Прогноз позиции на поле по показателям эффективности и антропометрии у юных футболистов: подход машинного обучения

Почему важно правильно выбрать место на поле

Для любого подростка, мечтающего о профессиональной карьере в футболе, выбор позиции, которая лучше всего соответствует телосложению и навыкам, может иметь решающее значение. Тренеры обычно опираются на опыт и инстинкт при решении, кто будет играть в защите, полузащите или нападении. В этом исследовании рассматривают, могут ли данные и компьютерные алгоритмы добавить объективности к этим решениям, используя измеримые показатели — такие как рост, вес и навыки обращения с мячом — чтобы предсказать, на какой позиции молодой игрок с наибольшей вероятностью добьется успеха.

От базовых антропометрических данных к футбольным навыкам

Исследователи работали с 200 юными футболистами-мужчинами в возрасте 15–17 лет из клубов Казахстана. Каждый игрок уже имел основную позицию — защитник, полузащитник или нападающий — определённую его тренером. Учёные измеряли простые характеристики тела, такие как возраст, рост, вес и индекс массы тела (ИМТ), а также футбольно-специфические навыки: жонглирование мячом головой и ногами, маневрирование между конусами с ведением, спринт с ведением на 20 метров и удары по отмеченным целям в воротах. Эти тесты были выбраны потому, что отражают повседневные действия на поле — контроль мяча, быстрое движение с ним и завершение атак.

Выявление закономерностей между позициями

Сначала команда использовала стандартные статистические тесты, чтобы посмотреть, чем защитники, полузащитники и нападающие отличаются в среднем. Они обнаружили значимые различия в нескольких показателях. Полузащитники склонны были быть немного старше защитников. Нападающие в целом были выше ростом и имели меньший ИМТ по сравнению с защитниками и полузащитниками, что указывает на более стройное телосложение. Нападающие также лучше жонглировали мячом головой и проходили тест на дриблинг между конусами быстрее, чем защитники. Удивительно, но явных различий в базовом весе, жонглировании ногами, результатах пробития по цели или простом времени дриблинга на 20 метров между позициями не выявилось, что намекает на то, что некоторые навыки развиваются схожим образом независимо от игровой линии молодого игрока.

Даем машинам угадывать роль каждого игрока

Далее исследователи обратились к машинному обучению — компьютерным программам, которые изучают закономерности в данных. Они загрузили все измерения тела и навыков в несколько алгоритмов и попросили их предсказать позицию каждого игрока. После обучения на большей части данных и тестирования на оставшейся части, один метод, называемый метод опорных векторов (Support Vector Machines), выделился. Он предсказывал правильную позицию для 86% игроков в целом. Модель оказалась особенно точной для нападающих, корректно определив всех нападающих в тестовой выборке. С небольшим отставанием шли защитники и полузащитники, которых иногда путали друг с другом, что отражает их пересекающиеся физические и технические профили в этой возрастной группе.

Какие способности имели наибольшее значение

Чтобы понять, что влияло на решения модели, команда проверила, насколько падает точность при случайном перемешивании каждого показателя. Наибольший урон наносили показатели, связанные со скоростью с мячом и завершением: время дриблинга на 20 метров, результат по ударам по воротам, вес тела и общий тест на дриблинг оказались самыми влиятельными. В отличие от этого, жонглирование мячом — например многократные касания головой или комбинация касаний головой и ногами — имело гораздо меньшее значение для предсказания позиции. Это говорит о том, что по крайней мере для этих подростков практические навыки, похожие на игровые ситуации, такие как спринт с мячом и точные удары, несут больше информации о позиции, чем эффектные упражнения по контролю мяча.

Что это означает для юных игроков и тренеров

Для родителей, игроков и тренеров исследование показывает, что относительно простые тесты могут дать полезные сигналы о том, где подросток может лучше всего подойти на поле, а машинное обучение может превратить эти сигналы в довольно точные предсказания позиции. Однако перекрытие между защитниками и полузащитниками и тот факт, что многие способности все еще развиваются в возрасте 15–17 лет, означает, что числовые данные должны дополнять, а не заменять взгляд тренера и предпочтения игрока. Главный вывод в том, что инструменты, основанные на данных, могут помочь направлять ранний выбор позиции — особенно для явно отличающихся ролей, таких как нападающий — но они работают лучше в сочетании с более широкими оценками игрового мышления, принятия решений и тактического понимания.

Цитирование: 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

Ключевые слова: юношеский футбол, игровая позиция, машинное обучение, тестирование производительности, идентификация талантов