機器學習可以幫助監管機構發現作弊行為，提升比賽的公平性
作弊在體育競賽中的問題
在即將開始的橄欖球世界杯之前，已經有聽說球隊間相互偷窺的傳言。這或許是不可避免的一種競爭手段，但無可否認的是，打擊體育作弊是監管機構一直在努力解決的問題。我們的新型機器學習模型可能會成為一個重大突破，能夠檢測可疑行為和不尋常的比賽結果，特別是對付賽事操縱的行為。
當前檢測外界因素對比賽結果的操縱，主要是透過體育博彩市場的異常來發現的。當博彩公司注意到賠率不尋常或者變動，他們會通知監管機構。然而這種方法有其局限性，往往無法發現所有的賽事操縱情況，尤其是在不太流行的體育專案或聯賽中。這就是機器學習的用武之地。
利用機器學習來發現異常活動
作為我們研究的一部分，我們引入了「異常比賽識別」的概念，旨在識別比賽中的不規則結果，不論其潛在原因如何。造成不規則比賽結果可能有多種因素，包括為了未來的利益而有意故意輸掉比賽（例如美國國家籃球聯賽（NBA）中的「坦克戰術」），或者為了推動票務銷售的銷售策略，或者僅僅是比賽當天表現不佳。我們的研究模型使我們能夠標記不尋常的比賽結果，並將其轉交給監管機構進一步調查。
透過利用機器學習，我們可以透過將預測結果與實際比賽結果進行比較，來發現異常比賽。在討論體育界的異常情況時，我們指的是與常規比賽不同的比賽。雖然賽事操縱（為獲得利益而故意操縱比賽結果）是異常比賽的一種可能解釋，但也不是唯一的解釋。認識到不同原因導致比賽結果不尋常，也可以幫助我們更好地理解體育的複雜性。當面對一個不尋常或意想不到的比賽結果時，觀眾和官員可能會問自己：這是出於意料之外的策略，還是其他因素在起作用？
從籃球中學習
我們的研究方法涉及訓練機器學習算法，以發現過去特定事件與隨後比賽結果之間的模式關係。一旦建立了這些關係，算法可以預測未來比賽的結果。這些預測結果與實際結果之間的差異可以標記出潛在的異常比賽。為了取證我們的模型，我們研究了 2022 年 NBA 季後賽中是否有任何異常比賽。我們使用 2004 年到 2020 年的資料建立模型，預測比賽結果，然後將機器預測結果與實際比賽結果進行比較。我們發現 2022 年季後賽中存在幾個異常情況，特別是鳳凰城太陽隊和達拉斯小牛隊之間的一系列比賽。他們在 2022 年 5 月的七場比賽中，達拉斯贏了四場，鳳凰城贏了三場。根據資料，2022 年季後賽中的異常情況包括鳳凰城太陽隊和達拉斯小牛隊在包括 15 支球隊的 NBA 西區決賽系列賽中實際上對陣的機率為 0.0000064。此外我們還識別出幾位球員在季後賽中的表現與他們之前的比賽資料相位元別異常。這並不意味著有任何比賽操縱的行為。相反，我們的結果標記出了可能需要監管機構跟進的比賽和球員，以防止比賽操縱（儘管在這個例子中並不存在比賽操縱的問題，這只是為了測試模型而做的例子）。這種發現一系列比賽中的異常情況的方法可以應用於許多不同的體育專案，可以為解決異常比賽事件提供有價值的見解。
增加對體育的信任
雖然我們的研究集中在特定的體育專案上，但其原則和技術可以擴大到其他領域。該研究表明，機器學習可以用於幫助保護體育競賽的公平性，並協助監管機構、體育組織和執法機構維護公平和公眾信任。然而我們在利用機器學習的潛力的同時也必須應對其帶來的道德問題，確保其透明使用。未來，人工智慧可能成為球迷的盟友，幫助確保一個公平的競技場，讓才華卓越，觀眾沉浸在體育比賽的真實性之中。
