Transparantie & methodologie
Hoe Squadra
echt werkt
Dit document legt uit welke wetenschappelijke modellen we gebruiken, hoe onze formules werken, wat de AI Coach doet (en niet doet) en wat de grenzen zijn van ons systeem. We geloven dat ouders, coaches en spelers recht hebben op deze transparantie.
Gebaseerd op peer-reviewed onderzoek
Groeiwetenschap
Peak Height Velocity (PHV) — Biologische groeifasen
PHV — Peak Height Velocity — is het moment waarop een kind het snelst groeit in lengte. Dit moment is cruciaal voor sportcoaching omdat het bepaalt wanneer een kind klaar is voor intensieve training, wanneer het blessurerisico het hoogst is, en hoe de training aangepast moet worden.
Waarom PHV belangrijker is dan kalenderleeftijd
Twee kinderen van exact dezelfde kalenderleeftijd kunnen biologisch 3 tot 4 jaar van elkaar verschillen. Een “vroeg-rijpe” speler van 12 jaar kan biofysisch al 15 zijn, terwijl een “laat-rijpe” 12-jarige biologisch nog 10 jaar oud is. Coachen op basis van kalenderleeftijd negeert deze fundamentele realiteit.
Dit heeft directe gevolgen voor teamsamenstelling, trainingsintensiteit, blessurepreventie en talentontwikkeling. Vroeg-rijpe spelers worden vaak geselecteerd als “talent” puur omdat ze groter en sterker zijn — een fenomeen dat bekend staat als het Relatieve Leeftijdseffect (RAE).
Pre-PHV
Offset < −1
Het kind groeit nog niet op pieksnelheid. Hoge technische trainbaarheid. Coördinatie is stabiel.
✓ Ideale fase voor techniektraining en motorische basisontwikkeling
Circa-PHV
−1 ≤ Offset ≤ +1
Piekgroeifase. Coördinatie daalt tijdelijk. Blessurerisico (apofyse, kniepeesontsteking) verhoogd.
⚠ Verlaag intensiteit. Prioriteit aan herstel en slaap. Geen plotselinge volumestijging.
Post-PHV
Offset > +1
Groei vertraagt. Krachtontwikkeling versnelt. Coördinatie herstelt. Hogere trainingsvolumes mogelijk.
✓ Fase voor kracht, explosiviteit en tactische complexiteit
Bron: Malina et al. (2004), Ford et al. (2011), Cobley et al. (2009) — zie Wetenschappelijke bronnen onderaan voor volledige referenties.
Formule & berekening
De Mirwald-formule — maturity offset berekening
Squadra gebruikt de Mirwald et al. (2002) regressievergelijking om de biologische rijpheid van een speler te berekenen. Dit is de meest gebruikte en wetenschappelijk gevalideerde methode in de sport- en groeiwetenschappen voor jeugdatleten.
Wat berekenen we
De maturity offset is het aantal jaren vóór (negatief) of ná (positief) het PHV-moment. Een offset van −0.5 betekent dat het kind over 6 maanden zijn groeipiek zal bereiken. Een offset van +1.2 betekent dat het kind 1.2 jaar voorbij zijn groeipiek is.
Variabelen die de gebruiker invoert
| Variabele | Eenheid | Hoe meten | Hoe vaak |
|---|
| Totale lengte | cm | Staand, zonder schoenen, tegen muur | Elke 3 maanden |
| Zittende hoogte | cm | Zittend op tafel, rug recht, meetlint van zitting tot kruin | Elke 3 maanden |
| Gewicht | kg | Ochtend, nuchter, zelfde weegschaal | Elke 3 maanden |
| Geboortedatum | — | Eenmalig ingevoerd bij registratie | Eenmalig |
| Lengte vader (opt.) | cm | Opgave door ouder | Eenmalig |
| Lengte moeder (opt.) | cm | Opgave door ouder | Eenmalig |
Rijpheidsfase (PHV) & eerlijke vergelijking
De maturity offset deelt elke speler in een rijpheidsfase rond zijn piekgroei (PHV — Peak Height Velocity):
- Pre-PHV — offset < −1 jaar (vóór de groeispurt)
- Circa-PHV — offset −1 tot +1 jaar (in de piekgroei)
- Post-PHV — offset > +1 jaar (na de piekgroei)
Sommige wetenschappelijke benchmarks zijn niet op kalenderleeftijd maar op rijpheidsfase opgebouwd (bv. Sellami et al. 2024). Squadra vergelijkt een speler daarom met de referentie van zijn eigen rijpheidsfase in plaats van enkel zijn leeftijd — zo wordt een vroeg- of laatrijpe speler niet oneerlijk afgemeten. De typische leeftijd van PHV is ± 13,8 jaar bij jongens en ± 11,9 jaar bij meisjes (Malina, Bouchard & Bar-Or, 2004); zonder recente meting schat het systeem de fase uit de leeftijd, maar een echte meting is altijd nauwkeuriger.
