Geçmiş kayıtlardan örüntü öğrenip yeni bir oyuncu için risk olasılığı hesaplayan programdır. Makine öğrenmesi, kuralı elle yazmak yerine veriden öğrenmesidir; yapay zekâ bu tür programların genel adıdır.
1.000 oyuncu-haftasının %3'ü sakatlıkla bitiyor: 30 sakatlık. "Kimse sakatlanmayacak" diyen model 970 kez haklıdır, yani %97 doğru görünür; ama tek sakatlığı yakalamaz. (Oyuncu-haftası: bir oyuncunun bir haftası.)
Sakatlanan bir oyuncu ile sakatlanmayan bir oyuncu rastgele seçilir; model sakatlanana daha yüksek risk verirse puan alır. 0,5 yazı-turadır, 1,0 kusursuzdur. AUC 0,91, 100 çiftin yaklaşık 91'inde doğru sıralama demektir; uyarıların kaçının doğru olduğunu göstermez. AUC: eğri altındaki alan (area under the curve).
Modeli öğrendiği veriyle sınamak, sınav sorularını önceden görmüş öğrenciyi yoklamaya benzer. Aşırı uyum, modelin o verinin tesadüfi gürültüsünü ezberlemesidir. Dış doğrulama, başka takım ya da sezonla sınamaktır.
Yüksek bir doğruluk sayısı.
Modelin hangi veride sınandığı, sakatlığın ne kadar nadir olduğu, uyarıların kaçının doğru çıkacağı ve verinin kime ait olduğu.
Yeni bir teknolojiyi satın almadan önce hangi soruları sormalıyız?
Kapsam derlemesi, bir konuda ne tür çalışma yapıldığını haritalar. Sistematik derleme, önceden yazılmış arama ve seçim ölçütleriyle çalışmaları toplar; meta-analiz bunların sayılarını birleştirir.
Arama önce çok sayıda kayıt getirir; ölçütlere uymayanlar elenir. Örnekte 123 kayıttan 11 çalışma kalmış: yaklaşık %9. Geriye kalanlar, modellerin çoğu zaman az sayıda çalışmaya dayandığını gösterir.
Prospektif çalışmada sporcular önce izlemeye alınır, sakatlıklar sonra kaydedilir. Retrospektif çalışma geçmiş kayıtlara bakar. Model için prospektif doğrulama, geleceğe dönük gerçek sınavdır.
Temassız sakatlık, rakip teması olmadan olur; sprintte arka uyluk yırtılması gibi. Sinyal, modelin yararlandığı ölçümdür; dış yük, önceki sakatlık ve toparlanma göstergeleri gibi.
Modellerin çoğu tek bir takımın verisiyle kuruldu; çoğunlukla futbol ve ragbi.
Modeller başka takım ya da sezonda nadiren sınandı; bildirilen başarı çok değişken.
Dış yük, önceki sakatlık ve toparlanma göstergeleri.
Veri, hipotez, ek veri, ekip kararı.
Pozitif kestirim değeri düşer; sağlıklı çoğunluktan çok yanlış alarm gelir.
Önce soru ve karar (bu veri hangi kararı değiştirecek?), sonra bağımsız kanıt (cihaz sizin koşulunuzda geçerli ve güvenilir ölçüyor mu?), sonra toplam maliyet (satın alma, abonelik, personel zamanı). Hafta 9'daki sıra budur: "önce soruyu, sonra kanıtı, sonra maliyeti sorarsınız."
Gerçekten sakatlananların yüzde kaçı uyarı aldı? 1.000 oyuncu-haftasında 30 sakatlık var; model bunların 24'ünü işaretledi: 24 ÷ 30 = %80.
Sakatlanmayanların yüzde kaçı uyarı almadı? Model toplam 100 uyarı verdi; 24'ü doğru, 76'sı yanlış. Sağlam 970 kişinin 894'ü uyarı almadı: 894 ÷ 970 ≈ %92.
