XiaoMi-AI文件搜索系统
World File Search SystemArtur
原创文章 体育比赛中的创新技术
原创文章 体育比赛中的创新技术：理论与实践的全面研究 VIKTORIIA NAGORNA 1、ARTUR MYTKO 2、OLHA BORYSOVA 3、VLADIMIR POTOP 4、HENNADII PETRENKO 5、LIUBOV ZHYHAILOVA 6、IGOR FOLVAROCHNYI 7、SILVIO LORENZETTI 8 1,2,3,5,6,7 乌克兰国立体育大学，乌克兰 1,2,8 瑞士联邦马格林根体育学院，瑞士 4 布加勒斯特国立理工大学，罗马尼亚皮特什蒂大学中心 在线发表：2024 年 3 月 31 日（接受出版于 2024 年 3 月 15 日 DOI：10.7752/jpes.2024.03070 摘要 问题陈述和目的。现代技术的出现促进了在“真实世界条件”下开展复杂研究，甚至在比赛期间也是如此。从而减少了科学家和教练获得研究成果所需的财力和时间。本研究的主要目的是全面调查和阐明体育科学理论的当代创新趋势。本研究旨在通过细致的分析来评估这些创新在体育准备中的实际效果和适用性。通过弥合理论进步与现实世界实施之间的差距，本研究旨在为体育比赛中创新技术不断发展的格局提供宝贵的见解，从而有助于提高运动表现和训练方法。方法和方法。本研究采用文献计量技术收集了 2005 年至 2023 年期间发表的体育科学领域被引用率高的论文。采用专家评估法来确定使用创新技术提高精英运动员准备效果的现代趋势。在体育活动期间，我们利用多种方法对 17 名女性和 24 名男性进行了全面分析，其中包括篮球、手球和排球的精英运动员。分析考虑了生物力学和心理生理指标。利用计算机程序“Statistica”和 Microsoft Excel 2010 的计算和图形功能进行数学和统计处理以及数据分析。结果。我们对体育科学文献和专家评估的分析揭示了精英体育中创新技术应用的普遍趋势。可穿戴技术包括健身追踪器、心率监测器和 GPS 手表，是 20 个欧洲国家国家队教练中最广泛采用的类别，尤其是用于训练运动员参加体育比赛。这些技术在当代体育科学中发挥着核心作用。此外，我们的研究强调，即使在相同的实验条件下，将尖端体育科学和技术与传统实验室方法进行比较时，结果也存在显著差异。这强调了创新数学和统计方法的必要性，以评估体育实践领域日益突出的新兴发展。结论。全球趋势的研究结果表明，技术在优化运动员训练和体育比赛中的表现方面越来越不可或缺。对于以精英水平的成功为目标的教练、运动员和体育组织来说，及时了解这些创新至关重要。关键词：精英运动员；体育比赛；创新技术；人工智能。介绍
质疑人工智能预测：影响力驱动的第二意见推荐
[1] Gagan Bansal、Besmira Nushi、Ece Kamar、Dan Weld、Walter Lasecki 和 Eric Horvitz。2019 年。人机协作团队向后兼容的案例。ICML 人机协作学习研讨会 (2019)。[2] Gagan Bansal、Tongshuang Wu、Joyce Zhou、Raymond Fok、Besmira Nushi、Ece Kamar、Marco Tulio Ribeiro 和 Daniel Weld。2021 年。整体是否超过部分？人工智能解释对互补团队绩效的影响。在 CHI 计算机系统人为因素会议论文集上。1-16。 [3] Umang Bhatt、Javier Antorán、Yunfeng Zhang、Q Vera Liao、Prasanna Sattigeri、Riccardo Fogliato、Gabrielle Gauthier Melançon、Ranganath Krishnan、Jason Stanley、Omesh Tickoo 等人。2020 年。不确定性作为透明度的一种形式：测量、传达和使用不确定性。arXiv 预印本 arXiv:2011.07586 (2020)。[4] Zana Buçinca、Maja Barbara Malaya 和 Krzysztof Z Gajos。2021 年。信任还是思考：认知强制函数可以减少人工智能辅助决策对人工智能的过度依赖。ACM 人机交互论文集 5，CSCW1 (2021)，1-21。 [5] Rich Caruana、Yin Lou、Johannes Gehrke、Paul Koch、Marc Sturm 和 Noemie Elhadad。2015 年。医疗保健的可理解模型：预测肺炎风险和 30 天内住院率。第 21 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集。1721–1730。[6] R Dennis Cook。1986 年。局部影响力评估。皇家统计学会杂志：B 系列（方法论）48，2（1986 年），133–155。[7] Maria De-Arteaga、Artur Dubrawski 和 Alexandra Chouldechova。2021 年。利用专家一致性改进算法决策支持。arXiv 预印本 arXiv:2101.09648（2021 年）。 [8] Maria De-Arteaga、Riccardo Fogliato 和 Alexandra Chouldechova。2020 年。《人机交互案例：在存在错误算法评分的情况下做出决策》。2020 年 CHI 计算机系统人为因素会议论文集。1-12。[9] Berkeley J Dietvorst、Joseph P Simmons 和 Cade Massey。2015 年。《算法厌恶：人们在发现算法错误后会错误地避开算法》。《实验心理学杂志：综合》144, 1 (2015)，114。[10] Kelwin Fernandes、Jaime S Cardoso 和 Jessica Fernandes。2017 年。《具有部分可观测性的迁移学习应用于宫颈癌筛查》。《伊比利亚模式识别与图像分析会议》。Springer，243-250。 [11] Yarin Gal 和 Zoubin Ghahramani。2016 年。Dropout 作为贝叶斯近似：表示深度学习中的模型不确定性。在国际机器学习会议 (ICML) 中。1050–1059。[12] Ruijiang Gao、Maytal Saar-Tsechansky、Maria De-Arteaga、Ligong Han、Min Kyung Lee 和 Matthew Lease。2021 年。通过 Bandit 反馈实现人机协作。IJCAI (2021)。[13] Pang Wei Koh 和 Percy Liang。2017 年。通过影响函数理解黑盒预测。在第 34 届国际机器学习会议论文集-第 70 卷中。JMLR。org，1885–1894 年。[14] Himabindu Lakkaraju、Jon Kleinberg、Jure Leskovec、Jens Ludwig 和 Sendhil Mullainathan。2017 年。选择性标签问题：在存在不可观测因素的情况下评估算法预测。第 23 届 ACM SIGKDD 国际知识发现与数据挖掘会议论文集。ACM，275–284。