Модели машинного обучения в управлении студенческим спортом
Жаброва Т.А.1 
, Щербаков С.М.1
1 Ростовский государственный экономический университет (РИНХ), Ростов-на-Дону, Россия
Статья в журнале
Информатизация в цифровой экономике (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 7, Номер 1 (Январь-март 2026)
Аннотация:
Методы машинного обучения находят все более широкое применение в различных областях деятельности, включая физическую культуру и спорт. В настоящей работе анализируются основные направления применения технологий машинного обучения и искусственного интеллекта в спорте. Приводится авторская классификация, включающая такие критерии как: цель, субъект, инструмент, этап спортивной подготовки, спортивный уровень. Рассматривается применение методов машинного обучения для управления спортивными секциями университета. Описывается задача предсказания закрепления спортсменов-студентов в спортивной секции с помощью классификационных моделей машинного обучения. Построенные модели основаны на интеграции данных журналов тренировок, результатов соревновательной деятельности и данных информационной системы университета, в том числе об успеваемости. Предложенные модели, включая, основанные на деревьях решений, случайном лесе и логистической регрессии, демонстрируют возможность прогнозирования закрепления студентов-спортсменов. Реализация предложенных подходов позволяет повысить эффективность принимаемых решений в задачах управления студенческим спортом.
Ключевые слова: спорт, вуз, студент, секция, аналитика, машинное обучение, классификация
Введение
Деятельность спортсмена, тренера или спортивного руководителя напрямую связана с принятием огромного числа решений. В соответствии с самой спецификой спорта эти решения основаны на неполной информации. Часто тот, кто правильно и вовремя принял решение – тот и победил. Великолепные результаты знаменитого немецкого автогонщика Микаэля Шумахера во многом достигнуты за счет грамотной работы команды по своевременной дозаправке и замены шин. Футболист, выполняющий пенальти; тренер, выставляющий игрока в основной состав команды; директор клуба, заключающий контракт с игроком; тренер по физической подготовке, планирующий режим тренировок – вот лишь некоторые примеры принятия решений в спорте [3].
Каждое решение несет в себе значительные риски. Реализация каждого решения требует значительных затрат ресурсов. А ресурсы организма спортсмена и ресурсы спортивной организации всегда ограничены. В этих условиях применение инструментов помогающих принятие решений при управлении физической культурой и спортом на любом уровне может повысить эффективность работы.
Возможности измерений, статистики в последние годы стали широко использоваться в спортивном менеджменте. Художественный фильм «Человек, который изменил все» отражает реальную историю обращения руководителя бейсбольной команды к принятию решений на основе статистических данных. Что позволило более эффективно привлекать игроков, формировать состав на игру, выстраивать тренировочный процесс. Сегодня такой подход становится преобладающим. Отметим при этом, что еще в 70-ые годы двадцатого века руководители сборной СССР по футболу также обратились к научным методам и применению обработки статистических данных в рамках тренировочного процесса, что привело к серьезным достижениям.
Сегодня к статистике добавились машинное обучение и технологии искусственного интеллекта. Именно для ситуаций в условиях неопределенности, неполноты, не структурированности данных эти технологии позволяют обеспечить принятие обоснованных решений при управлении физической культурой и спортом [4, 6].
Отметим при этом, что не существует тенденции замены тренера или спортивного руководителя на интеллектуального робота, а также нет возможности полного исключения риска при управлении физической культурой и спортом [11].
Основная часть
На рисунке 1 приведены основные направления применения машинного обучения и искусственного интеллекта в физкультуре и спорте.
В предложенной классификации направлений применения машинного обучения и искусственного интеллекта в управлении спортом и физической культурой можно выделить такие классификационные признаки:
- цель применения технологий искусственного интеллекта в управлении спортом и физической культурой;
- субъект применения технологий искусственного интеллекта в управлении спортом и физической культурой;
- инструмент применения технологий искусственного интеллекта в управлении спортом и физической культурой [5];
- этап применения технологий искусственного интеллекта в управлении спортом и физической культурой;
- уровень применения технологий искусственного интеллекта в управлении спортом и физической культурой.
