จากสายตาโค้ชสู่ทะเลแห่งข้อมูล
ศิริเชษฐ์ พูลทิพายานนท์
ภาควิชาวิทยาศาสตร์การกีฬา คณะพลศึกษา
มหาวิทยาลัยศรีนครินทรวิโรฒ
ในอดีตที่ผ่านมา การประเมินศักยภาพนักกีฬาเป็นศิลปะมากกว่าวิทยาศาสตร์ โค้ชอาศัยสายตา ประสบการณ์ และสัญชาตญาณที่สั่งสมมาตลอดชีวิต ในการตัดสินว่านักกีฬาคนใด “มีแวว” คนใดควรได้ลงแข่ง และคนใดควรพักฟื้น วิธีคิดเช่นนี้มีคุณค่าในตัวเอง แต่ก็มีข้อจำกัดที่ปฏิเสธไม่ได้ นั่นคือ มันยากต่อการตรวจสอบ ยากต่อการถ่ายทอด และยากต่อการขยายผลให้ครอบคลุมนักกีฬาจำนวนมากอย่างเป็นระบบ ซึ่งโค้ชส่วนใหญ่ยังนิยมใช้วิธีการแบบนี้อยู่เพราะมันง่ายต่อการทำงาน
แต่ในวันที่ ภูมิทัศน์ของวงการกีฬาเปลี่ยนไปอย่างสิ้นเชิง อุปกรณ์สวมใส่ (wearables) เซนเซอร์ชีวภาพ และอัลกอริทึมที่ซับซ้อน ได้เข้ามาเปลี่ยนแปลงการประเมินผลที่เคยเป็นเรื่องอัตวิสัย ให้กลายเป็นศาสตร์เชิงทำนายที่ผสานสรีรวิทยา ชีวกลศาสตร์ และจิตวิทยาเข้าด้วยกัน [1] บทความนี้ผมตั้งใจวางกรอบความเข้าใจเรื่อง (Deep) Data-Driven Athlete Profiling หรือ การสร้างโปรไฟล์นักกีฬาด้วยข้อมูล โดยจะอธิบายตั้งแต่หลักการพื้นฐาน วิธีการเชิงเทคนิค ไปจนถึงการประยุกต์ใช้จริงในบริบทกีฬาไทย พร้อมทั้งเชื่อมโยงกับงานวิจัยร่วมสมัยที่ผมเห็นว่าน่าจะเป็นแนวทางให้กับนักวิทยาศาสตร์การกีฬาและผู้กำหนดนโยบายในบ้านเรา ได้เข้าใจการพัฒนานักกีฬาเพื่อความเป็นเลิศ ให้ประสบความสำเร็จ เหมือนดั่งที่นานาอารยประเทศ เขาดำเนินการอยู่ในปัจจุบัน ซึ่งผู้เขียนก็พอมีประสบการณ์ในการทำงานร่วมกับประเทศชั้นนำ เหล่านั้น มาวันนี้ จึงอยากจะเขียนเพื่อเล่าสู่กันฟัง
ก่อนอื่น เราต้องเข้าใจกันนก่อนนะครับ ว่า ในมุมมองของผม Data-Driven Athlete Profiling ไม่ใช่การแทนที่โค้ช แต่เป็นการ “ขยายสายตา” ของโค้ชให้มองเห็นในสิ่งที่ตาเปล่ามองไม่เห็น และทำให้ดุลยพินิจที่เคยอยู่ในหัวของคนเพียงคนเดียว กลายเป็นความรู้ที่ตรวจสอบได้และส่งต่อได้ เพราะโค้ชไทยส่วนใหญ่ชอบคิดว่า การมาของระบบจะเข้ามาแทนที่ หรือ ตรวจสอบการทำงานของพวกเขา เมื่อความคิดนี้เกิดขึ้น การต่อต้านในการทำงาน หรือการเข้ามาของระบบ จึงทำให้เป็นเรื่องยากที่เราจะพยายามนำระบบไปใช้กับชนิดกีฬาต่างๆ
โปรไฟล์นักกีฬาคืออะไร และทำไมต้อง “หลายมิติ หลายโมเดล”
Athlete Profiling คือกระบวนการรวบรวม วัด และสังเคราะห์ข้อมูลหลากมิติเกี่ยวกับนักกีฬาคนหนึ่ง เพื่อสร้างภาพแทน (representation) ที่อธิบายสถานะปัจจุบัน คาดการณ์แนวโน้มในอนาคต และชี้นำการตัดสินใจในการฝึกซ้อมและการแข่งขัน คำว่า “Data-Driven” เน้นย้ำว่าภาพแทนนี้ต้องตั้งอยู่บนข้อมูลเชิงประจักษ์ ไม่ใช่ความรู้สึกเพียงอย่างเดียว
หัวใจสำคัญที่ผมอยากเน้นคือคำว่า “หลายมิติ” (multidimensional) หลายโมเดล Multimodal สมรรถนะของนักกีฬาไม่ได้เกิดจากปัจจัยเดี่ยว แต่เป็นผลลัพธ์ที่ปรากฏขึ้น (emergent property) จากปฏิสัมพันธ์อันซับซ้อนระหว่างระบบต่าง ๆ ในร่างกายและจิตใจ รวมทั้งทักษะ การมองนักกีฬา มิติเดียว เช่น ดูแต่ค่า VO₂max หรือดูแต่สถิติการแข่งขัน จึงเป็นการลดทอนความจริงที่ซับซ้อนให้แบนราบเกินไป
เขตของสมรรถนะ
