運動表現異常偵測：視覺分析基準系統
arXiv - Computers and SocietyBlessed Madukoma, Prasenjit Mitra
開發處理 160 萬次運動表現的異常偵測系統，結合統計、機器學習與軌跡分析，驗證偵測效能並提供透明互動介面。
AI 幫你先抓重點
AI 重點 1
軌跡分析方法在偵測違規者與降低誤報之間取得最佳平衡，凸顯長期表現趨勢對異常偵測的關鍵價值。
滑鼠懸停看 AI 判斷理由
此洞察說明傳統統計或單一時間點的分析不足，長期趨勢能更精準辨識異常，對未來反興奮劑策略設計具有指導意義。
AI 重點 2
系統提供透明、可互動的介面，強調人類判斷在反興奮劑工作中的不可替代性，促進專家與資料科學的協同合作。
滑鼠懸停看 AI 判斷理由
此洞察提醒實務者即使有先進模型，也需結合專家判斷，確保偵測結果的可信度與政策合法性，避免單純依賴自動化造成誤判。
核心研究發現
- 1
系統處理 1.6 萬萬次運動表現，涵蓋 19,000 場比賽，並運用 8 種偵測方法從統計規則到機器學習與軌跡分析。
- 2
軌跡分析方法在偵測已確認違規者時，達到偵測率高且誤報率低的最佳平衡，顯示長期表現趨勢的偵測價值。
- 3
所有偵測方法均受到資料不完整與確認違規案例稀少的限制，影響偵測準確度與實務可行性。
對教育工作者的啟發
本系統示範了將大量比賽資料與多元偵測方法結合，可為反興奮劑機構提供成本效益高的篩檢工具。實務者可先採用軌跡分析作為初步篩選，因其偵測率高且誤報低；再透過互動介面邀請專家進行審查，確保判斷透明且可追溯。為提升資料完整度，建議建立統一資料上傳標準與長期追蹤機制；同時，將模型結果與實際違規案例持續回饋，調整閾值與特徵，以維持偵測效能。
原始文獻資訊
- 英文標題：
- Performance Anomaly Detection in Athletics: A Benchmarking System with Visual Analytics
- 作者：
- Blessed Madukoma, Prasenjit Mitra
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。