6. Diskussion
6.3 Etik i arbetet
Detta arbete har utförts på så sätt att inga personliga uppgifter har samlats in och att ett avtal, Non Disclure Agreement(NDA), skrivits under av samtliga deltagare. Avtalet innefattade att vi utvecklare inte läcker någon av de spelardata som tillhandahållits av LHC. Detta har undvikits genom att ändra spelardatan till påhittade spelare i rapporten. Arbete har också utförts efter LHCs önskemål där deras idéer har fått ta stor plats. Egna idéer om funktioner och liknande har också föreslagits men har inte förrän efter LHCs godkännande implementerats. När det gäller hänsyn till LHC har vi fått ett godkännande att publicera all information som finns med i rapporten.
6.4 Källkritik
När det gäller de källor som använts i rapporten finns flera saker att belysa. Användningen av Wikipedia som primärkälla är ofta en typisk sak att vara på sin vakt med. Anledningen till dess dåliga stigma är framför allt på grund av att vem som helst har möjlighet att ändra sidans innehåll. Detta är dock ofta inte fallet längre, nu för tiden är Wikipedia-sidor ofta mer modererade, detta är i synnerhet fallet för större sidor med flera olika språk. Vi anser därför att de områden där Wikipedia använts som primärkälla är tillräckligt stora och generella att detta inte blir något problem.
Utöver Wikipedia har även ett flertal rapporter och studier använts som primärkällor, dels för att förklara tidigare forskning, dels för att ge en överblick över relaterade områden. Genom att se över antalet citat en rapport har fick vi snabbt en överblick hur mycket andra har litat på rapporten, med hjälp av innehållet, detta och den vetskap om hur gammal forskningen är gav vi en bedömning huruvida rapporten borde ha använts eller inte. Genom att läsa flera olika rapporter inom samma områden fick vi även en bra överblick över vilka områden som många av författarna enats om och kunde därmed även lite extra på de styckena.
Till sist användes ett fåtal andra källor så som blogginlägg och mer seriösa artiklar för att de förmedlade nyheter, nyheter som visade vad som försiggår inom relevanta områden. Dessa användes därmed inte som underlag till någon direkt fakta förutom att få en förståelse för hur området ser ut idag.
31
7. Slutsats
Nedan följer svaren på våra frågeställningar, dessa var:
1. Hur utvärderar LHC idag hockeyspelare utifrån deras tidigare prestationer och vilken data som är mest relevant för detta ändamål?
2. Hur kan ett optimalt scoutingverktyg för LHC se ut?
7.1 Scoutingprocessen idag
Genom diskussioner har vi kommit fram till följande:
När LHC utvärderar hockeyspelares tidigare prestationer använder de sig av statistik från ett utomstående företag vid namn Sportlogiq. Sportlogiq tillhandahåller även ett sätt att visualisera statistiken på, med hjälp av detta verktyg går LHC sedan igenom och jämför spelare för hand för att se vilka som bäst passar den rollen som sökes. Just den data som är mest relevant för detta ändamål beror självklart på vad det är man söker, letar man en forward, back eller en spelare som är bra på något speciellt så är ju självklart datan relaterad till just detta något man vill kolla på. På samma sätt blir då motsatsen i datan något man inte bryr sig om, självklart finns även statistik som är bra för alla typer av spelare, exempelvis ”blockerade skott” men frågan blir då istället, ”hur viktigt är just denna statistik för spelaren jag undersöker?”. Svaret på frågan blir då olika beroende på vilken typ av spelare man letar efter, är det en forward är just denna statistik bra men kanske inte lika viktig som för en back.
7.2 LHC:s scoutingverktyg
Efter flera månaders tätt arbete tillsammans med LHC har vi kommit fram till att båda parterna är nöjda. Verktyget är inte perfekt och det finns alltid saker som behövs fixas. Ju mer man använder verktyget desto mer ny funktionalitet önskar man att det hade, genom flitigt användande från både vår och LHC sida har även väldigt många buggar hittats och fixats. Verktyget har dock enligt både oss och LHC löst både de initiala problem som beskrevs i början av arbetet och även löst andra. Ett exempel på funktionalitet som LHC blev nöjda med som inte var med som ett initialt problem var ”lagbygges- funktionen”. Allt detta reflekteras i SUS enkäten som gav en oerhört hög poäng, nämligen 95.
