CC BY
13
4. Шустов, А.А. Поиск путей повышения соревновательного результата в прыжках в высоту на этапе высшего спортивного мастерства / А.А. Шустов, Е.В. Шустова // Вестник спортивной науки. - 2019. - №2. - С. 81-87.
5. Шустов, А.А. Влияние индивидуального профиля асимметрии на техническую подготовленность высококвалифицированных прыгунов в высоту / А.А. Шустов // Известия Тульского государственного университета. Физическая культура. Спорт. - 2019. - № 6. - С. 80-85.
REFERENCES
1. Ogandjhanov, A.L., Kosikhin and V.P., Lomov, A.A. (2015), "Group features and variability of leading Russian high jumpers", Bulletin of sport science, No.6, pp. 20-25.
2. Ogandjhanov, A.L., Kosikhin, V.P. and Zhigalov, A.V. (2016), "Comprehensive control of technical and physical preparedness of athletes-jumpers using video analysis and accelerometry", News of Tula University. Physical education. Sport, No. 1. pp. 182-189.
3. Strizhak, A.P. and Zagorulko, E.P. (2015), "High jump. The system of training high jumpers of high qualification: teaching-methodical collection", Academy of Health, Moscow
4. Shustov, A.A. and Shustova, E.V. (2019), "Search for ways to improve the competitive result in the high jump at the stage of higher sportsmanship", Bulletin of Sports Science, No.2, pp. 81-87.
5. Shustov, A.A. (2019), "The influence of the individual asymmetry profile on the technical readiness of highly qualified high jumpers", News of Tula University. Physical education. Sport, No.6, pp 80-85.
Контактная информация: elena-shustova@mail.ru
Статья поступила в редакцию 05.10.2021
УДК 796.015.865.22
ЦИФРОВАЯ МОДЕЛЬ РЕЙТИНГОВОЙ ОЦЕНКИ СОРЕВНОВАТЕЛЬНОЙ
ДЕЯТЕЛЬНОСТИ
Владислав Николаевич Юшкин, кандидат технических наук, доцент, Волгоградский государственный аграрный университет
Аннотация
Введение. Объективной необходимостью сегодня является обоснование теоретических основ рейтинговых систем по расчету и формированию рейтинговых классификаций в командных видах спорта с позиции математического моделирования, с применением численных методов расчета. Цель исследования. Описание системы определения рейтинга в командных видах спорта для сравнения результатов выступления команд в турнирах разного класса. Материал и методы. В качестве примера использовались результаты выступления российских команд по футболу в чемпионате и кубке страны. Для вычислений систем линейных уравнений применялись численные методы расчета. Результаты. Разработана цифровая модель для определения рейтинговой оценки соревновательной деятельности, позволяющая определить силу команд. Полученная система рейтинга может служить основой для вычисления рейтинга и в других игровых видах спорта. Представлено два варианта расчета рейтинга. Приведены математически обоснованные формулы подсчета рейтинга. Заключение. Полученные данные свидетельствуют о возможности использования представленной цифровой модели для оценки результатов выступлений команд, участвующих в турнирах разного класса.
Ключевые слова: цифровая модель, рейтинг, спорт, система, прогнозирование, результат, численный метод, оценка.
DOI: 10.34835/issn.2308-1961.2021.10.p428-432
DIGITAL MODEL OF RATING EVALUATION OF COMPETITIVE ACTIVITY
Vladislav Nikolaevich Yushkin, the candidate of technical sciences, senior lecturer, Volgograd
State Agricultural University
Abstract
Introduction. The objective necessity today is to substantiate the theoretical foundations of rating systems for calculating and forming rating classifications in team sports from the position of mathematical modeling, using numerical methods of calculation. Purpose of the study. Description of the rating system in team sports for comparing the results of the performance of teams in tournaments of different classes. Material and methods. As an example, the results of the performance of Russian football teams in the championship and cup of the country were used. Numerical calculation methods were used to calculate systems of linear equations. Results. The digital model has been developed to determine the rating assessment of competitive activity, which allows determining the strength of teams. The resulting rating system can serve as a basis for calculating the rating in other game sports. Two variants of rating calculation are presented. Mathematically justified formulas for calculating the rating are given. Conclusion. The data obtained indicate the possibility of using the presented digital model to evaluate the results of the performances of teams participating in tournaments of different classes.
Keywords: digital model, rating, sport, system, forecasting, result, numerical method, evaluation.