Pozitif kestirim değeri (PPV, positive predictive value). Uyarı gelince doğru çıkma oranı: 24 ÷ 100 = %24. Antrenörün sahada hissettiği oran budur; 76 yanlış uyarı 76 gereksiz müdahale demektir.
Aynı model, sakatlık %1 olan bir takıma girsin: 1.000 oyuncu-haftasında 10 sakatlık. %80 duyarlılıkla 8 yakalanır; %92 özgüllükle 990 sağlamdan yaklaşık 79 yanlış uyarı çıkar. PPV: 8 ÷ 87 ≈ %9.
| 100 oyuncu | Uyarı aldı | Uyarı almadı | Toplam |
|---|---|---|---|
| Sakatlanan | 8 (doğru uyarı) | 2 (kaçırılan) | 10 |
| Sakatlanmayan | 18 (yanlış alarm) | 72 (doğru sessizlik) | 90 |
| Toplam | 26 | 74 | 100 |
10 sakatlığın %80'i = 8 yakalanır, 2 kaçar. 90 sağlam oyuncunun %80'i = 72 uyarı almaz; kalan %20'si = 18 oyuncu boşuna uyarı alır.
Uyarı alan 26 oyuncudan 8'i sakatlanır: 8 ÷ 26 ≈ %31. Her 3 uyarıdan yaklaşık 2'si yanlıştır; 18 oyuncunun sprint yükü boşuna azaltılır.
Negatif kestirim değeri (NPV): uyarı almayan 74 oyuncudan 72'si sağlam kalır, 72 ÷ 74 ≈ %97. Yüksek görünür ama model olmadan da oyuncuların 90 ÷ 100 = %90'ı sağlam kalıyordu.
Geçmiş veriden bir olayın (sakatlık gibi) olasılığını hesaplayan istatistik ya da makine öğrenmesi modeli.
İç: aynı veri setinin bölünmesiyle sınama. Dış: başka takım, başka sezon, başka ülke verisiyle sınama.
Sporcu tesiste değilken giyilebilir ve uygulamalarla sürekli veri toplamak.
Onam, amaçla sınırlılık, erişim yetkisi, saklama süresi ve sporcunun veri üzerindeki hakları.
Sayının arkasındaki sorular.
| Soru | Neden? |
|---|---|
| Hangi veriyle geliştirildi? | Tek takım, az sakatlık: model o takımın "gürültüsünü" öğrenebilir (aşırı uyum) |
| Dış doğrulama yapıldı mı? | Başka veride başarı genellikle düşer |
| Sakatlık ne kadar sık? | Olay nadirse yüksek AUC bile düşük PPV verir |
| Uyarıların kaçı doğru? | AUC değil, PPV ve yanlış uyarı sayısı sahadaki yükü belirler |
| Model açıklanabilir mi? | Uyarının nedeni bilinmeden müdahale seçilemez |
| Uyarı gelince ne yapacağız? | Etkili bir müdahale yoksa tahmin sonucu değiştirmez |
Bahr (2016): tek bir tarama testiyle sakatlığı kestirmek, risk faktörü ile sakatlık arasında güçlü bir ilişki olsa bile, bireyleri doğru ayırmaya yetmez. Aynı mantık karmaşık modellere de uygulanır.
| Uyarı oranı | Haftada uyarı | Yakalanan sakatlık (30'dan) | Yanlış uyarı | PPV |
|---|---|---|---|---|
| %10 | 2,5 oyuncu | 13,2 (%44) | 86,8 | %13 |
| %20 | 5 oyuncu | 18,6 (%62) | 181,4 | %9 |
| %40 | 10 oyuncu | 24,5 (%82) | 375,5 | %6 |
AUC 0,80, haftalık sakatlık %3, 25 oyuncu × 40 hafta = 1.000 oyuncu-haftası (canlı araçla aynı varsayım). Uyarı oranı %10'dan %40'a çıkınca yakalanan sakatlık 13'ten 25'e çıkar, yanlış uyarı 87'den 376'ya fırlar. Eşiği kaçırılan sakatlığın ve gereksiz dinlendirmenin bedeline bakarak ekip seçer. Bütün eşiklerdeki yakalama ve yanlış alarm oranlarını birleştiren çizgi ROC eğrisidir; AUC onun altındaki alandır.
