Zum Hauptinhalt springen

Aktuelle Projekte des ZINI

CoCoAnDa (Coaching support by Collecting and Analyzing Data)

Zielsetzung

In die Nutzung der Digitalisierung der Ballsportarten wird bisher fast ausschließlich im Bereich von (Männer-)Ligen investiert, in denen hohe Umsätze erzielt werden. Entsprechend fehlen Erkenntnisse über den möglichen Einsatz von Digitalisierung, sowie konkrete Ansätze für die Digitalisierung in der Breite und insbesondere im Frauen- und Jugendbereich zur Erkennung und gezielten Förderung von Potenzialen. Das Projekt CoCoAnDa (“Coaching support by Collecting and Analyzing Data”) setzt sich zum Ziel, am Beispiel des Hallenhandballs, die Mechanismen der Digitalisierung für die automatisierte Erfassung von Spiel- und Spieler*innen-Informationen zu erschließen, um dadurch mit den Mitteln der modernen Datenverarbeitung, den Trainer*innen Entscheidungshilfen auf der Grundlage von objektiven Informationen zur Verfügung zu stellen. Dabei sollen die ermittelten Erkenntnisse auch auf ihre Übertragbarkeit auf andere Team-Sportarten hin überprüft werden.

Thema Digitalisierte Informationserfassung (Sensorik und Apps)

Dieser Bereich konzentriert sich auf die Untersuchung und Entwicklung von Mechanismen zur digitalen Erfassung von Informationen über Spieler*innen und Mannschaften, sowohl im Kontext eines Spiels, als auch im Trainingskontext. Es soll aufgezeigt werden, wie gerade auch im Amateurbereich die papierbasierte Erfassung von Informationen mittels günstigen, volldigitalen oder zumindest teildigitalisierten Mechanismen ersetzt werden kann, um dadurch eine rechnergestützte Verarbeitung zu ermöglichen. Insbesondere wird die Kombinierbarkeit von Sensoren in den Bereichen Video, RFID, Indoor Positioning, mit der manuellen, rechnerbasierten Erfassung betrachtet.

Thema Modell- und Indikator-Entwicklung

Der Bereich der Modell- und Indikator-Entwicklung entwickelt Informations-Modelle zur Bewertung von Leistungen von Spieler*innen als auch für Teams. Ziel ist es, Bewertungsmodelle (Indikatoren) zu entwickeln, die es erlauben, den Leistungsstand und dessen Entwicklung von Spieler*innen und Teams zu beurteilen. Die Eingangsparameter der Indikatoren ergeben sozusagen einen Teil der Anforderungen an die digitale Erfassung (siehe B1), um eine automatisierte Leistungsbeurteilung realisieren zu können. Ebenso erlauben es diese Modelle die Auswirkung von Maßnahmen zu beurteilen, indem die Veränderung der Indikatoren in Abhängigkeit von dem Einsatz von Maßnahmen untersucht wird.

Eine spezielle Art der Modell-Entwicklung soll die Entwicklung von Deep-Learning-Modellen für die automatisierte Spielzugs- bzw. Taktikerkennung sein. Zunächst soll hierfür ein Verfahren entwickelt werden, welches es erlaubt ein Deep-Learning-Modell auf der Basis von Sensordaten zu trainieren, sodass ein Erkennungssystem auf der Basis dieses Modells, automatisiert Spielzüge in Echtzeit erkennen kann. Hierdurch wird es möglich, auch die Auswirkung von Spielzügen bzw. Taktiken automatisiert zu beurteilen, bzw. die Durchführung von Spielzügen in die Leistungsbeurteilung einfließen zu lassen. Ebenso ist es dadurch möglich Indikatoren für die Güte der Ausführung eines Spielzugs zu definieren.

Thema Data Mining und Vorhersage

Im dritten Bereich des Vorhabens soll die Anwendbarkeit von Data-Mining-Ansätzen geprüft werden. Dabei wird untersucht, welche Data-Mining-Ansätze sich am besten zur Beantwortung von Fragestellung des Sportbereichs eignen. Beispielsweise werden folgende Fragestellungen als Ausgangspunkt genutzt:

  • An welchen Eigenschaften eines Spielers oder einer Spielerin lässt sich dessen Entwicklungspotenzial ablesen?
  • Welche Auswirkungen haben Verletzungen auf das Entwicklungspotenzial einer Spielerin oder auch eines Spielers?
  • Welche Eigenschaften einer Mannschaft oder von Spieler*innen haben einen signifikanten Einfluss auf den Tabellenplatz in einer Liga oder den Ausgang eines Spiels und wie unterscheiden sich die Ligen im Hinblick auf diese Eigenschaften?
  • Lässt sich das Resultat eines Spiels frühzeitig vorhersagen und wie kann man gegebenenfalls gegensteuern?
  • Welcher Spielzug/Taktik ist Erfolg versprechend bei einem bestimmten Gegner?

Somit beschäftigt sich der dritte Bereich mit dem Thema Data Science im Kontext von Handball.