ВВЕДЕНИЕ
В отечественной и зарубежной науке неоднократно предпринимались попытки измерения эффективности выступления команд. При этом отечественными учеными рассматривался рейтинг с точки зрения педагогического и психологического аспектов. Ввиду отсутствия единой методики разброс полученных данных весьма значителен. Этот факт свидетельствует о необходимости дальнейших исследований.
В работах Полозова А.А. [1, 2] рассматриваются основные направления исследований и возможные перспективы дальнейшего изучения проблемы.
В последние годы большой вклад в развитие систем прогнозирования на основе различных моделей искусственных нейронных сетей делают Крутиков А.К., Мельцов В.Ю., Подковырин В. Д. [3, 4].
Несмотря на появление значительного количества работ, посвященных различным аспектам рейтинговой оценки, интерес к данной теме не ослабевает.
Цель исследования - описание системы определения рейтинга в командных видах спорта для сравнения результатов выступления команд в турнирах разного класса.
МАТЕРИАЛ И МЕТОДЫ
Первоначально произведем расчет рейтинга при условии проведения всех матчей на нейтральном поле. Для выполнения расчетов в качестве главного критерия используем счет, зафиксированный в матче.
Для определения рейтингов команд необходимо решить систему уравнений [5]
F
R=A т
где i - количество команд, рассчитываемых в системе; R - рейтинг i -ой команды; Ft, At - суммарное приведенное количество забитых и пропущенных голов i -ой команды соответственно.
Далее необходимо произвести расчет коэффициента влияния фактора своего поля на рейтинг. Величина коэффициента влияния фактора своего поля вычисляется как средневзвешенное значение по всем рассчитываемым матчам системы по приведенной ниже формуле
К = £ {gJ4RJT2 )) (G2 -4RJR2 ), (2)
i =1 / i =1
где n - количество матчей, в которых одна из команд имела преимущество своего поля; G1, G2 - количество голов, забитых хозяевами поля и гостями соответственно; R1, R2 - рейтинг хозяев поля и гостей соответственно.
Примечание: в случае, если игра проходит на нейтральном поле, то к = 1.
РЕЗУЛЬТАТЫ
В качестве анализируемых турниров были выбраны результаты выступления команд по футболу в Российской премьер лиге, первенстве ФНЛ и кубке России сезона 2020/2021. Период проведения соревнований с 1 августа 2020 г. по 16 мая 2021 г. В расчете использованы результаты 735 матчей.
Результаты расчетов в сезоне 2019/2020 без сравнения уровня турниров описаны в работах [6, 7]
Пример расчета рейтингов с учетом воздействия фактора своего поля. Рассчитав систему уравнений, получим следующие результаты (таблица 1). В таблице используются обозначения: ПМ - это количество исходов, сошедшихся с результатом рейтинговой оценки соперников, РМ - количество матчей с выявленным победителем.
Таблица 1 - Результаты выступления команд
№ Команды 4 ПМ РМ Степень соответствия модели, %
1. Зенит 3,741 86,83 23,21 19 23 82,61
2. Крылья Советов 3,017 95,88 31,78 38 43 88,37
3. Локомотив 2,505 68,57 27,37 23 29 79,31
4. ЦСКА 2,290 64,79 28,29 24 28 85,71
5. Спартак 2,284 72,47 31,74 22 27 81,48
6. Динамо 2,254 56,27 24,97 19 27 70,37
7. Сочи 2,207 62,92 28,51 19 24 79,17
8. Рубин 1,763 55,34 31,39 15 27 55,56
9. Краснодар 1,738 58,85 33,87 17 25 68,00
10. Нижний Новгород 1,719 54,88 31,922 31 36 86,11
11. Ростов 1,656 42,46 25,64 17 26 65,38
12. Оренбург 1,646 68,73 41,76 27 33 81,82
13. Ахмат 1,527 45,46 29,77 18 25 72,00
14. Химки 1,475 47,11 31,94 18 25 72,00
15. Урал 1,333 37,45 28,09 15 19 78,95
16. Торпедо 1,245 55,61 44,66 24 33 72,73
17. Алания 1,120 55,72 49,75 26 31 83,87
18. Факел 1,070 47,48 44,39 20 29 68,97
19. Уфа 1,026 36,58 35,65 19 26 73,08
20. Нефтехимик 0,957 48,24 50,42 25 32 78,13