AUC yalnız sıralamayı ölçer. Kalibrasyon, modelin "%20 risk" dediği 100 oyuncu-haftasından gerçekten yaklaşık 20'sinde sakatlık çıkmasıdır. Sıralaması aynı kalıp bütün riskleri iki katı söyleyen bir modelin AUC'si değişmez, ama kalibrasyonu bozuktur.
"Yayımlanan model": iç doğrulama AUC 0,80, haftalık sakatlık %3, kadronun %20 kısmına uyarı → PPV %9; sezonda 181 yanlış uyarı. (25 oyuncu × 40 hafta = 1.000 oyuncu-haftası; beklenen 30 sakatlığın 18,6'sı yakalanır.)
Dış doğrulama AUC 0,62: PPV %5, kaçırılan sakatlık 11,4'ten 19,9'a çıkıyor.
"Çok iyi model" (AUC 0,90): PPV yalnız %12. Neden?
"Nadir sakatlık" (%1): uyarı oranını düşürün. Ne kazanıp ne kaybediyorsunuz?
İç doğrulamadaki AUC iyimserdir. Başka veride sınanmamış bir modelin kendi kadronuzda kaç doğru uyarı vereceği bilinmez.
Makine öğrenmesiyle sakatlık tahmini yapan çalışmaların sistematik derlemesi: 249 kayıttan 11 çalışma dâhil edildi. AUC 0,52 (yazı-turaya çok yakın) ile 0,87 arasında değişti; yazarlar modellerin yorumlanmasına daha çok emek istedi.
30 çalışma, 204 model; hiçbiri dış doğrulama yapmadı. Modellerin %98'i yüksek ya da belirsiz yanlılık riski taşıyordu (yöntem sonucu çarpıtabilecek kadar zayıf). 30 çalışmanın yalnız 3'ü örneklemi önceden hesapladı, 2'si kalibrasyon bildirdi; hiçbir model uygulamaya önerilemedi.
Tahmin modeli çalışmalarının nasıl raporlanacağını gösteren kontrol listesi; regresyon ve makine öğrenmesi için aynı kurallar. 2015 TRIPOD listesinin yerini aldı. Satıcıya sorulacak soru: "Çalışmanız TRIPOD+AI'ya göre raporlandı mı?"
Kanıt nedenselliği destekliyorsa kullanılır. Bir sprintçinin haftalık yüksek hızda koşu (YHK / HSR) mesafesindeki ani artış kas sakatlığının olası nedeni sayılabilir; bunu göstermek için yükü değiştiren bir deney ya da nedensel varsayımları açık bir analiz gerekir.
Öğretim örneği: fizyoterapi odasına sık giden basketbolcular daha çok sakatlanır, çünkü ağrısı olan oyuncu odaya gider. Odaya gitmeyi yasaklamak sakatlığı azaltmaz; ama model bu değişkenle iyi tahmin yapar.
Önceki sakatlık, Tsenos ve ark. (2026) derlemesinde tutarlı sinyallerden biriydi; ama geçmiş değiştirilemez. Belirteç uyarıyı kime vereceğimizi söyler, ne yapacağımızı söylemez.
Yazılım uyarıyla birlikte "yükü %30 azaltın" diyorsa: bu önerinin sakatlığı azalttığı ayrı bir çalışmada sınandı mı? İyi tahmin, müdahalenin işe yaradığının kanıtı değildir; altı sorunun sonuncusu ("Uyarı gelince ne yapacağız?") bu yüzden sorulur.
Modeller çoğu zaman öğrendikleri takımın verisinde iyi görünür. Başka takım ve sezonda başarı genellikle düşer.
Sakatlık nadir olduğu için AUC yüksek olsa da uyarının doğru çıkma oranı (PPV) düşük kalır. 1.000 oyuncu-haftasında 100 uyarıdan 24'ü doğruydu.
