خلاصه
با پیشرفتهای اخیر در فنآوریهای حسگر، مقادیر زیادی از دادههای حرکتی در بسیاری از حوزههای کاربردی در دسترس قرار گرفتهاند. یک برنامه جدید و امیدوارکننده، تجزیه و تحلیل داده محور ورزش تیمی است. به طور خاص، مسابقات فوتبال شامل داده های حرکتی غنی و چند متغیره با وضوح زمانی و مکانی بالا است. گرفتن و تجزیه و تحلیل الگوهای حرکتی پیچیده و وابستگی های متقابل بین بازیکنان با توجه به ویژگی های مختلف چالش برانگیز است. تا کنون، کارشناسان فوتبال به صورت دستی موقعیت های بازی را پس از آنالیز می کنند و الگوهای خاصی را با توجه به تجربه خود به تصویر می کشند. ما یک سیستم تجزیه و تحلیل بصری را برای شناسایی تعاملی الگوهای فوتبال و موقعیتهایی که مورد علاقه تحلیلگر هستند پیشنهاد میکنیم. رویکرد ما بر اساس یک سیستم مقدماتی است، که با ویژگی های معنایی تعریف شده همراه با یک متخصص حوزه فوتبال تقویت می شود. این سیستم شامل طیف وسیعی از تجسمهای مفید برای نشان دادن رتبهبندی ویژگیها در طول زمان است و تغییرات موقعیتهای بازی را ترسیم میکند، که هر دو به تحلیلگر در تفسیر موقعیتهای پیچیده بازی کمک میکنند. یک گردش کار جدید شامل بهبود فرآیند تجزیه و تحلیل با یک مرحله یادگیری، با در نظر گرفتن بازخورد کاربر است. ما رویکرد خود را با تجزیه و تحلیل مسابقات فوتبال در دنیای واقعی ارزیابی میکنیم، چندین مورد استفاده را نشان میدهیم و بازخورد کارشناسان اضافی را جمعآوری میکنیم. یافته های حاصل با کارشناسان موضوع بحث می شود. یک گردش کار جدید شامل بهبود فرآیند تجزیه و تحلیل با یک مرحله یادگیری، با در نظر گرفتن بازخورد کاربر است. ما رویکرد خود را با تجزیه و تحلیل مسابقات فوتبال در دنیای واقعی ارزیابی میکنیم، چندین مورد استفاده را نشان میدهیم و بازخورد کارشناسان اضافی را جمعآوری میکنیم. یافته های حاصل با کارشناسان موضوع بحث می شود. یک گردش کار جدید شامل بهبود فرآیند تجزیه و تحلیل با یک مرحله یادگیری، با در نظر گرفتن بازخورد کاربر است. ما رویکرد خود را با تجزیه و تحلیل مسابقات فوتبال در دنیای واقعی ارزیابی میکنیم، چندین مورد استفاده را نشان میدهیم و بازخورد کارشناسان اضافی را جمعآوری میکنیم. یافته های حاصل با کارشناسان موضوع بحث می شود.
کلید واژه ها:
تجزیه و تحلیل بصری ; تجزیه و تحلیل ورزشی ; آنالیز فوتبال
1. معرفی
با پیشرفت تکنولوژی، اندازه فیزیکی حسگرهای حرکتی کاهش یافت، در حالی که به طور همزمان قابلیت ها به میزان قابل توجهی افزایش یافت. این امکان جمع آوری داده ها را در بسیاری از زمینه های کاربردی به شدت بهبود می بخشد. به عنوان مثال، ثبت و تجزیه و تحلیل حرکت در ورزش های تیمی، مانند فوتبال، در حال تبدیل شدن به علاقه است. فناوری واقعی ویدئو امکان ثبت غیرفعال حرکت همه بازیکنان در طول مسابقات را در فرکانسهای زمانی و مکانی بالا میدهد. فراداده های بیشتری را می توان اضافه کرد تا توصیفات موقعیتی و اطلاعات زمینه را منعکس کند.
مسیر حرکت ثبت شده مسابقات فوتبال داده های چند متغیره است و با وابستگی های متقابل قوی مشخص می شود و به طور ضمنی شامل الگوهای حرکتی تاکتیکی است. امروزه، باشگاههای حرفهای فوتبال با هدف شناسایی آسیبپذیریها و بهبود رفتار تیم خود، تحلیلگران ویدیویی را برای بازرسی مسابقات قبلی استخدام میکنند. تحلیلگران ویدیو صحنه های کلیدی را بر اساس تجربه خود جستجو و شناسایی می کنند. این صحنه های کلیدی به گونه ای انتخاب می شوند که معرف و مشخصه رفتار کلی یک تیم باشند. به گفته یک تحلیلگر ویدئویی آلمانی، این تحلیل تا سه روز کاری طول می کشد [ 1 ]. علاوه بر این، تحلیلگران ویدیویی با بازرسی دستی مسابقات اخیر حریف بعدی، به آماده شدن برای مسابقات آینده کمک می کنند. زمان مورد نیاز برای چنین تحلیلی به این بستگی دارددانش پیشینی از استراتژی های حریف معمولی.
روشهای کاملاً خودکار جایگزینی برای تحلیلگر نیستند، زیرا بازیکنان فوتبال و مسابقات بسیار متفاوت هستند. استخراج خودکار قوانین یا الگوهای معنادار با رویکردهای تحلیل آماری محض ممکن نیست. الگوهای حرکت معمولاً بسیار منعطف هستند و نیاز به تأیید توسط کارشناسان حوزه دارند. با این حال، تأیید در پایان تجزیه و تحلیل تنها نیمی از پتانسیل یکپارچه سازی کاربر است. تجزیه و تحلیل بصری از رویکرد انسان در حلقه پیروی می کند و به تحلیلگر امکان می دهد تکنیک های تجزیه و تحلیل را هدایت کند و با نتایج تعامل داشته باشد. در نتیجه، دانش حوزه با تجزیه و تحلیل بصری بهتر از تکنیک های تجزیه و تحلیل خودکار خالص گنجانده می شود.
در کار قبلی [ 2 ]، ما رویکردی را برای شناسایی خودکار موقعیتهای جالب پیشنهاد کردهایم، که مبنایی برای کاوش و تحلیل بیشتر ارائه میدهد. با این حال، هیچ توضیحی برای اینکه کدام ویژگیهای موقعیتی منجر به شناسایی خودکار موقعیتهای احتمالاً جالب شده است، وجود ندارد. در نتیجه، موقعیت های جالب شناسایی شده باید به صورت دستی بررسی شوند و ویژگی ها باید به صورت دستی استخراج شوند. برای ارائه بینش های اضافی برای موقعیت های بازی جالب، ما یک گردش کار تجزیه و تحلیل بصری برای تجسم ویژگی های تعاملی پیشنهاد می کنیم که کارشناسان را قادر می سازد ویژگی های موقعیت ها را درک کنند. سیستم ما در شکل 1 قابل مشاهده است. کارشناسان می توانند به طور تعاملی ویژگی های مشتق شده را مجدداً رتبه بندی کنند یا ترکیبی از ویژگی ها را انتخاب کنند، که بر اساس آن، محاسبه موقعیت های جالب اصلاح شده و تجسم به روز می شود. در این کار، ما مشارکت می کنیم:
-
یک گردش کار تجزیه و تحلیل بصری برای پشتیبانی از کارشناسان در کاوش ویژگی های جالب موقعیت های بازی،
-
ادغام ویژگیهای معنیدار برای توصیف متا اطلاعات موقعیتی،
-
یک تجسم تعاملی که امکان رتبه بندی مجدد تعاملی ویژگی ها و جستجوی موقعیت های جدید بازی بر اساس جستجوی شباهت را فراهم می کند.
علاوه بر این، ما سودمندی رویکرد خود را در یک مطالعه کیفی کاربر دو مرحلهای نشان میدهیم. رویکرد ما شامل توسعه بیشتر بیشتر گردش کار پیشنهاد شده توسط Janetzko و همکاران است. [ 2 ]. به همین دلیل است که ما ابتدا کاربرد گردش کار ارائه شده توسط Janetzko و همکاران را ارزیابی می کنیم. [ 2] و سپس اثربخشی رویکرد خود را نشان دهیم. ما رویکرد خود را با کمک دو کارشناس فوتبال ارزیابی می کنیم. اولین کارشناس به مدت 24 سال بازیکن فعال فوتبال بوده و 10 سال به عنوان مربی کار می کند و در حال حاضر در باشگاه فوتبال آلمان FCBayern München مشغول به کار است. کارشناس دوم 19 سال فوتبالیست فعال بوده و در حال حاضر به عنوان داور رسمی مشغول به کار است. کاربران مورد نظر رویکرد تحلیل بصری ما، تحلیلگران ویدیویی حرفه ای هستند. این تحلیلگران بخشی از تیم مربیگری هستند و به مربیان در تهیه ارائه های تیمی یا محاسبه آمار کمک می کنند. تحلیلگرهای ویدئویی به برنامههای رایانهای که در انجام وظایف روزانهشان کمک میکنند عادت دارند، اگرچه پشتیبانی از این سیستمها معمولاً محدود است. ادغام تکنیک های تجزیه و تحلیل بصری با تجزیه و تحلیل فوتبال یک چیز بدیع است،
شکل 1. ما موقعیت های مورد علاقه یک تیم را همراه با تجسم آنها از ویژگی های خاص (ویژگی ها) نمایش می دهیم. در سمت چپ زمین فوتبال (①)، جایی که حرکت بازیکن و توپ با رنگ تیمهایشان نمایش داده میشود. تجسم خط زمانی (②) امکان پیمایش سریع را فراهم می کند و می توان از آن برای پرش به هر لحظه از مسابقه استفاده کرد. حرکات جالب نیمه خودکار شناسایی شده و ویژگی های آنها در یک تجسم جریان مانند نمایش داده می شود (③). برای حرکت انتخاب شده در حال حاضر (④)، ما بلافاصله ویژگی بنفش رنگ برجسته (تعداد بازیکنانی که در یک حمله شرکت کردند) را به عنوان یک ویژگی معنایی برجسته که تقریباً همیشه در رتبه اول یا دوم قرار دارد شناسایی می کنیم.
مقاله بصورت زیر مرتب شده است. ابتدا، کار مرتبط را در بخش 2 مورد بحث قرار می دهیم . سپس، سیستم خود را با توجه به گردش کار توسعه یافته بیشتر و انتخاب های طراحی مشتق شده در بخش 3 ارائه می کنیم . در بخش 4 ، قبل از نشان دادن سودمندی رویکرد خود با مطالعه کیفی کاربر در بخش 4.3 ، کاربرد رویکرد خود را با کمک مثالهای دنیای واقعی نشان میدهیم . ما مزایا و محدودیتهای رویکرد ارائهشده را مورد بحث قرار میدهیم و علاوه بر این، جهتهای پژوهشی بالقوه برای کار آینده را در بخش 5 اشاره میکنیم . در نهایت، ما با خلاصهای از نتایج در بخش 6 نتیجه میگیریم .
2. کارهای مرتبط
کار ما به کار در تجزیه و تحلیل ورزشی، تجزیه و تحلیل مبتنی بر ویژگی و تجزیه و تحلیل بصری مربوط می شود و مبتنی بر آن است. در ادامه به جزئیات آثار منتخب از این حوزهها میپردازیم و مشارکتهای انجام شده در اینجا را با توجه به کارهای قبلی خود مشخص میکنیم.
2.1. کشف دانش برای تجزیه و تحلیل ورزش
اخیراً روشهای کشف دانش برای تجزیه و تحلیل دادههای ورزشی بزرگ استفاده شده است. رویکردهای طبقه بندی اغلب در جایی استفاده می شود که طبقه بندی کننده برای تشخیص موقعیت های خاص در یک رویداد ورزشی آموزش دیده باشد. برای این منظور، بسیاری از روشهای تجزیه و تحلیل طبقهبندی، از جمله درختهای تصمیم، ماشینهای بردار پشتیبان یا شبکههای عصبی قابل اجرا هستند [ 3 ، 4 ]. کار اخیر در مورد تجزیه و تحلیل در ورزش توسط Lucey و همکاران ارائه شده است. [ 5]، جایی که نویسندگان روشی را برای تخمین احتمال موفقیت در فوتبال ایجاد کردند. آنها کشف کردند که علاوه بر مرحله بازی (به عنوان مثال، بازی باز، ضربه آزاد)، عوامل متعددی وجود دارد که به احتمال شانس کمک می کند، به اصطلاح ویژگی های استراتژیک. پس از تعیین چنین ویژگی های استراتژیک، که با تجزیه و تحلیل یک فصل کامل از داده های ردیابی بازیکن و توپ شناسایی شدند، از ویژگی ها و یک فاصله ده ثانیه ای قبل از وقوع شانس برای پیش بینی نتیجه شانس اختصاص داده شده استفاده می شود. مشخص شد که خطای طبقهبندی را میتوان با درگیر کردن ویژگیهای حاوی معنای معنایی به طور قابل توجهی کاهش داد. یک رویکرد اخیر توسط Rathod و همکاران معرفی شده است. [ 6]، که در آن نویسندگان رویدادهای جالب را توسط یک سیستم استنتاج فازی با ورودی از ویژگی ها و درصد چمن، که هر دو از فریم های کلیدی استخراج می شوند، بازیابی می کنند. اتصال دانش تخصصی انسانی با ارزش معنایی به محتوای ویدیویی برای بازیابی خودکار رویدادها با اطلاعات معنایی در ورزش موضوع روش پیشنهادی توسط Xu و همکاران است. [ 7 ]. علاوه بر پخش ویدئو، آنها از منابع خارجی مانند زیرنویس و متن پخش اینترنتی برای شناسایی رویدادهای جالب و به دست آوردن اطلاعات معنایی آنها استفاده می کنند. ویژگی های استخراج شده از منابع صوتی، مانند تشویق، توسط Xiong و همکاران استفاده می شود. برای بازیابی و طبقه بندی رویدادهای مورد علاقه [ 8]. یک روش سه فازی متشکل از تشخیص نویز پسزمینه، طبقهبندی صدا و پردازش پس از انجام دو مُهر زمانی برای شروع و پایان رویدادهای شناساییشده است. نتایج تجربی آنها نشاندهنده دقت طبقهبندی بالای چندین ورزش و اغلب نتیجه بهتر در مقایسه با سیستمهای دیگر است.
