (AVE) erfüllten akzeptierte Schwellenwerte, was auf Eindimensionalität hinweist. Dennoch erkennt diese Studie die konzeptionelle Heterogenität als sinnvolle Einschränkung voll an. Es wird empfohlen, dass zukünftige Forschungen KI-Anwendungen in spezifische Subtypen (z. B. wearable-basiertes Monitoring vs. videobasierte taktische Analysen) aufschlüsseln, um deren einzigartige Beiträge zu untersuchen.

Mit den oben genannten Vorbehalten bieten die Ergebnisse sinnvolle theoretische und praktische Einblicke. Theoretisch erweitern die Ergebnisse den Diskurs über KI im Sport, indem sie zeigen, dass ihre Relevanz nicht auf objektive Leistungsoptimierung beschränkt ist, sondern auch auf die psychologische Funktion der Athleten beschränkt ist. Diese Beobachtung stützt aktuelle Übersichtsarbeiten, die argumentieren, dass künstliche Intelligenz nicht nur eine wachsende Rolle bei der Leistungssteigerung, sondern auch in breiteren Sport- und Gesundheitswissenschaften spielt, die die Entwicklung und das Wohlbefinden von Athleten beeinflussen⁴⁶. Indem das Modell das psychologische Wohlbefinden als vermittelnden Mechanismus positioniert, trägt es zu einem integrativen Rahmen bei, in dem externe technologische Ressourcen (KI) und interne psychologische Ressourcen (Selbstwirksamkeit) gemeinsam Leistungswahrnehmungen über einen gemeinsamen Weg beeinflussen. Diese Interpretation stimmt mit früheren systematischen Übersichtsbelegen überein, die psychologisches Wohlbefinden, Resilienz und soziale Unterstützung als grundlegende Ressourcen hervorheben, die die Anpassung, Funktion und positive sportbezogene Ergebnisse der Athleten in unterschiedlichen Sportbevölkerungsgruppen unterstützen⁴⁷. Bemerkenswert ist, dass die Selbstwirksamkeit von Sportlern eine stärkere indirekte Assoziation aufwies als der Einsatz von KI, was die Vorrangstellung interner Handlungsfähigkeit gegenüber externen Werkzeugen unterstreicht – eine vergleichende Erkenntnis, die in der bestehenden Literatur selten explizit dargelegt wird. Dieses Ergebnis stimmt mit aktuellen Erkenntnissen überein, die zeigen, dass Selbstwirksamkeit die sportliche Leistung indirekt durch psychologische Mechanismen wie emotionale Zustände und adaptive psychologische Funktion beeinflusst⁴⁸. Das Ergebnis stimmt auch mit einer breiteren psychologischen Forschung überein, die zeigt, dass Selbstwirksamkeit durch Resilienz und andere psychologische Ressourcen, die das Wohlbefinden und die Lebenszufriedenheit steigern, zu positiven Ergebnissen beiträgt⁴⁹. Aus praktischer Sicht deutet das Muster der Assoziationen darauf hin, dass ein integrierter, athletenzentrierter Ansatz wahrscheinlich am vorteilhaftesten sein wird. Trainer und Sportorganisationen in China sollten KI-Systeme als ergänzende Werkzeuge und nicht als Ersatz für menschenzentriertes Coaching und psychologische Unterstützung betrachten. Diese Empfehlung steht im Einklang mit früheren Arbeiten, die die Bedeutung von Athletenüberwachungssystemen betonen, die Leistungsdaten mit effektiven Interpretations- und Entscheidungsprozessen integrieren⁵⁰. Konkret sollten KI-generierte Leistungsdaten in regelmäßige Debriefing-Sitzungen eingebettet werden, die Zielmetriken mit mentalem Kompetenztraining kombinieren (z. B. Zielsetzung, Selbstgespräch, Resilienzaufbau). Dieser doppelte Ansatz kann dazu beitragen, das Gefühl von Autonomie und Kompetenz der Athleten zu erhalten und so das psychologische Wohlbefinden neben der technischen Entwicklung zu fördern.

