التعلّم العميق للتعرُّف الديناميكي على التشكيلات التكتيكية في كرة القدم الاحترافية

قراءة المباراة باستخدام الذكاء الاصطناعي

عندما يشاهد المشجعون مباراة كرة قدم، يتحدثون غالبًا عن تشكيلات مثل 4-4-2 أو 4-3-3. لكن داخل الملعب، تلك الأشكال تنحني وتمتد وتتغيّر باستمرار بينما يركض اللاعبون ويضغطون ويتراجعون. تُظهر هذه الورقة كيف يستطيع الذكاء الاصطناعي الحديث تتبُّع هذه الأنماط المتغيرة لحظة بلحظة، وتحويل بيانات الحركة الخام إلى صورة مفصّلة عن كيفية لعب الفرق في كل ثانية.

لماذا التشكيلات أكثر من أرقام

تشكيلة الفريق ليست مجرد خط أرقام على لوحة التكتيك. إنها المخطط الذي يحدّد مواقع اللاعبين وكيفية تحركهم معًا وكيف يتحولون بين الهجوم والدفاع. اعتمد التحليل التقليدي على المدربين الذين يشاهدون الفيديو ويكتبون ملاحظات — عملية بطيئة وذاتية تكافح لالتقاط التغيرات الدقيقة. حتى الأساليب الحاسوبية السابقة كانت عادةً تجمّد الحركة في لقطات ثابتة، وتضع لكل لقطة تسمية تشكيل واحدة متجاهلةً التدفّق المستمر للمباراة. ونتيجة لذلك، فاتتها ميزات رئيسية في كرة القدم الحديثة: تبديل اللاعبين للأدوار أثناء اللعب، وتحرك الخطوط بتنسيق واحد، وتكشف الاستراتيجيات على مقاييس زمنية مختلفة، من ضغط سريع إلى تعديل تكتيكي طويل الأمد.

من الحركة الخام إلى البصيرة التكتيكية

يقترح المؤلفون نموذجًا جديدًا للذكاء الاصطناعي، واسمه المحول الهرمي ثنائي المسار الزماني-المكاني للشبكات (HDS‑SGT)، صُمّم خصيصًا لمتابعة هذه الحركات المعقّدة. يأخذ كمُدخل بيانات التتبُّع المتاحة اليوم في كرة القدم الاحترافية: إحداثيات ثنائية الأبعاد لجميع اللاعبين الميدانيين، مأخوذة عشر مرات في الثانية، بالإضافة إلى معلومات مشتقة من تلك المواقع مثل السرعة والتسارع والمسافات بين الزملاء. قبل أي عملية تعلّم، ينظّف النظام البيانات ويحوّلها إلى شكل موحّد — يعيد تمركزها بالنسبة للفريق، ويوسّط القياسات المشوشة، ويضيف ميزات تلتقط مدى تجمّع أو تباعد اللاعبين. هذا يجعل من الممكن التعرف على نفس التشكيل سواء كان الفريق يدافع بعمق أو يضغط عاليًا في الملعب.

طريقتان لرؤية المكان والزمن

يحلّل HDS‑SGT المباراة من خلال عدستين مكملتين. يتعامل أحد المسارين مع الفريق كشبكة: كل لاعب نقطة، وتتشكّل الروابط بين اللاعبين القريبين بما يكفي ليؤثروا على بعضهم. تساعد هذه النظرة القائمة على الشبكة النموذج على تعلم أنماط مثل خطوط دفاعية متراصة أو مثلثات في خط الوسط. في الوقت نفسه، يركّز المسار الثاني على كيفية تطوّر الشكل العام للفريق على امتدادات زمنية أطول. يضغط حركة جميع اللاعبين إلى إشارات على مستوى الفريق ويستخدم آلية انتباه — طوّرت أصلاً لترجمة اللغة — لاكتشاف أي لحظات من الماضي لها صلة أكبر بفهم الحاضر. والأهم أن هذا المسار الثاني يعمل على عدة مقاييس زمنية في آن واحد، من تحولات سريعة على مدى ثوانٍ قليلة إلى إعادة تنظيم أبطأ على مدى دقيقة كاملة من اللعب.

