🤖 machine learning

Faster Results from a Smarter Schedule: Reframing Collegiate Cross Country through Analysis of the National Running Club Database

Al analizar la Base de Datos del Club Nacional de Corredores, este estudio demuestra que los calendarios de campo traviesa universitario construidos sobre la intuición no logran predecir la mejora individual, mientras que las estrategias basadas en evidencia que priorizan la frecuencia de carreras del equipo y la profundidad de la plantilla mejoran significamente los resultados de clasificación nacional.

Autores originales: Jonathan A. Karr Jr, Ryan M. Fryer, Nitesh V. Chawla

Publicado 2026-08-12

📖 9 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jonathan A. Karr Jr, Ryan M. Fryer, Nitesh V. Chawla

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un entrenador tratando de construir un equipo deportivo ganador. Tienes una pila de datos: quién corrió rápido, quién corrió lento y cuándo corrió. Pero aquí está el truco: correr no es solo cuestión de velocidad bruta. Correr una carrera en una mañana de otoño fresca y despejada se siente diferente que correr la misma distancia en una tarde calurosa y húmeda. El terreno también importa; un recorrido con colinas es más difícil que uno plano. En el pasado, los entrenadores tenían que adivinar cómo programar su temporada. Dependían de "corazonadas" o tradiciones antiguas, como "siempre corremos cinco carreras porque eso fue lo que hicimos el año pasado". No tenían una biblioteca gigante y compartida de datos que les dijera si correr más carreras realmente hacía que sus atletas fueran más rápidos, o si el clima simplemente los estaba engañando para que pensaran que estaban mejorando.

Este artículo profundiza en un rincón específico de la ciencia del deporte llamado análisis de rendimiento basado en datos. Plantea una pregunta simple pero complicada: ¿Podemos observar los resultados pasados de un corredor para predecir si será más rápido esta temporada? Para hacer esto, los investigadores tuvieron que resolver un problema de "equidad". Utilizaron un truco matemático especial para "estandarizar" los tiempos de las carreras, eliminando los efectos del calor, la humedad y las colinas, de modo que el tiempo de un corredor en un día lluvioso pudiera compararse de manera justa con el tiempo de un día soleado. También analizaron la programación de equipos: ¿ayuda a un equipo a ganar campeonatos el hecho de que más atletas compitan más veces? La respuesta a estas preguntas es importante porque podría cambiar la forma en que los entrenadores planifican sus temporadas, pasando de las conjeturas a la toma de decisiones basadas en evidencia que podrían ayudar a más estudiantes a mantenerse saludables y mejorar sus habilidades.

El Gran Misterio del Calendario de Carreras

Imagina que eres el entrenador de un equipo de campo a través (cross-country). Tienes una gran pregunta: "¿Cuántas carreras deberían hacer mis corredores esta temporada para obtener los mejores resultados?". Durante años, los entrenadores han respondido a esto con intuición, tradición o una corazonada. Pero un equipo de investigadores decidió ponerse sus sombreros de detective y utilizar una base de datos masiva y nueva —la National Running Club Database (NRCD)— para ver si los números cuentan una historia diferente. Analizaron más de 23,000 resultados de carreras de 7,083 atletas entre 2023 y 2025, buscando patrones que pudieran ayudar a los entrenadores a crear calendarios más inteligentes.

El truco matemático "mágico": Estandarización de tiempos

Primero, los investigadores tuvieron que solucionar un problema importante: comparar manzanas con naranjas. Si un corredor corre una carrera en un día caluroso y luego corre la misma distancia en un día frío, es probable que sea más rápido en el día frío. Sin corregir esto, parecerá que el corredor mejoró su condición física, cuando en realidad el clima simplemente lo ayudó.

El equipo utilizó una fórmula de tiempo "Estandarizado". Piensa en ello como un videojuego que ajusta automáticamente el nivel de dificultad. Si corres en un curso difícil y con colinas bajo el calor, las matemáticas "suben de nivel" tu tiempo para que sea justo contra alguien que corre en un curso plano y fresco. Descubrieron que si los entrenadores solo miraran los tiempos brutos (que llaman tiempos "Solo Convertidos"), pensarían que los corredores mejoraron entre 15 y 21 segundos más de lo que realmente lo hicieron, simplemente porque el clima se volvió más fresco a medida que avanzaba la temporada. Los tiempos "Estandarizados" son los reales, mostrando las ganancias de condición física auténticas.

La gran sorpresa: Aún no puedes predecir el futuro

Los investigadores intentaron usar modelos computacionales potentes (aprendizaje automático o machine learning) para responder a su primera gran pregunta: ¿Podemos observar las primeras carreras de un corredor y predecir cuánto mejorará al final de la temporada?

