توسط پسخ بنسون • ۷ ژوئن ۲۰۲۶
اورشلیم، ۷ ژوئن ۲۰۲۶ (TPS-IL) – با آغاز جام جهانی ۲۰۲۶ در روز پنجشنبه، پژوهشگران اسرائیلی هشدار میدهند که یک تغییر تکنولوژیکی آرامتر در حال شکل دادن به آینده فوتبال است: سیستمهای هوش مصنوعی که به طور فزایندهای برای رتبهبندی، تجزیه و تحلیل و پیشبینی پتانسیل ورزشی کودکان استفاده میشوند.
یک مطالعه اسرائیلی بررسی کرد که چگونه هوش مصنوعی از تحلیل عملکرد فراتر رفته و به سمت شکلدهی قضاوتهای بلندمدت در مورد تواناییهای انسانی از اوایل دوران کودکی حرکت میکند. یافتههای این مطالعه که در مجله علمی داوری همتا، Big Data and Cognitive Computing منتشر شده است، هشدار میدهد که با پردازش فزاینده دادههای عملکرد جوانان توسط الگوریتمها، این سیستمها نه تنها ممکن است استعداد را به طور کارآمدتری ارزیابی کنند، بلکه ممکن است به طور پیش از موعد آن را تعریف کنند – که به طور بالقوه تعصب را درونی کرده و فرصتها را مدتها قبل از رسیدن بازیکنان به سطوح حرفهای محدود میکند.
پیش از این رقابتها، فیفا از همکاری با شرکت فناوری لنوو برای توسعه پلتفرم Football AI Pro خبر داده است، که یک سیستم پیشرفته برای تجزیه و تحلیل تاکتیکی و ارزیابی عملکرد بر اساس میلیونها نقطه داده، تجزیه و تحلیل ویدئو، تجسمهای سهبعدی و شبیهسازیهای یادگیری ماشین است.
تحولات مشابهی در ابتکارات موازی مانند همکاری اینتل با کمیته بینالمللی المپیک بر روی سیستمهای شناسایی استعداد مبتنی بر هوش مصنوعی در حال انجام است. در حالی که برخی از این ابزارها در حال حاضر در کشورهایی از جمله اسرائیل، ژاپن و السالوادور آزمایش یا مستقر شدهاند، برخی دیگر در مراحل اولیه پیادهسازی قرار دارند.
بر اساس این مطالعه که توسط پروفسور عوفر ایزر از دانشگاه بن گوریون و دکتر ایلیا مورگولف از کالج آکادمیک کای در بئرشبع هدایت میشود، مهمترین تغییر صرفاً بهبود تجزیه و تحلیل نیست، بلکه ظهور ردیابی مداوم و مبتنی بر داده از ورزشکاران جوان است. سیستمهای فیلمبرداری خودکار، حسگرهای پوشیدنی و ویدئوهای تمرینی ضبط شده توسط خود بازیکنان اکنون امکان ثبت، ذخیره و تجزیه و تحلیل عملکرد کودکان را در طول زمان فراهم میکنند و از سنین پایین، یک سابقه دیجیتالی دائمی ایجاد میکنند.
در ورزشهای المپیک، بسکتبال، بیسبال و تنیس، هوش مصنوعی به طور فزایندهای برای شناسایی و ارزیابی استعداد ورزشی از سنین پایین استفاده میشود. برنامههای توسعه المپیک از پروفایل بیومتریک و شبیهسازی عملکرد برای هدایت ورزشکاران به رشتههای مناسب استفاده میکنند، در حالی که سیستمهای بسکتبال و تنیس به دادههای ردیابی، تجزیه و تحلیل ویدئو و معیارهای حرکتی برای ارزیابی پتانسیل بلندمدت متکی هستند. بیسبال نیز به طور مشابه از مدلهای مبتنی بر داده برای ارزیابی استعدادها در سراسر خطوط توسعه خود استفاده میکند و از مجموعه دادههای تاریخی بزرگ عملکرد بازیکنان بهره میبرد.
در سراسر این ورزشها، الگوی مشترک، گذار از ارزیابی کوتاهمدت عملکرد به پیشبینی الگوریتمی بلندمدت پتانسیل بر اساس دادههای جمعآوری شده به طور مداوم از ورزشکاران جوانتر و جوانتر است.
