Introduction

1L’identification d’individus avec le potentiel d’exceller au plus haut niveau reste un challenge important des entraîneurs en clubs, ainsi que des politiques sportives et fédérales. La détection, l’accompagnement comme les attentes possibles de progression sont des enjeux déterminants non seulement dans le sport de haut niveau mais aussi pour l’ensemble des formateurs. La majorité des outils de détection se contentent de comparer des niveaux de performance ou de qualités physiques et psychologiques aux valeurs aux mêmes âges retrouvées chez des champions olympiques ou du monde. Ce type d’approche échoue à comprendre la nature évolutive des possibilités. L’aspect individuel d’une trajectoire de progression ou d’une résonance personnelle de l’apport de telles ou telles qualités dans le maillage de la performance n’est que trop rarement abordé. Détecter uniquement de la performance, ignorer les capacités de progressions individuelles, ne pas pondérer les batteries de tests par le niveau de maturité ou s’appuyer sur des programmes d’identification aussi restrictifs que les modèles sous-jacents demeurent les écueils les plus courants auxquels nous tenterons d’apporter des solutions simples.

Constat

2Au regard de la myriade de facteurs influençant le développement d’athlètes de très haut niveau, la détection de ces derniers et la prédiction de leurs futures performances restent à ce jour une question scientifique mal résolue (McCall et al., 2017 ; Vaeyens et al., 2008). En dépit du nombre croissant d’études et de modèles notamment issus de l’apprentissage automatique ou machine learning, le besoin actuel réside dans l’élaboration de méthodes et modélisations plus robustes et fiables (Bunker et Thabtah, 2019 ; McCall et al., 2017). En effet, seules 10 % des études portant sur la prédiction de talents utilisent des méthodes appropriées (McCall et al., 2017). Au-delà de ces difficultés de méthodes seuls 10 à 25 % des athlètes adultes de très haut niveau l’étaient à l’âge de 16 ans (Boccia et al., 2017). En conséquence, les performances physiques du moment ne fournissent qu’un instantané des capacités actuelles, et ne présagent en rien les capacités futures (Boccia et al., 2017 ; Kearney et Hayes, 2018). À cela s’ajoute une particularité française, parmi les quatorze athlètes français titrés aux Jeux olympiques de la jeunesse (JOJ) en 2010 et 2014, un seul a conquis un titre de champion olympique à Rio. Ce taux de conversion pour l’ensemble des médaillés des JOJ vers les Jeux olympiques est de 3,2 % pour les Français et très inférieur à celui de l’Australie (11 %), des États-Unis (7,1 %) ou de la Grande-Bretagne (6,7 %). Ces faits soulignent un taux de conversion vers le très haut niveau en deçà de nos concurrents. Observés conjointement, ces éléments mettent en avant deux pans de la recherche sur la détection et ce que nous pourrions nommer le paradoxe du succès précoce. Ce paradoxe repose sur le fait que d’un côté la réussite dans la catégorie jeune n’augure pas la réussite future, et que de l’autre, le taux de conversion des meilleurs jeunes (médaillés dans les catégories jeunes) du niveau junior au niveau élite senior est bien plus fort que pour les autres athlètes. Alors que faire ? Quels leviers décelables pouvons-nous activer ? Quelle place de l’individualisation dans nos marges de progression ?

Identification de talents : sur quels éléments se fonder ?

3Les programmes d’identification et de développement des meilleurs talents sportifs du monde sont principalement axés sur trois éléments : l’athlète, son environnement, ses pratiques et entraînements (Rees et al., 2016). En ce qui concerne l’athlète, la date de naissance, la génétique, les facteurs anthropométriques et physiologiques, les compétences psychologiques, l’orientation de la motivation et les traits de personnalité sont les principaux indicateurs de performance (Rees et al., 2016). Le soutien des parents, de l’écosystème familial, des frères et sœurs et des entraîneurs, émergent comme centraux chez les meilleurs athlètes de la planète. Le volume d’entraînement spécifique à un sport ainsi que celui des autres pratiques sportives sont des variables également monitorées (Rees et al., 2016). Pour autant, un courant récent de recherche met en avant qu’une spécialisation précoce peut s’avérer un élément préjudiciable à l’atteinte du haut niveau (Sugimoto et al., 2017). L’étude menée par les Britanniques (Rees et al., 2016) afin d’identifier les schémas communs de leurs meilleurs sportifs médaillés nous interpelle déjà quant au panel d’éléments pertinents à considérer et, en parallèle, aux déclinaisons individuelles que cela suscite. Parmi cette multitude de variables, les programmes d’identification des talents existants ne prennent que peu en compte la capacité de l’athlète à améliorer sa performance (Pickering et Kiely, 2017). La majorité des études actuelles compare les niveaux de performance de jeunes athlètes à des niveaux de performance au même âge d’athlètes devenus champions de France, du monde ou olympique. Pour autant, les performances physiques du moment ne fournissent qu’un instantané des capacités actuelles, et ne présagent en rien sur les capacités futures, puisque plus des trois quarts des meilleurs jeunes (entre 15 et 16 ans) ne se retrouvent plus parmi les meilleurs adultes. Nos variables d’intérêt et indicateurs de suivi s’enrichiraient à se décaler vers l’appréhension de capacités de progression individuelle. Les limites de l’identification des athlètes par rapport à leur niveau de performance dans les catégories jeunes ont déjà été montrées (Boccia et al., 2017 ; Kearney et Hayes, 2018).

