& 154 APPENDICES geven met betrekking tot fysieke activiteit en prestaties. Deze inzichten en voorspellingen kunnen worden gebruikt om beter geïnformeerde beslissingen te nemen met betrekking tot fysieke activiteit en fysieke prestatie interventies. De hoofdstukken in het proefschrift verkenden mogelijke oplossingen voor de geïdentificeerde problemen. In hoofdstuk 2 gebruikten we persoonlijke gegevens die zijn vastgelegd door wearables om de dagelijkse fysieke prestaties van de individuele werknemers automatisch te voorspellen. We gebruikten Fitbits om de dagelijkse stappen van de Hanzehogeschool werknemers bij te houden en pasten geavanceerde machine learning algoritmen toe om te voorspellen of de stapdoelstellingen zouden worden bereikt. Door het automatisch analyseren van fysieke activiteit en fysieke prestaties, kan tijdige detectie van afwijkingen in gedrag en het identificeren van effectieve coachingstrategieën mogelijk worden. De resultaten lieten zien dat tree-algoritmen het beste voorspellen of de individuele medewerker zijn of haar doel zal bereiken. In hoofdstuk 3 bestudeerden we de voorspelbaarheid van fysieke prestaties in topvoetbalwedstrijden met behulp van verschillende fysieke prestatieindicatoren en machine learning technieken. We verzamelden gegevens van 302 wedstrijden in één seizoen met behulp van het SportsVU optische volgsysteem. SportVU registreerde de posities van elke speler gedurende de wedstrijden. Op basis van deze gegevens hebben we de fysieke prestaties gemeten met behulp van drie in toenemende mate sensitieve prestatieindicatoren: afgelegde afstand, afstand in snelheidszones en energieverbruik in vermogenszones. Deze prestatieindicatoren werden gebruikt in verschillende machine learning modellen om de fysieke prestaties van individuele spelers tijdens een topvoetbalwedstrijd te identificeren en te voorspellen. We ontdekten dat hoe sensitiever de prestatieindicatoren zijn, hoe beter de fysieke prestaties van de individuele speler kunnen worden voorspeld. In hoofdstuk 4 bestudeerden we de impact van wisselspelers op de fysieke prestaties van een voetbalteam met behulp van een causale roadmap en causaal model. De causale roadmap schreef strikt voor welke stappen er in een analyse genomen moesten worden en expliciteerde de onderliggende aannames. Waarbij een causaal model inzichtelijk maakte hoe de werkelijkheid gemodeleerd is en welke variabelen buiten beschouwing zijn gelaten. Ons causaal model bevatte variabelen zoals het aantal en de timing van vervangingen en de totale afgelegde afstand waarbij contextuele variabelen zoals uit- of thuiswedstrijd, systeem, ranking of stand van de wedstrijd expliciet uitgesloten waren. De causale roadmap en het causale model hielpen ons bij het gestructureerd analyseren en het voorkomen van impliciet modeleren van de werkelijkheid.
RkJQdWJsaXNoZXIy MjY0ODMw