DOI: https://doi.org/10.1093/jrsssc/qlag002
تاريخ النشر: 2026-01-21
المؤلف: Jim E. Griffin وآخرون
الموضوع الرئيسي: تحليلات الرياضة والأداء
نظرة عامة
تقدم البحث نموذجًا هرميًا بايزيًا مصممًا لتحليل تقدم الأداء الرياضي على مدار مسيرة الرياضي، مع الأخذ في الاعتبار كل من الاتجاهات طويلة الأجل والتقلبات قصيرة الأجل داخل المواسم. يهدف هذا النموذج إلى تحديد ذروات الأداء، خاصة خلال المنافسات الهامة مثل الألعاب الأولمبية أو البطولات العالمية، مع مراعاة العوامل المربكة مثل الظروف البيئية.
تشمل المكونات الرئيسية للنموذج تقدير $g(t)$، الذي يمثل مستوى الأداء المتوسط للسكان عند العمر $t$، و $f_i(t)$، الذي يلتقط انحراف الرياضي $i$ عن هذا المتوسط. يقوم النموذج أيضًا بتفكيك $f_i(t)$ إلى مسارات من موسم إلى آخر وداخل الموسم، باستخدام متعددات الحدود برنشتاين المقيدة للأخيرة. تستخدم عملية الملاءمة خوارزمية ميتروبوليس-داخل-جيب مع مخطط حجب استراتيجي. يتم إثبات فعالية النموذج من خلال دراسة محاكاة وتطبيقه على بيانات الأداء من أحداث السباحة الحرة لمسافة 100 متر و200 متر لكل من الرياضيين الذكور والإناث، مما يكشف عن رؤى حول أنماط الأداء الموسمية ومسارات الرياضيين الفردية.
مقدمة
تسلط مقدمة الورقة الضوء على أهمية قواعد البيانات الكبيرة لأداء الرياضيين النخبة لنمذجة مسارات الحياة المهنية، مما يمكّن من التحليلات الاستعادية، والتنبؤات قصيرة الأجل، وتحديد المواهب على المدى الطويل. يركز البحث على رياضات CGS (السنتيمتر، والجرام، والثواني)، مع تحليل مسار أداء سباحة النخبة الإناث من سن 16 إلى 27. تشير النتائج إلى تحسن عام في الأداء مع مرور الوقت، مع أنماط دورية سنوية ملحوظة مرتبطة بقمم التدريب الموسمية للمنافسات الكبرى. تؤكد الورقة على الحاجة إلى تقدير التباين في مسارات الأداء داخل الموسم لتقييم قدرة الرياضي على الوصول إلى ذروته بشكل متسق عبر سنوات مختلفة.
يبني المؤلفون على النماذج الطولية الموجودة، التي تأخذ تقليديًا في الاعتبار الاتجاهات المتعلقة بالعمر وتأثيرات محددة للرياضيين. يقترحون تحسينات على هذه النماذج من خلال دمج متعددات الحدود برنشتاين المقيدة لالتقاط التغيرات في الأداء الموسمي وتقديم توزيع مرن لمعالجة ثقل الذيل في بيانات الأداء. بالإضافة إلى ذلك، يستخدمون أولويات الانكماش العالمية والمحلية لإدارة ندرة البيانات لبعض الرياضيين. توضح الورقة هيكلها، مع تفاصيل الأقسام اللاحقة التي تغطي مصادر البيانات، وصياغة النموذج، وطرق الاستدلال، والتطبيقات على كل من بيانات الأداء المحاكاة والبيانات الواقعية، خاصة في أحداث السباحة الحرة لمسافة 100 و200 متر للسباحين الذكور والإناث.
