📊 statistics

New insights into Elo algorithm for practitioners and statisticians

تُوفّق هذه الورقة بين منظور الممارس القائم على الاستدلال المنطقي ومنظور الإحصائي القائم على أقصى قدر من الاحتمالية لخوارزمية "إيلو" عبر إثبات أن فصل نموذج التصنيف عن نموذج التنبؤ لمراعاة ضجيج التقدير يحقق أداءً فائقاً، ويكشف أن تصنيف الفيفا للرجال قد فشل إلى حد كبير في تحقيق التقارب.

المؤلفون الأصليون: Leszek Szczecinski

نُشر 2026-04-07

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Leszek Szczecinski

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح لورقة بحثية بعنوان "رؤى جديدة في خوارزمية إيلو (Elo)"، مترجمة إلى لغة بسيطة باستخدام تشبيهات من الحياة اليومية.

الصورة الكبيرة: طريقتان لرؤية الشيء نفسه

تخيل أنك تحاول ترتيب أفضل مقاهي القهوة في مدينتك. لديك طريقتان للقيام بذلك:

وجهة نظر الباريستا (الممارس): "إذا باع المتجر كوباً رائعاً، أعطيهم نقطة. إذا باعوا كوباً سيئاً، أخصم منهم نقطة. لا يهمني الرياضيات؛ أريد فقط قائمة توضح من هو الأفضل حالياً". هكذا تعمل خوارزمية إيلو (Elo) الشهيرة (المستخدمة في الشطرنج، وكرة القدم، وألعاب الفيديو) عادةً. إنها حلقة تغذية راجعة بسيطة.
وجهة نظر العالم (الإحصائي): "أنا بحاجة إلى نموذج رياضي. أفترض أن لكل مقهى درجة جودة 'حقيقية' خفية. عندما أرى نتيجة، أستخدم نظرية الاحتمالات لتخمين هذه الدرجة الخفية".

الفكرة الرئيسية للورقة:
لفترة طويلة، كان هذان الفريقان يتحدثان لغات مختلفة. تقول هذه الورقة: "مهلاً، أنتما في الواقع تفعلان الشيء نفسه!". ولكن، هناك عقبة. وجهة نظر العالم تكشف أن طريقة الباريستا البسيطة بها عيب خفي: الضجيج (Noise).

بسبب رؤيتنا لعدد قليل فقط من المباريات (أو مبيعات القهوة)، فإن تقديرنا لمهارة فريق ما يكون "ضوضائياً" (أي مهزوزاً بعض الشيء). إذا استخدمت هذا التقدير المهزوز للتنبؤ بالمستقبل، فستكون مخطئاً. توضح الورقة كيفية إصلاح ذلك من خلال الفصل (Decoupling) بين الأداة المستخدمة لـ ترتيب الفرق والأداة المستخدمة لـ التنبؤ بمبارياتهم المستقبلية.

شرح المفاهيم الأساسية عبر التشبيهات

1. درجة المهارة "الضوضائية" (Noisy Skill Score)

تخيل أنك تحاول تخمين وزن بطيخة.

الوزن الحقيقي: الوزن الفعلي والمثالي للبطيخة (المهارة الحقيقية).
قراءة الميزان: تضعها على ميزان رخيص ومتذبذب. القراءة تقفز وتتحرك قليلاً. هذه هي "المهارة المقدرة".

تجادل الورقة بأن معظم الناس يستخدمون قراءة الميزان لتخمين كم سيكون وزن البطيخة في المرة القادمة التي يزنونها فيها. ولكن لأن الميزان متذبذب (ضجيج)، فإن تخمينك سيكون خاطئاً.

الإصلاح: تحتاج إلى تعديل معادلة التنبؤ الخاصة بك لتأخذ في الاعتبار هذا التذبذب. أنت لا تغير الميزان (خوارزمية الترتيب)؛ بل تغير فقط كيفية تفسيرك للرقم الذي يعطيك إياه عند إجراء تنبؤ.

