DOI: https://doi.org/10.1186/s13102-026-01620-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41803968
تاريخ النشر: 2026-03-10
المؤلف: Rui Dong وآخرون
الموضوع الرئيسي: تحليلات الرياضة والأداء
نظرة عامة
تدرس هذه الدراسة بشكل منهجي المتغيرات التقنية والتكتيكية التي تؤثر على النجاح في كرة السلة الاحترافية، باستخدام بيانات من 3,249 مباراة في رابطة كرة السلة الصينية (CBA) من 2018 إلى 2022. تم تحديد مؤشرات الأداء الرئيسية (KPIs) من خلال الانحدار اللوجستي والانحدار التدريجي، مما كشف أن التمريرات، الأخطاء المسببة، نسبة الارتدادات الهجومية، السرقات، الكتل، الارتدادات الدفاعية، واللقطات الناجحة من الشاشات واللعبات المنقولة كانت مرتبطة إيجابياً بنتائج الفوز. على العكس من ذلك، كانت الأخطاء، التسديدات المفقودة، والأخطاء مرتبطة سلبياً بالنجاح. طورت البحث عشرة نماذج تعلم آلي، حيث أظهرت الشبكات العصبية الاصطناعية (AUC = 0.914) وآلات الدعم الناقل (AUC = 0.913) أعلى أداء تنبؤي. أبرز خوارزمية SHapley Additive exPlanations (SHAP) الارتدادات الدفاعية، ونسبة الارتدادات الهجومية، والتسديدات المفقودة من نقطتين كأكثر مؤشرات الأداء الرئيسية تأثيراً.
تؤكد النتائج على أهمية الاحتفاظ بالاستحواذ من خلال الارتدادات واختيار التسديدات من نقطتين بشكل فعال كمتنبئين حاسمين لنتائج المباريات. توفر هذه الدراسة إطاراً لدمج تحليل الأداء المدفوع بالتعلم الآلي في استراتيجيات الفريق، مما يمكّن الطاقم التدريبي من تحسين أدوار اللاعبين وصقل التحضيرات الخاصة بالخصوم. يجب أن تركز الأبحاث المستقبلية على تعزيز قابلية تفسير التعلم الآلي في سياقات المباريات الحية ودمج نمذجة التسلسل الزمني لالتقاط ديناميات اللعبة. بالإضافة إلى ذلك، يمكن أن يؤدي دمج هذه النماذج مع أنظمة تتبع بصرية بدون علامات إلى أتمتة تحليل الأداء، بينما يمكن أن تؤكد المقارنات عبر الدوريات مؤشرات الأداء الرئيسية الخاصة بـ CBA وتساهم في إطار عالمي لتحسين الأداء في كرة السلة الاحترافية.
مقدمة
تؤكد مقدمة ورقة البحث على أهمية التقييم المنهجي لمؤشرات الأداء متعددة الأبعاد في تحليلات كرة السلة الاحترافية. من خلال تحليل هذه البيانات، يمكن للطاقم التدريبي ومحللي الأداء اكتشاف الأنماط التكتيكية وديناميات اللعبة التي توفر مزايا استراتيجية. تبرز الورقة التقدمات المنهجية الهامة في تحديد مؤشرات الأداء الرئيسية (KPIs)، والتي كانت تعتمد أساساً على الأساليب الإحصائية التقليدية مثل تحليل التباين (ANOVA)، وتحليل التمييز، وتحليل المكونات الرئيسية (PCA). على سبيل المثال، حددت PCA المطبقة على إحصائيات المباريات في دوري ACB الإسباني خمسة أبعاد كامنة، بما في ذلك كفاءة التسجيل والتحكم في الاستحواذ، بينما أسست تحليل التجمع ثلاثة مؤشرات أداء رئيسية عبر المنافسات الأوروبية.
