Max大郭（备注：郭佰鑫）关于股票的专业
一位运营着公众号体育科学和生成式AI爱好者，喜欢刷资讯读书的22级本科生
随着体育和足球领域表现分析（PA）的发展，如今有众多分析方法可基于赛事表现提供客观的视频与数据洞察。本叙述性综述旨在探讨体育和足球领域的PA，批判性评估过往及当下的PA技术，并展望PA的未来发展，以此增进相关知识，为PA实践提供参考。研究方法为对人工及计算机化的符号分析、人工及计算机化的时间动作分析、可穿戴技术、体育场基础设施、人工智能，以及PA伦理考量等领域的关键研究文献进行回顾。研究发现，体育和足球领域的从业者在进行技术、战术和身体分析时，可采用多种PA方法。每种技术的工作流程和预算需求各不相同，这影响着其优势、劣势以及可及性。通过对这些方法的评估，本综述构建了一个决策矩阵，从业者可依据自身资源、基础设施和分析目标，借助该矩阵确定最适宜的PA程序。此外，本综述还发现，在提供PA分析结果时，存在关键的伦理考量因素。鉴于现有的PA工具种类繁多，且未来人工智能的影响可能会进一步增强，从业者需审慎考虑进行何种分析、何时提供分析结果，以及如何传递信息，以确保相关实践既有效又符合伦理规范。
展开剩余98%各位在评论区的每一条留言我都会看的！
您对我有什么期望和建议都可以发给我！谢谢您
如果您认可我的内容，希望您可以帮我三连传播（转发）一下本文！
▲ 需要原文pdf的请私信作者获取：MaxGBX
往期好书推荐:
文章主要的知识点梳理1. 摘要（Abstract）
核心内容：
本文通过 叙述性综述，系统回顾了体育与足球表现分析（PA）的 历史演变、当前技术与未来趋势，重点评估了不同方法的优缺点，并提出了 决策矩阵和伦理框架。
关键贡献：
首次整合多维度分析方法（技术、战术、身体），覆盖手动符号分析、可穿戴技术、AI等。
提出资源导向的决策矩阵，帮助从业者根据预算和基础设施选择分析方法。
强调伦理问题，尤其在数据反馈方式和运动员监控中需平衡效率与人性化。
重要结论：
★“技术进步虽提升了分析效率，但需警惕过度依赖技术导致的 去人性化风险。”
核心内容：
本文通过 叙述性综述，系统回顾了体育与足球表现分析（PA）的 历史演变、当前技术与未来趋势，重点评估了不同方法的优缺点，并提出了 决策矩阵和伦理框架。
关键贡献：
首次整合多维度分析方法（技术、战术、身体），覆盖手动符号分析、可穿戴技术、AI等。
提出资源导向的决策矩阵，帮助从业者根据预算和基础设施选择分析方法。
强调伦理问题，尤其在数据反馈方式和运动员监控中需平衡效率与人性化。
首次整合多维度分析方法（技术、战术、身体），覆盖手动符号分析、可穿戴技术、AI等。
提出资源导向的决策矩阵，帮助从业者根据预算和基础设施选择分析方法。
强调伦理问题，尤其在数据反馈方式和运动员监控中需平衡效率与人性化。
重要结论：
★“技术进步虽提升了分析效率，但需警惕过度依赖技术导致的 去人性化风险。”
“技术进步虽提升了分析效率，但需警惕过度依赖技术导致的 去人性化风险。”
背景与目标：
PA的定义：通过定量（如进球数）和定性（如视频）数据，客观评估运动员的 技术、战术、身体、心理与社会表现，支持教练决策。
历史痛点：早期依赖主观回忆（准确率仅**80%**），且随时间推移记忆衰退。
技术突破：视频技术解决了实时记录与反馈的难题。
足球PA的特殊性：
超过70年的应用历史，技术、战术和身体分析为主流。
心理与社会行为分析的挑战：需通过 间接指标（如传球网络反映团队凝聚力）评估。
研究目标：
系统性梳理PA技术发展，提出未来研究方向（如AI整合与伦理规范）。
背景与目标：
PA的定义：通过定量（如进球数）和定性（如视频）数据，客观评估运动员的 技术、战术、身体、心理与社会表现，支持教练决策。
历史痛点：早期依赖主观回忆（准确率仅**80%**），且随时间推移记忆衰退。
技术突破：视频技术解决了实时记录与反馈的难题。
PA的定义：通过定量（如进球数）和定性（如视频）数据，客观评估运动员的 技术、战术、身体、心理与社会表现，支持教练决策。
历史痛点：早期依赖主观回忆（准确率仅**80%**），且随时间推移记忆衰退。
技术突破：视频技术解决了实时记录与反馈的难题。
足球PA的特殊性：
超过70年的应用历史，技术、战术和身体分析为主流。
心理与社会行为分析的挑战：需通过 间接指标（如传球网络反映团队凝聚力）评估。
超过70年的应用历史，技术、战术和身体分析为主流。
心理与社会行为分析的挑战：需通过 间接指标（如传球网络反映团队凝聚力）评估。
研究目标：
系统性梳理PA技术发展，提出未来研究方向（如AI整合与伦理规范）。
系统性梳理PA技术发展，提出未来研究方向（如AI整合与伦理规范）。
早期PA的起源：
棒球与网球：最早采用符号分析（如记录击球次数）。
足球的复杂性：因比赛动态性（开放事件流）难以分析，直到 查尔斯·里普（Charles Reep）提出首个符号系统（1950年）。
里普的贡献与局限：
关键发现：80%的进球来自≤3次传球，50%进球源于前场夺回球权。
方法局限：手动记录效率低，缺乏视频支持，反馈仅限纸质数据。
实践影响：推动直接打法（如斯文登城、狼队采用长传战术）。
身体分析的早期尝试：
手动时间动作分析（TMA）：分类运动模式（站立、慢跑、冲刺），但需多人协作且 观察者间一致性低（如不同分析师对同一动作分类差异大）。
视频TMA的改进：允许赛后回放，但仍需逐帧分析，耗时且仅限单人追踪。
早期PA的起源：
棒球与网球：最早采用符号分析（如记录击球次数）。
足球的复杂性：因比赛动态性（开放事件流）难以分析，直到 查尔斯·里普（Charles Reep）提出首个符号系统（1950年）。
棒球与网球：最早采用符号分析（如记录击球次数）。
足球的复杂性：因比赛动态性（开放事件流）难以分析，直到 查尔斯·里普（Charles Reep）提出首个符号系统（1950年）。
里普的贡献与局限：
关键发现：80%的进球来自≤3次传球，50%进球源于前场夺回球权。
方法局限：手动记录效率低，缺乏视频支持，反馈仅限纸质数据。
实践影响：推动直接打法（如斯文登城、狼队采用长传战术）。
关键发现：80%的进球来自≤3次传球，50%进球源于前场夺回球权。
方法局限：手动记录效率低，缺乏视频支持，反馈仅限纸质数据。
实践影响：推动直接打法（如斯文登城、狼队采用长传战术）。
身体分析的早期尝试：
手动时间动作分析（TMA）：分类运动模式（站立、慢跑、冲刺），但需多人协作且 观察者间一致性低（如不同分析师对同一动作分类差异大）。
视频TMA的改进：允许赛后回放，但仍需逐帧分析，耗时且仅限单人追踪。
手动时间动作分析（TMA）：分类运动模式（站立、慢跑、冲刺），但需多人协作且 观察者间一致性低（如不同分析师对同一动作分类差异大）。
视频TMA的改进：允许赛后回放，但仍需逐帧分析，耗时且仅限单人追踪。
技术革新与工具对比：
GPS设备：
Playermaker脚部传感器：
优势：自动追踪距离、速度、加速度，支持多球员同步分析。
局限：室内不适用（依赖卫星信号），成本高（需11-25个设备覆盖全队）， 高速动作测量误差大（如加速度>3m/s²时精度下降）。
数据对比：Randers et al. (2010) 研究显示，不同GPS设备的总距离测量差异达 1.2km（见表1）。
创新点：整合技术（触球次数、左右脚使用）、战术（传球网络）与身体数据（冲刺距离）。
