Leakage-aware pre-match prediction of professional volleyball outcomes: temporal validation of machine-learning models against an Elo baseline
تُظهر هذه الدراسة أنه في حين يمكن لنماذج تعلم الآلة التنبؤ بنتائج الكرة الطائرة للمحترفين بشكل متوسط عند اختبارها بصرامة ضد تسرب البيانات والقيود الزمنية، فإن خط الأساس البسيط لتصنيف "إيلو" (Elo rating) يظل تنافسيًا للغاية، مما يشير إلى أن الخوارزميات المعقدة تقدم قيمة إضافية محدودة لدعم اتخاذ القرار قبل المباراة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
إن التنبؤ بنتيجة مباراة رياضية احترافية هو مهمة تمزج بين الحدس والبيانات الصلبة. في عالم الكرة الطائرة التنافسية، يتم تحليل الفرق باستمرار للوقوف على نقاط قوتها في الإرسال، والهجوم، وحائط الصد. ولعقود من الزمن، بحث الباحثون في الإحصائيات التي تُجمع بعد انتهاء المباراة لفهم سبب فوز فريق وخسارة آخر. ومع ذلك، هناك فرق جوهري بين تفسير نتيجة ما بعد وقوعها وبين التنبؤ بها قبل إرسال الكرة الأولى. فإحصائية مثل عدد النقاط المسجلة في مباراة هي وصف مثالي لما حدث، لكن لا يمكن استخدامها للتنبؤ بما سيحدث، لأنها لا توجد إلا بعد انتهاء المباراة. ويتطلب التنبؤ الحقيقي استخدام المعلومات المتاحة فقط قبل بدء المباراة مباشرة، مثل أداء الفريق السابق، ومستواه الأخير، وعدد الأيام التي حصل فيها على الراحة. هذا التمييز حيوي لأي شخص يحاول بناء نموذج موثوق لتخمين المستقبل، حيث إن استخدام بيانات لا ينبغي أن تكون متاحة بعد يخلق شعوراً زائفاً بالدقة.
تناول دراسة حديثة أجراها شياوبينغ لي من جامعة تشنغدو الرياضية هذا التحدي من خلال فحص مباريات الكرة الطائرة الاحترافية في الدوري الأعلى في بولندا، المعروف باسم "بلس ليغا" (PlusLiga). كان الهدف هو معرفة مدى قدرة نماذج تعلم الآلة على التنبؤ بفائزي المباريات عند منعها بصرامة من استخدام أي معلومات لن تكون معروفة قبل بدء المباراة. عمل الباحث مع مجموعة بيانات عامة تحتوي على آلاف سجلات المباريات، لكن الخطوة الأولى لم تكن بناء برنامج حاسوبي، بل تنظيف البيانات. فبعد فحص دقيق، تبين أن السجلات من السنوات الأولى في مجموعة البيانات احتوت على أرقام مستحيلة، مثل تسجيل فريق لعدد من "الإرسالات الساحقة" (إرسالات مثالية لا يستطيع الخصم ردها) أكثر من إجمالي محاولات الإرسال. ولأن هذه الأخطاء لم يكن من الممكن إصلاحها دون التخمين للقواعد الأصلية لجمع البيانات، اتخذ الباحث قراراً صعباً باستبعاد أكثر من ألفي سجل من هذه السجلات القديمة. واعتمد التحليل النهائي على 628 مباراة من مواسم 2020/21 إلى 2022/23، وهي فترة كانت فيها البيانات نظيفة وموثوقة.
لاختبار القدرة التنبؤية للطرق المختلفة، قام الباحث بتقسيم هذه البيانات النظيفة إلى مجموعتين. استُخدمت المجموعة الأولى، التي تغطي موسمي 2020/21 و2021/22، لتدريب نماذج حاسوبية متنوعة. أما المجموعة الثانية، المكونة من مباريات موسم 2022/23، فقد تم إخفاؤها تماماً حتى النهاية. يحاكي هذا النهج الواقع: يتعلم النموذج من الماضي ثم يُختبر على المستقبل ليرى ما إذا كان يعمل حقاً. قارنت الدراسة خمسة أنواع مختلفة من خوارزميات تعلم الآلة، تتراوح من الطرق الإحصائية البسيطة إلى الشبكات العصبية المعقدة، مقابل معيارين أساسيين. كان أحد المعايير هو مجرد التخمين بناءً على عدد مرات فوز الفرق في الماضي، بينما استخدم المعيار الآخر نظام تصنيف "إيلو" (Elo)، وهو طريقة شفافة تُحدث درجة قوة الفريق بعد كل مباراة بناءً على من هزموه وكيف.
