Die Methode zur Messung der Musterrückrufleistung im Teamsport beinhaltet in der Regel die Präsentation erfahrener und weniger qualifizierter Teilnehmer mit einer Reihe von Stimulusmustern, die aus einer bestimmten Sportart extrahiert wurden. Jedes Muster wird den Teilnehmern für einige Sekunden angezeigt, bevor es aus der Ansicht entfernt wird. Sobald es entfernt wurde, müssen die Teilnehmer die endgültigen Positionen der Spieler im Muster zurückrufen, indem sie Symbole der Spieler auf einem skalierten Diagramm des Spielbereichs platzieren oder zeichnen. Die Muster selbst können auf verschiedene Weise mit den gebräuchlicheren Ansätzen mit schematischen Bildern (wo Symbole verwendet werden, um die Standorte von Spielern anzuzeigen), statischen Folien (Standbilder wie Fotos, die von einem tatsächlichen Spiel aufgenommen wurden) oder Videos (Videoaufnahmen eines tatsächlichen Spiels) angezeigt werden. Jedes Muster wird sorgfältig ausgewählt, um sicherzustellen, dass es entweder hoch strukturiert ist (d. h., zeigt die Positionen der Spieler, wie sie in einem typischen Spiel erscheinen würden) oder relativ unstrukturiert (d. h. zeigt ein atypisches Muster, bei dem sich Spieler in zufälligen Positionen befinden, die nicht die Spielstruktur widerspiegeln, z. B. wenn das Spiel durch eine Zeitunterbrechung unterbrochen wurde).

Die Rückrufleistung wird bewertet, indem der Standort jedes Spielers im tatsächlichen Muster mit dem vom Teilnehmer angegebenen verglichen wird und daraus eine Gesamtpunktzahl (oder Rückruffehler) generiert wird. Bei der Anmeldung für pinterest wird das Muster «Erkennung über Rückruf» verwendet, um nach den Interessen des Benutzers zu fragen. Bei der Mustererkennung, dem Abrufen und der Klassifizierung von Informationen (Machine Learning) ist die Genauigkeit (auch als positiver Vorhersagewert bezeichnet) der Anteil der relevanten Instanzen unter den abgerufenen Instanzen, während der Rückruf (auch als Sensitivität bezeichnet) der Bruchteil der Gesamtmenge relevanter Instanzen ist, die tatsächlich abgerufen wurden. Sowohl Präzision als auch Rückruf basieren daher auf einem Verständnis und Maß der Relevanz. Es ist trivial, einen Rückruf von 100 % zu erreichen, indem alle Dokumente als Antwort auf eine Abfrage zurückgegeben werden. Daher reicht der Rückruf allein nicht aus, aber man muss auch die Anzahl der nicht relevanten Dokumente messen, zum Beispiel durch die Berechnung der Genauigkeit. Der Erkennungsspeicher ist viel einfacher zu erreichen als der Speicher zurückzurufen. Während Erkennungsgedächtnis durch Exposition erhalten wird, wird Recall-Speicher durch Lernen erhalten. Die Erkennung beinhaltet nicht unbedingt Speicher über Ursprung, Kontext oder Relevanz, während Recall in der Regel eine Kombination aus Auswendiglernen, Praxis und Anwendung beinhaltet.

Darüber hinaus wird der Erkennungsspeicher für längere Zeit aufbewahrt als der Erinnerungsspeicher – es ist schwieriger, sich an den Namen eines Bekannten zu erinnern, als ihn beim Hören zu erkennen1. In der Regel werden Genauigkeits- und Rückrufergebnisse nicht isoliert diskutiert. Stattdessen werden entweder Werte für eine Kennzahl für eine feste Ebene bei der anderen Kennzahl verglichen (z. B. Genauigkeit bei einem Rückrufniveau von 0,75) oder beide werden zu einer einzigen Kennzahl zusammengefasst. Beispiele für Kennzahlen, die eine Kombination aus Genauigkeit und Rückruf sind, sind das F-Maß (das gewichtete harmonische Mittel von Präzision und Rückruf) oder der Matthews-Korrelationskoeffizient, der ein geometrisches Mittel der zuchancenkorrigierten Varianten ist: die Regressionskoeffizienten Informedness (DeltaP`) und Markedness (DeltaP). [1] [2] Genauigkeit ist ein gewichtetes arithmetisches Mittel von Präzision und inverser Präzision (gewichtet durch Bias) sowie ein gewichtetes arithmetisches Mittel von Recall und Inverse Recall (gewichtet nach Prävalenz). [1] Inverse Precision und Inverse Recall sind einfach die Präzision und der Rückruf des inversen Problems, bei dem positive und negative Etiketten ausgetauscht werden (sowohl für echte Klassen als auch für Vorhersagebeschriftungen).