Synthetic Data for Sharing and Exploration in High-Performance Sport: Considerations for Application
Notice bibliographique
Résumé
BACKGROUND: Synthetic data represent alternative data sources generated using mathematical procedures to address specific issues in research and practice. Synthetic data have emerging applications in clinical and medical data contexts and may assist in overcoming privacy issues to help support open science practice. OBJECTIVE: The present study discusses the applicability of an established synthetic data generation process using sequential tree-based algorithms (synthpop package in R) in the context of athlete monitoring data in sport, with the aim of providing an educational primer and discussion for potential application of these methods when exploring issues in the field sports and exercise sciences. METHODS: The software package in R, synthpop, was used in seven simulation conditions applied to a professional football dataset, with varying model constraints. Classification and regression trees were used as the base model framework for each simulation. Metrics associated with both global utility (overall dataset similarity) and specific utility (specific research outcome similarity) were assessed on each simulation condition. RESULTS: All simulation conditions demonstrated high levels of global utility. Additionally, simpler simulation conditions, which more closely resembled the analysis of the original dataset (simulation condition 1 and 2), provided higher specific utility than more advanced simulation conditions. CONCLUSION: To summarize, three types of models can be conceptualised for generating synthetic data: (1) models used for analysis of the original data (answering specific research questions), (2) models used to generate synthetic data, and (3) models that represent the true generation process for the original data. Misalignments in the specifications of these models might introduce biases that can compromise the utility of synthetic data no matter the purpose. As synthetic data do not constitute a direct replacement for real data from conceptual and empirical standpoints, we believe that researchers embracing this practice must include sufficient documentation concerning the synthetic data generation process purpose, the predictors and model used, and the potential boundary conditions for using the synthetic data in future investigations in sports and other fields.
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 | 0,084 | 0,259 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».