7.3 Slutord
Eftersom arbetet gjordes som examensarbete för högskoleutbildningen i datateknik känner vi oss nöjda med det resulterande verktyget. Vi har dragit nytta av hela utbildningen men speciellt kurser inom programmering, grupparbete och framförallt webbutveckling. Vi känner att verktyget inte bara uppfyller de krav som sattes, därmed går att använda sig av, utan att det även är enkelt att använda och fortsätta utveckla i framtiden.
32
8. Referenslista
[1] Wikipedia. Ishockey. Hämtad från https://sv.wikipedia.org/wiki/Ishockey (2021/02/10).
[2] A. Y. Kondratev, E. Lanovski, A. S. Nesterov. How should we score athletes and candidates: geometric scoring rules [Internet]. arXiv [cs.GT]. 2019. Hämtad från: http://arxiv.org/abs/1907.05082
[3] D. B. Dwyer, T. J. Gabbett. Global Positioning System Data Analysis: Velocity Ranges and a New Definition of Sprinting for Field Sport Athletes, Journal of Strength and Conditioning Research: March 2012 - Volume 26 - Issue 3 - p 818-824 doi: 10.1519/JSC.0b013e3182276555
[4] T. Gulitti, NHL plans to deploy Puck and Player Tracking technology next season. NHL ALL-STAR. Weblog. Hämtad från https://www.nhl.com/news/nhl-plans-to-deploy-puck-and-player-tracking- technology-in-2019-2020/c-304218820 (2021/02/05).
[5] T. Lehmus Persson, H. Kozlica, N. Carlsson, and P. Lambrix, ‘Prediction of Tiers in the Ranking of Ice Hockey Players’, in Machine Learning and Data Mining for Sports Analytics 7th International Workshop, MLSA 2020, Co-located with ECML/PKDD 2020, Ghent, Belgium, September 14–18, 2020, Proceedings, 2020, pp. 89–100. doi: 10.1007/978-3-030-64912-8_8
[6] H. Pileggi, C. D. Stolper, J. M. Boyle and J. T. Stasko, "SnapShot: Visualization to Propel Ice Hockey Analytics," in IEEE Transactions on Visualization and Computer Graphics, vol. 18, no. 12, pp. 2819-2828, Dec. 2012, doi: 10.1109/TVCG.2012.263.
[7] H. Tomislav, J. Josip. The use of machine learning in sport outcome prediction: A review. WIREs Data Mining Knowl Discov. 2020; 10:e1380. doi: 10.1002/widm.1380
[8] T. Guo, K.Tao , Q Hu, Y Shen, 2020. Detection of Ice Hockey Players and Teams via a Two-Phase
Cascaded CNN Model Hämtad från
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9239271/ (2021/02/10).
[9] T. L. Weissgerber, N. M. Milic, S. J. Winham, V. D. Garovic, (2015) Beyond Bar and Line Graphs: Time for a New Data Presentation Paradigm. PLOS Biology 13(4): e1002128. doi: 10.1371/journal.pbio.1002128
[10] E. M. Smith, J, Kershaw, 2012. Data Display Choices. [Blog] Types of Data Representation, Hämtad från https://www.ck12.org/statistics/types-of-data-representation/lesson/Data-Display- Choices-MSM7/ (2021/02/09).
[11] M. Gualtieri, 2009. Best Practices In User Experience (UX) Design
Hämtad från
http://web.uchile.cl/DctosIntranet/05UsabilidadExperienciaUsuario/BuenasPracticas/BestPracticesU serExperience.pdf (2021/02/09).
