若年サッカー選手におけるパフォーマンスと人類学的指標からのポジション予測：機械学習アプローチ

なぜピッチ上の適切なポジション選びが重要なのか

プロ選手を夢見るティーンにとって、自分の体格や技術に最も合うポジションを見つけることは大きな差を生みます。コーチは通常、経験と直感に基づいて守備、ミッドフィールド、攻撃のどこに置くか判断します。本研究は、身長や体重、ボール技術などの測定可能な特性を用いて、データとコンピュータアルゴリズムがそうした判断に客観的な層を加えられるかを問いかけます。

基本的な身体データからボールスキルまで

研究者らはカザフスタンのクラブに所属する15〜17歳の男子ユースサッカー選手200名を対象に調査を行いました。各選手は既にコーチによって主な所属ポジション（ディフェンダー、ミッドフィールダー、フォワード）に割り当てられていました。研究チームは年齢、身長、体重、体格指数（BMI）といった単純な身体指標に加え、ヘディングや足でのリフティング、コーンを使ったドリブルの機動性、20メートルのスプリントドリブル、ゴールに設けたマークを狙うシュート精度など、サッカー特有の技能を計測しました。これらのテストは、ピッチでの日常的な動作—ボールコントロール、ボールを持って素早く移動する能力、攻撃を決める技術—を反映するために選ばれています。

ポジション間のパターンを見つける

まずチームは標準的な統計検定を用いて、ディフェンダー、ミッドフィールダー、フォワードが平均的にどう異なるかを調べました。いくつかの領域で有意な差が見られました。ミッドフィールダーはディフェンダーよりやや年齢が高い傾向がありました。フォワードは一般に身長が高く、BMIがディフェンダーやミッドフィールダーより低めで、よりスリムな体型を示唆していました。フォワードはまたヘディングでのリフティングが上手く、コーンドリブルのタイムもディフェンダーより速い傾向がありました。意外なことに、基本的な体重、足でのリフティング、シュートスコア、あるいは単純な20メートルドリブルタイムにはポジションごとの明確な差は見られず、いくつかの技能はポジションにかかわらず似たように発達している可能性を示唆しています。

機械に各選手の役割を推測させる

次に研究者らは機械学習—データからパターンを学習するコンピュータプログラム—に取り組みました。彼らはすべての身体的・技能的測定値を複数のアルゴリズムに与え、各選手のポジションを予測させました。データの大部分で学習させ、残りでテストしたところ、Support Vector Machines（サポートベクターマシン）と呼ばれる手法が際立ちました。これにより全体で86%の選手の正しいポジションが予測されました。モデルは特にフォワードの予測で高精度で、テストデータにおける全フォワードを正しく分類しました。一方でディフェンダーとミッドフィールダーは時に互いに混同されることがあり、この年齢層では両者の身体的・技術的プロフィールに重なりがあることを反映しています。

どの能力が最も重要だったか

モデルの判断要因を理解するために、チームは各測定値をランダム化したときに精度がどれだけ低下するかを試しました。最も影響が大きかったのは、ボールを扱う速度やフィニッシュに関するパフォーマンスでした：20メートルドリブルタイム、シュートスコア、体重、一般的なドリブルテストが最も重要な要素でした。対照的に、ヘディングや足でのリフティングのようなジャグリングは、ポジション予測に対する影響がはるかに小さかったです。これは少なくともこの年代の選手においては、ボールを持って全速力で走る能力や正確なシュートといった実戦に近いスキルが、見せ場のあるコントロール練習よりもポジション情報を多く含んでいることを示唆します。

若手選手とコーチにとっての意味

保護者、選手、コーチにとって、本研究は比較的単純なテストがティーンにとってどのポジションが適しているかについて有用な手がかりを与え得ること、そして機械学習がそれらの手がかりをかなり正確なポジション予測へと変換できることを示しています。しかし、ディフェンダーとミッドフィールダー間の重なりや、15〜17歳という年齢では多くの能力がまだ発達途上にあるという事実は、数値がコーチの目や選手の好みを置き換えるべきではないことを意味します。主な結論は、データ駆動のツールは特にフォワードのように明確に差が出る役割には早期のポジション選びを導く助けになり得ますが、ゲームセンス、意思決定、戦術理解といったより広い評価と組み合わせることで最も効果を発揮する、ということです。

引用: 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

キーワード: ユースサッカー, 所属ポジション, 機械学習, パフォーマンステスト, タレント識別