优势：FIFA批准，适用于训练与比赛， 无需额外视频标注。
局限：仅限足球，研究不足（仅17项研究），教练接受度待验证。
软件工具（如Hudl、Sportscode）支持视频标注与数据可视化，但需手动操作。
应用场景：训练反馈、对手分析、伤病机制研究（如通过视频分析膝关节损伤）。
计算机化符号分析：
可穿戴技术：
固定摄像头系统：
当前挑战：
数据孤岛问题：技术、战术与身体数据分散在不同系统，整合困难。
教练与球员接受度：部分运动员认为GPS背心干扰动作，Playermaker的脚部传感器舒适性待研究。
技术革新与工具对比：
GPS设备：
Playermaker脚部传感器：
优势：自动追踪距离、速度、加速度，支持多球员同步分析。
局限：室内不适用（依赖卫星信号），成本高（需11-25个设备覆盖全队）， 高速动作测量误差大（如加速度>3m/s²时精度下降）。
数据对比：Randers et al. (2010) 研究显示，不同GPS设备的总距离测量差异达 1.2km（见表1）。
创新点：整合技术（触球次数、左右脚使用）、战术（传球网络）与身体数据（冲刺距离）。
优势：FIFA批准，适用于训练与比赛， 无需额外视频标注。
局限：仅限足球，研究不足（仅17项研究），教练接受度待验证。
软件工具（如Hudl、Sportscode）支持视频标注与数据可视化，但需手动操作。
应用场景：训练反馈、对手分析、伤病机制研究（如通过视频分析膝关节损伤）。
计算机化符号分析：
可穿戴技术：
固定摄像头系统：
GPS设备：
Playermaker脚部传感器：
优势：自动追踪距离、速度、加速度，支持多球员同步分析。
局限：室内不适用（依赖卫星信号），成本高（需11-25个设备覆盖全队）， 高速动作测量误差大（如加速度>3m/s²时精度下降）。
数据对比：Randers et al. (2010) 研究显示，不同GPS设备的总距离测量差异达 1.2km（见表1）。
创新点：整合技术（触球次数、左右脚使用）、战术（传球网络）与身体数据（冲刺距离）。
优势：FIFA批准，适用于训练与比赛， 无需额外视频标注。
局限：仅限足球，研究不足（仅17项研究），教练接受度待验证。
软件工具（如Hudl、Sportscode）支持视频标注与数据可视化，但需手动操作。
应用场景：训练反馈、对手分析、伤病机制研究（如通过视频分析膝关节损伤）。
计算机化符号分析：
可穿戴技术：
固定摄像头系统：
当前挑战：
数据孤岛问题：技术、战术与身体数据分散在不同系统，整合困难。
教练与球员接受度：部分运动员认为GPS背心干扰动作，Playermaker的脚部传感器舒适性待研究。
数据孤岛问题：技术、战术与身体数据分散在不同系统，整合困难。
教练与球员接受度：部分运动员认为GPS背心干扰动作，Playermaker的脚部传感器舒适性待研究。
技术整合需求：
主成分分析（PCA）：需确定哪些指标（如触球次数 vs 冲刺距离）对比赛结果影响最大。
比赛变异性：不同位置（前锋 vs 后卫）、水平（职业 vs 业余）球员的数据差异。
可靠性：现有研究仅测试训练环境，需比赛场景验证。
指标实用性：触球次数、释放速度等是否对教练决策真正有用？
Playermaker的潜力：通过脚部传感器同步获取触球、跑动与战术数据，但需验证：
研究空白：
未来研究方向：
纵向研究：追踪多赛季数据，建立球员表现基线。
跨学科整合：结合心理学（决策压力）与生理学（疲劳累积）优化分析模型。
技术整合需求：
主成分分析（PCA）：需确定哪些指标（如触球次数 vs 冲刺距离）对比赛结果影响最大。
比赛变异性：不同位置（前锋 vs 后卫）、水平（职业 vs 业余）球员的数据差异。
可靠性：现有研究仅测试训练环境，需比赛场景验证。
指标实用性：触球次数、释放速度等是否对教练决策真正有用？
Playermaker的潜力：通过脚部传感器同步获取触球、跑动与战术数据，但需验证：
研究空白：
主成分分析（PCA）：需确定哪些指标（如触球次数 vs 冲刺距离）对比赛结果影响最大。
比赛变异性：不同位置（前锋 vs 后卫）、水平（职业 vs 业余）球员的数据差异。
可靠性：现有研究仅测试训练环境，需比赛场景验证。
指标实用性：触球次数、释放速度等是否对教练决策真正有用？
Playermaker的潜力：通过脚部传感器同步获取触球、跑动与战术数据，但需验证：
研究空白：
未来研究方向：
纵向研究：追踪多赛季数据，建立球员表现基线。
跨学科整合：结合心理学（决策压力）与生理学（疲劳累积）优化分析模型。
纵向研究：追踪多赛季数据，建立球员表现基线。
跨学科整合：结合心理学（决策压力）与生理学（疲劳累积）优化分析模型。
设计逻辑：根据资源与目标选择 性价比最高的方法。
资源/基础设施 技术分析 战术分析 身体分析 综合分析 无预算 手动符号（纸笔记录） 手动符号（记录阵型变化） 手动TMA（语音分类动作） 手动符号+TMA 视频设备 视频标注关键事件 视频分析传球网络 视频逐帧追踪运动模式 视频整合技术+战术 计算机软件 软件标注（如Hudl） 战术热图生成 软件辅助TMA（半自动） 多软件数据交叉分析 可穿戴设备 Playermaker触球统计 GPS位置热图 GPS距离/速度 Playermaker全指标整合
应用案例：
业余球队：无预算 → 手动记录关键事件（如射门、抢断）。
职业球队：结合Playermaker与视频分析，生成个性化训练报告。
设计逻辑：根据资源与目标选择 性价比最高的方法。
资源/基础设施 技术分析 战术分析 身体分析 综合分析 无预算 手动符号（纸笔记录） 手动符号（记录阵型变化） 手动TMA（语音分类动作） 手动符号+TMA 视频设备 视频标注关键事件 视频分析传球网络 视频逐帧追踪运动模式 视频整合技术+战术 计算机软件 软件标注（如Hudl） 战术热图生成 软件辅助TMA（半自动） 多软件数据交叉分析 可穿戴设备 Playermaker触球统计 GPS位置热图 GPS距离/速度 Playermaker全指标整合
应用案例：
业余球队：无预算 → 手动记录关键事件（如射门、抢断）。
职业球队：结合Playermaker与视频分析，生成个性化训练报告。
业余球队：无预算 → 手动记录关键事件（如射门、抢断）。
职业球队：结合Playermaker与视频分析，生成个性化训练报告。
技术趋势：
战术模拟：球员在虚拟环境中练习决策（如应对高压逼抢）。
心理训练：通过VR暴露疗法减少比赛焦虑。
预测模型：基于历史数据预测伤病风险或比赛结果（需警惕“黑箱”问题）。
人工智能（AI）：
虚拟现实（VR）：
伦理挑战：
数据隐私：运动员的生理与行为数据可能被滥用（如转会市场操纵）。
青少年运动员：过度监控可能影响心理发展（需制定年龄分级规范）。
核心矛盾：
★“技术提升分析效率，但需避免 工具主义陷阱——数据替代教练经验，忽视运动员个体差异。”
技术趋势：
战术模拟：球员在虚拟环境中练习决策（如应对高压逼抢）。
心理训练：通过VR暴露疗法减少比赛焦虑。
预测模型：基于历史数据预测伤病风险或比赛结果（需警惕“黑箱”问题）。
人工智能（AI）：
虚拟现实（VR）：
战术模拟：球员在虚拟环境中练习决策（如应对高压逼抢）。
心理训练：通过VR暴露疗法减少比赛焦虑。
预测模型：基于历史数据预测伤病风险或比赛结果（需警惕“黑箱”问题）。
人工智能（AI）：
虚拟现实（VR）：
伦理挑战：