2. "المقياس" و"الخطوة" (K و s)

في نظام "إيلو"، هناك مقبضان تتحكم بهما:

الخطوة (K): مقدار تغيير درجة الفريق بعد المباراة.
- تشبيه: إذا رفعت هذا المقبض عالياً، فإن مباراة سيئة واحدة تجعل بطلاً يهبط إلى القاع فوراً. إنه سريع، لكنه متذبذب.
- تشبيه: إذا خفضت هذا المقبض، سيستغرق الأمر وقتاً طويلاً لظهور فريق جديد، لكن الترتيب سيكون مستقراً جداً.
المقياس (s): مدى كبر الأرقام.
- تشبيه: هل المباراة "الجيدة" تساوي 10 نقاط أم 100 نقطة؟ إنها مجرد وحدة قياس، مثل البوصة مقابل السنتيمتر.

رؤية الورقة:
إذا رفعت الخطوة (K) لجعل الترتيب يتحدث بشكل أسرع، فإنك تدخل المزيد من الضجيج (التذبذب). توفر الورقة معادلة تخبرك بالضبط مقدار "مد" أو "توسيع" نموذج التنبؤ الخاص بك لتعويض هذا التذبذب. إذا لم تفعل ذلك، فستعتقد أنك تعرف من سيفوز، لكنك في الواقع مجرد تخمن بناءً على بيانات مهزوزة.

3. "أفضلية الأرض" (HFA)

نعلم جميعاً أن اللعب على أرضك يبدو أسهل. في "إيلو"، نضيف مكافأة صغيرة لدرجة الفريق صاحب الأرض.

المشكلة: إذا كانت تقديرات المهارة لديك ضوضائية، فإن "مكافأة الأرض" هذه ستتشوه.
الإصلاح: توضح الورقة أنه عندما تتنبأ، يجب أن تستخدم "مكافأة أرض" أصغر من تلك التي استخدمتها لحساب الترتيب. الأمر يشبه إدراكك أنه بما أن ميزانك متذبذب، فلا ينبغي أن تثق في "الوزن الإضافي" لأفضلية الأرض بقدر ما كنت تعتقد.

4. مبدأ "الفصل" (Decoupling) - الجزء الأهم

هذا هو أكبر مساهمة للورقة.

الطريقة القديمة: "لقد استخدمت هذه الرياضيات لإنشاء الترتيب، لذا يجب أن أستخدم نفس الرياضيات تماماً للتنبؤ بالفائز".
الطريقة الجديدة: "أستخدم رياضيات 'إيلو' البسيطة لـ ترتيب الفرق (لأنها سريعة وسهلة). ولكن عندما أريد التنبؤ بالفائز، أستخدم نموذج رياضيات مختلفاً تم 'ضبطه' للتعامل مع الضجيج".

تشبيه:
تخيل أنك تقود سيارة بزجاج أمامي ضبابي قليلاً.

الترتيب: تنظر عبر الضباب لترى أين توجد السيارات الأخرى الآن. تستخدم عينيك (خوارزمية إيلو) لتضع قائمة بمن يتقدم.
التنبؤ: تريد تخمين أين ستكون تلك السيارات بعد 10 ثوانٍ. إذا استخدمت نفس منطق "العين الضبابية"، فستصطدم. بدلاً من ذلك، تستخدم نظام GPS (نموذج التنبؤ) الذي يعرف أن الزجاج ضبابي ويقوم بتعديل المسار وفقاً لذلك.

تثبت الورقة أن استخدام "الـ GPS" (النموذج المفصول) أكثر دقة بكثير من مجرد التحديق عبر الضباب.

5. ماذا عن التعادل؟ (النتائج متعددة المستويات)

في الشطرنج أو كرة القدم، يمكن أن تنتهي المباريات بالتعادل.

الطريقة القديمة: تعطي الفائز نقطة واحدة، والخاسر صفر، والتعادل 0.5.
رؤية الورقة: هذا يعمل بشكل جيد، لكنه مجرد تقريب. توضح الورقة أنه إذا عاملت المباراة على أنها تحتوي على 3 نتائج متميزة (فوز، تعادل، خسارة) باحتمالات محددة، فستحصل على نموذج أفضل.
النتيجة: حتى لو استخدمت قاعدة "0.5 للتعادل" البسيطة، توضح الورقة أنه لا يزال بإمكانك إصلاح تنبؤاتك عن طريق تعديل أرقام "المقياس" و"أفضلية الأرض" بناءً على البيانات الحقيقية.

6. اختبار الواقع من "فيفا" (FIFA)

اختبر المؤلفون هذا على 6 سنوات من تصنيفات "فيفا" (كرة القدم).

