نوع مقاله : مقاله پژوهشی
نویسندگان
1 کارشناس‌ارشد مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد سنندج، سنندج، ایران.
2 استادیار گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد سنندج، سنندج، ایران
3 استادیار گروه مدیریت ورزشی دانشگاه کردستان، سنندج، ایران
چکیده
ژیمناستیک بهعنوان ورزش پایه و مادر به مهارت‌ها و قابلیتهایی از جمله قدرت، سرعت، انعطاف و چابکی نیاز دارد. مربیان و سرپرستان تیمها همواره سعی در ارزیابی و سنجش این مهارت‌ها با استفاده از آزمونهای طراحی‌شده در بازههای زمانی مختلف دارند. شناسایی موفقیت یک ژیمناست براساس این نتایج به تجربۀ بسیار زیادی نیاز دارد. بر این اساس در این مقاله، تلاش شده است تا با بومیسازی آزمون استاندارد تیم ملی ژیمناستیک آمریکا متناسب با جنس و سن ورزشکاران استان کردستان مهارت‌های مختلف براساس تکنیکهای دادهکاوی ارزیابی شود تا تأثیرگذارترین مهارت‌ها در کسب نتیجۀ مناسب با استفاده از الگوریتمهای استخراج پارامترهای کلیدی بررسی شود. نتایج حاکی از آن است که قدرت و سرعت تأثیرگذارترین عامل موفقیت یک ژیمناست در آزمونهای صورت‌گرفته‌اند. در نهایت می‌توان گفت ژیمناست‌هایی که در بدو ورود از عامل قدرت و سرعت بیشتری نسبت به ژیمناست‌های دیگر برخوردارند، در این رشته موفقتر خواهند بود.
کلیدواژه‌ها
عنوان مقاله [English]
Application of Data Mining to Identifying Factors Affecting Gymnasts' Success in Sports Tests
نویسندگان [English]
- Seyed Adib Sheykh Ahmadi 1
- Seyed Amir Sheykh Ahmadi 2
- Sardar Mohamadi 3
1 . MSc in Computer Engineering, Islamic Azad University, Sanandaj Branch, Sanandaj, Iran.
2 Assistant Professor, Department of Computer Engineering, Islamic Azad University, Sanandaj Branch, Sanandaj, Iran
3 Assistant Professor, Department of Sport Management, University of Kurdistan, Sanandaj, Iran
چکیده [English]
Gymnastics as a basic sport needs learning basic skills and abilities such as strength, speed, flexibility and agility. Team coaches and supervisors always try to evaluate and measure these skills using designed tests in different time periods. Identifying the success of a gymnast based on these results needs tremendous experience. Accordingly this paper attempted to localize the standard test of America national team in accordance with age and sex of Kurdistan gymnasts and to evaluate various skills based on data mining techniques so that the most influential skills in gaining good results can be examined by algorithms of extracting key parameters. Results indicated that the most influential factors in the success of a gymnast in the tests were power and speed. Finally, it can be noted that gymnasts who have more power and speed than the others at the beginning of the exercise can be more successful in this field.
کلیدواژه‌ها [English]
- Clustering
- Data Mining
- Education
- gymnastics
- skills assessments
- جیم براون (1385). ترجمۀ سعید ارشم، الهام رادنیا، استعدادیابی در ورزش ( نحوۀ شناسایی و رشد ورزشکاران برجسته) ، نشر علم وحرکت، چاپ اول، ص 21-10.
- ابراهیم، خسرو؛ حلاجی، محسن (1386). مبانی نظری و فرآیند استعدادیابی ورزشی، انتشارات بامداد، چاپ اول، ص 55-45.
3 Avouris, N., Komis, V., Fiotakis, G., Margaritis, M., &Voyiatzaki, E. "Why logging of fingertip actions is not enough for analysis of learning activities", in Workshop on Usage analysis in learning systems at the 12th International Conference on Artificial Intelligence in Education, Amsterdam, Netherland, pp. 1-8, 2005.
4. Cao, C., “Sport Data mining technology used in basketball outcome prediction”, Master theses, Dublin Institute,pp.10-15, 2012.
5. Corporation, T.C., "Introduction to Data mining and Knowledge Discovery", pp. 100-110, 1999.
6. Davoodi, E., Kulakov, A.R., “Horse Racing Prediction using Artificial Neural Networks”, Recent Advances in Neural Networks, Fuzzy Systems & Evolutionary Computing, pp. 32-41, 2010.
7. Hwang, G. J., Hsiao, C. L., & Tseng, J. C. “A computer-assisted approach to diagnosing student learning problems in science courses”. J. Inf. Sci. Eng., Vol. 19, pp. 229-248, 2003.
8. Kingsford, C., Salzberg, S.L, “What are decision trees?", nature biotechnology,pp.1011-1013, 2008.
9. Lu, J,“Personalized e- learning material recommender system”, in Proceedings of the International conference on information technology for application, Utah, USA, pp. 374–379, 2004.
10. McCabel, A.,Travathan, J., “Artificial Intelligence in sports prediction”, pp.120-130, 2008.
11. Palamer, A., Jimenez, R., And Gervilla, E., "Data mining: Machine learning and statistical Technique", University of the Balearic Islands Spain, pp.70-81,2011.
12. Roberto, G, GUEISBUHLER, A.,”Codes of POINTS 2013 – 2016”,FÉDÉRATION INTERNATIONALE DE GYMNASTIQUE, pp. 40-45, 2014.
13. Romero, C., & Ventura, S., “Educational data mining: A survey from 1995 to 2005”, pp.10-25, 2006.
14. Sleeper, M. D., Kenyon, L. K., & Casey, E., “Measuring Fitness In Female Gymnasts: The Gymnastics Functional Measurement Tool”, International journal of sports physical therapy, Vol. 7, pp. 124-138, 2012.
15. Tang, T., &McCalla, G, “Utilizing Artificial Learners to Help Overcome the Cold-Start Problem in a Pedagogically-Oriented Paper Recommendation System", in Proceedings of the International Conference on Adaptive Hypermedia, pp. 245-254, 2004.
16. Zdravevski, E., Kulakov, A., “System for prediction of the winner in a sport Game”, pp. 55-63, 2009.
)