De algoritmische Spelen: hoe machine‑learning al het medailleklassement van 2028 berekent
Stel je voor: je zit in 2028 in het stadion, klaar voor de wedstrijd, en in plaats van dat de sportanalist komt met z’n klassieke voorspelling, start hij z’n laptop, laadt een dashboard en zegt: “Volgens Model X is het podium: 1. VS, 2. China, 3. Frankrijk”.
Het klinkt vergezocht, maar steeds vaker is dit geen toekomstmuziek, maar dagelijkse realiteit in sport‑analytics.
Want terwijl de atleten hun warming‑up doen, zijn de data‑wetenschappers al klaar met hun voorspellingen. Onderzoeken tonen aan dat modellen die historische Olympische data, macro‑variabelen en algoritmes combineren, ruim 80 % nauwkeurig kunnen voorspellen welke landen de meeste medailles mee naar huis nemen.
1. Waarom voorspellen we medailles?
In de sportwereld geldt nog steeds: wie raden kan, valt op. Voor sponsors, media en sportbonden is het waardevol te weten welke landen gaan domineren. De Meestervoorspellers zijn nog steeds popular. Modellen helpen bij het alloceren van budgetten, het plannen van trainingsprogramma’s en zelfs het anticiperen op geopolitieke verschuivingen in sport.
Eerder onderzoek liet al zien dat machine‑learning modellen beter presteren dan naïeve voorspellingen bij het voorspellen van medailles. En nu richten we ons op de grote stap: vooraf voorspellen voor 2028.
2. Hoe werkt zo’n medaille‑voorspelmodel?
Typisch gebruikt zo’n studie: historische Olympische data (medailles per land, aantal atleten, aantal sporten), macro‑kenmerken (BBP, bevolking, sportinvestering), en vaak speciale effecten zoals host country effect of great coach effect.
Veelgebruikte technieken zijn: Random Forest, LightGBM, XGBoost, stacking‑modellen en tijdreeksmodellen zoals ARIMA of grey prediction voor het voorspellen van kenmerken zoals aantal deelnemers of aantal sporten.
3. Wat voorspellen de modellen voor 2028?
Uit enkele recente studies blijkt:
– Verenigde Staten: 57 gouden medailles, totaal circa 135.
– China: 44 goud, 94 totaal.
– Frankrijk: lichte daling in prestaties.
Kortom: de VS en China blijven volgens de modellen bovenaan, terwijl landen als Frankrijk zich mogelijk wat naar achteren zullen bewegen. Dit biedt een mooie voedingsbodem voor discussie: worden medailles voorspelbaar? En wat betekent dat voor sportbeleving?
4. De ‘Great Coach Effect’ & Host Effect
Een mooi onderdeel van de modellen is dat ze niet alleen puur statistisch zijn, maar ook beleidsvragen raken. Zo is er het host effect – het verschijnsel dat het gastland vaak significant meer medailles wint, door factoren zoals vertrouwdheid met infrastructuur, logistiek en publiek.
Daarnaast is er het Great Coach Effect — de impact van een topcoach op het aantal medailles per atleet. Modellen proberen dit te kwantificeren via een Bayesian regressie of coach‑scoring systeem.
Voor TheDataConnection is dit interessant omdat het laat zien dat data‑modellen niet alleen voorspellen, maar ook inzichten geven: welke strategische investeringen (in coaches, gastlanden, sportinfrastructuur) het meeste effect hebben.
5. Waarom juist deze invalshoek voor TheDataConnection?
Omdat het sportthema is én de data‑science component sterk aanwezig is. Je kunt de blog serieus en inhoudelijk maken, maar ook met humor en een kritische ondertoon: “Als algoritmes al medailles voorspellen, wat resteert er dan nog aan sportwonder?”.
Je biedt iets nieuws: waar veel sportblogs gaan over atleten en prestaties, neem jij het perspectief van de data‑wetenschapper.
6. Valkuilen & kritische reflectie
Geen model is perfect. Hier enkele aandachtspunten:
– Data‑bias: landen met weinig historische deelname of medailles zijn slecht te voorspellen.
– Onvoorziene gebeurtenissen: politieke boycots, pandemieën, nieuwe sporten.
– Over‑optimalisatie: als iedereen handelt naar voorspellingen, verandert de werkelijkheid.
– Beleving: sport is niet alleen aantallen maar emotie, verrassing, drama.
Misschien is de echte spanning van de Spelen niet wie er wint volgens het model, maar wie er wint tegen het model in.
7. Conclusie
De medailles van 2028? Ze staan nog niet officieel te koop — maar in de wereld van data‑science zijn ze al te voorspellen. Voor landen, coaches en sponsoren komt de toekomst niet meer pas na de eindbel , die begint al met de dataset. En voor jou als lezer? Misschien kijk je in 2028 niet alleen naar het scorebord, maar stiekem ook naar het dashboard.
Op naar 2028, ik heb er nu al in zin in!
Pieter de Kok RA
Bronvermelding
– Zhang, Zhenkai et al., “Predicting Olympic Medal Performance for 2028: Machine Learning Models and the Impact of Host and Coaching Effects.” Applied Sciences, 2025.
– Li, Ning et al., “A Hybrid Intelligent Model for Olympic Medal Prediction Based on Data‑Intelligence Fusion.” Technologies, 2025, 13(6), 250.
– Chen, Jiaji, “Research on Olympic Medal Prediction Method Based on Ensemble Learning and Grey Prediction.” 2025.
– Schlembach, C., et al., “Forecasting the Olympic medal distribution during a pandemic: a socio‑economic machine learning model.” arXiv preprint, 2020.