21. Балтика 0,936 40,77 43,56 26 36 72,22
22. Арсенал 0,900 38,69 42,97 19 27 70,37
23. Енисей 0,876 48,04 54,87 21 36 58,33
24. Велес 0,847 48,40 57,18 22 32 68,75
25. СКА-Хабаровск 0,843 45,23 53,64 27 36 75,00
26. Волгарь 0,764 39,58 51,80 20 31 64,52
27. Чайка 0,578 36,79 63,68 19 32 59,38
28. Краснодар-2 0,570 38,66 67,85 18 30 60,00
29. Текстильщик 0,570 30,01 52,69 23 33 69,70
30. Ротор 0,520 18,36 35,27 16 22 72,73
31. Тамбов 0,518 26,91 51,95 25 29 86,21
32. Спартак-2 0,482 40,76 84,57 22 34 64,71
33. Акрон 0,446 27,09 60,79 22 30 73,33
34. Томь 0,410 24,81 60,47 20 31 64,52
35. Шинник 0,401 37,98 94,63 21 30 70,00
36. Динамо-Брянск 0,359 20,57 57,30 27 36 75,00
37. Чертаново 0,347 31,42 90,56 29 38 76,32
38. Иртыш 0,342 23,43 68,47 27 33 81,82
Итого: 1.0066 1779,10 1767,36 840 1144 73,43
Коэффициент влияния фактора своего поля в этом варианте расчета ку = 957,71/749,56 = 1,278. Этот показатель в представленном расчете оказался больше, чем в хоккее, где ку = 1,087 [8], и бейсболе, где ку = 1,044 [9]. Это свидетельствует о том, что в
российском футболе фактор своего поля оказывает большее влияние, чем в хоккее и бейсболе.
Как видно из результатов, степень соответствия модели составила 73.43%. По первому варианту расчета, без учета фактора своего поля, степень соответствия модели составила 72,57%, что свидетельствует о положительном влиянии учета фактора своего поля на степень соответствия цифровой модели реальным результатам, показанным командами в выбранных турнирах. Анализ результатов показывает, что влияние фактора своего поля в сезоне 2020/2021 составил 27.8%.
На основании проведенного расчета можно определить силу Российской премьер лиги и первенства ФНЛ в сезоне 2020/2021 (таблица 2).
Таблица 2 - Уровень турниров
№ Турнир К Р А ПМ РМ Степень соответствия модели, %
1. Российская премьер лига 1,6040 819,02 510,61 305 409 74,57
2. Первенство ФНЛ 0,7639 960,07 1256,74 535 735 72,79
Итого: 1.0066 1779,09 1767,36 840 1144 73,43
На основании этих данных можно сделать вывод, что команды Российской премьер лиги сильнее по подбору команд первенства ФНЛ в 1,6040/0,7639 = 2,1 раза. Итоговый показатель К. > 1, так как в кубке России выступали и команды второй лиги первенства России. Результаты выступления команд в Российской премьер лиге более предсказуемы, чем выступления команд в первенстве ФНЛ. При этом уровень выступлений команды Крылья Советов, выступавшей в первенстве ФНЛ в сезоне 2020/2021, сопоставим с лидерами Российской премьер лиги.
ЗАКЛЮЧЕНИЕ
Фактор своего поля в Российской футбольной премьер лиге, первенстве ФНЛ и кубке России оказывает большее влияние на результаты игр, чем в Национальной хоккейной лиге и Главной бейсбольной лиге в Северной Америке.
Полученные данные свидетельствуют о возможности использования построенной цифровой модели для оценки результатов выступлений команд, участвующих в турнирах разного класса.
ЛИТЕРАТУРА
1. Полозов А. А. Рейтинг в спорте: вчера, сегодня, завтра / А.А. Полозов. - Москва : Советский спорт, 2007. - 316 с.
2. Прогнозирование результатов ЧМ-2018 на основе нового алгоритма консолидации данных / А.А. Полозов, Е.А., Суворова А.В. Мельникова, А.В. Корелина, С.В. Михряков // Ученые записки университета им. П.Ф. Лесгафта. - 2018. - № 4 (158). - С. 263-269.
3. Крутиков А.К. Каскадная структура системы прогнозирования на основе различных моделей искусственных нейронных сетей / А.К. Крутиков // Южно-Сибирский научный вестник. -2021. - № 1 (35). - С. 46-52.
4. Крутиков А.К. Разработка и модификация модульной структуры системы прогнозирования спортивных результатов / А.К. Крутиков, В.Ю. Мельцов, В.Д. Подковырин // Современные наукоемкие технологии. - 2019. - № 11-1. - С. 72-76.