数据隐私：运动员的生理与行为数据可能被滥用（如转会市场操纵）。
青少年运动员：过度监控可能影响心理发展（需制定年龄分级规范）。
数据隐私：运动员的生理与行为数据可能被滥用（如转会市场操纵）。
青少年运动员：过度监控可能影响心理发展（需制定年龄分级规范）。
核心矛盾：
★“技术提升分析效率，但需避免 工具主义陷阱——数据替代教练经验，忽视运动员个体差异。”
“技术提升分析效率，但需避免 工具主义陷阱——数据替代教练经验，忽视运动员个体差异。”
技术总结：
PA从 手工记录发展为 多技术融合，但需更多跨系统验证（如Playermaker vs GPS）。
决策矩阵为资源有限的团队提供实用指南，但需动态更新（如新技术成本下降）。
伦理呼吁：
透明性：向运动员解释数据用途。
适度性：避免非职业运动员的过度监控。
人性化反馈：结合数据分析与教练经验，避免“用数据批评”导致士气下降。
负责任PA的核心是：
未来展望：
个性化分析：根据球员特点（如年龄、位置）定制指标。
全球标准化：建立PA方法的国际认证体系（如ISO标准）。
技术总结：
PA从 手工记录发展为 多技术融合，但需更多跨系统验证（如Playermaker vs GPS）。
决策矩阵为资源有限的团队提供实用指南，但需动态更新（如新技术成本下降）。
PA从 手工记录发展为 多技术融合，但需更多跨系统验证（如Playermaker vs GPS）。
决策矩阵为资源有限的团队提供实用指南，但需动态更新（如新技术成本下降）。
伦理呼吁：
透明性：向运动员解释数据用途。
适度性：避免非职业运动员的过度监控。
人性化反馈：结合数据分析与教练经验，避免“用数据批评”导致士气下降。
负责任PA的核心是：
透明性：向运动员解释数据用途。
适度性：避免非职业运动员的过度监控。
人性化反馈：结合数据分析与教练经验，避免“用数据批评”导致士气下降。
负责任PA的核心是：
未来展望：
个性化分析：根据球员特点（如年龄、位置）定制指标。
全球标准化：建立PA方法的国际认证体系（如ISO标准）。
个性化分析：根据球员特点（如年龄、位置）定制指标。
全球标准化：建立PA方法的国际认证体系（如ISO标准）。
里普的符号分析是足球PA的里程碑，但受限于1950年代技术条件。
GPS的局限性：高速动作误差、室内不适用、高成本（需多设备覆盖全队）。
Playermaker的革命性：首次通过脚部传感器实现 技术+战术+身体三位一体分析，但研究不足。
决策矩阵的核心价值：根据预算与基础设施匹配分析方法， 性价比优先。
AI的双刃剑效应：提升效率 vs 削弱教练主观判断。
伦理优先级：青少年运动员需特殊保护，避免数据滥用与心理压力。
未来整合方向：VR训练、跨学科研究（运动科学+数据科学）、全球化标准。
里普的符号分析是足球PA的里程碑，但受限于1950年代技术条件。
GPS的局限性：高速动作误差、室内不适用、高成本（需多设备覆盖全队）。
Playermaker的革命性：首次通过脚部传感器实现 技术+战术+身体三位一体分析，但研究不足。
决策矩阵的核心价值：根据预算与基础设施匹配分析方法， 性价比优先。
AI的双刃剑效应：提升效率 vs 削弱教练主观判断。
伦理优先级：青少年运动员需特殊保护，避免数据滥用与心理压力。
未来整合方向：VR训练、跨学科研究（运动科学+数据科学）、全球化标准。
体育与足球领域的表现分析：过去、现在与未来——叙述性综述
作者：Connor McGillick¹、Chris Towlson²、Steve Barrett³、John Toner⁴
• ¹英国，足球商业大学校园（UCFB）
• ²英国，赫尔大学
• ³英国，PlayermakerTM公司
• ⁴英国，赫尔大学
• 通讯作者： c.mcgillick@gis.sport
• ¹英国，足球商业大学校园（UCFB）
• ²英国，赫尔大学
• ³英国，PlayermakerTM公司
• ⁴英国，赫尔大学
• 通讯作者： c.mcgillick@gis.sport
随着体育和足球领域的表现分析（PA）不断发展，如今有众多分析方法可提供关于比赛表现的客观视频和数据洞察。本叙述性综述旨在探讨体育和足球领域的PA，批判性地评估过去和现在的PA技术，并展望PA的未来发展，以增进相关知识并为PA实践提供参考。研究方法包括对人工和计算机化符号分析、人工和计算机化时间动作分析、可穿戴技术、体育场基础设施、人工智能以及PA伦理考量等领域的关键研究论文进行文献回顾。综述结果表明，从业者在体育和足球领域进行技术、战术和身体分析时，可选用多种PA方法。每种技术的工作流程和预算要求各异，这会影响其优势、劣势和可及性。通过对这些方法的评估，本综述确定了一个决策矩阵，从业者可利用该矩阵，根据自身资源、基础设施和分析目标，确定最适用的PA程序。除决策矩阵外，综述还发现，在提供PA洞察时存在关键的伦理考量。鉴于现有的PA工具种类繁多，且人工智能的影响在未来可能会进一步增强，从业者需要仔细考虑进行何种分析、何时提供洞察以及如何提供信息，以确保实践的有效性和符合伦理规范。
关键词
分析；PA；表现；足球；体育；技术；可穿戴设备
贡献/原创性
本综述探讨了体育和足球领域表现分析的发展演变。以往的综述多聚焦于表现分析的特定领域，与之不同的是，本综述采用整体研究方法，涵盖多种分析方法，并生成了一个决策矩阵，为从业者提供最易获取且有效的分析策略。
一、引言
足球运动采用PA实践已有70多年历史（Pollard, 2002），随着技术的发展，PA在学科和应用实践方面也在不断进步（Mackenzie & Cushion, 2013a）。在足球领域，由于技术（如传球、射门和带球）、战术（如阵型、球队的高度、深度和宽度）和身体（如跑动距离、冲刺信息）动作具有客观性，所以这些方面的表现最常被分析（Arjol-Serrano et al., 2021; Díez et al., 2021; Errekagorri, Castellano, Echeazarra, & Lago-Peñas, 2020; Filetti, Ruscello, D’Ottavio, & Fanelli, 2017; Forcher et al., 2023; García-Calvo et al., 2021）。心理（如决策、镇定）和社会（如团队合作、沟通）行为也可纳入PA，但这些表现组件较难单独分析。例如，通过常见的PA实践，在比赛中很难测量思维过程、唤醒水平和团队凝聚力。不过，在技术、战术或身体动作中的心理和社会行为则更容易分析。例如，传球网络分析可作为团队凝聚力或协作的指标，可穿戴技术能确定与运动员努力程度相关的跑步统计数据（Forsman, Blomqvist, Davids, Liukkonen, & Konttinen, 2016; García-Calvo et al., 2021; Ponce-Bordón, García-Calvo, López-Gajardo, Díaz-García, & González-Ponce, 2022; Towlson, Cope, Perry, Court, & Levett, 2019）。在PA中，表现分析人员向运动员反馈分析结果所产生的心理和社会影响也值得关注（Groom et al., 2011; McKenna, Cowan, Stevenson, & Baker, 2018; Middlemas & Harwood, 2018; Pain & Harwood, 2007; Reeves & Roberts, 2013; Wright, Carling, Lawlor, & Collins, 2016）。
