Will artificial intelligence solve the riddle of athlete development? A critical review of how AI is being used for athlete identification, selection, and development
Notice bibliographique
Résumé
The last decade has seen a rapid increase in the use of artificial intelligence (AI) approaches such as machine learning and deep learning in the sport sciences. However, despite the increased interest in this area, the scope and utility of, and challenges associated with, these approaches are relatively unknown. This critical review aimed to scan sport science research for articles using AI in athlete development contexts (i.e., talent/athlete identification, talent/athlete selection, and talent/athlete development). Through database, external reference lists, book chapters, and other relevant resource searching, information from eligible articles was extracted and form the basis of the current review. The use of AI was prominent in three main areas: improving athlete assessment, athlete selection and classification, and athlete development and training. These technologies have been used in a variety of ways and appear to have potential value for those working in this area. The challenges associated with these approaches are also discussed. AI in the context of athlete development allows for access to more data, more easily, and with greater statistical complexity, than ever before. Importantly, a balanced approach that embraces both innovation and critical evaluation seems necessary to ensure these tools enhance, rather than disrupt, the athlete identification, selection, and development landscape. • Sport science has seen a rapid emergence in technologies such as artificial intelligence, deep-learning, and machine learning. • This review critically evaluates the use of artificial intelligence in athlete development contexts. • Research to date suggests value in the use of these technologies in athlete development settings, although there are unique challenges. • An approach embracing both innovation and critical evaluation will ensure these tools enhande, rather than disrupt, athlete development
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».