Technical Analysis of Goals Scored in 3 Different European Leagues in The 2020-2021 Football Season
Notice bibliographique
Résumé
The aim of this study is to classify the goals scored in the 2020-2021 football season in Turkish Super League (TSL), English Premier League (EPL), and French League 1 (FL1) according to technical and tactical criteria, and to reveal the differences and similarities between the leagues. The scope of the research consists of a total of 3209 goals scored in 1180 football matches played in 3 different European Leagues in the 2020-2021 season. Each goal was classified according to the minute interval, the area where the attacking move started, the number of touches by the player before scoring, and the goals scored from set pieces. The frequency and percentage distributions of all data were calculated separately for each league. According to the results obtained, the most goals were scored in TSL (f: 1136 goals), while the least goals were scored in EPL (f: 1024 goals). Looking at the distribution of total goals by minute intervals, the most goals were scored in the last quarter of the game in TSL (f:199; 17.5%), EPL (f:166; 16.2%), and FL1 (f:186; 17.7%), while the least goals were scored in the added time of the first half. When looking at the number of touches by the player who scored the goal, it was found that the most goals were scored with one touch. Regarding the direction of the attacking move, it was observed that the rate of goals scored after wing attacks was lower in FL1 than in TSL and EPL, but the number of goals scored from central attacks was higher. According to the results, it is understood that the teams in the leagues have different game structures, which are decisive in determining the goal criteria.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».