鉴于体育和足球领域PA在普及程度、程序以及用于捕捉表现的技术系统等方面的发展，从学术和应用的角度回顾PA的起源、当前实践运作方式以及未来PA发展和应用的关键考量因素，似乎恰逢其时。已发表了许多基于PA的综述论文，这些论文就PA、体育和足球的过去、现在和未来，或更具体的PA要素展开了有效讨论（Bădescu, Zaharie, Stoian, Bădescu, & Stanciu, 2022; Lord, Pyne, Welvaert, & Mara, 2020; Mackenzie & Cushion, 2013b; McGarry, 2009; Sarmento et al., 2014; Torres-Ronda, Beanland, Whitehead, Sweeting, & Clubb, 2022）。尽管这些综述很有价值，但在对PA领域的当代反思和更新未来建议方面仍有进一步拓展的空间。因此，本叙述性综述的目的如下：
1. 对迄今为止与足球领域PA技术和研究发展相关的文献进行简要概述；
2. 确定当前足球领域PA技术的优势和局限性；
3. 提出应用和学术方面的PA考量因素，以促进当前或未来实践中知识的增长和表现的提升。
1. 对迄今为止与足球领域PA技术和研究发展相关的文献进行简要概述；
2. 确定当前足球领域PA技术的优势和局限性；
3. 提出应用和学术方面的PA考量因素，以促进当前或未来实践中知识的增长和表现的提升。
在体育领域，最早有记录的PA技术应用于棒球运动，通过技术统计客观量化两队的表现（McKenna et al., 2018; Sullivan, 1995）。除棒球外，网球等球拍运动在足球采用PA之前，就已采用符号分析来分析发球表现、制胜分和非受迫性失误等技术动作（Carling et al., 2007）。这些例子表明，PA可应用于球类、球拍类和侵入性运动（Hughes & Bartlett, 2002）。PA适用于具有封闭事件循环的运动，即在比赛停止和重复执行事件之前会有一个固定的比赛阶段。例如，在棒球中，投球和击球尝试就是这样的过程。一旦球被防守队安全接住，击球手出局，或者球被击出界外形成本垒打，比赛通常会在不到10秒的时间内停止，然后两队交替进行击球和防守，直至比赛结束（Hughes & Bartlett, 2002; Liang, Chu, Kuo, Wu, & Cheng, 2005）。侵入性运动，尤其是足球，分析起来更具挑战性。当比赛停止或球出界时，会出现多种定位球事件，如开球、任意球、角球、掷界外球和点球，且顺序不定。当比赛进行且球处于活动状态时，会发生涉及众多球员的更开放、多变和复杂的事件。在侵入性运动中，两队都试图掌控事件的发生及其顺序，这与棒球中重复出现的固定事件不同（Grehaigne, Bouthier, & David, 1997; Hewitt, Greenham, & Norton, 2016; Lemmink & Frencken, 2013）。
在足球的技术和战术表现标准方面，Charles Reep被认为是最早的符号分析系统的创造者，该系统于1950年问世。该系统通过记录表现指标（PIs）或关键表现指标（KPIs）（也称为动作变量，旨在定义或衡量表现，如进球和传球序列）在足球比赛中出现的频率（Pollard, 2002）。由于20世纪50年代缺乏计算机化、基于摄像头或视频的技术，Reep的符号分析过程是通过纸笔手工记录事件（James, 2006a）。Reep的研究结果具有革命性意义，他利用客观信息增进了人们对足球的理解，为战术调整决策提供了依据，并有助于提升运动表现。因此，Reep的工作与此前主导比赛决策的主观判断形成了鲜明对比（Larson, 2001; Pollard, 2002）。Reep主要关注传球、射门和进球等关键动作，以及比分和事件发生在球场上的位置等背景因素。从技术和战术角度来看，分析结果表明，80%的进球来自三次或更少的传球，50%的进球来自在球场最后四分之一区域赢得球权后的进攻（Reep & Benjamin, 1968）。这些研究结果将在后续综述中与更新的分析发现一同讨论。
然而，Reep及其他早期表现分析师的工作存在一个关键缺陷，即参与度现象。许多自称或被同行认可的足球专家不愿意倾听、参与或利用PA的研究结果（Pollard, 2019）。实际上，参与度现象在PA的发展历程中，一直与比赛和教练领域交织在一起。教练们指出了PA应用中存在的诸多挑战（Barker-Ruchti, Svensson, Svensson, & Fransson, 2021; Groom et al., 2011; Middlemas & Harwood, 2018; Wright et al., 2012），这将在后续综述中详细讨论。尽管并非所有人都接受Reep等人的观点，但Reep的工作确实引起了一些人的共鸣。例如，斯文登镇足球俱乐部（Swindon Town）、伍尔弗汉普顿流浪者足球俱乐部（Wolverhampton Wanderers）和沃特福德足球俱乐部（Watford FC）等球队采用了更直接的打法，即球队减少传球次数，增加传球长度，试图尽快接近对手球门获得可行的射门位置（Pollard, 2019）。比赛中的这种直接打法，以及可能在训练中的应用，凸显了PA在足球中的实际应用，以及基于比赛风格进行球队分析的初步尝试（Larson, 2001）。尽管Reep合作的球队取得了成功，但由于足球运动的多面性，这种成功不能完全归功于他的工作。此外，Reep的研究方法及其研究结果和建议的应用也存在缺陷（Pollard, 2019）。可以说，这些批评源于Reep的开创性尝试，而他的工作为后续研究奠定了基础。许多批评该方法的作者认为，Reep的分析过于简单、存在缺陷或具有误导性。不过，Pollard（Pollard, 2019）认为，尽管存在诸多挑战，但没有一篇论文提供足够的证据或有效的批评，来表明Reep所倡导的直接打法不是更优的策略。即便如此，Pollard（Pollard, 2019）也承认，在Reep基于控球的分析中，缺少额外的背景信息、情境因素和比赛事件。这揭示了一个可能与比赛现场手工记录难度相关的缺陷，因为在能够持续获取视频片段进行分析回顾之前，分析师在现场分析比赛因素或PIs的能力有限，且没有视频辅助，无法进行额外测量或可靠性测试（Hughes, 2003）。
此外，缺乏基于视频的分析也限制了早期分析师的反馈方式。他们无法通过视频、图像标注和计算机化数据可视化向运动员和教练提供研究结果，而这些手段可用于有效教学和激励（Hughes, 2003）。无论学术界或应用领域的从业者对Reep的工作持何种态度，他的工作都推动了足球领域开始运用分析、测量和客观数据，为有关战术、策略和技术执行的主观思考提供支持（James, 2015; Pollard & Reep, 1997）。技术的发展和PA学科的进步，在Reep的基础上推动了分析方法的发展（James, 2015; Pollard & Reep, 1997）。正如前文所述，技术和战术分析在体育领域，尤其是足球领域已经存在，而身体或运动分析的起源同样值得探讨。
