Abstract 2: Trained on what? A case study on the misapplication of machine learning in women’s ice hockey
Notice bibliographique
Résumé
With increased awareness around the use of advanced analytics in professional sport, the market for third party providers of video and statistical analysis has grown. Third party providers provide coaches, athletes, and organizations with statistical information, which often includes outputs from proprietary machine learning models. In ice hockey, one of the most common modelling approaches are expected goal models, which assign a value to each shot attempt, allowing for teams to gather a better understanding of their game play beyond the box score. In this study, an expected goal model was created for use in women’s collegiate ice hockey by collecting over 14000 unblocked shot attempts during the 2023 and 2024 Ontario University Athletics (OUA) women’s ice hockey season. Using a single team as a case study, our model predicted that a total of 112.43 goals would be scored in games featuring this team, while the third-party proprietary model predicted there would be 179.4 goals. Ultimately, 126 non-empty net goals were scored, indicating an extremely large discrepancy between the third-party model and the team’s actual output. The findings from this case study highlight multiple issues surrounding transparency in proprietary models, the overapplication of machine learning to inappropriate populations, and ethical concerns surrounding the implications of incorrect performance evaluations placed on athletes of all ages. Using this case study, we encourage coaches and practitioners to aim to understand the information sources available to them, and to appropriately vet any technologies used in sport before implementation.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».