علاوه بر رویکردهایی که عمدتاً مبتنی بر نمایش داده های انتزاعی هستند، تجسم و تجزیه و تحلیل بصری داده های ویژگی های ورزشی نیز مورد توجه است. یک کار مهم توسط پرین و همکاران. یک رابط را برای کاوش و تجزیه و تحلیل داده های فوتبال و همچنین برای انتقال بینش به دیگران معرفی می کند [ 9]]. نویسندگان استدلال می کنند که تجزیه و تحلیل کمی با توجه به آمار تک تک بازیکنان یا تیم ها به تنهایی برای درک عملکرد یک تیم یا ویژگی کل یک بازی یا فصل کافی نیست. سیستم معرفی شده آنها مجموعه ای از بازنمایی های بصری مرتبط از کل بازی و همچنین مراحل دقیق بازی را با امکان توصیف وقایع رخ داده بر اساس متن ارائه می دهد. آنها با استخراج فازها و شناسایی گروههایی از اقدامات، تحلیلگران را قادر میسازند تا مراحل و اقدامات مهم یک بازی فوتبال را مقایسه و تجسم کنند. یک ارزیابی متشکل از آزمایشهای مختلف نشان داد که متخصصان با مقایسه مراحل مختلف و معرفی و آزمایش فرضیههای یک بازی فوتبال با استفاده از سیستم معرفیشده خود، میتوانند به بینشهای جدیدی دست یابند.
تعیین کارایی یک تیم و اعضای آن، و همچنین پیشبینی نتایج با توجه به یک زمینه بازی خاص، به دلیل دادههای مکانی-مکانی دقیق و روشهای تحلیل ظریف ارزشمند میشود. چندین روش برای بسکتبال نیز اعمال شده است. تجسم عادات تیراندازی بازیکنان NBA هدف روش پیشنهادی میلر و همکاران است. [ 10]. داده های اساسی آنها شامل مکان تلاش های شلیک و موفقیت آمیز بودن آنها است. به عنوان پایه، آنها تلاش یک بازیکن را به عنوان یک فرآیند نقطه ای مدل می کنند. این اجازه می دهد تا با استفاده از فرآیندهای تصادفی تخمینی در مورد احتمال یک ضربه ساخته شده برای هر نقطه فضایی و همچنین برای هر بازیکن جداگانه انجام شود. در نتیجه، رویکرد آنها قادر به مقایسه بازده شوت بازیکنان NBA و تجسم عادات تیراندازی است که اطلاعات مفیدی برای بازیکن مدافع است. چارچوبی که توسط Dan Cervone و همکاران ارائه شده است. امکان ارزیابی کمی تصمیمات یک بازیکن در طول یک مسابقه بسکتبال را فراهم می کند [ 11]. با گسستهسازی تمامی اقدامات ممکن که بازیکنی که توپ را در اختیار دارد، در یک نقطه زمانی خاص با توجه به پیکربندی فضایی بازیکنان و توپ، مدل ارائهشده یک انتظار مشروط را محاسبه میکند. این امکان مقایسه بازیکنان در مورد تصمیم گیری و همچنین توصیف معنایی یک بازیکن بسکتبال را فراهم می کند. به طور مشابه، یک مدل فضایی ریزدانه ارائه شده توسط Yue و همکاران. قادر به پیش بینی رویدادهای آینده نزدیک با یادگیری بازنمایی های معنادار [ 12 ] است.
2.2. ویژگی های تجزیه و تحلیل فضایی و انتخاب ویژگی
تجزیه و تحلیل داده های حرکتی یک وظیفه در تجزیه و تحلیل داده های جغرافیایی-زمانی است. حرکت در زمان و مکان اتفاق میافتد و میتوان آن را در وهله اول با موقعیت به عنوان تابعی از زمان توصیف کرد که منجر به دادههای مسیر دوبعدی یا سه بعدی میشود. بسته به مسیر، مهرهای زمانی و ویژگی های بالقوه چند متغیره ثبت شده در طول مسیر، ویژگی های متعددی را می توان در رابطه با انحنا، توزیع جهت، سرعت، شتاب و غیره به دست آورد . مرورهای سیستماتیک عالی از روش های تجزیه و تحلیل بصری تجزیه و تحلیل داده های مکانی به طور کلی و برای داده های حرکتی به طور خاص در [ 13 ] و [ 14] ارائه شده است.]، به ترتیب. روشهای دادهکاوی خودکار مسیرها، از جمله طبقهبندی و تحلیل توالی، در [ 15 ] بررسی شدهاند.
توانایی استخراج و محاسبه بسیاری از ویژگی ها برای داده های حرکتی به این معنی نیست که ویژگی های مرتبط یا قابل تفسیر شناسایی شده اند. روشهای خودکار برای انتخاب ویژگی، مانند رویکرد فیلتر یا پوشش [ 16 ]، به طور خودکار زیرمجموعهای از ویژگیها را برای حل یک مشکل تجزیه و تحلیل دادههای داده شده به روشی مؤثر تعیین میکنند. این روشها معمولاً بر دادههای نظارت شده (مثلاً برای به حداکثر رساندن دقت طبقهبندی در دادههای آموزشی) یا بر اکتشافیهای بدون نظارت (مثلاً به حداقل رساندن همبستگیها بین مجموعه ویژگیها) متکی هستند. برای مثال، مشارکت وارد ادواردز روشهایی را برای اندازهگیری مطلوبیت چند ویژگی ارائه میکند [ 17]، که در آن تعداد محدودی از گزینه ها (ویژگی ها) بر اساس تعداد محدودی از معیارها (مقدار ویژگی، حداقل، حداکثر، توزیع) ارزیابی می شوند. توابع به اصطلاح سودمند برای تعیین اینکه آیا یک مقدار مشخص از یک ویژگی “بهتر” از مقدار دیگر است یا خیر استفاده می شود. هر روش ارائه شده بر اساس روش استخراج وزن ها است. نتیجه یک لیست رتبه بندی شده از گزینه های جایگزین در رابطه با رتبه کسب شده است.
در حالی که بسیاری از کارها در انتخاب ویژگی به صورت خودکار انجام می شود، روش های انتخاب ویژگی بصری و تعاملی نیز به طور فزاینده ای مورد توجه قرار گرفته اند. چارچوب رتبهبهویژگی [ 18 ] مجموعهای از دیدگاههای مقایسهای را برای شناسایی ویژگیهای با قدرت توصیفی بالا پیشنهاد کرد و به کاربر اجازه داد تا ویژگیها را به صورت تعاملی انتخاب کند. رویکرد Dimstiller یک گردش کار و دیدگاه های مناسب را برای کمک به کاربران در انتخاب ویژگی و کاهش ابعاد تعریف می کند [ 19 ]. در [ 20]، رویکردی برای مقایسه فضاهای ویژگی با ابعاد بالا بر اساس پیش بینی های دو بعدی، امکان شناسایی شباهت ها و تفاوت ها در ویژگی های نامزد را فراهم می کند. به طور کلی، مزیت انتخاب ویژگی تعاملی بصری این است که این روشها ممکن است راحتتر با تغییر وظایف کاربر تطبیق داده شوند، همانطور که معمولاً برای حل مسئله اکتشافی انجام میشود، و معمولاً هیچ معیار فیلتر ثابت یا تابع ابزاری برای آنها حل نمیشود. . تجسم ویژگی ممکن است به تحلیلگر کمک کند که چرا یک ویژگی خاص مرتبط است.
2.3. رویکردهای تجسم
در این مقاله، ما رویکردی را برای تعیین خودکار موقعیتهای جالب بازی ارائه میکنیم. هر موقعیتی وابسته به زمان است و شامل مجموعهای از ویژگیها است که موقعیت را با توجه به ارزشهای اهمیت مختلف توصیف میکند. لندسبرگر و همکاران [ 21 ] یک سیستم تجزیه و تحلیل بصری برای شناسایی داده های حرکت جالب ارائه می دهد. ایده اصلی این بود که ویژگیهای حرکتی را تابعی از زمان در نظر بگیریم و برای یافتن موقعیتهایی که بهطور قابلتوجهی با رفتار حرکتی قبلی تفاوت دارند، یک تحلیل نقطه تغییر سری زمانی اعمال کنیم. این سیستم به صورت بصری بخش های یافت شده را خلاصه می کند و پارامترهای کاربر را برای هدایت شناسایی تطبیق می دهد. برای تجسم چنین داده های با ابعاد بالا، مختصات موازی [ 22] یک راه حل برجسته هستند. هر محور یک بعد را نشان می دهد و مقادیر در امتداد محور توزیع شده و بین محورها متصل می شوند. ما از یک رویکرد مشابه برای مختصات موازی استفاده می کنیم، اما هر محور را به یک مهر زمانی خاص اختصاص می دهیم و ویژگی های توصیفی را در امتداد محورها رتبه بندی می کنیم. ویژگیها میتوانند در زمان دیگری تکرار شوند، که منجر به ارتباط بین ویژگیها میشود. رویکرد مشابهی توسط Krstajic و همکاران ارائه شده است. [ 23 ]. نویسندگان از رویکردی مشابه Themeriver [ 24]، اما زمان (محور x) را گسسته سازی کنید و تحولات مقالات خبری را به جای ویژگی ها در طول زمان تجسم کنید. این سیستم به کاربر اجازه می دهد تا پویایی زمانی اخبار و روابط آنها را به طور موثر تشخیص دهد. چندین مطالعه موردی از داده های خبری واقعی، سودمندی سیستم معرفی شده را نشان می دهد.
طراحی یک تجسم که کاربر را قادر می سازد رتبه بندی ها را تفسیر کند و چندین ویژگی ناهمگن را مقایسه کند، چالش برانگیز است. سیستمی به نام Line-Up توسط Gratzl و همکاران معرفی شده است. [ 25 ]، که در آن نمودارهای میله ای برای استخراج یک تکنیک تجسم مقیاس پذیر و کارآمد برای بررسی تعاملی، تجزیه و تحلیل و مقایسه رتبه بندی های چند ویژگی با پارامترهای مختلف استفاده می شود. تکنیکی برای تجسم تکامل رتبه بندی ورزش توسط پرین و همکاران ارائه شده است. [ 26]، که در آن نسخه ترکیبی نمودار رتبه و نمودار شیب تجسم تیم ها را با توجه به عملکرد و زمان آنها در طول یک فصل موقعیت می دهد. همانطور که نویسندگان نتیجه میگیرند، ترکیبی از این تکنیکهای تجسم امکان نمایش بزرگی شکافها بین تیمها و همچنین به حداقل رساندن همپوشانی را فراهم میکند، که اثربخشی تجسم را بهبود میبخشد.
در این مقاله، ما یک رویکرد تحلیل بصری جدید را به عنوان بهبود کار موجود در رابطه با تجسم رویدادهای وابسته به زمان ارائه میکنیم. شرح عمیقی از تصمیمات طراحی و تعامل ما برای تقویت تحلیل برای کارشناسان فوتبال در بخش 3 ارائه شده است .
2.4. سیستم تجزیه و تحلیل فوتبال مبتنی بر ویژگی و مشارکت های جدید
در کار اخیر (Janetzko و همکاران [ 2 ])، ما سیستمی را برای تجزیه و تحلیل داده های فوتبال مبتنی بر موقعیت با فرکانس بالا ارائه کردیم. سیستم ارائه شده ما قادر به ارائه نماهای تحلیلی تک نفره، چند نفره و رویداد محور برای سطوح مختلف جزئیات بود. هدف ما تجزیه و تحلیل مراحل مشابه بود. بنابراین، از کاربر خواسته شد تا ابتدا رویدادهای جالب را به صورت دستی در جدول زمانی ارائه شده برچسب گذاری کند. سپس، یک طبقهبندی به منظور تمایز بین رویدادهای بالقوه جالب و غیر جالب آموزش داده شد. به این ترتیب، رویدادهایی که قبلاً متوجه نشده بودند را می توان به عنوان بالقوه جالب طبقه بندی کرد و بنابراین، برای کاوش بیشتر به تحلیلگر پیشنهاد کرد. با استفاده از KNIME [ 27 ] و Weka [ 28]، توانستیم بر اساس آموزش کاربر، رویدادهای مرتبط مانند «شل به دروازه» را به طور خودکار شناسایی کنیم. به طور کلی، ما از طبقهبندیکنندههای بهدستآمده برای شناسایی بازههای زمانی مشابه و از این رو، رویدادهای تازه شناساییشده را اعتبارسنجی کردیم. شکل 2 گردش کار مربوطه را نشان می دهد. رویکرد پیشنهادی بر اساس ویژگیهای مختلف مسیرهای بازیکن است که از نظر معنایی قابل تفسیر نیستند. در حین آزمایش، ما توانستیم مقدار قابل توجهی از پیشنهادات مرتبط را بازیابی کنیم. یادآوری کلی ما با توجه به مجموعه کلی رویدادهای مرتبط به طور کلی محدود بود. نمایش بصری استفاده شده فواصل طبقه بندی شده را نشان می دهد، اما شامل اطلاعات زمینه و تعامل در موقعیت های بازی نمی شود.