ในงานวิจัยร่วมสมัยเสนอกรอบที่ผมเห็นว่าทรงพลังมาก นั่นคือการแบ่งปัจจัยกำหนดสมรรถนะออกเป็นสี่ขอบเขต (domains) ที่เชื่อมโยงกัน [1] ซึ่งผมขอเรียบเรียงและขยายความในบริบทที่เราใช้งานได้จริง แต่จริงๆแล้ว การกำหนดขอบเขตนี่มีมานานแล้วนะ ถ้าหากใครเรียนพลศึกษา มาจะพบว่าในพลศึกษาเรากำหนดไว้เป็น 4 โดเมนหลักๆคือ ทักษะพิสัย Psychomotor พุทธพิสัย Cognitive Domain , จิตพิสัย Affective Domain เพราะครูของเราในอดีตเชื่อว่า ต้องมีถึงพร้อมทั้งสามอย่างจึงจะประสบความสำเร็จในกีฬา แต่ในปัจจุบันนี้ เวลาเราทำวิจัย เรามักจะแยกกันศึกษาในคนละด้านกัน จนทำให้เราลืมนึกไปว่าทั้งสามโดเมนนี้ ทำงานประสานกันเพื่อให้ออกมาเป็นความสามารถ Performance นั้นเอง ทีนี้กลับมาเรื่องของงานวิจัยเราบ้าง
(1) ขอบเขตสรีรวิทยา (Physiological Domain) ครอบคลุมกระบวนการของระบบต่าง ๆ เช่น ประสิทธิภาพหัวใจและหลอดเลือด เมแทบอลิซึม และพลวัตการฟื้นตัว
(2) ขอบเขตชีวกลศาสตร์ (Biomechanical Domain) คือรูปแบบการเคลื่อนไหวพื้นฐานและความสามารถทางกายภาพที่ส่งผลต่อการแสดงออกของทักษะ การประเมินคุณภาพการเคลื่อนไหวด้วย Functional Movement Screen (FMS) ความเร่งสูงสุด พลังระเบิด และความคล่องตัว ล้วนอยู่ในอาณาเขตนี้
(3) ขอบเขตจิตวิทยา (Psychological Domain) เป็นปัจจัยทางจิตที่กำหนดว่านักกีฬาจะดึงศักยภาพทางกายออกมาใช้ได้มากเพียงใดภายใต้แรงกดดัน ประกอบด้วยโครงสร้างสำคัญอย่างความแกร่งทางจิตใจ (mental toughness) ความผูกพันต่อกีฬา (athlete engagement) ความหลงใหล (passion) ความเหนียวแน่นของกลุ่ม (group cohesion) และความยืดหยุ่นทางจิตใจ (resilience)
(4) บริบท (Contextual Domain) คือปัจจัยแวดล้อมและสถานการณ์ เช่น ระดับการแข่งขัน ประเภทกีฬาเดี่ยวหรือทีม ลักษณะสภาพแวดล้อมการฝึก และช่วงฤดูกาลของแผนการฝึก ปัจจัยเหล่านี้ทำหน้าที่เป็นตัวกำกับ (moderator) ที่ส่งผลต่อการแสดงออกของทั้งความสามารถทางกายและทางจิต
ความงดงามของกรอบนี้อยู่ที่การยอมรับว่าทั้งสี่อาณาเขตไม่ได้ทำงานแยกส่วน แต่ ทำงานประสาน กันตลอดเวลา และนี่คือจุดที่วิธีการใช้ข้อมูลแสดงพลังอย่างแท้จริง
หลักฐานเชิงประจักษ์ว่าทำไม “การบูรณาการ” จึงสำคัญ
ผมขอยกตัวเลขจากงานวิจัย เพื่อให้เห็นว่าข้อเสนอข้างต้นไม่ใช่เพียงทฤษฎีลอย ๆ ในการศึกษากับนักกีฬา 480 คน จากหลายชนิดกีฬา แบบจำลองลูกผสม (hybrid model) ที่บูรณาการทั้งสี่อาณาเขตสามารถทำนายผลสมรรถนะได้แม่นยำถึงระดับ R² = 0.90 ในขณะที่วิธีดั้งเดิมเชิงสถิติทำได้เพียง R² = 0.77 [1] ส่วนต่างนี้ไม่ใช่เรื่องเล็ก มันคือหลักฐานเชิงปริมาณว่าการมองภาพรวมแบบบูรณาการให้ผลดีกว่าการมองทีละมิติอย่างมีนัยสำคัญ
ที่น่าสนใจยิ่งกว่าคือการวิเคราะห์ความสำคัญของตัวแปร (feature importance) ซึ่งพบว่าตัวทำนายสมรรถนะที่ทรงพลังที่สุดสามอันดับแรกมาจากคนละอาณาเขตกัน ได้แก่ คะแนน FMS (13.7%) จากชีวกลศาสตร์ ความทุ่มเทของนักกีฬา (11.5%) จากจิตวิทยา และความสามารถในการเร่งความเร็วสูงสุด (10.2%) จากสรีรวิทยา [1] ข้อค้นพบนี้ตอกย้ำว่า การประเมินศักยภาพนักกีฬาเชิงลึกจำเป็นต้องอาศัยมุมมองหลายมิติอย่างหลีกเลี่ยงไม่ได้
