Interpretable ensemble machine learning identifies player-specific performance indicators in elite tennis

エリートスポーツの世界において、パフォーマンス分析とは、試合という混沌とした状況を明確な証拠へと変える技術である。コーチや科学者たちは、単に誰が勝ったかを見るためではなく、どのようにして勝利が築かれたのかを理解するために試合を観察する。彼らは、サーブ、リターン、一歩の足運び、ミスといった、試合を数千もの微細な瞬間に分解していく。その目的は、これらの瞬間のうち、どれが実際に最も重要であるかを見つけ出すことにある。しかし、単一の数値や単純な平均値は誤解を招く可能性がある。ある選手が多くのウィナーを打ったからといって、その特定のプレーが勝利の原因であったとは限らない。時には、全体像を見たときに初めて明らかになるような、より微細な要素こそが最も重要な要因であることもある。ここで、現代のコンピュータサイエンスが登場する。研究者たちは、一つの考え方に頼るのではなく、今や多くの異なるコンピュータプログラムを同時に活用することができる。これらのプログラムは、それぞれがデータを捉える方法を少しずつ変えた「専門家チーム」のように機能する。単に最も声の大きい意見に従うのではなく、これらすべての声に耳を傾けることで、分析者は単一の手法では見逃してしまうかもしれないパターンを見つけ出すことができるのである。このアプローチは、勝利と敗北の差がしばしば細部に隠されているテニスのようなスポーツにおいて、不可欠になりつつある。

武漢体育大学と武漢大学の研究チームは、このチームベースの思考を、史上最高のテニスプレーヤーの一人であるノバク・ジョコビッチのキャリアに適用した。彼らは、どの技術的スキルと戦術的選択が、セット獲得における彼の成功の強力な原動力となったのかを正確に突き止めたいと考えた。そのために、彼らは2019年から2025年までの主要なグランドスラム大会のハードコートで行われた239セットからなる膨大なデータを収集した。彼らは、ダブルフォールトの数といった明白なものから、バックハンドショットの速度やネットへの接近回数といったより具体的な詳細に至るまで、34種類の異なる指標をすべてのセットに対して追跡した。研究者たちはこのデータを2つのグループに分けた。まず、2019年から2024年の古いデータを使用して、12種類の異なるコンピュータアルゴリズムにセットの勝敗を予測する方法を学習させた。その後、これらのプログラムを2025年の未学習の40セットのグループでテストし、学んだ教訓が現実世界でも通用するかどうかを確認した。

研究者たちは、単に最も優れた単一のコンピュータプログラムを選んだわけではない。代わりに、12個のアルゴリズムのあらゆる可能な組み合わせをテストし、数千もの異なる「チーム」、すなわちアンサンブルを作成した。彼らは、最も精度の高いチームは12個すべてを集めた巨大なグループではなく、特定の4つのモデルによるアンサンブルであることを発見した。選定されたこの4つのプログラムは、ジョコビッチがセットを勝つか負けるかを驚くべき精度で予測するために連携し、2025年の新しいデータに対して90パーセントの精度を達成した。このチームがプログラムの学習内容を精査したとき、最も重要な要因は、まさに専門家たちが長年疑ってきた通りのものであった。相手のサーブをブレイクする能力、総獲得ポイント数、そしてアンフォーストエラーのコントロールが、成功の主要な原動力であった。これらの結果は、コンピュータモデルが勝手なことを言っているのではなく、ゲームにおける確立された真実を復元していることを裏付けていた。

しかし、この研究の真の価値は、研究者が単一のコンピュータプログラムが見落としていたかもしれない事柄を探ったときに現れた。彼らが12個の個別のプログラムそれぞれに対し、34の指標の重要度をランク付けするよう求めたところ、驚くべき不一致が見られた。ある特定の指標である「バックハンドのリターン数」は、連合チームにおいてはトップ5の要因としてランク付けされていたが、12個のうちの3つのプログラムにおいてのみトップ5に入っていた。もし研究者が単に最も優れたパフォーマンスを示すプログラムを一つ選んでいただけならば、このシグナルを完全に見逃していたかもしれない。複合的なアプローチによって、バックハンドのリターンの頻度が、ジョコビッチにとっての成功を示す微細ながらも一貫した指標であることが明らかになった。これは、単一のアルゴリズムでは聞き取ることのできない、静かなパターンであった。

また、この研究はこれらのパターンがどのように作用するのかについても明らかにした。研究者たちは、ジョコビッチがより多くのバックハンドリターンを行ったとき、それがセット獲得の確率を高めることに関連していることを示した。彼らがこの関係を可視化したところ、バックハンドのリターン数が1セットあたり約22回に達すると、そのプラスの効果がより顕著になることが分かった。ここで重要なのは、この数字は魔法の目標値や、すべてのプレーヤーが従わなければならないルールではないということである。それは単に、これらの特定の試合で何が起きたのかを記述したものに過ぎない。研究者たちは、なぜこのようなことが起こるのかについては断定できないことを慎重に説明した。相手が彼のバックハンドに多くサーブを打ち込んだのか、あるいは彼にリターンの機会が多くあったのか、あるいはラリーの長さが彼の戦略を変えたのか。データは関連性を示したが、因果関係を証明したわけではない。

この研究は、スポーツのパフォーマンスを研究するための新しい手法を示している。異なるコンピュータモデルのチームを使用し、それらの答えを比較することで、分析者はノイズからシグナルを分離することができる。彼らは、サーブブレイクの重要性のような既知の事実を確認できる一方で、単一の分析ツールによる狭い視点では見過ごされがちな、より静かな、プレイヤー固有の習慣に光を当てることもできる。この研究は、これらの知見がすべてのテニスプレーヤーやすべてのサーフェスに適用されると主張しているのではない。結果は、特定の期間にハードコートで行われたノバク・ジョコビッチの試合に特化したものである。しかし、その手法自体は強力なツールである。それは、繰り返されるパフォーマンスデータを検討するための再現可能な方法を提供し、ゲームから導き出される結論が、単一の分析ツールの狭い視点ではなく、広範な証拠の合意に基づいていることを保証するものである。好奇心旺盛な観察者にとって、この研究は、エリートスポーツという複雑なダンスにおいて、最も重要な手がかりはしばれた一人の専門家の声を聞くことではなく、多くの者に問いかけることの中に見出されることが多いということを示唆している。