Özet
Giriş:
Spor alanında araştırmacıların ve uygulayıcıların erişebildiği veri hacmi son on yılda önemli ölçüde arttı. Ancak bu bolluk kendi zorluğunu da beraberinde getiriyor: Veriler bol olduğunda, anlamlı içgörüler çıkarmak basit bir iş değildir. Araştırmacılar için antrenman ve yarış sırasında toplanan ham verilerden elde edilen bu tür içgörüler, müdahalelerinin performans ve öğrenme sonuçlarını değerlendirmelerine yardımcı olabilir. Bu içgörüler aynı zamanda antrenmanlarını geliştirmek isteyen antrenörler ve sporcular için de faydalı olabilir. Bu makale, ham yarış aracı telemetri verilerinden performansla ilgili bilgileri çıkaran R tabanlı bir Shiny araç seti üzerine bir eğitim sunmaktadır.
Yöntem:

Araç seti, bir ortak fonksiyon kütüphanesi ve altı betikten oluşmaktadır: (1) ön işleme, (2) bileşik referans tur oluşturma, (3) tur istatistikleri ve eğilimleri, (4) tek tur görselleştirmeleri, (5) tur karşılaştırmaları ve (6) viraj analizi. Her betik basit bir grafik kullanıcı arayüzü başlattığı için herhangi bir kodlama bilgisi gerekmemektedir.
Sonuçlar:
Bu betikleri kullanmak için iş akışını açıklıyor ve acemi bir sürücünün simülatör telemetrisi ile örnek bir uygulama sunuyoruz.
Tartışma:
Son olarak, analiz iş akışının araştırmacılar ve uygulayıcılar için faydalarını ve sınırlamalarını tartışıyoruz.
1 Giriş
Sporcular sürekli olarak rekabet avantajı ararlar. İster beyzbolda daha iyi bir üsse yerleşme yüzdesi olsun, ister bir yarış pistindeki tek bir frenleme bölgesinde kazanılan saniyenin onda biri, bu tür kazanımlar genellikle yıllarca süren fiziksel ve zihinsel hazırlık gerektirir. Ancak giderek artan bir şekilde bu kazanımlar verilere de bağlıdır: Doğru şekilde toplanıp analiz edildiğinde, yalnızca antrenman deneyiminin sağlayamayacağı içgörüler ortaya çıkaran performans metrikleri.
Sensör teknolojisindeki gelişmeler (örneğin giyilebilir sensörler, spor ekipmanları içindeki sensörler) ve büyük veri setlerinin mevcudiyetiyle birlikte araştırmacıların ve uygulayıcıların erişebildiği veri hacmi önemli ölçüde arttı. Ancak bu bolluk kendi zorluğunu da beraberinde getiriyor: Veriler bol olduğunda, anlamlı içgörüler çıkarmak zor olabilir [örneğin, ()]. Araştırmacılar için büyük veri setlerinden ilgili tahmin edici değişkenleri belirlemek, antrenman etkinliğini değerlendirmek ve uzman performansını karakterize etmek için esastır. Uygulayıcılar (hem antrenörler hem de sporcular) için performans verilerinin bilinçli kullanımı rekabet avantajı sağlayabilir. Bu bağlamda, Rauf ve arkadaşları () antrenörlerin sporcularından toplanan verileri almaktan fayda sağlayacaklarına inandıklarını bildirmişlerdir.
Veri odaklı içgörüler, diğer kaynakların tam olarak yerini alamayacağı belirgin bir avantaj sağlayabilir. Morgulev ve arkadaşları (), spor organizasyonu, antrenörler ve oyuncular düzeylerinde karar verme süreçlerini destekleyen metriklerden veri analizine ve veri toplama ile veri yönetimine kadar ilerleyen bir spor analitiği çerçevesi tanımladılar. Bu iş akışının başarılı olması için ham verilerin, karar vermeyi destekleyen ve hem kısa hem de uzun vadede performans iyileştirmesini sağlayan net, uygulanabilir içgörülere dönüştürülmesi gerekir.
Gelişmiş teknolojiler, sporda veri toplamak için çeşitli yöntemler sunar. Örneğin, Luo ve Song (), giyilebilir biyosensörlerin sporcuların fizyolojik değişkenlerini doğru bir şekilde izleyebildiğini gösterdiler. Bu izleme, daha doğru antrenman yüklerine ve daha iyi atletik performansa dönüşebilir. Giyilebilir sensörler ayrıca farklı sporlarda ilgili sağlık metriklerini proaktif olarak takip etmek ve yaralanmaları önlemeye yardımcı olmak için de kullanılabilir (). Son olarak, belki de dünyanın en veri odaklı sporlarından biri olan beyzbolda (), sağlık ve yaralanma oranlarını, ayrıca vuruş, atış, koşu ve savunma performansı da dahil olmak üzere oyuncu ve takım performansını takip etmek için hem özel sensörlerle hem de sensör olmadan veri toplanır. Bu veriler hızla birikir ve yöneticilere ve antrenörlere ilgili geri bildirim sağlamak için analiz edilmelidir (beyzbol veri analizi örneği için bkz. Mizels ve arkadaşları, 2022, ()).
