The utilization of artificial intelligence has been demonstrated in the literature to be effective for classification and prediction. Nevertheless, the application of k-Nearest Neighbour (k-NN) and Artificial Neural Network (ANN) specifically the conventional feed forward Multilayer Perceptron (MLP) model for forecasting and scouting of high-performance archers have not been fully utilized. The current investigation predicted high and low-performance archers from a set of selected fitness and motor skill parameters trained on two distinct machine learning algorithms viz. ANN and k-NN.

A sample of 50 youth archers with the average age and standard deviation of (17.0±0.56) recruited from varying youth archery schemes completed a one end archery score test. Standardize physical fitness and motor skill parameters measurements constituting of the hand grip, vertical jump, standing broad jump, static balance, upper muscle strength and the core muscle were carried out. The Hierarchical Agglomerative Cluster Analysis (HACA) with Mahalanobis’ distance was employed to group the archers with regard to the performance parameters assessed. The t statistic and Cohen's d effect size analysis were carried out on the group defined by the HACA to view through the performance differences of the archers. The ANN (single hidden layer with ten neurons) and k-NN (fine Euclidean-based) models were trained based on the measured performance variables. The tenfold cross-validation technique was utilized in the study.

The HACA grouped the archers into two distinct clusters namely; high-performance archers (HPA) and low-performance archers (LPA). It was observed from the t-statistic as well as the effect-size analysis that the performance of the HPA archers differed from the LPA in standing broad jump, hand grip, upper muscle strength as well as the archery shooting score P<0.05 with a large to moderate effect-size d=0.8–0.6. It was established that the ANN model outperformed the k-NN in the present study. The ANN demonstrated reasonably excellent classification on the evaluated indicators with a classification accuracy of 92% and a stronger Matthews correlation coefficient, i.e. 0.816 amongst other performance metrics in comparison to the k-NN model in classifying the HPA and the LPA.

These findings are invaluable to coaches and sports officials, particularly in the identification of high-performance archers from a consolidation of the selected few evaluated fitness and motor skill performance parameters. As a consequence, this approach, in turn, would save resources, time and energy during a talent search program.

L’utilisation de l’intelligence artificielle a été démontrée dans la littérature comme pouvant être efficace pour la classification et la prédiction. Néanmoins, l’application de la méthode des k plus proches voisins (k-NN) et le réseau de neurones artificiels (ANN), en particulier le modèle classique de Perceptron multicouche (MLP) pour la prédiction et le classement en tir à l’arc est encore à ses débuts. L’étude a permis de prédire les performances potentielles d’archers à partir d’ensemble de variables de compétences physiques et de capacités motrices, au moyen de deux algorithmes d’apprentissage automatique distincts, ANN et k-NN.

Cinquante jeunes archers d’un âge moyen (et d’écart-type) de 17,0±0,56 ans, recrutés à partir de programmes de jeunes ont réalisé un jet de tirs à l’arc tir au cours duquel le score a été mesuré. Des mesures de capacités physiques ont été réalisées à partir de tests standard, force de préhension, saut vertical, saut en longueur, équilibre statique, force musculaire des membres supérieurs. L’analyse de regroupement hiérarchique en sous-groupes (HACA) en utilisant la distance de Mahalanobis a été utilisée pour regrouper les archers en fonction des performances. L’analyse de la taille de l’effet en utilisant le t de Cohen d sur le groupe défini par la HACA a permis d’évaluer les différences de performance des archers.

La HACA a permis de regrouper les archers en deux groupes distincts, à savoir : les archers à haut potentiel (HPA) et les archers à plus faible potentiel (LPA). L’analyse statistique ainsi que l’analyse de la taille des effets ont montré que les performances du saut en position debout, de force de préhension de la main, de la force musculaire des membres supérieurs, ainsi que du score de tir à l’arc des archers classés HPA étaient meilleures que celles mesurées chez les archers LPA (p<0,05 ; taille d’effet grande à modérée d=0,8–0,6). Comparativement à la méthode des k-NN, le ANN propose une meilleure classification du potentiel des archers (HPA et LPA) à partir les indicateurs évalués, avec une précision de classification de 92 %, et un fort coefficient de corrélation (Matthews, 0,816).

Ces résultats sont de grande importance pour les entraîneurs et les officiels sportifs, en particulier pour identifier les archers de haut niveau, à partir de paramètres physiques et fonctionnels d’évaluation de la condition physique et de la motricité. En conséquence, cette approche économiserait des ressources, du temps et de l’énergie lors d’un programme de recherche de talents.