Voorspelling volwassen lengte (Khamis-Roche methode)
Als de lengtes van beide ouders bekend zijn, berekent Squadra ook een voorspelling van de volwassen eindlengte via de Khamis-Roche methode (1994) — een regressiemodel gebaseerd op leeftijd, huidige lengte, gewicht en ouderlengte. Dit geeft een schatting met een nauwkeurigheid van ± 3–4 cm.
Rekenvoorbeeld — jongen van 12 jaar
Geboortedatum15 maart 2013 → leeftijd 12.08 jaar
Totale lengte152.4 cm
Zittende hoogte78.3 cm → Beenlengte: 74.1 cm
Gewicht43.2 kg
Gewicht/lengte ratio43.2 / 152.4 × 100 = 28.35
Maturity Offset = −9.236 + (0.0002708 × 74.1 × 78.3) + (−0.001663 × 12.08 × 74.1) + (0.007216 × 12.08 × 78.3) + (0.02292 × 28.35)
= −9.236 + 1.574 + (−1.489) + 6.841 + 0.650
= −1.66 → Pre-PHV fase · piek groei verwacht over ~1.7 jaar
⚠️
Beperking van de Mirwald-formule: het model is gevalideerd op een Noord-Amerikaanse populatie (blanke kinderen). Toepassing op andere etnische groepen kan afwijkingen geven van 0.3–0.7 jaar. Squadra gebruikt dit model als de beste beschikbare standaard maar werkt aan validatie voor Belgische populatiedata. De resultaten zijn altijd indicatief, nooit diagnostisch.
Bewegingsdata
GPS & IMU tracking — wat meten we en hoe
Squadra integreert met externe hardware (Footbar) en onze eigen Squadra Tracker. Hier leggen we uit wat elke sensor meet en hoe de data wordt berekend.
GPS — positie en afstand
GPS-sensoren meten de positie van de speler via satelliet-triangulatie. De nauwkeurigheid van consumentenhardware bedraagt typisch 2–5 meter. Professionele systemen (UWB, differential GPS) halen 10–30 cm maar zijn significant duurder.
Squadra berekent afstand via de Haversine-formule (booglengte op een bol) over opeenvolgende GPS-coördinaten, gefilterd met een Kalman-filter om GPS-ruis te reduceren.
IMU — versnelling en schot-detectie
De IMU (Inertial Measurement Unit) in de Footbar en Squadra Tracker bevat een 3-assige accelerometer en 3-assige gyroscoop. Deze meten lineaire versnelling (g-krachten) en rotatiehoeksnelheid (°/s) op 100–200 Hz.
⚠️
Nauwkeurigheidsbeperkingen: GPS-data bij U8–U12 training op kleine velden (30×20m) heeft een hogere relatieve foutmarge dan bij grotere velden. Wij adviseren GPS-metingen te interpreteren als trends over meerdere sessies, niet als exacte absolute waarden.
Herstelwetenschappen
Herstel & slaap — hoe we wearable-data interpreteren
Via integraties met WHOOP, Polar en Oura verwerkt Squadra hersteldata. We leggen hier uit welke metrics we gebruiken, wat ze betekenen en hoe ze het AI Coach advies beïnvloeden.