شکل 2. گردش کار پیشنهاد شده توسط Janetzko و همکاران. [ 2 ] برای تشخیص نیمه خودکار موقعیت های جالب. داده ها از تجزیه و تحلیل بصری به سیستم داده کاوی برای جداسازی به فواصل جالب و غیر جالب صادر می شوند. طبقه بندی کننده ها برای جداسازی این فواصل و پیشنهاد رویدادهای جدید آموزش دیده اند. وقتی دوباره به سیستم تجزیه و تحلیل بصری وارد می شود، کاربر می تواند موقعیت های تازه پیدا شده را تأیید کند و طبقه بندی کننده ها را بهبود بخشد.
در این کار، ما رویکرد اصلی [ 2 ] را با معرفی ویژگیهای معنایی-معنی، که به ترتیب امکان یک فرآیند کاوش مؤثر و قابل تفسیر را فراهم میکند، پیش میبریم. ما یک گردش کار جدید و همچنین امکانات جدیدی برای تجزیه و تحلیل بصری تعاملی الگوهای حرکتی پیچیده تیم فوتبال در بخش 3.1 ارائه می کنیم.. همانطور که نتایج تجربی نشان خواهد داد، ما میتوانیم نتایج دقت طبقهبندی را بهبود بخشیم و موقعیتهای جالب را به خاطر آزمایشهایی که با یک متخصص حوزه فوتبال قضاوت میشود، به یاد آوریم. علاوه بر این، اکنون ماهیت فوتبال را بیشتر در نظر می گیریم و حرکات کامل بازی را با طول های فردی به جای فواصل دو، پنج یا ده ثانیه استخراج می کنیم. در نهایت، ما امکانات همهجانبهای برای دستیابی به بینش بصری از طریق تعامل با سیستم و ارائه بازخورد به سیستم با تجسمسازیها و قابلیتهای تعاملی بهبود یافته اضافه کردیم.
3. گردش کار و طراحی های بصری جدید برای Soccer Analytics
حمایت از تحلیلگر در جستجوی صحنه های کلیدی با گردش کار تجزیه و تحلیل بصری یک چالش است. نحوه بازی یک تیم از تیمی به تیم دیگر و از مسابقه ای به مسابقه دیگر متفاوت است. نقاط قوت و ضعف نیز ممکن است در طول زمان متفاوت باشد. تعریف قوانین و دستورالعمل های کلی برای شناسایی صحنه های کلیدی بر اساس داده های حرکتی یک کار پیچیده است. برای مقابله با این تنوع تاکتیک ها، نقاط قوت و ضعف فردی، باید از عملکردهای گذشته درس بگیریم. برای مثال، استخراج شباهتهای حملات موفق به شناسایی نقاط قوت کمک میکند. در نتیجه یک تحلیلگر باید بتواند یک یا چند صحنه مسابقه را به عنوان الگویی برای بازیابی موقعیت های جالب مشابه به سیستم پیشنهاد کند. یک ویژگی مطلوب اضافی، امکان گسترش جستجوی تحلیلگر با افزودن موقعیت های جالب تازه یافته یا طبقه بندی شده است.بخش 2.4 . در اینجا، ما دقت، کارایی و قابلیت استفاده این رویکرد را افزایش داده و آن را در یک سیستم تجزیه و تحلیل بصری مستقل بدون نیازهای خارجی ادغام کردهایم. با این حال، جستجوهای شباهت به تنهایی برای حمایت از تحلیلگران برای تعیین جالب ترین موقعیت ها و صحنه های کلیدی مسابقه کافی نیستند. یک تحلیلگر میخواهد نقطه زمانی یک موقعیت جالب را ببیند و اینکه چرا سیستم تجزیه و تحلیل بصری موقعیت را به عنوان یک موقعیت جالب پیشنهاد میکند. ما به امکاناتی نیاز داریم که نه تنها نشان دهیم چه زمانی اتفاق جالبی رخ داده است، بلکه به روشهایی نیز برای تجسم آنچه در صحنههای انتخابی میپردازیم، نیاز داریم.
در این بخش، ما یک گردش کار را بر اساس بحثهای خود با کارشناسان حوزه پیشنهاد میکنیم که امکان تجزیه و تحلیل مسابقات فوتبال را همانطور که در بالا توضیح داده شد، فراهم میکند. علاوه بر این، هدف ما حمایت از تحلیلگران برای تایید یا رد فرضیه های سیستم ما است. هدف ما این است که تحلیلگران را قادر به بازیابی ویژگی های حرکات پیشنهادی بازی کنیم. علاوه بر این، ما می خواهیم سیستم تجزیه و تحلیل بصری خود را با ارائه امکانات تعاملی مفید، که در آن تحلیلگر می تواند تجربه خود را به ارمغان بیاورد، تقویت کنیم. ما گردش کار خود را در بخش 3.1 نشان می دهیم . طراحی بصری منتج به تمام وظایف پیشنهادی در بخش 3.2 معرفی شده است .
3.1. جریان کار
ما یک گردش کار کلی برای تحلیل بصری ورزش تیمی فوتبال پیشنهاد می کنیم. دو کارشناس فوتبال در فرآیند طراحی و ارزیابی گردش کار شرکت داشتند و در نقش یک رابط عمل می کردند [ 29 ]. یک کارشناس 24 سال بازیکن فعال فوتبال بوده و 10 سال به عنوان مربی کار کرده است. او در حال حاضر در باشگاه فوتبال آلمان اف سی بایرن مونیخ استخدام شده است. کارشناس دیگر به مدت 19 سال فوتبالیست فعال بوده و در حال حاضر به عنوان داور رسمی فعالیت می کند. ما این گردش کار را با انجام چندین مصاحبه تخصصی [ 30 ] و گروه متمرکز [ 31] ایجاد کردیم] با این متخصصان، سؤالاتی در مورد اینکه یک سیستم باید چه اطلاعاتی را ارائه دهد، تا چه حد مجاز به تجسم های تعاملی پیچیده و سرعت بازیابی اطلاعات است، می پرسد. شکل 3 گردش کار کلی را بر اساس الزامات به دست آمده از مصاحبه های ما با این کارشناسان موضوع نشان می دهد. از منظر تجزیه و تحلیل بصری، گردش کار ما به تحلیلگران اجازه می دهد تا تخصص خود را یکپارچه کنند و تکنیک های تجسم و داده کاوی را به طور محکم جفت کنند. در مرحله بعد، هر انتقالی را که در گردش کار به تصویر کشیده شده است، به تفصیل شرح می دهیم.
انتخاب فاصله
فواصل یک دوره زمانی خاص مورد علاقه را نشان می دهد که با حاشیه نویسی دستی یا تشخیص خودکار تعیین می شود. یک بازه، رفتار بازیگران و محیط اطراف را با اندازه گیری هایی که در آن بازه رخ می دهد، تعیین می کند. این ویژگی های متمایز شامل، برای مثال، سرعت، شتاب یا تعداد بازیکنان مقابل در یک منطقه اطراف بازیگر است. بر اساس وظایف و علایق آنالیز، کارشناس می تواند به صورت دستی و خودکار فواصل بازی را انتخاب کند. به این ترتیب، کارشناس میتواند برای کاوش بیشتر، برای مثال، از شوتهای تعیینشده خودکار روی رویدادهای هدف، که مطابق با فاصله انتخابشده است، استفاده کند. سیستم تجزیه و تحلیل بصری ما فواصل انتخاب شده را به عنوان الگوهای موقعیتی برای آموزش مدل طبقه بندی اعمال می کند.
شکل 3. گردش کار جدید تجزیه و تحلیل بصری برای حمایت از کارشناسان در شناسایی و کاوش موقعیت های جالب در ورزش های تیمی. کاربر در فرآیند حس سازی خود با ادغام ویژگی های معنایی معنادار که اطلاعات فرا موقعیتی را توصیف می کند، پشتیبانی می شود. تجسم های تعاملی کاربر را قادر می سازد تا با توجه به تجربه خود به سیستم بازخورد بدهد.
بنینگ.
به منظور محاسبه ویژگیهای متمایز، دادههای ورودی در قالبهای زمانی با اندازه ثابت قرار میگیرند. مدت زمان هر تایم فریم به دو ثانیه تنظیم شده است. Binning به ما این امکان را می دهد که داده های ورودی پر سر و صدا را صاف کنیم و اندازه گیری های آماری معنی دار را استخراج کنیم.
آموزش و به کارگیری مدل طبقه بندی.
با انتخاب موقعیت های جالب، فواصل جالب و غیر جالب تقسیم می شوند. در نتیجه، طبقهبندیکنندههای متعدد را میتوان بر اساس موقعیتهای انتخابی بازی آموزش داد. به عنوان مثال، یک پاس طولانی به خط جلو می تواند به عنوان یک موقعیت بازی یا یک الگوی حمله مشخص شود. چندین نمونه از طبقه بندی کننده ها آموزش داده شده اند تا بتوانند بین انواع مختلف حمله تمایز قائل شوند. ما درخت مدل لجستیک (LMT)، پایه لجستیک، درخت عملکردی (FT)، کنده تصمیم و ماشین بردار پشتیبان را اعمال می کنیم. اگر یک طبقهبندیکننده برای یک موقعیت خاص، مثبت کاذب را برگرداند، بازهای که حاوی موقعیت است بهعنوان بالقوه جالب توضیح داده میشود. برای اینکه بتوانیم طبقه بندی کننده های ذکر شده را آموزش دهیم، ابتدا ویژگی های لازم هر بازیکن در زمین فوتبال را برای هر مرحله زمانی محاسبه می کنیم.2]. اغلب، ویژگی های یک نقطه در زمان برای طبقه بندی یک وضعیت مشابه کافی نیست. به همین دلیل است که در مرحله دوم سری زمانی ویژگی های هر بازیکن را به فواصل دو ثانیه ای تقسیم می کنیم، همانطور که در بالا توضیح داده شد. علاوه بر این، ما چندین مقدار آماری را در هر بازه تعیین می کنیم، مانند حداقل، حداکثر، میانگین، میانه و انحراف استاندارد. ما اندازههای بازههای مختلف را امتحان کردیم و از طریق آزمون و خطا نتیجه گرفتیم که طول دو ثانیه با مدل ما مطابقت دارد. علاوه بر این، ما از پنج طبقه بندی مختلف برای هر بازیکن در زمین فوتبال استفاده می کنیم. تمام بازه هایی که حاوی رویدادهایی هستند که به عنوان جالب شرح داده شده اند، برای طبقه بندی فواصل جالب در نظر گرفته می شوند. زیر مجموعه ای از این فواصل (به عنوان یک قاعده کلی، 33٪) سپس برای آموزش کلاس اول هر بازیکن استفاده می شود. از سوی دیگر، از آنجایی که تناسب قابل توجهی در فواصل جالب و غیر جالب وجود دارد، ما فقط فواصل زمانی یک بازیکن را برای تمرین دسته بندی کننده های خود برای کلاس دوم (غیر جالب) در نظر می گیریم. برای طبقهبندی فواصل جالب یک بازیکن، از فواصل اختصاصی او به عنوان ورودی برای هر طبقهبندیکننده استفاده میکنیم که با دادههای خود بازیکن برای فواصل غیر جالب و یک لیست جهانی حاوی تمام فواصل جالب همه بازیکنان آموزش دیده است. در نتیجه طبقهبندی، هر بازهای که بهعنوان غیرجالب توضیح داده میشود، اما به عنوان جالب (مثبت کاذب) طبقهبندی میشود، بهعنوان یک فاصله بالقوه جالب در نظر گرفته میشود. برای ارزیابی طبقهبندیکنندهها، در نظر میگیریم که آیا تمام فواصل زمانی که بهعنوان جالب توصیف شدهاند، یافت میشوند. به این ترتیب متوجه شدیم که طبقه بندی کننده های ذکر شده بهترین نتایج را به دست می آورند.
