ریاضیاتپیش‌چاپنظریه۴ دقیقه مطالعه

چه وقت VAR باید تصمیم داور را لغو کند؟

در 26 ژوئن 2026، در دور پایانی مرحلهٔ گروهی جام جهانی، ایران در سیاتل به مصاف مصر رفت. نویسندگان در ورزشگاه بودند. در دقیقهٔ 93، شجاع خلیل‌زاده (Shoja Khalilzadeh) گلی زد که به نظر گل پیروزی بود، و تیم داوری درون زمین گل را بدون آفساید اعلام کرد. پس از دقایقی بررسی، کمک‌داور ویدئویی (VAR) تصمیم را لغو کرد: بر پایهٔ بازسازی سه‌بعدی‌اش، بخش کوچکی از پای گلزن در موقعیت آفساید بوده است. بازی با تساوی به پایان رسید. به گزارش The Athletic، ایران هنوز 92% شانس رسیدن به مرحلهٔ حذفی را داشت؛ نتایج روز بعد آن را به صفر رساند.

پرسش نویسندگان ساده است: آیا حاشیهٔ آفساید بسیار کوچکی که VAR گزارش می‌کند باید برای لغو تصمیم داور کافی باشد؟

یک فریم 17 سانتی‌متر درازا دارد

دقت روی صفحهٔ نمایش همان دقت روی زمین بازی نیست. در ویدئویی که با 30 فریم در ثانیه ضبط شده، ورزشکاری که با سرعت 5 متر بر ثانیه می‌دود میان دو فریم پیاپی حدود 17 سانتی‌متر جابه‌جا می‌شود. حتی عدم‌قطعیتی جزئی دربارهٔ لحظهٔ دقیق ضربه به توپ می‌تواند از میلی‌مترهای یک مدل سه‌بعدی مهم‌تر باشد.

امیرعلی احمدی (Amir Ali Ahmadi)، از دانشگاه پرینستون (Princeton University)، و پارسا و رادین علوی (Parsa and Radeen Alavi)، از دبیرستان منطقه‌ای الگانکین (Algonquin Regional High School)، این مناقشه را به یک مدل احتمالاتی تبدیل کردند. حاشیهٔ واقعی، θ، فاصله‌ای است که مهاجم از خط آفساید جلوتر است: مقدار مثبت یعنی آفساید. داور آن را با خطایی تصادفی با پراکندگی σ_H درک می‌کند، اما فقط آری یا نه می‌گوید. VAR یک عدد اندازه می‌گیرد، با خطای تصادفی خودش با پراکندگی σ_AI. فرض می‌شود هر دو خطا گاوسی و مستقل‌اند.

قاعدهٔ √(2/π)

سپس نویسندگان در پی حاشیه‌ای می‌روند که آنچه مشاهده شده — تصمیمی از داور و عددی از VAR — را محتمل‌ترین کند؛ روشی که بیشینه‌درست‌نمایی (maximum likelihood) نام دارد. آن‌ها اثبات می‌کنند که این بهترین برآورد همیشه وجود دارد و یکتاست. بهتر از آن، تصمیم نهایی هیچ محاسبه‌ای نمی‌خواهد، تنها مقایسه با یک آستانه:

c = √(2/π) × σ_AI² / σ_H

وقتی این دو با هم اختلاف دارند، VAR تنها در صورتی تصمیم داور را لغو می‌کند که حاشیه‌ای که اندازه می‌گیرد از c بزرگ‌تر باشد. کمتر از آن، تصمیم داور پابرجا می‌ماند. عدد √(2/π)، حدود 0.80، از خود منحنی زنگوله‌ای می‌آید.

داوری را در نظر بگیرید که خطای معمولش 10 سانتی‌متر است، و یک VAR که خطای معمولش 2 سانتی‌متر است. آستانه 0.32 سانتی‌متر است. حاشیهٔ متعارضِ 0.20 سانتی‌متری از سوی VAR تصمیم داور را سر جایش نگه می‌دارد؛ حاشیهٔ 0.50 سانتی‌متری آن را لغو می‌کند. قرار دادن مهاجم آن سوی خط کافی نیست: VAR باید او را به‌روشنی آن سوی خط قرار دهد.

