介绍了描述足球比赛中个人动作的新语言以及一个考虑动作对比赛结果影响及其上下文的框架，通过聚合足球运动员的动作价值，可以量化他们对球队的进攻和防守贡献，并且通过在欧洲顶级比赛中的侦察和游戏风格表征来展示了如何考虑相关的上下文信息。

Feb, 2018

本文介绍 PlayeRank，一个基于数据驱动的框架，可提供多维度、角色感知的足球运动员表现评估，通过与其他算法和专业球探的评估比较，表明 PlayeRank 在表现评估方面显著优于竞争对手，同时探讨了该框架的一些应用，展示了其灵活性和效率，值得用于设计一个可扩展的足球分析平台。

Feb, 2018

本文展示运用网络理论工具分析足球队策略的方法。使用 2010 年世界杯足球赛的传球数据，我们构建了一个加权有向网络，以球员为节点，以传球为箭头。通过不同中心性指标，我们可以确定每个球员在比赛中的相对重要性，球员的‘流行程度’，以及去除球员时的影响。

Jun, 2012

本研究提出了一种可从整体绩效与攻守两方面评估团队防守的方法，通过预测球员行为和所有球员和球位置数据来预测更频繁发生的球恢复和被进攻行为，并使用 45 场足球比赛数据检验了相关指数与实际比赛和整个赛季的团队表现之间的关系。与基于罕见事件或进球的现有分类器相比，本研究所提出的分类器可以更好地预测真实事件 (平均 F1 分数> 0.483)，同时与赛季的长期结果也有适度的相关性 (r = 0.397)。

Mar, 2021

介绍了可解释的广义加性模型，旨在帮助科学家和从业者之间的理解和沟通；与这个主题相关的是足球玩家表现，对于这个主题，目前主要的挑战是直接量化足球玩家的表现；而阐释生产出的指标的可理解性通常比模型的准确性更重要。

May, 2021

基于数据挖掘和精确的表现情景，我们提出了一种用于量化板球比赛中球员个人贡献度的上下文感知度量方法 CAMP，并通过对 2001 年至 2019 年之间的有限局板球比赛数据的实证评估，证明了 CAMP 在选人、训练和制定策略等方面的优越性。

Jul, 2023

利用图变分循环神经网络对足球比赛中球员的轨迹进行预测，并对球员在没有球的情况下对进球做出贡献的能力进行评估，结果显示提出的指标与球员的年薪相关性显著，表明该方法可以有效评估球员在没有球的情况下为队友创造进球机会的能力。

Jun, 2022

该研究介绍了大型事件模型（LEMs）在足球分析领域的创新应用，通过学习 “足球语言”，LEM 模型能够模拟比赛、预测球员表现以及探索不同球队情境下的应用，研究方法涉及微调 LEM 模型以反映足球的微妙动态，结果确认了 LEM 模型在足球分析中的有效性和局限性，以及衡量球员素质时上下文的重要性。

Feb, 2024

该研究针对足球运动员的身体定位这一尚未深入探讨的领域，提出了一种新颖的技术，可结合 OpenPose 和超分辨率网络等技术从单目视频录像中获取球员身体定向，进而生成可视化的定向数据，替补了目前定位方面的空白。

Mar, 2020

本研究以 GPS 测量和机器学习为基础，提出了一种基于多维度方法的足球受伤预测方法，并以实际案例说明其准确性和可解释性，为评价和解释职业足球中受伤风险和训练表现之间的复杂关系提供了一组简单实用的规则。

May, 2017