Uyarıya karşılık yapılacak etkili bir müdahale yoksa, tahmin hiçbir sonucu değiştirmez.
Makine öğrenmesi: kuralı veriden öğrenen program. AUC: modelin sakatlanan ile sakatlanmayanı ayırma gücü. PPV: uyarı gelince doğru çıkma oranı. Aşırı uyum: modelin öğrendiği verinin gürültüsünü ezberlemesi. Dış doğrulama: başka takım ya da sezonda sınama. Açıklanabilir: uyarının nedeni görülebilen.
Giyilebilirler ve veri seli.
Uyku yüzüğü uykuyu, GPS saati koşuyu, sürekli glikoz ölçer deri altındaki sensörle kan şekerini sürekli kaydeder. Üreticiler "hazır olma" ya da "toparlanma" skorlarını çoğu zaman hesap yöntemini açıklamadan verir.
Öznel ölçüm sporcunun kendi bildirimi (iyi oluş anketi, AZ / RPE: algılanan zorluk); nesnel ölçüm cihazın ölçtüğü değerdir (nabız, uyku süresi). İkisi birlikte okununca sporcu hem kendini hem cihazı kontrol etmiş olur.
İki ölçümün birlikte ne kadar değiştiğini −1 ile +1 arasında gösterir; 0 ilişki yok demektir. r = 0,39 ise ortak değişim 0,39² ≈ %15; r = 0,81 ise 0,81² ≈ %66. Yani orta bir ilişki bile bir ölçümle ötekini güvenle tahmin etmeye yetmez.
Grup ortalamasında görülen ilişki her sporcuda geçerli olmayabilir. Veli'de uyku ile toparlanma yakından bağlantılıyken Ayşe'de hiç bağlantı yoksa, kişisel eğilim bakılacak yerdir.
Tesis dışındaki uyku, toparlanma ve yük görülür; eğilimler erken fark edilir.
Tüketici cihazlarının algoritmaları kapalı ve sık güncellenir; aynı "skor" zamanla değişebilir (Hafta 9).
Her gün onlarca gösterge: dikkat dağılır, yanlış alarm artar (Hafta 10).
Kişisel analiz grup ortalamasından daha doğruydu; öznel ve nesnel veri birlikte okunmalı.
Kapalı algoritmalı tek bir skor, bireysel eğilim ve öznel veriyle birlikte okunur. Tek gösterge yanlış alarm üretir.
Uyku, toparlanma ve yük eğilimi sahadan uzakta da izlenir; değişim erken fark edilir.
Tüketici cihazlarının hesapları açıklanmaz ve güncellenir. Aynı skor zamanla farklı bir anlam taşıyabilir.
Öznel ve nesnel veri bir arada, sporcunun kendi eğilimine göre yorumlanır. Çok gösterge yanlış alarmı artırır.
Giyilebilir: vücuda takılan ölçüm cihazı. Öznel: sporcunun kendi bildirimi. Nesnel: cihazın ölçtüğü. Korelasyon (r): iki ölçümün birlikte değişme derecesi. Geçerlik: ölçümün ölçmek istediğini gerçekten ölçmesi.
Kimin verisi, kim görür, ne kadar saklanır?
Kişisel veri, bir kişiyi belirleyen her bilgidir. KVKK, sağlık verisini daha sıkı korunan "özel nitelikli" gruba koyar. Kalp atımı, sakatlık öyküsü, kan tahlili ve uyku bu gruba girebilir.
Sporcu hangi verinin, ne amaçla, kim tarafından toplandığını anlayarak ve zorlanmadan kabul eder. Sözleşmesi tehlikedeki bir sporcu "hayır" demekte zorlanabilir; bu yüzden onam bir imza değil bir süreçtir. KVKK'da bilgilendirmenin adı aydınlatma, iznin adı açık rızadır (Hafta 9).