الصدمة: وجدوا أنه بالنسبة لمعظم المنتخبات الوطنية، لم تتقارب التصنيفات بعد.
الترجمة: بما أن العديد من الفرق تلعب مباريات قليلة جداً (خاصة الفرق الضعيفة)، فإن "درجات مهاراتها" لا تزال تتذبذب بعنف. لم يلعبوا مباريات كافية ليستقروا في ترتيب حقيقي.
التشخيص: تقدم الورقة طريقة للتحقق من ذلك. إذا كان "عامل التعديل" الخاص بك (المشار إليه بـ $\beta$ في النص) غريباً، فهذا يخبرك: "مهلاً، هذه الفرق لم تلعب مباريات كافية بعد؛ لا تثق في الترتيب كثيراً".

الملخص: ما الذي يجب أن تخرج به؟

"إيلو" رائعة، لكنها ضوضائية. قاعدة التحديث البسيطة تعمل جيداً للحفاظ على القائمة، لكنها ليست مثالية للتنبؤ بالمستقبل.
لا تستخدم نفس الرياضيات لكل شيء. استخدم "إيلو" البسيطة لـ القائمة، ولكن استخدم نسخة "مصححة" من الرياضيات لـ التنبؤات.
عدّل من أجل الضجيج. إذا كنت تحدث التصنيفات بسرعة (K مرتفع)، فأنت بحاجة إلى "مد" أو "توسيع" نموذج التنبؤ الخاص بك للتعويض عن عدم اليقين.
تحقق من التقارب. قبل أن تثق في ترتيب ما، اسأل: "هل لعبت هذه الفرق مباريات كافية لتستقر؟". إذا لم يكن الأمر كذلك، فإن الترتيب ليس سوى مجرد تخمين.

باختصار: تقدم الورقة للممارسين مجموعة أدوات للتوقف عن التخمين والبدء في قياس عدم اليقين في تصنيفاتهم، مما يجعل تنبؤاتهم أكثر دقة بكثير.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "رؤى جديدة في خوارزمية إيلو للممارسين والإحصائيين" للكاتب ليزيك شتشتشينسكي.

1. بيان المشكلة

تُعد خوارزمية تصنيف "إيلو" (Elo) المعيار الفعلي لتصنيف المتنافسين في الرياضات (الشطرنج، كرة القدم، إلخ)، ومع ذلك فهي تعاني من انفصال نظري جوهري في الأدبيات:

وجهة نظر الممارس: تتعامل مع "إيلو" كقاعدة تغذية راجعة استدلالية (heuristic) حيث يتم تحديث المهارات بناءً على الفجوة بين النتائج المرصودة والمتوقعة، دون تحديد نموذج احتمالي بالضرورة.
وجهة نظر الإحصائي: تفسر "إيلو" كتقدير أقصى احتمالية (ML) عبر الإنترنت عبر صعود التدرج العشوائي (SG)، مما يتطلب نموذجاً احتمالياً محدداً يربط المهارات بالنتائج.

الصراع الجوهري:

التكافؤ: لا تتطابق هاتان الرؤيتان تماماً إلا في النتائج الثنائية (فوز/خسارة) إذا كانت دالة النتيجة المتوقعة هي الدالة اللوجستية. بالنسبة للوظائف الأخرى (مثل دالة التوزيع التراكمي لغوسيان) أو النتائج متعددة المستويات (فوز/تعادل/خسارة)، فإن قاعدة التحديث الاستدلالية لا تتوافق بدقة مع مُقدّر أقصى احتمالية (ML).
ضجيج التقدير: غالباً ما يتجاهل الممارسون ضجيج التقدير. أما الإحصائيون فيدركون أن تقديرات المهارة ( $\theta_t$ ) هي تقريبات مشوبة بالضجيج للمهارات الحقيقية ( $\theta^*$ ). إن استخدام نفس معلمات النموذج لكل من التصنيف (تحديث المهارات) والتنبؤ (التنبؤ بالنتائج المستقبلية) يؤدي إلى أداء تنبؤي دون المستوى الأمثل لأن الضجيج في التقديرات يجب أخذه في الاعتبار.
التقارب: ليس من الواضح ما إذا كانت التصنيفات الواقعية (مثل تصنيف الفيفا) قد تقاربت بالفعل إلى قيم مستقرة، أم أنها لا تزال في حالة انتقالية بسبب قلة عدد المباريات.

