Aktuelle Projekte des ZINI

Zielsetzung

Im Sportbereich fehlen weitgehend Erkenntnisse über den möglichen Einsatz von Digitalisierung, sowie konkrete Ansätze für die Digitalisierung in der Breite und speziell im Frauen- und Jugendbereich zur Erkennung und gezielten Förderung von Potenzialen. Das Projekt CoCoAnDa (“Coaching support by Collecting and Analyzing Data”) setzt sich zum Ziel, insbesondere im Hallenhandball, die Mechanismen der Digitalisierung für die automatisierte Erfassung von Spiel- und Spieler*innen-Informationen zu erschließen, um dadurch mit den Mitteln der modernen Datenverarbeitung, den Trainer*innen Entscheidungshilfen auf der Grundlage von objektiven Informationen zur Verfügung zu stellen. Dabei sollen die ermittelten Erkenntnisse auch auf ihre Übertragbarkeit auf andere Team-Sportarten hin überprüft werden.

Thema Digitalisierte Informationserfassung (Sensorik und Apps)

Dieser Bereich konzentriert sich auf die Untersuchung und Entwicklung von Mechanismen zur digitalen Erfassung von Informationen über Spieler*innen und Mannschaften, sowohl im Kontext eines Spiels als auch im Trainingskontext. Es soll aufgezeigt werden, wie gerade auch im Amateurbereich die papierbasierte Erfassung von Informationen mittels günstiger, volldigitaler oder zumindest teil-digitalisierter Mechanismen ersetzt werden kann, um dadurch eine rechnergestützte Verarbeitung zu ermöglichen. Insbesondere wird die Kombinierbarkeit von Sensoren in den Bereichen Video, RFID, Indoor Positioning, mit der manuellen, rechnerbasierten Erfassung betrachtet.

Thema Modell- und Indikator-Entwicklung

Der Bereich der Modell- und Indikator-Entwicklung entwickelt Informations-Modelle zur Bewertung von Leistungen von Spieler*innen als auch für Teams. Ziel ist es, Bewertungsmodelle (Indikatoren) zu entwickeln, die es erlauben, den Leistungsstand und dessen Entwicklung von Spieler*innen und Teams zu beurteilen. Die Eingangsparameter der Indikatoren ergeben sozusagen einen Teil der Anforderungen an die digitale Erfassung (siehe oben), um eine automatisierte Leistungsbeurteilung realisieren zu können. Ebenso erlauben es diese Modelle, die Auswirkung von Maßnahmen zu beurteilen, indem die Veränderung der Indikatoren in Abhängigkeit von dem Einsatz von Maßnahmen untersucht wird.

Eine spezielle Art der Modell-Entwicklung soll die Entwicklung von Machine-Learning-Modellen für die automatisierte Spielzugs- bzw. Taktikerkennung sein. Zunächst soll hierfür ein Verfahren entwickelt werden, welches es erlaubt ein Machine-Learning-Modell auf der Basis von Positionsdaten zu extrahieren, sodass ein Erkennungssystem automatisiert Spielzüge in Echtzeit erkennen kann. Hierdurch wird es möglich, auch die Auswirkung von Spielzügen bzw. Taktiken automatisiert zu beurteilen, bzw. die Durchführung von Spielzügen in die Leistungsbeurteilung einfließen zu lassen. Ebenso ist es dadurch möglich, Indikatoren für die Güte der Ausführung einer Taktik zu definieren.

Thema Data Mining und Vorhersage

Im dritten Bereich des Vorhabens soll die Anwendbarkeit von Data-Mining-Ansätzen geprüft werden. Dabei wird untersucht, welche Data-Mining-Ansätze sich am besten zur Beantwortung von Fragestellung des Sportbereichs eignen. Beispielsweise werden folgende Fragestellungen als Ausgangspunkt genutzt:

• An welchen Eigenschaften eines Sportlers oder einer Sportlerin lässt sich deren Entwicklungspotenzial ablesen?
• Welche Auswirkungen haben Verletzungen auf das Entwicklungspotenzial einer Sportlerin oder auch eines Sportlers?
• Welchen Einfluss hat der Menstruationszyklus zu welchem Zeitpunkt auf die Leistung von Sportlerinnen?
• Welche Eigenschaften einer Mannschaft oder von Sportler*innen haben einen signifikanten Einfluss auf den Tabellenplatz in einer Liga oder den Ausgang eines Spiels und wie unterscheiden sich die Ligen im Hinblick auf diese Eigenschaften?
• Lässt sich das Resultat eines Wettkampfs frühzeitig vorhersagen und wie kann man gegebenenfalls gegensteuern?
• Welcher Spielzug/Taktik ist erfolgversprechend bei einem bestimmten Gegner?

Somit beschäftigt sich der dritte Bereich mit dem Thema Data Science im Kontext des Sports.

Partner

• Baden-Württembergischer Handballverband
• Deutscher Handballbund
• Frisch Auf! Göppingen
• Humboldt-Universität Berlin
• IAT Leipzig
• Olympiastützpunkt Stuttgart
• Ruhr Universität Bochum
• TSV Neuhausen (a.d.F.)
• TVB Stuttgart
• Universität Stuttgart 

DataGEMS

DataGEMS ist ein von der EU gefördertes Projekt mit 12 beteiligten Partnerinstitutionen aus 8 Ländern. Die Aufgabenstellung ist die Schaffung einer Infrastruktur im Rahmen der European Open Science Cloud (EOSC), welche es erlaubt durch die Anreicherung von Daten mit Metadaten, sowie modernen Mechanismen zur Verknüpfung von Daten, relevante Daten für komplexe Suchen einfach zu finden, wobei die Suchanfragen in natürlicher Sprache erfolgen. Dabei wird die explorative Suche unterstützt, sodass aufgrund erster Erkenntnisse aus Suchergebnissen die Suche weiter verfeinert werden kann, um so zielgerichtet auf die Datenmenge zusteuern zu können, welche eine Fragestellung wirklich beantwortet.