Beyzbolda olduğu gibi, motor sporlarındaki araştırmacılar ve uygulayıcılar da büyük ölçüde telemetri verilerine güvenirler. Örneğin, Lappi ve arkadaşları (), yarış aracı telemetrisi ve konumlandırma verilerini sürücünün bakış verileriyle senkronize etmenin bir dizi araştırma sorusunu yanıtlamaya nasıl yardımcı olabileceğini gösterdiler. Uygulayıcılar için Avignone ve arkadaşları (), motor bisiklet yarışları için telemetri görselleştirmesini içeren ve performans yorumlamasını destekleyen bir analiz araç seti sundular. Diğer özelliklerin yanı sıra, bu araç seti tur karşılaştırmaları, sürüş analizi için grafikler ve optimal tur profilini belirlemek için simülasyonlar içerir. Son olarak, Bugeja ve arkadaşları (), sürücülere gerçek zamanlı öneriler sağlayan telemetri tabanlı geri bildirim geliştirdiler.
Bazı telemetri verileri mühendislikle ilgili olabilir ve çeşitli sistemlerin performansını izlemek ve araba tasarımındaki zayıflıkları belirlemek için kullanılabilirken, diğer veriler yarış sürücüsünün eğitimini ve performansını iyileştirmek için kullanılabilir. Bu durum, e-sporun daha geniş gelişimi içinde büyüyen bir rekabet alanı olan simülatör yarışları (yani Sim yarışları) için de geçerlidir (). Yarışçı ve sim yarışçısı için telemetri verileri, ivmelenme, direksiyon, vites değiştirme ve frenleme gibi unsurları analiz ederek tur zamanını iyileştirmeye yönelik içgörüler sağlayabilir. Bu veriler, pistte veya çevrimiçi sim yarış turnuvalarında kullanılabilir, ayrıca sezonun bir sonraki yarışlarına hazırlık ve antrenmanı iyileştirmek için yarış sonrası da kullanılabilir.
Uygulamalı spor araştırmacıları ve veri analistleri, ham verilerden uygulanabilir içgörüler çıkarmak için yöntemler sunarak yarışçılara yardımcı olabilirler. Bu dönüşüm hem araştırmaya hem de uygulamaya fayda sağlayabilir. Araştırmacılar için bu, gelecekteki deneyler için yorumlanabilir performans ölçütleri sağlayabilir. Örneğin, bu tür ölçütler (1) performansı (örneğin tur zamanını) iyileştiren temel mekanizmaları belirlemek veya (2) farklı antrenman programlarının veya motor öğrenme stratejilerinin yarış becerisi kazanımı üzerindeki etkilerini karşılaştırmak için kullanılabilir. Uygulayıcılar için bu içgörüler doğrudan uygulanabilir olabilir, daha iyi talimat ve geri bildirim sağlayarak sonuç olarak performansı artırabilir. Mevcut telemetri analiz araçları ya akademik olarak [Mine4Race; ()] ya da ticari olarak (MoTeC, Victoria, Avustralya) geliştirilmiştir. Mine4Race, motor bisiklet yarış takımları için geliştirilmiş web tabanlı bir görsel analiz çözümüdür ve MoTeC, esas olarak kendi veri kaydedicileri ve dosya formatları etrafında tasarlanmış, yarış arabaları için güçlü bir analiz aracıdır. Ancak, bildiğimiz kadarıyla, bu araçların arkasındaki kodlar halka açık değildir, bu nedenle hesaplamaları kullanıcılar tarafından incelenemez, doğrulanamaz veya değiştirilemez. Bu makalede, ham telemetri verilerini yorumlanabilir istatistiklere dönüştüren R () ve Shiny web uygulamaları () üzerine kurulu açık kaynaklı bir araç seti sunuyoruz. Araç seti, farklı simülatörlerden ve veri kaydedicilerinden dışa aktarılan genel bir CSV telemetri dosyasını kabul eder. Tüm hesaplamalar kodda belgelenmiştir ve herhangi bir kullanıcının yeniden çalıştırabileceği doğrulama betiklerinde doğrulanmış verilerle test edilmiştir. Bu nedenle kullanıcılar hesaplamaları kontrol edebilir ve ihtiyaçlarına göre uyarlayabilirler ve her sürüm bir DOI ile arşivlenir, böylece çalışmalar kullandıkları tam kodu atıf olarak gösterebilir. Bu araç setini kullanmak için iş akışını açıklıyor ve acemi bir sürücünün simülatör verilerinden bir vaka çalışması sunuyoruz.