Adı ve kimlik numarasını silmek yalnız maskelemedir; anonimleştirme, verinin başka bilgilerle birleştirilse bile kişiye geri bağlanamaz hâle getirilmesidir (KVKK md. 3). Ama "2,05 m, pivot, 34 maç" kombinasyonu tek bir kişiyi gösterebilir. Sentetik veri, gerçek kişilere ait olmayan ama gerçeğe benzeyen yapay kayıtlardır.
Veri sahibi, verisi toplanan sporcudur. Veri sorumlusu, verinin amacını ve yöntemini belirleyen kulüp ya da federasyondur. Sorumlu, veri sahibine ne yaptığını açıklamak ve haklarına uymak zorundadır.
| İlke | Uygulamada |
|---|---|
| Bilgilendirilmiş onam | Hangi veri, hangi amaçla, kim tarafından toplanıyor: sporcu yazılı olarak bilgilendirilir |
| Amaçla sınırlılık | Antrenman kararı için toplanan veri sözleşme pazarlığında kullanılmaz |
| Rol tabanlı erişim | Antrenör yük verisini görür; tıbbi veriye yalnız sağlık ekibi erişir |
| Veri en azlığı | Karara dönüşmeyecek veri toplanmaz (Hafta 9) |
| Saklama ve silme | Saklama süresi belirlenir; sporcu ayrılınca veri ne olacak, yazılıdır |
| Sporcunun erişimi | Sporcu kendi verisini görür ve düzeltilmesini isteyebilir |
6698 sayılı Kişisel Verilerin Korunması Kanunu sağlık verilerini özel nitelikli kişisel veri sayar ve daha sıkı koşullara bağlar; Avrupa Birliği'nde Genel Veri Koruma Tüzüğü (GDPR) benzer koruma sağlar. Kulüp ve federasyonlar, veri işleme için hukuk danışmanlığı almalıdır. Not: KVKK'nın 6. maddesi 7499 sayılı Kanunla değiştirildi (Resmî Gazete 12 Mart 2024; yürürlük 1 Haziran 2024): özel nitelikli verinin işlenme şartları yeniden yazıldı; sağlık verisi yine özel nitelikli sayılır.
Bir elit sporcunun boy, pozisyon ve maç verisi, adı silinse bile kimliğini ele verebilir. Yalnız adı silmek maskelemedir; KVKK'nın anladığı anonimleştirme sayılmaz.
Gerçek veriye benzeyen yapay kayıtlar; paylaşmadan önce gizlilik saldırı testi yapılır.
Kapalı modeller bağımsız olarak sınanamaz (Bullock ve ark., 2023).
Çok merkezli, önceden kayıtlı, açık yöntemli çalışmalar dış doğrulamayı mümkün kılar.
| Risk | Sahada örnek |
|---|---|
| 1 · Verinin geçerliği ve yorumu | Yüzüğün "hazır olma skoru 42" kapalı bir algoritmadan gelir; yanlış yorum yanlış karar demektir |
| 2 · Gözetim ve mahremiyet | 7/24 uyku ve konum verisi, yüzücünün tesis dışı hayatını da kulübe açar |
| 3 · Gizlilik ve veri güvenliği | Sızan sakatlık öyküsü, oyuncunun transfer değerini düşürebilir |
| 4 · Çıkar çatışması | Kulüp hekimi hem sporcunun sağlığına hem kulübün kadro çıkarına hizmet eder |
| 5 · Zorlama | "Yüzüğü takmayan kadroya girmez": sözleşmesi tehlikedeki sporcu "hayır" diyemez |
Sağlık verisi özel nitelikli kişisel veridir. Sporcu ne toplandığını, amacını ve kimin gördüğünü bilir ve kabul eder.
Antrenmanı yönetmek için toplanan veri sözleşme pazarlığında kullanılmaz. Antrenör yük verisini, tıbbi veriyi yalnız sağlık ekibi görür.
Tanınmış bir sporcu boy, pozisyon ve maç verisinden çıkarılabilir. Sentetik veri ve gizlilik testi paylaşımı güvenli kılmak için önerilen yollardan biridir.
