Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
新・レセプション成功率の妥当性の検討
Search
Sponsored
·
Your Podcast. Everywhere. Effortlessly.
Share. Educate. Inspire. Entertain. You do you. We'll handle the rest.
→
HQ_VASIS
March 30, 2024
Research
0
290
新・レセプション成功率の妥当性の検討
日本バレーボール学会 第23回大会(2018/03/18)
一般研究発表 演題番号 No. 3
作成者|佐藤 文彦
HQ_VASIS
March 30, 2024
Tweet
Share
More Decks by HQ_VASIS
See All by HQ_VASIS
hq vasis 第34回配信 プレゼン用スライド
hq_vasis
0
10
hq vasis 第32回配信 プレゼン用スライド《ポジション用語の解説》
hq_vasis
0
6
同時多発位置差攻撃に対するディフェンス戦略をディグフォーメーションから読み解く 〜ワールドカップ2015 男子大会 ポーランドチームのデータから〜
hq_vasis
0
7
hq_vasis 第27回配信 プレゼン用スライド
hq_vasis
0
22
hq_vasis 第24回配信 プレゼン用スライド
hq_vasis
0
32
hq vasis 第23回配信 プレゼン用スライド
hq_vasis
0
24
1stテンポで攻撃参加するアタッカー人数がアタックの成績に与える影響 ならびに ファーストタッチの返球位置との関係
hq_vasis
0
27
中国女子のリオ五輪金メダル獲得の理由を戦術面から検証する ~「2mの長身選手がいたから優勝した」は本当なのか? ~
hq_vasis
0
23
hq vasis 第21回配信 プレゼン用スライド
hq_vasis
0
41
Other Decks in Research
See All in Research
2025-11-21-DA-10th-satellite
yegusa
0
110
データサイエンティストをめぐる環境の違い2025年版〈一般ビジネスパーソン調査の国際比較〉
datascientistsociety
PRO
0
670
Sat2City:3D City Generation from A Single Satellite Image with Cascaded Latent Diffusion
satai
4
650
離散凸解析に基づく予測付き離散最適化手法 (IBIS '25)
taihei_oki
PRO
1
680
湯村研究室の紹介2025 / yumulab2025
yumulab
0
300
LLM-jp-3 and beyond: Training Large Language Models
odashi
1
760
ACL読み会2025: Can Language Models Reason about Individualistic Human Values and Preferences?
yukizenimoto
0
120
競合や要望に流されない─B2B SaaSでミニマム要件を決めるリアルな取り組み / Don't be swayed by competitors or requests - A real effort to determine minimum requirements for B2B SaaS
kaminashi
0
690
Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning
satai
3
470
"主観で終わらせない"定性データ活用 ― プロダクトディスカバリーを加速させるインサイトマネジメント / Utilizing qualitative data that "doesn't end with subjectivity" - Insight management that accelerates product discovery
kaminashi
15
20k
[チュートリアル] 電波マップ構築入門 :研究動向と課題設定の勘所
k_sato
0
240
Nullspace MPC
mizuhoaoki
1
700
Featured
See All Featured
Google's AI Overviews - The New Search
badams
0
900
Scaling GitHub
holman
464
140k
Chasing Engaging Ingredients in Design
codingconduct
0
110
How To Speak Unicorn (iThemes Webinar)
marktimemedia
1
380
The Power of CSS Pseudo Elements
geoffreycrofte
80
6.1k
How to optimise 3,500 product descriptions for ecommerce in one day using ChatGPT
katarinadahlin
PRO
0
3.4k
Design and Strategy: How to Deal with People Who Don’t "Get" Design
morganepeng
133
19k
Mobile First: as difficult as doing things right
swwweet
225
10k
SEO in 2025: How to Prepare for the Future of Search
ipullrank
3
3.3k
It's Worth the Effort
3n
188
29k
Easily Structure & Communicate Ideas using Wireframe
afnizarnur
194
17k
How to build a perfect <img>
jonoalderson
1
4.9k
Transcript
ຊόϨʔϘʔϧֶձୈ ճେձ Ұൠݚڀൃදԋ൪߸ /P ৽ɾϨηϓγϣϯޭͷଥੑͷݕ౼ ˓ࠤ౻จʢגࣜձࣾ %&-5"ʣ ʙ"ɾ#ɾ$1BTT
ͱϨηϓγϣϯɾΞλοΫͱͷ͔ؔΒʙ
2017/18シーズンよりレセプションの集計方法が変更 ・成功(優) → A Pass相当 ・成功(良) → B Pass相当 ・失敗
→ C Pass相当 成功率(%)=((成功[優]×100)+(成功[良]×50))/受数 この計算方法は,以下のような意味を持つことになる ◦1本の[良(B Pass)]は[優(A Pass)]の半分の価値である この設定は妥当なのだろうか?
