Acceso usuarios
Fiona Clarke
Se desarrolló un modelo predictivo para la identificación de talentos en natación juvenil con el objetivo de mejorar la identificación de nadadores jóvenes con capacidad para competir en competición de élite. Este estudio combina diversos atributos fisiológicos y psicológicos (edad, altura, peso, VO2máx, motivación, resiliencia) y datos de rendimiento (tiempos de vuelta, eficiencia de brazada) para crear un conjunto de datos integrado. El análisis de estas variables se realizó mediante algoritmos de aprendizaje automático, como análisis de regresión y árboles de decisión, y se determinaron patrones asociados con el éxito futuro. Se emplearon técnicas de validación cruzada para validar la precisión y la generalización del modelo en diferentes grupos de edad y niveles de entrenamiento en los que se puede utilizar. Esta investigación tiene un valor real para entrenadores y organizaciones deportivas que buscan priorizar y fomentar el talento joven en natación depredadora para mejorar los resultados. Con información basada en datos, este modelo predictivo puede revolucionar la selección de atletas en la identificación de talentos, utilizando un enfoque más sistemático y eficiente para su desarrollo. Por lo tanto, si bien un modelo predictivo para la identificación de talentos en natación juvenil ofrece numerosas ventajas en cuanto a eficiencia, objetividad y asignación de recursos, también presenta desafíos. Para utilizar el modelo de manera que ayude, y no obstaculice, el desarrollo, es necesario gestionar cuidadosamente las consideraciones éticas, el equilibrio correspondiente entre las decisiones basadas en datos y el juicio humano, así como el bienestar mental y emocional de los atletas jóvenes.
A predictive model is developed for talent identification in youth swimming with the intention of improving the identification of youth swimmers with the ability to perform in elite competition. This study brings together many physiology and psychological attributes (age, height, weight, VO2 max, motivation, resilience) and performance data (lap times, stroke efficiency) to create an integrated dataset. Analysis of these variables using machine learning algorithms such as regression analysis and decision trees, and determining pattern that associate with future success. Cross validation techniques are used to validate the model accuracy and generalizability on different age groups of trainings levels at which the model can be utilized. This research has some real value for coaches and sports organizations when they try to prioritize and nurture young talent in predatory swimming is to improve outcomes. With data driven insights, this predictive model is able to disrupt how athletes are selected in talent identification using a more systematic and efficient approach to athlete development. Thus, whilst there are many benefits with respect to efficiency, objectivity and resource allocation of a predictive model for talent identification in youth swimming, it is not without its challenges. To use the model to help, not hinder, development, ethical considerations, the corresponding balance between data driven decisions and human judgment, as well as the mental and emotional well-being of young athletes must be carefully managed.