Angesichts der Querschnitts- und assoziativen Natur der Daten bleiben diese Empfehlungen jedoch vorläufig und rechtfertigen eine Validierung durch Längsschnitt- oder experimentelle Designs. Abschließend fand diese Studie, dass der Einsatz von KI und die Selbstwirksamkeit der Athleten positiv und indirekt mit der wahrgenommenen Sportleistung durch das psychische Wohlbefinden chinesischer Athleten verbunden sind. Die Selbstwirksamkeit des Sportlers zeigte eine stärkere indirekte Beziehung, was den dauerhaften Wert innerer psychologischer Ressourcen hervorhebt. Die Studie bietet eine integrierte Perspektive auf die Entwicklung von Athleten und legt nahe, dass technologische Innovation und psychologische Fähigkeiten miteinander verbunden und nicht unabhängige Treiber der Leistungswahrnehmung sind. Letztlich könnte eine anhaltende Aufmerksamkeit für die Selbstwirksamkeit und das Wohlbefinden der Athleten zusammen mit einer durchdachten Einführung von KI-gestützten Systemen einen ausgewogenen und effektiven Weg zu verbesserten Sportergebnissen darstellen. Zukünftige Forschung sollte direkte Effekte integrieren, KI-Subtypen aufschlüsseln und longitudinale Designs nutzen, um diese aufkommende Forschungsrichtung voranzutreiben.

Trotz ihrer Beiträge hat diese Studie mehrere Einschränkungen, die sorgfältiger Prüfung bedürfen. Erstens schließt das Querschnittsdesign eine endgültige kausale Schlussfolgerung aus. Da alle Variablen an einem einzigen Zeitpunkt gemessen wurden, ist es nicht möglich, umgekehrte Kausalität auszuschließen: Sportler, die ihre Leistung bereits positiv wahrnehmen und ein höheres psychisches Wohlbefinden besitzen, neigen möglicherweise eher dazu, KI-unterstützte Werkzeuge zu suchen und zu nutzen, anstatt KI-Antriebswellen und Leistungswahrnehmungen zu nutzen. Ebenso können Sportler mit stärkerem psychischem Wohlbefinden im Laufe der Zeit eine größere Selbstwirksamkeit entwickeln, was zu wechselseitigen statt einseitigen Beziehungen führt. Die hier berichteten signifikanten Pfade sollten daher als konsistent mit den hypothetischen Richtungen interpretiert werden, jedoch nicht als Beweis für Kausalität. Künftige Forschung sollte longitudinale Paneldesigns mit Crosslagged Analysis verwenden, um diese zeitlichen Dynamiken zu entwirren, oder experimentelle und quasi-experimentelle Ansätze, die die KI-Exposition manipulieren, um deren Auswirkungen auf Wohlbefinden und Leistungsergebnisse direkt zu bewerten. Zweitens stützte sich die Studie ausschließlich auf selbstberichtete Daten, die über einen strukturierten Fragebogen erhoben wurden, was zu häufigen Methodenverzerrungen und sozialen Wünschenswertigkeitsverzerrungen führen kann. Obwohl Verfahrensmaßnahmen und statistische Überprüfungen diese Bedenken mindern können, können sie sie nicht vollständig beseitigen. Zukünftige Studien könnten die Validität stärken, indem Selbstberichtemaße mit objektiven Leistungsindikatoren (z. B. Wettkampfergebnisse, physiologische Kennzahlen), Trainer- oder Peer-Bewertungen sowie qualitativen Methoden wie halbstrukturierten Interviews zur Erfassung der Lebenserfahrungen der Athleten mit KI-Integration trianguliert werden. Drittens umfasste die Stichprobe 385 Athleten in China, was die Verallgemeinerbarkeit der Ergebnisse auf andere kulturelle oder sportliche Kontexte beschränkte. Künftige Forschung sollte das Modell in unterschiedlichen kulturellen Kontexten, auf unterschiedlichen Wettbewerbsebenen und innerhalb spezifischer Sportarten replizieren, um die Randbedingungen und die Transportfähigkeit des Rahmens zu bewerten.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Artificial Intelligence Use Scale (angepasst für den Sport)	Adaptiert von Abbas et al. [42]	[42]	N/A
Athlete Self-Efficacy Scale (multidimensional)	Adaptiert von Koçak [45]	[45]	N/A
IBM SPSS Statistics (Version 28)	IBM Corp., Armonk, NY, USA	https://www.ibm.com/products/spss-statistics	SCR_002865
Perceived Sport Performance Scale	Adaptiert von Hill et al. [44]	[44]	N/A
Pilot test questionnaire	Intern	Intern (Instrument)	N/A
Psychological Well-Being Scale for Children (PWB-c) – angepasst für erwachsene Athleten	Adaptiert von Opree et al. [43]	[43]	N/A
SmartPLS (Version 4.2)	SmartPLS GmbH, Oststeinbek, Deutschland	https://www.smartpls.com/	SCR_022040
Translation and back-translation procedure (zweisprachige Experten)	Intern (Sportpsychologen)	Intern (Verfahren)	N/A