Construyeron modelos para pronosticar la mejora individual, pero los resultados fueron un poco decepcionantes para los defensores de la "bola de cristal". Los modelos no lograron predecir quién mejoraría. La puntuación de precisión (llamada R²) era básicamente cero.

Para los hombres, el mejor modelo obtuvo un R² de 0.043.
Para las mujeres, fue de -0.029 (lo cual es peor que simplemente adivinar el promedio).

¿Qué significa esto? Significa que observar los primeros tiempos de carrera de un corredor no ayuda a adivinar su mejora futura. El estudio sugiere que esto no se debe a que las computadoras fueran malas, sino a que la "señal" es demasiado ruidosa. Es como intentar predecir exactamente cuánto crecerá una planta en una semana simplemente mirando su altura hoy; hay demasiados factores ocultos (como cuánta agua recibió, o si un insecto se comió una hoja) que los datos no capturan. Los investigadores calcularon que incluso con datos perfectos, lo máximo a lo que se podría aspirar es una precisión de aproximadamente 0.23 a 0.28, y los modelos ni siquiera alcanzaron eso. Así que, si eres un entrenador que espera elegir a su "gran mejorador" después de la primera carrera, los datos dicen: no apuestes por ello.

La estrategia de equipo: Un vínculo fuerte, pero no un hechizo mágico

Aunque no pudieron predecir la mejora individual, los investigadores encontraron un patrón muy claro a nivel de equipo. Aquí es donde la historia se vuelve emocionante.

Preguntaron: "¿Los equipos que compiten con más frecuencia terminan en posiciones más altas en los campeonatos nacionales?".
Los datos muestran una fuerte asociación: los equipos donde más atletas compitieron 4 o más veces tenían muchas más probabilidades de terminar entre los 15 mejores en los nacionales.

Los datos mostraron una relación de "dosis-respuesta": cuantas más carreras realizaba el equipo, mejor le iba al equipo.

Pero aquí está el giro: no se trataba solo de tener un súper atleta (un "caballo de batalla") que corriera cada carrera. El patrón parecía tratarse de la profundidad.

Los equipos que tenían muchos atletas (no solo los 7 mejores anotadores) obteniendo experiencia en carreras obtuvieron mejores resultados.
Introdujeron un concepto llamado Oportunidad de Carrera Efectiva (ERO). Piensa en esto como una "puntuación de energía del equipo". Mide no solo cuántas carreras corrió el equipo, sino qué tan uniformemente se distribuyeron las carreras entre todo el plantel.
Los equipos con un ERO alto (lo que significa que muchos corredores tuvieron la oportunidad de competir) tenían 2.7 veces más probabilidades de estar en el nivel superior en comparación con los equipos con un ERO bajo.

Sin embargo, los investigadores fueron muy cuidadosos al señalar que esto es una correlación, no un hechizo mágico. No pudieron probar que cambiar el calendario de un equipo automáticamente los hiciera ganar. Al observar de cerca, encontraron que la "profundidad" y "competir más" son a menudo efectos secundarios de tener un club más grande. Los programas más grandes naturalmente tienen más atletas y pueden permitirse competir con más frecuencia. Cuando los investigadores controlaron el tamaño del equipo, la señal de "profundidad" se desvaneció. Esto significa que los datos muestran que los programas más grandes y con más recursos tienden a competir más y a quedar mejor posicionados, pero no prueba que simplemente añadir más carreras al calendario de un equipo pequeño aumentará mágicamente su clasificación. El vínculo es real, pero está ligado al tamaño general y los recursos del programa.

La brecha de género: Se trata de presentarse, no de correr más

El documento también analizó la diferencia entre los equipos masculinos y femeninos. Encontraron un gran desequilibrio: hay muchos más corredores masculinos que corredoras en estos programas de clubes.

Los hombres representaban aproximadamente el 60–63% de los atletas.
Sin embargo, una vez que un corredor estaba en el equipo, los hombres y las mujeres competían con casi la misma frecuencia.

Este es un hallazgo crucial. La brecha no es que las mujeres estén corriendo menos carreras una vez que se unen; la brecha es que menos mujeres se están uniendo a la competición en primer lugar. Una vez que están en la lista, compiten con la misma frecuencia que los hombres.

La conclusión para los entrenadores

Entonces, ¿qué debería aprender un entrenador de todo esto?

