《Journal of Sports Sciences》：Redefining roles in wheelchair basketball: A data driven approach to characterising playing positions
编辑推荐：
轮椅篮球的一个关键方面是其运动分类（sport classification, SC）系统，球员被赋予1.0至4.5的分数（其中较低分数表示轮椅篮球相关任务的活动受限程度更大），且场上阵容总分不得超过14个运动分类点数。在轮椅篮球中，除了将球员标记为运动分类类
轮椅篮球的一个关键方面是其运动分类（sport classification, SC）系统，球员被赋予1.0至4.5的分数（其中较低分数表示轮椅篮球相关任务的活动受限程度更大），且场上阵容总分不得超过14个运动分类点数。在轮椅篮球中，除了将球员标记为运动分类类别或将其比作传统跑动篮球（running basketball, RB）位置外，球员特定的场上角色鲜为人知。本研究提出了一种数据驱动方法，利用高斯混合模型（Gaussian Mixture Model, GMM）分析来表征精英男子轮椅篮球的比赛位置。研究人员分析了2019–2024年间12项男子国际赛事中描述球员场上动作的比赛数据统计（box score metrics），总计涵盖304场比赛的342名球员的5265项比赛统计数据。该模型识别出六种新颖且多样的球员角色。这些角色范围从高分值分类球员（3.5–4.5）倾向于担任的主要组织者（primary playmaker）和动态影响（dynamic impact）角色，到低分值分类球员（1.0–1.5）经常观察到的无球（off-ball）、防守导向角色。本研究提供了一个考虑该项运动独特特征的、理解球员角色的新框架。这对根据阵容需求优化球员选拔、为平衡团队建设提供球员招募信息以及改进针对性的球员发展路径具有重要意义。
研究背景方面，轮椅篮球（Wheelchair Basketball, WB）虽然共享跑动篮球（Running Basketball, RB）的基本规则、场地尺寸和比赛形式，但其引入了运动分类（Sport Classification, SC）系统的复杂层，依据特定的活动受限程度（称为动作量volume of action）赋予球员1.0至4.5的分数，且场上总分上限为14分。低分球员通常躯干控制和移动能力受限，高分球员则具备更好的机动性。目前理解WB球员角色存在显著挑战，业内虽沿用RB的传统位置称呼（如前锋、中锋、后卫），但缺乏反映WB独特动力学的标准化位置定义，现有研究共识有限，这影响了表现分析、球员发展和战略规划。因此，亟需开发稳健的数据驱动方法来表征WB特有的比赛位置。现有聚类多为硬聚类（如k-means），而高斯混合模型（Gaussian Mixture Model, GMM）作为软聚类方法，能捕捉角色间模糊边界及球员多角色特质，适用于WB角色的流动性。本研究旨在通过GMM基于比赛风格统计识别WB新颖位置，探讨SC分数与新位置的关联及动作量与场上角色的关系，为教练和表现团队提供实用框架。该研究发表在《Journal of Sports Sciences》。
为开展研究，研究人员采用了几个主要关键技术方法。样本来源于2019年1月至2024年7月间12项男子WB国际大赛的历史数据，经清洗去重、排除分差大于35的悬殊比赛及累计上场小于100分钟的球员后，最终数据集包含304场比赛342名球员的5265项统计。选取12项比赛数据统计（box score）指标表征风格，数据聚合为每分钟值并作z-score标准化，皮尔逊相关分析确保变量非冗余（相关系数在-0.7至0.7），随后进行主成分分析（Principal Component Analysis, PCA）降维。使用R语言mclust包拟合GMM，通过贝叶斯信息准则（Bayesian Information Criterion, BIC）选定最优协方差结构与分量数（设定最少5类以反映场上人数），采用层次聚类初始化及期望最大化（Expectation-Maximisation）算法更新参数。最后提取各分量均值表征角色，用Welch单因素方差分析（ANOVA）及Games-Howell事后检验评估各组上场时间差异。
研究结果部分保留小标题说明如下。
- 3.