Рисунок 1 – Классификация применения машинного обучения и искусственного интеллекта в спорте и физкультуре
Например, технологии компьютерного зрения (CV) и такие библиотеки как OpenCV могут использоваться для сопровождения тренировочного процесса на уровне подготовки спортсменов-студентов для помощи в тренировках при исполнении упражнений [8, 9].
Отдельное место занимают интеллектуальные технологии поддержки принятия решений в управлении спортом и физической культурой [2]. Такие технологии опираются на наборы данных о тренировочном процессе и результатах спортивной подготовки, собранные в течение достаточно продолжительного времени [7, 10]. Модели машинного обучения и искусственного интеллекта могут оказать помощь тренеру или спортивному руководителю и могут дать возможность принимать следующие решения:
- отбор в спортивную команду [12];
- формирование команды для соревнования;
- определение оптимального уровня тренировочных нагрузок;
- выстраивание тренировочного процесса.
В качестве примера применения технологий машинного обучения рассмотрим задачу анализа и прогнозирования деятельности участников студенческой спортивной секции [1].
Исходные данные были собраны на примере функционирования спортивной секции по плаванию в крупном университете. Собираемые данные поступали из различных источников, включая:
- база данных контингента студентов (пол, возраст, курс, факультет и т.д.);
- журналы тренировок секций (число пропусков);
- протоколы соревнований (достигнутые победы и занятые призовые места различных уровней);
- журналы деканата (успеваемость);
- документы кафедры (участники секций).
Данные деперсонализированные.
Схема на рисунке 2 дает представления о предметной области и о массиве собранных данных, о сущностях и взаимосвязях. Модель показывает, задействованные сущности (спортсмен-студент, тренер, секция, соревнование и т.д.).
Модель позволяет окинуть взглядом имеющийся набор данных, а также задействованные субъекты в системе управления физкультурой и спортом на уровне вуза.
Рисунок 2 – Сущности предметной области
Собранные данные были сведены в единый датасет, фрагмент которого приведен в таблице 1.
Таблица 1 – Сводный датасет по управлению физукультурой и спортом
|
student_id
|
course
|
age
|
gender
|
faculty
|
avg_ball
|
sport_rank
|
wins
|
height
|
weight
|
month_in_section
|
percent_passed
|
status
|
|
1
|
3
|
19
|
F
|
accounting
|
4,23
|
0
|
0
|
175
|
80
|
6
|
68
|
0
|
|
2
|
1
|
23
|
F
|
computing
|
4,16
|
1
|
0
|
166
|
60
|
11
|
53
|
1
|
|
3
|
2
|
18
|
F
|
economics
|
3,33
|
0
|
1
|
173
|
67
|
8
|
27
|
1
|
|
4
|
3
|
19
|
F
|
accounting
|
3,8
|
0
|
0
|
167
|
75
|
10
|
55
|
0
|
|
5
|
3
|
23
|
F
|
low
|
3,46
|
0
|
3
|
161
|
52
|
6
|
39
|
0
|
|
6
|
2
|
21
|
M
|
economics
|
4,17
|
0
|
3
|
175
|
77
|
5
|
39
|
1
|
|
7
|
4
|
20
|
F
|
economics
|
3,63
|
0
|
1
|
166
|
63
|
7
|
29
|
0
|
|
8
|
3
|
19
|
M
|
computing
|
3,67
|
0
|
2
|
181
|
83
|
6
|
39
|
0
|
|
9
|
1
|
17
|
F
|
low
|
3,36
|
0
|
0
|
167
|
73
|
12
|
14
|
1
|
|
10
|
2
|
23
|
M
|
low
|
3,63
|
0
|
3
|
183
|
91
|
14
|
53
|
1
|
|
11
|
3
|
19
|
F
|
computing
|
4
|
1
|
0
|
171
|
62
|
5
|
65
|
0
|
|
12
|
3
|
19
|
M
|
computing
|
4,11
|
1
|
0
|
182
|
85
|
12
|
70
|
0
|
|
13
|
1
|
17
|
M
|
economics
|
4,06
|
0
|
0
|
174
|
84
|
8
|
37
|
0
|
|
14
|
2
|
18
|
M
|
economics
|
3,67
|
0
|
0
|
180
|
86
|
12
|
33
|
0
|
|
15
|
4
|
20
|
M
|
economics
|
3,99
|
0
|
3
|
174
|
64
|
13
|
54
|
0
|
|
16
|
3
|
19
|
M
|
economics
|
3,42
|
0
|
0
|
177
|
71
|
3
|
27
|
0
|
|
17
|
1
|
22
|
M
|
economics
|
3,61
|
0
|
0
|
177
|
77
|
5
|
19
|
0
|
|
18
|
1
|
21
|
F
|
economics
|
3,57
|
0
|
2
|
169
|
68
|
16
|
21
|
0
|
|
19
|
3
|
19
|
F
|
economics
|
3,86
|
0
|
0
|
169
|
79
|
9
|
60
|
0
|
|
20
|
4
|
20
|
F
|
computing
|
3,35
|
0
|
0
|
165
|
55
|
16
|
16
|
0
|
Рассмотрим столбцы и их описание и интерпретацию:
- student_id – идентификатор спортсмена-студента. Используется только внутри датасета. Все персональные данные убраны из рассмотрения, в соответствии с требованиями законодательства;
- course – курс;
- age – возраст студента-спортсмена, целых лет. В исходных данных была дата рождения но она была пересчитана;
- gender – пол. F – женский, M – мужской.