在体育领域，身体运动是技术执行的基础。例如，棒球击球、跨栏比赛中的跳跃或足球射门，这些都为身体分析提供了基础，通过了解有助于技术执行的表现链，来研究最终的技术表现是如何实现的（Cook, Burton, & Hoogenboom, 2006; Hughes, 2003; Knudson, 2007）。在未借助技术的情况下，分析师和运动科学家开发了手工记录系统来分析与技术分析相关的运动。例如，壁球中的击球类型和场上位置（Sanderson & May, 1977），或Reep的射门和进球分析，该分析展示了事件的起始和结束位置，并将其与运动联系起来（Reep & Benjamin, 1968）。通过这种手工运动模式和事件数据收集，产生了关于比赛风格、战术见解以及胜负表现差异的有用研究结果（Reep & Benjamin, 1968; Sanderson & May, 1977）。自这些早期尝试以来，这些概念在PA中被频繁分析（Dellal et al., 2011; Fernandez-Navarro, Fradua, Zubillaga, Ford, & McRobert, 2016; Fernandez-Navarro, Fradua, Zubillaga, & McRobert, 2018）。
在壁球（Sanderson & May, 1977）或足球（Reep & Benjamin, 1968）的比赛模式和运动分析中（这些分析通过手工完成），身体分析与技术事件的完成相关联，而不是为了了解完成这些技术动作所需的身体需求或运动特征。在未使用视频或计算机化系统的情况下，几乎无法进行身体量化，以生成完整的运动模式和运动或位置的身体需求（Reilly, 2003）。现场手工记录分析身体需求的缺点在于，分析师很难同时关注多名运动员，这就需要大量分析师。此外，由于分析是在现场进行，且没有赛后视频重新评估结果，因此无法测试分析师内部和之间的可靠性。该过程耗时较长，从而限制了数据收集量，并且由于受观察误差或偏差影响的运动或位置的主观分析，容易出现不准确的情况（Carling, Bloomfield, Nelsen, & Reilly, 2008; Hughes, 2003; James, 2006b）。
三、现状
在足球领域，继Charles Reep等人掀起的分析革命（Pollard, 2002）之后，球队开始更容易获取比赛录像。家用录像系统（VHS）磁带、电视转播及类似技术手段，使人们能够轻松回看比赛，或录制和剪辑特定片段。基于这一发展，从业者可以创建关于关键绩效指标（KPI）的视频信息，以补充通过手工记录收集到的相同指标的数据（James, 2006a）。此时，手工符号分析既可以在比赛现场进行，也可以在赛后通过视频观察完成，或者将两种方式结合（James, 2006a）。
尽管技术发展给俱乐部的PA带来了明显的积极影响（Liebermann et al., 2002），但缺点依然存在。建立一个分析部门的成本过去很高，现在依然可能如此（Hughes, 2004）。此外，尽管分析在足球领域应用广泛，但许多俱乐部或个人仍需时间来认识其价值。由于对分析过程及其益处缺乏了解，导致许多俱乐部采用分析技术的进程缓慢，或者缺乏相关培训，也没有聘请专业的分析人员（Pollard, 2002; Stodter & Cushion, 2017）。PA原本是为支持教练工作而发展起来的，但教练们常常坚持过去行之有效的方法，尽管分析通过新的情境经验和双环学习理论对此提出了挑战（Stodter & Cushion, 2014）。随着足球领域中低级别球队预算和人员限制的增加，PA的接受程度持续受到影响（Wilson, Plumley, Mondal, & Parnell, 2022; Wright et al., 2012）。不过，随着PA越来越受欢迎，低级别球队也开始希望获得基于分析的优势（Thornton, Nelson, Delaney, Serpiello, & Duthie, 2019）。目前，PA似乎已被广泛接受，并用于支持教练指导过程以及运动科学、医疗和招聘等部门的工作（Wright et al., 2012）。随着精英级技术的不断改进，曾经对半职业和业余球队来说过于昂贵的PA解决方案现在也能负担得起，许多PA公司还推出了更经济实惠的硬件和软件选项（Clark & Kerski, 2014; Martin, Swanton, Bradley, & McGrath, 2018）。然而，直到今天，许多分析工具对于众多球队来说仍然超出预算（Martin et al., 2018; Turchini et al., 2019）。
如今，借助视频和相关符号分析软件，这种进球序列分析变得更加容易，而无需像Reep那样进行现场观察并使用纸笔记录。研究结果既有对Reep发现的证实（Bate, 2013; Garganta et al., 2014; Muhamad et al., 2013），也有与之相悖的情况（Garratt et al., 2017; Hughes & Franks, 2005; Moura et al., 2007），这表明控球技术的成功方式多种多样，可能取决于所抽样的联赛或比赛。最终，对Reep研究的重复表明，早期符号分析尝试中使用的有效技术在当前仍然有用，尽管现在有技术支持这一过程。分析领域的主要发展在于，研究结果的建议并非普遍适用于所有球队，因为球员、球队、比赛和其他情境因素存在差异（Sarmento et al., 2018）。除了符号分析，当前通过计算机化符号分析和视频录制进行的PA，为更自动化的跟踪系统、大数据洞察、自动摄像机和人工智能（AI）的应用提供了思路，这些都是在用户操作技术系统的基础上发展而来的（Bastida-Castillo, Gómez-Carmona, De La Cruz Sánchez, & Pino-Ortega, 2019; Filetti et al., 2017; Turchini et al., 2019）。虽然将对这些发展进行讨论，但需要注意的是，通过计算机化符号分析进行技术和战术表现分析时，一个关键问题是技术和战术表现通常与身体表现分开进行分析。过去，基于视频的TMA是许多人进行身体分析的主要解决方案。然而，基于视频的TMA过程耗时，分析师一次只能关注一名球员，这影响了可靠性，并且缺乏标准效度（Carling et al., 2008; Hughes, 2003; James, 2006a）。此外，在使用计算机化或手工符号分析进行技术和战术分析时，很难用相同的技术同时测量足球比赛中的所有关键要素，这通过单独分析增加了时间成本（Carling et al., 2008; Hughes & James, 2008; Pollard, 2002）。即便出现了全球定位系统（GPS）等自动化身体测量系统，这种趋势仍在延续。