No confíes en los tiempos brutos: Si ves a un corredor ser 20 segundos más rápido de septiembre a noviembre, ¡revisa el clima! Podría ser simplemente el aire fresco del otoño, no un milagro de la condición física. Usa tiempos "Estandarizados" para ver el progreso real.
Deja de intentar predecir el futuro: No puedes mirar la primera carrera de un corredor y saber quién mejorará más. Los datos son demasiado caóticos para eso. Además, no apuestes por tu "gran mejorador" tras la primera carrera.
Considera al equipo completo: Los datos sugieren que los equipos con planteles más profundos y más oportunidades de carrera tienden a terminar mejor. Sin embargo, esto suele estar vinculado al tamaño total del club. Si bien dar a más atletas la oportunidad de competir es un buen objetivo, los entrenadores deben entender que simplemente añadir carreras al calendario no garantiza una victoria si el tamaño del programa y los recursos no lo sustentan.
Fomenta la participación de más mujeres: Dado que la frecuencia de competencia es la misma una vez que están en el equipo, la solución a la brecha de género es lograr que más mujeres comiencen a correr en primer lugar.

En resumen, el artículo nos dice que, si bien no podemos predecir exactamente cómo mejorará un solo corredor, sí podemos ver que más oportunidades de carrera para todo el equipo están vinculadas a mejores resultados. Es un paso de las conjeturas hacia la construcción de un calendario que dé a todos la oportunidad de correr, manteniendo en mente que los programas más grandes tienen naturalmente una ventaja tanto en tamaño como en frecuencia de competencia.

Resumen Técnico: Resultados más Rápidos de un Calendario más Inteligente

Planteamiento del Problema
Históricamente, los entrenadores de cross country universitario han dependido de la intuición en lugar de la evidencia para diseñar calendarios de temporada y predecir la progresión de los atletas. Esta limitación surge de la falta de conjuntos de datos de rendimiento a gran escala y de acceso público antes de la creación de la National Running Club Database (NRCD). Además, la literatura existente en ciencias del deporte suele subrepresentar a las atletas femeninas, y los análisis previos se restringían a muestras pequeñas y curadas manualmente. Existe una brecha metodológica crítica al distinguir las mejoras reales de la aptitud física de los artefactos causados por variables ambientales (temperatura, punto de rocío, elevación) y la geometría del recorrido, que pueden inflar las ganancias aparentes cuando se utilizan tiempos no ajustados.

Metodología
Los autores analizan el subconjunto de la "era comprensiva" de la NRCD, que abarca las temporadas 2023–2025 con 23,355 resultados de carreras de 7,083 atletas. Esta era fue seleccionada por su cobertura de >97% en detalles del recorrido y metadatos climáticos, lo que permite una estandarización ambiental robusta.

Estandarización del Rendimiento: El estudio utiliza un marco de dos niveles a través del paquete nrcd. Los tiempos de "Solo Conversión" ajustan la distancia (a 8,000m/6,000m) mediante la fórmula de Riegel. Los tiempos "Estandarizados" ajustan además la temperatura, el punto de rocío y la pendiente del terreno. Los autores tratan los tiempos Estandarizados como la métrica principal, utilizando los de Solo Conversión como un análisis de sensibilidad para demostrar cómo el enfriamiento otoñal puede inflar artificialmente las ganancias de aptitud percibidas.
Aprendizaje Automático y Control de Fuga (Leakage): Para abordar la Pregunta de Investigación 1 (predecir la mejora dentro de la temporada), los autores emplean seis modelos (OLS, Ridge, Lasso, Random Forest, Gradient Boosting, SVR). Crucialmente, implementan una política estricta de control de fuga:
- La variable objetivo es la tasa de mejora entre las primeras y las últimas carreras de la temporada regular.
- Todas las características predictivas se derivan únicamente de las carreras previas a la última carrera (o excluyen la última carrera por completo).
- Se utiliza la validación temporal (entrenamiento en 2023, prueba en 2024/2025) para evitar el sobreajuste a temporadas específicas.
- Las características que permitirían a un modelo reconstruir la etiqueta (por ejemplo, last_time, total_improvement) se excluyen explícitamente.
Análisis a Nivel de Equipo: El estudio examina la asociación entre las métricas de programación de equipos (frecuencia de carreras, profundidad de la plantilla, Oportunidad de Carrera Efectiva) y la clasificación en el campeonato nacional mediante razones de riesgo, regresión logística y agrupación de DerSimonian–Laird.
Análisis de Género: Los modelos se entrenan por separado para hombres y mujeres para abordar el desequilibrio de género en las ciencias del deporte. La RQ3 investiga si las brechas de participación surgen de las tasas de inscripción o de la intensidad de las carreras, y si la relación entre el conteo de carreras/mejora difiere según el sexo.