على الرغم من هذه التقدمات، تنتقد الورقة الطبيعة الثابتة لمؤشرات الأداء التقليدية، التي غالباً ما تفشل في التقاط العمليات الديناميكية للعبة. على سبيل المثال، بينما قد تعكس نسبة التسديد العالية مهارة اللاعب، إلا أنها لا تأخذ في الاعتبار الأفعال التعاونية والمعارضة التي تؤدي إلى تلك التسديدة. لمعالجة هذه القيود، يدعو المؤلفون إلى إطار تقييم مزدوج المحاور يجمع بين الإحصائيات التقليدية ومؤشرات الأداء الموجهة نحو المهام. وقد أدى هذا النهج إلى ظهور إحصائيات نوع اللعب، التي تحلل الأفعال قبل التسديد والتفاعلات بين اللاعبين. تشير الدراسات الحديثة إلى أن الألعاب الموجهة نحو الفريق، مثل اللعبات المنقولة والانتقالات، أصبحت أكثر فعالية، مما يبرز أهمية الأفعال التعاونية على المناورات الفردية في كرة السلة الحديثة.
الطرق
تحدد قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من التقنيات الكمية والنوعية لجمع البيانات، مما يضمن نهجاً شاملاً للسؤال البحثي. شملت المنهجيات المحددة التجارب المضبوطة، والاستطلاعات، والتحليلات الإحصائية، التي تم تصميمها لاختبار الفرضيات التي تم صياغتها في الدراسة.
شمل جمع البيانات استخدام أدوات موحدة لقياس المتغيرات ذات الصلة، تلاها اختبار إحصائي صارم للتحقق من النتائج. تم إجراء التحليل باستخدام أدوات برمجية سهلت تطبيق نماذج إحصائية متنوعة، مما يضمن قوة النتائج. تم اختيار الطرق بعناية لتتوافق مع أهداف الدراسة، مما يسمح باستكشاف شامل للظواهر الأساسية.
النتائج
تكشف نتائج الدراسة عن اختلافات كبيرة في إحصائيات المباريات بين الفرق الفائزة والخاسرة، باستثناء محاولات التسديد المتنازع عليها وغير المتنازع عليها. ومن الجدير بالذكر، تم تحديد تفاوتات كبيرة في مقاييس متنوعة، بما في ذلك الانتقالات (التي تمت والتي تم محاولة تنفيذها)، والتسديدات التي تم التقاطها وإطلاقها، ومحاولات اللعبات المنقولة. اختار تحليل الانحدار اللوجستي، الذي تم تحسينه من خلال التحقق المتقاطع بعشر مرات، 23 مؤشراً رئيسياً للأداء (KPIs) بقيمة log(λ) المثلى تبلغ حوالي -4.69. من بين هذه المؤشرات، ظهرت الارتدادات الدفاعية، ونسبة الارتدادات الهجومية، ونسبة التسديد من ثلاث نقاط، ونسبة التسديدات الحرة كمتنبئين حاسمين لنتائج المباريات، بينما أثرت التسديدات المفقودة من نقطتين، والتسديدات المفقودة من ثلاث نقاط، والأخطاء سلبياً على الأداء.
سلط التحليل المقارن بين الانحدار اللوجستي والانحدار التدريجي الضوء على مجموعة شائعة من 16 مؤشراً مهماً للأداء، بما في ذلك المقاييس الهجومية والدفاعية. تم استخدام خوارزميات التعلم الآلي لتصنيف نتائج المباريات، حيث حققت الشبكة العصبية الاصطناعية (ANN) أعلى دقة بنسبة 83.3%، تليها XGBoost وآلة الدعم الناقل (SVM). كما أظهرت الشبكة العصبية الاصطناعية أداءً متفوقاً من حيث درجة F1 (0.821) والمساحة تحت المنحنى (AUC) (0.914). كانت مؤشرات الأداء الرئيسية مثل الأخطاء والتسديدات المفقودة مرتبطة بقوة باحتمالية الخسارة، بينما كانت المقاييس مثل الارتدادات الدفاعية والتمريرات مرتبطة إيجابياً باحتمالية الفوز. بشكل عام، تؤكد النتائج على أهمية مؤشرات الأداء المحددة في التنبؤ بنتائج المباريات وتوفر رؤى حول ديناميات أداء كرة السلة.
