کاربرد داده‌کاوی در شناسایی عوامل اثرگذار بر موفقیت ورزشکاران ژیمناست در آزمون‌های ورزشی

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


 

 

 

  1. 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.
  2. 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.