机器学习在团队体育人才识别中的作用:系统性审查
Qingrong Tang1, Xiufang Wei2, Bo Tan3
1Geely University of China, Chengdu, China.
Journal of sports science & medicine
|February 19, 2026
概括
机器学习 (ML) 可以通过分析复杂的数据来帮助在团队运动中识别年轻人才. 然而,目前的研究需要更透明的报告和外部验证,以获得强大的适用模型.
科学领域:
- 体育科学 运动科学 运动科学
- 数据科学数据科学数据科学
- 青年发展 青年发展
背景情况:
- 团队体育中的人才识别 (TID) 是多方面的,涉及生物,技术,心理和社会文化因素.
- 机器学习 (ML) 为高维数据提供了先进的分析能力,但在青少年TID中未得到充分利用.
研究的目的:
- 系统地审查机器学习 (ML) 应用在团队体育中的青年人才识别 (TID).
- 强调数据领域,算法,验证策略和ML模型的可解释性.
主要方法:
- 对青少年TID (运动员≤21岁) 的ML进行同行评审的定量研究的系统审查.
- 在PubMed,Scopus,Web of Science中进行搜索;输入领域的数据提取,ML算法,验证,性能指标和可解释性.
- 使用PROBAST进行偏差风险评估.
主要成果:
- 包括27项研究,主要是关于足球;样本大小不同,主要是男性运动员.
- 监督的ML算法是常见的;验证实践和外部测试是罕见的.
- 发现偏差的高风险 (59%),影响了概括性;内部预测准确度中等至高,但外部确认很少.
结论:
- 在青少年TID中,ML显示出作为决策支持和假设生成的补充工具的潜力.
- 未来的研究必须优先考虑透明的报告,校准评估和对稳健和适用的ML模型的外部验证.
- 机器学习可以协助早期选,进展建模和基于证据的人才预测.