استخراج حرکات بازی
موقعیت های بازی با حرکاتی توصیف می شوند که حاوی اطلاعات بازیگران درگیر مانند سرعت یا شتاب هستند. ما از اصطلاح حرکت با توجه به یک بازی فوتبال برای توصیف فاصله زمانی دلخواه استفاده می کنیم که با گرفتن توپ شروع می شود و با چرخش نهایی پایان می یابد. طبقهبندی موقعیتهای بازی جالب مجموعهای از بازههای زمانی را برمیگرداند که طول ثابتی دارند (مثلاً دو ثانیه) و حاوی نقطهای در زمان هستند که رویداد طبقهبندیشده رخ میدهد. بنابراین، حرکات بازی از فواصل طبقهبندی شده قبلی مشتق شدهاند و به متخصص اجازه میدهند یک دید کلی از کل وضعیت داشته باشند. حرکت بازی اطلاعات اضافی را برای یک موقعیت خاص فراهم می کند و متخصص را قادر می سازد منشاء را تشخیص دهد. بر اساس فواصل جالب حاصل از طبقه بندی، حرکات بازی ابتدا با تعیین تیم صاحب توپ در نقطه ای از زمان که فاصله اختصاصی جالب شروع می شود، به دست می آید. از سوی دیگر، مالکیت توپ با در نظر گرفتن رویدادهایی که به صورت دستی شرح داده شده اند (مانند پاس، پاس، خطا،و غیره ). به عنوان گام دوم، نقاط در زمان شروع و پایان یک حرکت اختصاصی با مشخص کردن اینکه در چه نقطه ای از زمان مالکیت توپ تغییر می کند، به طور مکرر محاسبه می شود.
استخراج ویژگی و رتبه بندی.
موقعیتهای بازی معمولاً به دلیل وابستگیهای متقابل درون و بین تیمها پیچیدهتر هستند. تجزیه و تحلیل زمان و تلاش زیادی می برد. علاوه بر این، کارشناسان در دانش و تجربه متفاوت هستند، که منجر به دیدگاههای متمایز و احتمالاً بحث برانگیز در مورد موقعیتهای خاص بازی میشود. برای کمک به این فرآیند، باید پیچیدگی یک موقعیت را کاهش دهیم. بنابراین، ما روشی را پیشنهاد میکنیم تا بهطور خودکار یک حرکت پیچیده و به سختی قابل تفسیر شناسایی شده را به چندین بخش قابل درک تقسیم کنیم که به صورت گذشتهنگر در یکدیگر قرار میگیرند. این بخشهای جدا شده، به دلیل ماهیتشان، تفسیر آسانتری دارند و به کارشناسان اجازه میدهند تا در مورد بینش خود اظهارنظر کنند. در این مورد، بخش توصیفی یک حرکت را به عنوان یک ویژگی نشان می دهیم. این ویژگی های خاص به گونه ای طراحی شده اند که قابل تفسیر باشند و علاوه بر این، برای توصیف یک چشم انداز خاص از یک حرکت. چنین ویژگیهایی میتوانند به عنوان مثال بیان کنند که آیا یک حرکت شامل یک ضد حمله سریع است یا یک بازی آهسته که منجر به شانس گلزنی میشود. به منظور ایجاد یک نمای کلی سریع از چنین حرکاتی، ویژگی های استخراج شده در هر حرکت با توجه به ارتباط مربوطه رتبه بندی می شوند. توصیفات و تفاسیر تخصصی از ویژگی های معنایی-معنا در به تصویر کشیده شده استجدول 1 .
اگر توزیع ارزش در موقعیت در مقایسه با توزیع مقدار پیشفرض غیرعادی باشد، یک ویژگی مرتبط در نظر گرفته میشود. ما فرض میکنیم که مقادیر شدید جهانی نمونههای نادری از یک ویژگی را نشان میدهند. این رتبه بندی در مورد مقادیر شدید این مزیت را دارد که یک متخصص می تواند به راحتی رتبه ما را درک و تفسیر کند. ما چندین ویژگی را پیاده سازی کردیم که برای تحلیلگران مفید است. این شامل، برای مثال، ویژگی هایی است که الگوی ضد حملات سریع، موقعیت های بازی قدرت یا بازی ترکیبی را توصیف می کند.
جدول 1. توصیف ویژگی های معنایی-معنی معرفی شده. تفسیر خبره از یک ویژگی توصیف میکند که ارزش افراطی ویژگی اختصاصی با توجه به تفسیر متخصص از ویژگی اختصاصی نشاندهنده چه نوع بازیهایی است.
تجسم.
برای فعال کردن یک مرور سریع و پشتیبانی از فرآیند حس سازی متخصص، رتبه بندی ویژگی های تعیین شده با در نظر گرفتن شناخت پیش از توجه انسان ها ارائه شده است. ما متغیرهای بصری زیر را با توجه به Bertin [ 32 ] ترکیب می کنیم: رنگ، موقعیت، روشنایی و شکل. ما طراحی تجسم حاصل را در بخش 3.2 توجیه خواهیم کرد .
تغییر رتبه
از آنجایی که هر تحلیلگر ویدیویی بر اساس تجربه و سایر عوامل درک خاص خود را در مورد اهمیت ویژگی ها دارد، لازم است روش رتبه بندی ویژگی ها را فردی کنید. رتبهبندی ویژگیها تأثیر مستقیمی بر موقعیتیابی و تجسم ویژگیها دارد. برای اینکه کارشناسان بتوانند تجربیات خود را درج کنند، میتوانند مستقیماً با تجسم تعامل داشته باشند و رتبهبندی را تغییر دهند، که منجر به محاسبه مجدد رتبهبندی ویژگی پیشنهادی و در نتیجه شناسایی احتمالی موقعیتهای مختلف میشود.
جستجوی شباهت
برای تجزیه و تحلیل بیشتر، ما از جستجوی حرکات مشابه با توجه به ویژگی های انتخاب شده توسط کاربر پشتیبانی می کنیم. بر اساس این مجموعه از ویژگی های جالب، سیستم جستجوی مشابهی را در حرکات بازی انجام می دهد و رتبه بندی و تجسم را تطبیق می دهد. ما یک جستجوی شباهت با احتمالات مختلف پیشنهاد می کنیم که مفهوم جالب توجه تحلیلگر را برای بازیابی خودکار حرکات مشابه یکپارچه می کند. به عنوان معیاری برای شباهت، از رتبه بندی و همچنین انواع مختلفی از پرس و جوها استفاده می کنیم که تحلیلگر می تواند از بین آنها انتخاب کند. ما هم یک جستجوی دقیق و هم تقریبی را اجرا کردیم. جستجوی دقیق امکان یافتن حرکت هایی با ارزش رتبه بندی مشابه و موقعیت رتبه بندی ویژگی های انتخاب شده را فراهم می کند. جستجوی تقریبی با توجه به شباهت در رتبه بندی انعطاف پذیرتر است. برای اهداف پالایش، تحلیلگر می تواند یک بازه زمانی را برای جستجوی حرکات مشابه مشخص کند. علاوه بر این، یک معیار تشابه نشان می دهد که نتایج جستجو چقدر دقیق هستند، فیلترهای اضافی را امکان پذیر می کند. از نظر فنی، حرکات مشابه با مقایسه مکرر ویژگیهایی که کاربر انتخاب کرده است (مثلاً از طریق انتخاب نوار لاستیکی) با تمام ویژگیهای یک نوع از همه حرکات دیگر تعیین میشود. برای مقایسه دو حرکت، خطایی را معرفی می کنیم که نشان می دهد دو حرکت چقدر شبیه هم هستند. خطا به سادگی بر اساس تفاوت میانگین در مورد امتیازات ویژگی های انتخاب شده است. اگر خطای ویژگیهای انتخابشده در مقایسه با ویژگیهای یک حرکت دیگر کمتر از یک آستانه کاربر محور باشد، آنگاه حرکتها مشابه تلقی میشوند. به این ترتیب، تحلیلگر قادر است کیفیت و کمیت نتایج را تعریف کند.
3.2. طراحی بصری
در بخش 3.1 ، ما یک گردش کار کلی برای تجزیه و تحلیل بصری ورزش های تیمی پیشنهاد کردیم که به کارشناسان کمک می کند تا موقعیت های خاص بازی را درک کنند و بنابراین، آنها را قادر می سازد تا بینشی نسبت به داده ها به دست آورند. تجسم بخش بسیار مهمی است، زیرا رابط بین داده کاوی و تخصص کاربر است. تجسم ها و تعاملات آنها باید بر این اساس طراحی شود تا از فرآیند حس سازی تحلیلگران پشتیبانی کند. بخش های خلاصه شده از سیستم ما را می توان در شکل 1 مشاهده کرد . در پاراگراف های بعدی، طراحی بصری را به طور مفصل توضیح خواهیم داد.
زمان.
یک مسابقه فوتبال شامل بیش از نود دقیقه بازی است. این نود دقیقه شامل حرکات متعددی است که از رویدادهای مختلف تشکیل شده است که نشان دهنده اقدامات هر دو تیم برای تحقق تاکتیک های مربیان است. ما یک تجسم بصری ارائه می کنیم که نشان دهنده بعد زمانی است که در شکل 4 نشان داده شده است . ما خط زمانی را به عنوان خط کش زمان طراحی کردیم که نشان می دهد کارشناسان فوتبال به عنوان کنترل رسانه با خط کش زمان در جهت خواندن استفاده می شوند. تجسم ما به بازیابی رویدادهای قابل تنظیم (به عنوان مثال، خطاها، گل ها، تبادلات) که ممکن است مورد علاقه کاربر باشد کمک می کند. جدول زمانی علاوه بر این برای پیمایش سریع استفاده میشود و فرد را قادر میسازد تا به هر لحظه از مسابقه بپرد.
شکل 4. جدول زمانی که امکان پیمایش سریع در هر لحظه از بازی را فراهم می کند. رویدادهای انتخاب شده توسط کاربر، مانند خطاها، گل ها یا مبادلات، نمایش داده می شوند.
حرکت می کند.
تجسم برای حرکات مستقیماً در زیر خط زمانی قرار می گیرد. هر علامت نشان دهنده یک حرکت مرتبط است که توسط طبقه بندی شناسایی شده است. حرکت های نامربوط نمایش داده نمی شوند. تمام حرکات یافت شده به صورت افقی با استفاده از موقعیت متغیر بصری برای نشان دادن مهر زمانی آنها قرار می گیرند. تجسم در شکل 5 نشان داده شده است . عرض یک گلیف مدت زمان حرکت مربوطه را نشان می دهد. ما از رنگ متغیر بصری برای رمزگذاری مشخصه ترین ویژگی معنایی-معنی استفاده می کنیم. توضیحات و تفاسیر تخصصی از ویژگی های معنادار در جدول 1 نشان داده شده است. شکل مثلث متساوی الساقین برای نشان دادن پیشرفت یک حرکت بازی در طول زمان با لحظه تشدید آن (به عنوان مثال، شوت به سمت دروازه) در پایه مثلث استفاده می شود. عرض مثلث نشان دهنده طول حرکت بازی اختصاصی است. با بررسی تجسم جریان شرح داده شده در زیر، می توان ویژگی های یک موقعیت بازی را بیشتر مورد بررسی قرار داد.
شکل 5. انواع مختلف حرکات به صورت بصری به صورت گلیف با عرض های متغیر نشان داده شده است. ما از اصطلاح حرکت با توجه به یک بازی فوتبال برای توصیف فاصله زمانی دلخواه استفاده می کنیم که با گرفتن توپ شروع می شود و با چرخش نهایی پایان می یابد. رنگ یک حرکت نشاندهنده مشخصهترین ویژگی معنایی آن است (برای معنای رنگ، جدول 1 را ببینید ). عرض یک گلیف مدت زمان حرکت مربوطه را نشان می دهد. شکل یک مثلث متساوی الساقین برای نشان دادن پیشرفت یک حرکت بازی در طول زمان با لحظه تشدید آن (مثلاً شوت به سمت دروازه) استفاده می شود.
ویژگی های حرکت
برای بررسی ویژگیهای معنادار یک حرکت و توسعه آنها در طول یک بازی، ما یک تجسم را ایجاد کردیم که چندین احتمال تعامل را با هم ترکیب میکند که به فرد امکان میدهد برجسته، تغییر رتبهبندی یک ویژگی یا جستجوی حرکات مشابه باشد. طراحی تجسم ما نیاز به رسیدگی به این وظایف با ترکیب دانش پیشرفته از متغیرهای بصری و قوانین گشتالت دارد [ 33 ].
اولویت اصلی ما تجسم ویژگی های رتبه بندی شده حرکات است که بر اساس وقوع زمانی آنها قرار می گیرند. ما یک لیست از بالا به پایین را در زیر حرکت مربوطه نشان می دهیم که نام هر ویژگی معنایی رتبه بندی شده را نشان می دهد. با اختصاص رنگ متغیر بصری به هر ویژگی، تجسم را بیشتر بهبود میدهیم. نقشه رنگی انتخاب شده است تا اطمینان حاصل شود که حداقل 12 ویژگی را می توان از قبل با دقت متمایز کرد. هر ویژگی با یک مستطیل رنگی در زیر حرکت نشان داده می شود تا بتوان یک حرکت را با ویژگی های آن به سرعت مرتبط کرد. موقعیت عمودی مستطیل نشاندهنده رتبهبندی آن است، به طوری که بالاترین رتبهبندی شده با بالاترین مستطیل نشان داده میشود.