Première piste : une relation âge-performance

4Les relations entre âge et performance ont été théorisées pour la première fois par Moore en 1975 et peuvent être modélisées par la somme de deux lois exponentielles, l’une croissante (phase de progression des performances), l’autre décroissante (phase de régression) avec, au croisement de ces deux fonctions, une zone de performance optimale correspondant au pic de performance (sommet de carrière, Moore, 1975, Fig. 1).

Figure 1 ­– Relation entre âge et meilleure performance mondiale en athlétisme (100 m masculin courbe bleue, 400 m orange et 800 m gris).

5Cette relation permet de caractériser les capacités de nombreux paramètres physiques et physiologiques inhérents à la performance sportive en fonction du temps tels que la force (Mitchell et al., 2012), la consommation maximale d’oxygène et le volume respiratoire (Stanojevic et al., 2008), le volume des capillaires pulmonaires (Aguilaniu et al., 2008), ou encore les performances cognitives (Park et Reuter-Lorenz, 2009). Qu’il s’agisse d’une composante physiologique liée à des performances de force ou d’une composante liée à des qualités d’endurance, ces deux variables sont impactées par le temps. D’après Janssen et Ross, la masse musculaire moyenne des hommes passe de 34 kg à 25 ans à 25 kg à 85 ans et fluctue aux mêmes âges de 22 kg à 17 kg chez les femmes (Janssen et Ross, 2005). Dans leur étude, Tanaka et al. (1997) confirment ces mêmes tendances sur la consommation maximale d’oxygène avec une variation moyenne de la VO_2max passant de 35 ml/kg/min à 25 ans à 22 ml/kg/min à plus de 60 ans chez les sujets sédentaires. Malgré un niveau de performance supérieur, cette fluctuation se retrouve chez les athlètes entraînés avec une VO_2max qui passe de 55 ml/kg/min à 25 ans à 32,5 ml/kg/min à plus de 60 ans. La déclinaison de l’âge au pic de performance pour plusieurs épreuves telles que l’athlétisme (Berthelot et al., 2012 ; Marc et al., 2013), la course à pied (Berthelot et al., 2012 ; Eichenberger et al., 2012 ; Lepers et Cattagni, 2012), la natation (Allen et al., 2015 ; Dormehl et al., 2016), l’ultra-triathlon (Knechtle et al., 2012 ; Rüst et al., 2012) ou même pour des sports avec des indicateurs de performance plus difficilement mesurables comme le tennis, le baseball ou le golf (Guillaume et al., 2011 ; Schulz et Curnow, 1988) mettent en avant ces trajectoires communes : progression-stagnation-déclin. Cette relation, intuitive dans ce qu’elle révèle de nos capacités au fil du temps se retrouve également sur le marathon (Fig. 2).

Figure 2 ­– Meilleures performances en fonction de l’âge en marathon.

6Cette relation, qui va être à la base de notre réflexion des trajectoires de performance et par la suite de sa déclinaison individuelle, a été modélisée dans plus de cinquante disciplines et vingt sports par l’IRMES. Des disciplines plus difficilement quantifiables à l’instar du tennis, du judo ou du combat de sumo ont été étudiées (Fig. 3).

Figure 3 ­– Relation entre le nombre maximum de points par saison et l’âge des sumotoris à partir de 260 000 performances annuelles entre 1900 et 2011. Le classement des lutteurs de sumo repose sur une division hiérarchique appelée le « banzuké ». Ce dernier correspond à la liste des lutteurs qui s’affrontent entre eux lors des six tournois de l’année et des quinze combats possibles par lutteur et par tournoi. Toute l’organisation du sumo est basée sur ce principe du rang du lutteur. Selon le ratio de victoires et de défaites et la catégorie du lutteur des points lui sont attribués par tournoi. Le classement est mis à jour avant chaque tournoi.

7Ces courbes de maxima de performance en fonction de l’âge nous éclairent non seulement sur la compréhension de la relation sous-jacente mais aussi sur les capacités de progression individuelles. Si l’on s’intéresse à l’ensemble des skieurs alpins français ayant réalisé au moins une performance entre 10 et 25 ans depuis la saison 2004-2005, des trajectoires singulières se dessinent (Fig. 4).

Figure 4 ­– Meilleures performances annuelles (Points FFS) en fonction de l’âge des skieurs alpins français depuis la saison 2004-2005. Les points FFS correspondent à une performance relative dépendant du niveau global de la course et de l’écart au vainqueur de la course : plus les points sont faibles plus la performance est bonne.

