Fiabilidad de las métricas espacio-temporales utilizadas para evaluar comportamientos colectivos en el fútbol: un experimento in-silico

Introducción

El seguimiento de los jugadores se ha convertido en un elemento básico del análisis del rendimiento en los deportes de equipo de élite (Buchheit y Simpson 2017) y se ha utilizado tradicionalmente para ayudar a los entrenadores a comprender las demandas físicas y los perfiles de actividad de los jugadores (Cummins et al. 2013; Sarmiento et al. 2018). Sin embargo, un enfoque en los resultados individuales y físicos proporciona información limitada sobre el funcionamiento general del equipo. En consecuencia, las métricas de comportamiento colectivo que cuantifican el comportamiento del equipo y la toma de decisiones han surgido como una aplicación alternativa de los datos de seguimiento de jugadores. En los deportes de equipo, esto se logra comúnmente mediante sistemas de posicionamiento global (GPS), seguimiento de video semiautomático y sistemas de medición de posición local basados ​​en radio. La información obtenida proporciona la posición de los jugadores en el espacio a frecuencias relativamente altas (por ejemplo, de 1 a 45 Hz) y, por lo tanto, se denomina datos espacio-temporales y tiene el potencial de describir el comportamiento colectivo (Low et al. 2020). Se han explorado una serie de deportes (Sampaio y MaçÃs 2012; Gonçalves et al. 2016, 2019; Mora et al. 2016; Laakso et al. 2017); sin embargo, uno de los más populares para aplicar métricas de comportamiento colectivo es el fútbol, ​​donde la complejidad del juego y las oportunidades de gol relativamente bajas han limitado el éxito de los métodos tradicionales de análisis de rendimiento, como el análisis de frecuencia, para comprender el comportamiento del equipo (Sarmento et al. 2018). Se ha propuesto una variedad de aplicaciones potenciales para los datos espacio-temporales, incluida la identificación de talentos (Low et al. 2020), evaluación de decisiones complejas tomadas por jugadores (Steiner et al. 2019), desarrollo de jugadores juveniles (Barnabé et al. 2016), sesiones de entrenamiento mejoradas a través de la manipulación de restricciones (Silva et al. 2014b), e incluso proporcionar datos en vivo para informar la toma de decisiones del entrenador durante los partidos (Clemente et al. 2013). Sin embargo, se requiere un amplio desarrollo teórico y práctico antes de que los enfoques se utilicen ampliamente en los equipos de fútbol.

Solo recientemente se ha revisado sistemáticamente la investigación que investiga los datos espacio-temporales y los comportamientos colectivos del equipo asociados en el fútbol. Bajo et al. (2020) creó una taxonomía con 6 categorías para delinear las métricas espacio-temporales más comunes reportadas. Cuatro de estas categorías consideraron variables tácticas que describen las características del jugador y la organización del equipo. Estas categorías incluían posición, distancia, espacio y relaciones numéricas que se referían a coordenadas de ubicación, distancias entre posiciones, dispersión del equipo y áreas de superioridad o inferioridad, respectivamente. Las dos categorías restantes (sincronización y predictibilidad) identificadas por Low et al. (2020) representan métodos no lineales utilizados para analizar métricas de las primeras 4 categorías. Bajo et al. (2020) identificaron 27 métricas tácticas distintas presentadas en una investigación que investigó los comportamientos colectivos en el fútbol con datos espacio-temporales. Sin embargo, esta categorización podría no tener en cuenta las diferencias sutiles entre los cálculos métricos que, en última instancia, pueden influir en los resultados y las aplicaciones prácticas.