- faculty - факультет;
- avg_ball – средний балл успеваемости;
- sport_rank – наличие спортивного разряда. 1 – есть, 0 – нет;
- wins – чиcло побед или призовых мест на соревнованиях за время пребывания в секции;
- height – рост (см.);
- weight – вес (кг.);
- month_in_section – число месяцев в секции с момента поступления в нее по момент выхода или по настоящее время;
- percent_passed – процент пропущенных тренировок (фиксировался по журналам);
- status – текущий статус спортсмена – 0 отсеян 1 – продолжает заниматься в секции.
Переменная статус является целевой и собственно она и предназначена для прогнозирования с целью повышения эффективности принятия решений при управлением спортом и физической культурой на основе машинного обучения и искусственного интеллекта.
Для разведочного анализа данных используем стандартные возможности языка Python, библиотек Pandas, Matplotlib, Seaborn. Некоторые построенные графики приведены на рисунках 3 и 4.
Рисунок 3 – Гистограммы анализируемых переменных
Рисунок 4 – Ящик с усами, закрепление от различных факторов
Дальнейшие шаги по анализу и моделированию выполнены с помощью библиотек Pandas и SKlearn. При этом выполнено создание фиктивных (dummy) переменных и разделение на обучение и тестирование.
В нашем случае имеется задача автоматической классификации. При этом мы используем сразу несколько моделей машинного обучения, а именно:
- дерево решений;
- наивный Баейс;
- случайный лес;
- логистическая регрессия;
- К-близких соседей.
Модель оценивается с использованием различных показателей, включая отчеты о классификации, матрицы ошибок и ROC-кривые, для оценки ее точности и прогностических возможностей.
Пример одной из моделей (дерево решений) показан на рисунке 5. На рисунке 6 показана еще одна модель – модель логистической регрессии. Ее преимуществом является возможность наглядно оценить вклад каждого фактора в итоговый результат.
После обучения модели оценка эффективности проводиться с помощью нескольких показателей. Отчет о классификации содержит информацию о точности, отзыве и F1-баллах, что позволяет получить представление о том, насколько хорошо модель предсказывает каждый класс. Матрица путаницы отображает истинные положительные и отрицательные результаты, а также ложные срабатывания и ложноотрицательные результаты, предоставляя подробное представление о работе модели. Кроме того, кривая ROC и показатель AUC оценивают способность модели различать классы, подчеркивая ее общую прогностическую силу.
Рисунок 5 – Дерево решений для прогнозирования закрепления студента-спортсмена
Рисунок 6 – Модель логистической регрессии
Полученные ROC-кривые для различных моделей показаны на рисунке 7.
Рисунок 7 - Визуализация кривой ROC
На этом изображении показаны кривые ROC, которые использовались для оценки эффективности бинарной классификации модели
По оси X на кривой ROC отложен показатель ложноположительных результатов (FPR), который представляет собой долю случаев отрицательного результата, которые неправильно классифицируются как положительные. По оси Y отложен показатель истинно положительного результата (TPR), который представляет собой долю случаев положительного результата, которые правильно классифицируются как положительные.
