التنبؤ بأداء الرياضيين بناءً على نموذج انحدار تدرجي

لماذا يهم توقع الأداء

يتساءل كل من شاهد الرياضة عن سبب استمرار تحسن بعض الرياضيين بينما يصل آخرون إلى حالة جمود، حتى عندما يبدو أنهم يتدربون بجد مماثل. تستكشف هذه الدراسة ما إذا كانت البيانات والأساليب الحاسوبية الحديثة قادرة على تحويل هذا اللغز إلى أداة عملية: وسيلة لتوقع مدى أداء الرياضي استنادًا إلى العمر وساعات التدريب والنوم والتغذية وعوامل يومية أخرى. يمكن لمثل هذه التوقعات أن تساعد المدربين على تعديل خطط التدريب بدقة، وتقليل مخاطر الإصابات، ودعم الرياضيين في اتخاذ قرارات أذكى خارج الميدان.

من الأرقام الخام إلى درجة أداء واحدة

عمل الباحثون مع مجموعة بيانات عامة تضم 1000 رياضي تتضمن تفاصيل ديموغرافية (مثل العمر والجنس)، وقياسات الجسم، وحجم التدريب، والنوم، والترطيب، والتغذية، إلى جانب درجة أداء إجمالية. بما أن بيانات العالم الحقيقي غالبًا ما تكون فوضوية، فقد قاموا أولًا بتنظيف المعلومات وتنظيمها: تم ملء القيم المفقودة بطريقة معقولة، وتجهيز القياسات على مقاييس قابلة للمقارنة، وتحويل فئات مثل نوع برنامج التدريب إلى شكل رقمي. كما قاموا باستخراج إشارات إضافية، مثل حمولة التدريب (بدمج الساعات والشدة)، واستخدموا طرق اختيار الميزات للاحتفاظ بالمدخلات الأكثر إفادة فقط. أدى ذلك إلى تكوين صورة مضغوطة لكنها غنية عن كل رياضي يمكن إدخالها في نماذج تنبؤية مختلفة.

كيف يتعلم النموذج الذكي الأنماط

بدل الاعتماد على الإحصاءات الخطية الكلاسيكية، لجأ الفريق إلى طريقة تسمى الانحدار التدرجي، المنفذة باستخدام مجموعة أدوات شهيرة معروفة باسم XGBoost. بدلاً من محاولة تفسير الأداء خطوة واحدة، يبني هذا النهج العديد من قواعد القرار الصغيرة، أو «المتعلمين الضعفاء»، واحدة تلو الأخرى. يركز كل متعلم جديد على الأخطاء التي ارتكبها السابقون، مصححًا تدريجيًا أخطاء النموذج. تُضبَط العملية بعناية عبر إعدادات مثل معدل التعلم وعمق الشجرة وعدد الخطوات، وتُراقَب باستخدام التحقق المتقاطع: تُقسَم البيانات مرارًا إلى أجزاء تدريب وتحقق بحيث يُختَبر النموذج باستمرار على رياضيين لم يرهم من قبل. يمنع الإيقاف المبكر أيضًا الإفراط في التكيّف مع خواص مجموعة التدريب.

مقارنة مع طرق أخرى

لاختبار ما إذا كانت هذه الاستراتيجية متعددة الطبقات مفيدة حقًا، قارن المؤلفون الانحدار التدرجي بعدة بدائل مألوفة: الانحدار الخطي البسيط والانحدار المتدرج (ridge)، وانحدار الآلة الداعمة (SVR)، والغابات العشوائية، وشبكة عصبية صغيرة. قيَّموا الأداء باستخدام ثلاث مقاييس شائعة: مقدار التباين في الدرجات الذي يستطيع النموذج تفسيره، وحجم الأخطاء النموذجية. عبر 10 جولات من التحقق المتقاطع وعلى مجموعة اختبار منفصلة، تصدر الانحدار التدرجي النتائج. فسّر حوالي 92% من التباين في درجات الأداء وسجل أصغر الأخطاء المتوسطة والكبيرة، متفوقًا حتى على الشبكة العصبية والغابة العشوائية. أظهرت الفحوص البصرية — مثل رسم الدرجات المتوقعة مقابل الفعلية وفحص نمط الأخطاء المتبقية — أن توقعاته تطابقت عن كثب مع الواقع ولم تنحرف بشكل كبير بالنسبة للرياضيين الأضعف أو الأقوى.

رؤية ما يدفع نحو النجاح

لا تكون التنبؤات القوية مفيدة إلا إذا تمكن المدربون والرياضيون من فهمها. لفتح «الصندوق الأسود» للنموذج، استخدم الباحثون تقنية تفسير تُسمى SHAP، التي تُقدّر مدى دفع كل عامل للتنبؤ صعودًا أو هبوطًا. سمح هذا بتصنيف المتغيرات الأكثر تأثيرًا على درجات الأداء عبر المجموعة وفحص كيفية تشكيل توليفات محددة لتوقع فردي. على الرغم من أن الدراسة تؤكد أن هذه علاقات وليست دليلًا على السببية، فإن التحليلات أبرزت ساعات التدريب والنوم والتغذية كعوامل ذات أهمية خاصة، مما يعكس الحدس الشائع لكن الآن مدعومًا بمنظور منهجي قائم على البيانات. أشارت فحوص البقايا ومخططات منحنى التعلم أيضًا إلى أن النموذج كان مستقرًا وقويًا بدلاً من أن يكون هشًا أو مخصصة كثيرًا لمجموعة فرعية واحدة من الرياضيين.

ما يعنيه هذا للرياضيين والمدربين

يخلص المؤلفون إلى أن خط أنابيب انحدار تدرجي مصمم جيدًا يقدم توازنًا عمليًا: فهو يتنبأ بأداء الرياضيين بدقة أكبر من الأدوات التقليدية وبعض نماذج التعلم العميق الأساسية، بينما يظل سريعًا وقابلًا للتفسير بما يكفي للاستخدام اليومي في الرياضة. من حيث المبدأ، يمكن لمثل هذا النظام أن يدعم خطط تدريب مخصصة، والتحذيرات المبكرة عند احتمال تراجع الأداء، وحوارات أوضح بين المحللين والمدربين والرياضيين حول العادات الأكثر أهمية. في الوقت نفسه، استندت الدراسة إلى 1000 رياضي من مصدر واحد وعلى لقطات بدلاً من تتبع طويل الأمد. ستحتاج الأعمال المستقبلية إلى مجموعات بيانات أكبر وأكثر تنوعًا، وتصاميم واعية للزمن، ومقاييس نتائج خاصة بكل رياضة قبل أن يُعتمد هذا النوع من النماذج كدليل شامل. في الوقت الراهن، تبرهن الدراسة على أن التحليلات الذكية والشفافة يمكن أن تحول بيانات التدريب ونمط الحياة الروتينية إلى رؤى ذات مغزى حول الإمكانات الرياضية.

الاستشهاد: Wei, X., Liang, S. & Diao, W. Prediction of athlete performance based on a gradient regression model. Sci Rep 16, 9724 (2026). https://doi.org/10.1038/s41598-026-40117-1

الكلمات المفتاحية: أداء الرياضيين, تحليلات الرياضة, تعلم الآلة, التعزيز التدرجي, تحسين التدريب