Heart Rate Variability (HRV)
HRV is de variatie in tijd tussen opeenvolgende hartslagen (ms). Een hoge HRV wijst op een goed hersteld autonoom zenuwstelsel en lage stressbelasting. Een lage HRV duidt op vermoeidheid, ziekte of overbelasting.
Squadra gebruikt de rMSSD-waarde (root mean square of successive differences) als primaire HRV-metric — dit is de meest stabiele en populairste metric in sportwetenschappelijk onderzoek.
Slaapkwaliteit en -kwantiteit
Voor jeugdspelers in de PHV-fase adviseert de wetenschap 9–10 uur slaap per nacht (Dattilo et al., 2011). Groeihormoon wordt voor 70–80% aangemaakt tijdens de diepe slaapfases (N3 / slow-wave sleep). Chronisch slaaptekort vertraagt letterlijk de groei en verhoogt het blessurerisico.
Squadra combineert slaapduur, slaapefficiëntie (% tijd werkelijk slapend) en diepe-slaap-percentage tot een herstelindex die het AI Coach advies mee bepaalt.
Subjectieve RPE (Rate of Perceived Exertion)
Naast objectieve data gebruikt Squadra de Borg CR10-schaal (0–10) als subjectieve inspanningsscore. Spelers of ouders voeren de RPE handmatig in na een sessie. Onderzoek toont aan dat RPE sterk correleert met objectieve belastingsmarkers (r = 0.78–0.92) en zelfs complementaire informatie geeft die sensoren missen.
Session RPE-methode (Foster et al., 2001): Totale trainingsbelasting = RPE × sessieduur in minuten. Dit geeft de Training Loadin arbitrary units (AU). Squadra accumuleert dit over de week om acute:chronic workload ratio's te berekenen.
Artificiële intelligentie
AI Coach — hoe werkt het, op wat baseert het zich
De AI Coach is het meest zichtbare onderdeel van Squadra. Hier leggen we eerlijk uit hoe het werkt, welke data het gebruikt, hoe het advies tot stand komt en wat het niet kan.
📊
Stap 1 — Data aggregatie
De AI Coach verwerkt de beschikbare data van de afgelopen 7 dagen: sessiedata (afstand, sprints, schot, RPE), hersteldata (HRV, slaap) en PHV-fase van de speler. Ontbrekende data wordt expliciet gemarkeerd — de coach geeft minder specifiek advies naarmate er minder data beschikbaar is.
🔢
Stap 2 — Belastingsanalyse
Het systeem berekent de acute:chronic workload ratio (ACWR): de verhouding tussen de belasting van de afgelopen week versus het 4-weken gemiddelde. Een ratio boven 1.5 verhoogt het blessurerisico significant (Hulin et al., 2016). De PHV-fase bepaalt welke ratio als veilig wordt beschouwd.
🤖
Stap 3 — Adviesgeneratie (LLM)
Op basis van de berekende metrics wordt een prompt samengesteld en verwerkt door een groot taalmodel (Large Language Model). Het LLM vertaalt de cijfermatige analyse naar begrijpelijk, menselijk advies — aangepast aan de rol (ouder, coach, speler) en taalvoorkeur. Het LLM voegt geen nieuwe data toe: het vertaalt alleen wat de algoritmen hebben berekend.
✅
Stap 4 — Filtering & veiligheidschecks
Gegenereerd advies wordt gefilterd op een lijst van verboden output: medische diagnoses, diagnose van blessures, voedingsadvies buiten sportprestaties, en vergelijkingen die stigmatiserend kunnen zijn. Alle output die een van deze criteria raakt, wordt vervangen door een verwijzing naar een professional.
👤
Stap 5 — Audience-adaptatie
Hetzelfde advies wordt in drie versies aangeboden: voor de speler (motiverend, eenvoudig, concreet), voor de ouder (contextueel, rustgevend, wetenschappelijk onderbouwd) en voor de coach (technisch, belasting-gericht, implementeerbaar op training). De onderliggende data is identiek — alleen de framing verschilt.