2. المنهجية

تعمل الورقة على جسر هذه الرؤى من خلال معاملة خوارزمية "إيلو" كحل تقريبي لأقصى احتمالية (ML) وتقديم مبدأ فصل النماذج (Model Decoupling Principle).

أ. النتائج الثنائية ( $L=2$ )

اشتقاق التكافؤ: يثبت المؤلف أن قاعدة التحديث الخاصة بالممارس $\theta_{t+1} = \theta_t + K x_t (y_t - G(z_t))$ تتطابق مع تحديث ML+SG المتمثل في $\theta_{t+1} = \theta_t + \mu x_t \dot{\ell}(z_t)$ إذا وفقط إذا كانت دالة النتيجة المتوقعة $G(z)$ هي الدالة اللوجستية $L(z)$ .
تحليل الضجيج: تشتق الورقة التباين التقاربي ( $v$ ) لتقديرات المهارة كدالة لحجم الخطوة $K$ والمقياس $s$ : $v \approx sK/2$ .
تصحيح التنبؤ: نظرًا لأن المهارات المقدرة تحتوي على ضجيج ( $\theta_t = \theta^* + \xi$ $θ_{t} = θ^{*} + ξ$ )، فإن احتمال الفوز المستقبلي المحسوب باستخدام مهارات مشوبة بالضجيج يكون مشوهاً. يشتق المؤلف تصحيحاً ذا صيغة مغلقة لنموذج التنبؤ:
- المقياس الفعال ( $\hat{s}$ ): يجب زيادته ( $\hat{s} > s$ ) لمراعاة تباين خطأ التقدير.
- ميزة الأرض الفعالة ( $\hat{\eta}$ ): يجب تخفيفها ( $\hat{\eta} < \eta$ ).
  تسمح هذه التصحيحات لنموذج التنبؤ بهامش الخطأ فوق التقديرات، مما يعالج فعلياً ضجيج تقدير المهارة كمتغير عشوائي.

ب. النتائج متعددة المستويات ( $L > 2$ )

نموذج الفئات المتجاورة (AC): يحدد المؤلف أن قاعدة تحديث "إيلو" للنتائج متعددة المستويات تتوافق مع تحديث ML+SG لنموذج الفئات المتجاورة (AC) (وهو نوع من الانحدار اللوجستي متعدد الحدود).
التكافؤ التقريبي: خوارزمية "إيلو" القياسية (التي تستخدم دالة لوجستية بسيطة للنتائج المتوقعة) هي تقريب لنموذج AC. توفر الورقة عامل تحجيم ( $\beta_{AC \to L}$ ) لمواءمة النتيجة المتوقعة لنموذج AC مع الدالة اللوجستية القياسية.
استراتيجية الفصل: تقترح الورقة فصل نموذج التصنيف (الاستدلالي المستخدم لتحديث $\theta_t$ $θ_{t}$ ) عن نموذج التنبؤ (النموذج الاحتمالي المستخدم لتقييم $\theta_t$ $θ_{t}$ ).
- يقوم خوارزم الترتيب بتحديث المهارات باستخدام قاعدة ثابتة.
- يتعامل نموذج التنبؤ مع هذه المهارات كمدخلات ثابتة ويقوم بتحسين معلماته الخاصة ( $\hat{\alpha}, \hat{\eta}, \hat{\beta}$ ) للتنبؤ بالنتائج بشكل أفضل، مما يعني "تعلم" النموذج الضمني وراء تصنيف "إيلو".

ج. تشخيصات التقارب

تقدم الورقة مقياساً $\Lambda_m = N_m / \tau_m$ (عدد المباريات الملعوبة مقسوماً على ثابت زمن التقارب). إذا كان $\Lambda_m < 2$ ، فإن تصنيف الفريق لم يتقارب إحصائياً بعد.

