Optimizing Critical Decision-Making in Elite Sports Organizations: A Human-AI Hybrid Framework for Dynamic Environments

Document Type : Research

Author

Faculty of Psychology and Educational Sciences, Payam Noor University, Tehran, Iran

10.30473/arsm.2025.74332.3960

Abstract

تصمیم‌گیری در شرایط بحرانی و پرفشار، یکی از چالش‌برانگیزترین جنبه‌های مدیریت در سازمان‌های ورزشی نخبه محسوب می‌شود (جدو ، 2024). در چنین محیط‌هایی که با تغییرات سریع، فشار زمانی و پیامدهای فوری همراه‌اند، مدیران و مربیان باید بتوانند میان تحلیل داده‌های پیچیده و شهود شخصی تعادل برقرار کنند (بانسال و همکاران، 2025). این نیاز به ترکیبی از توانمندی‌های شناختی انسانی و الگوریتم‌های یادگیری ماشینی باعث شده تا توجه پژوهشگران به استفاده از سیستم‌های تصمیم‌یار هوشمند معطوف شود (فنگ ، 2023). با این حال، استفاده صرف از سیستم‌های مبتنی بر هوش مصنوعی، بدون در نظر گرفتن عوامل انسانی، در شرایط واقعی رقابت‌های ورزشی با کاستی‌هایی مواجه است (هنریکسون و فان اونن ، 2024).

در همین راستا، پژوهشگران داخلی نیز به این موضوع توجه کرده‌اند. به‌عنوان نمونه، شیخ یوسفی، عزیزیان کهن، محرم‌زاده و نقی‌زاده باقی (1403) با طراحی مدلی داده‌بنیاد برای کاربست فناوری‌های نوین در ورزش همگانی، نشان دادند که میزان موفقیت این ابزارها وابسته به انطباق آن‌ها با محیط فرهنگی و مهارتی سازمان‌هاست. دهکردیان‌نژاد، نوبخت رمضانی و محمدیان (1403) در الگویی مفهومی برای توانمندسازی مدیران زن در ورزش، تأکید دارند که تصمیم‌گیری مؤثر در شرایط پیچیده نیازمند توسعه همزمان ظرفیت‌های انسانی و فناورانه است. پژوهش ابوالحسینی و هنری (1403) نیز در شناسایی سناریوهای توسعه فوتسال ایران، به‌وضوح نقش تصمیم‌گیری آینده‌نگر و تلفیق داده‌محوری و قضاوت مدیریتی را برجسته ساخته‌اند.

در ادبیات جهانی نیز پژوهش‌هایی انجام شده که اهمیت داده‌محوری در تصمیم‌سازی ورزشی را نشان می‌دهند. یافته‌های شافیک (2025) حاکی از آن است که تحلیل داده‌های بیومتریک مانند حرکات چشمی می‌تواند به پیش‌بینی دقت تصمیم‌گیری کمک کند. لائو و همکاران (2023) نیز با ترکیب الگوریتم‌های یادگیری ماشین با مدل‌های تصمیم‌گیری چندمعیاره، به بهبود انتخاب بازیکنان و تعیین استراتژی‌های بازی دست یافته‌اند. یو و همکاران (2024) نیز با استفاده از داده‌کاوی، عملکرد مربیان را با دقتی بالا مدل‌سازی کرده‌اند.

با این حال، چالش‌های بسیاری همچنان باقی است. بسیاری از سیستم‌های تصمیم‌یار موجود هنوز قادر به تفسیر عوامل انسانی مانند استرس، تجربه یا خستگی ذهنی نیستند. از سوی دیگر، نبود چارچوب‌های مفهومی جامع که تعامل بین انسان و ماشین را مدل کند، باعث شده تا بیشتر تصمیم‌ها به‌صورت جزیره‌ای و موردی اتخاذ شود. این خلأ پژوهشی در شرایطی است که فشارهای محیطی و انتظارات عمومی از مدیران ورزشی روزبه‌روز در حال افزایش است. در چنین وضعیتی، توسعه یک چارچوب ترکیبی که همزمان بتواند توانایی‌های انسانی و قدرت تحلیلی ماشین را درک و هماهنگ کند، یک ضرورت استراتژیک محسوب می‌شود.