Contribuciones Clave

Pronóstico de Límites: El artículo establece que los modelos controlados por fuga y validados temporalmente no pueden pronosticar las tasas de mejora individual fuera del año. Los valores de $R^2$ observados son cercanos a cero, acercándose al techo de fiabilidad intrínseca de la variable de resultado.
Identidad Ambiental: Los autores proporcionan una identidad algebraica que vincula las brechas de "Solo Conversión" vs. "Estandarizado" con la deriva estacional de los residuos ambientales. Esto cuantifica cómo los tiempos no ajustados sobreestiman las ganancias medias en 15–21 segundos debido al enfriamiento del clima.
Asociaciones a Nivel de Equipo: Aunque el pronóstico individual falla, el estudio identifica asociaciones transversales robustas entre la frecuencia de carreras del equipo, la profundidad de la plantilla (específicamente la "Oportunidad de Carrera Efectiva") y la clasificación nacional.
Perspectivas de Paridad de Género: El análisis demuestra que, aunque los hombres superan en número a las mujeres en participación, la intensidad de las carreras (carreras por atleta activo) es casi idéntica entre sexos. La brecha de género es principalmente un problema de entrada en la competición, no de frecuencia de participación.

Resultos

Predicción Individual (RQ1 y RQ2): Bajo un estricto control de fuga y validación temporal, el mejor modelo (SVR) alcanzó un $R^2$ de muestra retenida de 0.043 para hombres y -0.029 para mujeres. Estos valores son estadísticamente indistinguibles de cero y están muy por debajo del techo de fiabilidad de mitad de la muestra (0.23–0.28) del resultado. La Relación de Extracción de Señal (SER) indica que los modelos capturan solo ~19% de la varianza fiable para los hombres y ninguna para las mujeres. Las características de principios de temporada (después de 1 o 2 carreras) también fallan en predecir la mejora al final de la temporada.
Conteo de Carreras y Mejora: Descriptivamente, la mediana de las mejoras alcanza su punto máximo para atletas que compiten de 3 a 4 veces, observándose las mayores ganancias en atletas que comienzan más lento (cuartiles Q3–Q4). Sin embargo, los modelos de efectos mixtos sugieren una relación en forma de U invertida donde los rendimientos decrecen ante volúores más altos, aunque esto no es una diferencia significativa específica de sexo.
Clasificación de Equipos (RQ3): Los equipos con mayores frecuencias de carreras tienen significativamente más probabilidades de quedar entre los 15 primeros en el nacional. El riesgo relativo agrupado para equipos con ≥4 carreras es de 2.09. La profundidad de la plantilla y la Oportunidad de Carrera Efectiva (ERO) son predictores más fuertes que el conteo de carreras de un solo atleta "trabajador". No obstante, estas asociaciones están en gran medida confundidas por el tamaño del club; cuando se controla el tamaño de la plantilla, el efecto independiente de la profundidad de la "banca" disminuye.
Retención: Los conteos de carreras previos más altos se correlacionan con mayores tasas de retención para la temporada siguiente.

Significancia y Reivindicaciones
El artículo afirma que la NRCD permite un cambio de la toma de decisiones anecdótica a la basada en evidencia, pero con cautelas específicas y modestas:

Sin Prescripciones Individuales: Las características de tiempo de llegada por sí solas no pueden identificar qué atletas específicos mejorarán. Los entrenadores no deben confiar en los tiempos de principios de temporada para clasificar a los atletas para el futuro.
La Estandarización es Crítica: Comparar tiempos "Solo Conversión" o brutos es engañoso; los tiempos Estandarizados son necesarios para aislar las ganancias reales de la aptitud física de los efectos climáticos estacionales.
Estrategia a Nivel de Programa: La principal información accionable está al nivel del programa. Los programas más grandes que hacen competir a más atletas (incluyendo aquellos fuera de los 7 principales de puntuación) tienden a clasificar más alto. Sin embargo, los autores declaran explícitamente que esto es una asociación entre programas, no una prueba de un efecto causal dentro del programa. Cambiar el calendario de un solo equipo para aumentar el conteo de carreras no garantiza una mejor clasificación, ya que estos factores están entrelazados con el tamaño del club, los recursos y el reclutamiento.
Naturaleza Observacional: Los hallazgos son observacionales. El estudio no afirma que aumentar el conteo de carreras cause la mejora o una mejor clasificación, sino que estos factores están asociados en el panorama actual del cross country universitario.

El estudio concluye que, si bien la programación basada en datos no puede predecir trayectorias individuales, aclara los factores estructurales (estandarización, volumen, profundidad) que definen el panorama competitivo del cross country universitario.