Positionsvorhersage aus Leistungs- und anthropometrischen Indikatoren bei jungen Fußballern: ein maschinelles Lernverfahren

Warum die richtige Position auf dem Platz wichtig ist

Für jeden Jugendlichen, der von einer Profikarriere im Fußball träumt, kann die Position, die am besten zu Körperbau und Fähigkeiten passt, einen großen Unterschied machen. Trainer verlassen sich meist auf Erfahrung und Intuition, um zu entscheiden, wer in der Abwehr, im Mittelfeld oder im Angriff spielt. Diese Studie fragt, ob Daten und Computeralgorithmen eine objektive Ebene zu diesen Entscheidungen hinzufügen können, indem sie messbare Merkmale — wie Größe, Gewicht und Ballfertigkeiten — nutzen, um vorherzusagen, wo ein junger Spieler am ehesten erfolgreich sein wird.

Von grundlegenden Körperdaten zu Ballfertigkeiten

Die Forschenden arbeiteten mit 200 männlichen Jugendfußballern im Alter von 15 bis 17 Jahren aus Vereinen in Kasachstan. Jeder Spieler hatte bereits eine Hauptposition — Verteidiger, Mittelfeldspieler oder Stürmer —, die ihm vom Trainer zugewiesen worden war. Die Wissenschaftler maßen einfache körperliche Merkmale wie Alter, Größe, Gewicht und Body-Mass-Index (BMI) sowie fußballspezifische Fertigkeiten: Kopf- und Fußjonglieren, Slalom um Hütchen beim Dribbeln, Sprint-Dribbling über 20 Meter und Schießen auf markierte Ziele im Tor. Diese Tests wurden ausgewählt, weil sie alltägliche Aktionen auf dem Platz widerspiegeln — Ballkontrolle, schnelles Vorwärtsbewegen mit dem Ball und das Abschließen von Angriffen.

Erkennen von Mustern zwischen den Positionen

Zunächst nutzte das Team standardmäßige statistische Tests, um zu untersuchen, wie sich Verteidiger, Mittelfeldspieler und Stürmer im Durchschnitt unterscheiden. Sie fanden in mehreren Bereichen aussagekräftige Unterschiede. Mittelfeldspieler waren tendenziell etwas älter als Verteidiger. Stürmer waren im Allgemeinen größer und hatten einen niedrigeren BMI als sowohl Verteidiger als auch Mittelfeldspieler, was auf eine schlankere Statur hindeutet. Stürmer jonglierten den Ball mit dem Kopf auch effektiver und absolvierten den Slalom-Dribbling-Test schneller als Verteidiger. Überraschenderweise gab es keine klaren Unterschiede beim einfachen Gewicht, Fußjonglieren, den Schussergebnissen oder der einfachen 20-Meter-Dribbling-Zeit zwischen den Positionen, was darauf hindeutet, dass sich einige Fähigkeiten unabhängig von der Position eines jungen Spielers ähnlich entwickeln können.

Die Maschinen die Rolle jedes Spielers raten lassen

Anschließend wandten sich die Forschenden dem maschinellen Lernen zu — Computerprogramme, die Muster aus Daten erlernen. Sie fütterten mehrere Algorithmen mit allen Körper- und Leistungsmaßen und baten sie, die Position jedes Spielers vorherzusagen. Nach dem Training an einem Großteil der Daten und dem Testen an den übrigen Daten stach eine Methode, genannt Support Vector Machines, hervor. Sie sagte die korrekte Position für 86 % der Spieler insgesamt vorher. Das Modell war besonders genau bei Stürmern und erkannte im Testdatensatz jeden Stürmer korrekt. Für Verteidiger und Mittelfeldspieler war die Genauigkeit etwas geringer, und diese beiden Positionen wurden manchmal miteinander verwechselt — ein Spiegelbild ihrer überlappenden physischen und technischen Profile in dieser Altersgruppe.

Welche Fähigkeiten am wichtigsten waren

Um zu verstehen, was die Entscheidungen des Modells beeinflusste, testete das Team, wie stark die Genauigkeit sank, wenn einzelne Messwerte durcheinandergebracht wurden. Die größten Einbußen ergaben sich bei leistungsbezogenen Fähigkeiten im Zusammenhang mit Geschwindigkeit am Ball und dem Abschluss: die 20‑Meter-Dribbling‑Zeit, Schusspunktzahl, Körpergewicht und der allgemeine Dribbling‑Test waren am einflussreichsten. Im Gegensatz dazu spielte Jonglieren — etwa wiederholtes Anspielen mit dem Kopf oder das Mischen von Kopf‑ und Fußkontakten — bei der Positionsvorhersage deutlich weniger Rolle. Dies deutet darauf hin, dass für diese Jugendlichen praktische, matchnahe Fertigkeiten wie Sprinten mit dem Ball und präzise Abschlüsse mehr Positionsinformation liefern als showartige Kontrollübungen.

Was das für junge Spieler und Trainer bedeutet

Für Eltern, Spieler und Trainer zeigt die Studie, dass relativ einfache Tests nützliche Hinweise darauf geben können, wo ein Jugendlicher am besten auf dem Platz passen könnte, und dass maschinelles Lernen diese Hinweise in einigermaßen genaue Positionsvorhersagen umwandeln kann. Die Überschneidung zwischen Verteidigern und Mittelfeldspielern und die Tatsache, dass viele Fähigkeiten im Alter von 15 bis 17 Jahren noch in Entwicklung sind, bedeuten jedoch, dass Zahlen das Auge des Trainers und die Präferenzen des Spielers ergänzen sollten, nicht ersetzen. Die wichtigste Erkenntnis ist, dass datengestützte Werkzeuge frühe Positionsentscheidungen unterstützen können — besonders bei klar unterscheidbaren Rollen wie dem Stürmer —, sie aber am besten funktionieren, wenn sie mit umfassenderen Bewertungen von Spielintelligenz, Entscheidungsfindung und taktischem Verständnis kombiniert werden.

Zitation: Izhanov, Z., Seisenbekov, Y., Marchibayeva, U. et al. Position prediction from performance and anthropometric indicators in young footballers: a machine learning approach. Sci Rep 16, 6766 (2026). https://doi.org/10.1038/s41598-026-37957-2

Schlüsselwörter: Jugendfußball, Spielposition, maschinelles Lernen, Leistungstests, Talentidentifikation