レセプションの目的=レセプション・アタックでの得点 (=1st Sideoutの獲得) A・B・C Passの価値は,この目的への影響の大きさから 評価することができる 本研究の目的 A・B・C Passのレセプション・アタックに及ぼす影響を 検証し,新・レセプション成功率の妥当性を検討する
レセプション・アタック A Pass B Pass C Pass
方法 対象 Vリーグ2017/18シーズン レギュラーラウンド Vリーグオフィシャルサイト Vスコアよりデータを収集 レセプションの正確性 ・サーブレシーブ成功(優)→ A Pass
・サーブレシーブ成功(良) → B Pass ・サーブレシーブ失敗→ C Pass アタック結果 ・決定(Kill):アタック成功 ・非決定(Non Kill):アタック,×アタック失敗 2017/18 男子 女子 試合 アタック 試合 アタック プレミア 82(2) 10458 84 10927 チャレンジⅠ 84 10450 63 8085 チャレンジⅡ 90 10893 45 5628 ()の値は除外した試合数
解析 以下の指標を用いたロジスティック回帰分析を行った 統計解析にはR 3.0.1 for Windows R Commander1.9-6を使用 目的変数 レセプション・アタックの結果:Kill(1),
Non Kill(0) 説明変数 A・B・C Pass:以下のダミー変数をあてた Pass ダミー変数1 ダミー変数2 A 0 0 B 1 0 C 0 1
解析 以下のモデルから,レセプションアタックの結果に対して, A Passの効果を1.00としたときの,B・C Passの効果を A Passに対する比率(オッズ比)として求めることができる オッズ比が,B Passで0.50, C
Passで0.00程度であれば 新・レセプション成功率の計算式は妥当といえる ? レセプションアタック (Kill-Non Kill) A Pass B Pass C Pass 効果1.00 ?
結果:基礎集計 決定率は 各カテゴリでA>B>Cの順となる プレミア チャレンジⅠ チャレンジⅡ
男子 女子 オッズ比 信頼区間 オッズ比 信頼区間 プレミア B Pass 0.81
0.74 ~ 0.89 0.72 0.66 ~ 0.79 C Pass 0.55 0.50 ~ 0.60 0.49 0.44 ~ 0.53 チャレンジ Ⅰ B Pass 0.84 0.77 ~ 0.92 0.71 0.64 ~ 0.80 C Pass 0.60 0.54 ~ 0.66 0.48 0.43 ~ 0.54 チャレンジ Ⅱ B Pass 0.78 0.72 ~ 0.86 0.65 0.57 ~ 0.74 C Pass 0.55 0.50 ~ 0.61 0.43 0.37 ~ 0.49 結果:B・C Passの効果 全てのカテゴリでB PassとC Passの効果が認められた (p < .01) 以下の表にB PassとC Passのオッズ比を示す
考察 分析の結果,B・C Passのオッズ比は, 男子:B Passで0.80程度,C Passで0.60程度 女子:B Passで0.70程度,C Passで0.50程度 新・レセプション成功率の計算式と比べて高い値
B・C Passを低く評価している可能性 男女ともに,チャレンジⅡではB・C Passのオッズ比が プレミアよりも低い →カテゴリによって,B・C Passの効果が異なる可能性
実用化に向けて 本研究の結果を,新指標として用いるのは尚早 ◦複数年分の分析結果との照合 ◦他の指標や勝敗との関連の検証 ◦新・レセプション成功率との実用面での比較 上記の検証をクリアして初めて実用可能な指標となる 新・レセプション成功率の計算式を支持しない本研究の 結果は,こうした検証を始める理由としては十分
新・レセプション決定率について 本研究の結果は,新・レセプション成功率の計算式に疑義 を呈するものだが,現段階でこれを否定するものではない そもそも新・レセプション成功率の成立過程が明らかでは ないため議論することすらできないのが現状である 選手やチームは,より適切な指標によって評価されるべき どちらが正しいのかではなく,より適切な指標は何か? という観点からの議論と検証が必要である 願わくは成立過程を公開してほしいのだが・・・