Fan response to the analytics revolution in hockey: possession metrics and NHL attendance
Notice bibliographique
Résumé
After the "Moneyball" revolution in baseball, where advanced statistics and analytics were used in player personnel and coaching decisions, other sports followed in its footsteps. Although decidedly more difficult than baseball, with its highly individualized matchups, the other sports began to find better ways to measure player performance and incorporate this information into draft, free agency, and on-field decisions. One of the last sports to officially enter the analytics revolution in sports was ice hockey. This could be due to a variety of reasons that stem from the speed and within-game changes being difficult to measure and model, to resistance in the ranks of front office personnel; but, whatever the underlying reasons, hockey appeared slow to adapt. This pattern officially changed in the summer of 2015. Independent public hockey researchers and those that developed analytical systems at lower levels of hockey were hired by National Hockey League (NHL) teams. The biggest initial name was Kyle Dubas, who was hired by the Maple Leafs in the hockey hotbed of Toronto, Canada. Others who had developed a following on their advanced hockey statistics websites - such as Sunny Mehta, Tyler Dellow, and Tim Barnes - were also hired in the same short period of time by the New Jersey Devils, the Edmonton Oilers, and the Washington Capitals. The following season, John Chayka of the Arizona Coyotes became the youngest general manager in NHL history, based upon his background and use of analytics in hockey.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».