دو خطا که هم‌وزن نیستند

این فرمول نوعی عدم تقارن در خود دارد. آستانه با مجذور خطای VAR بزرگ می‌شود، اما فقط با خطای داور نسبت وارون دارد: خطای VAR را دو برابر کنید تا آستانه چهار برابر شود، خطای داور را دو برابر کنید تا آستانه فقط نصف شود. VAR پرخطاتر به شواهد قوی‌تری نیاز دارد؛ داور پرخطاتر را آسان‌تر می‌توان لغو کرد. نویسندگان توان‌های متفاوت را به دو نوع اطلاعات بازمی‌گردانند: یک عدد برای VAR، و صرفاً یک علامت برای داور.

ترکیب هر دو نیز سودمند است. با خطاهای برابر 2 سانتی‌متری و حاشیهٔ واقعی 2 سانتی‌متر، داور به‌تنهایی یا VAR به‌تنهایی در 15.87% موارد اشتباه می‌کند؛ قاعدهٔ ترکیبی، در 9.70% موارد.

این مدل سوگیری را هم در نظر می‌گیرد. داوری که گرایش دارد آفساید اعلام کند، به‌طور میانگین به اندازهٔ 5 سانتی‌متر، دو آستانهٔ متفاوت می‌گیرد: 0.20 سانتی‌متر برای لغو تصمیم آفساید، و 0.46 سانتی‌متر برای لغو تصمیم بدون آفساید. و اگر خود VAR سوگیری معلومی به اندازهٔ 1 سانتی‌متر داشته باشد، نادیده گرفتن آن می‌تواند رأی را وارونه کند.

برای به کار بستن این قاعده، به چهار پارامتر خطا نیاز است. مقاله نشان می‌دهد چگونه می‌توان آن‌ها را از حرکت‌های کالیبراسیونی برآورد کرد که حاشیهٔ واقعی‌شان معلوم است: یک میانگین و پراکندگی ساده برای VAR، و یک برازش «پروبیت» (probit) برای تصمیم‌های آری یا نهِ داور.

فراتر از زمین بازی

همین ساختار هر جا که انسانی رأیی می‌دهد و ماشینی اندازه‌گیری‌ای از همان کمیت به دست می‌دهد پدیدار می‌شود: پزشکی که ضایعه‌ای را خوش‌خیم یا بدخیم تشخیص می‌دهد در کنار امتیاز بدخیمیِ یک هوش مصنوعی، مهندسی که قطعه‌ای از هواپیما را تأیید می‌کند در کنار امتیاز شدت نقص، مدیر یک صندوق در کنار بازده مورد انتظار یک مدل. نویسندگان پیشنهاد می‌کنند اثر واقعی این قاعده در جاهایی آزموده شود که کالیبراسیون آسان است، مانند مالی، تصویربرداری پزشکی و بازارهای پیش‌بینی.

مقاله به صورت یک متن آموزشی نوشته شده است، برای دانشجویان کارشناسی و دانش‌آموزان پیشرفتهٔ دبیرستانی که احتمال پایه و حسابان می‌دانند. پارامترهای آن جنبهٔ نمایشی دارند: هیچ داور یا سامانهٔ VAR واقعی‌ای کالیبره نشده است. سطر پایانی‌اش به بخش سپاسگزاری تعلق دارد، جایی که نویسندگان می‌گویند از ChatGPT برای شکل‌ها، نمونه‌خوانی و بررسی‌های درستی‌سنجی استفاده کرده‌اند، «در حالی که از قاعدهٔ √(2/π) خود پیروی می‌کردند تا مطمئن شوند هوش مصنوعی داوری انسانی‌شان را لغو نمی‌کند».