D’un modèle vers des trajectoires individuelles…

8De ces multitudes de trajectoires, des filtres peuvent être appliqués via l’algorithme des k-means (classification automatique permettant d’identifier des groupes d’observation ayant des caractéristiques similaires) afin de catégoriser et regrouper des trajectoires similaires. De ces milliers de trajectoires individuelles de performances, quatre grands profils ressortent (Fig. 5). Les individus rassemblés et modélisés par la courbe rouge sont ceux qui tout au long de leur carrière présentent des niveaux de performance très élevés : ils sont parmi les meilleurs et ce à chaque âge. Ces individus sont facilement identifiables et identifiés dès le plus jeune âge. À l’opposé, nous observons les individus regroupés sous l’agglomération de parcours de performance illustrée par la courbe noire. Ces derniers présentent des niveaux de performance homogènes sur l’ensemble de leur carrière également. Pour les deux catégories ci-dessus, l’identification par les entraîneurs et staffs est facilitée : ce sont des individus avec de hauts niveaux de performance ou faibles résultats tout au long de leur carrière respective. La difficulté et l’apport potentiel de ces catégorisations émergent pour les deux autres profils.

Figure 5 ­– Meilleures performances annuelles en fonction de l’âge des skieurs alpins français depuis la saison 2004-2005 et rassemblement de ces courbes par la méthode des k-means.

9Les individus se retrouvant dans le profil de performance schématisé par la courbe bleue sont des athlètes qui ont effectué des performances parmi les meilleures dans les catégories jeunes et qui par la suite ont stagné et n’ont pas maintenu ces dernières au sein des meilleures. À l’inverse, et c’est ce qui présente le plus grand intérêt dans une optique d’identification de potentiels pour le haut niveau, les performeurs représentés par la courbe verte se retrouvent généralement en dehors des radars de détection standard puisque leur niveau de performance est faible dans les catégories jeunes. Ces athlètes parfois appelés « à maturation tardive » ne vont malheureusement pas toujours pouvoir bénéficier de l’écosystème optimal afin d’exprimer le maximum de leur potentiel. Ils ne bénéficieront pas des avantages cumulatifs inhérents aux sélections jeunes et inscriptions dans des pôles ou académies. Ces avantages cumulatifs de Merton décrits par Gladwel (2009) dans le cadre du sport seront développés dans le Chapitre 2 « Des gabarits aux corps individuels ». L’enjeu derrière cette catégorisation, critiquable à l’instar de toute démarche de ce type, est de tenter de déceler les individus qui s’orientent vers ce profil : faible niveau jeune mais potentiellement très performant à l’âge adulte. Cette méthode et les améliorations nécessaires au regard des difficultés à prédire le type de trajectoire à venir, au regard de seulement quelques données et peu de recul améliorent notre compréhension des différences de trajectoire qui peuvent amener au très haut niveau. Porter une attention particulière à des individus aux profils atypiques, différents morphologiquement, techniquement ou au regard d’autres aptitudes est déjà un signe de compréhension de la complexité des éléments qui font une performance. Ce traitement de regroupement de multitudes de trajectoires individuelles a également été réalisé à partir de 22 millions de performances annuelles pour des nageuses et nageurs français âgés de 6 à 97 ans. Quatre grands types de trajectoires sont ressortis, dont les profils sont semblables à ceux décrits pour le ski. Cette réalité évolutive des performances individuelles et collectives ne trouve pas immédiatement un écho transférable et utile dans les entraînements. Alors comment construire un outil pour chaque athlète ?

Construction de couloirs de performance pour les athlètes

10La trajectoire de progression varie d’un individu à un autre. Cependant, avant d’identifier les facteurs influençant la progression individuelle, il est nécessaire de pouvoir visualiser les trajectoires de chacun des sportifs. C’est à cette problématique que répondent « les couloirs de performance », liés à une méthodologie simple qui s’effectue étape par étape.

11Que vous représentiez une fédération, un club, une structure sportive, ou que vous fassiez cette démarche à titre individuel, cette rubrique permettra d’accéder aux différentes étapes à suivre pour construire les « couloirs de performance ».

12Bien que de nombreuses solutions puissent être utilisées pour construire les couloirs de performance, la méthodologie décrite ci-dessous s’appuie sur le logiciel Microsoft Excel. En effet, ce tableur reste un outil très largement utilisé par la plupart des staffs, qui demeure à la fois simple dans son utilisation et compatible avec l’ensemble des logiciels d’analyse statistique ou de solutions de visualisation de données plus complexes (R, Python, Tableau, Alteryx, power BI…).

13Afin de créer les couloirs de performance pour visualiser la progression individuelle de chacun des sportifs d’une discipline, quelques étapes sont nécessaires : mise en forme de la base de données ; création des trajectoires individuelles ; création des couloirs de performance.

Mise en forme de la base de données

14La base de données est la première étape fondamentale, puisqu’elle va conditionner l’ensemble de vos résultats. Méthodologiquement, il faut que cette dernière soit la plus complète possible, intégrant par exemple la totalité de l’effectif du club ou de la structure sportive. Chaque ligne horizontale correspond à la meilleure performance annuelle réalisée par un sportif à un âge donné. Il y aura autant de lignes que de performances réalisées. Chaque colonne verticale correspond aux différentes variables corrélées à l’événement détaillé précédemment (tels que le sexe, l’épreuve, le club, l’entraîneur, etc.).