为了改进基于视频的TMA，带有微机电系统（MEMS）和GPS的微型技术设备得以开发，用于实现自动化的身体外部负荷跟踪（Ahmadi et al., 2014; Strauss, Sparks, & Pienaar, 2019）。MEMS的自动化帮助从业者克服了基于视频的TMA的缺点。使用基于视频的TMA时，从业者需要采用耗时的程序逐个分析运动员。而使用MEMS时，可以自动监测多名运动员，使从业者能够将更多精力集中在数据解读上，而非数据收集。此外，与基于视频的TMA相比，MEMS（如GPS）还能通过内部负荷测量提供更多分析洞察。当与心率监测器结合使用时，MEMS可以在测量运动员身体输出的同时监测心率（Aughey, 2011; Castellano, Casamichana, & Dellal, 2013）。GPS设备于2006年被设计并引入侵入性运动领域（Aughey, 2011），通过放置在肩胛骨之间、固定在躯干背心背部的小型设备，测量运动员的距离、速度、碰撞及其他身体指标（Cummins, Orr, O’Connor, & West, 2013; Pettersen, Johansen, Baptista, Halvorsen, & Johansen, 2018）。有趣的是，国际足球联合会（FIFA）直到2015年才批准在职业足球比赛中使用GPS（Pettersen et al., 2018）。多个球员可以佩戴这种GPS设备，每个球员都有自己的GPS单元，该单元连接卫星信号，并利用多普勒效应，以与手动TMA类似的方式随时间跟踪运动，但更加精确、自动化且速度更快（Larsson, 2003）。与基于视频的TMA相比，GPS设备的优势在于数据收集过程更快且自动化程度更高，能够同时完成对多名球员的分析（Dobson & Keogh, 2007）。算法收集数据，并能实现即时展示和数据可视化，不过早期的GPS系统需要用户先对数据进行研究和处理（Duncan, Badland, & Schofield, 2009）。GPS设备的引入彻底改变了身体指标的数据收集过程，教练、运动科学家、体能教练和分析师现在能够跟踪球员在比赛和训练中的内部和外部负荷，以确定负荷、疲劳程度、降低受伤风险，并有效地进行训练周期安排（Cummins et al., 2013; Rago et al., 2020）。
借助GPS设备可以获取详细的身体信息，以跟踪球员发展并创建表现档案（Rago et al., 2020）。技术的进步使GPS设备能够传输实时数据，并且可以在室内使用，而无需依赖户外的GPS卫星（Luteberget, Spencer, & Gilgien, 2018; Muthukrishnan, 2009）。随着GPS设备的不断发展，其应用范围从精英体育领域扩展到了次精英甚至个人运动员市场，不同水平和年龄段的男女运动员都能够量化自己的身体表现、评估训练效果并跟踪进步情况（Malone, Lovell, Varley, & Coutts, 2017）。最终，GPS设备使得人们能够快速高效地收集更多数据，为工作人员提供了更多时间来解读结果并进行实际应用（Rago et al., 2020）。
方法 GPS1 GPS 2 半自动摄像头TMA 基于视频的TMA 总距离（km） 10.72±0.7 9.52±0.89 10.83±0.77 9.51±0.74 高强度（km） 2.03±0.6 1.66±0.44 2.65±0.53 1.61±0.37 冲刺（km） 0.37±0.19 0.23±0.16 0.38±0.18 0.42±0.17
此时，本综述已经探讨了通过历史上的手工记录或当代计算机化符号系统进行技术和战术分析的历史与发展。身体分析也从手动TMA、基于视频的TMA发展到如今广泛使用的GPS技术。技术、战术和身体信息可以增进认知并辅助决策，以提高运动表现。
然而，在当前的测量技术下，技术、战术和身体指标是分别收集和分析的，这使得整个过程更加耗时、难以管理，而且每个系统都有各自的流程、数据库和展示工具。前面提到的内置体育场摄像头是解决这一问题的现有方案之一。
随着体育场摄像头技术的发展，一些公司设计出了能够追踪球员身体和技术表现的软件，这在很大程度上借助了人工智能和自动追踪技术，这些数据可用于提供战术洞察（Hands & Xanne, 2020）。然而，这并非测量运动员的完美解决方案。尽管有这些好处，但它需要大量资金投入、特定的体育场基础设施，而且通常还需要达到精英级别的组织水平（Barris & Button, 2008）。此外，固定的体育场解决方案只能监测比赛情况。在足球运动中，球队每周可能训练多达七天，这意味着体育场摄像头无法记录训练需求，从而限制了对球员表现的全面评估，以及利用数据进行表现追踪和受伤风险评估（Barris & Button, 2008; Carling et al., 2008; Hands & Xanne, 2020）。除了固定的体育场摄像头，便携式自动追踪摄像头（如Veo或Hudl Flex）也是一种选择。然而，与体育场摄像头类似，便携式摄像头系统可以记录和分析技术和战术事件，但无法进行身体分析，也无法在训练场景中追踪事件（Turchini et al., 2019）。
四、现状与未来
在当代PA实践中，市场上存在一个空白，即如何将技术和战术信息与身体指标结合起来，从而更全面地呈现客观的比赛表现。随着技术的进步，在足球领域，Playermaker脚戴式惯性装置应运而生。这是一款可穿戴技术设备，包含两个MEMS单元，分别佩戴在左右脚靴子上方的弹性绑带上。该系统利用步态分析算法，结合六轴陀螺仪和加速度计来收集身体数据，测量指标包括总距离、冲刺距离、工作率、冲刺次数以及加速和减速次数（Waldron, Harding, Barrett, & Gray, 2021）。然而，Playermaker技术的主要进步在于，这些单元能够通过内部传感器测量技术动作，从而可以统计触球次数、传球次数、传球速度、左右脚使用情况、控球次数和控球时间等数据。从战术角度来看，许多技术动作都有助于战术分析。例如，富有创造力的球员控球时间的长短、球员参与传球序列的程度、左右脚的使用如何带来不同的战术推进和传球角度、守门员传球到达球场特定区域的速度等等。当只有一支球队佩戴Playermaker单元时，无法进行网络分析和传球矩阵分析；但当两支球队都佩戴时，就可以通过控球数据、传球次数、传球成功率以及球员之间的传球矩阵获得更多战术洞察。Playermaker脚戴式惯性单元是首款能够让足球分析师、教练和球员在一个解决方案中全面测量身体、技术和战术动作的可穿戴技术设备。因此，Playermaker解决了之前技术、战术和身体分析相互分离的问题，使从业者能够整合分析，加快工作流程，并且由于该设备生成的所有数据点都能与视频同步，从而减少了计算机化符号分析的工作量。
尽管Playermaker系统有诸多优势，但在撰写本文时，该系统的研究仍相对较少，在不同主题领域仅有17项研究涉及该系统（Dasa et al., 2022; Davidson, Barrett, Toner, & Towlson, 2024; Emmonds et al., 2023; King et al., 2024; Lewis et al., 2022; Losada-Benitez, Nuñez-Sánchez, & Barbero-Álvarez, 2023; Marris, Barrett, Abt, & Towlson, 2022; Myhill, Weaving, Barrett, King, & Emmonds, 2022; Myhill, Weaving, Robinson, Barrett, & Emmonds, 2023; Quinn & Atkins, 2023; Salter et al., 2023; Sandmæl & Dalen, 2023; Sandmæl, Van Den Tillaar, & Dalen, 2023; Shushan et al., 2023; Towlson et al., 2021; Waldron et al., 2021）。一个关键的缺点是，尽管该系统已获得国际足联批准（FIFA, 2023），但由于其测量指标和系统特性，目前仅适用于足球运动，与适用于多种运动的GPS相比，这是一个较大的劣势（Malone et al., 2017）。此外，教练和球员对Playermaker单元的看法也存在疑问。之前在表现分析领域的研究已经调查了教练和球员作为表现分析洞察的主要接收者的意见（Andersen, Francis, & Bateman, 2022; Reeves & Roberts, 2013）。
