חיזוי עמדה מתוך מדדי ביצוע ואנתרופומטריה בכדורגלאים צעירים: גישת למידת מכונה

מדוע בחירת המיקום הנכון במגרש חשובה

לכל נער החולם על קריירת כדורגל מקצוענית, מציאת העמדה המתאימה ביותר לגוף ולכישורים שלו יכולה לעשות הבדל גדול. מאמנים בדרך כלל מסתמכים על ניסיון ואינטואיציה כדי להחליט מי ישחק בהגנה, בקישור או בקו ההתקפה. המחקר הזה בוחן האם נתונים ואלגוריתמים ממוחשבים יכולים להוסיף שכבה אובייקטיבית להחלטות האלה על ידי שימוש בתכונות נמדדות — כגון גובה, משקל וכישורי כדור — כדי לחזות היכן לשחקן צעיר יש סיכוי להצליח.

מנתוני גוף בסיסיים לכישורי כדור

החוקרים עבדו עם 200 כדורגלנים צעירים גברים בגילאי 15 עד 17 ממועדונים בקזחסטן. לכל שחקן כבר הוקצתה עמדה ראשית — מגן, קשר או חלוץ — על ידי המאמן שלו. המדענים מדדו תכונות גוף פשוטות כמו גיל, גובה, משקל ואינדקס מסת גוף (BMI), לצד כישורים ספציפיים לכדורגל: ג'אגלינג עם הראש והרגליים, סלדינג בין חרוטים תוך כדי דריבל, ספרינט-דריבל על פני 20 מטרים וירי לעבר מטרות מסומנות במשחק. הבדיקות הללו נבחרו משום שהן משקפות פעולות יום-יומיות במגרש — שליטה בכדור, תנועה מהירה איתו וסיום מהלכים.

זיהוי דפוסים בין העמדות

קודם כל, הצוות השתמש בבדיקות סטטיסטיות סטנדרטיות כדי לראות כיצד מגן, קשר וחלוץ שונים בממוצע. הם מצאו הבדלים משמעותיים בכמה תחומים. קשרים נטו להיות מעט מבוגרים יותר מהגנים. חלוצים היו בדרך כלל גבוהים יותר ובעלי BMI נמוך יותר מאשר גם מגנים וגם קשרים, מה שמרמז על מבנה רזה יותר. חלוצים גם ביצעו ג'אגלינג עם הראש בצורה יעילה יותר והשלים את מבחן הדריבל בין החרוטים במהירות גבוהה יותר מהמגנים. במפתיע, לא נמצאו הבדלים ברורים במשקל הבסיסי, ג'אגלינג ברגל, ציוני הירי או בזמני הדריבל הפשוטים על 20 מטר בין העמדות, מה שמרמז שחלק מהכישורים עשויים להתפתח באופן דומה בלי תלות בעמדה שבה שחקן צעיר ממוקם.

להניח למכונות לנחש את תפקידו של כל שחקן

לאחר מכן פנו החוקרים ללמידת מכונה — תוכניות מחשב הלומדות דפוסים מתוך נתונים. הם הזינו את כל מדדי הגוף והכישורים למספר אלגוריתמים וביקשו מהם לחזות את עמדת השחקן. לאחר אימון על רוב הנתונים ובחינה על שארם, שיטה אחת שנקראת Support Vector Machines בלטה. היא חיזתה את העמדה הנכונה של 86% מהשחקנים בסך הכל. המודל היה מדויק במיוחד עבור חלוצים, וזיהה נכונה כל חלוץ בנתוני הבדיקה. הוא הציג דיוק מעט נמוך יותר עבור מגנים וקשרים, שלעיתים התבלבלו ביניהם — מה שמשקף את החפיפה בפרופילים הפיזיים והטכניים בגילאים אלה.

אילו יכולות היו חשובות ביותר

כדי להבין מה השפיע על החלטות המודל, הצוות בדק כמה הדיוק יורד כאשר כל מדידה הופרעה בנפרד. המכות הגדולות ביותר נגרמו מביצועים הקשורים למהירות עם הכדור וסיום: זמן הדריבל על 20 מטר, ציון הירי, משקל הגוף ומבחן הדריבל הכללי היו המשפיעים ביותר. לעומת זאת, ג'אגלינג — למשל הקפצת הכדור בראש או שילוב מגעי ראש ורגל — השפיע הרבה פחות על חיזוי העמדה. הדבר מרמז שבאותם נערים, כישורי משחק פרקטיים כמו ספרינט עם הכדור ויכולת ביצוע בעיטה מדויקת נושאים מידע עמדתי רב יותר מאשר תרגילי שליטה ראוותניים.

מה משמעות הדבר לשחקנים צעירים ומאמנים

להורים, לשחקנים ולמאמנים, המחקר מראה כי בדיקות פשוטות יחסית יכולות לספק רמזים שימושיים לגבי היכן נער עשוי להתאים ביותר במגרש, ושלמידת מכונה יכולה להמיר רמזים אלה בתחזיות עמדתיות מדויקות יחסית. עם זאת, החפיפה בין מגנים וקשרים, ועובדת היותן של יכולות רבות עדיין בתהליך התפתחות בגילאי 15–17, משמעותה שהנתונים צריכים להשלים ולא להחליף את עינו של המאמן ואת העדפות השחקן. המסקנה המרכזית היא שכלים מונחי נתונים יכולים לסייע בהכוונה לבחירות עמדתיות מוקדמות — במיוחד לתפקידים מובחנים בבירור כמו חלוץ — אך הם עובדים הכי טוב כשהם משולבים בהערכות רחבות יותר של חוש משחק, קבלת החלטות והבנה טקטית.

ציטוט: 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

מילות מפתח: כדורגל נוער, עמדת משחק, למידת מכונה, בדיקות ביצוע, זיהוי כישרון