Prédiction de la performance au hockey sur glace avec des évaluations de terrain
Notice bibliographique
Résumé
Au hockey sur glace, les évaluations physiques utilisées jusqu’à présent sont peu spécifiques à la tâche des joueurs et elles comprennent plusieurs limitations pour la prédiction de performance. La capacité d’accélération et de vitesse maximale en patinage sont grandement liées à la performance des joueurs et seulement certaines évaluations physiques hors glace ont montré des associations avec ces variables. Peu d’études ont considéré l’implication musculaire spécifique de la hanche qui est particulièrement sollicitée pendant le cycle de patinage. La science des données et l’utilisation d’outils d’apprentissage automatique ont connu un essor ces dernières années dans le milieu sportif. Elles ont montré de bonnes capacités prédictives et permettent de reconnaître des relations complexes et non linéaires entre les variables, pouvant surpasser les modèles statistiques standards et l’intuition humaine. Notre objectif principal est de prédire la performance en patinage chez les joueurs de hockey sur glace avec des évaluations physiques hors glace au moyen de modèles d’apprentissage automatique. Nous avons utilisé les données d’évaluations physiques de 72 athlètes effectuées lors des évaluations combinées de la Ligue de Hockey Junior Majeur du Québec. Nous avons utilisé l’accélération et la vitesse de patinage avant et arrière comme variables cibles. Les évaluations physiques standards effectuées lors de cette journée ainsi que la force isométrique maximale développée à l’articulation de la hanche pour ses six degrés-de-liberté ont été les variables d’entrées pour un modèle linéaire (LassoCV) et un modèle non linéaire (xgboost). Nos modèles d’apprentissage automatique montrent de bonnes prédictions pour les variables de vitesse avant en montrant une erreur absolue moyenne en pourcentage (MAPE) inférieur à 2,96±2,15%, tandis que les erreurs de prédiction pour les variables d’accélération et de vitesse arrière demeurent élevées (MAPE : > 4,46±4,15%). Le saut en longueur et la force isométrique en flexion de la hanche ont montré le plus d’importance pour l’accélération sur 5 mètres (5F et 5B) et la vitesse sur 30 mètres en patinage dans les deux directions (30F et 30B). Suite à une validation des modèles, les entraîneurs pourraient donc utiliser les résultats obtenus aux évaluations physiques pour développer la performance en vitesse maximale avant des joueurs de hockey sur glace.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».