Exemple pour un sport mesuré

15Dans l’exemple ci-dessous (Fig. 6), la colonne A d’Excel affiche le nom des sportifs, alors que les colonnes B et C affichent respectivement l’âge et chacune des performances correspondantes. Bien qu’il puisse y avoir autant de variables que possible, le nom, l’âge et la performance sont essentiels et suffisent pour construire les couloirs de performance. Il faudra alors intégrer l’ensemble de l’effectif dans la base de données en suivant ce modèle.

Figure 6

Création des trajectoires individuelles

16Dès à présent, il est tout à fait possible de commencer à créer et visualiser des courbes individuelles de progression de sportifs. Pour cela, il convient de sélectionner simultanément les colonnes « Âge » et « Performance » du sportif choisi (ici « sportif1 » de 12 à 17 ans) puis d’aller dans le menu d’Excel et de cliquer sur « insertion » en sélectionnant le type de graphique souhaité (Fig. 7). Dans le cas de figure actuel, un simple « nuage de points » permet de visualiser les performances d’un sportif, bien qu’il soit possible de lier les points par une courbe par la suite.

Figure 7

Analyse de l’échantillon

17Une fois la base de données remplie, il va falloir connaître le nombre de performeurs par âge en utilisant un tableau croisé dynamique. Il suffit pour cela de sélectionner l’ensemble des variables et de cliquer sur « Insertion » puis « Tableau Croisé Dynamique » (Fig. 8). Faire glisser la variable « Âge » dans l’onglet « Lignes » puis la variable « Performance » dans « Valeurs » tout en vérifiant qu’il soit écrit uniquement « Nombre de performances » dans la colonne « Valeurs ».

Figure 8

18L’exemple ci-dessous (Fig. 9) montre la distribution de 1 000 performeurs.

Figure 9

19Grâce à cette distribution, il est alors possible de connaître le nombre de performeurs par âge. Toujours dans cet exemple, sur les 1 000 performeurs que contient la base de données, 50 sportifs sont représentés à 13 ans contre 120 à 17 ans. Cela aura bien évidemment un impact sur la méthodologie employée pour créer les couloirs de performance (Fig. 9).

Tri de la base de données

20À cette étape, l’exhaustivité des données est normalement intégrée et prête à être exploitée. En lien avec le graphique précédent (Fig. 9), il sera nécessaire de trier la base de données par âge puis de l’ordonner par performance. Pour cela, il suffit d’aller dans l’onglet « Données », puis « Trier ».

21Trier d’abord par âge du plus petit au plus grand, puis ajouter un niveau et trier par performance du plus petit au plus grand (Fig. 10).

Figure 10

22La base de données est désormais triée par âge puis par niveau de performance. Il est alors possible de rajouter une colonne que l’on nommera « Couloirs » (Fig. 11). C’est sur cette phase qu’il faut être le plus rigoureux puisqu’il va falloir indiquer le numéro du couloir correspondant à la performance en fonction de l’âge.

Figure 11

23Toujours sur l’exemple des 1 000 performeurs, s’il y a 50 sportifs à l’âge de 13 ans et que l’on souhaite faire un découpage par décile (c’est-à-dire en 10 groupes de performeurs), chaque couloir comprendra 5 performeurs.

Choix du nombre de couloirs

24Le nombre de couloirs doit être cohérent avec la quantité de données que contient la base et avec la logique sportive. Pour un faible nombre de données, il est préférable de découper par quartile en ne créant que 4 couloirs. Cela augmentera le nombre de performeurs par âge et sera statistiquement plus viable en diminuant l’effet aléatoire de la méthode.

25En toute logique, si le nombre de données s’accroît avec le temps, il sera tout à fait possible d’augmenter le nombre de couloirs pour une plus grande précision dans le suivi individuel de carrière.

Création des couloirs de performance

26Pour visualiser les couloirs de performance, il faut à nouveau sélectionner toutes les données (avec la variable « Couloirs » comprise) et insérer un tableau croisé dynamique (Fig. 12). Intégrer la variable « Âge » dans l’onglet « Lignes », la variable « Couloirs » dans l’onglet « Colonnes » puis la variable « Performance » dans l’onglet « Valeurs ».

27Enfin, double-cliquer sur « Performance » puis « Paramètre des champs de valeurs » de manière à sélectionner « Min » pour indiquer à Excel qu’il s’agit bien de la performance record par couloir.

Figure 12

28Suite à cette démarche, une matrice avec 11 colonnes devra s’afficher contenant dans la colonne A l’âge des sportifs puis dans les colonnes B à K les 10 couloirs de performance nommés ici de C1 à C10 (Fig. 13).

Figure 13

29Sélectionner l’ensemble de la matrice (Fig. 14), puis dans le menu, aller dans l’onglet « Insertion » puis « Graphique ». En optant pour le graphique « Nuages de points avec courbes lissées » et une fois mis en forme, la visualisation des couloirs de performance en fonction de l’âge apparaîtra.