5. Юшкин В.Н. Система определения рейтинга / В.Н. Юшкин // Современная наука: актуальные проблемы теории и практики. Серия: Гуманитарные науки. - 2020. - № 1. - С. - 122-126.
6. Юшкин В.Н. Информационная модель рейтинговой оценки / В.Н. Юшкин // Перспективы науки. - 2021. - № 5 (140). - С. 243-245.
7. Моделирование результатов выступления команд на основе рейтинговой оценки в командных видах спорта с учетом фактора влияния своего поля / В.Н. Юшкин, С.С. Марченко, Е.А. Стрижакова, О.А. Заяц, Ю.Н. Назарова, Р.И. Шумакова // Современные наукоемкие технологии. -2021. - № 6-1. - С. 221-225.
8. Юшкин В.Н. Оценка результатов выступления команд с применением математической модели / В.Н. Юшкин // Ученые записки университета имени П.Ф. Лесгафта. - 2020. - № 11 (189). - С. 601-607.
9. Юшкин В.Н. Проблемы спортивного прогнозирования / В.Н. Юшкин // Ученые записки университета им. П.Ф. Лесгафта. - 2021. - № 4 (194). - С. 473-478.
REFERENCES
1. Polozov, A.A. (2007), Rating in sport: yesterday, today, tomorrow, Soviet sport, Moscow.
2. Polozov, A.A., Suvorova, E.A., Melnikova, A.V., Korelina, A.V. and Mikhryakov, S.V. (2018), "Forecasting of results of the 2018 World Cup on the basis of a new algorithm of consolidation of data", Uchenye zapiski universiteta imeni P.F. Lesgafta, No. 4 (158), pp. 263-269.
3. Krutikov A.K. (2021), "Cascade structure of a forecasting system based on various models of artificial neural networks", South Siberian Scientific Bulletin, No. 1 (35), pp. 46-52.
4. Krutikov, A.K., Meltsov, V.Yu. and Podkovyrin, V.D. (2019), "Development and modification of the modular structure of the system for predicting sports results", Modern science-intensive technologies, No. 11-1, pp. 72-76.
5. Yushkin, V.N. (2020), "The Ranking System", Modern Science: actual problems of theory and practice. Series: Humanities, No. 1, pp. 122-126.
6. Yushkin, V.N. (2021), "Information model of rating evaluation", Science prospects, No. 5 (140), pp. 243-245.
7. Yushkin, V.N., Marchenko, S.S., Strizhakova, E.A., Zayats ,O.A., Nazarova, Yu.N. and Shu-makova, R.I. (2021) "Modeling the results of the performance of teams based on the rating score in team sports, taking into account the influence factor of home field", Modern high technologies, No. 6-1, pp. 221-225.
8. Yushkin V.N. (2020), "Evaluation of the results of the performance of teams using a mathematical model", Uchenye zapiski universiteta imeni P.F. Lesgafta, No. 11 (189), pp. 601-607.
9. Yushkin, V.N. (2021), "Issues in sports forecasting", Uchenye zapiski universiteta imeni P.F. Lesgafta, No. 4 (194), pp. 473-478.
Контактная информация: aup-volgau@yandex.ru
Статья поступила в редакцию 17.10.2021
УДК 378.147
ОСОБЕННОСТИ ИСПОЛЬЗОВАНИЯ ИНТЕРАКТИВНЫХ МЕТОДОВ ОБУЧЕНИЯ В ДИСТАНЦИОННОМ ОБРАЗОВАТЕЛЬНОМ ПРОЦЕССЕ ВУЗА
ФИЗИЧЕСКОЙ КУЛЬТУРЫ
Ян Цзюань (КНР), аспирант, Елена Владимировна Киселева, кандидат педагогических наук, доцент, Российский государственный университет физической культуры, спорта,
молодёжи и туризма, г. Москва
Аннотация.
Интерактивные методы обучения являются неотъемлемым элементом современного образования в высшей школе. Исследование дистанционного применения интерактивных методов обучения позволит решить проблему их эффективного использования в профессиональной подготовке студентов института физической культуры. Цель исследования - выявление особенностей применения интерактивных методов обучения в дистанционном образовательном процессе в вузе физической культуры.
В ходе исследования были применены следующие методы: анализ и обобщение литературных источников по теме исследования, анкетирование, методы математической статистики. Исследование проводилось в три этапа: на первом этапе на основе анализа и систематизации литератур-