นอกจากนี้ยังพบปฏิสัมพันธ์ข้ามอาณาเขตที่น่าทึ่ง เช่น ความแกร่งทางจิตใจมีปฏิสัมพันธ์กับอัตราการฟื้นตัวอย่างมีนัยสำคัญ บ่งชี้ว่านักกีฬาที่มีจิตใจแกร่งกว่าจะได้ประโยชน์จากการฟื้นตัวทางสรีรวิทยาในระดับเดียวกันมากกว่า [1] กล่าวอีกนัยหนึ่ง สภาวะทางจิตใจ “กำกับ” การปรับตัวทางสรีรวิทยาได้ ซึ่งเป็นมุมมองที่ทลายกำแพงเทียมระหว่างการฝึก “กาย” กับการฝึก “จิต” ที่เราเคยแยกขาดจากกัน ผมยังนึกถึงการที่นักจิตวิทยาของประเทศหลายท่านพยายามอธิบายเกี่ยวกับว่าทำไมถึงต้องมีการฝึกจิตใจ วันนี้ ผมคิดว่า สิ่งที่พวกอาจารย์ผมทั้งหลายพยายามอธิบายอยู่นั้น ได้รับการยืนยันแล้วจากงานวิจัย ที่ข้อมูลเป็นตัวกำหนดทิศทาง ไม่ใช่การอนุมานทางสถิติ
สถาปัตยกรรมของการสร้างโปรไฟล์
เมื่อเข้าใจหลักการแล้ว คำถามต่อมาคือ “แล้วเราสร้างโปรไฟล์เหล่านี้ขึ้นมาอย่างไร” ในส่วนนี้ผมจะอธิบายขั้นตอนการทำงานที่เป็นแกนกลาง โดยพยายามรักษาสมดุลระหว่างความลึกทางเทคนิคกับความเข้าใจได้ของผู้อ่านในวงกว้าง
การได้มาซึ่งข้อมูล (Data Acquisition)
ทุกอย่างเริ่มต้นที่ข้อมูลดิบที่มีคุณภาพ ในทางปฏิบัติ การเก็บข้อมูลควรมีโปรโตคอลที่เป็นมาตรฐานและควบคุมตัวแปรกวน ตัวอย่างเช่น การประเมินทางจิตวิทยาควรทำก่อนการทดสอบทางกาย เพื่อป้องกันไม่ให้ความเหนื่อยล้าส่งผลต่อการตอบแบบสอบถาม และการทดสอบทางสรีรวิทยากับชีวกลศาสตร์ควรเว้นระยะพักให้เพียงพอระหว่างเซสชัน [1]
แหล่งข้อมูลหลักที่เราใช้ได้ในปัจจุบัน ได้แก่ เครื่องวัดอัตราการเต้นหัวใจ เครื่องวิเคราะห์เมแทบอลิซึม Gas Analyzer แผ่นวัดแรง (force plates) ระบบจับการเคลื่อนไหวสามมิติ และแบบประเมินทางจิตวิทยาที่ผ่านการตรวจสอบความตรงเชิงโครงสร้างแล้ว สิ่งที่ผมอยากเน้นคือ อุปกรณ์สวมใส่ระดับผู้บริโภค (consumer-grade wearables) ในวันนี้มีความแม่นยำเพียงพอที่จะใช้ในงานวิจัยและการติดตามภาคสนามได้จริง ดังจะเห็นได้จากการศึกษาในประเทศไทยที่ใช้นาฬิกา GPS เก็บข้อมูลก้าวเดิน อัตราการเต้นหัวใจ และการเผาผลาญพลังงาน เพื่อนำมาวิเคราะห์รูปแบบกิจกรรมทางกาย [3] สำหรับพระสงฆ์
การประมวลผลเบื้องต้นและวิศวกรรมคุณลักษณะ (Preprocessing & Feature Engineering)
ก่อนอื่นเราต้องทราบก่อนว่า ข้อมูลดิบไม่เคยพร้อมใช้งานทันที สัญญาณจากเซนเซอร์ต้องผ่านการกรองสัญญาณรบกวน การกำจัดสิ่งแปลกปลอม (artifact removal) และการแบ่งช่วงเวลา ส่วนข้อมูลจากแบบสอบถามต้องผ่านการตรวจสอบความเชื่อมั่น (เช่น ค่า Cronbach’s alpha) และการจัดการค่าสูญหาย [1] ซึ่งเป็นกระบวนการที่จะทำให้เกิดความเชื่อมั่น ความเป็นปรนัย และความเที่ยงตรง ซึ่งเป็นสารตั้งต้นที่สำคัญในการวัดข้อมูล หรือการนำข้อมูลเข้าสู่ระบบ
ขั้นตอนที่สำคัญแต่มักถูกมองข้ามคือ วิศวกรรมคุณลักษณะ ซึ่งคือการแปลงข้อมูลดิบให้กลายเป็นตัวทำนายที่มีความหมาย หัวใจของขั้นตอนนี้อยู่ที่การสร้าง เทอมปฏิสัมพันธ์ (interaction terms) เช่น การคูณคะแนน FMS กับความแกร่งทางจิตใจ เพื่อจับผลของตัวกำกับที่ตัวแปรเดี่ยว ๆ มองไม่เห็น [1] นี่คือจุดที่ความรู้เชิงทฤษฎีทางวิทยาศาสตร์การกีฬาเข้ามามีบทบาท เพราะเราต้องรู้ว่าตัวแปรคู่ใด “ควร” มีปฏิสัมพันธ์กันในเชิงทฤษฎี ก่อนจะให้อัลกอริทึมยืนยัน เหมือนการชี้เป้าให้ระบบเชื่อมโยงกันได้โดยมีทฤษฎีในการรองรับ
ตระกูลของแบบจำลอง
ในเชิงวิธีการ ผมขอจัดกลุ่มแนวทางการสร้างโปรไฟล์ออกเป็นสามตระกูลใหญ่ได้ดังนี้