علاوه بر این، تحلیلگران می خواهند دریابند که موقعیت های شناسایی شده چگونه در طول زمان ایجاد می شوند. به منظور افزایش برجستگی بصری روندها، تصمیم گرفتیم از قانون معروف گشتالت، یعنی قانون اتصال پیشنهاد شده توسط پالمر و راک [ 34 ] استفاده کنیم. سیستم شناختی تمایل دارد عناصر را با هم گروه بندی کند، اگر توسط عناصر دیگر به هم متصل شوند. ما این ایده را دنبال میکنیم و با افزودن یک رابط بین هر ویژگی و حرکات همسایه، مقایسه رتبهبندی ویژگیها بین حرکتها را امکانپذیر میکنیم. این کانکتورها به گونهای مرتب شدهاند که کانکتور یک ویژگی با رتبه بالاتر با همه ویژگیهای رتبهبندی پایینتر همپوشانی داشته باشد تا ویژگیهای مشخصه بیشتر قابل مشاهده باشد. طرح حاصل برای تجسم ما را می توان در شکل 6 مشاهده کرد .
علاوه بر این، ما میتوانیم یک ویژگی را برای تمام حرکات انتخابی برجسته کنیم تا بتوانیم تخمین روند برای ویژگی انتخاب شده را انجام دهیم. وقتی کاربر روی یک ویژگی قرار میگیرد، با کاهش روشنایی سایر ویژگیها بر این موضوع تأکید میکنیم. جزئیات درخواستی، مانند امتیاز واقعی، از طریق نکات ابزاری که با شناور کردن روی یک مستطیل فراخوانی میشوند، نشان داده میشوند. مطابق با گردش کار پیشنهادی ما، تحلیلگر را قادر میسازیم تا به صورت تعاملی رتبهبندی ویژگیها را بر اساس تجربه خود تغییر دهد. بنابراین، تعامل از طریق کشیدن و رها کردن با تجسم ویژگی منجر به فرمول اقتباسی میشود و تغییرات بصری برای کاربر قابل توضیح است. سیستم تجزیه و تحلیل بصری ما تغییرات را در بر می گیرد و الگوریتم رتبه بندی و تجسم ها را با ترجیحات کاربر تطبیق می دهد.
شکل 6. موقعیت های بازی معمولاً به دلیل وابستگی های متقابل درون و بین تیم ها پیچیده تر هستند. ما به طور خودکار حرکات پیچیده و به سختی قابل تفسیر شناسایی شده را به چندین بخش قابل درک تقسیم می کنیم و آنها را تجسم می کنیم. در این مورد، بخش توصیفی یک حرکت را به عنوان یک ویژگی نشان می دهیم. ویژگیها به صورت مستطیل تجسم میشوند و به گونهای رتبهبندی میشوند که بالاترین رتبهبندی شده با بالاترین مستطیل نشان داده میشود.
بر اساس رتبهبندی ویژگی، یک تحلیلگر متعاقباً ممکن است بخواهد موقعیتهای مشابه را بر اساس مجموعهای از ویژگیها و مقادیر آنها جستجو کند. هر زیرمجموعه ای از ویژگی ها را می توان انتخاب کرد (یا با کلیک کردن یا از طریق انتخاب نوار لاستیکی) برای انجام پرس و جوهای جستجوی شباهت همانطور که در بخش 3.1 توضیح داده شده است . تعاملات معرفی شده در شکل 7 و شکل 8 نشان داده شده است . در هر مرحله، متخصص می تواند به عقب برود و با مجموعه ای از حرکات و پارامترهای تنظیم شده تکرار کند.
شکل 7. برای فعال کردن یک تغییر مبتنی بر تجربه در رتبه بندی ویژگی ها، مکانیزم کشیدن و رها کردن معرفی شده است. تحلیلگر میتواند یک ویژگی ( a ) را انتخاب کند، آن را به موقعیت جدید ( b ) منتقل کند و ( c ) را رها کند. در نتیجه، سیستم تغییرات را در بر می گیرد و الگوریتم رتبه بندی و تجسم ها را با ترجیحات خود تطبیق می دهد.
شکل 8. از طریق تجسم تعدیل شده، ما قادر به تخمین روند از طریق برجسته سازی هستیم. مثالی که در آن ویژگی سبز رنگ (تعداد بازیکنان غلبه شده) را برجسته می کنیم در ( a ) قابل مشاهده است. در کاوش بیشتر، ممکن است تصمیم بگیرید که به طور خودکار برای حرکت هایی با ویژگی های مشابه خاص، همانطور که در ( b ) نشان داده شده است، جستجو کنید.
4. کاربرد و ارزیابی سیستم ما
در این بخش، کاربرد گردش کار خود را با ارائه یک مثال کاربردی تحلیلی نشان میدهیم. مورد استفاده چندین تجزیه و تحلیل و یافته را ارائه می دهد که در آن یک متخصص حوزه در مورد تیم های درون یک مسابقه دانش کسب می کند. ما ویژگیهای حرکات مرتبط شناساییشده یک تیم را برای شناسایی مشترکات و شناسایی الگوهای تاکتیکی مسابقات تکی تجزیه و تحلیل میکنیم. ما در مرحله بعد مجموعه داده مورد استفاده و یک مورد استفاده از تجزیه و تحلیل را برای نشان دادن کاربرد معمولی رویکرد خود توصیف می کنیم. سپس نتایج جلسات ارزیابی انجام شده همراه با کارشناسان حوزه آموزش فوتبال را ارائه می کنیم.
4.1. مجموعه داده بازی فوتبال استفاده شده است
داده های تجزیه و تحلیل شده در کاربرد و ارزیابی سیستم ما با همکاری ارائه دهنده تجزیه و تحلیل ورزشی Prozone ( http://www.prozonesports.com/ ) ارائه شده است.). مجموعه داده شامل 66 مسابقه فوتبال حرفه ای است. برای هر یک از 22 بازیکنی که در یک مسابقه مهر زمانی دارند، داده های موقعیت دوبعدی با وضوح زمانی 100 میلی ثانیه در دسترس هستند. علاوه بر این، داده ها شامل رویدادهایی است که به صورت دستی توضیح داده شده اند (به عنوان مثال، خطاها، پاس ها، پاس ها) حاوی اطلاعاتی در مورد موقعیت، زمان و اطلاعات خاص رویداد، مانند بازیکن درگیر. این رویدادها کمتر تکرار می شوند و دقت ندارند زیرا به صورت دستی برچسب گذاری می شوند. ما این مورد استفاده را طراحی کردیم تا نشان دهیم چگونه سیستم ما میتواند به تحلیلگران در تجزیه و تحلیل و درک ویژگیهای تهاجمی و دفاعی خود و سایر تیمها کمک کند. مورد استفاده ما منعکس کننده جنبه های مهم انتخاب شده برای آماده سازی مسابقه موفق است و هدف آن بهبود عملکرد یک تیم است.
4.2. دامنه تحلیل: ویژگی های حملات تهاجمی
یک وظیفه مهم برای یک آنالیزور در طول آماده سازی مسابقه این است که بفهمد تیم مقابل چگونه حملات خود را انجام می دهد. انواع مختلفی از ترکیبها و رویکردهای تاکتیکی وجود دارد که یک مربی میتواند از بین آنها برای ایجاد یک برنامه مسابقه انتخاب کند. این طرح به بازیکنان موجود و مهارت های فردی آنها بستگی دارد. برنامه بازی زمانی که ناموفق باشد یا بازیکنان مصدوم نیاز به تعویض داشته باشند می تواند تغییر کند. بنابراین، شناسایی برنامه بازی تیم مقابل برای تحلیلگران ارزش بالایی دارد.
فرآیند تحلیل را می توان به شرح زیر توصیف کرد. ما با بارگذاری یک مجموعه داده مطابقت در سیستم خود شروع می کنیم و با توجه به گردش کار پیشنهادی ما، موقعیت های مورد علاقه یک تیم را همراه با تجسم آنها از ویژگی های خاص (ویژگی ها) همانطور که در زیر توضیح داده شده است، نمایش می دهیم. تجسم حاصل را می توان در شکل 1 مشاهده کرد . ما تجسم ویژگیهای حرکتی خود را بررسی میکنیم تا روشی را که تیم مورد علاقه در حال انجام حملات تهاجمی خود است، بررسی کنیم. همانطور که در بخش 3.2 توضیح داده شد، ویژگی ها بر اساس ویژگی آنها در این موقعیت رتبه بندی می شوند. ما بلافاصله ویژگی بنفش رنگ (تعداد بازیکنانی که در یک حمله شرکت کردند) را به عنوان یک ویژگی معنایی برجسته شناسایی می کنیم که تقریباً همیشه در رتبه اول یا دوم قرار دارد. ویژگی های دیگر، مانند رنگ زرد (سرعت حرکت) یا قرمز رنگ (فاصله پاس توپ)، گاهی اوقات مرتبط هستند، اما نه در همه زمان ها، بسته به زمینه. بنابراین حرکت بازیکنان و توپ را در زمین با نمایش مسیر حرکت آنها بررسی کردیم. ما متوجه شدیم که در اکثر حرکات، حداکثر ده بازیگر از تیم تجزیه و تحلیل شده صاحب توپ بودند که فرضیه ما را از تجسم ویژگی های حرکت تأیید می کند. با استفاده از جستجوی شباهت برای کاوش بیشتر برای این الگو، ما متوجه شدیم که این تیم خاص در موقعیتهای زیادی تلاش میکند تا حملات خود را از طریق یک بازی ساختاریافته و نسبتاً آرام سازماندهی کند. زمانی که تیم قادر به شروع یک ضد حمله در مرحله سازماندهی نشده حریف باشد، سرعت عامل مهمی است. اکنون یک تحلیلگر می تواند از دانش به دست آمده برای پیش بینی دستی رفتار تاکتیکی آینده این تیم استفاده کند. آنالیزور اکنون ممکن است به مربی اطلاع دهد که بازیکنان تیم باید روی پرسینگ تمرکز کنند تا تیم مقابل از اجرای زودهنگام برنامه بازی خود جلوگیری کند. نمونه ای برای تیمی که به جای مالکیت توپ و بازی ترکیبی، روی ضدحملات سریع تمرکز می کند را می توان در آن مشاهده کرد اکنون یک تحلیلگر می تواند از دانش به دست آمده برای پیش بینی دستی رفتار تاکتیکی آینده این تیم استفاده کند. آنالیزور اکنون ممکن است به مربی اطلاع دهد که بازیکنان تیم باید روی پرسینگ تمرکز کنند تا تیم مقابل از اجرای زودهنگام برنامه بازی خود جلوگیری کند. نمونه ای برای تیمی که به جای مالکیت توپ و بازی ترکیبی، روی ضدحملات سریع تمرکز می کند را می توان در آن مشاهده کرد اکنون یک تحلیلگر می تواند از دانش به دست آمده برای پیش بینی دستی رفتار تاکتیکی آینده این تیم استفاده کند. آنالیزور اکنون ممکن است به مربی اطلاع دهد که بازیکنان تیم باید روی پرسینگ تمرکز کنند تا تیم مقابل از اجرای زودهنگام برنامه بازی خود جلوگیری کند. نمونه ای برای تیمی که به جای مالکیت توپ و بازی ترکیبی، روی ضدحملات سریع تمرکز می کند را می توان در آن مشاهده کردشکل 9 . از بررسی تجسم حرکت، میتوانیم فرضیه خود را تقویت کنیم، زیرا میبینیم که ویژگی سبز (تعداد بازیکنان غلبهشده)، ویژگی زرد (سرعت حرکت) و ویژگی سرخابی (صراط مستقیم توپ) بسیار هستند. برجسته اینها ویژگی هایی است که نشان می دهد این تیم به حریف خود اجازه می دهد تا بازی را کنترل کند و روی دفاع تمرکز کند و همچنین ضد حملات سریع و مستقیم که در آن بسیاری از بازیکنان تیم مقابل بازی می کنند.
شکل 9. حرکت های مشتق شده از طبقه بندی اولیه در زیر جدول زمانی. می توان مشاهده کرد که به نظر می رسد این تیم روی ضد حملات سریع و مستقیم تمرکز کرده است، زیرا ویژگی سبز (تعداد بازیکنان غلبه شده)، ویژگی زرد (سرعت حرکت) و ویژگی سرخابی (صراط مستقیم توپ) است. بسیار برجسته هستند.
4.3. ارزیابی تخصصی
گردش کار ما ارائه شده در بخش 3.1 به طور قابل توجهی کار Janetzko و همکاران را گسترش می دهد. [ 2 ]. گردش کار شرح داده شده در اینجا از دو بخش تشکیل شده است: (1) شناسایی نیمه خودکار موقعیت های جالب. و (2) تجسم تعاملی ویژگی های موقعیتی. پس از طراحی شناسایی نیمه خودکار موقعیت های جالب، یک پیش مطالعه کمی و کیفی برای ارزیابی و دریافت بازخورد کارشناسان انجام دادیم. یافته های این پیش مطالعه منجر به توسعه تجسم تعاملی ویژگی های موقعیتی می شود که در یک مطالعه کارشناسی کیفی برای نشان دادن درستی و اثربخشی گردش کار ما ارزیابی می شود.