Wat de AI Coach niet kan en niet doet
- Geen medische diagnoses stellen of blessures diagnosticeren
- Geen voedingsplannen opstellen (dit valt buiten ons domein en vereist een diëtist)
- Geen absolute uitspraken doen over talent of toekomstige prestaties
- Niet functioneren zonder voldoende data — bij minder dan 2 sessies is het advies generiek
- Geen garanties geven — het advies is altijd indicatief
Transparantie
Grenzen van het systeem — wat we niet weten
🔬
Squadra is geen medisch hulpmiddel. Ons platform is een informatief instrument voor sportprestatie-analyse. Het is niet gecertificeerd als medisch hulpmiddel (MDR 2017/745) en mag niet worden gebruikt als basis voor medische beslissingen. Bij twijfel over gezondheid, blessures of groei: raadpleeg altijd een arts, kinderarts of sportarts.
Bekende beperkingen
- Populatievalidatie: de Mirwald-formule is gevalideerd op Noord-Amerikaanse populaties. Toepassing op andere etnische groepen kan systematische afwijkingen geven.
- GPS in kleine ruimtes: op kleine velden (kleuter- en U8-voetbal) is de relatieve GPS-fout groter. Afstandsmetingen kunnen 10–15% afwijken.
- Schot-snelheid: de IMU-schatting van balsnelheid heeft een foutmarge van ±3–5 km/h en is afhankelijk van de positie en bevestiging van de sensor.
- HRV-interpretatie: HRV is individueel sterk variabel. Een "lage" HRV voor persoon A kan normaal zijn voor persoon B. Squadra gebruikt altijd een persoonlijke baseline, maar de eerste 30 dagen zijn de normen minder stabiel.
- AI-hallucinaties: LLMs kunnen soms plausibel klinkende maar foutieve informatie genereren. Onze filtering en prompt-engineering reduceren dit risico, maar elimineren het niet volledig. Meld vermoedelijk onjuist advies via feedback@squadra.football.
- Causaal vs. correlatief: onze analyses tonen correlaties, geen oorzaak-gevolg relaties. Een lage HRV na een zware training betekent niet automatisch dat de training ongezond was.
Wetenschappelijke literatuur
Wetenschappelijke bronnen
Alle methodologische keuzes zijn gebaseerd op peer-reviewed onderzoek. Hieronder een overzicht van de belangrijkste referenties.
PHV & Biologische rijpheid
1
Prediction of Adult Height from Height, Weight, and Skeletal Age of Girls Age 4–17
Mirwald, R.L., Baxter-Jones, A.D.G., Bailey, D.A., & Beunen, G.P.
Medicine & Science in Sports & Exercise, 34(4), 689–694, 2002
2
Predicting Adult Stature Without Using Skeletal Age: The Khamis-Roche Method
Khamis, H.J., & Roche, A.F.
Pediatrics, 94(4), 504–507, 1994
3
Growth and Maturation of Young Athletes: Is There Evidence for the Relative Age Effect?
Malina, R.M., Cumming, S.P., Kontos, A.P., Eisenmann, J.C., Ribeiro, B., & Aroso, J.
Journal of Sports Sciences, 23(10), 1003–1011, 2005
4
The Relative Age Effect in Elite Youth Football Development
Cobley, S., Baker, J., Wattie, N., & McKenna, J.
Sports Medicine, 39(3), 235–256, 2009
Belasting & blessurepreventie
5
The Training—Injury Prevention Paradox: Should Athletes Be Training Smarter and Harder?
Gabbett, T.J.
British Journal of Sports Medicine, 50(5), 273–280, 2016
6
Spikes in Acute Workload Are Associated With Increased Injury Risk in Elite Cricket Fast Bowlers
Hulin, B.T., Gabbett, T.J., Lawson, D.W., Caputi, P., & Sampson, J.A.
British Journal of Sports Medicine, 51(8), 618–623, 2016
7
A New Approach to Monitoring Exercise Training
Foster, C., Florhaug, J.A., Franklin, J., Gottschall, L., et al.
Journal of Strength and Conditioning Research, 15(1), 109–115, 2001
Herstel & slaap
8
Sleep to Win: Associations Between Sleep Duration and Recovery Among Elite Athletes
Dattilo, M., Antunes, H.K., Medeiros, A., et al.