แบบจำลองเชิงทำนายแบบบูรณาการ (Integrative Predictive Models) เป็นการใช้แมชชีนเลิร์นนิงผสานข้อมูลหลายมิติเพื่อทำนายผลลัพธ์ สถาปัตยกรรมที่ได้ผลดีมักเป็นแบบลูกผสม เช่น การใช้ gradient boosting (XGBoost) จัดการตัวแปรทางกายภาพที่มีโครงสร้างชัดเจน ควบคู่กับโครงข่ายประสาทเทียม (neural network) จัดการตัวแปรทางจิตวิทยาที่ซับซ้อน แล้วใช้ชั้นบูรณาการแบบ ensemble หลอมรวมการทำนายเข้าด้วยกัน [1] สิ่งที่ทำให้แนวทางนี้ทรงพลังคือการที่แต่ละโมดูลชดเชยจุดอ่อนและเสริมจุดแข็งของกันและกัน
(ข) แบบจำลองการจัดกลุ่มแบบไม่กำกับ (Unsupervised Clustering) บางครั้งเราไม่ได้ต้องการทำนายค่าใดค่าหนึ่ง แต่ต้องการ “ค้นพบ” รูปแบบที่ซ่อนอยู่ในประชากรนักกีฬา เทคนิคอย่าง K-means clustering ช่วยแบ่งนักกีฬาออกเป็นกลุ่มที่มีลักษณะคล้ายกันภายในกลุ่มและต่างกันระหว่างกลุ่ม โดยอาศัยระยะทางแบบยุคลิด (Euclidean distance) ในการวัดความคล้าย และใช้วิธี Elbow ผ่านค่า Within-Cluster Sum of Squares (WCSS) ประกอบกับดัชนีตรวจสอบคุณภาพการจัดกลุ่ม เช่น Davies–Bouldin Index และ Dunn Index เพื่อยืนยันว่าจำนวนกลุ่มที่เลือกนั้นทั้งกระชับ (compact) และแยกจากกันชัด (well-separated) [2]
ในงานวิจัยของผมและคณะกับนักมวยสมัครเล่นไทย 30 คน เราใช้กรอบนี้จำแนกนักมวยตามตัวแปรชีวกลศาสตร์สี่ตัว ได้แก่ กำลังกล้ามเนื้อ (Muscle Power) เวลาปฏิกิริยา (Reaction Time) แรงปฏิกิริยาพื้นของขาหลัง (rear-leg GRF) และแรงหมัดครอสสูงสุด (Maximal Cross-Punch force) ผลการวิเคราะห์สนับสนุนการแบ่งออกเป็นสามกลุ่มที่แตกต่างกันอย่างชัดเจน โดยกลุ่ม Speed-Power (40%) มีกำลังกล้ามเนื้อสูง (7,700 ± 3,500 W) เวลาปฏิกิริยาสั้น (0.18 ± 0.03 วินาที) และแรงขาหลังมากกว่ากลุ่ม Moderate Power อย่างมีนัยสำคัญ (p ≤ 0.002; d = 1.35–2.45) [2] ที่น่าสนใจในเชิงวิธีวิทยาคือ แรงหมัดสูงสุด (MCP) กลับไม่แตกต่างกันอย่างมีนัยสำคัญระหว่างกลุ่ม ทั้งที่เป็นตัวแปรที่ดู “ตรงเป้า” ที่สุดของมวย ข้อค้นพบนี้สอนเราว่า ตัวเลขปลายทางที่ดูเด่นที่สุดอาจไม่ใช่ตัวที่จำแนกศักยภาพได้ดีที่สุด สิ่งที่แยกนักมวยออกจากกันจริง ๆ คือกระบวนการสร้างและส่งผ่านแรงที่อยู่เบื้องหลัง ซึ่งจะมองไม่เห็นเลยหากเราดูแต่ผลลัพธ์สุดท้าย
ตรรกะเดียวกันนี้ยังประยุกต์ใช้กับการส่งเสริมสุขภาพประชากรกลุ่มอื่นได้ ดังการศึกษาในประเทศไทยที่ใช้ K-means จัดกลุ่มกิจกรรมทางกายของพระสงฆ์จากข้อมูลก้าวเดิน อัตราการเต้นหัวใจ และการเผาผลาญพลังงานที่เก็บด้วยอุปกรณ์สวมใส่ แล้วระบุว่ากลุ่มกิจกรรมต่ำคือเป้าหมายลำดับแรกทึ่ควรจะให้ความสำคัญกับการให้โปรแกรม [3]
(ค) แบบจำลองเชิงพลวัตและการลดมิติ (Dynamical & Dimensionality-Reduction Tools) นอกจากการจัดกลุ่มและการทำนาย เรายังมีเครื่องมือเสริมที่ช่วยให้เข้าใจข้อมูลหลายมิติได้ลึกขึ้น เช่น การวิเคราะห์องค์ประกอบหลัก (Principal Component Analysis, PCA) ที่ฉายข้อมูลมิติสูงลงสู่ระนาบสองมิติเพื่อให้เห็นภาพการแยกกลุ่มอย่างชัดเจน ในงานนักมวยข้างต้น องค์ประกอบหลักสองตัวแรกอธิบายความแปรปรวนได้ถึง 74.5% ซึ่งเพียงพอจะยืนยันด้วยสายตาว่าสามกลุ่มแยกจากกันจริง [2] เครื่องมือเหล่านี้ไม่ได้แทนที่การวิเคราะห์เชิงสถิติ แต่ทำให้ผลลัพธ์ “สื่อสารได้” กับโค้ชและผู้บริหารที่ไม่ใช่นักสถิติ ซึ่งเป็นสะพานสำคัญระหว่างห้องวิจัยกับสนามซ้อม
