मशीन लर्निंग एलीट एथलीटों की सफलता के पीछे का रहस्य कैसे सुलझाता है: प्रमुख कारक सामने

बुडापेस्ट, हंगरी, स्रोत:

शानदार खेल प्रदर्शन पाने की कोशिश में कला और विज्ञान का संतुलन हमेशा बना रहा है। हालिया कृत्रिम बुद्धिमत्ता (AI) की پیشगामी तकनीकों ने अब अच्छे एथलीटों और शीर्ष स्तर के एथलीटों में अंतर करने वाले कारकों को समझने में बेहद स्पष्टता दी है। सेमेल्वेइस यूनिवर्सिटी और आर्गस कॉग्निटिव इंक. के शोधकर्ताओं द्वारा प्रकाशित 'स्पोर्ट्स' जर्नल में एक नई अध्ययन रिपोर्ट प्रकाशित हुई है। इसमें मशीन लर्निंग का उपयोग करके प्रतिस्पर्धात्मक उपलब्धियों और शारीरिक सहनशक्ति के बीच जटिल संबंधों को तोड़ा गया है। यह रिसर्च पारंपरिक खेल हृदय चिकित्सा स्क्रीनिंग से डेटा पर आधारित प्रदर्शन अनुकूलन की ओर एक बड़ा बदलाव दर्शाती है।

अध्ययन में 688 स्वस्थ और लक्षण-रहित एलीट एथलीटों के डेटा का विश्लेषण किया गया। कुल 1,194 खेल हृदय चिकित्सा स्क्रीनिंग परीक्षण शामिल थे। मुख्य उद्देश्य यह देखना था कि मशीन लर्निंग मॉडल दो अलग-अलग मापों की भविष्यवाणी कितनी अच्छी तरह कर सकते हैं। पहला माप 'एचीवमेंट स्कोर' था जो प्रतिस्पर्धा के परिणामों से निकाला गया। दूसरा माप 'एंडुरेंस स्कोर' था जो निरंतर कार्डियोरेस्पिरेटरी क्षमता पर आधारित था। मजबूती सुनिश्चित करने के लिए टीम ने SHAP (SHapley Additive exPlanations) तकनीक का इस्तेमाल किया। इससे हर स्कोर के लिए सबसे प्रभावशाली निर्धारकों की पहचान हुई। इससे AI भविष्यवाणियों के ब्लैक बॉक्स को खोला जा सका।

परिणामों ने सफलता के चलने वाले कारणों में एक दिलचस्प विरोधाभास दिखाया। एचीवमेंट स्कोर के लिए, जो प्रतिस्पर्धात्मक परिणामों को दर्शाता है, सबसे मजबूत पूर्वानुमानक त्रिक वर्षों का अनुभव, साप्ताहिक प्रशिक्षण घंटे और आयु थे। इसका मतलब है कि प्रतिस्पर्धात्मक सफलता केवल शारीरिक गुणों पर नहीं बल्कि अनुभव, जुटी हुई जानकारी और जानबूझकर किए गए अभ्यास की मात्रा पर ज्यादा निर्भर करता है। इसके विपरीत, एंडुरेंस स्कोर मुख्य रूप से कंकालीय मांसल द्रव्यमान, शरीर के वजन और अधिकतम हृदय गति से प्रभावित हुआ। ये परिणाम बताते हैं कि शुद्ध शारीरिक सहनशक्ति शरीर की संरचना और निरंतर कार्डियोरेस्पिरेटरी मापों से जुड़े विशेष खेल अनुकूलनों से ज्यादा जुड़ी होती है।

प्रतिष्ठा की भविष्यवाणी करने वाला मॉडल मध्यम सटीकता (R² = 0.29) दिखाया। वहीं सहनशक्ति वाला मॉडल बहुत सटीक (R² = 0.69) था। यह अंतर यह उजागर करता है कि बायोमेट्रिक डेटा के जरिए शारीरिक क्षमता को सटीक रूप से अनुमानित किया जा सकता है। लेकिन प्रतिस्पर्धात्मक सफलता मनोवैज्ञानिक, रणनीतिक और अनुभवजन्य कारकों के एक व्यापक समूह से भी प्रभावित होती है जिन्हें मापना मुश्किल होता है। कोच सोच सकते हैं कि कुछ एथलीट समान शारीरिक प्रोफाइल होने के बावजूद क्यों बेहतर प्रदर्शन करते हैं। जवाब अनुभव और रणनीति के अदृश्य गुणों में छिपा है।

इन अंतर्दृष्टियों का कोचिंग और प्रतिभा पहचान पर गहरा असर पड़ता है। यह समझकर कि सहनशक्ति मुख्य रूप से शरीर की संरचना और हृदय के अनुकूलन का कार्य है, कोच अपने कंडीशनिंग कार्यक्रमों को अधिक प्रभावी ढंग से ढाल सकते हैं। दूसरी ओर, यह मानना कि सफलता प्रशिक्षण इतिहास से जुड़ी है, दीर्घकालिक विकास और मार्गदर्शन के महत्व को रेखांकित करता है। जैसे-जैसे मशीन लर्निंग विकसित होगी, खेल चिकित्सा में इसकी समाप्ति व्यक्तिगत प्रशिक्षण नियमों को लागू करने, चोट के जोखिम को कम करने और मानवीय क्षमता के नए स्तरों को खोलने की वादा करती है। यह रिसर्च न केवल खेल हृदय चिकित्सा के क्षेत्र को आगे बढ़ाती है बल्कि यह भी एक नींव प्रदान करती है कि AI का उपयोग मानव प्रदर्शन की बहुआयामी प्रकृति को सुलझाने के लिए कैसे किया जा सकता है।