https://pmc.ncbi.nlm.nih.gov/articles/PMC9134447/ 2022年，在运动医学骨科期刊上， 林口和高雄长庚医院的医师们发表了一篇论文， 探讨2016~2017年间，144名台湾最顶尖的青棒投手们的肩膀、手肘伤病问题。 这144名参与研究的投手中，有76名在过去一年间有肩膀、手肘的伤势， 投手们接受问卷调查，内容涵盖身体条件、手臂用量、伤病史、休季时的训练等等 试图透过统计手段寻找可能造成运动伤害的潜在因素。 毫不意外的，过往的出赛量和伤病史，被发现与伤势有显着的正相关。 不过和它们同时并列的，还有一项性质非常不同的特徵，那就是 "会投滑球" 21世纪以来，由於投手肩膀和手肘伤势的高发， 许多学者们投入对投球机制的研究。 不少研究者们仔细整理过往投手们留下的数据， 试图从其中找出伤病的蛛丝马迹。 本文开头提到的论文也是其中之一，通过统计手段， 研究者们成功发现了某些球种(EX:滑球)和选手的伤病确实存在机率上的联系。 然而统计结果的水面下，没有人知道两者之间是否存在明确的因果关系 毕竟滑球是强势球种，会投很多滑球的投手也很有可能是球队倚重的投手， 说不定只是被操坏的投手们也更倾向於投滑球而已呢? 另外一边，通过穿戴式设备和动作捕捉技术， 学者们确实发现了各球种对手臂造成的负担并不相同。 典型的就是速球，学界很早就发现了投速球时，手肘和肩膀受到了极大的力和力矩， 但这是否意味着速球就一定更伤手呢? 也不一定，毕竟人天生就会丢速球，搞不好人体更适合速球的机制呢? 况且长年以来，球界都不推荐一定年龄前的小孩投变化球， 这难道不是说明了经验上来说，变化球比速球更伤手吗? 要成功论证某一球种是否更为伤手，统计学和运动力学的合作不可避免。 一、大数据 自从Statcast系统在2015年上线， MLB透过PITCHf/x、Trackman、Hawk-eye等系统，累积了大量关於投手的比赛数据。 如此巨量的数据，依靠人力来分析是十足的大工程， 但近年来人工智慧在模型趋势预测上的大幅进步， 给予了现代的学者有效运用AI和大数据的技术可能性。 https://pmc.ncbi.nlm.nih.gov/articles/PMC11369970/ 这是一篇在2024年发表於运动医学骨科期刊， 由美国梅奥诊所、瑞典哥德堡大学、MLB明尼苏达双城队、挪威奥斯陆运动伤害研究中心 共同参与的研究。 透过MLB提供的Stats API，学者们获取了2017~2021年间的投手使用数据和伤病数据， 包含完整的背景资料、手臂用量、球种资料， 最终运用了3808投手-年的数据，其中有606投手-年由於肩膀或手肘伤势进到伤兵名单。 (注:要是一个投手投了其中三年，那就是1x3投手-年) 如此巨量的数据，就靠这几个学者显然是分析不完的。 研究中使用了XGBoost机器学习模型， 他们看上了XGBoost处理复杂资料结构和非线性资料关系的能力， 而且还能在学习中筛选掉对预测有负面影响的特徵， 这对於有太多可能的预测特徵的投手数据来说非常重要。 投手数据的因果要素错综复杂，一个数据在一个投手身上与伤病有显着的相关， 但当考虑到与其他要素的交互作用後，在另外一个投手身上却可能出现负相关。 为此他们导入基於赛局理论的SHAP数据来评估各个要素对於模型预测的效果和交互作用， 搭配机器学习，可以理清各种数据间的关系。 https://i.imgur.com/0GLVSba.png 越上方的要素，对於预测选手受伤越重要。 他们的结果非常出人意料。 首先，和三级棒球的选手不同， MLB投手的投球量、出赛量并不太能用来预测选手的受伤机率。 这可能是因为存在幸存者偏差，比方说不耐操的投手早就在小联盟中筛选掉绝大部分了， 即使侥幸升上了大联盟，在大联盟的出赛密度与比赛强度下也会早早的被操坏。 能在大联盟留下大量局数和出赛的投手，都是已经受过千锤百链的猛者 自然不一定容易受伤。 第二，最能够预测MLB投手的受伤的，就是球种数据。 https://i.imgur.com/x0Rl50M.png 越上方的要素对於模型预测越重要 越往右延伸的要素则对於预测选手受伤越有贡献，往左则是对预测选手不会受伤有贡献 模型中采计了FB(速球)、CB(曲球)、CH(变速球)、CT(卡特球)、SI(伸卡球)、SL(滑球)、 SP(叉指球/指叉球)等各式常见球种， 并录入他们的%(使用频率)、v(均速)、-X(水平位移)、-Z(垂直位移)， 乃至於旋转轴、转速、放球点等等。 经过模型分析，各球种的均速、滑球的使用率、速球的转速和速球的水平位移 都是最能有效预测选手肩膀、手肘受伤的要素。 有细心看图的读者可能会问，从上面的图来看，vCH(变速球均速)和vCB(曲球均速) 排行都非常高，为什麽呢?难道说它们很伤手吗? 其实不然，如果我们检视它们和速球均速之间的关系的话: https://i.imgur.com/hBgTouT.png 每个点都是一个投手的数据 从图B和图C我们可以发现，变速球、曲球均速与速球均速之间存在非常明显的正相关 速球均速越快的投手越容易受伤，而速球均速越快的投手，其他变化球也丢得快。 此外，以往的其他研究告诉我们，球速和转速总体上来说呈现正相关， 转速和位移总体上来说呈现正相关。 因此，各球种均速、速球的转速、速球的水平位移， 背後真正的关键因素，很有可能都是速球均速。 那麽滑球的使用量呢? https://i.imgur.com/tO2zCGA.png 滑球使用量和速球均速没有明显的正相关，但是有一点很影响模型预测: "滑球使用多的投手，速球一快，就会比滑球使用少的速球投手容易受伤" 换言之，滑球并不无辜。 值得注意的是，这篇研究有采计叉指球， 而根据统计，虽然整体而言大家的叉指球用量都不多， 但是叉指球的用量和受伤存在显着的负相关。 这可能有很多因素，比方说善用叉指球的投手，也许更不依赖速球与滑球来决胜负 但至少说明了，在MLB目前的样本中来看，并没有叉指球更伤手的证据。 ============================ 这篇文章我想要分两次写完， 不小心操作错误在半成品的情况下发出来了XD 本篇探讨统计上的部分，下一篇就会探讨运动力学上的根据了。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 118.232.102.81 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Baseball/M.1746073709.A.88E.html ※ 编辑: OneSeam (118.232.102.81 台湾), 05/01/2025 12:39:08 ※ 编辑: OneSeam (118.232.102.81 台湾), 05/01/2025 12:50:06