Genç futbolcularda performans ve antropometrik göstergelerle pozisyon tahmini: bir makine öğrenmesi yaklaşımı

Sahanın doğru noktasını seçmenin önemi

Profesyonel bir futbol kariyeri hayal eden her genç için, vücut yapısı ve yetenekleriyle en iyi uyum sağlayan pozisyonu bulmak büyük fark yaratabilir. Antrenörler genellikle savunma, orta saha veya hücumda kimlerin oynayacağına deneyim ve içgüdüyle karar verir. Bu çalışma ise, boy, kilo ve top becerileri gibi ölçülebilir özellikleri kullanarak bilgisayar algoritmalarının bu seçimlere nesnel bir katman ekleyip ekleyemeyeceğini sorguluyor.

Basit vücut verilerinden top becerilerine

Araştırmacılar Kazakistan’daki kulüplerden 15–17 yaş arasında 200 erkek genç futbolcu ile çalıştı. Her oyuncu, antrenörü tarafından zaten ana pozisyona —defans, orta saha veya forvet— atanmıştı. Bilim insanları yaş, boy, kilo ve vücut kitle indeksi (VKİ) gibi basit beden özelliklerinin yanı sıra futbola özgü becerileri de ölçtü: kafa ve ayakla top sektirme, top sürerek koniler arasından slalom, 20 metre sprint-top sürme ve kalede işaretli hedeflere şut çekme. Bu testler, top kontrolü, top ile hızlı hareket etme ve atakları bitirme gibi sahadaki günlük eylemleri yansıttığı için seçildi.

Pozisyonlar arasındaki desenleri tespit etmek

Önce ekip, savunmacılar, orta sahalar ve forvetlerin ortalamalarda nasıl farklılaştığını görmek için standart istatistiksel testler kullandı. Birkaç alanda anlamlı farklılıklar buldular. Orta sahalar genelde savunmacılardan biraz daha yaşlı olma eğilimindeydi. Forvetler hem savunmacılardan hem de orta sahalardan genelde daha uzun ve daha düşük VKİ’ye sahipti; bu da daha ince bir yapıya işaret ediyordu. Forvetler ayrıca kafayla top sektirme konusunda daha etkiliydi ve koni dribling testini savunmacılardan daha hızlı tamamladılar. İlginç olarak, temel kilo, ayakla top sektirme, şut puanları veya basit 20 metrelik top sürme süresinde pozisyonlara göre belirgin farklar yoktu; bu da bazı becerilerin genç yaşlarda hangi pozisyonda oynadığına bakılmaksızın benzer şekilde gelişebileceğini düşündürüyor.

Makinelerin her oyuncunun rolünü tahmin etmesine izin vermek

Ardından araştırmacılar makine öğrenmesine —verilerden desenler öğrenen bilgisayar programlarına— yöneldi. Tüm beden ve beceri ölçümlerini birkaç algoritmaya besleyip her oyuncunun pozisyonunu tahmin etmelerini istediler. Verilerin çoğunda eğitip kalanında test ettikten sonra Destek Vektör Makineleri (Support Vector Machines) adlı yöntemin öne çıktığı görüldü. Bu yöntem genel olarak oyuncuların doğru pozisyonunu %86 doğrulukla tahmin etti. Model özellikle forvetler için çok hassastı; test verilerinde tüm forvetleri doğru sınıflandırdı. Savunmacılar ve orta sahalar için performans biraz daha düşüktü; bazen birbirleriyle karıştılar; bu da bu yaş grubunda fiziksel ve teknik profillerinin örtüştüğünü yansıtıyor.

Hangi yetenekler daha önemliydi

Modelin kararlarını neyin yönlendirdiğini anlamak için ekip, her bir ölçüm karıştırıldığında doğrulukta ne kadar düşüş olduğunu test etti. En büyük etki topla hız ve bitiricilikle ilgili performanstan geldi: 20 metrelik top sürme süresi, şut puanı, vücut ağırlığı ve genel dribling testi en etkili olanlardı. Buna karşın, örneğin başla veya baş-ayak karışık top sektirme gibi top sektirme becerileri pozisyon tahmininde çok daha az önemliydi. Bu, en azından bu gençler için, topla sprint atma ve isabetli şut çekme gibi maç benzeri pratik becerilerin gösterişli kontrol çalışmasından daha fazla pozisyon bilgisi taşıdığını öneriyor.

Genç oyuncular ve antrenörler için çıkarımlar

Aileler, oyuncular ve antrenörler için çalışma, nispeten basit testlerin bir gencin sahada en iyi uyabileceği yeri gösteren faydalı sinyaller verebileceğini ve makine öğrenmesinin bu sinyalleri makul derecede doğru pozisyon tahminlerine dönüştürebileceğini gösteriyor. Ancak savunmacılar ile orta sahalar arasındaki örtüşme ve 15–17 yaşlarında birçok yeteneğin hâlâ gelişiyor olması, verilerin antrenörün gözü ve oyuncunun tercihleri yerine geçmemesi gerektiği anlamına geliyor. Ana çıkarım, veri odaklı araçların özellikle forvet gibi belirgin roller için erken pozisyon seçimlerini yönlendirmede yardımcı olabileceği; fakat en iyi sonuçların oyun zekası, karar verme ve taktik anlayış gibi daha geniş değerlendirmelerle birlikte elde edileceğidir.

Atıf: 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

Anahtar kelimeler: genç futbol, oyun pozisyonu, makine öğrenmesi, performans testi, yetenek belirleme