النتائج
في هذا القسم، يقدم المؤلفون نتائج رئيسية تتعلق بخصائص الدوال \( b_{n,\nu}(x) \). يثبتون أن التكامل لـ \( b_{n,\nu}(x) \) على الفترة من 0 إلى 1 يساوي \( \frac{1}{n+1} \)، معبرًا عنه رسميًا كالتالي:
\[
\int_0^1 b_{n,\nu}(x) \, dx = \frac{1}{n+1}.
\]
بالإضافة إلى ذلك، يستخرجون تكامل منتج يتضمن دالتين من هذا القبيل، \( b_{n_1,\nu_1}(x) \) و \( b_{n_2,\nu_2}(x) \)، والذي يُعطى بواسطة:
\[
\int_0^1 b_{n_1,\nu_1}(x) b_{n_2,\nu_2}(x) \, dx = \frac{n_1^{\nu_1} n_2^{\nu_2}}{(\nu_1 + \nu_2)!(n_1 + n_2 – \nu_1 – \nu_2)!(n_1 + n_2 + 1)!}.
\]
تعتبر هذه النتائج أساسية للتطوير اللاحق لمولد سلسلة ماركوف مونت كارلو (MCMC)، والذي يتم توضيحه في القسم الفرعي التالي. تعتبر الصيغ الرياضية المقدمة حاسمة لفهم سلوك الدوال في سياق إطار MCMC.
المناقشة
في هذا القسم، يقدم المؤلفون تحليلًا شاملاً لبيانات أداء السباحة النخبة، مع التركيز على أحداث السباحة الحرة لمسافة 100 و200 متر لكلا الجنسين. باستخدام مجموعة بيانات تمتد من مارس 2008 إلى سبتمبر 2023، اختاروا أفضل 500 سباح بناءً على أفضل أوقات شخصية، مع الأخذ في الاعتبار التغيرات في طول المسبح من خلال تعديل الأداء من مسابح بطول 25 متر إلى مسابح بطول 50 متر. طور المؤلفون نموذجًا طوليًا مستمرًا لتحليل تأثيرات العمر، والتغيرات الموسمية، والعوامل المربكة على أداء الرياضيين. يتضمن هذا النموذج توزيعًا مائلًا للأخطاء في الملاحظات، مما يسمح باختلاف ثقل الذيل، ويستخدم إطارًا هرميًا بايزيًا لتقدير مسارات الأداء الفردية والسكانية.
تشير النتائج إلى اتجاهات أداء مميزة، مع شكل عكسي ملحوظ على شكل حرف J في المسارات السكانية، تصل ذروتها حول سن 22، وتكشف عن اختلافات بين الجنسين في تحسينات الأداء والاتساق. يسلط تحليل المسارات الفردية الضوء على التباين في الأداء داخل المواسم، حيث يظهر بعض الرياضيين تقلبات كبيرة بينما يحافظ آخرون على مستويات أداء أكثر استقرارًا. تشير النتائج إلى أنه بينما يمكن للسباحين التحكم في أدائهم من خلال التدريب، هناك تباين كبير سواء داخل أو بين المواسم، مما يعكس أهداف الرياضيين المختلفة والتأثيرات المحتملة من الإصابات أو تغير الأولويات على مدار مسيرتهم. بشكل عام، تسهم هذه الأبحاث في تقديم رؤى قيمة حول ديناميات أداء السباحة النخبة، مع التأكيد على أهمية نهج التدريب المخصص لتحسين النتائج.
DOI: https://doi.org/10.1093/jrsssc/qlag002
Publication Date: 2026-01-21
Author(s): Jim E. Griffin et al.
Primary Topic: Sports Analytics and Performance
Overview
The research presents a Bayesian hierarchical model designed to analyze the progression of athletic performance over an athlete’s career, accounting for both long-term trends and short-term fluctuations within seasons. This model aims to identify performance peaks, particularly during significant competitions like the Olympic Games or World Championships, while also considering confounding factors such as environmental conditions.