مبارزه با «تعیینگرایی دیجیتال»
پژوهشگران این تحول را «تعیینگرایی دیجیتال» توصیف میکنند، که در آن دادههای عملکرد اولیه شروع به شکلدهی و محدود کردن فرصتهای آینده میکنند. معیارهای دوران کودکی که یک بار ذخیره میشوند، ممکن است بر اینکه کدام بازیکنان توجه مربیگری، فرصتهای استعدادیابی یا بودجه دریافت میکنند، تأثیر بگذارند و به طور مؤثری اندازهگیریهای اولیه را به فیلترهای بلندمدت برای مشاغل ورزشی تبدیل کنند.
یافته کلیدی این مطالعه چگونگی ورود تعصب به این سیستمها به طور غیرمستقیم است. حتی زمانی که الگوریتمها ویژگیهای حساس مانند قومیت یا درآمد را حذف میکنند، همچنان ممکن است نابرابری را از طریق متغیرهای نیابتی مانند مدرسه، موقعیت جغرافیایی یا ساختار خانواده بازتولید کنند. این سیگنالها که از الگوهای موفقیت تاریخی گرفته شدهاند، میتوانند نابرابریهای اجتماعی-اقتصادی را در سیستمهایی که به ظاهر عینی هستند، درونی کنند.
پلتفرمهای استعدادیابی در حال حاضر فیلمهای ویدئویی، رویدادهای مسابقه و آمار عملکرد را در گروههای سنی و لیگهای مختلف جمعآوری میکنند. سپس سیستمهای یادگیری ماشین الگوهای مرتبط با عملکرد نخبه را شناسایی میکنند، در حالی که تحلیلگران فیلترهایی مانند سن، پست و سطح رقابت را اعمال میکنند. با این حال، از آنجایی که این سیستمها بر اساس «موفقیت» تاریخی آموزش دیدهاند، دانشمندان میگویند که اغلب تعصبات درونی شده در تصمیمگیریهای گذشته مربیگری و انتخاب را به ارث میبرند.
این مطالعه همچنین یک حلقه بازخورد تقویتکننده را برجسته میکند: ورزشکارانی که زود توسط الگوریتمها شناسایی میشوند، احتمال بیشتری دارد که آموزش و قرار گرفتن در معرض برتر را دریافت کنند، که دادههای عملکرد آنها را بهبود میبخشد و به نوبه خود پیشبینی اولیه سیستم را تقویت میکند. در طول زمان، این پویایی ممکن است دسترسی به فرصت را محدود کند تا گسترش دهد.
فراتر از معیارهای عملکرد، پژوهشگران هشدار میدهند که جمعآوری دادهها میتواند در نهایت از زمین مسابقه فراتر رود. سیستمهای هوش مصنوعی ممکن است فعالیت رسانههای اجتماعی، پوشش خبری و سایر اطلاعات عمومی را برای ایجاد پروفایلهای گستردهتر از ورزشکاران جوان ادغام کنند، که نگرانیهای مربوط به حریم خصوصی و سؤالاتی را در مورد استفاده بلندمدت از دادههای دوران کودکی مطرح میکند.
دکتر مورگولف میگوید: «واقعیت نشان میدهد که ورزشهای رقابتی، دستاورد رقابتی را بیش از هر چیز، حتی به قیمت ارزشهای دیگر، تقدیس میکنند. ورزشهای رقابتی یک عرصه منحصر به فرد و افراطی هستند که بر دادههای فیزیکی استثنایی در کنار اراده، تابآوری و انگیزه تکیه دارند. ترکیبی که در بهترین حالت، تنها حدود یک درصد از جمعیت را توصیف میکند.»
پروفسور ایزر میافزاید: «زمان آن فرا رسیده است که به عنوان یک جامعه در مورد جایگاه و میزان استقلالی که مایل به دادن آن به الگوریتمها در عکاسی، رتبهبندی، پیشبینی و تعیین مسیر توسعه نسل آینده هستیم، فکر کنیم، زمانی که ورزشهای رقابتی برای اکثریت قریب به اتفاق آنها بیربط است.» او هشدار میدهد که کودکان باید تحت یک چارچوب حمایتی انسانی رشد کنند تا اینکه به طور پیش از موعد توسط امتیازات الگوریتمی تعریف شوند.