المناقشة
تسلط دراسة مارمارينوس وآخرون الضوء على الديناميات الفريدة لتحليلات أداء كرة السلة ضمن رابطة كرة السلة الصينية (CBA) من خلال تحديد مؤشرات الأداء الرئيسية (KPIs) من خلال مجموعة متنوعة من مصنفات التعلم الآلي (ML). تكشف الأبحاث أن محاولات التسديد المفقودة من نقطتين تؤثر بشكل كبير على نتائج المباريات في CBA، مما يتناقض مع الاتجاهات في الدوري الأمريكي للمحترفين (NBA) والدوري الأوروبي، حيث يتم التركيز أكثر على التسديد من ثلاث نقاط. بالإضافة إلى ذلك، بينما تظل الارتدادات الدفاعية ونسب الارتدادات الهجومية مؤشرات أداء رئيسية حاسمة عبر الدوريات، تختلف القيمة التنبؤية للعبات المنقولة، مما يشير إلى تنفيذ تكتيكي متميز في CBA. يعزز دمج المعايير التكتيكية مع الإحصائيات التقليدية من دقة التنبؤ، مما يبرز ضرورة التحليلات الخاصة بالدوري لالتقاط تعقيدات أسلوب اللعب.
تتناول المنهجية المستخدمة في هذه الدراسة، التي تشمل الانحدار اللوجستي، والاختيار التدريجي، وSHAP من أجل القابلية للتفسير، الفجوات في تحليلات كرة السلة الحالية من خلال توفير فهم أكثر دقة لمساهمات مؤشرات الأداء الرئيسية. تشير النتائج إلى أن فرق CBA قد تستفيد من تحسين استراتيجياتها الهجومية لتعزيز التآزر والاستمرارية، خاصة في تنفيذ الشاشات خارج الكرة وأفعال اللعبات المنقولة. تشمل اتجاهات البحث المستقبلية استكشاف قابلية تفسير التعلم الآلي في سياقات المباريات الحية ودمج أنظمة تتبع متقدمة لأتمتة تحليل الأداء، مما يؤدي إلى تحسين استراتيجيات التدريب وأدوار اللاعبين. يمكن أن تؤكد التحليلات المقارنة عبر الدوريات مؤشرات الأداء الرئيسية المحددة لـ CBA، مما يساهم في إطار عالمي أكثر شمولاً لتحسين الأداء في كرة السلة الاحترافية.
DOI: https://doi.org/10.1186/s13102-026-01620-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41803968
Publication Date: 2026-03-10
Author(s): Rui Dong et al.
Primary Topic: Sports Analytics and Performance
Overview
This study systematically examined technical and tactical variables influencing success in professional basketball, utilizing data from 3,249 games in the Chinese Basketball Association (CBA) from 2018 to 2022. Key performance indicators (KPIs) were identified through lasso and stepwise regression, revealing that assists, fouls drawn, offensive rebound percentage, steals, blocks, defensive rebounds, and successful screens-off and pick-and-roll shots positively correlated with winning outcomes. Conversely, turnovers, missed shots, and fouls were negatively associated with success. The research developed ten machine learning models, with Artificial Neural Networks (AUC = 0.914) and Support Vector Machines (AUC = 0.913) demonstrating the highest predictive performance. The SHapley Additive exPlanations (SHAP) algorithm highlighted defensive rebounds, offensive rebound percentage, and missed two-point field attempts as the most influential KPIs.
The findings underscore the significance of possession retention through rebounding and effective two-point shot selection as critical predictors of game outcomes. This study provides a framework for integrating machine learning-driven performance analysis into team strategies, enabling coaching staff to optimize player roles and refine opponent-specific preparations. Future research should focus on enhancing machine learning explainability in live game contexts and incorporating temporal sequence modeling to capture in-game dynamics. Additionally, integrating these models with markerless optical tracking systems could automate performance analysis, while cross-league comparisons could validate CBA-specific KPIs and contribute to a universal framework for performance optimization in professional basketball.