دو کارشناس فوتبال معرفی شده در بخش 3.1 هم در پیش مطالعه و هم در مطالعه کارشناسی شرکت داشتند. مجموعه مطالعات ما شامل یک ایستگاه کاری با مانیتور 24 اینچی فول اچ دی با ماوس و صفحه کلید بود. برنامه در حالت تمام صفحه اجرا شد. از کارشناسان خواسته شد تا نظرات موردی را بیان کنند (روش تفکر با صدای بلند [ 35 ، 36 ])، و تعاملات آنها برای تجزیه و تحلیل بعدی ثبت شد. ما از نظرات یادداشت برداری کردیم و همچنین برداشت های خود را در طول جلسه ثبت کردیم.
4.3.1. تشخیص رویدادهای معنایی-معنا
در ابتدا، ما یک پیش مطالعه را با هر دو متخصص انجام دادیم تا در مورد تشخیص رویدادهای جالب، بازخورد اولیه خود را آزمایش کرده و دریافت کنیم. برای ارزیابی کیفیت رویکردمان به روش کمی، با دعوت از یک متخصص دیگر، یک مجموعه داده حقیقت پایه ایجاد کردیم. کارشناس دعوت شده در ادامه ارزیابی شرکت نکرد. وظیفه او تماشا و حاشیه نویسی موقعیت های “خطرناک” در یک فیلم ضبط شده از یک مسابقه حرفه ای فوتبال لیگ بود. این موارد شامل تمام موقعیت هایی است که طبق نظر کارشناسان ممکن است منجر به گل، پنالتی، خطا یا سایر رویدادهای مربوط به مسابقه شود. از این رو، ما این موارد را جالب می دانیم. در طول مطالعه، ما از یک نسخه ناشناس از این تطابق به عنوان مجموعه داده حقیقت پایه برای ارزیابی کمی خود استفاده کردیم. چندین مسابقه ناشناس دیگر از لیگ های مختلف برای کارهای ارزیابی کیفی استفاده شد. منطبقات تجزیه و تحلیل شده برای جلوگیری از سوگیری شخصی کارشناسان و استفاده از دانش پیشینه احتمالی در هنگام تعامل با سیستم، ناشناس شده بودند. در پایان، مجموعه داده حقیقت زمینی ما شامل 35 موقعیت “خطرناک” مشروح شده بود. هر موقعیت نشان دهنده یک حرکت با طول و ویژگی های متغیر است، همانطور که در توضیح داده شده استبخش 3 . یک حرکت می تواند هم یک ضد حمله سریع و هم یک بازی ساخت و ساز کندتر و ساختارمندتر را نشان دهد. تعداد کمتر حرکات مشروح در مقایسه با سایر ورزش ها را می توان با رفتار تدافعی بیشتر تیم ها در فوتبال توضیح داد. تیم های فوتبال امروزه حتی دفاعی تر از 40 سال پیش عمل می کنند [ 37 ]. تجزیه و تحلیل اخیر مسابقات فوتبال لیگ برتر [ 38 ] همه تیم ها را با توجه به میانگین تعداد شوت ها در هر مسابقه رتبه بندی کرد. ده تیم برتر بین 10.6 تا 17.4 شوت در هر مسابقه است. سایر ورزشها، مانند فوتبال آمریکایی (125 حرکت تهاجمی در هر مسابقه در NFL)، بسکتبال (80 حرکت تهاجمی / شوت در هر مسابقه) یا هاکی روی یخ (27.6 تا 34.1 شوت در هر مسابقه در NHL) بسیار تهاجمیتر هستند [39 ]]. با توجه به این اعداد، 35 حرکت خطرناک مشروح شده که مورد توجه ویژه کارشناس ما بود را می توان واقع بینانه دانست.
در ابتدای مطالعه، عملکرد سیستم کلی و نحوه شناسایی نیمه خودکار موقعیت های جالب را برای کارشناسان توضیح دادیم. ما اجزای اصلی سیستم خود را توضیح دادیم، از جمله تجسم اصلی زمین فوتبال، که میتوان چندین تصویر برای نمایش حرکات بازیکن یا توپ اضافه کرد. پس از این، به کارشناسان آموزش دادیم که چگونه تشخیص رویدادهای معنیدار را آغاز کنند و چه پارامترهایی مانند نوع رویداد برای یک الگوی جستجو را میتوان انتخاب کرد. دو کارشناس ما که به عنوان تحلیلگر عمل می کنند، سپس یک وظیفه اساسی برای آشنایی با سیستم بر عهده گرفتند. این کار شامل جستجوی موقعیتهای “خطرناک” بود که با رویداد “شات” به عنوان اولین داده آموزشی شروع میشد. این طبقه بندی فقط برای 35 حرکت خطرناک اعمال نشد. بجای،بخش 3 . علاوه بر این، آزمایشهایی را با استفاده از طبقهبندیکنندههای آموزشدیده در مسابقات مختلف انجام دادیم. سیستم ما پس از طبقهبندی، جدول زمانی، زمین فوتبال و تصویری را ارائه میکند که به چند لحظه از بازی بالقوه علاقه نشان میدهد. کارشناسان میتوانستند هر پیشنهاد یافت شده را بررسی کنند و با آنها تعامل داشته باشند تا آنها را تأیید یا رد کنند. پس از بررسی هر پیشنهاد، کارشناسان توانستند طبقه بندی را تکرار کنند تا پیشنهادات جدیدی را که مطابق با ترجیحات شخصی او تنظیم شده بود، بازیابی کنند. پس از انجام این کار، کارشناسان آزاد بودند تا مسیرهای اکتشافی خود را دنبال کنند.
هر دو متخصص توانستند مشکل ارائه شده را حل کنند و مسیرهای اکتشافی مفید خود را دنبال کردند. علاوه بر این، نتایج تجزیه و تحلیل مجموعه داده های حقیقت زمینی ما (همانطور که متخصص توضیح داده است، در بالا مشاهده کنید) نشان داده شده است .. مجموعه داده حقیقت زمینی ما شامل 35 موقعیت “خطرناک” مشروح شده است که کارشناسان ما در نهایت توانستند با استفاده از سیستم ما 29 مورد را شناسایی کنند. بسیار جالب است که ببینیم فرآیند طبقهبندی چگونه از طریق ادغام بازخورد تحلیلگران توسعه یافته است. حرکات تایید شده هر مرحله طبقه بندی به عنوان داده های آموزشی اضافی اضافه شد. حرکات رد شده بازی اغلب نشان دهنده بازی های ست شده است، مانند ضربات آزاد یا ضربات کرنر در محوطه جریمه. کارشناسان ما در اینجا استدلال کردند که میخواهند با نمایشنامههای صحنهای به دلیل شخصیت خاصشان متفاوت رفتار کنند.
جدول 2. نتایج انباشته شده از ارزیابی کمی مجموعه داده حقیقت زمینی ما. اگرچه دقت کلی کمی کاهش می یابد، اما مزایای ادغام کاربر در فرآیند یادگیری ماشین به وضوح قابل مشاهده است.
موقعیتهای شناساییشده در تمام وظایف تحلیل شامل انواع حرکتها هستند که همیشه به نوع موقعیتها در قالب جستجوی طبقهبندیکنندهها بستگی دارد. همه موقعیتهای تایید شده بسیار مورد توجه کارشناس بود و برای بحثهای تاکتیکی فوری در وقت استراحت یا کارهای آمادهسازی بازیهای آتی مرتبط بود. یک وضعیت نمونه را می توان در شکل 10 مشاهده کرد .
در آنجا می توانیم ضد حمله سریع آبی ها را ببینیم که از دروازه بان شروع می شود. با بررسی دقیق تر، برای ما روشن شد که به خصوص سه بازیکن و بازی تیمی آنها مسئول یک ضد حمله سریع و تقریباً موفق بودند. جهت حرکت این سه بازیکن در شکل 10 نشان داده شده است . حرکت بازی زمانی شروع می شود که مهاجم راست با برچسب 1 به سرعت از مرکز به سمت جناح حرکت کند و توپ را در اختیار بگیرد. پس از آن، مهاجم راست تقریباً در تمام نیمه زمین حریف به داخل محوطه جریمه تیم قرمز مقابل دریبل می زند. درست قبل از محوطه شش قدم، او به شریک ضربه ای خود، بازیکن چپ رو به جلو، که جهت حرکت او در شکل 10 است، پاس می دهد.به عنوان 2 علامت گذاری شده است. سپس مهاجم چپ با فوروارد راست یک ضربدر را انجام می دهد تا با موفقیت تیم مقابل را گیج کند. پس از آن، فوروارد چپ روی خط پایه دریبل می زند و سعی می کند به هافبک تهاجمی چپ با برچسب 3 پاس بدهد، که در موقعیتی قرار می گرفت که بتواند روی دروازه شوت کند. اما این پاس توسط یکی از بازیکنان تیم قرمز قطع می شود و حرکت به پایان می رسد. این ضد حمله با سرعت بالا انجام شد و بیش از 19 ثانیه طول نکشید. این حرکت بازی پیدا شده، به گفته کارشناس ما، به دلیل خطرناک بودن آن، ارتباط بالایی با مربی دارد. اگر سرمربی قرمزها از این الگوی حمله مطلع بود، می توانست مدافعانش را برای بازی تیمی سریع این سه بازیکن هجومی آماده کند.
شکل 10. تشریح شده و ناشناخته قبلی حمله سریع روی جناح راست توسط تیم آبی شناسایی شده است. قابل توجه تعامل بین سه بازیکن تهاجمی شرکت کننده است که در اینجا با مسیرهای تجسم شده آنها نمایش داده می شود. هر مسیر با یک عدد برچسب گذاری شده و به طور جداگانه رنگ می شود. رنگ توپ نشان می دهد که کدام تیم در چه لحظه ای توپ را در اختیار داشت.
ما نتایج این مطالعه را بهعنوان شاخصی در نظر میگیریم که رویکرد طبقهبندی ما قادر به بازیابی پیشنهادها برای تقریباً هر نوع کار جستجو است، تا زمانی که موقعیتهای نمونه برای یادگیری از طبقهبندیکنندههای مختلف مورد استفاده وجود داشته باشد.
این دو کارشناس در حین تعامل با سیستم، نقص زیر را شناسایی کردند. مربیان می خواهند شهود یا فرضیه های مبتنی بر تجربه خود را با سیستم تعریف و تأیید کنند. برای حمایت بیشتر از این، ما به امکاناتی نیاز داریم که نه تنها نشان دهیم چه زمانی اتفاق جالبی افتاده است، بلکه برای نمایش آنچه اتفاق افتاده است. تا این مرحله، ما فقط نشانه های زمانی برای موقعیت های مورد علاقه می دادیم. سپس کاربر مجبور بود به طور مکرر انیمیشن یک صحنه را به صورت دستی بازرسی کند تا ببیند چه چیزی ردیابی شده است و در نتیجه نوع موقعیت را تشخیص دهد. این باید با ترکیب جستجو برای انواع خاصی از موقعیتها و نمایش بصری ویژگیهای آنها به منظور امکان بررسی سریع و تخمین روند توسط تحلیلگر مورد بررسی قرار گیرد.
4.3.2. آشنایی با ویژگی های حرکت گروهی
با برنامه افزودنی پیشنهاد شده در بخش 3.1 ، ما نقص فوقالذکر را برطرف میکنیم و راه حل خود را با نمایش اطلاعات پسزمینه بیشتر ارائه میکنیم تا درک تحلیلگران از اینکه چرا یک حرکت خاص بازی جالب بوده است را بهبود ببخشیم. این اطلاعات پسزمینه به تحلیلگر سرنخی میدهد که هنگام بازرسی حرکات یافت شده باید به چه مواردی توجه ویژه داشته باشد.
ارزیابی به شرح زیر انجام شد. ما با تکرار و توضیح گردش کار شروع کردیم، و اشاره کردیم که برنامه افزودنی ما در مورد ویژگی های حرکت در کجا یکپارچه شده است. کارشناسان هر دو نحوه استفاده از سیستم را به خاطر داشتند و توانستند با انجام وظایف طبقه بندی ساده، پیشنهاداتی را برای موقعیت های جالب بازیابی کنند. سپس مجموعه طراحی شده از ویژگیهای معنادار و اینکه آیا کارشناسان آنها را برای زمینه نمایش ویژگیهای یک موقعیت مناسب میدانند، بحث کردیم. هر دو متخصص اظهار داشتند که رویکرد ما برای کاهش پیچیدگی یک موقعیت با تقسیم آن به ویژگیهای معنایی-معنای مختلف را صحیح و ارزشمند میدانند. علاوه بر این، کارشناسان در مورد ویژگی های توسعه یافته به عنوان مناسب برای وظایف داده شده توافق کردند. در حین بحث، کارشناسان چندین پیشنهاد برای ویژگیهای بیشتر، عمیقتر و مرتبط با حرکت ارائه کردند، مانند میانگین میزان لمس توپ تا زمانی که بازیکن آن را پاس کند. به گفته کارشناسان ما، این یک افزودن خوب خواهد بود، زیرا برخی از مربیان حداقل لمس توپ را به عنوان افزایش شانس کلی برای موفقیت در حرکت می دانند.