Идеальный классификатор имел бы кривую ROC, которая идет прямо от нижнего левого угла (0,0) к верхнему левому углу (0,1), а затем пересекает верхнюю часть графика (1,1). Это указывает на то, что модель способна правильно классифицировать все положительные и отрицательные примеры.
Таким образом, построен ряд моделей машинного обучения для прогнозирования закрепления молодого спортсмена в секции. Использовались различные методы автоматической классификации.
Проведена оценка и интерпретация полученных моделей машинного обучения.
По результатам моделирования можно сделать несколько выводов:
- была разработана классификация направлений применения машинного обучения и искусственного интеллекта в управлении физкультурой и спортом, отражающая уровень, этап, цель, субъект и технологию искусственного интеллекта для управления спортом и физической культурой;
- сформирован перечень необходимого функционала для построения модели машинного обучения для управления спортом и физической культурой;
- построена предсказательная модель машинного обучения по принципу автоматической классификации с помощью нескольких алгоритмов для управления тренировочным процессом (на примере спортивного плавания). Модель позволяет осуществлять автоматическую классификацию ожидаемых результатов на основе имеющихся данных и обладает хорошей предсказательной способностью. Модель может использоваться в задачах спортивного отбора, формирования команд, выстраивания тренировочного процесса.
Заключение
Таким образом, описанные подходы и инструменты, а также приведенные модели свидетельствуют о значительном потенциале прогнозирования и поддержки принятия решений в управлении студенческим спортом на основе обработки и анализа данных с помощью машинного обучения.
Применение выполненных разработок позволит эффективно использовать возможности методов и инструментов машинного обучения для помощи спортсмену, тренеру, руководителю спортивной организации.
Источники:
2. Бойко Г.М., Пурыгина М.Г. Применение искусственного интеллекта и его помощь игрокам и тренерам в спорте // Молодой ученый. – 2021. – № 50(392). – c. 578-581.
3. Быков Н.Н., Щербаков С.М., Киселев В.Н. Цифровизация процессов спортивной подготовки // Развитие логистики в условиях санкционных ограничений и международной экономической интолерантности: Материалы международной научно-практической конференции: XVIII Южно-Российский логистический форум. Ростов-на-Дону, 2022. – c. 327-332.
4. Жаброва Т.А., Анцибор Н.А. Искусственный интеллект в спортивной индустрии: области применения искусственного интеллекта. / Сборник статей: Информационные системы, экономика и управление: Ученые записки. - Ростов-на-Дону: Ростовский государственный экономический университет «РИНХ», 2024. – 219-223 c.
5. Кондаков В.Л., Шепляков А.С. Анализ мобильных приложений для повышения уровня двигательной активности студенческой молодежи // Вестник Тамбовского университета. Серия: Гуманитарные науки. – 2022. – № 2. – c. 443-450. – doi: 10.20310/1810-0201-2022-27-2-443-450.
6. Мануйленко Э.В., Тащиян А.А., Созаева А.С. Использование технологий искусственного интеллекта в спорте // Экономика и управление. – 2025. – № 1. – c. 99-112. – doi: 10.18334/sport.5.1.121234.
7. Рудольф Г., Шмидт С.Л., Вульф Г. Глубокое обучение для классификации уровней результативности спортсменов: тематическое исследование в легкой атлетике // Журнал спортивной аналитики. – 2021. – № 1. – c. 43-56.
8. Чавес Р.О., Гонсалес Г., Эскофье Б.М. Машинное обучение и модели, основанные на данных, для спортивной биомеханики: всесторонний обзор // Журнал спортивной науки и медицины. – 2020. – № 2. – c. 148-167.
9. Шмидт А. Распознавание движений при штрафных бросках в баскетболе // Наука о движении человека. – 2012. – № 31(2). – c. 360-382.
10. Ding Peng Analysis of Artificial Intelligence (AI) Application in Sports // Journal of Physics: Conference Series. – 2019. – p. 032044. – doi: 10.1088/1742-6596/1302/3/032044.
11. Fister I., Ljubič K., Suganthan P.N., Perc M. Computational intelligence in sports: Challenges and opportunities within a new research domain // Applied Mathematics and Computation. – 2015. – p. 178-186. – doi: 10.1016/j.amc.2015.04.004.
