Performance tracking in female youth soccer through wearables and subjective assessments
Notice bibliographique
Résumé
This study investigates performance development and the relationship between subjective and objective training assessments in female youth soccer using wearable sensor technology. The aim of this study was to assess how subjective post-training ratings (intensity and happiness) relate to high-percentile performance outputs, and to identify longitudinal trends in female youth soccer players using IMU-based wearable data. Data were collected over a 14-month period from 46 players (U17 and U20 teams) equipped with foot-mounted inertial measurement units (IMUs) during regular training sessions. Objective performance metrics, including 95th percentile of ball speed, peak speed, and absolute distance, were derived using a multi-stage machine learning pipeline, while subjective metrics (intensity and happiness) were collected via post-session Likert-scale questionnaires using an app. Using the modified Mann-Kendall test, we found 30 significant longitudinal trends, with 14 positive and 16 negative trends across key performance metrics. Peak speed showed the highest number of trends (13), followed by absolute distance (10) and ball speed (7). Correlation analyses based on the Spearman coefficient (with False Discovery Rate correction) revealed meaningful associations between subjective self-assessments and high-percentile performance metrics, with notable differences across player positions and age groups. A robustness check confirmed these patterns also hold when analyzing the 99th percentile of performance outputs. Our findings underscore the value of combining wearable sensor data with subjective evaluations for individualized, role-specific performance monitoring and training optimization in youth soccer. However, as an exploratory study with a single cohort, findings require further validation in broader populations.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».