متابعة الأدوار بدلًا من أرقام القميص

جانب شديد التحدي في كرة القدم الحديثة هو أن اللاعبين يبدَّلون المهام بشكل متكرر: يقدم الظهير المتقدم للأمام مثل الجناح، أو يهبط لاعب وسط إلى الخط الدفاعي، أو يقود المهاجم الضغط في منتصف الملعب. التسميات الثابتة المرتبطة بأرقام القمصان لا تستطيع مواكبة هذه المرونة. لمواجهة ذلك، يتضمن النموذج وحدة تخصيص أدوار ديناميكية. بدلًا من افتراض أن لاعبًا معينًا دائمًا مثلاً ظهير أيسر، يتعلم قوالب أدوار مرنة تعتمد على سلوك اللاعبين. في كل لحظة، يقارن حركات وموقع كل لاعب بهذه القوالب ويمنحه مزيجًا من الأدوار التي يمكن أن تتغير بسلاسة مع الزمن. وجود عقوبة مضمنة يردع القفزات المفاجئة غير الواقعية في الأدوار، مما يعكس حقيقة أن التغيرات التكتيكية الحقيقية عادةً ما تكشف عن نفسها على مدى عدة ثوانٍ بدلاً من حدوثها في لحظة واحدة.

ما الذي حققه النموذج على مباريات حقيقية

اختبر الباحثون نظامهم على بيانات تتبُّع من 847 مباراة احترافية عبر عدة منافسات، بما يُغطّي أكثر من 1,200 ساعة من اللعب. قدّم المدربون الخبراء تسميات مفصّلة، مشيرين ليس فقط إلى التشكيلة المستخدمة ولكن أيضًا إلى متى كانت الفرق في طور تغيير الشكل. مقارنةً بمجموعة واسعة من الطرق القائمة — من النماذج الإحصائية الكلاسيكية إلى بنى التعلم العميق الحديثة — أثبت HDS‑SGT دقّة أعلى بشكل ملحوظ. حدّد التشكيلات بشكل صحيح في نحو 95% من إطارات الزمن وكشف الانتقالات التكتيكية بدرجة عالية من F1‑score، وهو مقياس متوازن للدقّة والاسترجاع. كانت هذه المكاسب قوية بشكل خاص للتشكيلات النادرة أو غير الاعتيادية وللحظات المعقّدة عندما يغيّر العديد من اللاعبين مواقعهم في آن واحد. وبشكل مهم، بعد التدريب، يمكن للنموذج أن يعمل بسرعة كافية على بطاقة رسومية قياسية لمواكبة اللعب الحي، محللًا أكثر من عشرين إطارًا من بيانات التتبُّع في الثانية.

من أداة مخبرية إلى مساعد على المقعد الجانبي

بالنسبة للقارئ العادي، الخلاصة هي أن هذا العمل يحوّل الفكرة الضبابية عن «الشكل» إلى شيء يمكن للكمبيوتر تتبعه في الوقت الحقيقي. من خلال الجمع بين رؤية شبكية لكيفية علاقة اللاعبين ببعضهم، ورؤية متعددة المقاييس لكيفية تطور التكتيكات عبر الزمن، ومفهوم مرن لأدوار اللاعبين، يستطيع النظام رصد ليس فقط أي تشكيلة يستخدمها الفريق، بل أيضًا متى تبدأ تلك التشكيلة في التغير. وبينما تركز الدراسة على بيانات تتبُّع من المستوى النخبوي ومعدات محددة، فإن المنهج يفتح الطريق أمام أدوات مستقبلية يمكن أن تدعم المدربين والمحللين وحتى المعلّقين — مقدمة رؤى حيّة وموضوعية للقصة التكتيكية الخفية التي تجري تحت سطح كل مباراة.

الاستشهاد: Wang, Y., ShangGuan, Q., Chen, G. et al. Deep learning for dynamic tactical formation recognition in professional football. Sci Rep 16, 13846 (2026). https://doi.org/10.1038/s41598-026-41383-9

الكلمات المفتاحية: تكتيكات كرة القدم, تحليل التشكيلات, تحليلات رياضية, التعلّم العميق, بيانات تتبُّع اللاعبين