Figure 14

Visualisation de courbes de progression individuelle dans les couloirs de performance

30Pour visualiser une courbe de progression individuelle dans les couloirs de performance globale, il faudra tout d’abord créer une nouvelle colonne avec les performances du sportif choisi (ici « Sportif1 »). Une fois intégré, cliquer sur le graphique construit précédemment et Excel mettra en avant dans le cadre bleu la plage utilisée. Il suffira d’étendre cette plage d’une colonne vers la droite pour y intégrer le sportif voulu. Pour cela, placer le curseur de la souris dans le coin en bas à droite de l’encadré bleu et étirer la plage souhaitée.

31Les performances individuelles du « Sportif1 » viennent se rajouter dans la visualisation globale des couloirs de performance (Fig. 15).

Figure 15 

32Face au premier écueil de ne se baser que sur une ou des performances (dans l’activité motrice, physique, psychologique, etc.) figées dans le temps, vous avez la possibilité de construire et suivre des capacités de progression individuelles.

33L’activité, par ses contraintes et sa logique interne générera des demandes avec lesquelles l’individu devra composer. Au-delà de l’existence d’une relation entre performance et âge, ce sont bien les particularités individuelles qui prévalent. De pic précoce ou tardif, de maintien ou non de performance et donc de présence d’un plateau au lieu d’un pic, cette relation doit aussi révéler des marges d’expressions individuelles. Par conséquent, l’objectif de la mise en correspondance entre performance et âge doit offrir un paramétrage singulier nous conduisant à envisager des relations âge et performance de façon individuelle et au pluriel.

Maturité et âge relatif

34À présent, évoquons un autre biais possible s’il n’est pas considéré : l’âge relatif.

35L’effet de l’âge relatif semble être un réel problème au sein des processus de sélection. Mais quels biais cela engendre-t-il et dans quels sports ? Comment s’affranchir de cet effet si nous devons nous en prémunir ?

36L’effet de l’âge relatif peut être défini comme un biais de sélection des jeunes athlètes classés chronologiquement dans les sports (McCarthy et Collins, 2014), c’est-à-dire que les plus vieux par catégorie d’âge et donc les plus matures se retrouvent surreprésentés (Romann et al., 2018).

37Une étude de 2018 portant sur les sélections des jeunes talents suisses dans soixante-dix sports (Romann et al., 2018) a analysé les effets de l’âge relatif au sein de leur programme de développement des talents via l’étude de 18 859 jeunes sportives et sportifs. Un effet modéré de l’âge relatif en athlétisme et natation synchronisée a été constaté chez les féminines, ainsi qu’un effet léger mais signifiant en tennis, volleyball, football et ski alpin (Romann et al., 2018). Pour les jeunes athlètes masculins, un effet de l’âge relatif conséquent a été observé en athlétisme, football, tir, basketball, hockey sur glace, hockey sur gazon et volleyball. Des effets plus légers mais signifiants ont été constatés en ski cross et alpin, tennis, natation, handball et football. Pour les athlètes masculins, ces effets étaient renforcés pour ceux atteignant le plus haut niveau en tennis, aviron, football, ski alpin, hockey sur glace, basketball et handball. Les jeunes Suisses nés dans le premier quart de l’année voyaient leur chance augmentée de 2,5 fois par rapport à leurs homologues du dernier quart d’année de se retrouver au plus haut niveau national dans les sports évoqués précédemment. La potentialisation de ces effets avec l’amélioration du niveau de performance est observée dans d’autres études (Cobley et al., 2009 ; Till et al., 2010). De nombreuses études démontrent ce biais de sélection (Cobley et al., 2009 ; McCarthy et Collins, 2014 ; Till et al., 2010 ; Tribolet et al., 2018).

