Positievoorspelling op basis van prestatie- en antropometrische indicatoren bij jonge voetballers: een machine learning-benadering

Waarom het kiezen van de juiste plek op het veld ertoe doet

Voor iedere tiener die droomt van een profcarrière in het voetbal kan het vinden van de positie die het beste past bij zijn lichaam en vaardigheden een groot verschil maken. Trainers vertrouwen meestal op ervaring en intuïtie om te beslissen wie in de verdediging, het middenveld of de aanval speelt. Deze studie onderzoekt of data en computeralgoritmen een objectieve laag aan die keuzes kunnen toevoegen door meetbare eigenschappen—zoals lengte, gewicht en balvaardigheden—te gebruiken om te voorspellen waar een jonge speler het waarschijnlijkst zal slagen.

Van basale lichaamsgegevens tot balvaardigheden

De onderzoekers werkten met 200 mannelijke jeugdvoetballers van 15 tot 17 jaar uit clubs in Kazachstan. Elke speler had van zijn trainer al een hoofdpositie toegewezen gekregen—verdediger, middenvelder of aanvaller. De wetenschappers maten eenvoudige lichaamskenmerken zoals leeftijd, lengte, gewicht en body mass index (BMI), naast voetbal-specifieke vaardigheden: jongleren met het hoofd en de voeten, slalom lopen tussen pionnen met de bal, sprint-dribbelen over 20 meter en schieten op gemarkeerde doelen in het doel. Deze tests werden gekozen omdat ze alledaagse acties op het veld weerspiegelen—balcontrole, snel bewegen met de bal en het afronden van aanvallen.

Patronen herkennen tussen posities

Eerst gebruikte het team standaard statistische tests om te zien hoe verdedigers, middenvelders en aanvallers gemiddeld verschilden. Ze vonden betekenisvolle verschillen op meerdere terreinen. Middenvelders leken iets ouder dan verdedigers. Aanvallers waren over het algemeen langer en hadden een lagere BMI dan zowel verdedigers als middenvelders, wat wijst op een slankere bouw. Aanvallers jongleerden ook effectiever met het hoofd en voltooiden de piondribbeltest sneller dan verdedigers. Verrassend genoeg waren er geen duidelijke verschillen in basisgewicht, voetjongleren, schietscores of de eenvoudige 20-meter dribbeltijd tussen de posities, wat suggereert dat sommige vaardigheden zich vergelijkbaar kunnen ontwikkelen ongeacht waar een jonge speler staat opgesteld.

De machines de rol van elke speler laten raden

Vervolgens wendden de onderzoekers zich tot machine learning—computerprogramma’s die patronen uit data leren. Ze voerden alle lichaams- en vaardigheidsmetingen in verschillende algoritmen en vroegen die om de positie van elke speler te voorspellen. Na training op het grootste deel van de data en testen op de rest, stak één methode met kop en schouders uit: Support Vector Machines. Deze voorspelde de correcte positie voor 86% van de spelers in totaal. Het model was bijzonder accuraat voor aanvallers en herkende in de testdata elke aanvaller correct. Het presteerde iets minder goed voor verdedigers en middenvelders, die soms met elkaar werden verward, wat de overlap in fysieke en technische profielen in deze leeftijdsgroep weerspiegelt.

Welke vaardigheden het meest telden

Om te begrijpen wat de beslissingen van het model aanstuurde, testte het team hoeveel de nauwkeurigheid daalde wanneer elke meting werd verstoord. De grootste gevolgen kwamen van prestaties gerelateerd aan snelheid met de bal en afronding: de 20-meter dribbeltijd, schietscore, lichaamsgewicht en de algemene dribbeltest waren het meest invloedrijk. Daarentegen speelde jongleren met de bal—bijvoorbeeld het herhaaldelijk op het hoofd tikken of het afwisselen van hoofd- en voetcontacten—veel minder een rol bij het voorspellen van de positie. Dit suggereert dat, althans voor deze tieners, praktische wedstrijdelementen zoals sprinten met de bal en nauwkeurig schieten meer positionele informatie bevatten dan opvallende balcontrole-oefeningen.

Wat dit betekent voor jonge spelers en trainers

Voor ouders, spelers en trainers laat de studie zien dat relatief eenvoudige tests nuttige signalen kunnen geven over waar een tiener het beste op het veld zou passen, en dat machine learning die signalen kan omzetten in redelijk nauwkeurige positvoorspellingen. De overlap tussen verdedigers en middenvelders, en het feit dat veel vaardigheden zich nog ontwikkelen op de leeftijd van 15 tot 17 jaar, betekent echter dat cijfers een trainersblik en de voorkeuren van een speler moeten aanvullen, niet vervangen. De belangrijkste conclusie is dat data-gedreven hulpmiddelen kunnen helpen bij het begeleiden van vroege positiekeuzes—vooral voor duidelijk onderscheiden rollen zoals aanvaller—maar het beste werken in combinatie met bredere beoordelingen van spelinzicht, beslissingsvaardigheden en tactisch begrip.

Bronvermelding: 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

Trefwoorden: jeugdvoetbal, speelpositie, machine learning, prestatieonderzoek, talentherkenning