ความสามารถในการตีความ (Interpretability) หัวใจที่ขาดไม่ได้
ในมุมมองของผม แบบจำลองที่แม่นยำแต่ตีความไม่ได้ มีค่าจำกัดในทางปฏิบัติ เพราะโค้ชต้องการรู้ไม่ใช่แค่ “ตัวแปรใดสำคัญ” แต่ต้องรู้ว่า “ตัวแปรนั้นส่งผลอย่างไร และมีปฏิสัมพันธ์กับตัวแปรอื่นอย่างไร” เครื่องมืออย่างค่า SHAP (SHapley Additive exPlanations) ช่วยอธิบายว่าแต่ละตัวแปรมีส่วนสนับสนุนต่อการทำนายของนักกีฬารายบุคคลอย่างไร ส่วน partial dependence plots ช่วยให้เห็นความสัมพันธ์ระหว่างตัวแปรกับสมรรถนะขณะควบคุมตัวแปรอื่น [1]
ความเข้าใจเช่นนี้นำไปสู่ข้อค้นพบที่ลึกซึ้ง เช่น คะแนน FMS มีผลแบบมีเพดาน (threshold effect) โดยให้ผลตอบแทนลดลงเมื่อเกิน 18 จาก 21 คะแนน ขณะที่ความแกร่งทางจิตใจมีความสัมพันธ์เชิงบวกแบบเส้นตรงตลอดช่วง [1] ความรู้ระดับนี้แปลงเป็นคำแนะนำที่นำไปปฏิบัติได้จริง ซึ่งคือเป้าหมายสูงสุดของการสร้างโปรไฟล์
การประยุกต์ใช้: จากโปรไฟล์สู่การตัดสินใจ
ทฤษฎีและวิธีการจะไร้ความหมายหากไม่ถูกแปรเปลี่ยนไปเป็นการกระทำ ในส่วนนี้ผมขอเสนอแนวทางการประยุกต์ใช้ที่ผมเห็นว่ามีศักยภาพสูงสำหรับวงการกีฬาไทย
การออกแบบการฝึกแบบจำเพาะกลุ่ม (Cluster-Specific Training)
เมื่อเราจัดกลุ่มนักกีฬาได้แล้ว เราสามารถออกแบบมาตรการที่ตรงกับโปรไฟล์ของแต่ละกลุ่ม งานวิจัยพบว่านักกีฬาสามารถแบ่งออกเป็นกลุ่มที่แตกต่างกันชัดเจน เช่น กลุ่มที่โดดเด่นทางกาย (Physically Dominant) แต่มีคะแนนจิตวิทยาปานกลาง กับกลุ่มที่แกร่งทางจิตใจ (Mentally Resilient) แต่มีความสามารถทางกายปานกลาง [1] นักกีฬาที่โดดเด่นทางกายควรได้รับการเสริมด้วยการขัดเกลาทักษะเชิงเทคนิค ขณะที่นักกีฬาที่แกร่งทางจิตใจควรได้รับการพัฒนาความสามารถทางกายเพิ่มเติม การจัดสรรทรัพยากรการฝึกตามโปรไฟล์เช่นนี้ ช่วยให้เราใช้เวลาและงบประมาณได้คุ้มค่าที่สุด ในข้อจำกัดทางงบประมาณที่ประเทศกำลังประสบอยู่ ดังน้นการจำแนก Cluster Specfiic Training จึงเป็นเครื่องมือที่มีประสิทธิภาพอันนึง นอกจาก Individual Training ซึ่งสอดคล้องกับเรื่องของ ความสนุกสาน และทีมเวิร์ค ในการฝึก สำหรับนักกีฬาประเภทบุคคลและประเภททีม
ในบริบทกีฬาต่อสู้ที่ผมทำงานอยู่ใกล้ชิด หลักการนี้เป็นรูปธรรมมาก จากงานนักมวยสมัครเล่นของเรา นักมวยกลุ่ม Speed-Power ที่มีกำลังและความเร็วปฏิกิริยาโดดเด่นอยู่แล้ว ควรได้รับโปรแกรมที่เน้นรักษาความได้เปรียบและขัดเกลาเทคนิค ขณะที่นักมวยกลุ่ม Moderate Power ซึ่งมีจุดอ่อนชัดเจนเรื่องกำลังกล้ามเนื้อและเวลาปฏิกิริยา ควรได้โปรแกรมพัฒนาพลังระเบิดและการตอบสนองทางประสาทกล้ามเนื้อเป็นลำดับแรก [2] นี่คือการแปลง “กลุ่ม” ที่ได้จากอัลกอริทึม ให้กลายเป็น “โปรแกรมการฝึกซ้อม” ที่แตกต่างกันตามความต้องการจริงของนักกีฬาแต่ละโปรไฟล์ ไม่ใช่การยัดเยียดโปรแกรมเดียวให้ทุกคน
หลักการเดียวกันนี้ประยุกต์ใช้ได้กับการส่งเสริมสุขภาพประชากรกลุ่มอื่นด้วย ดังการศึกษาที่จำแนกกลุ่มกิจกรรมทางกาย แล้วระบุว่ากลุ่มกิจกรรมต่ำคือเป้าหมายลำดับแรกของการแทรกแซง [3] ตรรกะ “จำแนกก่อน แล้วจึงออกแบบโปรแกรมเฉพาะ” นี้คือแก่นของ precision approach ที่ผมเชื่อว่าจะเป็นทิศทางหลักของวิทยาศาสตร์การกีฬาในทศวรรษหน้า ซึ่งปัจจุบันการออกแบบโปรแกรมสำหรับการฝึก หรือ การวิจัยนั้น มักจะใช้หลักการของ Assumption คือการคิดว่า ผลมาแบบนี้ จะต้องออกแบบโดยใช้ทฤษฎีแบบนี้แบบนั้น เป็นลักษณะของโปรแกรมรวม ดังนั้นแนวคิดการออกแบบโปรแกรมที่มีความแม่นยำที่ขับเคลื่อนด้วยข้อมูลจึงเป็นสิ่งที่เกิดขึ้นแล้วในประเทศชั้นนำ ทางด้านการกีฬา