38Pour autant, même dans les études démontrant cet effet relatif de l’âge, le taux de conversion vers le très haut niveau peut s’inverser (McCarthy et Collins, 2014). En effet pour des rugbymen, la surreprésentation des jeunes nés en début d’année (41,5 et 37,3 % des enfants de premier et deuxième quarts d’année vs 18,6 et 8,5 % des deux derniers quarts) s’inverse pour ceux atteignant le plus haut niveau (20 et 29 % pour les deux premiers quarts vs 45 et 50 % pour les deux derniers quarts : McCarthy et Collins, 2014). Cet effet a été nommé « the underdog effect » dont une formulation plus imagée pourrait résider dans « l’effet outsider » (Fumarco et al., 2017). Les jeunes athlètes qui par leur date de naissance et niveau de maturation en début de sélection peuvent se retrouver lésés renversent cette carence initiale en atout une fois leur « retard » de maturité rattrapé (McCarthy et al., 2016). Ce taux de conversion s’inversant au haut niveau pour les athlètes les plus jeunes par catégorie se retrouve dans le rugby, le cricket ou le football (Carling et al., 2009). Des mécanismes d’explication potentiels ont été mis en avant évoquant les aspects psychologiques, de construction identitaire face à des challenges, des capacités d’apprentissage ou de résilience notamment (McCarthy et al., 2016 ; Sarkar et al., 2015). Dans les sports collectifs, une nouvelle fois, certains sont capables d’atteindre et de maintenir, voire d’accroître leur compétitivité et de réduire les impacts limitants de l’effet de l’âge relatif au cours de leur processus de développement (Coutts et al., 2014 ; Ford et Williams, 2011). La confrontation et la nature de défis et expériences plus difficiles à surpasser pour les plus jeunes pendant les phases de développement généreraient des capacités d’adaptation et de résilience utiles par la suite pour le très haut niveau (Collins et MacNamara, 2012 ; Van Yperen, 2009). De nombreuses théories soutenant ces diverses formes de « force mentale » soulignent l’importance de surmonter l’adversité et de développer une capacité à faire face (Duckworth et al., 2007 ; Dweck, 2006). En effet, le fait de connaître une certaine adversité peut avoir des effets bénéfiques sur la croissance et le développement (Sarkar et al., 2015). Une étude réalisée à partir d’entretiens semi-dirigés de dix champions olympiques dans huit sports a mis en évidence des caractéristiques communes. Les expériences liées à l’adversité ont été jugées essentielles au développement psychologique et à la performance de ces champions olympiques (Sarkar et al., 2015). Ces résultats font écho à d’autres études menées sur des olympiens. La capacité à s’adapter de manière positive à l’adversité en tant que déterminant d’importance capitale pour une performance sportive optimale est avancée (Fletcher et Sarkar, 2012 ; Morgan et al., 2013). Certains auteurs ont suggéré que le fait de faire face à des difficultés dans la vie pouvait contribuer à une plus grande propension ultérieure à une adaptation positive. Les mécanismes tels que la création d’un sentiment de maîtrise de l’adversité passée, favorisés par un contrôle perçu et une conviction de gérer avec succès, ainsi que l’établissement des réseaux de soutien sociaux efficaces semblent importants (Seery, 2011 ; Seery et al., 2010). L’exposition aux facteurs de stress est aussi une caractéristique essentielle de la relation stress-résilience-performance des champions olympiques (Fletcher et Sarkar, 2012). La plupart des participants à l’enquête ont fait valoir que s’ils n’avaient pas connu certains types de facteurs de stress à des moments précis, y compris des épreuves extrêmement difficiles, ils n’auraient pas gagné leurs médailles d’or (Fletcher et Sarkar, 2012). Parmi ces épreuves figurent des non-sélections répétées, des échecs sportifs signifiants, des blessures graves voire la mort de proches. Les capacités de résilience et d’adaptations face à l’adversité ont donné lieu à différentes appellations : croissance post-traumatique (Tedeschi et Calhoun, 1995), adaptation positive (Linley, 2003) ou croissance contradictoire (Linley et Joseph, 2004). L’adversité sportive la plus couramment identifiée chez les champions olympiques était la non-sélection répétée. Les médaillés d’or olympiques ont rappelé à quel point le fait de ne pas être sélectionné pour les compétitions internationales suscitait d’abord un sentiment intense de frustration, avant de susciter un effort et un désir accrus. Un réel échec sportif, tel que la déception dans un championnat majeur, une sous-performance à des Jeux Olympiques précédents ou une défaite précoce lors d’une Olympiade semblent des éléments communs et constitutifs de ces dix champions olympiques (Sarkar et al., 2015). L’adversité et le traumatisme qui en ont résulté ont alimenté le désir des champions olympiques de se surpasser au plus haut niveau. Certains auteurs vont plus loin dans les bénéfices de cet « effet outsider ». Les athlètes plus jeunes, capables de survivre dans un système avantageux pour leurs homologues relativement plus âgés, développeraient des compétences techniques supérieures (Schorer et al., 2009), avec des effets même inversés qui leur permettraient par la suite de moins se blesser (Wattie et al., 2007) et d’être mieux payés (Ashworth et Heyndels, 2007). Face à ce constat de biais de sélection lié à l’âge relatif, certains auteurs suggèrent de grandement considérer le niveau de maturité, voire de décaler et surtout modifier le processus de sélection et d’intégration dans les programmes de « développement de talent » (Tribolet et al., 2018). Ces auteurs proposent dans les sports comme le football australien ou le rugby, dont les caractéristiques physiques, de puissance et de vitesse sont prégnantes, de décaler à après l’âge de 15 ans le processus de sélection-désélection. D’autres auteurs évoquent des adaptations en ce sens, en proposant au sein des batteries de tests d’identification de talent de se focaliser sur les mesures de performance (c’est-à-dire la motricité) pendant les premières années et de ne prendre en considération les mesures physiques qu’au cours des dernières années (Fransen et al., 2017).