在所有运动项目中，尽管根据分析内容的不同，会存在一些反对和抵触情绪，例如分析结果可能被用作批评球员的工具，从而打击球员的积极性（Mackenzie & Cushion, 2013a; Reeves & Roberts, 2013），但总体而言，教练（Mackenzie & Cushion, 2013b）和球员（Wright et al., 2016）都接受并重视分析。当单独研究计算机化符号分析（Wright, Carling, & Collins, 2014）和基于GPS的认知研究（Nosek, Brownlee, Drust, & Andrew, 2021; Weston, 2018）时，情况也是如此。许多针对足球运动员对PA价值认知的研究都强调了足球运动员对分析的接受和支持态度，这也正是Playermaker所基于的运动项目。这表明，虽然目前尚未发表关于球员对Playermaker具体看法的研究，但可以认为PA和可穿戴技术数据通常是被球员接受的。尽管如此，仍建议开展相关研究加以证实（Davidson et al., 2024）。
球员对Playermaker在舒适度以及与技术动作交互方面的接受程度也是需要考虑的因素。GPS研究表明，一些运动员认为GPS背心和设备穿着舒适，不会影响运动，而另一些运动员则不喜欢佩戴GPS设备，并将不舒适作为反对使用该技术的原因（Luczak, Burch, Lewis, Chander, & Ball, 2020）。因此，有必要明确球员对佩戴在靴子上、直接参与控球、带球、传球、射门以及任何与球接触动作的脚戴式惯性单元的看法。
关于教练对分析的认知，了解教练认为哪些指标或KPI对支持他们的工作有用至关重要，因为PA的一个主要目标就是辅助教练指导过程。在足球的身体、技术和战术分析研究中发现，教练认为高强度动作（Nosek et al., 2021）、射门相关动作（Herold, Kempe, Bauer, & Meyer, 2021）和阵型信息（Bauer, Anzer, & Shaw, 2023）是成功的关键，因此也是分析师值得记录和反馈的重要指标。对于Playermaker而言，该设备记录的身体和技术指标与教练认为有用的指标类似。
然而，目前缺乏研究来详细说明教练是否认为在各级比赛中，触球次数、传球次数、脚的使用情况、控球次数和控球时间以及相关的战术洞察都同样有用，如果是，这些指标的重要性层级又是怎样的。此外，对于球员来说，也缺乏研究来确定他们是否认为Playermaker系统生成的KPI对自我反思和设定目标有用（Wright et al., 2016）。
如前所述，可穿戴技术（以GPS设备为代表）在可靠性和有效性方面受到过批评，尽管它通常被认为是进行身体测量的常用系统（Malone et al., 2017）。Playermaker单元已经过一些可靠性和有效性测试，结果较为理想（Marris et al., 2022）。然而，从研究来看，其观察者内或观察者间的可靠性测试是在训练环境中通过一致性水平测试进行的（Marris et al., 2022）（Cooper, Hughes, O’Donoghue, & Nevill, 2007）。尽管使用了一致性百分比测量方法，且该方法在可靠性测量系统中有其优势，但在分析足球比赛表现中KPI值的稳定性时，一致性百分比是否是一种足够精确的测量方法仍值得探讨（Tenga, Kanstad, Ronglan, & Bahr, 2009）。
流行的（Cooper et al., 2007）模型有其益处，但该模型已近20年，如今有更多可靠性测试方法可供选择，这些方法包含更详细的统计分析，以及上下阈值和置信度值，因此有必要对分析工具进行更深入的研究（O'Donoghue, 2014）。因此，在训练和比赛场景中，对Playermaker、GPS和符号分析系统的观察者内和观察者间可靠性进行研究，有助于更深入地了解这些系统在测量上的一致性。此外，目前尚未对Playermaker的KPI进行主成分分析。出于这个原因，可以开展包含观察者内和观察者间可靠性测试的研究，在训练和比赛场景中，采用多种可靠性测量方法并进行主成分分析，以确定Playermaker脚戴式惯性单元的可靠性和有效性。在样本方面，目前的研究使用了不同年龄的精英男女样本，最长研究周期为6个月，而纵向样本，以及包含业余和半职业运动员的样本尚未得到研究。在位置比较方面也存在研究空白。
在PA领域，围绕符号分析以及像GPS和Playermaker这样测量技术、战术和身体指标的可穿戴技术，另一个讨论点是比赛间的变异性问题。已有研究试图量化为了进行有效判断和决策，在技术、战术和身体KPI方面需要多少场比赛表现才能生成稳定的表现档案（Baptista, Winther, Pedersen, Johansen, & Pettersen, 2023; Gregson, Drust, Atkinson, & Salvo, 2010; Liu, Gómez, Gonçalves, & Sampaio, 2016）。然而，目前缺乏对Playermaker系统中技术、战术和身体指标变异性的研究，这意味着应用从业者和研究人员并不清楚需要多少场比赛表现，才能创建一个可用于决策、有效利用Playermaker技术的表现档案。
五、决策矩阵
本叙述性综述讨论了用于技术、战术和身体分析的表现分析技术。基于这些讨论，分析师、教练、球员及其他相关人员可以从一个决策矩阵中受益，在决定采用哪些技术之前，先评估自身当前的资源和基础设施，判断哪些技术是可行的、适用的且有益的。下面的表2展示了一个技术、战术和身体分析决策矩阵，该矩阵的设计灵感来源于Windt等人（2020）提出的在体育领域实施技术的决策框架。
资源与基础设施 技术分析 战术分析 身体分析 技术、战术与身体分析 无预算或资源 现场：手工记录 现场：手工记录 现场：手工记录 & TMA 现场：手工记录 & TMA 具备视频录制能力 现场或赛后：手工记录 现场或赛后：手工记录 现场或赛后：手工记录 & TMA 现场或赛后：手工记录 & TMA 拥有计算机符号分析软件 现场或赛后：计算机化记录 现场或赛后：计算机化记录 现场或赛后：计算机化TMA 现场或赛后：计算机化记录 & TMA 具备体育场基础设施 体育场安装的技术监测系统 体育场安装的战术监测系统 体育场安装的身体监测系统 体育场安装的技术、战术和身体监测系统 可使用可穿戴技术 Playermaker脚戴式惯性单元 Playermaker脚戴式惯性单元或GPS单元 Playermaker脚戴式惯性单元或GPS单元 Playermaker脚戴式惯性单元