Medical Hypotheses, 77(2), 220–222, 2011
9
Heart Rate Variability as an Indicator of Autonomic Cardiac Modulation: A Systematic Review
Camm, A.J., et al. (Task Force ESC & NASPE)
European Heart Journal, 17, 354–381, 1996 (HRV standaard)
GPS & bewegingsanalyse
10
Evaluation of Reliability, Validity, and Feasibility of Field-Based Testing in Youth Soccer
Rampinini, E., Impellizzeri, F.M., Castagna, C., et al.
Journal of Strength and Conditioning Research, 22(4), 1446–1454, 2008
Vergelijkings-benchmarks (leeftijd, niveau & geslacht)
De waarden waarmee Squadra prestaties vergelijkt (skill-radar, percentielen, niveau-referenties) komen uitsluitend uit peer-reviewed onderzoek. Per datapunt bewaren we land, geslacht, niveau en meetmethode/drempel. Ontbrekende leeftijden/geslachten worden niet ingevuld met schattingen.
11
Match Running Performance in Young Soccer Players: A Systematic Review
Palucci Vieira, L.H., et al.
Sports Medicine, 49(2), 289–318, 2019 · DOI 10.1007/s40279-018-01048-8
12
Methodological characteristics of match running in elite youth football (di Mascio)
di Mascio, M., Bradley, P.S., et al.
Elite youth referentie-means (jongens) · anker di_mascio_2017
13
Sprint-tijd & standing-long-jump referentie-percentielen bij jeugdvoetballers (U12–U16)
Nowak, R., et al.
2025, Polen (n=495, jongens) · anker nowak_2025
14
Kicking Performance in Young (U9–U20) Soccer Players: Velocity and Accuracy
Vieira, et al.
schot-/trapbalsnelheid U9–U20 · anker vieira_2018
15
Internal & external training load in youth soccer (review)
Oliveira, R., et al.
2021, training-load/afstand-ranges · anker oliveira_2021
16
Match running of U8 vs U10 soccer players
Bellistri, G., Marzorati, M., et al.
Sport Sciences for Health, 2017, Italië · DOI 10.1007/s11332-016-0328-3
17
Match Analysis of U9 and U10 English Premier League Academy Players (GPS)
Goto, H., Morris, J.G., Nevill, M.E.
J Strength Cond Res, 2015, Engeland
18
Physical Demands of U10 Players in a 7-a-Side Tournament by Position
Hernández-Martín, A., et al.
Sensors, 20(23):6968, 2020, Spanje · DOI 10.3390/s20236968
19
Physical Demands of Women's Soccer Across the Developmental Spectrum (FAiM)
Vescovi, J.D., Fernandes, E., Klas, A.
Front. Sports Act. Living, 2021, USA (U15–U17, meisjes) · DOI 10.3389/fspor.2021.634696
20
U-17, U-20 & Professional Female Soccer GPS Profiles (Brazilian Championships)
et al.
IJERPH, 19(24):16642, 2022, Brazilië (meisjes) · DOI 10.3390/ijerph192416642
21
Reference values for performance test outcomes — English female soccer players
Datson, N., et al.
Sci Med Football, 6(5):589–596, 2022, Engeland (meisjes, centielen) · DOI 10.1080/24733938.2022.2037156
22
Physical Characteristics of Elite Youth Female Soccer Players by Maturity Status
Emmonds, S., et al.
J Strength Cond Res, 34(8):2321–2328, 2020, Engeland (meisjes, per PHV) · DOI 10.1519/JSC.0000000000002795
23
Age-specific velocity thresholds for elite youth female soccer players
et al.
Sci Med Football, 6(5), 2021, Engeland · DOI 10.1080/24733938.2021.1991585
24
Anthropometric & Physical Fitness Characteristics of Young Soccer Players (7–14)
Parpa, K., Michaelides, M.
Children, 9(5):650, 2022, academie Oost-Europa (jongens) · DOI 10.3390/children9050650
25
Talent Identification in Youth Soccer (U9)
Hohmann, A., Siener, M.