پس از آن، وظایفی به کارشناسان داده شد تا قابلیت های سیستم طراحی شده ما و امکانات تعاملی مختلف آن را آزمایش کنند. همانطور که در بخش 4.3.1، یک مسابقه ناشناس و قبلاً ناشناخته بارگذاری شد و برخی از پیشنهادات برای موقعیت های جالب از طریق طبقه بندی بازیابی شدند. یک کار این بود که ویژگیهای برتر یک تیم را در طول حملات تهاجمی کشف کنیم و در عین حال از روشهای مختلف برای بازخورد دادن به سیستم استفاده کنیم. در حالی که آنها این کار را انجام می دادند، انگیزه داشتند که به ما اطلاع دهند که آیا ویژگی های بصری شده را با توجه به تجربه خود تأیید می کنند یا خیر. این کار برای هر متخصص به خوبی حل شد و منجر به گفتگوهای پرباری شد که در آن کارشناسان به تحلیل و توضیح حرکات پرداختند. به طور کلی، کارشناسان در مورد هر ویژگی حرکت نمایش داده شده توافق داشتند. یکی از کارشناسان امکان بهبود را ذکر کرد، به موجب آن، میتوانیم با تنظیم ارتفاع یک عنصر رتبهبندیشده در تجسم جریان، تأثیر یک مشخصه را بر نتیجه یک موقعیت نشان دهیم. پس از اتمام تمام کارها، کارشناسان دوباره می توانند آزادانه از سیستم برای کاوش استفاده کنند. در آنجا، کارشناسان به ویژه دوست داشتند از جستجوی شباهت برای استخراج حرکات با ویژگی های مشابه به عنوان حرکت های پرس و جو استفاده کنند. حرکت نمونه ای که کارشناسان آن را بسیار جالب می دانند را می توان در آن مشاهده کردشکل 11 و شکل 12 . این مثال از طریق جستجوی شباهت با استفاده از موقعیتی که بسیار مشخصه برای عدم سازماندهی محسوس بود، شناسایی شد.
ما ارزیابی را با یک مصاحبه ساختاریافته در رابطه با درک و سودمندی تجسم به پایان رساندیم. به طور خاص، ما در مورد تأثیر مورد انتظاری که گردش کار پیشنهادی ما بر کار یک آنالیزور حرفهای فوتبال خواهد داشت و اینکه چگونه احتمالات مختلف تعامل (رتبهبندی مجدد، برجسته کردن، جستجوی شباهت) قدردانی شد، درخواست کردیم. در نهایت، ما در مورد پیشنهادات برای بهبود پرسیدیم. کارشناسان گردش کار ما را برای شناسایی، کاوش، تجزیه و تحلیل و مقایسه موقعیتهای جالب بازی بسیار مفید تأیید کردند. آنها به مفید بودن سیستم ما برای پیش بینی رفتار تیم مقابل اشاره کردند. به گفته کارشناسان ما، تحلیلگران ویدیویی حرفه ای از سیستمی که با توجه به گردش کار ما طراحی شده است استفاده گسترده ای خواهند کرد. در حالی که به چنین سیستمی عادت کرده اید، با افزایش اعتماد او به نتایج، یک متخصص بیشتر و بیشتر از آن استفاده می کند. کارشناسان روشی را که ما ویژگیهای مشخصه حرکات را تجسم میکنیم، درک کرده و تأیید کردند. برجسته سازی بصری برای تجزیه و تحلیل توسعه یک ویژگی واحد به عنوان یک پسوند ارزشمند ذکر شد. کارشناسان از اتصالات بین ویژگی های منفرد که به آنها در انجام این کار کمک می کند قدردانی کردند. جستجوی شباهت اغلب در طول تجزیه و تحلیل، برای بررسی اینکه آیا یک الگوی یافت شده اغلب در طول یک مسابقه رخ می دهد یا خیر، استفاده می شد. برای این منظور، کارشناسان دوست داشتند که بتوانند تعریف کنند که حرکت دیگری نسبتاً باید با توجه به حرکت پایه مشابه باشد و آن را به عنوان پیشنهادی برای بررسی و مقایسه با سایر موقعیتهای مسابقه در نظر بگیرند. امکان تغییر رتبه بندی ویژگی ها با توجه به تجربه یک تحلیلگر بسیار مورد استقبال قرار گرفت.
شکل 11. این تجسم مسیر حرکت توپ را در یک حرکت به ما نشان می دهد. رنگ توپ نشان می دهد که کدام تیم توپ را در اختیار داشت. هر چه توپ شفاف تر باشد، در ابتدای حرکت حرکت بیشتری انجام می شود. این حرکت با جستجوی حرکات مشابه که در آن صریح بودن ویژگی معنیدار بسیار کم بود، شناسایی شد. بی نظمی مشخصه. قرمزپوشان اگرچه چندین بار صاحب توپ می شوند اما قادر به پاکسازی این موقعیت نیستند. این به عنوان یک شاخص قوی برای یک مربی عمل می کند.
شکل 12. همان حرکت در شکل 11 . صلیب به تصویر کشیده شده است که به حاشیه نویسی به عنوان پیشنهاد احتمالی برای تجزیه و تحلیل منجر شده است. در ادامه شاهد حرکت بازیکنان دو تیم هستیم. رنگ یک بازیکن نشان دهنده تیم او است.
5. بحث
در این بخش، روشهای پیشنهادی خود را با توجه به مزایا، محدودیتها و کاربرد رویکرد خود در حوزههای دیگر مورد بحث قرار میدهیم. علاوه بر این، ما کارهای آینده را بر اساس بازخورد کارشناسان حوزه خود ترسیم خواهیم کرد.
با توجه به ارزیابی کارشناسان، تجزیه و تحلیل نیمه اتوماتیک کمک بزرگی است، به ویژه زمانی که زمانی برای تجزیه و تحلیل کاملا دستی وجود ندارد. علاوه بر این، سیستم ارائه شده در مقایسه با تجزیه و تحلیل دستی ویدئو، امکان تجزیه و تحلیل موارد بیشتر را در زمان کمتری فراهم می کند. داده های تیم های مقابل را می توان از قبل برای جستجوی الگوهای مهم و کشف آسیب پذیری ها به دست آورد. تحولات کنونی در تحلیل و مربیگری فوتبال نشان می دهد که مربیان ترجیح می دهند به جای شهود خالص، بر اساس واقعیت ها تصمیم بگیرند. کارشناسان علاوه بر این بیان میکنند که ویژگیهای معنادار طراحیشده، همه ویژگیهای ضروری موقعیتهای بازی را نشان میدهند. آنها گردش کار ما را به عنوان مناسب برای تشخیص و تجزیه و تحلیل حرکات جالب تأیید می کنند. تحقیقات ما به عنوان یک گام مهم برای تقسیم کارآمد یک مسابقه فوتبال به بخش های قابل تحلیل و قابل درک از اطلاعات تلقی می شود. به گفته کارشناسان ما، تجسم جریان ویژگی های حرکت به راحتی قابل درک است و بینش هایی را در مورد وابستگی های متقابل و الگوهای بالقوه پیچیده ای که صحنه مسابقه از آنها تشکیل شده است، امکان پذیر می کند. یک متخصص مایل است علاوه بر این از اندازه عناصر در تجسم جریان برای نشان دادن تأثیر یک مشخصه بر نتیجه یک موقعیت استفاده کند. برجسته سازی به عنوان یک افزودنی ارزشمند برای تجزیه و تحلیل روندهای ویژگی دیده می شود. کارشناسان امکان تغییر رتبه بندی را با توجه به تجربه خود دوست داشتند. هر دو کارشناس به ویژه به سودمندی جستجوی شباهت برای کار تحلیلگران اشاره کردند. در مصاحبه،
ما انگیزه تحقیق خود را با یک فرآیند تحلیل دستی خسته کننده انجام دادیم که بسیار جامع و گران بود. ما یک سیستم تجزیه و تحلیل بصری را پیشنهاد کردیم که به فرد امکان میدهد موقعیتهای جالب را سریعتر پیدا کند. در بررسی های تخصصی خود توانستیم در جلسات دو تا سه ساعته جالب ترین موقعیت ها را تشخیص دهیم. به گفته کارشناسان موضوع، رویکرد تجزیه و تحلیل بصری ما به آنها در بررسی یک مسابقه ناشناخته قبلی و افشای بینش های جالب کمک کرد.
یکی از کارشناسان ما امکان ترسیم و حاشیه نویسی موقعیت ها را به طور مستقیم در تجسم درخواست کرد. او استدلال می کرد که به عنوان یک مربی، باید در مورد موقعیت های خاص مسابقه با بازیکنان خود ارتباط برقرار کرد و بازخورد داد. چندین پیشنهاد دیگر برای بهبود، به عنوان مثال یک ذره بین برای بزرگنمایی یا امکان اولویت بندی حرکات جدید یافت شده بازی بر اساس ارتباط آنها برای هر یک از نیم فصل های تجزیه و تحلیل بعدی، بیان شد و برنامه ریزی شده است که در آن ادغام شود. آینده.
ما سیستم خود را به گونهای طراحی کردیم که از نظر قابلیتهای دادهکاوی و رتبهبندی مدولار باشد و از نظر تعداد حرکات تحلیلشده مقیاسپذیر باشد. با توجه به موارد استفاده و بازخورد کارشناسان، معتقدیم که روش های اعمال شده مناسب هستند. در حوزه برنامه ما، حداکثر تعداد ویژگی های قابل تشخیص از نظر رنگ کافی است. ویژگیهای بیشتر تحلیلگران را تحت تأثیر قرار میدهند، و به نظر میرسد مهمتر این است که ویژگیهای نشاندادهشده از نظر معنایی معنادار باشند تا نشان دادن ویژگیهای بیشتر. این توسط قانون میلر [ 40] پشتیبانی می شود]، که استدلال می کند که تعداد اشیایی که یک انسان معمولی می تواند در حافظه کاری نگه دارد، هفت به اضافه یا منهای دو است. تعداد حرکاتی که همراه با ویژگیهای آنها تجسم میشوند، توسط عرض صفحه محدود میشود. از مطالعات و آزمایشهای ما، به نظر میرسد که تحلیل بیست حرکت در ترکیب با ویژگیهای معنادار، نیازهای تحلیلگران را برآورده میکند.
ما بر این باوریم که گردش کار پیشنهادی ما قابل تعمیم است و برای حوزههایی غیر از فوتبال قابل اجرا است. سایر ورزش های تیمی مانند بسکتبال، هندبال، هاکی روی یخ یا فوتبال آمریکایی خواص مشابهی دارند. آنها متشکل از دو تیم در حال حرکت در یک منطقه محدود و انواع مختلف رویدادهای جالب هستند که به طور بالقوه با ویژگی های معنی دار توصیف می شوند. علاوه بر این، می توان گردش کار پیشنهادی ما را در زمینه تحقیقاتی رفتار جمعی، از جمله حرکت حیوانات، اعمال، گسترش و ارزیابی کرد. تجزیه و تحلیل گروه های حیوانات متحرک، به عنوان مثال گله های پرندگان، تا حدی شبیه به ورزش های گروهی است. با این حال، حرکت حیوانات توسط قوانین بازی یا محدودیت های زمین محدود نمی شود. در نتیجه، ما علاقه مند به یافتن اشتراکات و تفاوت ها در هر دو حوزه هستیم.
در حال حاضر، ماژول رتبهبندی ویژگی مستقیم و بر اساس مقادیر شدید توزیع ویژگیها است. اگرچه مقادیر شدید در سناریوی برنامه ما کارساز بود، ممکن است مواردی وجود داشته باشد که رتبهبندی پیچیدهتری مورد نیاز باشد. چالش محاسبه رتبهبندی ویژگیها با روشهای پیچیده، اما همچنان حفظ رتبهبندی قابل بازرسی و تفسیر است. با این وجود، ما می خواهیم روش رتبه بندی خود را با چندین معیار آماری اضافی مطابق با نیازهای تحلیلگر گسترش دهیم.
کارهای آینده بیشتر شامل انتقال روش های ما از تجزیه و تحلیل های تک به چند مسابقه است. به عنوان مثال، ما به تحلیلگران فوتبال این امکان را میدهیم تا چگونگی ایجاد موقعیتهای تهاجمی را در طول یک فصل کامل یا در طول مسابقات بررسی کنند. کارشناسان ما چنین تحلیل های بلندمدتی را بسیار ارزشمند و مهم می دانند. ویژگی های معنایی ما در تماس نزدیک با کارشناسان حوزه طراحی و ارزیابی شده است. ما قصد داریم این فرآیند طراحی را ادامه دهیم، مدل سازی کنیم و حتی ویژگی های پیچیده تری را که مورد علاقه ما است، ارائه دهیم. علاوه بر این، ما شاهد یک توسعه احتمالی در آینده برای جستجوی مشابهی هستیم که به خوبی دریافت شده است. همچنین ممکن است جستجو برای موقعیتهای غیرمشابه مفید باشد. این ممکن است از کشف (جستجوی آرامش) با کمک به تحلیلگر برای دیدن موقعیت های ناشناخته جدید و سابق برای تحریک استدلال پشتیبانی کند. علاوه بر این، میتوانیم در مورد پتانسیل روشهای مورد انتظار آینده فناوری حسگر در رابطه با اندازهگیریهای فیزیولوژیکی عملکرد یک بازیگر، و همچنین تفسیر زنده و ادغام رسانههای اجتماعی، حدس بزنیم. در نهایت، ما بازخورد متخصص جمعآوریشده در طول ارزیابی خود را به منظور بهبود رویکرد تحلیل بصری خود که از مربیان در تأیید فرضیهها حمایت میکند، ادغام میکنیم.