3. المساهمات الرئيسية

إطار موحد: اشتقاق دقيق يوضح أن خوارزمية "إيلو" هي مُقدّر ML عبر الإنترنت فقط تحت ظروف محددة (الدالة اللوجستية)، وتقديم تفسير إحصائي لجميع الحالات الأخرى.
مبدأ فصل النماذج: الاقتراح بأن النموذج المستخدم لـ التصنيف (تحديث $\theta_t$ ) ليس بالضرورة هو نفسه النموذج المستخدم لـ التنبؤ (تقييم $\theta_t$ ). وهذا يسمح للممارسين باستخدام خوارزمية "إيلو" البسيطة للتحديثات مع استخدام نموذج مصحح إحصائياً للتنبؤات.
تصحيحات ذات صيغة مغلقة:
- صيغ لتعديل المقياس ( $\hat{s}$ ) وميزة الأرض ( $\hat{\eta}$ ) لمراعاة ضجيج التقدير.
- صيغ بسيطة تعتمد على البيانات (بناءً على ترددات النتائج) لتحديد معلمات نموذج AC الضمني دون الحاجة لعمليات تحسين معقدة.
تشخيص التقارب: طريقة لتحديد ما إذا كان نظام التصنيف قد تقارب، باستخدام العلاقة بين تكرار المباريات، وحجم الخطوة، ومعلمة المقياس.

4. النتائج

تتحقق الورقة من هذه الرؤى باستخدام بيانات اصطناعية وبيانات حقيقية لتصنيفات الرجال في الفيفا لمدة ست سنوات (2018–2024).

البيانات الاصطناعية:
- كسب التنبؤ: باستخدام النهج المفصول (تصحيح الضجيج وعدم تطابق النموذج)، يتفوق النهج المتبع بشكل كبير على النهج التقليدي (إعادة استخدام نموذج التصنيف للتنبؤ).
- أهمية المعلمات: عامل تعديل المقياس $\hat{\beta}$ هو العامل الأكثر أهمية، حيث يزداد مع زيادة ضجيج التقدير (حجم $K$ أكبر).
- البساطة: تلتقط التقديرات البسيطة ذات الصيغة المغلقة لمعلمات نموذج AC معظم مكاسب التنبؤ، مما يجعل التحسين الكامل غير ضروري في كثير من الحالات.
تطبيق الفيفا في العالم الحقيقي:
- نقص التقارب: يكشف تحليل تصنيف الفيفا أن الغالبية العظمى من المنتخبات الوطنية لم تتقارب بعد. بحلول عام 2024، لعب 80% من الفرق مباريات أقل مما هو مطلوب للوصول إلى ثابت زمن واحد ( $\tau$ )، و98% لم يصلوا إلى اثنين.
- الفائدة التشخيصية: عامل التحجيم المقدر $\hat{\beta}$ ينخفض إلى ما دون 1 عندما لا يكون النظام قد تقارب، مما يشير إلى أن فروق المهارة "مضغوطة" (صغيرة جداً) مقارنة بالحالة الحقيقية. يعمل هذا كأداة تشخيصية في الوقت الفعلي.
- الأداء: حقق نموذج التنبؤ المفصول (Decoupled) درجة لوغاريتمية (log-score) أقل بكثير (تنبؤ أفضل) من نموذج تصنيف الفيفا التقليدي.

5. الأهمية

للممارسين: توفر طريقة مبدئية لتحسين دقة التنبؤ لأنظمة "إيلو" الموجودة دون تغيير خوارزمية التصنيف نفسها. كما تقدم صيغاً بسيطة لتعديل الضجيج وميزة الأرض، وطريقة للكشف عما إذا كان التصنيف غير مستقر.
للإحصائيين: تقدم إطاراً مرناً لتحليل "إيلو" كمُقدّر ML تقريبي. وهي تحل الغموض حول "ما هو النموذج الذي يحسنه إيلو فعلياً؟" من خلال إظهار أنه يحسن نموذج AC ضمنياً، وتوفر أدوات لفصل عملية التقدير عن عملية التقييم.
الأثر العام: تتحدى الممارسة الشائعة باستخدام نفس النموذج والمعلمات لكل من تحديث التصنيفات والتنبؤ بالنتائج المستقبلية. وتثبت أن الاعتراف بضجيج التقدير وعدم تطابق النماذج أمر ضروري للتنبؤ الاحتمالي الدقيق في الرياضات.

باختصار، تجادل الورقة بأنه بينما تعد خوارزمية "إيلو" قوية لـ التصنيف، فإن مخرجاتها الخام هي تقدير مشوب بالضجيج. لاستخدامها في التنبؤ، يجب فصل النماذج وتطبيق تصحيحات إحصائية للضجيج وحالة التقارب.