این پژوهش با هدف پر کردن همین خلأ طراحی شده است. چارچوب پیشنهادی پژوهش حاضر مبتنی بر تحلیل داده‌های بیومتریک (ردیابی چشمی و واکنش‌های فیزیولوژیکی) و بهره‌گیری از الگوریتم‌های یادگیری عمیق، قصد دارد فرآیند تصمیم‌گیری را در محیط‌های پویا و بحرانی ورزشی مدل‌سازی کند. این چارچوب می‌تواند به‌عنوان مبنایی برای طراحی سیستم‌های آموزش مربیگری هوشمند، ابزارهای پشتیبان در مسابقات و حتی در سایر حوزه‌های پرریسک مانند نظامی، پزشکی یا هوافضا مورد استفاده قرار گیرد.

بدین ترتیب، پژوهش حاضر می‌کوشد با رویکردی میان‌رشته‌ای و مبتنی بر شواهد، درک بهتری از الگوهای تصمیم‌گیری در ورزش حرفه‌ای ارائه دهد و الگویی کاربردی برای تلفیق قضاوت انسانی و هوش مصنوعی فراهم آورد.

ساختار مقاله به این ترتیب است: پس از مقدمه، روش‌شناسی پژوهش اختصاص دارد. در بخش سوم روش‌شناسی تحقیق تشریح می‌شود. بخش چهارم یافته‌ها را ارائه می‌دهد و بخش پنجم به بحث و نتیجه‌گیری می‌پردازد. در نهایت، کاربردهای عملی و پیشنهادهایی برای تحقیقات آتی ارائه خواهد شد.

روش‌شناسی پژوهش

این پژوهش با هدف توسعه یک چارچوب ترکیبی هوش مصنوعی-انسان برای بهینه‌سازی تصمیم‌گیری در محیط‌های پویای ورزشی، از یک روش‌شناسی جامع و چندبعدی بهره برده است. رویکرد انتخابی، تلفیقی نظام‌مند از روش‌های کیفی و کمی است که امکان بررسی عمیق و همه‌جانبه پدیده مورد مطالعه را فراهم می‌آورد. در طراحی روش‌شناسی این پژوهش، توجه ویژه‌ای به ایجاد تعادل بین عمق تحلیل‌های کیفی و دقت اندازه‌گیری‌های کمی شده است تا از این طریق بتوان به درک کاملی از پیچیدگی‌های فرآیند تصمیم‌گیری در شرایط بحرانی دست یافت.

جامعه آماری این پژوهش شامل 120 نفر از مربیان، مدیران فنی و سرپرستان تیم‌های حاضر در لیگ‌های حرفه‌ای ورزشی در سطح ملی بوده است. انتخاب نمونه‌ها با دقت فراوان و بر اساس معیارهای مشخصی انجام گرفته که از جمله می‌توان به داشتن حداقل سه سال سابقه فعالیت حرفه‌ای در سطوح ملی اشاره کرد. برای اطمینان از تنوع و جامعیت نمونه، از روش‌های نمونه‌گیری هدفمند ترکیبی استفاده شده که امکان در نظر گرفتن انواع رشته‌های ورزشی (تیمی و انفرادی) و سطوح مختلف مدیریتی (مربی، مدیر فنی، سرپرست) را فراهم می‌سازد. در بخش کیفی پژوهش، با انجام ۱۸ مصاحبه عمیق و تا رسیدن به اشباع نظری، حجم نمونه تعیین شد. در بخش کمی نیز با استفاده از فرمول کوکران و سطح اطمینان ۹۵٪، تعداد ۱۰۲ نفر به‌عنوان نمونه آماری انتخاب شدند.

ابزارهای گردآوری داده در این پژوهش به دقت انتخاب و طراحی شده‌اند تا بتوانند ابعاد مختلف پدیده مورد مطالعه را پوشش دهند. در بخش کیفی، از مصاحبه‌های نیمه‌ساختاریافته عمیق استفاده شده که با استفاده از یک پروتکل مصاحبه محقق‌ساخته انجام گرفته است. این پروتکل شامل سؤالاتی است که به دقت طراحی شده‌اند تا بتوانند تجربیات تصمیم‌گیری در شرایط بحرانی، عوامل مؤثر بر کیفیت تصمیم‌گیری و راهکارهای بهبود این فرآیند را مورد بررسی قرار دهند. اعتبار این ابزار از طریق نظرخواهی از متخصصان و پایایی آن از طریق روش‌های استاندارد ارزیابی شده است.

