AI Soccer Analyst: Stage-Aware and Verifiable Human-AI Collaboration for Soccer Data Analysis
作者: Calvin Yeung, Keisuke Fujii
分类: cs.HC, cs.AI
发布日期: 2026-09-10
💡 一句话要点
提出AI足球分析师以解决数据分析中的人机协作问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 人机协作 体育数据分析 可验证性 大型语言模型 混合主动系统 阶段感知 数据理解 问题定义
📋 核心要点
- 现有方法在体育数据分析中缺乏透明性，导致决策过程不易追踪和验证。
- 论文提出AI足球分析师，通过可修订的阶段实现人机协作，增强分析的可验证性和人类控制。
- 实验结果显示，33个任务中有68.75%达成操作完成标准，参与者对输出质量和可靠性评价积极。
📝 摘要（中文）
体育数据分析师通过结合计算与运动领域专业知识，将领域问题转化为洞察。大型语言模型简化了编程，但提示到报告的工作流程可能会模糊决策和证据。本文提出了AI足球分析师，一个具有可修订阶段的混合主动系统，包括数据理解、问题定义、结构化规划、执行、基于证据的报告以及互动与精炼。通过对五名分析师的形成性研究，明确了自动化、可验证性、人类控制和可及性的设计目标。随后，针对16名参与者的任务评估结合了系统日志、保留的文档、评分和开放响应；48个任务中有33个达到了操作完成标准。探索性测试支持参与者对完成任务输出质量、任务成就、可靠性和可验证性的积极看法。这些发现将阶段感知的人机协作定位为一种实用的方法，以生成可检查、可修订和可验证的分析，同时保留领域专家在重要决策中的参与。
🔬 方法详解
问题定义：本文旨在解决体育数据分析中人机协作的透明性和可验证性不足的问题。现有方法往往缺乏对决策过程的清晰记录，导致分析结果难以追溯和验证。
核心思路：AI足球分析师通过设计多个可修订的阶段，允许分析师在数据理解、问题定义、规划和执行等环节中进行交互和调整，从而提升分析的质量和可验证性。
技术框架：该系统的整体架构包括六个主要阶段：数据理解、问题定义、结构化规划、执行、基于证据的报告以及互动与精炼。每个阶段都允许用户进行反馈和修订，确保分析过程的透明性。
关键创新：最重要的技术创新在于引入了阶段感知的人机协作机制，使得分析过程中的每一步都可以被审查和修改。这与传统的线性分析流程形成鲜明对比，提升了分析的灵活性和可靠性。
关键设计：系统设计中考虑了用户交互的便捷性，采用了易于理解的界面，并在每个阶段提供了明确的指导。此外，系统还记录了用户的交互历史，以便后续的审查和验证。
🖼️ 关键图片
📊 实验亮点
实验结果表明，在48个任务中，33个任务达到了操作完成标准，成功率为68.75%。参与者对系统输出的质量、任务成就和可靠性给予了积极评价，显示出该系统在实际应用中的有效性和可靠性。
🎯 应用场景
该研究的潜在应用领域包括职业体育队伍的数据分析、体育赛事的实时分析以及体育研究机构的决策支持。通过提升分析的透明性和可验证性，AI足球分析师能够帮助分析师更有效地做出基于数据的决策，未来可能在其他运动领域推广应用。
📄 摘要（原文）
Sports data analysts translate domain questions into insights by combining computation with sport-specific domain expertise. Large language models ease programming, but prompt-to-report workflows may obscure decisions and evidence. We present AI Soccer Analyst, a mixed-initiative system with revisable stages: Data Understanding, Problem Definition, Structured Planning, Execution, Evidence-Grounded Reporting, and Interaction and Refinement. A formative study with five analysts first informed design goals for automation, verifiability, human control, and accessibility. Subsequently, a task-based evaluation with 16 participants combined system logs, retained artifacts, ratings, and open responses; 33 of 48 tasks met the operational completion criteria. Exploratory tests supported favorable participant perceptions of completed-task output quality, task achievement, reliability, and verifiability after Holm correction. Interaction records showed domain knowledge emerging through clarification, planning, and refinement. These findings position stage-aware human-AI collaboration as a practical approach for producing inspectable, revisable, and verifiable analyses while retaining domain-expert involvement in consequential decisions.