Das ZINI an der DHBW Stuttgart verantwortet im Rahmen von DataGEMS den sogenannten Use Case „Lifelong Learning“. Dieser Use Case beschäftigt sich mit Fragestellungen von Organisationen im Hinblick auf die Fähigkeiten der Beschäftigten in den Organisationen. Hierbei ergeben sich folgende Fragestellungen: 

• Welche Veränderungen (technisch, rechtlich oder gesellschaftlich) bedingen Veränderungen im Hinblick auf die benötigten Fähigkeiten?
• Welche Fähigkeiten fehlen einer Organisation, um zukünftig erfolgreich zu sein?
• Welche Bildungsangebote gibt es, um die Lücken zu schließen? 

Am ZINI wird mit Partnerorganisationen an der Entwicklung von Modellen gearbeitet, die es erlauben, die notwendigen und existierenden Fähigkeiten von Organisationen mit modernen Analysemethoden zu verarbeiten. Darüber hinaus erstreckt sich die Modellentwicklung auch auf den Bereich der Bildungsangebote, um die Abdeckung eines Entwicklungsbedarfs durch Bildungsangebote automatisiert beurteilen zu können. 

Das Projekt DataGEMS ist in 2025 gestartet und hat zunächst eine Laufzeit von drei Jahren. Weitere Informationen finden sich unter:

• https://datagems.econtentsys.gr 

Partner

• Athena Research Center, Griechenland
• Communication & Information Technologies Experts (CITE), Griechenland
• Fundación Centro de Supercomputación de Castilla y León, Spanien
• Hochschule Zürich, Schweiz
• Ideo Group, Polen
• Leibniz Institut für Deutsche Sprache, Deutschland
• Nationales Observatorium von Athen, Griechenland
• Universität von Braganca, Portugal
• Universität von Grenobles Alpes, Frankreich
• Universität Paris Cité, Frankreich
• Universität von Verona, Italien

DaSARES (Data Science for Analyzing Results of Empirical Studies)

Problemstellung

Traditionell werden statistische Methoden eingesetzt, um empirisch erfasste Daten zu analysieren. Häufig beschränkt sich dabei die Analyse auf bivariate Zusammenhänge mit Hilfe klassischer statistischer Methoden. Moderne multivariate Methoden aus dem Bereich des Data Mining kommen häufig deshalb nicht zum Einsatz, da das notwendige Wissen auf der Fachseite fehlt, die eine empirische Studie durchführt. Ebenso setzen nahezu alle modernen multivariaten Ansätze spezielle Kenntnisse, als auch den Einsatz spezieller Werkzeuge oder sogar Programmierfähigkeiten voraus, damit mit deren Hilfe sinnvolle Resultate aus den erhobenen Daten extrahiert werden können. 

Zielstellung

DaSARES hat sich zum Ziel gesetzt, moderne Methoden aus Data Mining und Data Science für alle möglichen Arten von empirischen Studien zu erschließen, um so den Einsatz multivariater Methoden einem breiteren Anwendungsspektrum zugänglich zu machen. 

Ansatz von DaSARES

DaSARES verfolgt gezielt den Wissenstransfer in den Bereichen Data Science und Data Mining zu den Fachexpert*innen empirischer Studien. Dabei wird am konkreten Beispiel (z. B. im Kontext einer laufenden Studie) gemeinsam mit den Fachexpert*innen besprochen, welche Daten vorliegen und wie die Qualität dieser Daten beurteilt und gegebenenfalls verbessert werden kann. Daran anschließend werden die Fragestellungen konkretisiert, welche sich im Kontext der konkreten Studie stellen. Wichtig ist hierbei die Abgrenzung zu Hypothesen, die häufig als Basis von Studien formuliert sind. Fragestellungen sind im Allgemeinen abstrakter und können sozusagen als Motivation oder auch als Generatoren von Hypothesen gesehen werden. 

Basierend auf den Fragestellungen werden die Data Mining Methoden identifiziert, welche geeignet sind, um Antworten bezüglich der Fragestellungen in den Daten zu finden. Dann gilt es, die identifizierten Methoden konkret mit Hilfe von Informationstechnologie umzusetzen, wozu die entsprechenden Werkzeuge identifiziert werden. Bei der Auswahl der Werkzeuge werden die Fähigkeiten der Fachexpert*innen berücksichtigt, sodass die verwendete Technologie sich möglichst weitgehend an den Fähigkeiten orientiert. 

Schließlich werden in einem iterativen Vorgehen die identifizierten Technologien eingesetzt, eine Qualitätsbeurteilung der Resultate durchgeführt und gegebenenfalls die Parameter der Technologien nachjustiert. Final erfolgt dann eine gemeinsame Interpretation der Ergebnisse.   

Bisherige Projekte

• Menstruationszyklus im Kontext von Ruderinnen im Leistungssport, Humboldt-Universität Berlin
• Frau im Leistungssport, IAT Leipzig
• Chronische Knieschmerzen im Volleyball, Universität Stuttgart
• Der HPI im Kontext athletischer Leistungsparameter, Universität Stuttgart