أظهرت النتائج أن التنبؤ بالكرة الطائرة الاحترافية أمر ممكن، لكنه بعيد عن الكمال. كان النموذج الأكثر نجاحاً هو طريقة إحصائية مباشرة تسمى "الانحدار اللوجستي"، والتي تنبأت بالفائز بشكل صحيح بنسبة 72 في المائة في البيانات المستقبلية غير المرئية. كانت هذه نتيجة جيدة، لكنها لم تكن طفرة نوعية. وفي الواقع، فإن نظام تصنيف "إيلو" البسيط، الذي نظر فقط إلى الفرق في قوة الفريق دون أي حسابات معقدة، أدى أداءً مقارباً تقريباً، حيث أصاب في توقع الفائز بنسبة 70 في المائة تقريباً. ولم تقدم نماذج تعلم الآلة الأكثر تعقيداً، بما في ذلك تلك المصممة لإيجاد أنماط معقدة في البيانات، ميزة كبيرة عن الطرق الأبسط. وفي بعض الحالات، كانت النماذج المعقدة أقل استقراراً، حيث قدمت أداءً جيداً أثناء التدريب لكنها فشلت في الحفاظ على هذا النجاح عند مواجهة مباريات جديدة.
كشفت نظرة أعمق لما كانت تستخدمه النماذج فعلياً لاتخاذ قراراتها عن حقيقة مفاجئة. كان العامل الأكثر أهمية على الإطلاق هو الفرق في تصنيفات "إيلو" للفرق. وبينما كان لدى النماذج إمكانية الوصول إلى أربعة عشر إحصائية مختلفة حول المستوى الأخير للفريق، مثل دقة الإرسال أو عدد النقاط التي سجلها في آخر خمس مباريات له، إلا أن هذه التفاصيل لم تضف سوى قيمة ضئيلة جداً. لقد اعتمدت النماذج الحاسوبية أساساً على الحقيقة البسيطة المتمثلة في أن الفريق الأقوى هو الأكثر عرضة للفوز، ولم تغير البيانات التقنية الإضافية من ذلك التنبؤ كثيراً. وهذا يشير إلى أن المعلومات الواردة في تاريخ المباريات الأخير للفريق مدرجة بالفعل إلى حد كبير في تصنيف قوته العام. كما وجدت الدراسة أن النماذج كانت جيدة في ترتيب احتمالية الفوز، لكنها لم تكن مثالية؛ إذ كان لا يزال هناك قدر كبير من عدم اليقين في كل تنبؤ.
تخلص الدراسة إلى أنه بينما يمكن التنبؤ بنتائج الكرة الطائرة الاحترافية بنجاح متوسط، فإن الطريق للقيام بذلك يتطلب انضباطاً صارماً بشأن المعلومات المسموح بها. وتجادل الدراسة صراحة ضد فكرة أن خوارزميات الحاسوب الأكثر تعقيداً هي بالضرورة أفضل لهذه المهمة. وبدلاً من ذلك، تظهر أن مقياساً واضحاً وشفافاً لقوة الفريق هو غالباً الأداة الأكثر قوة المتاحة. وتدعم النتائج استخدام هذه النماذج كأداة مساعدة حذرة للتحليل قبل المباراة، ربما لمساعدة الكشافين أو المشجعين على فهم صعوبة المواجهة المحتملة. ومع ذلك، تحذر الدراسة من استخدام هذه النماذج في القرارات المباشرة أثناء المباراة أو لتقديم نصائح تدريبية محددة، لأنها لا تستطيع مراعاة التغييرات الديناميكية التي تحدث أثناء المباراة. علاوة على ذلك، فإن النتائج خاصة بهذا الدوري الواحد ولا يمكن افتراض أنها ستعمل للرياضات الأخرى أو مستويات المنافسة المختلفة دون مزيد من الاختبار. ويعمل هذا العمل كتذكير بأنه في التنبؤ الرياضي، معرفة ما لا تعرفه لا تقل أهمية عن التنبؤ نفسه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.