[12] M. Matera, F. Rizzo, G. T. Carughi, (2006) Web Usability: Principles and Evaluation Methods. In: Mendes E., Mosley N. (eds) Web Engineering. Springer, Berlin, Heidelberg. Doi: 10.1007/3-540-28218- 1_5
[13] mozilla.org. HTML basics Hämtad från https://developer.mozilla.org/en- US/docs/Learn/Getting_started_with_the_web/HTML_basics (2021/04/21).
33
[14] Mozilla. CSS: Cascading Style Sheets. Hämtad från https://developer.mozilla.org/en- US/docs/Web/CSS (2021/05/24).
[15] Mozilla. JavaScript. Hämtad från https://developer.mozilla.org/en-US/docs/Web/JavaScript (2021/05/24).
[16] Wikipedia. Type system. Hämtad från https://en.wikipedia.org/wiki/Type_system (2021/04/23).
[17] Wikipedia. Node.js. Hämtad från https://en.wikipedia.org/wiki/Node.js (2021/04/26)
[18] Wikipedia. Bootstrap (front-end framework). Hämtad från
https://en.wikipedia.org/wiki/Bootstrap_(front-end_framework) (2021/04/26)
[19] Node.js. What is npm?. Hämtad från https://nodejs.org/en/knowledge/getting- started/npm/what-is-npm/(2021/04/27).
[20] Electronjs.org. Docs. Hämtad från https://www.electronjs.org/docs (2021/05/24).
[21] Wikipedia. Programutvecklingsmetodik. Hämtad från
https://sv.wikipedia.org/wiki/Programutvecklingsmetodik (2021/05/03).
[22] Wikipedia. Cross-plattform software. Hämtad från https://en.wikipedia.org/wiki/Cross- platform_software (2021/04/26).
[23] chartjs.org. Chart.js. Hämtad från https://www.chartjs.org/(2021/04/26).
[24] M. McCormick, (2012), “Waterfall vs agile methdology”, Hämtad från: http://www.mccormickpcs.com/images/Waterfall_vs_Agile_Methodology.pdf (2021/05/04).
[25] Wikipedia. Agil systemutveckling. Hämtad från
https://sv.wikipedia.org/wiki/Agil_systemutveckling (2021/05/04).
[26] git-scm. About. Hämtad från https://git-scm.com/about (2021/05/05)
[27] Wikipedia. GitHub. Hämtad från https://en.wikipedia.org/wiki/GitHub (2021/04/29).
[28] A. Srivastava, S. Bhardwaj and S. Saraswat, "SCRUM model for agile methodology," 2017 International Conference on Computing, Communication and Automation (ICCCA), 2017, pp. 864-869, doi: 10.1109/CCAA.2017.8229928.
[29] Wikipedia. Scrum (software development). Hämtad från
https://en.wikipedia.org/wiki/Scrum_(software_development) (2021/05/04)
[30] Wikipedia. Comma-separated values. Hämtad från https://en.wikipedia.org/wiki/Comma- separated_values (2021/05/05)
[31] tiobe.com. TIOBE Index for May 2021. Hämtad från https://www.tiobe.com/tiobe-index/ (2021/05/04)
[32] Wikipedia. Python (programming language). Hämtad från
34
[33] J. Vik, M-C. Shih, R. Jansher, N. Carlsson, P. Lambrix, Not all goals are equally important - a study for the NHL, MathSport International 2021 Conference, Virtual, 2021.
[34] A. Bangor, P.T. Kortum & J.T. Miller (2008) An Empirical Evaluation of the System Usability Scale, International Journal of Human–Computer Interaction, 24:6, 574-594, DOI: 10.1080/10447310802205776
[35] https://measuringu.com/. Measuring Usability with the System Usability Scale (SUS). Hämtad från https://measuringu.com/sus/?fbclid=IwAR12aQ5sjBhhLumqy7jS3uVFn6n4EFl6Szit1Q4m- CjSJzeDZi9PFzy70Do (2021/05/25).
[36] O. Schulte, M. Khademi, S. Gholami , Z. Zhao, M. Javan, and P. Desaulniers. “A Markov Game model for valuing actions, locations, and team performance in ice hockey”. en. In: Data Mining and Knowledge Discovery 31.6 (Nov. 2017), pp. 1735–1757. ISSN: 1573-756X. DOI: 10.1007/s10618-017- 0496-z.
