Positionsförutsägelse från prestations- och antropometriska indikatorer hos unga fotbollsspelare: en maskininlärningsmetod

Varför det är viktigt att välja rätt plats på planen

För varje tonåring som drömmer om en professionell fotbollskarriär kan det göra stor skillnad att hitta den position som bäst passar deras kropp och färdigheter. Tränare förlitar sig vanligen på erfarenhet och intuition för att avgöra vem som ska spela i försvar, mittfält eller anfall. Denna studie frågar om data och datoralgoritmer kan lägga till ett objektivt lager i de beslut som fattas genom att använda mätbara egenskaper — såsom längd, vikt och bollfärdigheter — för att förutsäga var en ung spelare troligen har bäst förutsättningar att lyckas.

Från grundläggande kroppsmått till bollfärdigheter

Forskningsteamet arbetade med 200 manliga ungdomsspelare i åldern 15 till 17 från klubbar i Kazakstan. Varje spelare hade redan en huvudposition — försvarare, mittfältare eller anfallare — bestämd av deras tränare. Forskarna mätte enkla kroppsegenskaper såsom ålder, längd, vikt och kroppsmassindex (BMI), tillsammans med fotbollsspecifika färdigheter: nick- och fotjonglering, slalom mellan koner med boll, sprintdribbling över 20 meter och skott mot markerade målområden. Dessa tester valdes eftersom de speglar vardagliga handlingar på planen — att kontrollera bollen, förflytta sig snabbt med den och avsluta anfall.

Att upptäcka mönster mellan positioner

Först använde teamet standardstatistiska tester för att se hur försvarare, mittfältare och anfallare i genomsnitt skiljde sig åt. De fann meningsfulla skillnader inom flera områden. Mittfältare tenderade att vara något äldre än försvarare. Anfallare var generellt sett längre och hade lägre BMI än både försvarare och mittfältare, vilket tyder på en smalare kroppsbyggnad. Anfallare jonglerade också bollen med huvudet mer effektivt och klarade kon-dribblingstestet snabbare än försvarare. Överraskande nog fanns inga tydliga skillnader i grundläggande vikt, jonglering med fötterna, skottpoäng eller den enkla 20-meters dribblingstiden mellan positionerna, vilket antyder att vissa färdigheter kan utvecklas likartat oavsett var en ung spelare linjerar upp sig.

Låta maskiner gissa varje spelares roll

Nästa steg var att vända sig till maskininlärning — datorprogram som lär sig mönster från data. Forskarna matade in alla kroppsoch färdighetsmätningar i flera algoritmer och bad dem förutsäga varje spelares position. Efter träning på större delen av datamaterialet och test på resten, stack en metod, kallad Support Vector Machines, ut. Den förutsade korrekt position för 86 % av spelarna totalt. Modellen var särskilt exakt för anfallare och identifierade samtliga anfallare korrekt i testdata. Den presterade något sämre för försvarare och mittfältare, som ibland förväxlades med varandra, vilket speglar deras överlappande fysiska och tekniska profiler i denna åldersgrupp.

Vilka förmågor som betydde mest

För att förstå vad som drev modellens beslut testade teamet hur mycket noggrannheten minskade när varje mätning slumpades. De största nedgångarna kom från prestationer relaterade till hastighet med bollen och avslut: 20-meters dribblingstid, skottpoäng, kroppsvikt och det allmänna dribblingstestet var mest inflytelserika. Däremot spelade jonglering — till exempel att upprepade gånger studsa bollen med huvudet eller växla mellan huvud- och fotberöringar — en mycket mindre roll för positionsförutsägelsen. Detta tyder på att, åtminstone för dessa tonåringar, praktiska matchliknande färdigheter såsom sprint med boll och precisa skott bär mer positionsrelevant information än pråliga kontrollövningar.

Vad detta betyder för unga spelare och tränare

För föräldrar, spelare och tränare visar studien att relativt enkla tester kan ge användbara signaler om var en tonåring kanske passar bäst på planen, och att maskininlärning kan omvandla dessa signaler till någorlunda exakta positionsförutsägelser. Överlappningen mellan försvarare och mittfältare, och det faktum att många förmågor fortfarande utvecklas i åldrarna 15 till 17, innebär dock att siffror bör komplettera, inte ersätta, en tränarens öga och spelarens egna preferenser. Huvudpoängen är att datadrivna verktyg kan hjälpa till att vägleda tidiga positionsval — särskilt för tydligt skilda roller som anfallare — men de fungerar bäst i kombination med bredare bedömningar av spelförståelse, beslutsfattande och taktisk insikt.

Citering: 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

Nyckelord: ungdomsfotboll, spelarposition, maskininlärning, prestationstestning, talangidentifiering