编辑推荐：
研究人员运用专家系统序贯概率比检验（EXSPRT）构建羽毛球比赛胜率预测模型，提升预测准确性，为体育研究提供支撑。
在体育赛事的舞台上，比赛结果总是备受关注。每逢重大赛事，如奥运会、亚运会和世界杯等，人们总会对冠军归属满怀好奇与期待。赛前，各种预测通过媒体广泛传播，极大地激发了大众的兴趣和热情。然而，传统的体育比赛结果预测研究存在诸多局限性。多数研究主要依赖赛前数据，像比赛记录、体育场环境和运动员信息等，却忽略了比赛过程中的动态事件，例如运动员受伤、犯规、被罚出场以及观众人数变化等。而且，这些研究往往局限于特定的数据类型或体育场景，面对新的比赛情况时，预测能力大打折扣。
为了突破这些困境，来自韩国国立教育大学（Korea National University of Education）体育教育研究所的 Eunhye Jo 展开了一项极具意义的研究。该研究成果发表在《BMC Sports Science, Medicine and Rehabilitation》杂志上。
在这项研究中，研究人员采用了多种关键技术方法。数据方面，从国际羽联（Badminton World Federation，BWF）2018 年举办的男子单打比赛中随机选取 100 场（222 局），用于计算比赛事件难度；从 2019 年赛事里选取 30 场（74 局），以确定初始先验概率。研究模型上，构建了 6 个基于 EXSPRT 的序贯胜率预测模型，涵盖了技术、情境、时机等不同因素单独及组合的情况。通过 I-Minton 羽毛球比赛分析程序对比赛事件进行量化，并运用 EXSPRT 模型的相关公式计算事件难度和胜率。
下面来看具体的研究结果：
- 计算羽毛球比赛事件难度
- 基于得分技术、情境和时机（模型 1、2、3）：对与这些因素相关的事件进行量化后，运用 EXSPRT 模型难度公式计算。结果显示，不同模型中各事件的难度存在差异。如在模型 1 中，“扣杀接球” 对得分情况的判别力最高，“发球” 的判别力最低；模型 2 里，“球拍未触球” 判别力最高，“其他情况” 最低；模型 3 中，随着比赛比分接近 21 分，判别力增强，“21 分之后” 判别力最高，“0 - 5 分” 最低。这表明技术因素在比赛前期预测准确性较低，但特定技术有战略意义；时机因素在比赛后期预测准确性高；情境因素对预测对手失误有效。
- 结合技术 - 情境、情境 - 时机和时机 - 技术因素（模型 4、5、6）：同样量化事件并应用公式计算，发现不同组合模型在比赛不同阶段有不同优势。技能 - 情境组合模型（模型 4）在比赛中期表现出色；情境 - 时机组合模型（模型 5）在比赛后期优势明显；技能 - 时机组合模型（模型 6）在比赛各阶段表现较为稳定，尤其在后期预测能力强。
- 选择初始先验概率：研究设定了 15%、20%、25% 和 30% 这 4 种投注胜率应用率，在 6 个序贯胜率预测模型中进行验证。结果表明，应用 25% 投注胜率时，多个模型的有效性指标（如 ACC、EER、GM、F - 1 score 和 MCC）表现最佳，因此确定将 25% 的投注胜率作为初始先验概率，同时给对手加上 37.5% 的固定比率。
在研究结论与讨论部分，研究人员成功开发出 6 个序贯胜率预测模型，包括 3 个单因素模型和 3 个组合模型。确定了将 25% 的投注胜率作为初始先验概率的方法，提高了预测准确性。该研究不仅能在羽毛球比赛中实现实时胜率预测，增强观众观赛体验，为教练制定战略提供数据支持，还对网球、排球、乒乓球等其他依赖序贯得分的体育项目具有重要借鉴意义。不过，研究也存在一定局限性，如依赖博彩赔率设置初始先验概率，在实际应用中可能受限。未来研究可探索利用球员比赛数据和统计信息设置独立的初始先验概率，同时进一步优化模型，提高其在不同比赛场景下的准确性和鲁棒性，以更好地服务于体育赛事分析和预测。