การติดตามสถานะและการจัดการความเสี่ยง
หนึ่งในการประยุกต์ใช้ที่มีมูลค่าสูงคือการเปลี่ยนข้อมูลที่ไหลเข้ามาต่อเนื่องให้กลายเป็นสัญญาณเตือนล่วงหน้า เมื่อเรามีโปรไฟล์ฐาน (baseline) ของนักกีฬาแต่ละคนแล้ว การติดตามค่าทางสรีรวิทยาอย่าง HRV ภาระการฝึก และตัวชี้วัดการฟื้นตัว ช่วยให้เราเห็นได้ว่าเมื่อใดนักกีฬากำลังเดินเข้าสู่ภาวะฝึกเกินหรือเสี่ยงบาดเจ็บ สภาวะของการฝึกเกิน ก่อนที่ปัญหาจะปรากฏชัด หัวใจสำคัญคือการตีความค่าเหล่านี้เทียบกับฐานของ “ตัวเขาเอง” ไม่ใช่เทียบกับค่าเฉลี่ยกลางที่อาจไม่มีความหมายกับนักกีฬาคนนั้น สำหรับโค้ชไทยที่ยังพึ่งพาประสบการณ์เป็นหลัก เครื่องมือเช่นนี้คือการยกระดับการตัดสินใจให้มีฐานเชิงประจักษ์รองรับ โดยไม่ได้ลดทอนคุณค่าของประสบการณ์ แต่เสริมให้มันคมขึ้น สิ่งเหล่านี้สมัยก่อนผมเรียนรู้กับอาจารย์หลายท่าน และหลากหลายชนิดกีฬา แนวคิดของอาจารย์เขาดีมาก แต่ผมมองว่า ณ เวลานั้น ประเทศไทยยังคงไม่พร้อมสำหรับเรื่องเหล่านี้ แต่เรื่องเหล่านี้ก็มาเกิดขึ้นหลังจากที่อาจารย์กลุ่มนั้นพยายามพูดมาเมื่อเกือบ ยี่สิบปีที่แล้ว แต่ก็โดนต่อต้าน นั่นหมายความว่า ประเทศไทย วิ่งตามชาวบ้านเขาเกือบ 20 ปีนั่นเอง แต่โชคดีที่ขณะนั้นเราได้นำสิ่งเหล่านี้ ไปใช้ในการแข่งขันกีฬาโอลิมปิคเมื่อปี 2008 ตอนนั้น สิ่งที่ผมเขียนบทความนี้ถูกทำขึ้นใน Excel หรือ Spreadsheet นั่นเอง
การคัดเลือกและพัฒนานักกีฬาที่มีพรสวรรค์
โปรไฟล์หลายมิติเปลี่ยนวิธีที่เรามองหา “เพชรในตม” จากเดิมที่อาจตัดสินนักกีฬาจากผลงานเฉพาะหน้าหรือลักษณะทางกายเพียงอย่างเดียว เราสามารถมองเห็นนักกีฬาที่มีโปรไฟล์ทางจิตวิทยาโดดเด่นซึ่งอาจถูกมองข้าม การวิเคราะห์การเปลี่ยนผ่านระหว่างกลุ่มในระยะยาว (longitudinal transition) ยังพบว่านักกีฬากลุ่มกำลังพัฒนาจำนวนไม่น้อยสามารถยกระดับขึ้นสู่กลุ่มที่สูงกว่าได้ และการพัฒนาทางจิตวิทยาแบบเจาะจงเป็นปัจจัยสำคัญที่เอื้อให้เกิดการเปลี่ยนผ่านนั้น [1] นี่คือหลักฐานว่าศักยภาพไม่ใช่สิ่งตายตัว แต่เป็นเส้นทางที่ออกแบบได้
กับดักของ “Dashboard สวย ๆ” ข้อสังเกตที่ผมห่วงที่สุดสำหรับวงการกีฬาไทย
ผมขออนุญาตพูดอย่างตรงไปตรงมาในส่วนนี้ เพราะเป็นประเด็นที่ผมเห็นเกิดขึ้นซ้ำแล้วซ้ำเล่าในวงการกีฬาไทย และผมเชื่อว่ามันสำคัญกว่าเรื่องเทคนิคใด ๆ ที่กล่าวมาทั้งหมด
ในช่วงไม่กี่ปีที่ผ่านมา หลายหน่วยงานเริ่มตื่นตัวกับคำว่า “Data-Driven” และสิ่งที่ตามมาคือความต้องการ “Dashboard” หน้าจอแสดงผลสีเข้มสวยงาม มีกราฟเรดาร์ มีเข็มวัดแบบมิเตอร์ มีคะแนน “ความพร้อมคว้าเหรียญ” (Medal Readiness) กระพริบอยู่ตรงมุมจอ ภาพเหล่านี้ดูน่าประทับใจในห้องประชุม ดูทันสมัย และดูเหมือนว่าเราได้ก้าวเข้าสู่ยุคใหม่แล้ว แต่ผมอยากตั้งคำถามที่ไม่ค่อยมีใครถามในห้องประชุมเหล่านั้นว่า ตัวเลขบนหน้าจอเหล่านั้นมาจากไหน มันหมายความว่าอะไร และเราจะทำอะไรกับมัน?
