Bio-inspired algorithms for the characterization of excellent performance in handball players: A data-driven methodology
Notice bibliographique
Résumé
Bio-inspired algorithms have been successfully applied to solve complex optimization problems. They are also widely used to train and optimize machine learning and data-driven models, providing competitive results. This study presents a novel data-driven approach to identify and quantify the factors that characterize the excellent performance of handball players, depending on the specific position in which they play. This will give us the most important characteristics that differentiate the most excellent players in their positions. Based on bio-inspired algorithms, this research delves into the complex optimization problems inherent in sports analytics. The study utilizes data from the Women’s European Handball Championship, employing seven distinct algorithms, of which six are different bio-inspired algorithms - including a hybrid bio-inspired algorithm - and one Consensus-Based Aggregation algorithm to analyze and assign weights to each player’s actions during a match. This approach is further validated by comparing the findings against the top five players in each position as recognized by the European Handball Federation (EHF). Subsequently, the established model’s robustness and applicability are tested using data from the Women’s World Handball Championships. • A data-driven methodology to analyze the sporting performance of handball players. • Bio-inspired algorithms are employed to characterize excellent performance. • Real data from international women championships are used to test the methodology. • Explainable Artificial Intelligence characterizes the best players on the court. • Identify the most distinguishable characteristics of the best high-performance handball players.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».