39L’efficacité des programmes d’identification précoce et de développement des talents dans le football est périlleuse en raison de la nature dynamique de ces processus chez les joueurs jeunes et adolescents. Un large échantillon de 2 228 jeunes footballeurs belges de haut niveau âgés de 5 à 20 ans a été modélisé par l’équipe de Roel Vaeyens et Matthieu Lenoir (Fransen et al., 2017). Leurs modèles segmentés ont révélé que le développement de la motricité était plus précoce, se situant avant l’estimation moyenne de l’âge au pic de croissance statural, c’est-à-dire avant la poussée de croissance. L’agilité, la puissance explosive dans le bas du corps, l’endurance intermittente et la vitesse de course en ligne droite ont montré un développement continu qui ne ralentit pas jusqu’à ce que les joueurs aient entre 15 et 17 ans. Leurs résultats ont l’avantage de montrer la variabilité dans les trajectoires de développement pour différentes mesures de la motricité et des batteries de tests physiques couramment utilisées durant les évaluations dans le football (Fransen et al., 2017). Pour autant, à travers des batteries de tests, certaines variables demeurent discriminantes. Deprez et al. (2015), par l’étude de cohorte rétrospective ont illustré le fait que les joueurs avec un contrat professionnel en cours surpassent ceux sans contrat en vigueur sur les mesures de coordination motrice, d’endurance aérobie spécifique au football et de vitesse lorsqu’ils avaient été évalués six ans auparavant. L’anthropométrie et l’état de maturité estimé ne faisaient pas de distinction entre les joueurs sélectionnés ultérieurement en club et ceux ne l’étant pas. Une question persiste : ces mesures de performance et physiques étaient-elles réalisées avant ou après l’âge au pic de maturité, caractéristique hautement individuelle et donc chronophage à mettre en place dans un suivi de cohorte ? Cette question est centrale dans les problématiques d’identification de potentiel. Philippaerts et al. (2006) ont eux aussi, par l’intermédiaire d’une étude longitudinale de cinq ans, étudié la relation entre la vitesse de croissance maximale et la performance physique chez trente-trois jeunes joueurs de football de haut niveau âgés de 10 à 14 ans. Ces chercheurs ont montré que les taux estimés d’amélioration de l’équilibre, de la vitesse de déplacement des membres, de la force du tronc, de l’endurance musculaire du haut du corps, de la force explosive, de la vitesse et de l’agilité, de l’endurance cardiorespiratoire et de la capacité anaérobie atteignaient leur apogée au pic de croissance statural. En outre, cette étude a montré qu’un plateau apparaissait après le pic de croissance pour l’endurance musculaire, la force explosive et la vitesse de course du haut du corps.

40Les effets de l’âge relatif génèrent donc déjà trois conséquences :

• ils orientent la participation immédiate via un effet discriminatoire en réduisant les chances des jeunes joueurs nés en fin d’année compétitive de progresser vers le niveau élite ;
• ils peuvent engendrer un découragement dans la pratique via des sentiments d’infériorité, de moindre compétence, de temps de jeu réduit et de démotivation pour le sport (Delorme et al., 2010) ;
• ils peuvent générer des désavantages cumulatifs à ne pas être maintenus dans les sélections de jeunes décrits par Gladwel (2009) et évoqués dans le Chapitre 2 « Des gabarits aux corps individuels ».

41Ces effets impactent la compréhension des réelles contraintes à long terme dans le sport et sa partie sélective hautement individuelle (Cobley et al., 2009). De fait, notre réflexion sur la façon dont nous sélectionnons nos jeunes ainsi que les variables sur lesquelles nous portons notre attention sont assujetties à de grandes précautions, au regard de nos limites actuelles à prédire des performances futures. Un effort devrait être fourni dans la détection de potentiels plutôt que dans l'identification de talents afin d'amener un meilleur équilibre dans les programmes de sélection et de permettre à de jeunes athlètes qui passent aujourd'hui sous les radars de devenir des athlètes de très haut niveau (Williams et Reilly, 2000).

42Passer de la détection de talents à l’identification de potentiels n’est pas aisé. Quelles pistes explorer et surtout lesquelles favoriseraient la considération de progressions individuelles différenciées dans le temps ?

Intégrer et croiser plus d’informations, plus de regards, plus de compétences

43Le constat est clair : il ne semble pas y avoir un ensemble figé de variables qui permettrait une prédiction ou estimation du succès futur, malgré une surreprésentation d’études portant sur le profil physique d’athlètes masculins (Johnston et al., 2018). Pour autant, prévoir des années à l’avance la prochaine génération d’experts sportifs puis simuler et stimuler leur développement reste tout aussi problématique et complexe que décisif sur les chances de succès futurs d’une nation (Vaeyens et al., 2009). De nombreuses études tentent de prédire le succès futur ou les conditions préalables à la réussite, mais en vain (Bottoni et al., 2011 ; Brouwers et al., 2012 ; Till et al., 2015 ; Vaeyens et al., 2008).

44Comment améliorer ou du moins ouvrir nos regards sur d’autres éléments pertinents ? Une première solution est d’observer le caractère individuel du schéma évolutif des performances afin de définir une capacité de progression. Une deuxième est de réaliser des batteries de tests de performance chez les jeunes qui restent de mauvais prédicteurs de la performance des adultes, car elles ne tiennent pas compte de la nature complexe, dynamique et parfois récursive de ce processus de développement. Une solution ici consisterait en premier lieu à s’affranchir de l’effet de l’âge relatif en considérant le pic pubertaire de chaque individu afin de pondérer les caractéristiques physiques et celles dites « maturité dépendantes » (Fransen et al., 2017). Comprendre par sport et discipline le poids de l’effet de l’âge relatif afin d’appliquer des équations de calibration permettrait de considérer cet effet et de porter d’autres regards sur les individus plus jeunes qui se verraient appliquer des coefficients de pondération plus importants que les athlètes plus âgés.