KVKK: 6698 sayılı Kişisel Verilerin Korunması Kanunu. GDPR: Avrupa Birliği'nin veri koruma tüzüğü. Bilgilendirilmiş onam: anlayarak ve zorlanmadan verilen izin. Yeniden kimliklendirme: adı silinmiş veriden kişiyi bulmak. Yönetişim: verinin kim tarafından, hangi kurallarla yönetildiği. Ticari sır: şirketin açıklamadığı yöntem bilgisi.
14 hafta, tek sistem.
| Adım | Soru | Haftalar |
|---|---|---|
| 1 · Amaç | Neden izliyoruz, hangi kararı vereceğiz? | H01 |
| 2 · Ölçüm kalitesi | Ölçüm geçerli ve güvenilir mi? Değişim gerçek mi? | H02, H09 |
| 3 · Kuram | Yük, adaptasyon ve yorgunluk nasıl ilişkili? | H03, H04 |
| 4 · Ne ölçülür? | Dış yük, iç yük, nöromüsküler, otonom, kan | H05–H08 |
| 5 · Karar | Hangi kural, hangi eşik, kim karar verir? | H10 |
| 6 · Bağlam | Bireysel sporda ve takımda farklar | H11, H12 |
| 7 · Uygulama ve gelecek | Vakalar, yeni teknoloji, etik | H13, H14 |
İyi bir izleme sistemi az sayıda, geçerli ve güvenilir ölçümü sporcunun kendi referansına göre yorumlar, önceden yazılmış karar kurallarıyla ekip kararına dönüştürür ve sporcunun verisini ona hizmet edecek şekilde korur.
Modeller olasılık verir; sakatlık nadir olduğunda uyarıların çoğu yanlıştır.
Karara dönüşmeyen veri dikkati dağıtır ve yanlış alarmı artırır.
Eğilim izlemede yararlı; geçerlikleri cihaza ve göstergeye göre değişir.
KVKK'da özel nitelikli veri; onam, amaç ve erişim kuralları gerekir.
Modelin geliştirildiği veri, doğrulama ve PPV hakkında ne bilmek istersiniz?
Aracınızla kendi kadronuzda beklenen doğru ve yanlış uyarıyı hesaplayın.
Veri kimin olacak, kim görecek, ne kadar saklanacak?
Alır mısınız? Hangi koşulla?
| Ölçüt | 1 · Gelişiyor | 2 · Yetkin |
|---|---|---|
| Sistem tasarımı | Ölçümler listelenmiş. | Amaçtan ölçüme, ölçümden karara tutarlı zincir. |
| Ölçüm kalitesi | Genel ifadeler. | Güvenirlik ve anlamlı değişim değerleri sayısal. |
| Teknoloji değerlendirmesi | Tanıtım bilgisi aktarılmış. | PPV, dış doğrulama ve açıklanabilirlik sorgulanmış. |
| Veri etiği | Değinilmiş. | Onam, amaç, erişim, saklama ve KVKK uyumu yazılı politika. |
Arkadaşınızın görevine bir güçlü yön ve bir somut geliştirme önerisi yazın. Puan, önerinin gerekçesini göstermek içindir.
Veri hangi amaçla toplandı, şimdi hangi amaçla kullanılıyor?
Bir oyuncunun gelecekteki sakatlığı bu veriyle ne kadar doğru kestirilebilir?
Onam, erişim ve KVKK açısından bu kullanım nasıl değerlendirilir?
"Veriyi biz topladık, bizimdir; kararı bilimsel temele oturtuyoruz."
Amaç, kanıtın gücü ve sporcunun haklarına dayanan iki cümle.
1. Haftalık sakatlık %3, AUC 0,80, kadronun %20 kısmına uyarı: PPV yaklaşık kaçtır?
Sakatlık nadir; uyarıların çoğu sağlıklı oyunculara gider.
2. Dış doğrulama nedir?
Başka veride başarı genellikle düşer.