Modélisation multidimensionnelle vidéo dans le sport le cas Vert et Or Football
Bibliographic record
Abstract
La présente recherche a pour but d'étudier l'intégration de la vidéo dans l'entrepôt de données. Afin de nous accrocher à une problématique tangible, nous avons collaboré avec l'équipe de football du Vert et Or de l'Université de Sherbrooke. Selon Martin Montminy, entraîneur de la ligne offensive, la vidéo est la donnée la plus importante dans le processus d'évaluation de la performance des joueurs. Dans le but d'améliorer ce processus, nous avons construit un modèle de données qui allie les données de jeu à de la vidéo. Dans le but de mieux comprendre les différents enjeux liés à notre recherche, nous avons effectué une revue de littérature qui fait l'état des connaissances dans le domaine de la modélisation d'entrepôt de données et du multimédia. Nous avons basé notre recherche dans le paradigme du « design science ». Afin de construire notre prototype, nous avons utilisé une méthodologie de développement d'entrepôt de données hybride basée sur l'approche guidée par les besoins et l'approche guidée [par] les données. Les résultats de l'étude montrent les différentes étapes réalisées afin d'en arriver à un modèle de données intégrant les données de jeux à la vidéo. On y retrouve les choix de modélisation ainsi que les différents enjeux par rapport aux données. Cette recherche contribue à l'avancement des connaissances dans le domaine de la modélisation multidimensionnelle multimédia en proposant l'utilisation de la vidéo pour appuyer les données factuelles alphanumériques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".