Predykcja pozycji na podstawie wskaźników wydolności i antropometrycznych u młodych piłkarzy: podejście uczenia maszynowego

Dlaczego wybór odpowiedniego miejsca na boisku ma znaczenie

Dla każdego nastolatka marzącego o profesjonalnej karierze piłkarskiej znalezienie pozycji najlepiej dopasowanej do sylwetki i umiejętności może być kluczowe. Trenerzy zwykle opierają decyzje o obsadzie obrony, pomocy czy ataku na doświadczeniu i instynkcie. W tym badaniu sprawdzono, czy dane i algorytmy komputerowe mogą dodać do tych wyborów obiektywną warstwę, wykorzystując mierzalne cechy — takie jak wzrost, waga i umiejętności piłkarskie — do przewidywania, na jakiej pozycji młody zawodnik ma największe szanse odniesienia sukcesu.

Od podstawowych danych antropometrycznych do umiejętności z piłką

Naukowcy pracowali z 200 chłopcami w wieku 15–17 lat z klubów w Kazachstanie. Każdy zawodnik miał już przez trenera przypisaną główną pozycję — obrońca, pomocnik lub napastnik. Badacze zmierzyli proste cechy ciała, takie jak wiek, wzrost, waga i wskaźnik masy ciała (BMI), a także specyficzne umiejętności piłkarskie: podbijanie piłki głową i nogami, slalom między pachołkami z prowadzeniem piłki, sprint z piłką na 20 metrów oraz strzały w oznaczone cele w bramce. Testy te wybrano, ponieważ odzwierciedlają codzienne czynności na boisku — kontrolę piłki, szybkie poruszanie się z nią i wykańczanie akcji.

Wykrywanie wzorców między pozycjami

Początkowo zespół zastosował standardowe testy statystyczne, aby sprawdzić, jak średnio różnią się od siebie obrońcy, pomocnicy i napastnicy. Stwierdzono istotne różnice w kilku obszarach. Pomocnicy mieli tendencję do bycia nieco starszymi niż obrońcy. Napastnicy byli zazwyczaj wyżsi i mieli niższe BMI niż obrońcy i pomocnicy, co sugeruje bardziej szczupłą sylwetkę. Napastnicy lepiej radzili sobie też z podbijaniem piłki głową i ukończyli test slalomu z piłką szybciej niż obrońcy. Co ciekawe, nie zaobserwowano wyraźnych różnic pod względem podstawowej wagi, podbijania piłki stopą, wyników strzałów ani prostego czasu na 20 metrów z piłką, co wskazuje, że niektóre umiejętności mogą rozwijać się podobnie niezależnie od pozycji młodego zawodnika.

Pozwolić maszynom zgadywać rolę zawodnika

Następnie badacze zwrócili się ku uczeniu maszynowemu — programom komputerowym uczącym się wzorców z danych. Wprowadzili wszystkie pomiary ciała i umiejętności do kilku algorytmów i poprosili je o przewidzenie pozycji każdego zawodnika. Po treningu na większości danych i testowaniu na pozostałej części jedna metoda, zwana maszynami wektorów nośnych (Support Vector Machines), wyróżniła się. Przewidziała prawidłową pozycję dla 86% zawodników ogółem. Model był szczególnie trafny dla napastników, poprawnie identyfikując każdego napastnika w danych testowych. Nieco gorzej wypadł dla obrońców i pomocników, którzy bywali czasem myleni ze sobą, co odzwierciedla nakładające się profile fizyczne i techniczne w tej grupie wiekowej.

Które zdolności miały największe znaczenie

Aby zrozumieć, co wpływało na decyzje modelu, zespół sprawdził, o ile spada dokładność, gdy poszczególne mierzone cechy są losowo przetasowane. Największe spadki dotyczyły wyników związanych z szybkością z piłką i wykończeniem akcji: czas na 20 metrów z piłką, wynik strzałów, waga ciała oraz ogólny test dryblingu były najbardziej wpływowe. W przeciwieństwie do tego, podbijanie piłki — na przykład wielokrotne odbicia głową lub mieszane dotknięcia głową i stopą — miało znacznie mniejsze znaczenie przy przewidywaniu pozycji. Sugeruje to, że przynajmniej u tych nastolatków praktyczne umiejętności przypominające sytuacje meczowe, takie jak sprint z piłką i precyzyjne strzały, niosą ze sobą więcej informacji pozycyjnej niż efektowne ćwiczenia kontroli piłki.

Co to znaczy dla młodych zawodników i trenerów

Dla rodziców, zawodników i trenerów badanie pokazuje, że stosunkowo proste testy mogą dostarczyć użytecznych sygnałów o tym, gdzie nastolatek może najlepiej pasować na boisku, a uczenie maszynowe może przekształcić te sygnały w stosunkowo dokładne przewidywania pozycji. Jednak nakładanie się cech między obrońcami i pomocnikami oraz fakt, że wiele umiejętności nadal rozwija się w wieku 15–17 lat, oznaczają, że liczby powinny uzupełniać, a nie zastępować oko trenera i preferencje zawodnika. Główny wniosek jest taki, że narzędzia oparte na danych mogą pomóc w kierowaniu wczesnymi wyborami pozycyjnymi — szczególnie w przypadku wyraźnie odrębnych ról, takich jak napastnik — lecz działają najlepiej w połączeniu z szerszą oceną wyczucia gry, podejmowania decyzji i zrozumienia taktyki.

Cytowanie: 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

Słowa kluczowe: piłka nożna młodzieżowa, pozycja na boisku, uczenie maszynowe, testy sprawnościowe, identyfikacja talentów