Prédiction de la performance au hockey sur glace avec des évaluations de terrain
Bibliographic record
Abstract
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.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.002 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
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 source (direct Gemma or distilled Codex), 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".