پژوهشگاه تربیت بدنی و علوم ورزشی (وزارت علوم، تحقیقات و فناوری) مطالعات مدیریت ورزشی 2538-3213 18 99 2026 11 22 Performance Evaluation of Volleyball Players Using Machine Learning and Deep Learning Methods ارزیابی عملکرد بازیکنان والیبال با استفاده از روش‌های یادگیری ماشین و یادگیری عمیق 5167 10.22089/smrj.2026.18995.4235 FA محمد راستکار مهربانی گروه رفتار حرکتی و مدیریت ورزشی، دانشکده علوم ورزشی، دانشگاه ارومیه، ارومیه، ایران 0009-0009-8898-633X رقیه سرلاب گروه رفتار حرکتی و مدیریت ورزشی، دانشکده علوم ورزشی، دانشگاه ارومیه، ارومیه، ایران 0000-0003-2321-8304 محسن بهنام گروه رفتار حرکتی و مدیریت ورزشی، دانشکده علوم ورزشی، دانشگاه ارومیه، ارومیه، ایران 0000-0002-8302-0212 Journal Article 2026 01 07 This study aimed to evaluate volleyball players' performance using machine and deep learning methods. It sought to predict performance, identify influential factors, and examine gender and position-based differences to inform management decisions, talent identification, and sports marketing.This quantitative, applied, and descriptive-analytical research studied male and female players in the 2023-2024 Volleyball Nations League (VNL) and the 2020 & 2024 Olympics. Stratified sampling was used. Performance data was extracted from FIVB's VIS system. Data was split 70/30 for training/testing. ANN, CNN, Random Forest, and Gaussian Process Regression models in Mathematica were used for prediction, evaluated using R, RMSE, Taylor diagrams, PDF, and spectral scatter plots. Panel analysis in EViews with tests like LLC, F-Limer, LM, and Hausman examined explanatory variables.Results showed Boskovic (men's Olympics) and T. Stern (women's VNL) and Leon (women's Olympics) were top performers. The CNN model was most accurate (high R, RMSE=0.713, 10s runtime). Panel analysis indicated error (β=0.74) and prior success (β=0.49) most impacted men, while technical accuracy most impacted women (R²=0.89). Gender (men: 34.59; women: 34.24) and position differences (setter passing accuracy, attacker spike efficiency) were confirmed. Combining methods provides a comprehensive view, with CNN superiority emphasized. Findings aid personalized training, error reduction, and team strategy. پژوهش حاضر با هدف ارزیابی عملکرد بازیکنان والیبال با استفاده از روش‌های یادگیری ماشین و یادگیری عمیق انجام شد. این مطالعه به پیش بینی عملکرد، شناسایی عوامل مؤثر و بررسی تفاوت‌های جنسیتی و پست‌محور پرداخت تا مبنایی برای تصمیم‌گیری‌های مدیریتی،استعدادیابی و بازاریابی ورزشی فراهم کند. این پژوهش کاربردی و توصیفی-تحلیلی از نوع کمی بود. جامعه آماری شامل بازیکنان زن و مرد شرکت‌کننده در لیگ ملت‌های والیبال(VNL) 2023 و 2024 و المپیک‌های 2020 و 2024 تشکیل می‌شد. نمونه‌گیری طبقه‌بندی‌شده بر اساس جنسیت، پست و تجربه انجام گرفت. داده‌های عملکرد از سیستم VIS فدراسیون جهانی والیبال (FIVB) استخراج شد. داده‌ها به آموزشی (70%) و آزمایشی (30%) تقسیم گردیدند. مدل‌هایANN، CNN، RF و GPR در Mathematica برای پیش‌بینی استفاده شدند. ارزیابی با R، RMSE، نمودار تیلور،PDF و پراکندگی طیفی صورت گرفت. رهیافت پانلی در EViews با آزمون‌های استقلال مقطعی پسران، ریشه واحد LLC، F لیمر،LM و هاسمن برای بررسی اثر متغیرهای توضیحی به‌کار رفت. در مردان، «بوسکوویچ» در المپیک برتر بود؛ در زنان، «تی استرن» در VNL و «لئون» در المپیک رکورددار بودند. مدل CNN با R بالا و RMSE=0.713 دقیق‌ترین بود (زمان اجرا: 10 ثانیه). تحلیل پانلی نشان داد خطا (β=0.74) و موفقیت قبلی (β=0.49) در مردان، و دقت فنی در زنان بیشترین اثر را داشتند. R²=0.89 تغییرات را توضیح داد. تفاوت جنسیتی (مردان: 34.59؛ زنان: 34.24) و پست‌محور (دقت پاس در پاسورها، حمله در مهاجمان) تأیید شد. ترکیب روش‌ها تصویری جامع ارائه می‌دهد و بر برتریCNN تأکید دارد. نتایج برای برنامه‌های تمرینی شخصی، کاهش خطا و استراتژی تیمی مفید است.