Prédire les performances d'un athlète est un défi pour la recherche, longtemps poursuivi par les chercheurs du monde entier, s’appuyant sur des outils issus de la psychologie, des statistiques, de l'informatique, etc. Jusqu'à présent, ces prédictions reposaient principalement sur un facteur limité : les performances passées du joueur. Cependant, les chercheurs du Technion ont ajouté un nouveau facteur de prédiction : les transcriptions des entretiens d'avant-match avec les joueurs, soit une information qui se situe hors du champ sportif. Le concept et l'étude ont été publiés dans la revue Computational Linguistics.
Les chercheurs ont émis l'hypothèse que les entretiens d'avant-match contenaient d’importantes informations pouvant améliorer les prédictions quant au comportement et les performances d'un joueur lors du match à suivre. Le raisonnement est que le comportement d'un athlète lorsqu’il est enjeu est très difficile à prévoir, car l'activité se déroule dans un espace complexe et dynamique. Egalement, les performances sont influencées par l’environnement, les décisions rationnelles et les émotions internes du joueur. Toutes ces dynamiques ne peuvent donc pas être prédites uniquement sur la base des performances passées.
L'étude s'est basée sur un ensemble de données constitué d'entretiens avec les médias avant et après le match, ainsi que sur des mesures de performances au cours de celui-ci. Il contenait 5 226 interviews de 36 joueurs majeurs de la NBA. Chacune des paires a été étudiée en fonction de la relation entre l'entretien et la performance. Plus précisément, cette relation a été mesurée par la corrélation entre la transcription de l'interview et les écarts des indicateurs de performance dans le jeu qui sont : les prises de risques et les décisions stratégiques. Un exemple de prise de risque est une tentative de tir longue distance (comptant pour trois points). Un exemple de comportement stratégique est le choix d'une approche défensive.
Les chercheurs ont conçu plusieurs modèles, utilisant des réseaux neuronaux profonds de pointe pour prédire les actions des joueurs en fonction du contenu de leurs interviews. Ces modèles sont capables à la fois de faire des prédictions basées uniquement sur le texte de l'entretien, mais aussi sur une combinaison de textes issus d’interview et de mesures des performances passées. Les modèles basés juste sur le texte ont obtenu de biens meilleurs résultats que ceux basés uniquement sur des mesures de performance, ce qui démontre l'importance du langage dans la prédiction des actions. Enfin, les modèles qui utilisaient à la fois les textes des entretiens et les mesures des performances passées des joueurs ont encore davantage portés leurs fruits.
Par exemple, dans une interview d'avant-match précédant les finales 2016 de la NBA, LeBron James, qui jouait alors avec les Cleveland Cavaliers, a été interrogé sur son état mental et sur ce qu’il ressentait par rapport à son histoire personnel (James est né à Cleveland, et est revenu dans l'équipe pour essayer de lui faire gagner son premier championnat). James a expliqué qu’il se sentait bien, et a fait part de sa concentration et de son sentiment d'aisance au début des matchs. En conséquence, le professeur Reichart a expliqué : "Nos modèles ont traité le texte et ont deviné que la performance offensive de James serait au-dessus de ses moyennes passées. En pratique, les finales de 2016 se sont terminées par le premier - et unique – trophée de champion NBA pour Cleveland. Lors de ces matchs, James s'est surpassé et a été la vedette de la série, comme nos modèles l'avaient prédit. "
Recevez les actualités du Technion France
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form