Un sistema di apprendimento automatico si è dimostrato efficace nel rilevare le anomalie nelle partite di calcio mondiale, con future implicazioni per garantire equità nello sport e impedire pratiche di gioco d’azzardo illegali, come le scommesse truccate. A rivelarlo uno studio internazionale, pubblicato su Scientific Reports, che ha implementato cinque diversi modelli di apprendimento automatico tramite IA per rilevare le anomalie nelle partite di calcio, sulla base dei dati relativi alle quote delle scommesse sportive.
I modelli di classificazione
In particolare, sono stati addestrati quattro modelli di classificazione, noti come LR, RF, SVM e KNN, e un modello ensemble, che permette di ottenere, grazie a una serie di metodi d’insieme che usano modelli multipli, una migliore prestazione predittiva rispetto ai modelli da cui è costituito, che ha combinato i loro risultati ottimali. Tre modelli, RF, KNN e ensemble hanno raggiunto un’accuratezza superiore al 90%, mentre due modelli, LR e SVM, hanno ottenuto una precisione di circa l’80%.
In secondo luogo, sono stati raccolti dati di partite in tempo reale e i cinque modelli sono stati applicati per costruire un sistema tale da rilevare le partite truccate in tempo reale. Le prestazioni del sistema sviluppato sono state convalidate utilizzando 10 partite regolari e 10 partite in cui vi sono state delle anomalie. I risultati hanno mostrato un’accuratezza dell’80% per le partite normali e del 60% per quelle anomale.
Nel mondo dello sport, le partite combinate tendono a verificarsi con frequenza, il che danneggia il valore fondamentale dell’equità. Il database è stato sviluppato tramite IA sulla base dei dati delle scommesse sulle partite del campionato mondiale di calcio di 12 società di scommesse, che hanno offerto una vasta raccolta di dati su giocatori, squadre, orari delle partite e classifiche dei campionati di calcio.
Le dichiarazioni dei ricercatori
“Il nostro metodo ensemble si discosta in modo significativo dai modelli tradizionali, offrendo una maggiore capacità di previsione grazie all’integrazione sinergica dei parametri di più modelli individuali“, hanno osservato gli autori. “Questo approccio globale consente di cogliere in modo più ricco le sfumature dei dati spesso trascurate dai singoli modelli. Mentre gli ensemble tradizionali migliorano intrinsecamente la generalizzazione dei dati“, hanno aggiunto i ricercatori.
“La nostra combinazione unica, fatta di quattro modelli amplifica la resistenza all’overfitting, ovvero l’adattarsi di un modello ai dati osservati perché ha un numero eccessivo di parametri rispetto al numero di osservazioni, garantendo prestazioni coerenti su diversi terreni di dati“, hanno precisato gli scienziati. “Questa metodologia, sostenuta dagli input di cinque modelli distinti, non solo funge da scudo contro le distorsioni, ma introduce anche un’innovativa categoria di ‘avvertimento’, utile su più fronti“, hanno dichiarato gli autori.
“Ciononostante – hanno sottolineato i ricercatori – un’analisi ha indicato che il nostro campione aveva una potenza dell’80% nel rilevare l’effetto osservato“. “Inoltre – hanno proseguito gli autori – va notato che questo studio è fondamentalmente esplorativo e si colloca tra gli sforzi pionieristici in questo campo“.
“Un altro aspetto cruciale da sottolineare è che il nostro studio ha utilizzato solo dati reali“, hanno specificato gli scienziati. “Quando una corrispondenza viene segnalata come irregolare, si tratta di una prova concreta di cattiva condotta“, hanno evidenziato i ricercatori. “Tali attività fraudolente – hanno sottolineato gli autori – sono altamente sensibili e presentano notevoli difficoltà nella raccolta di dati su larga scala: siamo pienamente consapevoli di questi vincoli“.
In futuro, secondo il gruppo di ricerca, sarà necessario raccogliere un maggior numero di casi reali, ritenuti irregolari, per migliorare la precisione nell’identificazione delle partite anomale.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?