Roukaya Ben Jeddou
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Roukaya Ben Jeddou has a total of 5 co-authors. Here are the top co-authors by number of shared publications:
Patrick Bouchet
2 shared publicationsAbdessatar Ati
1 shared publication- Abdessatar Ati
University of Jendouba, Jendouba, Tunisia
1 shared publication - Abdessatar Ati1 shared publication
- Patrick Bouchet
University of Bourgogne Europe, Dijon, France
1 shared publication
Latest Publications
- 28 August 2026
- Published by Springer Nature in Operations Research Forum
- Vol. 7 (3) , 102
A Data-Driven Multi-criteria Framework for Recruiting Football Forwards Using CRITIC and TOPSIS
- 28 August 2026
- Published by Springer Nature in Operations Research Forum
- Vol. 7 (3) , 102
A Data-Driven Multi-criteria Framework for Recruiting Football Forwards Using CRITIC and TOPSIS
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Football Selection Optimization through the Integration of Management Theories, AI and Multi-criteria Decision Making
Optimisation de Sélection en Football par l'Intégration des Théories de Management, de l'IA et de Décision Multi-critères: Le travail de recherche décrit dans cette thèse s'inscrit dans le contexte de la gestion d'un club de football professionnel, où l'établissement d'un équilibre humain et financier est essentiel pour assurer la pérennité des organisations sportives. Dans le management du football, les méthodes traditionnelles de sélection des joueurs ont historiquement guidé le processus de prise de décision au niveau des clubs. Ce processus de décision stratégique, souvent subjectif et incertain, peut avoir un impact significatif sur les performances financières, économiques et sportives de l’équipe.Alors que le football évolue vers un sport plus axé sur les données, il est de plus en plus reconnu que les méthodes traditionnelles doivent être complétées par des méthodes scientifiques basées sur l'intelligence artificielle et le recours aux méthodes de prise de décision multi-critères pour optimiser la sélection des joueurs et améliorer les performances tant sportives que financières. Il devient essentiel de rechercher un équilibre optimal entre le rendement sportif et la performance financière afin d'optimiser les résultats d'une entité spécifique: le club de football.À cet égard, l'objectif principal de cette thèse est de proposer un modèle qui combine les techniques de machine learning et les méthodes d’analyse multicritères pour améliorer l'efficacité et l'objectivité du processus de sélection des joueurs de football, tout en tenant compte des considérations financières et managériales. Notre première contribution est de prioriser les critères techniques, physiques, tactiques et comportementaux des joueurs en utilisant les algorithmes Random Forest, Entropy et CRITIC. La seconde contribution est de classer les joueurs selon leurs performances en se basant sur la méthode TOPSIS.Afin de valider ces contributions, nous avons créé un système d'aide à la décision permettant au décideur sportif de suggérer des joueurs en fonction de leurs performances. Notre modèle ne vise pas à remplacer les entraîneurs, mais plutôt à intégrer des évaluations subjectives et objectives pour permettre une compréhension approfondie des facteurs de performance sportive et managériale, améliorant ainsi la précision de la sélection des joueurs. Alors que le football s'oriente vers des approches plus axées sur les données, la combinaison de l'IA et du MCDM peut optimiser davantage les processus de sélection des joueurs, en tirant parti des avantages de l'analyse de données objective et de l'expertise subjective.Les résultats obtenus démontrent l'efficacité de notre approche dans l'amélioration des performances des équipes de football, particulièrement lorsqu'elle est soutenue et assistée par l'intelligence émotionnelle, à savoir la capacité du manager à détecter l'état substantiel du joueur.
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Football Selection Optimization through the Integration of Management Theories, AI and Multi-criteria Decision Making
Optimisation de Sélection en Football par l'Intégration des Théories de Management, de l'IA et de Décision Multi-critères: Le travail de recherche décrit dans cette thèse s'inscrit dans le contexte de la gestion d'un club de football professionnel, où l'établissement d'un équilibre humain et financier est essentiel pour assurer la pérennité des organisations sportives. Dans le management du football, les méthodes traditionnelles de sélection des joueurs ont historiquement guidé le processus de prise de décision au niveau des clubs. Ce processus de décision stratégique, souvent subjectif et incertain, peut avoir un impact significatif sur les performances financières, économiques et sportives de l’équipe.Alors que le football évolue vers un sport plus axé sur les données, il est de plus en plus reconnu que les méthodes traditionnelles doivent être complétées par des méthodes scientifiques basées sur l'intelligence artificielle et le recours aux méthodes de prise de décision multi-critères pour optimiser la sélection des joueurs et améliorer les performances tant sportives que financières. Il devient essentiel de rechercher un équilibre optimal entre le rendement sportif et la performance financière afin d'optimiser les résultats d'une entité spécifique: le club de football.À cet égard, l'objectif principal de cette thèse est de proposer un modèle qui combine les techniques de machine learning et les méthodes d’analyse multicritères pour améliorer l'efficacité et l'objectivité du processus de sélection des joueurs de football, tout en tenant compte des considérations financières et managériales. Notre première contribution est de prioriser les critères techniques, physiques, tactiques et comportementaux des joueurs en utilisant les algorithmes Random Forest, Entropy et CRITIC. La seconde contribution est de classer les joueurs selon leurs performances en se basant sur la méthode TOPSIS.Afin de valider ces contributions, nous avons créé un système d'aide à la décision permettant au décideur sportif de suggérer des joueurs en fonction de leurs performances. Notre modèle ne vise pas à remplacer les entraîneurs, mais plutôt à intégrer des évaluations subjectives et objectives pour permettre une compréhension approfondie des facteurs de performance sportive et managériale, améliorant ainsi la précision de la sélection des joueurs. Alors que le football s'oriente vers des approches plus axées sur les données, la combinaison de l'IA et du MCDM peut optimiser davantage les processus de sélection des joueurs, en tirant parti des avantages de l'analyse de données objective et de l'expertise subjective.Les résultats obtenus démontrent l'efficacité de notre approche dans l'amélioration des performances des équipes de football, particulièrement lorsqu'elle est soutenue et assistée par l'intelligence émotionnelle, à savoir la capacité du manager à détecter l'état substantiel du joueur.
- Open Access
- 22 February 2025
- Published by Atlantis Press SARL
- p. 62-77
Optimizing Football Player Selection Using Random Forest for Criterion Weighting and TOPSIS for Ranking
- 22 February 2025
- Published by Atlantis Press SARL
- p. 62-77
Open AccessOptimizing Football Player Selection Using Random Forest for Criterion Weighting and TOPSIS for Ranking
- Open Access
- 1 June 2024
- Published by KEAI Publishing in Data Science and Management
- Vol. 7 (2) , 79-88
Using multi-criteria decision-making and machine learning for football player selection and performance prediction: a systematic review
- 1 June 2024
- Published by KEAI Publishing in Data Science and Management
- Vol. 7 (2) , 79-88
Open AccessUsing multi-criteria decision-making and machine learning for football player selection and performance prediction: a systematic review