MétaCan
Menu
Retour à la cohorte
Enregistrement W2049781079 · doi:10.2202/1559-0410.1071

Football Rating Systems for Top-Level Competition: A Critical Survey

2007· article· en· W2049781079 sur OpenAlexaboutno aff
Ray Stefani, Richard Pollard

Notice bibliographique

RevueJournal of Quantitative Analysis in Sports · 2007
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueSports Analytics and Performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFootballChampionshipLeagueCompetition (biology)Service (business)Component (thermodynamics)American footballTable (database)AdvertisingPsychologyPolitical scienceComputer scienceMarketingBusinessLawDatabase

Résumé

récupéré en direct d'OpenAlex

Comprehensive rankings of football teams have become an important, and occasionally controversial, feature of many football codes. The rationale behind these systems needs to be understood. The historical evolution of the current eight codes is briefly traced from just two: association football and rugby football, played under various forms in the mid 19th century. Based on current rules, the eight codes fall into four groups: first, Australian Rules football and Gaelic football; second, American college football, American professional football and Canadian football; third, rugby union and rugby league; and fourth, soccer. Comprehensive rating systems exist for three codes. For American college football, the Bowl Championship Series or BCS system places top US college football teams into a national championship game and other important "bowl games". That system combines two normally incompatible components, an objective adjustive computer component and a subjective human-poll component. The composite has been controversial in four of the nine years of service, when the computer component differed from the human component resulting in major changes that favored the human component each time. For rugby union, the International Rugby Board or IRB system employs a predictor/corrector adjustment in which defeating a weak team provides less gain than defeating a strong team while losing to a weak team elicits a much larger negative adjustment than losing to a strong team, arguably a fair and efficient methods for rating competitors. For soccer, FIFA have improved the previous rating systems with a new and simpler system which takes into account strength of opponents and game importance; however, all losses are treated as equal regardless of the opponents, and home advantage is ignored. An Elo based system, employing many of features of the IRB system, appears to have advantages over the FIFA system.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,035
score de la tête « metaresearch » (Gemma)0,068
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,186

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0350,068
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0140,009
Études des sciences et des technologies0,0010,001
Communication savante0,0020,004
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,151
Tête enseignante GPT0,355
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Quantitative Analysis in SportsMême sujetSports Analytics and PerformanceTravaux en français237 207