Results：PCA提取五个主成分解释约78%数据变异，各成分方差贡献依次为0.412、0.156、0.086、0.068和0.059。最优模型为VEI（varying volume, equal shape, diagonal covariance）协方差结构的六分量GMM（BIC = ?5125.5）。模型在PC1（主导控球）与PC2（外围投射与助攻）上可视化显示集群沿x轴按持球参与度分离，集群1与4沿y轴按三分线动作区分。GMM识别出六不同规模及SC分布的集群：集群4（28%）、6（21%）、1（20%）较大；集群2（12%）、3（10%）、5（8%）较小。SC呈分层分布：集群1和5主要为高SC球员；集群3和4分布SC 2.0–4.5；集群2和6为低SC范围，集群2中SC 1.0占71%；集群5为最高SC（3.0–4.5）。各集群在PCA变量均值上具显著差异特征：集群5持球倾向（PC1）最强，抢断盖帽（PC5）高，但外围投射组织（PC2）及快攻罚球（PC4）低；集群3持球（PC1）高，犯规失误（PC3）及快攻罚球（PC4）最高；集群1中等持球（PC1）伴高快攻罚球（PC4），低外围（PC2）及犯规失误（PC3）；集群4中等持球（PC1）伴极高外围投射组织（PC2）；集群6低持球（PC1）但高犯规失误（PC3）；集群2持球最低（PC1）但具防守特质（PC5）。Welch ANOVA显示集群间上场时间显著变异，集群1和5平均上场时间最长，集群2和6通常较低；事后检验显示集群3与4（p = 0.002）及4与5（p = 0.015）差异显著。
讨论部分总结：GMM分析确定WB六种独特角色，含高SC偏好的主要组织者（如Centre、Swingman、Inside Opportunist、Combo Guard）及低SC典型的无球防守角色（Off-ball Creator、Off-ball Specialist），补充材料详述指标与定性特征。SC在角色间明显分层显示动作量影响专项化，低SC（1.0–1.5）主导Off-ball Specialist（集群2）和Off-ball Creator（集群6），聚焦专项技能（如封盖）及适应（如无球掩护）。文献支持低SC趋无球因躯干控制差影响多平面稳定及单手传球，高SC关联力量功率优势利于持球任务。集群2和6内变异小于他组，或因比赛统计侧重持球动作，无球贡献指标待完善。低SC坐姿更低深影响防守职责匹配。中高SC（集群1、3、4、5）持球参与多、角色多样，高SC体格与机动优势允多维责任，如Combo Guard（集群4）高助攻与外投。高SC角色（Centre集群3、Swingman集群5、Combo Guard集群4）方差更大显示执行多样性，反映动作量差异及高SC能力强于低SC。上场时间趋势显示Combo Guard和Inside Opportunist为核心阵容，Off-ball Creator和Centre次之，Off-ball Specialist和Swingman时间较少，后者具专门用途非必然首发。GMM相较硬聚类具概率分配优势，可提取后验概率深化个体画像。框架确立六种WB角色助发展路径、训练计划及阵容构建，强调低SC价值在非传统统计的无球角色，需替代评估工具及未来完善无球量化指标。局限含仅观赛可测指标、偏无球防守统计不足、仅精英男员限推广至女WB及其他级别、五年样本缺纵向演变异、剔除悬殊比赛及限精英仍存对手质量残差影响。
结论部分翻译：本研究建立了识别WB六种独特球员角色的综合框架，各角色反映独特专门的场上贡献。重要的是，尽管SC显著影响比赛风格，结果表明球员在角色发展中具相当灵活性。基于次级集群分配的分析揭示了各角色内亚型，进一步详述专门场上角色。该框架为教练与表现人员提供宝贵见解，包括球员基准测试与角色专门技能发展的实际应用。总之，本研究显著提升对WB特定球员角色的理解，并为未来调查确立方向。
