Perspectivas sobre analítica deportiva para informar la manipulación de restricciones, el aprendizaje representativo...

Área de la Ciencia:

• Ciencia del Deporte
• Adquisición de Habilidades
• Análisis de Datos

Sus antecedentes:

• El creciente uso de la tecnología y los datos en los deportes presenta oportunidades para el diseño de la práctica.
• Las técnicas analíticas pueden mejorar los marcos de adquisición de habilidades como el enfoque basado en restricciones.
• El aprendizaje automático (ML) es un método viable para obtener información detallada debido a su capacidad para manejar relaciones de datos complejas.

Objetivo del estudio:

• Explorar cómo los algoritmos de aprendizaje automático pueden operacionalizar los principios de adquisición de habilidades.
• Demostrar la aplicación de técnicas de ML para informar el diseño de la práctica deportiva.
• Apoyar a los entrenadores y científicos deportivos aplicados en el aprovechamiento de la tecnología y los datos.

Principales métodos:

• Aplicación de varios algoritmos de aprendizaje automático, incluidos árboles de decisión, bosques aleatorios, asociación de reglas y clustering.
• Utilización de ML para analizar relaciones multivariadas y no lineales en datos deportivos.
• Operacionalización de los principios de manipulación de restricciones, aprendizaje representativo y variabilidad funcional a través de ML.

Principales resultados:

• Los árboles de decisión/bosques aleatorios pueden predecir manipulaciones óptimas de restricciones para el comportamiento del jugador.
• La asociación de reglas identifica restricciones intervinientes para su replicación en la práctica.
• Las técnicas de clustering agrupan movimientos similares de jugadores, lo que ayuda a la prescripción de la variabilidad del entrenamiento.

Conclusiones:

• El aprendizaje automático proporciona herramientas valiosas para mejorar el diseño de la práctica deportiva.
• Estas técnicas apoyan a los entrenadores y científicos deportivos aplicados en la toma de decisiones basada en datos.
• El ML puede conducir a programas de entrenamiento de atletas más efectivos e individualizados.