شکاف دادهٔ باز در دارت
برخلاف بیسبال، بسکتبال و فوتبال که مجموعههای دادهٔ ردیابی عمومی و در مقیاس میلیونی دارند، دارت هیچ مجموعهٔ دادهٔ باز پرتاببهپرتاب با مختصات فرود ندارد — و این تکشکاف، سقف پیشرفت علمی این ورزش را تعیین میکند ⚪ [GAP].
۱. آنچه امروز در دسترس است
| منبع | چه چیزی میدهد | چه چیزی نمیدهد |
|---|---|---|
| DartsOrakel | میانگین، First 9، Checkout%، Hold/Break در سطح بازیکن | مختصات، پرتاببهپرتاب |
| TheDartScout | تحلیلهای تجمیعی، نرخ دبل به تفکیک هدف | دادهٔ خام قابل دانلود |
| PDC Stats | آمار رسمی مسابقات | سطح دارت |
| Autodarts / Scolia | مختصات دقیق در سطح کاربر | دسترسی پژوهشی عمومی |
نمونهای از بهترین چیزی که داریم — نرخ دبل PDC 2020 [AD]:
| بازیکن | هدف | نرخ | تعداد تلاش |
|---|---|---|---|
| Michael Smith / Gerwyn Price | D20 | نزدیک ۸۰٪ | — |
| Jonny Clayton | D16 | ۴۵٪ | ۵۸۴ |
| Dimitri Van den Bergh | D18 | ۴۵٪ | ۲۰۲ |
| Dimitri Van den Bergh | D20 | تنها ۳۷٪ | — |
این دادهها ارزشمندند و در سراسر این دانشنامه به کار رفتهاند. اما همگی تجمیعی هستند: میگویند «۴۵٪ از ۵۸۴ تلاش» و نه «دارت شمارهٔ ۳۱۷ در فلان مختصات نشست، در حالی که باقی‑مانده ۳۲ و امتیاز حریف ۱۰۱ بود».
۲. چهار مانع
۲.۱ مالکیت داده
دادههای مسابقات حرفهای در اختیار نهادهای برگزارکننده و شرکای شرطبندی است. انگیزهٔ تجاری برای انتشار عمومی وجود ندارد — برعکس.
۲.۲ نبود زیرساخت ردیابی استاندارد
در بیسبال، Statcast در همهٔ ورزشگاهها نصب است. در دارت، سامانههای خودکار (Autodarts با ۹۹٪+ دقت، Scolia، Target Omni) عمدتاً در بازار مصرفی و آنلایناند، نه در سالنهای حرفهای تلویزیونی.
۲.۳ هزینهٔ برچسبگذاری دستی
استاندارد آزمایشگاهی کینماتیک — ۷ دوربین ۴۸۰ Hz، خطای بازسازی ۰٫۴۵ ± ۰٫۰۵ mm، درونیابی به ۱۰۰۰ Hz — برای چند ده پرتاب مقرونبهصرفه است، نه برای یک فصل.
۲.۴ مقیاس کوچک مطالعات موجود
مطالعات کینماتیک موجود ۸ تا ۱۶ شرکتکننده دارند. این عدد برای برآورد هنجارهای جمعیتی کافی نیست — به همین دلیل پایگاه دادهٔ هنجاری کینماتیک نخبگان بهعنوان برنامهٔ پژوهشی شمارهٔ ۳ پیشنهاد شده است.
۳. چه پرسشهایی بیپاسخ میمانند
| پرسش | چرا بدون داده حل نمیشود |
|---|---|
| اثر انسداد فیزیکی چقدر است؟ (مقالهٔ ۵.۱۸) | نیازمند مختصات دارت دوم و سوم مشروط بر دارت اول |
| $\sigma$ واقعی نخبگان چقدر است؟ | عدد ۱۷ mm یک برآورد مدلسازی است، نه اندازهگیری میدانی |
| آیا $\sigma$ در طول مسابقه تغییر میکند؟ | افت آرنج ۳٫۲° ± ۰٫۸ پس از ۹۰ دقیقه اندازهگیری شده، اما اثرش بر پراکندگی نه |
| آیا چوکینگ در سطوح میانی رخ میدهد؟ | ۳۲٬۲۷۴ پرتاب حرفهای هیچ شواهدی نشان نداد؛ ۲۹٬۳۸۱ مسابقهٔ آماتور افت نشان داد — میانه ناشناخته است |
| اثر تجهیزات چقدر است؟ | نیازمند طرح علّی با پرتابکنندهٔ رباتیک |
۴. آنچه از تحلیلهای تجمیعی توانستیم بیاموزیم
انصاف حکم میکند که بگوییم دادههای تجمیعی موجود، یافتههای محکمی تولید کردهاند:
- REAL Average پیشبینی برنده را ۵۳٪ بهبود میدهد؛ ~۲٪ اجراها به صد میرسند در برابر ~۱۰٪ با سنجهٔ متعارف [AD]
- نهداراتی: ۴۸ مورد در ۶۹٬۸۸۸ لگ = ۱٬۴۵۶ به ۱ (۲٬۹۱۲ به ۱ بهازای هر تلاش)؛ با ~۸۵۰ لگ در سال، یکی هر ۳٫۵ سال [AD]
- اثر تماشاگر: N = ۲۶٬۷۲۴ پرتاب از k = ۴۴۲ بازیکن (۲۰۱۸–۲۰۲۱)؛ تماشاگر واقعی β = −۰٫۲۰ بر Checkout% و β = −۰٫۰۷ بر 3DA [PR]
نکتهٔ مهم اینکه هر سه از مقیاس آمدهاند، نه از وضوح. یعنی حتی دادههای درشتدانه، وقتی بهاندازهٔ کافی بزرگ باشند، ثمر میدهند. این خوشبینی موجهی برای مسیر پیش رو است.
