A network approach to characterize the teammates� interactions on footballa single match analysis

  1. Clemente, Filipe
  2. Martins, Fernando Manuel Lourenço
  3. Santos Couceiro, Micael
  4. Mendes, Rui Sousa
  5. Figueiredo, António José
Revista:
Cuadernos de psicología del deporte

ISSN: 1578-8423,  1989-5879

Año de publicación: 2014

Volumen: 14

Número: 3

Páginas: 141-147

Tipo: Artículo

DOI: 10.4321/S1578-84232014000300015 DIALNET GOOGLE SCHOLAR lock_openDIGITUM editor

Otras publicaciones en: Cuadernos de psicología del deporte

Resumen

El objetivo de este estudio de caso fue aplicar un conjunto de mé-tricas de network con el +n de caracterizar la cooperación de los compañeros de equipo en un equipo de fútbol. Estas métricas se aplicaron en tres niveles de análisis: i) las micro (análisis del jugador), ii) meso (análisis de la contribución del jugador en el equipo), y iii) macro (análisis de la interacción global). Se observó un solo partido y se analizaron 131 jugadas de ataque. Los resultados del análisis macro mostraron una moderada heterogeneidad entre los com-pañeros de equipo, lo que sugiere la aparición de grupos dentro del equipo. Los jugadores con más conexiones con sus compañeros de equipo fueron el defensa derecho, defensa central del lado izquierdo, centrocampista defensivo, centrocampista derecho y el jugador a seguir. Por último, en el análisis micro se observó que la defensa derecho, defensa central, volante derecho y el de-lantero se puede considerar a los jugadores durante el centroide atacar obras, siendo así el más prominente en el proceso atacando. En suma, las métricas de network permiten caracterizar la interacción de los compañeros de equipo durante las jugadas de ataque, proporcionando una información importante y diferente que puede ser útil para el futuro del análisis de partidos

Referencias bibliográficas

  • Bourbousson, J., Poizat, G., Saury, J., & Seve, C. (2010). Team Coordination in Basketball: Description of the Cognitive Connections Among Teammates. Journal of Applied Sport Psychology, 22(2), 150-166.
  • Carling, C., Reilly, T., & Williams, A. (2009). Performance assessment for field sports. London: Routledge.
  • Clemente, F. M., Couceiro, M. S., Martins, F. M., & Mendes, R. (2013). An Online Tactical Metrics Applied to Football Game. Research Journal of Applied Sciences, Engineering and Technology, 5(5), 1700-1719.
  • Clemente, F. M., Couceiro, M. S., Martins, F. M., Mendes, R., & Figueiredo, A. J. (2013). Measuring tactical behaviour using technological metrics: Case study of a football game. International Journal of Sports Science & Coaching, 8(4), 723-739.
  • Couceiro, M. S., Clemente, F. M., & Martins, F. M. L. (2013). Towards the Evaluation of Research Groups based on Scienti$c Co-authorship Networks: The RoboCorp Case Study. Arab Gulf Journal of Scientific Research, 31(1), 36-52.
  • Duarte, R., Araújo, D., Correia, V., & Davids, K. (2012). Sports Teams as Superorganisms: Implications of Sociobiological Models of Behaviour for Research and Practice in Team Sports Performance Analysis. Sports Medicine, 42(8), 633-642.
  • Fajen, B. R., Riley, M. R., & Turvey, M. T. (2009). Information, a"ordances, and control in sport. International Journal of Sports Psychology, 40, 79-107.
  • Gréhaigne, J. F., Bouthier, D., & David, B. (1997). Dynamic-system analysis of opponent relationship in collective actions in football. Journal of Sports Sciences, 15(2), 137-149.
  • Hespanha, J. P. (2004). An e+cient MATLAB Algorithm for Graph Partitioning. Santa Barbara, CA, USA: University of California.
  • Horvath, S. (2011). Weighted Network Analysis: Applications in Genomics and Systems Biology. New York: Springer.
  • Hughes, M., & Franks, I. (2005). Analysis of passing sequences, shots and goals in soccer. Journal of Sports Sciences, 23(5), 509-514.
  • Martins, F. M. L., Clemente, F. M., & Couceiro, M. S. (2013). From the individual to the collective analysis at the football game. Paper presented at the Proceedings Mathematical Methods in Engineering International Conference, Porto.
  • Parrish, J., & Edelstein-Keshet, L. (1999). Complexity, Pattern, and Evolutionary Trade-o"s in Animal Aggregation. Science, 284(2), 99-101.
  • Passos, P., Davids, K., Araújo, D., Paz, N., Minguéns, J., & Mendes, J. (2011). Networks as a novel tool for studying team ball sports as complex social systems. Journal of Science and Medicine in Sport, 14(2), 170-176.
  • Reimer, T., Park, E. S., & Hinsz, V. B. . (2006). Shared and coordinated cognition in competitive and dynamic task environments: An information- processing perspective for team sports. International Journal of Sport and Exercise Psychology, 4, 376-400.
  • Robinson, G., & O'Donoghue, P. (2007). A weighted kappa statistic for reliability testing in performance analysis of sport. International Journal of Performance Analysis in Sport, 7(1), 12-19.
  • Salas, E., Dickinson, T. L., Converse, S. A., & Tannenbaum, S. I. (1992). Toward an understanding of team performance and training. In R. W. Swezey & E. Salas (Eds.), Teams: Their training and performance (pp. 3-29). Norwood, NJ: Ablex.
  • Vilar, L., Araújo, D., Davids, K., & Bar-Yam, Y. (2013). Science of winning football: emergent pattern-forming dynamics in association football. Journal of Systems Science and Complexity, 26, 73-84.
  • Wu, M. (2009). wgPlot-Weighted Graph Plot. MatLab Central File Exchange. Retrieved January 10, 2012, from http://www.mathworks. com/matlabcentral/$leexchange/24035
Fuente de los datos: Dialnet