Basketball analytics

Описание модели	Модель агентного моделирования (ABM) в баскетболе, разработанная согласно протоколу ODD, исследует динамику игры как сложной адаптивной системы. В ней игроки принимают решения о бросках, передачах и дриблинге, основываясь на производительности своих товарищей по команде и различных игровых условиях, таких как оставшееся время и вероятность успешного броска. Модель учитывает влияние факторов, таких как "горячая рука" (hot-hand) и вера в главного игрока команды. Игроки взаимодействуют друг с другом и с окружающей средой, что позволяет моделировать реалистичные игровые ситуации. Результаты симуляции используются для анализа статистики и проверки гипотез о когнитивных искажениях в спортивной аналитике.
Область знаний	Большие данные, Спорт
Веб-страница - ссылка на модель	https://www.comses.net/codebases/ed88c9b6-b54e-42c8-b7ae-c16a66dec57f/releases/1.0.0/?fbclid=IwAR2XE2VY8dN2fAtM8Y1mzNN-5-r64bebWOuMyOVDmJdmvUF SNTA2Q01fEk
Видео запись	https://www.youtube.com/watch?v=NhF37rjCgbA
Разработчики
Среды и средства, в которых реализована модель	NetLogo
Диаграмма модели
Описание полей данных, которые модель порождает
Модель создана студентами?	Нет

Description

Баскетбол

В баскетболе играют две команды по пять игроков, которые стремятся набрать как можно больше очков в отведенное время. Команда, обладающая мячом, считается атакующей, а команда без мяча — защищающей. Цель атакующей команды — забросить мяч в корзину за 24 секунды, в то время как защитная команда должна предотвратить это. Владение мячом может переходить от одной команды к другой через успешный бросок, защитный подбор, перехват передачи или нарушение правил со стороны атакующей команды.

Эмерджентность

В модели игроки отвечают за выполнение «единственного» игрового действия до истечения времени, и итоговый счет игры является эмерджентным результатом. Игроки не учитывают текущую ситуацию в игре при принятии решений, то есть не знают, ведут ли они в счете или отстают.

Адаптация

Адаптация происходит через оценку игроками производительности своих товарищей по команде при принятии решения о том, стоит ли бросать, передавать или дриблинговать. При выборе передачи игрок также учитывает производительность, чтобы определить лучший вариант для паса. Будущие итерации модели могут улучшить процесс принятия решений для повышения уровня адаптации.

Фитнес

Игроки должны забросить мяч в корзину до истечения времени на бросок. В этом процессе важно сбалансировать шансы на успех и оставшееся время. Решения игрока основываются на прошлой производительности как их самих, так и их товарищей по команде; плохая производительность приводит к меньшему количеству бросков и отсутствию передач от товарищей.

Прогнозирование

При прогнозировании, является ли бросок лучшим вариантом, игрок оценивает вероятность успешного завершения броска, учитывая свое положение на площадке. Другими факторами для прогнозирования являются прошлые результаты и убеждения команды о «горячих» игроках и лидерах.

Сенсорика

Игроки могут «ощущать» свое положение на площадке и осознают производительность себя и своих товарищей. Дополнительным аспектом сенсорики является то, как игроки определяют варианты передачи, сканируя заранее определенную зону вокруг себя.

Взаимодействие

Поскольку баскетбол — это командный вид спорта, игроки взаимодействуют с товарищами по команде. Защитная команда взаимодействует с противниками, пытаясь блокировать передачи.

Стохастичность

Модель включает несколько подсистем, основанных на стохастических процессах. К ним относятся вероятность успешного броска, перехвата или кражи передачи, а также подборов мяча.

Коллективы

Игроки распределены по двум командам.

Наблюдение

Модель собирает данные о ходе игры для проверки ее соответствия данным НБА и тестирования влияния различных когнитивных искажений. Основной метрикой является счет каждой команды. Данные записываются как временные метрики, так и на уровне окончания игры. Другие статистические данные включают:

1. Броски с указанием процента успешных;
2. Перехваты;
3. Подборы;
4. Изменения преимущества;

- Максимальное преимущество.

Статистика отслеживается как на уровне команды, так и индивидуально для каждого игрока (броски, процент успешных бросков, размер серии и набранные очки).

Характеристики отдельных игроков

1. fg% (Процент успешных бросков): Эта метрика показывает, какой процент бросков игрока оказался успешным. Высокий процент успешных бросков указывает на эффективность игрока в нападении.
2. team% (Процент очков для команды): Этот показатель отражает долю очков, которые игрок набрал для своей команды. Он позволяет оценить вклад игрока в общий успех команды.
3. made (Количество успешных бросков): Это общее количество бросков, которые игрок успешно завершил за игру. Этот показатель также важен для оценки его результативности.
4. passes (Количество передач): Метрика, показывающая, сколько передач сделал игрок. Это важно для понимания его роли в атакующих действиях команды.
5. hot_streak (Горячая серия): Этот показатель фиксирует количество последовательных успешных бросков игрока. Наличие горячей серии может увеличить уверенность игрока и повлиять на его дальнейшие действия.
6. defrebound (Защитные подборы): Количество подборов, сделанных игроком в защите. Это важный аспект защиты, который показывает способность игрока контролировать мяч после промахов противника.
7. tov (Потери мяча): Количество раз, когда игрок потерял мяч, что может произойти из-за перехвата или ошибки при передаче. Этот показатель негативно влияет на общую оценку эффективности игрока как в нападении, так и в защите.

Сбор значений

ask players [ show (se fg% team% made passes hot_streak attempts defrebound tov)]

Сравнительный анализ игроков