⚠️ هشدار روششناختی: نمونهٔ مطالعهٔ اثر تماشاگر ۹۸٫۸٪ مرد است. تعمیمپذیری به بازیکنان زن آزمون نشده است.
۵. یک مسیر عملی
پیشنهاد سهمرحلهای برای جامعهٔ دارت:
| مرحله | اقدام | مانع اصلی |
|---|---|---|
| ۱ | استاندارد باز برای صادرات داده از سامانههای خودکار (JSON با مختصات، زمان، وضعیت بازی) | هماهنگی بین فروشندگان |
| ۲ | مخزن داوطلبانهٔ دادههای بازیکنان آماتور با رضایت آگاهانه | حریم خصوصی، کیفیت |
| ۳ | مشارکت پژوهشی با یک نهاد حرفهای برای یک رویداد آزمایشی | منافع تجاری |
مرحلهٔ ۲ کممانعترین است. Autodarts هماکنون این داده را در سطح کاربر تولید میکند؛ آنچه کم است، چارچوب حقوقی و فنی برای تجمیع داوطلبانه است.
جمعبندی
- دارت هیچ Statcast ندارد — هیچ مجموعهٔ دادهٔ باز مختصاتی پرتاببهپرتاب وجود ندارد.
- چهار مانع: مالکیت تجاری، نبود زیرساخت در سالنهای حرفهای، هزینهٔ برچسبگذاری، و مقیاس کوچک مطالعات (۸–۱۶ نفر).
- پرسشهای بزرگ بیپاسخ میمانند: انسداد، $\sigma$ میدانی، پویایی خستگی، چوکینگ در سطوح میانی.
- دادههای تجمیعی موجود بیارزش نیستند — سه یافتهٔ محکم از مقیاس (نه وضوح) به دست آمدهاند.
- مخزن داوطلبانهٔ آماتور کممانعترین مسیر است و فناوریاش امروز موجود است.
- ⚪ تا آن روز، هر عدد $\sigma$ در ادبیات دارت یک برآورد مدل است، نه یک اندازهگیری.
❓ پرسشهای متداول
دادههای PDC واقعاً در دسترس نیستند؟ آمار تجمیعی رسمی منتشر میشود، اما دادهٔ خام پرتاببهپرتاب با مختصات، عمومی نیست.
Autodarts دادهام را ذخیره میکند؟ سامانههای خودکار سابقهٔ پرتاب کاربر را نگه میدارند؛ سیاست دسترسی و صادرات به فروشنده بستگی دارد.
چرا مختصات مهمتر از امتیاز است؟ چون امتیاز، خطای شما را سانسور میکند: «۲۰» میتواند از یک میلیمتر خطا بیاید یا از سه سانتیمتر.
چند پرتاب برای یک دیتاست مفید لازم است؟ برای مدلسازی فردی ~۵۰ پرتاب کافی است (مقالهٔ ۵.۱۶)؛ برای هنجارهای جمعیتی، مرتبهٔ میلیون.
آیا کسی روی این کار میکند؟ پروژههای متنباز مانند OpenDartboard در حوزهٔ تشخیص کار میکنند، اما مخزن دادهٔ مرجعی منتشر نشده است.
من چطور میتوانم کمک کنم؟ دادههای پرتاب خودتان را ساختارمند نگه دارید و نقشهٔ حرارتی شخصی بسازید (مقالهٔ ۵.۳). همین کار در مقیاس، دقیقاً همان چیزی است که کم داریم.
📚 منابع
- DartsOrakel 📊 [AD]
- TheDartScout — نرخ دبل PDC 2020 📊 [AD]
- PDC Stats Analysis (2024, 2025) 📊 [AD]
- Ötting et al. (2020), PLOS ONE 15(2):e0228870 🟢 [PR]
- Greve, van Meurs & Strauss (2023), Scientific Reports 13:10443 🟢 [PR]
- Autodarts · Scolia · Target Omni · OpenDartboard 🟠 [PK]
- ماتریس بلوغ پژوهشی، سیستم مرجع دانش دارت v4.0 ⚪ [GAP]
🔗 مطالعهٔ بیشتر
-
۵.۳ نقشهٔ حرارتی شخصی · ۵.۱۶ مدل بیزی ۶۲ ناحیه · ۵.۱۸ انسداد فیزیکی · ۴.۰ چوکینگ زیر فشار · ۴.۴ اثر تماشاگر
جمعآوری شده توسط بابک آقایی | بر پایهٔ سیستم مرجع دانش دارت نسخهٔ ۴.۰ | بازبینی: ۱ اوت ۲۰۲۶