6. نتیجه گیری
ما یک گردش کار تجزیه و تحلیل بصری برای پشتیبانی از کارشناسان در شناسایی و کاوش ویژگی های جالب موقعیت های بازی ارائه کردیم. ما توانستیم پیچیدگی و زمان مورد نیاز یک متخصص را برای بازیابی و تجزیه و تحلیل مهمترین لحظات مسابقه کاهش دهیم. علاوه بر این، با معرفی، رتبهبندی و تجسم ویژگیهای معنادار معنایی، بینشی در مورد ویژگی موقعیتی یک موقعیت بازی ارائه کردیم. تجسم های حاصل با توجه به سیستم شناختی انسان طراحی شد. فعل و انفعالاتی مانند کشیدن و رها کردن برای رتبهبندی مجدد، انتخاب نوار لاستیکی برای جستجوی شباهت و برجسته کردن ماوس، برای ارائه امکاناتی برای ارائه بازخورد و پشتیبانی از فرآیند کلی حسسازی انسان ایجاد شدهاند. رویکرد ما به طور گسترده توسط کارشناسان موضوع مورد ارزیابی قرار گرفت،
منابع
- تحلیل ویدیویی: “Der 1. FC Koeln ist das Vorbild 2011”. در دسترس آنلاین: http://www.spox.com/de/sport/fussball/zweiteliga/1110/Artikel/marcel-daum-interview-videoanalyse-eintracht-frankfurt-daten-werte-vater-sohn-christoph.html (دسترسی در 14 اکتبر 2015).
- جانتزکو، اچ. ساشا، دی. استاین، ام. شرک، تی. کیم، دی. Deussen, O. تجزیه و تحلیل بصری مبتنی بر ویژگی داده های فوتبال. در مجموعه مقالات کنفرانس IEEE در علم و فناوری تجزیه و تحلیل بصری (VAST)، پاریس، فرانسه، 25 تا 31 اکتبر 2014. صص 13-22.
- دودا، ر. هارت، پی. Stork, D. Pattern Classification , 2nd ed.; Wiley-Interscience: Hoboken، NJ، USA، 2012. [ Google Scholar ]
- هان، جی. کمبر، م. Pei, J. Data Mining: Concepts and Techniques , 3rd ed.; الزویر: آمستردام، هلند، 2011. [ Google Scholar ]
- لوسی، پی. بیالکوفسکی، آ. مونفورت، ام. کار، پی. Matthews، I. “کیفیت در مقابل کمیت”: پیش بینی ضربه های بهبود یافته در فوتبال با استفاده از ویژگی های استراتژیک از داده های مکانی-زمانی. در مجموعه مقالات کنفرانس MIT Sloan Sports Analytics، بوستون، MA، ایالات متحده آمریکا، 27-28 فوریه 2015.
- Rathod، MGI; نیکام، بررسی MDA در مورد بازیابی رویداد در فیلم فوتبال. بین المللی جی. کامپیوتر. علمی Inf. تکنولوژی 2014 ، 5 ، 5601-5605. [ Google Scholar ]
- خو، سی. ژانگ، YF; زو، جی. روی، ی. لو، اچ. Huang, Q. استفاده از متن پخش اینترنتی برای تشخیص رویداد معنایی در پخش ویدیوی ورزشی. IEEE Trans. چندتایی. 2008 ، 10 ، 1342-1355. [ Google Scholar ]
- Xiong، Z. راداکریشنان، ر. دیواکاران، ع. Huang، TS Audio بر اساس تشخیص رویدادهای برجسته استخراج از بازی های بیس بال، گلف و فوتبال در یک چارچوب یکپارچه است. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد آکوستیک، گفتار و پردازش سیگنال، هنگ کنگ، چین، 6 تا 10 آوریل 2003.
- پرین، سی. ویلموت، آر. Fekete، JD SoccerStories: شروعی برای تجزیه و تحلیل بصری فوتبال. IEEE Trans. Vis. محاسبه کنید. نمودار. 2013 ، 19 ، 2506-2515. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- میلر، آ. بورن، ال. آدامز، آر. گلدزبری، K. شدت فرآیند نقطه فاکتور: تحلیل فضایی بسکتبال حرفه ای. در دسترس آنلاین: http://arxiv.org/pdf/1401.0942v2.pdf (دسترسی در 14 اکتبر 2015).
- سروون، دی. D’Amour، A. بورن، ال. Goldsberry، K. POINTWISE: پیش بینی امتیازات و ارزش گذاری تصمیمات در زمان واقعی با داده های ردیابی نوری NBA. در مجموعه مقالات هشتمین کنفرانس تحلیل ورزشی MIT Sloan، بوستون، MA، ایالات متحده آمریکا، 28 فوریه تا 1 مارس 2014.
- یو، ی. لوسی، پی. کار، پی. بیالکوفسکی، آ. Matthews, I. یادگیری مدل های فضایی ریز دانه برای پیش بینی بازی های ورزشی پویا. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد داده کاوی (ICDM)، شنژن، چین، 14-17 دسامبر 2014. صص 670-679.
- آندرینکو، NV; آندرینکو، GL تجزیه و تحلیل اکتشافی داده های مکانی و زمانی – یک رویکرد سیستماتیک . Springer: برلین، آلمان، 2006. [ Google Scholar ]
- آندرینکو، جی ال. آندرینکو، NV; باک، پ. کیم، دی. Wrobel, S. Visual Analytics of Movement ; Springer: برلین، آلمان، 2013. [ Google Scholar ]
- ژنگ، ی. داده کاوی مسیر: یک مرور کلی. ACM Trans. هوشمند سیستم تکنولوژی 2015 . [ Google Scholar ] [ CrossRef ]
- گیون، آی. Elisseeff, A. مقدمه ای بر انتخاب متغیر و ویژگی. جی. ماخ. فرا گرفتن. Res. 2003 ، 3 ، 1157-1182. [ Google Scholar ]
- ادواردز، دبلیو. Barron، FH SMARTS و SMARTER: روشهای ساده بهبود یافته برای اندازهگیری ابزار چند ویژگی. سازمان رفتار هوم تصمیم می گیرد. روند. 1994 ، 60 ، 306-325. [ Google Scholar ] [ CrossRef ]
- سئو، جی. Shneiderman، B. چارچوب رتبه به ویژگی برای کاوش تعاملی داده های چند بعدی. Inf. Vis. 2005 ، 4 ، 96-113. [ Google Scholar ] [ CrossRef ]
- اینگرام، اس. مونزنر، تی. ایروین، وی. توری، ام. برگنر، اس. Möller, T. DimStiller: گردش کار برای تجزیه و تحلیل ابعادی و کاهش. در مجموعه مقالات کنفرانس IEEE در علم و فناوری تجزیه و تحلیل بصری (IEEE VAST 2010)، سالت لیک سیتی، UT، ایالات متحده آمریکا، 24-29 اکتبر 2010. صص 3-10.
- برم، اس. فون لندسبرگر، تی. برنارد، جی. Schreck، T. به انتخاب توصیفگر بر اساس تجزیه و تحلیل داده های مقایسه ای بصری کمک کرد. محاسبه کنید. نمودار. انجمن 2011 ، 30 ، 891-900. [ Google Scholar ] [ CrossRef ]
- فون لندسبرگر، تی. برم، اس. شرک، تی. Fellner، DW شناسایی خودکار بخشهای داده جالب در دادههای حرکت گروهی مبتنی بر ویژگی. Inf. Vis. 2014 ، 13 ، 190-212. [ Google Scholar ] [ CrossRef ]
- اینسلبرگ، آ. Dimsdale, B. مختصات موازی: ابزاری برای تجسم هندسه چند بعدی. در مجموعه مقالات اولین کنفرانس IEEE در مورد تجسم، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 23-26 اکتبر 1990. صص 361-378.
- کرستایچ، م. نجم عراقی، م. منزمن، اف. کیم، DA تجزیه و تحلیل متن بصری افزایشی توسعه داستان خبری. Proc. SPIE 2012 . [ Google Scholar ] [ CrossRef ]
- هاور، اس. هتزلر، EG; Nowell, LT ThemeRiver: تجسم تم در طول زمان تغییر می کند. در مجموعه مقالات سمپوزیوم IEEE در مورد تجسم اطلاعات 2000 (INFOVIS’00)، سالت لیک سیتی، UT، ایالات متحده آمریکا، 9 تا 10 اکتبر 2000. صص 115-123.
- گراتزل، اس. لکس، ا. گهلنبورگ، ن. فایستر، اچ. Streit، M. Lineup: تجزیه و تحلیل بصری رتبه بندی چند ویژگی. IEEE Trans. Vis. محاسبه کنید. نمودار. 2013 ، 19 ، 2277-2286. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- پرین، سی. Vernier, F. R2S2: یک تکنیک ترکیبی برای تجسم تکامل رتبه بندی ورزش. در مجموعه مقالات امتیاز چیست؟ اولین کارگاه آموزشی تجسم داده های ورزشی، آتلانتا، GA، ایالات متحده آمریکا، 3 اکتبر 2013.
- برتولد، ام آر. سبرون، ن. شوید، اف. جبرئیل، TR; کوتر، تی. ماینل، تی. اوهل، پی. سیب، سی. تیل، ک. Wiswedel، B. KNIME: استخراج کننده اطلاعات Konstanz. در تجزیه و تحلیل داده ها، یادگیری ماشین و برنامه های کاربردی ؛ Springer: برلین، آلمان، 2007; صص 913-326. [ Google Scholar ]
- هال، م. فرانک، ای. هولمز، جی. فارینگر، بی. رویتمن، پی. Witten، IH نرم افزار داده کاوی WEKA: به روز رسانی. SIGKDD کاوش. Newsl. 2009 ، 11 ، 10-18. [ Google Scholar ] [ CrossRef ]
- سیمون، اس. میتلشتادت، اس. کیم، دی. Sedlmair، M. پل زدن شکاف متخصصان حوزه و تجسم با یک رابط. در کنفرانس Eurographics در مورد تجسم (EuroVis)—مقالات کوتاه ; انجمن یوروگرافیک: کالیاری، ایتالیا، 2015; صص 127-131. [ Google Scholar ]
- بوگنر، آ. لیتیگ، بی. Menz, W. Introduction: مصاحبههای کارشناسان – مقدمهای بر یک بحث روششناختی جدید. در مصاحبه با کارشناسان ; پالگریو مک میلان: نیویورک، نیویورک، ایالات متحده آمریکا، 2009; صص 1-13. [ Google Scholar ]
- برگ، BL; Lune, H. روشهای تحقیق کیفی برای علوم اجتماعی ; پیرسون: لندن، انگلستان، 2004. [ Google Scholar ]
- Bertin, J. Semiology of Graphics: Diagrams, Networks, Maps ; ESRI: Redlands، CA، USA، 2010. [ Google Scholar ]
- تاک، ام. گشتالت اصول کاربردی در طراحی. در دسترس آنلاین: http://sixrevisions.com/web_design/gestalt-principles-applied-in-design/ (دسترسی در 14 اکتبر 2015).
- پالمر، اس. راک، I. بازاندیشی سازمان ادراکی: نقش پیوند یکنواخت. روانی. گاو نر Rev. 1994 , 1 , 29-55. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- اریکسون، کالیفرنیا؛ Simon، تجزیه و تحلیل پروتکل HA . MIT-press: کمبریج، MA، ایالات متحده آمریکا، 1984. [ Google Scholar ]
- بورن، تی. Ramey, J. تفکر با صدای بلند: تطبیق نظریه و عمل. IEEE Trans. پروفسور Commun. 2000 ، 43 ، 261-278. [ Google Scholar ] [ CrossRef ]
- تساوی عالی: چرا تیم های فوتبال نسبت به 100 سال پیش گل های کمتری می زنند؟ در دسترس آنلاین: http://www.slate.com/articles/sports/sports_nut/2013/08/the_numbers_game_why_soccer_teams_score_fewer_goals_than_they_did_100_years.html (در 14 اکتبر 2015 قابل دسترسی است).
- رده بندی تیم های لیگ برتر بر اساس تعداد شوت در هر بازی در این فصل: نتایج نگران کننده برای منچستریونایتد. در دسترس آنلاین: http://www.caughtoffside.com/2014/03/06/ranking-premier-league-teams-by-number-of-shots-per-game-this-season-worrying-results-for-manchester -united/ (دسترسی در 14 اکتبر 2015).
- چرا آمریکایی ها فوتبال را دوست ندارند در دسترس آنلاین: http://www.huffingtonpost.com/richard-greener/whyamericans-dont-like-s_b_632880.html (دسترسی در 14 اکتبر 2015).
- Miller, GA عدد جادویی هفت، به اضافه یا منهای دو: برخی محدودیتها در ظرفیت پردازش اطلاعات. روانی Rev. 1956 , 63 , 81. [ Google Scholar ] [ CrossRef ] [ PubMed ]
© 2015 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.
بدون نظر