Además de la gran cantidad de métricas espaciotemporales y métodos de análisis que se pueden aplicar, la investigación previa también varía sustancialmente en los enfoques utilizados para procesar e informar los análisis, incluida la estructura del equipo (p. ej., díadas, subgrupos, el equipo o entre ambos). equipos), diferentes períodos de competencia (p. ej., cada 5 o 10 minutos, por medio o juego completo), o según diferentes escenarios de juego (p. ej., juego completo, juego continuo, ataques o ataques exitosos). En general, los investigadores han registrado métricas a altas frecuencias y resumido los valores a través de medias y desviaciones estándar en un rango de intervalos de tiempo que incluyen 30 segundos (Clemente et al. 2018), 5 minutos (Moura et al. 2013, 2016), 10 minutos (Moura et al. 2012) y 15 minutos (Duarte et al. 2013; Gonçalves et al. 2018). Luego, los análisis estadísticos se realizan con frecuencia comparando muestras a través de variables independientes que pueden indicar experiencia, como la edad (Olthof et al. 2015; Bernabé et al. 2016; Aquino et al. 2016a; Menuchi et al. 2018). Las métricas más comunes analizadas con este enfoque incluyen aquellas que describen el comportamiento a nivel del equipo, como el centroide del equipo (Frencken et al. 2011; Mora et al. 2012; Bernabé et al. 2016; Castellano et al. 2016; Praça et al. 2016; Olthof et al. 2019), superficie (Baptista et al., 2020; Frencken et al. 2011, 2013; Travassos et al. 2014; Aquino et al. 2016b; Castellano et al. 2017) y el índice de estiramiento (Bartlett et al. 2012; Frías 2014; Silva et al. 2014a; Olthof et al. 2019). Los enfoques alternativos han incluido el cálculo de muestras en secuencias discretas dentro de juegos como los ataques. Este enfoque a menudo se ha presentado en juegos de lados pequeños (SSG) o subfases de juegos completos para analizar situaciones de 1v1 o 2v1 con métricas calculadas en el nivel de díada (Headrick et al. 2012; Leser et al. 2015; Laakso et al. 2019). Las estrategias de procesamiento de datos que restringen los análisis a los ataques más largos (Chung et al. 2019) o ataques exitosos (por ejemplo, posesión que resulta en un tiro o gol) (Bartlett et al. 2012; Mora et al. 2016; Shafizadeh et al. 2016) también se han utilizado en intentos de evaluar comportamientos sobre patrones de juego que se consideran más significativos. Aún no se han establecido procesos y directrices claros debido a la naturaleza en desarrollo del tema de investigación.

Una preocupación preliminar importante que aún debe abordarse con el análisis de las métricas espacio-temporales es la confiabilidad dados los errores en los datos posicionales. Cuando la confiabilidad se ha discutido anteriormente, esto se ha restringido a errores en la posición xy de los jugadores individuales que se ha demostrado que varía de 2 (Frencken et al. 2010) a 470 cm (Siegle et al. 2013). Sin embargo, se desconoce hasta qué punto estos errores de posición individuales influyen en la confiabilidad de las métricas de comportamiento colectivo específico. Además, es importante determinar los efectos de los enfoques de procesamiento de datos, como el análisis durante diferentes períodos de tiempo frente al análisis en escenarios de juegos específicos, sobre la confiabilidad. Dada la naturaleza intrínseca de la variabilidad en los sistemas dinámicos, como los comportamientos colectivos en el fútbol, ​​las concepciones generales de confiabilidad como la relación de las varianzas que representan la señal en relación con el ruido (Hämmerer et al. 2013; Lacome et al. 2019; Ryan et al. 2020) son necesarios para establecer la influencia de los errores posicionales. Para que los enfoques comunes sean apropiados, la varianza inducida por los errores de posición debe ser sustancialmente menor que la varianza exhibida por las métricas en el marco de análisis seleccionado (p. ej., tiempo o escenarios de juego específicos). Un método eficiente y poderoso para investigar la confiabilidad es a través de experimentos in silico donde los errores de posición pueden introducirse y manipularse sistemáticamente para reflejar los errores esperados con base en la tecnología actual. La variación causada por esta manipulación se puede comparar con la variación en diferentes marcos y cuantificar la confiabilidad. Por lo tanto, el propósito de este estudio fue proporcionar una nueva evaluación de la confiabilidad de las métricas espacio-temporales comunes utilizadas en el fútbol y evaluar los posibles efectos moderadores de los procedimientos, como los períodos de tiempo y los escenarios de juego seleccionados para realizar los cálculos.