Using artificial neural networks to assign soccer players by physical and motor abilities

• Salman, Mais Mahmoud ^[1]
  1. [1] University of Baghdad

     University of Baghdad

     Irak

     
• Localización: Retos: nuevas tendencias en educación física, deporte y recreación, ISSN-e 1988-2041, ISSN 1579-1726, Nº. 78, 2026, págs. 170-180
• Idioma: inglés
• Títulos paralelos:
  • Utilização de redes neuronais artificiais para classificar os jogadores de futebol de acordo com as suas capacidades físicas e motoras
  • Uso de redes neuronales artificiales para asignar jugadores de fútbol según habilidades físicas y motoras
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Introducción: Con el desarrollo de las herramientas de análisis deportivo, las redes neuronales artificiales han surgido como uno de los enfoques inteligentes capaces de procesar datos complejos e identificar patrones que ayudan a orientar a los jugadores hacia las posiciones más adecuadas según sus habilidades.

    Objetivo: Esta investigación tiene como objetivo explorar la viabilidad de emplear redes neuronales artificiales para analizar las capacidades físicas y motrices de los futbolistas y determinar sus posiciones óptimas de juego basándose en indicadores cuantitativos precisos.

    Método: La muestra del estudio estuvo compuesta por 45 jugadores juveniles de entre 15 y 16 años de la Academia de Fútbol Espanyol de Bagdad. Los resultados se analizaron utilizando un modelo de red neuronal artificial de perceptrón multicapa (MLP) para identificar las relaciones entre las variables físicas y las posiciones de juego.

    Resultados: El análisis de correlación de Pearson reveló relaciones estadísticamente significativas entre las capacidades físicas y motrices y las posiciones reales de juego de los futbolistas (p < 0,05). Además, el modelo de red neuronal artificial (MLP) demostró la capacidad de asignar a los jugadores a diferentes posiciones de juego en función de los pesos relativos de las variables. La velocidad, la resistencia y la potencia explosiva se identificaron como los factores más influyentes para determinar las posiciones ofensivas, mientras que la flexibilidad y la coordinación visomotora desempeñaron un papel significativo en la determinación de las posiciones defensivas y la portería. El modelo alcanzó una precisión de clasificación superior al 85 %.

    Discusión: El modelo de red neuronal artificial demostró una alta capacidad para aprovechar las relaciones correlacionales y transformarlas de asociaciones estadísticas convencionales en patrones predictivos precisos. Esto permitió al modelo orientar a los jugadores hacia las posiciones de juego más adecuadas en función de sus características físicas y motrices.

  • English

    Introduction: The introduction of analytics tools in sports indicates that artificial neural networks can be one of the intelligent approaches to process complex data and identify patterns that help players move according to their most suitable positions.

    Objective: The purpose of this research is to investigate the possibility of using artificial neural networks to determine the physical and motor abilities of football players and determine their suitable playing positions based on exact quantitative indicators.

    Method: The study sample consists of 45 youth players aged (15–16) years from the Espanyol Football Academy in Baghdad. The results are analyzed using a multilayer perceptron (MLP) artificial neural network model to identify the relationships between physical variables and playing positions.

    Results: The Pearson correlation analysis reveals statistically significant relationships between physical and motor abilities and the players’ actual playing positions (p < 0.05). In addition, the artificial neural network (MLP) model demonstrated the ability to assign players to different playing positions based on the relative weights of the variables. Speed, endurance, and explosive power were identified as the most influential factors in determining offensive positions, whereas flexibility and visual–motor coordination played a significant role in determining defensive positions and goalkeeping. The model achieved a classification accuracy exceeding 85%.

    Discussion: The artificial neural network model demonstrates a high capacity to exploit correlational relationships and transform them from conventional statistical associations into accurate predictive patterns. This enables the model to guide players toward the most suitable playing positions based on their physical and motor characteristics.

    Conclusions: The findings of the study confirm the feasibility of adopting artificial neural networks as an intelligent tool for sports performance analysis and for guiding youth players toward the playing positions most suited to their physical and motor abilities.

  • português

    Introdução: Com o desenvolvimento de ferramentas de análise desportiva, as redes neuronais artificiais surgiram como uma das abordagens inteligentes capazes de processar dados complexos e identificar padrões que auxiliam os jogadores a posicionarem-se de acordo com as suas capacidades.

    Objectivo: Esta investigação visa explorar a viabilidade da utilização de redes neuronais artificiais para analisar as capacidades físicas e motoras de jogadores de futebol e determinar as suas posições ideais de jogo com base em indicadores quantitativos precisos.

    Método: A amostra do estudo foi constituída por 45 jogadores jovens, com idades compreendidas entre os 15 e os 16 anos, da Academia de Futebol do Espanyol, em Bagdade. Os resultados foram analisados ​​utilizando um modelo de rede neural artificial do tipo perceptron multicamadas (MLP) para identificar as relações entre as variáveis ​​físicas e as posições de jogo.

    Resultados: A análise de correlação de Pearson revelou relações estatisticamente significativas entre as capacidades físicas e motoras e as posições de jogo reais dos jogadores de futebol (p < 0,05). Além disso, o modelo de rede neural artificial (RNA) demonstrou a capacidade de atribuir jogadores a diferentes posições de jogo com base nos pesos relativos das variáveis. A velocidade, a resistência e a potência explosiva foram identificadas como os fatores mais influentes na determinação das posições de ataque, enquanto a flexibilidade e a coordenação visomotora desempenharam um papel significativo na determinação das posições defensivas e de guarda-redes. O modelo alcançou uma precisão de classificação superior a 85%.

    Discussão: O modelo de RNA demonstrou uma elevada capacidade de aproveitar relações correlacionais e transformá-las de associações estatísticas convencionais em padrões preditivos precisos. Isto permitiu que o modelo orientasse os jogadores para as posições de jogo mais adequadas com base nas suas características físicas e motoras.