Introduction
The introduction of the research paper emphasizes the importance of systematic evaluation of multidimensional performance indicators in professional basketball analytics. By analyzing these datasets, coaching staff and performance analysts can uncover tactical patterns and game dynamics that provide strategic advantages. The paper highlights significant methodological advancements in identifying key performance indicators (KPIs), which have been primarily grounded in traditional statistical methods such as analysis of variance (ANOVA), discriminant analysis, and principal components analysis (PCA). For instance, PCA applied to game statistics in the Spanish ACB league identified five latent dimensions, including scoring efficiency and possession control, while cluster analysis established three canonical KPIs across European competitions.
Despite these advancements, the paper critiques the static nature of traditional KPIs, which often fail to capture the dynamic processes of the game. For example, while a high shooting percentage may reflect a player’s skill, it does not account for the collaborative and opposing actions leading to that shot. To address this limitation, the authors advocate for a dual-axis evaluation framework that combines traditional statistics with task-oriented performance indicators. This approach has led to the emergence of play-type statistics, which analyze pre-shot actions and interactions among players. Recent studies indicate that team-oriented plays, such as pick-and-rolls and transitions, are increasingly effective, underscoring the significance of cooperative actions over individual maneuvers in modern basketball.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. The researchers utilized a combination of quantitative and qualitative techniques to gather data, ensuring a comprehensive approach to the research question. Specific methodologies included controlled experiments, surveys, and statistical analyses, which were designed to test the hypotheses formulated in the study.
Data collection involved the use of standardized instruments to measure relevant variables, followed by rigorous statistical testing to validate the findings. The analysis was conducted using software tools that facilitated the application of various statistical models, ensuring the robustness of the results. The methods were carefully chosen to align with the objectives of the study, allowing for a thorough exploration of the underlying phenomena.
Results
The results of the study reveal significant differences in game-related statistics between winning and losing teams, with the exception of contested and uncontested shot attempts. Notably, substantial disparities were identified in various metrics, including transitions (made and attempted), catch-and-shoot made, and pick-and-pop attempts. Lasso regression analysis, optimized through ten-fold cross-validation, selected 23 key performance indicators (KPIs) with an optimal log(λ) value of approximately -4.69. Among these, defensive rebounds, offensive rebounds percentage, three-point field goal percentage, and free throw percentage emerged as critical predictors of game outcomes, while two-point field goals missed, three-point field goals missed, turnovers, and fouls negatively impacted performance.
Comparative analysis between lasso and stepwise regression highlighted a common subset of 16 significant performance indicators, including both offensive and defensive metrics. Machine learning algorithms were employed to classify game outcomes, with the artificial neural network (ANN) achieving the highest accuracy of 83.3%, followed by XGBoost and support vector machine (SVM). The ANN also demonstrated superior performance in terms of F1-score (0.821) and area under the curve (AUC) (0.914). Key performance indicators such as turnovers and missed field goals were strongly associated with losing probability, while metrics like defensive rebounds and assists correlated positively with winning probability. Overall, the findings underscore the importance of specific KPIs in predicting game outcomes and provide insights into the dynamics of basketball performance.
Discussion
The study by Marmarinos et al. highlights the unique dynamics of basketball performance analytics within the Chinese Basketball Association (CBA) by identifying key performance indicators (KPIs) through various machine learning (ML) classifiers. The research reveals that missed two-point attempts significantly influence game outcomes in the CBA, contrasting with trends in the NBA and Euroleague, where three-point shooting is more emphasized. Additionally, while defensive rebounds and offensive rebound percentages remain critical KPIs across leagues, the predictive value of pick-and-roll plays differs, indicating distinct tactical executions in the CBA. The integration of tactical parameters with traditional statistics enhances predictive accuracy, underscoring the necessity for league-specific analyses to capture the complexities of gameplay.
The methodological approach employed in this study, which includes lasso regression, stepwise selection, and SHAP for interpretability, addresses gaps in existing basketball analytics by providing a more nuanced understanding of KPI contributions. The findings suggest that CBA teams may benefit from refining their offensive strategies to enhance synergy and continuity, particularly in executing off-ball screens and pick-and-roll actions. Future research directions include exploring ML explainability in live game contexts and integrating advanced tracking systems to automate performance analysis, thereby optimizing coaching strategies and player roles. A comparative analysis across leagues could further validate the identified CBA-specific KPIs, contributing to a more universal framework for performance optimization in professional basketball.