12. Olga V., Sergey S., Nikolay B., Eleonora M. Development of an Expert Information System for Sports Selection and Orientation Using Fuzzy Logic Methods // Advances in Intelligent Systems and Computing. – 2021. – p. 417-425. – doi: 10.1007/978-3-030-64058-3_52.
Страница обновлена: 23.01.2026 в 10:59:03
Machine learning models in student sports management
Zhabrova T.A., Shcherbakov S.M.Journal paper
Informatization in the Digital Economy
Volume 7, Number 1 (January-March 2026)
Abstract:
Machine learning methods are increasingly being used in various fields of activity, including physical education and sports. The article analyzes the main areas of application of machine learning and artificial intelligence in sports. The author's classification is given.
The classification includes such criteria as purpose, subject, instrument, stage of sports training, and sports level. The application of machine learning methods to manage university sports sections is considered. The problem of predicting the retention of student athletes in the sports section using machine learning classification models is described. The constructed models are based on the integration of training logs, competitive activity results, and university information system data, including academic performance. The proposed models, including those based on decision trees, random forest, and logistic regression, demonstrate the possibility of predicting student-athlete retention. The implementation of the proposed approaches makes it possible to increase the effectiveness of decisions made in the management of student sports.
Keywords: sports, university, student, section, analytics, machine learning, classification
JEL-classification: I21, I23, I18, Z20
References:
Antsibor N.A. (2023). Integration of artificial intelligence technologies into the physical education curriculum at universities Rostov-on-Don: Rostovskiy gosudarstvennyy ekonomicheskiy universitet «RINKh».
Boyko G.M., Purygina M.G. (2021). The use of artificial intelligence and its assistance to players and coaches in sports. The young scientist. (50(392)). 578-581.
Bykov N.N., Scherbakov S.M., Kiselev V.N. (2022). Digitalization of sports training processes Logistics development in the context of sanctions restrictions and international economic intolerance. 327-332.
Chaves R.O., Gonsales G., Eskofe B.M. (2020). Machine learning and data-driven models for sports biomechanics: a comprehensive overview. Zhurnal sportivnoy nauki i meditsiny. 19 (2). 148-167.
Ding Peng (2019). Analysis of Artificial Intelligence (AI) Application in Sports Journal of Physics: Conference Series. 1302 032044. doi: 10.1088/1742-6596/1302/3/032044.
Fister I., Ljubič K., Suganthan P.N., Perc M. (2015). Computational intelligence in sports: Challenges and opportunities within a new research domain Applied Mathematics and Computation. 262 178-186. doi: 10.1016/j.amc.2015.04.004.
Kondakov V.L., Sheplyakov A.S. (2022). ANALYSIS OF MOBILE APPLICATIONS TO INCREASE THE LEVEL OF PHYSICAL ACTIVITY OF STUDENTS. Vestnik Tambovskogo universiteta. Seriya: Gumanitarnye nauki. 27 (2). 443-450. doi: 10.20310/1810-0201-2022-27-2-443-450.
Manuylenko E.V., Taschiyan A.A., Sozaeva A.S. (2025). ARTIFICIAL INTELLIGENCE TECHNOLOGIES IN SPORTS. Ekonomika i upravlenie. 5 (1). 99-112. doi: 10.18334/sport.5.1.121234.
Olga V., Sergey S., Nikolay B., Eleonora M. (2021). Development of an Expert Information System for Sports Selection and Orientation Using Fuzzy Logic Methods Advances in Intelligent Systems and Computing. 1306 417-425. doi: 10.1007/978-3-030-64058-3_52.
Rudolf G., Shmidt S.L., Vulf G. (2021). Deep Learning for Classifying Athletes' Performance Levels: a Case Study in Athletics. Zhurnal sportivnoy analitiki. 7 (1). 43-56.
Shmidt A. (2012). Motion recognition during free throws in basketball. Nauka o dvizhenii cheloveka. (31(2)). 360-382.
Zhabrova T.A., Antsibor N.A. (2024). Artificial intelligence in the sports industry: applications of artificial intelligence Rostov-on-Don: Rostovskiy gosudarstvennyy ekonomicheskiy universitet «RINKh».