| Nom du projet | Dynamique de coordination d’équipe – DYNATEAM |
| Période | 2023 – 2026 |
| Financement | ANR |
| Rôle | Membre WP1, coordination T1.2
Principale contribution : modèle de graphe spatio-temporel agrégé et sémantisé Co-encadrement de la post-doctorante/ingénieur de recherche Camille Grange & Pierre-Marie Stevenin |
| Mots-clés | Analyse de données en sport collectifs ; modélisation spatio-temporelle intégrant une dimension sémantique ; classification ; graphes |
| Site(s) web(s) | https://anr.fr/Projet-ANR-15-CE39-0015 |
DYNATEAM « est un projet inter-disciplinaire articulant les sciences du numérique et des données et les sciences humaines et sociales, en particulier la psychologie expérimentale et les sciences cognitives, en partageant le paradigme de la complexité. Selon les sciences de la complexité, une équipe est vue comme un système complexe dynamique caractérisé par les principes d’émergence et d’auto-organisation, c’est-à-dire sans intervention d’un régulateur externe. Cependant dans les sports d’équipe, l’entraîneur régule souvent les joueurs par des instructions verbales ou utilise des leaders pour relayer ses instructions. Aussi, notre projet est innovant car les objectifs en psychologie expérimentale et contrôle moteur visent à étudier l’intérêt d’une pédagogie non-linéaire favorisant les principes d’émergence et d’auto-organisation dans les interactions sociales en rugby et basketball, en comparaison à une pédagogie prescriptive et explicite de l’entraîneur, ou relayée par un leader.
La complexité d’un réseau social est souvent associée au nombre de personnes qui le constituent. Cependant dans les sports d’équipe, le nombre de joueurs est limité et la complexité provient plutôt du caractère dynamique, temporaire de ces interactions qui déterminent la performance de l’équipe. Or souvent les interactions sociales sont modélisées par l’analyse des réseaux d’interaction sous forme de graphes statiques. Nos objectifs en sciences numériques et des données sont innovants car ils incluent les dimensions temporelle et spatiale, 1) en étudiant la dynamique des interactions sociales par des graphes dynamiques des réseaux de passe, 2) en découpant l’aire de jeu en zones pour prendre en compte la configuration spatiale de l’équipe dans les réseaux d’interaction, 3) en utilisant des techniques de machine learning pour prédire les interactions sociales et la prise de décision des joueurs en fonction des contraintes appliquées sur le réseau. »
Publications associées
C. Grange, R. Charrier, G. Del Mondo, A. Dutot, and E. Sanlaville, « Spatio-temporal graph modelization for collective sports, » in Roadef, 2025.