머신러닝이 축구 경기력 분석에 점점 더 보편화되고 있지만, 대부분의 연구는 예측 정확도를 우선시하며 학습된 경기력 결정 요인과 해석이 경쟁 수준 간에 이전 가능하다는 점을 암묵적으로 가정합니다.
연구진은 5개의 유럽 최고 리그 데이터로 학습한 모델을 국립칭화대학교(NTHU) 축구 데이터에 적용하여 Random Forest와 Multilayer Perceptron 모델을 SHAP와 Counterfactual Impact Score로 해석했습니다.
결과적으로 엘리트 축구는 리그, 모델, 설명 방법 전반에 걸쳐 일관된 경기력 결정 요인 계층 구조를 보였지만, NTHU 대학 축구는 핵심 지표의 상당한 재정렬, 설명 안정성 저하, 엘리트 도메인과의 구조적 일치 약화, 설명 방법 민감도 증가를 나타냈습니다.