六、未来
关于表现分析的未来发展，近期迹象表明，虚拟现实和人工智能已经开始并将继续在表现分析、体育和足球领域取得进展（García-Aliaga et al., 2023; Li & Zhang, 2021; Thatcher, Ivanov, Szerovay, & Mills, 2020）。因此，尽管目前相关研究基础尚未完善，但探讨随着新一代技术进入体育领域，当前和未来的发展趋势仍是很有价值的。到目前为止，人工智能已应用于自动和半自动追踪摄像头（Hands & Xanne, 2020）、可穿戴技术（Adesida, Papi, & McGregor, 2019; Aroganam, Manivannan, & Harrison, 2019; Toner, 2023）、大数据、机器学习等领域（Araújo, Couceiro, Seifert, Sarmento, & Davids, 2021; Sampedro, 2021）。
在PA领域，虽然人工智能工具相较于人工PA操作人员，可用于减少时间成本、提高效率，在某些情况下还能提高数据收集的准确性，但必须谨慎使用，避免在没有质量保证程序的情况下盲目依赖自动化流程。此外，尽管将人工智能整合到工作流程中有诸多好处，但信息的传递和反馈仍然依赖教练或分析师的沟通，人工智能工具似乎无法像教练和分析师那样，结合具体情境和思维过程来解读数据和视频。因此，虽然人工智能可以对分析过程产生积极影响，使分析人员能够更专注于分析解读而非数据收集，但目前分析洞察的传递方式在很大程度上并未改变。在实际训练中，虚拟现实系统模拟训练和比赛环境，让球员在其中体验真实场景，以测试他们的技术和战术表现，同时考察决策等心理因素（Bird, 2020; Neumann et al., 2018）。这表明，尽管PA洞察的传递可能仍由从业者主导，但先进技术可以通过为球员创造一个人工练习环境，辅助教练指导过程，让球员针对PA洞察指出的表现环节进行训练。
随着技术和人工智能对PA过程的支持，分析的数量和深度都将有所增加。虽然PA洞察仍然由教练和分析师传递，但值得探讨PA过程及其传递方式对运动员的影响。在众多定量研究论文中，心理和社会分析较为常见，但在足球和PA领域，这些内容主要出现在关于教练和球员对PA认知的定性研究中（Andersen et al., 2022; Wright et al., 2016）。鉴于目前通过视频、数据和可穿戴技术对运动员的监测日益增多，从表现和个人角度来看，PA的心理和社会影响比以往任何时候都更为重要（Neupert, Gupta, Holder, & Jobson, 2022）。研究表明，PA可以影响运动员的兴奋程度，根据反馈方式、批评内容以及对个人或团队表现相关信息的强调，引发积极或消极的情绪（Magill, Nelson, Jones, & Potrac, 2018; Middlemas & Harwood, 2018; Wright et al., 2016）。个人和团队对于PA信息的反馈时间、内容和方式都有各自偏好的学习环境。以最适合个人和团队的方式传递信息，可以增强反馈效果，提高积极性、促进学习，并有可能对表现产生积极影响。而传递方式不当则可能破坏分析师、教练和球员之间的反馈循环（Magill et al., 2018; Middlemas & Harwood, 2018; Wright et al., 2016）。随着对运动员监测的增加以及用于监测和分析的新技术不断涌现，需要持续关注监测和反馈技术，在分析师、教练和球员之间进行有效、符合伦理规范的PA分析传递是关键考虑因素（Jones, Parker, & Daniels, 2020; Jones & Toner, 2016）。
七、结论
总体而言，通过本叙述性综述可以看出，体育和足球领域的PA已经取得了显著发展，并且仍在不断进步（Mackenzie & Cushion, 2013a）。技术的进步使观察方式从单纯的肉眼观察发展到使用视频录像，手工记录发展为计算机化记录，计算机化记录又进一步发展为可穿戴技术系统，如今在体育和足球运动的各个层面都能够进行技术、战术和身体测量（Sarmento et al., 2014）。
尽管发展带来了诸多益处，但在学术研究方面，仍存在一些问题。比如，在个体、团队以及综合层面上，对多种分析方法进行比较的研究较少。像Playermaker这样的新技术，其研究还不够充分，不能仅凭现有研究就直接应用，不过该技术确实能产生GPS设备和计算机化记录无法获得，或者被认为不太适合使用的分析结果。在足球运动的不同层面，无论资源和基础设施如何，无论是精英还是次精英水平，男性还是女性样本，都能够对球员进行技术、战术和身体指标的测量。决策矩阵可作为指导，帮助实现俱乐部的目标，并对为达成目标可采用的方法进行简单评估，尽管技术在不断发展，但实现同一目标的方法往往不止一种。
最后需要强调的是，要倡导负责任的PA。虽然分析可应用于任何层面、年龄或性别的运动员，但这并不意味着所有球员都需要以相同的方式进行测量，应基于运动员监测和关键表现反馈的影响进行伦理考量（Jones et al., 2020）。随着技术发展涉及人工智能和虚拟现实，分析师需要谨慎，避免分析成为不负责任、过度监测且缺乏人性的过程（García - Aliaga et al., 2023; Thatcher et al., 2020）。PA最初是为了给教练和球员提供表现信息而发展起来的，但如果变成单纯为了使用技术和监测而进行分析，可能会带来负面影响而非积极作用。我们必须认识到，需要根据球员的水平、年龄和性别，谨慎选择有效的测量系统和合适的测量指标，因为似乎没有一个系统能够测量所有的表现方面。然而，在这样做的同时，我们也要抵制过度分析的诱惑，避免使用可能无效、不可靠或对球员无意义的分析方法（Jones et al., 2020）。
缩略词列表
• PA：表现分析（Performance analysis）
• TMA：时间动作分析（Time motion analysis）
• GPS：全球定位系统（Global positioning system）
• MEMS：微机电系统（Micro - electrical mechanical systems）
• VHS：家用录像系统（Video Home System）
• FIFA：国际足球联合会（Fédération Internationale de Football Association）
• AI：人工智能（Artificial intelligence）
• PA：表现分析（Performance analysis）
• TMA：时间动作分析（Time motion analysis）
• GPS：全球定位系统（Global positioning system）
• MEMS：微机电系统（Micro - electrical mechanical systems）
• VHS：家用录像系统（Video Home System）
• FIFA：国际足球联合会（Fédération Internationale de Football Association）
• AI：人工智能（Artificial intelligence）
作者介绍Max大郭 关于股票的专业
作者介绍Max大郭
发布于：吉林省