ปัญหาที่ผมเห็นคือ ลำดับความคิดมักกลับหัวกลับหาง เราเริ่มต้นจาก “อยากได้ Dashboard แบบนี้” แล้วจึงค่อยไปหาข้อมูลมากรอกให้เต็มช่อง ทั้งที่ลำดับที่ถูกต้องควรเป็นตรงกันข้าม คือเราต้องเริ่มจากคำถามว่า “นักกีฬาและโค้ชต้องการการตัดสินใจอะไร” แล้วจึงถามว่า “ข้อมูลใดจะช่วยตอบคำถามนั้น” แล้วจึงค่อยออกแบบวิธีเก็บ วิธีวิเคราะห์ และสุดท้ายจึงเป็นวิธีแสดงผล Dashboard คือปลายทางที่อยู่ห่างที่สุด ไม่ใช่จุดเริ่มต้น
ลองพิจารณาโมเดลคะแนนห้ามิติ (physical, skill, cognitive, mental, recovery) ที่นิยมใช้กันในระบบติดตามนักกีฬาทีมชาติ บนหน้าจอ มันคือเข็มมิเตอร์ห้าอันที่ดูเข้าใจง่าย แต่คำถามที่แท้จริงคือ คะแนน “cognitive” 78 จาก 100 นั้นคำนวณมาอย่างไร ถ่วงน้ำหนักตัวแปรอะไรบ้าง เกณฑ์อ้างอิงคือใคร และที่สำคัญที่สุด ถ้าคะแนนตกจาก 78 เหลือ 71 โค้ชควรทำอะไรต่อ? หากเราตอบคำถามสุดท้ายนี้ไม่ได้ เข็มมิเตอร์นั้นก็เป็นเพียงเครื่องประดับ ไม่ใช่เครื่องมือ
บทเรียนจากงานวิจัยที่ผมยกมาทั้งสามชิ้นชี้ตรงกันไปยังจุดนี้ ในงานนักมวยของเรา สิ่งที่ทรงคุณค่าไม่ใช่ตัวเลขแรงหมัดที่ดูเด่น (ซึ่งกลับไม่แตกต่างระหว่างกลุ่ม) แต่เป็นการตีความว่ากระบวนการสร้างแรงเบื้องหลังต่างหากที่จำแนกนักกีฬา [2] ในงาน Khishe และคณะ สิ่งที่เปลี่ยนเกมไม่ใช่ความแม่นยำของตัวเลข แต่เป็นเครื่องมือตีความอย่าง SHAP ที่บอกโค้ชได้ว่า “ทำไม” และ “ควรปรับอะไร” [1] และในงานพระสงฆ์ คุณค่าไม่ได้อยู่ที่กราฟ แต่อยู่ที่การแปลงกลุ่มกิจกรรมต่ำให้กลายเป็นมาตรการเดินจงกรมที่ทำได้จริงในบริบทวัฒนธรรม [3] ทั้งสามกรณี คุณค่าอยู่ที่การตีความและการกระทำ ไม่ใช่ที่หน้าจอ
ผมไม่ได้ต่อต้าน Dashboard มันมีประโยชน์จริงในการสื่อสารและการติดตาม แต่ผมกังวลเมื่อมันกลายเป็นเป้าหมายในตัวเอง เมื่อองค์กรลงทุนมหาศาลกับการทำหน้าจอให้สวย แต่ไม่ลงทุนกับคำถามว่าข้อมูลมีคุณภาพหรือไม่ ใครจะเป็นคนตีความ และผลการตีความจะนำไปสู่การเปลี่ยนแปลงการฝึกจริงหรือไม่ สุดท้ายเราจะได้ของเล่นราคาแพงที่ไม่มีใครใช้ตัดสินใจ และนักกีฬาก็ยังคงถูกฝึกแบบเดิมเหมือนที่ไม่เคยมี Dashboard เลย
สิ่งที่ผมอยากเห็นคือการลงทุนที่กลับด้าน ลงทุนน้อยลงกับความสวยของหน้าจอ แต่ลงทุนมากขึ้นกับสามสิ่ง หนึ่งคือคุณภาพและความหมายของข้อมูลตั้งแต่ต้นทาง สองคือบุคลากรที่มีความสามารถในการตีความข้อมูลให้กลายเป็นคำแนะนำที่นักกีฬาใช้ได้ และสามคือวงจรป้อนกลับที่ทำให้การตีความนั้นเปลี่ยนการฝึกจริง แล้ววัดผลว่ามันได้ผลหรือไม่ Dashboard ที่ดีที่สุดอาจเป็นเพียงตารางเรียบ ๆ ที่โค้ชเข้าใจและใช้ทุกวัน ดีกว่าหน้าจอ ที่สวยในวันเปิดตัวแล้วถูกลืมในสัปดาห์ถัดมา
นอกเหนือจากกับดักเรื่อง Dashboard แล้ว การนำ Data-Driven Athlete Profiling มาใช้ในประเทศไทยยังมีข้อพิจารณาเชิงระบบอีกหลายประการ โอกาสคือต้นทุนของอุปกรณ์สวมใส่และซอฟต์แวร์โอเพนซอร์สที่เข้าถึงได้มากขึ้น ทำให้แนวทางนี้เป็นไปได้แม้ในสภาพแวดล้อมที่ทรัพยากรจำกัด [3] ส่วนความท้าทายคือเราต้องระวังไม่ให้ความหลงใหลในเทคโนโลยีบดบังความเข้าใจเชิงบริบท แบบจำลองที่พัฒนาในประชากรหนึ่งอาจไม่ถ่ายโอนตรง ๆ มายังนักกีฬาไทย เนื่องจากความแตกต่างทางวัฒนธรรม ระบบการฝึก และการตีความเครื่องมือทางจิตวิทยา [1] การปรับเทียบและตรวจสอบความตรงในบริบทท้องถิ่นจึงเป็นงานที่เราเลี่ยงไม่ได้ และนี่คือเหตุผลว่าทำไมงานวิจัยที่ทำกับนักกีฬาไทยโดยตรง เช่น การจัดกลุ่มนักมวยสมัครเล่นไทย จึงมีคุณค่ามากกว่าการนำเข้าโมเดลสำเร็จรูปจากต่างประเทศ [2]
