في عالم كرة القدم، تعزز أدوات التعلم الآلي (Machine Learning) القدرة على تحليل الأداء بشكل فعال، ولكن يبقى التساؤل: هل يمكن استنساخ نتائج الدوري النخبوي على المستويات الجامعية؟

ركزت دراسة جديدة على التحليل القابل للتفسير لأداء الفرق في كرة القدم، حيث تم استخدام بيانات حوادث ضخمة من أفضل خمس دوريات أوروبية، ثم تم تطبيقها على بيانات جامعة تسينغ هوا الوطنية (NTHU). باستخدام نماذج مثل الغابة العشوائية (Random Forest) وطبقات البترون المتعددة (Multilayer Perceptron)، استخدمت الدراسة تقنيات SHapley Additive exPlanations (SHAP) وCounterfactual Impact Score (CIS) لشرح الأداء.

أظهرت النتائج أن تحليل الأداء في بطولات النخبة كان ثابتاً ومتسقاً عبر الدوريات المختلفة، مما يدل على وجود هيكل متسق لمحددات الأداء. ولكن عند الانتقال إلى مستوى الجامعة، عانت النتائج من عدم استقرار كبير في ترتيب المؤشرات الرئيسية، مما جعل التفسيرات أكثر حساسية لطرق الشرح المستخدمة.

تشير هذه النتائج إلى أن قابلية التفسير تعتمد بشكل كبير على نطاق الدراسة، مما يدعو الباحثين والفرق الفنية إلى التفكير بشكل أعمق حول كيفية استخدام هذه النماذج عبر مختلف المستويات. بدلاً من اعتبار عدم الاستقرار مجرد قيود منهجية، قد تكون هذه الفجوات مؤشراً على غموض هيكلي ضمن نطاق المنافسة المعني.

اتجهت هذه الدراسة إلى فتح آفاق جديدة لفهم العلاقة بين تحليل الأداء القابل للتفسير بين مختلف مستويات كرة القدم. لذا، فإن السؤال المتبقي: كيف يمكن للفرق الجامعية استخدام هذه المعلومات لتحسين أدائها؟