45Une autre amélioration résiderait dans l’utilisation de modèles multidimensionnels intégrant bien plus que des tests physiques ou des niveaux de performance. En effet, le périmètre doit s’élargir ; nous nous devons de considérer l’effet du lieu de naissance et d’habitation, de la pratique délibérée, l’historique de pratique, les prédispositions génétiques, sociales, les cinétiques de développement individuelles, les profils cognitifs et psychologiques entre autres (Johnston et al., 2018).

46Par exemple, en waterpolo, Falk et al. (2004) ont constaté une corrélation positive entre les temps de nage et l’intelligence de jeu chez les athlètes les plus performants. La comparaison des joueurs sélectionnés et non maintenus montre que, deux ans avant, les joueurs sélectionnés étaient déjà supérieurs dans la plupart des tâches de natation ainsi que dans l’intelligence de jeu. Les auteurs recommandent de moins considérer les compétitions de natation dans le processus de sélection des jeunes joueurs de waterpolo et que l’accent soit davantage mis sur l’évaluation de l’intelligence de jeu (Falk et al., 2004).

47Une des raisons pour lesquelles les programmes de détection ne sont pas efficaces pour identifier, sélectionner et développer des athlètes talentueux est la tendance réductionniste à déconstruire les tâches de performance en sous-phases plus petites, qui sont ensuite utilisées comme mesures de test dans les programmes d’identification (Johnston et al., 2018). Une approche beaucoup plus écologique et globale pourrait être bénéfique aux systèmes de sélection. En conséquence, nous devons nous tourner vers des modèles plus représentatifs des exigences de performance, tels que les modèles dynamiques écologiques, qui mettent l’accent sur les interactions de l’individu dans son environnement, où intentions, perceptions et actions sont interconnectées plutôt que traitées comme des entités distinctes (Davids et al., 2013 ; Pinder et al., 2011).

Les bénéfices d’approches élargies

48Une étude s’appuyant sur une approche multidimensionnelle de l’identification de talents en football australien portant sur 277 joueurs a mis en évidence l’intérêt d’une approche croisée (Tribolet et al., 2018). En se fondant sur l’évaluation des qualités anthropométriques et de maturité, des compétences motrices, de condition physique et d’évaluation par les coachs des qualités techniques, l’analyse discriminante de suivi a permis de classer correctement 91 % des joueurs sélectionnés et 90 % des joueurs non maintenus. Une autre démonstration de l’utilité d’une approche multidimensionnelle a été validée par Woods et al. (2016). À partir des tests physiques, techniques et perceptivo-cognitifs, ils ont été en mesure de correctement classer 95 et 86 % des joueurs de moins de 18 ans sélectionnés et non sélectionnés.

49À l’aide d’analyses similaires, Cripps et al. (2017) ont correctement identifié 84 et 76 % de joueurs de moins de 16 ans sélectionnés et non sélectionnés à partir de tests anthropométriques, physiques, techniques, l’ensemble pondéré par les niveaux individuels de maturité.

La plus-value des experts de terrain

50L’étude intitulée « Science or Coaches’Eye? – Both! Beneficial Collaboration of Multidimensional Measurements and Coach Assessments for Efficient Talent Selection in Elite Youth Football » a démontré l’utilité d’associer batteries de tests et « œil du maquignon » (Sieghartsleitner et al., 2019). En se basant sur des batteries de tests moteurs et psychologiques, l’ensemble pondéré par la maturation, mais également par la pratique et l’historique l’entraînement, le soutien familial, et l’estimation des entraîneurs (échelle de 0 à 100 selon leur chance de devenir professionnel), l’équipe de chercheurs suisse a tenté de prédire quels joueurs allaient devenir professionnels ou pas selon l’ensemble de ces éléments. Les performances motrices seules prédisaient le moins bien la réussite future, suivies par la mesure des coachs et enfin le croisement des batteries multidimensionnelles (Sieghartsleitner et al., 2019). L’information pertinente de ces analyses réside dans le fait que le meilleur modèle pour estimer les chances futures est celui couplant la note des coachs avec le croisement de toutes les données incluses (Sieghartsleitner et al., 2019). Cette étude démontre, pour la première fois à notre connaissance, qu’il est essentiel non seulement d’appliquer les bons modèles sur des batteries de tests considérant la maturité mais également d’incorporer des données subjectives de praticiens afin d’enrichir l’approche.

Conclusion

51Estimer les potentiels au lieu de détecter de la performance n’est pas chose aisée. Afin de contribuer à une évolution en ce sens, l’individualisation est centrale. En effet, de la mesure de la performance, aller vers la construction des cinétiques individuelles de performance est une étape éclairante. L’âge relatif présente des effets négatifs multiples, mais peut révéler et renforcer des capacités intrinsèques de résilience utiles dans la construction d’un athlète de haut niveau. En conséquence, la maturité s’exprimant sur des timings et tempos différents est fondamentale pour la pondération des mesures prises et utilisées à des fins de détection. Une fois ce travail d’individualisation dans la compréhension et les mesures réalisé, les batteries de tests élargies peuvent révéler leur plein potentiel. Un élan militant d’intégration des connaissances de terrain, de « l’œil du maquignon » présente une plus-value considérable dans la mise en place de modèles complexes, dynamiques et individuels.