Data-Driven Athlete Profiling คือการเปลี่ยนกระบวนทัศน์จากการมองสมรรถนะแบบเชิงเส้น วิเคราะห์ความถดถอย สู่การมองแบบบูรณาการที่ยอมรับความซับซ้อนของความเป็นมนุษย์ หลักฐานเชิงประจักษ์ชี้ชัดว่าการผสานสรีรวิทยา ชีวกลศาสตร์ จิตวิทยา และบริบทเข้าด้วยกัน ให้พลังในการทำนายและพัฒนาที่เหนือกว่าการมองทีละมิติอย่างมีนัยสำคัญ [1] ขณะที่การจัดกลุ่มแบบไม่กำกับและการลดมิติข้อมูลช่วยเติมเต็มภาพให้สมบูรณ์ ทั้งในมิติของ “นักกีฬาแต่ละคนเป็นใคร” และ “จุดแข็งจุดอ่อนที่แท้จริงอยู่ตรงไหน” ดังที่เห็นได้จากงานจัดกลุ่มนักมวยสมัครเล่นไทยและงานติดตามสุขภาพประชากรด้วยอุปกรณ์สวมใส่ [2,3]
แต่สิ่งที่ผมอยากฝากไว้ คือ ข้อมูลและอัลกอริทึมเป็นเพียงเครื่องมือ มันไม่ได้มาแทนที่ดุลยพินิจของโค้ชหรือความเป็นมนุษย์ของนักกีฬา หากแต่มาเสริมให้การตัดสินใจของเราโปร่งใส ตรวจสอบได้ และยุติธรรมยิ่งขึ้น และโดยเฉพาะอย่างยิ่งสำหรับวงการกีฬาไทย ผมอยากย้ำว่าคุณค่าที่แท้จริงของ Data-Driven Athlete Profiling ไม่ได้อยู่ที่ Dashboard ที่สวยงาม แต่อยู่ที่คำถามว่าเราเข้าใจหรือไม่ว่านักกีฬาต้องการอะไร และเราจะตีความข้อมูลให้กลายเป็นคุณประโยชน์ที่จับต้องได้อย่างไร หน้าจอสวยงามแต่ไม่นำไปสู่การตัดสินใจที่ดีขึ้น ก็เป็นเพียงภาพลวงตาของความก้าวหน้าเท่านั้น
เป้าหมายสูงสุดไม่ใช่การสร้างนักกีฬาที่ถูกควบคุมด้วยตัวเลข และไม่ใช่การสร้างหน้าจอไว้อวดกันในห้องประชุม แต่คือการปลดปล่อยศักยภาพที่แท้จริงของนักกีฬาออกมา โดยอาศัยกระจกที่ชื่อว่า “ข้อมูล” ส่องให้เห็นสิ่งที่สายตาเปล่ามองไม่เห็น และให้ปัญญาของมนุษย์เป็นผู้ตัดสินใจในขั้นสุดท้ายเสมอ
นี่คือทิศทางที่ผมเชื่อว่าวิทยาศาสตร์การกีฬาไทยควรเดินไป ด้วยความกล้าที่จะโอบรับเทคโนโลยี ควบคู่กับความรอบคอบที่จะไม่ลืมว่าใจกลางของวงการนี้คือคน ไม่ใช่ข้อมูล
เอกสารอ้างอิง
- Jianjun Q, Isleem HF, Almoghayer WJK, Khishe M. Predictive athlete performance modeling with machine learning and biometric data integration. Sci Rep. 2025;15:16365. doi:10.1038/s41598-025-01438-9. Available from: https://www.nature.com/articles/s41598-025-01438-9
- Punthipayanon S, Chottidao M, Manilam S, Thongtha K, Pochai N, Pariyavuth P. A biomathematical clustering framework for classifying neuromechanical performance profiles in amateur boxers. Lett Biomath. 2026;13(2):152-163. Available from: https://lettersinbiomath.org/manuscript/index.php/lib/article/view/594
- Pochai N, Klabchom K, Siriussawakul A, Pariyavuth P, Panurushthanon P, Al-Umaree P, Chottidao M, Punthipayanon S. Precision health through wearable technology: K-means clustering for culturally adapted NCD prevention. Sci Cult. 2025;11(4):100-111. doi:10.5281/zenodo.11042509. Available from: https://sci-cult.net/index.php/cult/article/view/1421
