Analyse et modélisation de la performance en Boccia

La boccia est un sport paralympique qui s’apparente à la pétanque que n’importe quelle personne peut pratiquer, qu’elle ait un handicap ou non. Malheureusement, en raison du caractère spécifique de ce sport et de sa popularité relativement limitée par rapport à d’autres disciplines, il y a peu de recherches scientifiques qui lui sont consacrées. Cela signifie que les informations disponibles sont souvent limitées et fragmentaires, surtout dans le domaine de la performance sportive. L’équipe de Boccia Canada a pris l’initiative de collecter des données de matchs dans le but de les exploiter afin d’améliorer les performances de ses équipes. En recueillant certaines données, les entraîneurs peuvent commencer à identifier des tendances et des schémas récurrents. Ces données pourraient potentiellement révéler des stratégies gagnantes, des faiblesses spécifiques à corriger ou des domaines d’amélioration pour les joueurs. En intégrant l’analyse des données dans le processus d’entraînement, les entraineurs de Boccia Canada espèrent pouvoir prendre de meilleures décisions et fournir des conseils plus précis à ses athlètes. C’est donc dans le domaine de l’analyse et de l’exploitation de données que s’inscrit ce mémoire. En effet, l’objectif est de poursuivre le travail commencé par les entraîneurs dans le but d’améliorer les performances des équipes de Boccia. La première partie du projet consiste à nettoyer les données de manière à les rendre exploitables, puis à les analyser en profondeur de manière à en apprendre plus sur ce sport qui a été jusqu’à maintenant peu étudié, ce qui va permettre de fournir des résultats intéressants aux équipes de Boccia Canada qui vont pouvoir les exploiter pour améliorer les performances de leurs athlètes. La suite de projet consiste à exploiter ces données dans le but de créer un outil d’aide à la décision permettant de prédire le meilleur lancer à effectuer dans une situation donnée. Pour réaliser cet outil, nous avons conçu un algorithme de type expectiminimax, une variante de l’algorithme minimax issu de la théorie des jeux. L’avantage de cet algorithme est qu’il permet d’introduire une notion de probabilité à un algorithme qui est habituellement déterministe, ce qui permet de modéliser facilement le fait que les joueurs professionnels ne sont pas infaillibles et qu’ils leur arrivent de manquer des tirs. Cependant, la faible quantité de données nous a forcé à faire des concessions au niveau de la précision de la recommandation. Après une évaluation de l’outil sur six matchs réels par l’entraîneur en chef de Boccia Canada, les résultats obtenus ont été jugés comme pertinents, mais le manque de précision fait qu’ils sont parfois difficiles à exploiter.

Abstract

Boccia is a Paralympic sport similar to bocce that is inclusive and can be played by anyone, regardless of their disability. However, due to its specific nature and relatively limited popularity compared to other sports, there has been a scarcity of scientific research dedicated to it. Consequently, the available information, particularly concerning sports performance, remains limited. To address this, the Boccia Canada team has taken the initiative of collecting match data to enhance the performance of its athletes. Through the analysis of this data, coaches aim to identify recurring trends and patterns, which could potentially reveal winning strategies, specific weaknesses to address, and areas for player improvement. By integrating data analysis into the training process, Boccia Canada coaches hope to make better decisions and provide more accurate advice to their athletes. As a result, this thesis focuses on data analysis and exploitation. Its objective is to build upon the work initiated by coaches to improve boccia teams’ performance. The project’s initial phase involves data cleaning to ensure usability, followed by in-depth analysis to gain valuable insights into the sport, which has been relatively under-researched until now. The obtained results will provide meaningful outcomes for Boccia Canada teams, allowing them to enhance their athletes’ performance. The subsequent phase of the project includes leveraging this data to develop a decision support tool capable of predicting the best shot to make in a given situation. To create this tool, we designed an expectiminimax algorithm, a variation of the minimax algorithm used in game theory. The advantage of this algorithm lies in its consideration of probability, which allows for modeling the fact that professional players are not infallible and may sometimes miss shots. However, the limited amount of data compelled us to make some compromises concerning the precision of the recommendations. Following the evaluation of the tool in six real matches, the head coach of Boccia Canada deemed the results relevant. Nevertheless, the lack of precision sometimes presents challenges in their effective utilization. To improve the developed tool, several approaches can be explored. Firstly, conducting this study with a larger volume of data would enhance the precision of the recommendations significantly. Secondly, improving the collected data by considering factors such as the position of the balls on the field would prove beneficial. This could facilitate the integration of machine learning into the decision support tool, potentially leading to more relevant and accurate results.