Une étude sur le basket-ball automatise les schémas de jeu pour comparer les performances des équipes

Une étude sur le basket-ball automatise les schémas de jeu pour comparer les performances des équipes

Le Dr Paul Wu et la professeure distinguée Kerrie Mengersen font partie d’une équipe qui a publié un article dans PLOS One explorant comment la science des données et l’apprentissage automatique pourraient nous aider à mieux comprendre le basket-ball. Crédit : QUT Media

Une nouvelle analyse du basket-ball féminin d’élite identifie automatiquement les chances d’une équipe de marquer des points élevés ou faibles malgré la trajectoire du ballon qui semble la même, dans une recherche développée par les scientifiques des données de QUT.

L’étude, publiée récemment dans PLOS ONEont utilisé les données existantes de 72 matchs internationaux de basket-ball féminin allant des Championnats du monde FIBA ​​2014 aux Jeux olympiques de Rio 2016.

Les résultats fournissent des informations pour aider les entraîneurs à examiner les jeux efficaces ou problématiques des équipes en classant et en suivant la dynamique des mouvements de balle pour savoir si une équipe a marqué et en reliant les types de jeu aux résultats de notation.

Alors que les données sur les caractéristiques spatiales comme le rebond d’un ballon de basket, sa vitesse, le temps de possession, les points marqués ainsi que l’historique des équipes précédentes sont déjà très variées, les recherches tentant de regrouper les types de jeu utilisant le mouvement du ballon sont limitées.

Cette nouvelle recherche, appliquant le concept de « déformation dynamique du temps », a été dirigée par le professeur émérite Kerrie Mengersen et le Dr Paul Wu du Centre pour la science des données de QUT, le Dr Wade Hobbs de l’Institut australien du sport et l’Université de Sydney et QUT étudiant Alan Yu.

Le Dr Wu a déclaré que l’étude avait été motivée par des questions sur l’imprévisibilité des jeux et si cela conduisait à de meilleurs résultats de notation.

Il a déclaré qu’en s’appuyant sur ces données et en incorporant la trajectoire de la balle, les chercheurs pourraient étudier comment des modèles ont émergé sur la base des données.

« Si nous exécutons un jeu de pick-and-roll identique au basket-ball, en exécutant avec la même vitesse mais en commençant le deuxième jeu une seconde plus tard la deuxième fois, cela apparaîtra comme un jeu complètement différent pour un ordinateur, mais un humain voit le même jouer », a-t-il dit.

« Dynamic Time Warping fournit un moyen de mapper une trajectoire à une autre pour obtenir une meilleure évaluation de leur similarité automatique.

Une étude sur le basket-ball automatise les schémas de jeu pour comparer les performances des équipes

Crédit : Université de technologie du Queensland

« C’est une façon d’organiser de nombreuses heures de séquences vidéo pour aider les entraîneurs et les athlètes à identifier les principales forces et faiblesses à examiner et à mettre en évidence quelque chose qui n’est pas évident, comme si une équipe favorise un côté du terrain. »

Sans surprise, les données ont également révélé des pauses rapides et un plus grand mouvement de la balle, en particulier les changements de direction du mouvement de la balle ont contribué à des taux de score plus élevés.

Le projet a permis à l’étudiant en science des données de QUT, Alan Yu, de participer à un « semestre de vacances ».

« J’ai trouvé l’expérience difficile mais enrichissante, en particulier lors du développement de visualisations faciles à comprendre qui racontent l’histoire aux personnes intéressées par le basket-ball ou la science des données », a-t-il déclaré.

« Avec peu de connaissances préalables sur le basket-ball, j’ai trouvé les résultats fascinants et surprenants.

« Souvent, vous entendrez les entraîneurs et les experts analyser les jeux et les différentes tactiques et préférences que les équipes peuvent avoir, mais cela met une touche quantitative pour mieux comprendre le sport d’un point de vue systématique.

« C’était surprenant de voir des jeux similaires avoir des résultats très différents lorsqu’ils sont exécutés par différentes équipes à des vitesses différentes. »

Le professeur Mengersen a déclaré que la recherche était un excellent exemple de ce qui est réalisé grâce à des partenariats entre chercheurs et praticiens de l’industrie.

« Les nouvelles méthodes ont été développées pour répondre à une question pratique importante, et les nouvelles connaissances sont directement intégrées pour améliorer l’industrie du sport », a-t-elle déclaré.

« Cette recherche bidirectionnelle profite à tous et a un impact à la fois sur le sport et sur les nouvelles connaissances. »

Fourni par l’Université de technologie du Queensland