2 Yöntem
Temel Bulgular ve Genel Değerlendirme
Son olarak, tur karşılaştırması ve bileşik referans tur, turları pist konumuna göre hizalar, bu nedenle arabanın sabit kaldığı veya geriye doğru hareket ettiği dönemler (örneğin, spinler) doğru bir şekilde temsil edilemez. Veri kalitesi raporunda işaretlenmiş olan bu tür olaylar içeren turlar bu analizlerden dışlanmalıdır.
5 Sonuç
Bu makalede, araştırmacıların ve uygulayıcıların gerçek dünya veya simüle edilmiş yarışlarda toplanan telemetriden içgörüler çıkarmasına olanak tanıyan açık kaynaklı bir araç setini kullanmak için bir iş akışı sunduk. Laboratuvarda, motor becerisi ve uzmanlıkla ilgili sonuç ölçütlerinin analizini destekleyebilir ve uygulamalı sim yarış veya motor sporları ortamlarında, sürüşü bilgilendiren ve potansiyel olarak iyileştiren veriler sağlayabilir. Araç setinin, kullanıcılarının genel olarak motor sporlarını ve özellikle sürüş performansını daha iyi anlamalarına yardımcı olacağını umuyoruz.
Beyanlar
Üretken Yapay Zeka Beyanı
Yazar(lar), bu makalenin hazırlanmasında üretken yapay zekanın kullanıldığını beyan etmiştir. Yazarlar, bu makale için gerekli R betiklerini Claude Code (Opus 5.5) ve GPT 5.5 desteğiyle geliştirmişlerdir. Çalışmanın hazırlık sürecinde yazarlar, okunabilirliği ve dil kalitesini iyileştirmek için Claude.ai’den yararlanmışlardır. Bu aracı kullandıktan sonra yazarlar, içeriği gerektiği şekilde gözden geçirip düzenlemişlerdir. Yayınlanan makalenin içeriğinden yazarlar tam sorumluluğu üstlenmektedir.
Bu makaledeki şekillerin yanında yer alan alternatif metinlerin (alt metin) tamamı Frontiers tarafından yapay zeka desteğiyle oluşturulmuştur. Yazarların mümkün olan her yerde yaptığı inceleme de dahil olmak üzere, doğruluğu sağlamak için makul çabalar gösterilmiştir. Herhangi bir sorun tespit ederseniz lütfen bizimle iletişime geçin.
Yayıncının Notu
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından öne sürülebilecek iddialar, yayıncı tarafından garanti edilmez veya onaylanmaz.
Dipnotlar
1.^Yarış pistleri genellikle önceden belirlenmiş üç sektöre ayrılır; bu sektörler, motor sporları zamanlamasında sürücüler ve turlar arasında parçalı zaman karşılaştırmalarını kolaylaştırmak için kullanılır.
Özet
Anahtar Kelimeler
motor sporları, performans analizi, yarış sürücüleri, beceri kazanımı, telemetri
Atıf
Danilevičiūtė N, Mickevičienė D, Obolski U ve Ziv G (2026) Yarış arabası telemetrisinden uygulanabilir içgörülere: Araştırmacılar ve uygulayıcılar için açık kaynaklı bir araç seti. Front. Sports Act. Living 8:2005550. doi: 10.3389/fspor.2026.2005550
Alınma Tarihi
21 Eylül 2026
Gözden Geçirme Tarihi
27 Ekim 2026
Kabul Tarihi
03 Kasım 2026
Yayınlanma Tarihi
17 Kasım 2026
8 – 2026
Dalton Müller Pessôa Filho, São Paulo Eyalet Üniversitesi, Brezilya
Ajithkumar L., Central University of Haryana, Hindistan
Igor Garcia-Atutxa, Catholic University San Antonio of Murcia, İspanya
© 2026 Danilevičiūtė, Mickevičienė, Obolski ve Ziv.
Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazar(lar) ve telif hakkı sahibi(leri)nin belirtilmesi ve bu dergideki orijinal yayına kabul görmüş akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanılması, dağıtılması veya çoğaltılmasına izin verilir. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.
*İletişim: Gal Ziv [email protected]
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından öne sürülebilecek iddialar, yayıncı tarafından garanti edilmez veya onaylanmaz.


Bu gelişme hakkında düşüncelerinizi, donanım deneyimlerinizi veya sorularınızı Topluluk Forumumuzda paylaşın.
Foruma Katıl & Yanıtla ➔