پرسشنامه این پژوهش بر اساس یافته‌های بخش کیفی طراحی شده و به همین دلیل در طبقه‌بندی محقق‌ساخته قرار گرفته است. گویه‌های پرسشنامه برگرفته از کدهای نهایی استخراج شده از تحلیل مصاحبه ها هستند. این پرسشنامه شامل گویه‌هایی در مقیاس لیکرت است و ابعاد محتلفی مانند ویژگی‌های فردی تصمیم‌گیرنده، عوامل موقعیتی مؤثر، فرآیندهای شناختی و پیامدهای تصمیم‌گیری را اندازه‌گیری کند. روایی و پایایی این ابزار به دقت مورد بررسی قرار گرفته و اصلاحات لازم بر اساس نتایج این ارزیابی‌ها انجام شده است.

یکی از نوآوری‌های مهم این پژوهش، مطابق جدول 1، استفاده از سنجش‌های بیومتریک پیشرفته برای ثبت عینی پاسخ‌های فیزیولوژیک تصمیم‌گیرندگان در شرایط شبیه‌سازی شده بحرانی است. در این بخش از سیستم‌های دقیق ردیابی حرکات چشم و ثبت پاسخ‌های فیزیولوژیک استفاده شده که امکان اندازه‌گیری پارامترهای مختلفی مانند مدت زمان تثبیت نگاه، تعداد نقاط تثبیت، گشادی مردمک، مسیر حرکات چشم، فعالیت الکترودرمال، نرخ ضربان قلب و تغییرات ضربان قلب را فراهم می‌سازد. این اندازه‌گیری‌های عینی، داده‌های ارزشمندی را برای تحلیل فرآیندهای شناختی و هیجانی درگیر در تصمیم‌گیری‌های بحرانی فراهم می‌کنند.







جدول 1. مشخصات سیستم‌های بیومتریک مورد استفاده در پژوهش



سیستم اندازه‌گیری پارامترهای اندازه‌گیری شده دقت اندازه‌گیری نرم‌افزار تحلیل داده

ردیاب حرکات چشم مدت زمان تثبیت نگاه، تعداد نقاط تثبیت، گشادی مردمک، مسیر حرکات چشم 0.5درجه زاویه دید EyeLink DataViewer

سیستم فیزیولوژیک فعالیت الکترودرمال، نرخ ضربان قلب، تغییرات ضربان قلب، فعالیت الکترومیوگرافی 0.05 میکروزیمنس AcqKnowledge



اجرای پژوهش در چند مرحله به دقت برنامه‌ریزی شده انجام گرفته است. مرحله مقدماتی شامل انتخاب نمونه، اخذ مجوزهای اخلاقی، تهیه و استانداردسازی ابزارها و آموزش تیم پژوهش بوده است. در مرحله بعدی، داده‌های کیفی از طریق مصاحبه‌های عمیق جمع‌آوری شده‌اند. این مصاحبه‌ها در محیطی آرام و با رعایت کامل اصول اخلاقی انجام گرفته و مدت هر مصاحبه با توجه به شرایط شرکت‌کننده و عمق اطلاعات دریافتی تنظیم شده است. مرحله جمع‌آوری داده‌های کمی نیز شامل دو بخش تکمیل پرسشنامه و ارزیابی بیومتریک بوده که با دقت فراوان و تحت شرایط کنترل شده انجام گرفته است.

تحلیل داده‌ها در این پژوهش به صورت چندسطحی و با استفاده از روش‌های پیشرفته انجام شده است. داده‌های کیفی با استفاده از روش تحلیل مضمون و با بهره‌گیری از نرم‌افزارهای تخصصی تحلیل شده‌اند. این تحلیل شامل مراحل مختلفی از جمله آشنایی با داده‌ها، کدگذاری اولیه، جستجوی مضمون‌ها، بازبینی مضمون‌ها و تعریف نهایی آن‌ها بوده است. در تحلیل داده‌های کمی، از روش‌های آماری پیشرفته‌ای مانند تحلیل عاملی تأییدی، مدل‌سازی معادلات ساختاری، تحلیل شبکه عصبی مصنوعی و تحلیل واریانس چندمتغیره استفاده شده است. داده‌های بیومتریک نیز با استفاده از نرم‌افزارهای تخصصی تحلیل و پردازش شده‌اند. نتایج تحلیل آماری در جدول ۲ ارائه شده است که به‌طور مشخص مسیرهای علی میان متغیرهای اصلی پژوهش را نشان می‌دهد.



