Koneoppimisen hyödyntäminen urheiluvammojen ennustamisessa : koneoppimismenetelmien sovellukset, haasteet ja ratkaisut
Ladataan...
483.79 KB - Ensisijainen
Kokoteksti luettavissa vain Tritonian asiakaskoneilla.
Lataukset3
Pysyvä osoite
Kuvaus
Opinnäytetyö kokotekstinä PDF-muodossa.
Urheiluvammat ovat merkittävä haaste niin huippu-urheilussa kuin harrasteliikunnassa. Siksi niiden ennaltaehkäisyssä loukkaantumisriskin varhainen tunnistaminen on keskeistä. Tämän tutkielman tavoitteena oli tarkastella, miten koneoppimismenetelmiä on hyödynnetty urheiluvammojen ennustamisessa, millaisia menetelmiä tutkimuksissa on käytetty sekä selvittää, mitkä tekijät rajoittavat mallien luotettavuutta ja käytettävyyttä. Tutkielma toteutettiin narratiivisena kirjallisuuskatsauksena, jossa aineisto haettiin keskeisistä tieteellisistä tietokannoista.
Katsaukseen valikoitui yhdeksän vertaisarvioitua tutkimusta vuosilta 2020–2025. Katsauksen perusteella urheiluvammojen ennustamisessa on hyödynnetty useita eri koneoppimismenetelmiä, joista erityisesti puupohjaiset mallit, kuten Random Forest ja XGBoost, korostuivat useissa tutkimuksissa. Tämän lisäksi tutkimuksissa käytetty data vaihteli huomattavasti. Tutkimukset hyödynsivät esimerkiksi GPS- ja sykedataa, biomekaanista mittausdataa, kyselyaineistoa sekä fyysisiä testituloksia. Tulokset viittaavat siihen, että koneoppimismallit voivat tukea urheiluvammojen ennustamista ja tarjoavat lupaavia mahdollisuuksia urheiluvammojen ennustamiseen, mutta tutkimusten välinen heterogeenisyys heikentää tulosten vertailtavuutta eikä yksittäistä selvästi parasta menetelmää voida nimetä.
Keskeisiksi haasteiksi nousivat vamman määrittelyn vaihtelu, luokkien epätasapaino, puutteet datan esikäsittelyn ja raportoinnin läpinäkyvyydessä sekä mallien rajallinen tulkittavuus ja käytännön sovellettavuus. Lisäksi urheilijoiden yksityisyyteen, datan omistajuuteen ja tekoälyn käyttöön päätöksenteon tukena liittyy eettisiä kysymyksiä. Tutkielman perusteella koneoppimismenetelmät ovat lupaava, mutta vielä osittain keskeneräinen väline urheiluvammojen ennustamisessa. Laajempi hyödyntäminen edellyttää yhtenäisempiä tutkimusasetelmia, parempaa raportointia ja käytännön sovellettavuuden arviointia.