Key components of the model include the estimation of $g(t)$, representing the average performance level of the population at age $t$, and $f_i(t)$, which captures the deviation of the $i$-th athlete from this average. The model further decomposes $f_i(t)$ into season-to-season and within-season trajectories, employing a restricted Bernstein polynomial for the latter. The fitting process utilizes an adaptive Metropolis-within-Gibbs algorithm with a strategic blocking scheme. The effectiveness of the model is demonstrated through a simulation study and its application to performance data from 100 meters and 200 meters freestyle swimming events for both male and female athletes, revealing insights into seasonal performance patterns and individual athlete trajectories.
Introduction
The introduction of the paper highlights the significance of large databases of elite athlete performance for modeling career trajectories, enabling retrospective analyses, short-term predictions, and long-term talent identification. The focus is on CGS (centimetre, gram, seconds) sports, particularly analyzing the performance trajectory of an elite female swimmer from ages 16 to 27. The findings indicate a general improvement in performance over time, with notable annual cyclical patterns linked to seasonal training peaks for major competitions. The paper emphasizes the need to estimate variability in within-season performance trajectories to assess an athlete’s ability to peak consistently across different years.
The authors build upon existing longitudinal models, which traditionally account for age-related performance trends and athlete-specific effects. They propose enhancements to these models by incorporating a restricted Bernstein polynomial to capture seasonal performance changes and introducing a flexible distribution to address tail heaviness in performance data. Additionally, they utilize global-local shrinkage priors to manage data sparsity for certain athletes. The paper outlines its structure, detailing subsequent sections that cover data sources, model formulation, inference methods, and applications to both simulated and real-world performance data, particularly in 100 and 200 meters freestyle events for male and female swimmers.
Results
In this section, the authors present key results related to the properties of the functions \( b_{n,\nu}(x) \). They establish that the integral of \( b_{n,\nu}(x) \) over the interval from 0 to 1 is equal to \( \frac{1}{n+1} \), formally expressed as:
\[
\int_0^1 b_{n,\nu}(x) \, dx = \frac{1}{n+1}.
\]
Additionally, they derive a product integral involving two such functions, \( b_{n_1,\nu_1}(x) \) and \( b_{n_2,\nu_2}(x) \), which is given by:
\[
\int_0^1 b_{n_1,\nu_1}(x) b_{n_2,\nu_2}(x) \, dx = \frac{n_1^{\nu_1} n_2^{\nu_2}}{(\nu_1 + \nu_2)!(n_1 + n_2 – \nu_1 – \nu_2)!(n_1 + n_2 + 1)!}.
\]
These results are foundational for the subsequent development of a Markov Chain Monte Carlo (MCMC) sampler, which is outlined in the following subsection. The mathematical formulations provided are critical for understanding the behavior of the functions in the context of the MCMC framework.
Discussion
In this section, the authors present a comprehensive analysis of elite swimming performance data, focusing on the 100 and 200 meters freestyle events for both genders. Utilizing a dataset spanning from March 2008 to September 2023, they selected the top 500 swimmers based on personal bests, accounting for variations in pool length by adjusting performances from 25-meter pools to 50-meter pools. The authors developed a continuous-time longitudinal model to analyze the effects of age, seasonal variations, and confounders on athlete performance. This model incorporates a skew-t distribution for observation errors, allowing for different tail heaviness, and employs a Bayesian hierarchical framework to estimate individual and population performance trajectories.
The results indicate distinct performance trends, with a notable reverse J-shape in population trajectories, peaking around age 22, and revealing gender differences in performance improvements and consistency. The analysis of individual trajectories highlights variability in performance within seasons, with some athletes exhibiting significant fluctuations while others maintain steadier performance levels. The findings suggest that while swimmers can control their performance through training, there is substantial variability both within and between seasons, reflecting differing athlete goals and potential impacts from injuries or changing priorities throughout their careers. Overall, this research contributes valuable insights into the dynamics of elite swimming performance, emphasizing the importance of tailored training approaches to optimize outcomes.