جدول 2. روش‌های تحلیل داده‌های کمی در پژوهش



نوع تحلیل هدف تحلیل نرم‌افزار مورد استفاده شاخص‌های مورد بررسی

تحلیل عاملی تأییدی بررسی روایی سازه AMOS شاخص‌های برازش مدل

مدل‌سازی معادلات ساختاری آزمون مدل مفهومی AMOS ضرایب مسیر، شاخص‌های برازش

تحلیل شبکه عصبی پیش‌بینی پیامدها MATLAB دقت پیش‌بینی، خطای آزمون

تحلیل واریانس چندمتغیره مقایسه گروه‌ها SPSS مقادیر F، اثرات اصلی



در تمام مراحل پژوهش، ملاحظات اخلاقی به دقت رعایت شده است. این موارد شامل اخذ تأییدیه از کمیته اخلاق دانشگاه، اخذ رضایت آگاهانه کتبی از تمام شرکت‌کنندگان، حفظ محرمانگی اطلاعات، امکان انصراف آزادانه از پژوهش و رعایت اصل سودمندی و عدم آسیب‌رسانی به شرکت‌کنندگان بوده است. همچنین، برای افزایش اعتبار علمی پژوهش، راهبردهای متعددی مانند بررسی روایی محتوایی توسط متخصصان، بررسی پایایی با روش‌های استاندارد، استفاده از مثلث‌سازی روش‌شناختی و انجام ممیزی پژوهش توسط همتا به کار گرفته شده است.

با وجود دقت روش‌شناختی بالا، این پژوهش با برخی محدودیت‌ها نیز مواجه بوده است. از جمله این محدودیت‌ها می‌توان به چالش‌های دسترسی به برخی از مربیان و مدیران سطح بالا به دلیل مشغله کاری آن‌ها، محدودیت‌های فنی برخی از سیستم‌های بیومتریک در شرایط واقعی مسابقات، و دشواری کنترل کامل برخی متغیرهای مداخله‌گر مانند خستگی و استرس روزانه شرکت‌کنندگان اشاره کرد. همچنین، باید در نظر داشت که یافته‌های این پژوهش عمدتاً به سازمان‌های ورزشی نخبه قابل تعمیم هستند و تعمیم آن‌ها به سایر زمینه‌ها نیازمند مطالعات بیشتر است.

این روش‌شناسی جامع و چندبعدی، امکان بررسی عمیق پیچیدگی‌های فرآیند تصمیم‌گیری در شرایط بحرانی را فراهم کرده است. ترکیب هوشمندانه روش‌های کیفی و کمی، همراه با استفاده از سنجش‌های عینی بیومتریک، این پژوهش را از مطالعات مشابه متمایز ساخته و اعتبار علمی یافته‌های آن را به میزان قابل توجهی افزایش داده است. چنین رویکرد روش‌شناختی جامعی نه‌تنها برای پژوهش‌های آتی در این حوزه می‌تواند الهام‌بخش باشد، بلکه چارچوب مناسبی برای توسعه مداخلات عملی در جهت بهبود فرآیند تصمیم‌گیری در سازمان‌های ورزشی فراهم می‌سازد.

نتایج این پژوهش جامع که با روش‌شناسی دقیق و چندبعدی انجام شده است، یافته‌های ارزشمندی را در مورد فرآیند تصمیم‌گیری بحرانی در سازمان‌های ورزشی نخبه ارائه می‌دهد. تحلیل داده‌های گردآوری شده از طریق روش‌های مختلف کیفی، کمی و بیومتریک، تصویر جامعی از عوامل مؤثر بر کیفیت تصمیم‌گیری در شرایط پویا و پرچالش ورزشی ترسیم می‌کند.

Keywords

Main Subjects



Articles in Press, Accepted Manuscript
Available Online from 25 November 2025
  • Receive Date: 19 April 2025
  • Revise Date: 01 July 2025
  • Accept Date: 25 November 2025