[37] K. Routley and O. Schulte. “A Markov Game Model for Valuing Player Actions in Ice Hockey”. In: Uncertainty in Artificial Intelligence (UAI). 2015, pp. 782–791.
[38] E. H. Kaplan, K. Mongeon, and J. T. Ryan. “A Markov Model for Hockey: Manpower Differential and Win Probability Added”. In: INFOR: Information Systems and Operational Research 52.2 (May 2014), pp. 39–50. ISSN: 0315-5986. DOI: 10.3138/ infor.52.2.39.
[39] B Macdonald. “A Regression-Based Adjusted Plus-Minus Statistic for NHL Players”. en. In: Journal of Quantitative Analysis in Sports 7.3 (Jan. 2011). ISSN: 1559-0410. DOI: 10.2202/1559- 0410.1284.
[40] B Macdonald. “An Expected Goals Model for Evaluating NHL Teams and Players”. In: Proceedings of the 2012 MIT Sloan Sports Analytics Conference. Mar. 2012.
[41] B. Macdonald. An Improved Adjusted Plus-Minus Statistic for NHL Players. en. 2011. Hämtad (2021/05/31).
[42] O. Schulte, Z. Zhao, and M. Javan. “Apples-to-Apples : Clustering and Ranking NHL Players Using Location Information and Scoring Impact”. In: MIT Sloan Sports Analytics Conference. 2017.
[43] S Pettigrew. “Assessing the offensive productivity of NHL players using ingame win probabilities”. en. In: 9th annual MIT sloan sports analytics conference. 2015, p. 8.
[44] A. C. Thomas, S. L. Ventura, S. T. Jensen, and S. Ma. “Competing process hazard function models for player ratings in ice hockey”. en. In: The Annals of Applied Statistics 7.3 (Sept. 2013), pp. 1497– 1524. ISSN: 1932-6157. DOI: 10.1214/13- AOAS646.
[45] G Liu and O Schulte. “Deep Reinforcement Learning in Ice Hockey for Context-Aware Player Evaluation”. en. In: Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence. Stockholm, Sweden: International Joint Conferences on Artificial Intelligence Organization, July 2018, pp. 3442–3448. ISBN: 978-0- 9992411-2-7. DOI: 10.24963/ijcai.2018/478.
[46] R. Gramacy, S. Jensen, and M. Taddy. “Estimating player contribution in hockey with regularized logistic regression”. In: Journal of Quantitative Analysis in Sports. 2012, pp. 97–111. DOI: 10.1515/jqas-2012-0001.
35
[47] D. Ljung, N. Carlsson, and P. Lambrix. “Player Pairs Valuation in Ice Hockey”. en. In: Machine Learning and Data Mining for Sports Analytics. Ed. by Ulf Brefeld, Jesse Davis, Jan Van Haaren, and Albrecht Zimmermann. Vol. 11330. Series Title: Lecture Notes in Computer Science. Cham: Springer International Publishing, 2019, pp. 82–92. DOI: 10.1007/978-3-030-17274-9_7.
[48] C. Sans Fuentes, N. Carlsson, and P. Lambrix. “Player impact measures for scoring in ice hockey”. eng. In: Proceedings of MathSport International 2019 Conference. 2019, pp. 307–317. URL: http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-157992 Hämtad (2021/05/31).
[49] G. Liu, O. Schulte, P. Poupart, M. Rudd, and M. Javan. “Learning Agent Representations for Ice Hockey”. In: Advances in Neural Information Processing Systems. Ed. by H. Larochelle, M. Ranzato, R. Hadsell, M. F. Balcan, and H. Lin. Vol. 33. Curran Associates, Inc., 2020, pp. 18704–18715.
[50] M. Schuckers and James Curro. “Total Hockey Rating (THoR): A comprehensive statistical rating of National Hockey League forwards and defensemen based upon all on-ice events”. en. In: 7th annual MIT sloan sports analytics conference. 2013. Hämtad (2021/01/28).