Front. Sports Act. Living, 2021, Duitsland (jongens ~8j) · DOI 10.3389/fspor.2021.625645
26
Physical fitness reference standards in European children (IDEFICS)
De Miguel-Etayo, P., et al.
Int J Obesity, 2014 (n=10.302, 6–10,9j, beide geslachten — algemene norm) · DOI 10.1038/ijo.2014.136
27
Normative standing broad jump values in European children/adolescents
et al.
Eur J Transl Myol, 2020 (6–18j, beide geslachten — algemene norm) · PubMed 32782766
28
Physical performance of female academy soccer players (U14–U18)
et al.
BMC Sports Sci Med Rehabil, 2021, Spanje (meisjes) · DOI 10.1186/s13102-021-00327-8
29
Normative Reference Centiles for Sprint Performance in High-Level Youth Soccer (U11–U19)
et al.
Pediatric Exercise Science, 36(4), 2024, Duitsland (jongens) · DOI 10.1123/pes.2023-0186
30
Maturity-banded physical characteristics of youth soccer players
Sellami, M., et al.
BMC Sports Sci Med Rehabil, 2024, Tunesië (jongens 11–18, per PHV) · DOI 10.1186/s13102-024-00855-z
31
Physical characteristics of 12-year-old non-elite female football players
Stefansdottir, et al.
European Journal of Sport Science, 25(9), 2025, IJsland (meisjes U12) · DOI 10.1002/ejsc.70029
32
Multidimensional Performance Assessments in U15 Female Soccer (DFB)
Leyhr, D., Bergmann, F., Raabe, J., Höner, O.
Eur J Sport Sci, 2025, Duitsland (meisjes U15) · DOI 10.1002/ejsc.12335
33
Chinese physical fitness standard for campus football players (9–11)
Jia, et al.
Frontiers in Physiology, 2022, China (jongens U9–U11, percentielen) · DOI 10.3389/fphys.2022.1023910
34
Force plate-derived descriptive data for elite female youth soccer
Fahey, J.T., Comfort, P., Ripley, N.J.
J Strength Cond Res, 40(5), 2026, VK (meisjes U11–U12) · DOI 10.1519/JSC.0000000000005375
35
European fitness landscape for children and adolescents (FitBack/ALPHA)
Ortega, F.B., et al. (FitBack network)
Br J Sports Med, 2023 (34 landen, 6–18 j, beide geslachten — algemene norm) · DOI 10.1136/bjsports-2022-106176
36
OSF national fitness battery normative centiles
et al.
2021, Polen (n=27.187, 5–17 j, beide geslachten — algemene norm) · PMC9655008
37
Physical fitness norms for female football players (thesis)
Guðrún
University of Iceland, Skemman 1946/36330 (meisjes, leeftijds-genormeerd)
38
Barometer van de fysieke fitheid van de Vlaamse jeugd (Eurofit)
Van Lierde, Philippaerts, et al. (Bloso / Sport Vlaanderen)
2005, België/Vlaanderen (algemene schooljeugd, n=3.521 — 10×5m shuttle + verspringen)
39
Sprint speed reference centiles for schoolchildren
Negra, Sammoud, Myers, Nevill, Chaabene
J Sci Sport Exerc, 2023, Tunesië (algemene school, 8–14 j, 10/30m) · DOI 10.1007/s42978-023-00219-y
40
Normative health-related fitness values for children
Catley, M.J., Tomkinson, G.R.
Br J Sports Med, 2013, Australië (n=85.347, 9–17 j, algemeen, incl. 50m) · DOI 10.1136/bjsports-2011-090218
41
European normative values for Eurofit performance
Tomkinson, G.R., et al.
Br J Sports Med, 2018 (2,78M prestaties, 30 landen, algemene populatie) · DOI 10.1136/bjsports-2017-098253
42
Comparison between hand and electronic timing of the 40-yd dash
Mayhew, J.L., et al.
J Strength Cond Res, 2010 (handmeting ~0,31 s sneller dan elektronisch) · DOI 10.1519/JSC.0b013e3181c08860