Mapeamento sistémico do jogo de voleibol
masculino de alto nível recorrendo à Análise de
Redes Sociais
Manuel Reis Loureiro
Orientador: Professor Doutor José Afonso
Porto, 2016
Dissertação apresentada à
Faculdade de Desporto com
vista à obtenção do grau de
Mestre em Treino de Alto
Rendimento Desportivo, ao
abrigo do Decreto-Lei 74/2006,
de 24 de março.
Ficha de Catalogação
Loureiro, M. Mapeamento sistémico do jogo de voleibol masculino de alto nível
recorrendo à Análise de Redes Sociais. M. Loureiro. Dissertação de Mestrado
em Treino de Alto Rendimento Desportivo apresentada à Faculdade de
Desporto da Universidade do Porto
PALAVRAS-CHAVE: ANÁLISE SISTÉMICA DA PERFORMANCE, TEORIA
DOS SISTEMAS, ANÁLISE DE REDES SOCIAIS, AUTOVETOR, VOLEIBOL
iii
Agradecimentos
Aos meus pais e à minha irmã, por sempre me terem apoiado ao longo do meu
percurso académico e desportivo, tanto enquanto atleta como, nos últimos
tempos, enquanto treinador. Por sempre me terem dito para fazer “aquilo que
eu mais gostasse”, porque o trabalho apareceria se realmente fosse
competente. Graças a vocês, hoje termino uma tese de mestrado e sou feliz a
fazer aquilo de que realmente gosto!
Ao mestre Alberto Ramos, por me ter incutido esta paixão pelo desporto, por
ter contribuído em grande medida para aquilo que sou hoje e por toda a
dedicação ao longo de vários anos de convívio.
Ao professor José Afonso, que desde a primeira aula do 2º ano de faculdade
começou a quebrar algumas ideias que tinha sobre o treino e me fez gostar e
pensar ainda mais nisso. Há uns anos trouxe-me para o Voleibol, o primeiro
treinador de quem tive o prazer de ser adjunto, que acreditou em mim e me
ajudou em todos os momentos. Muito obrigado pela orientação, paciência e
amizade neste percurso.
À Marta, à Grace, ao Nuno, por serem amigos que conheci entrando no
Voleibol e se tornaram companheiros de todos os momentos e que ficarão, de
certeza, para sempre.
Aos treinadores de quem tive o prazer de ser adjunto, tanto ao Hélder Andrade
como ao Mário Martins, que me mostram diariamente como de forma tão
diferente se é possível ser uma referência na nossa área.
Introdução
iv
Àqueles que, durante estes 5 anos de faculdade, tornaram o percurso ainda
mais interessante por todos o convívio, troca de ideias, desabafos: Gonçalo,
Raul, David, Ivo, Baía, Couto, Greno, Cerdeira, Manuel Vítor, Chico, Sardinha,
Júlio, Pedro Lopes, Barata muito obrigado; sem vocês não teria tido tanta
piada.
Aos que antes do início da faculdade já me ajudavam sempre e continuaram a
faze-lo sempre, Trigo, Carmen, Filipe e Romão.
v
Índice Geral
Índice de Figuras………………………………………………………........... viii
Índice de Tabelas…………………………………………………………....... ix
Resumo……………………………………………………………………........ xi
Abstract……………………………………………………………………........ xiii
Lista de Abreviaturas……………………………………………………........ xv
I. Introdução………………………………………………………………........ xvi
1.1. Justificação e Pertinência………………………………………….. 19
1.2. Problemas e objetivos do Trabalho……………………………… 23
1.3. Estrutura do Trabalho………………………………………………… 24
1.4. Referencias Bibliográficas……………………………………….. 25
II. Estudos Empíricos……………………………………………………........ xxix
Estudo 1
A comprehensive mapping of high-level men’s volleyball game
through Social Network Analysis: Analyzing complexes 0, I, II and
III…………………………………………………………………………...
D
31
Estudo 2
O papel da cobertura de ataque e da bola de graça no voleibol
masculino de alto nível. Estudo recorrendo à Análise de Redes
Sociais………………………………………………………………........
D
49
III. Considerações Finais…………………………………………………...... lxiii
3.1. Considerações finais………………………………………………… 65
3.2. Referencias Bibliográficas………………………………………. 68
vii
Índice de Figuras
Introdução
Figura 1 - Sequência do Jogo de Voleibol, adaptado de Laporta et al.
(2014)…………………………………………………………………...............
21
Estudo 1
Figure 1 - K0, KI, KII and KIII Social Network Analysis' mapping…………
38
Estudo 2
Figure 1 - Overall mapping of the Social Network Analysis ………………
56
ix
Índice de Tabelas
Estudo 1
Table 1 - Eigenvector centrality values for Complex 0……………………
Table 2 - Eigenvector centrality values for Complex I……………………
Table 3 - Eigenvector centrality values for Complex II……………………
Table 4 - Eigenvector centrality values for Complex III…………………..
Table 5 - Eigenvector centrality values for Complex IV and Complex V…
39
40
41
42
43
Estudo 2
Table 1 - Eigenvector Values for Attack Coverage…………………………
Table 2 - Eigenvector Values for Freeball and Downball………………….
57
58
xi
Resumo
Com o intuito de promover melhores práticas de treino, importa buscar um
entendimento profundo das exigências associadas ao jogo. Neste sentido, o
nosso propósito consistiu em efetuar uma análise sistémica global do jogo,
categorizando as interações entre as diversas variáveis definidas. Para tal,
recorremos à Análise de Redes Sociais (ARS). As ações de jogo foram
catalogadas como “nós” (nodes) e as suas interações como “arestas” (edges).
A centralidade de autovetor (que pondera cada ligação no contexto das
ligações globais) foi calculada para cada nó. Foram analisados oito jogos da
FIVB’s World Cup de 2015, contabilizando um total de 27 sets (1,207 jogadas
ou rallies). Considerámos e estudámos seis complexos de jogo: K0 (Serviço),
KI (Side-out), KII (Transição do side-out), KIII (Transição da transição), KIV
(Cobertura de ataque) e KV (Bola morta – downball e freeball). Recorremos ao
software Gephi© 0.8.2-beta (Version 10.10.3, France). Os resultados mostraram
que as equipas jogaram frequentemente “em sistema” quando se encontram
em KI (i.e., em condições ideais). Todavia, utilizaram um jogo pouco variado
em termos de tempo e zona de ataque. Já em KII, as equipas analisadas
jogaram maioritariamente “fora do sistema” (i.e., condições não ideais para a
construção do ataque). Em relação ao KIV e KV, as equipas revelaram
organizações e estruturas claramente distintas. Em KIV, as equipas jogaram
grande parte do tempo “fora do sistema”, ao contrário do sucedido no KV. Com
base nestes resultados, concluímos que é altamente relevante criar condições
de treino “não ideais” para a prática do KII e KIV, i.e., colocando as equipas em
contextos de prática de cenários “fora do sistema”. A maior parte da literatura
combina KII e KIII num só complexo (contra-ataque), usualmente englobando,
nestes, o KIV e o KV. Porém, os nossos resultados reforçam a ideia de que
estes complexos devem ser analisados e trabalhados de forma distinta, uma
vez que apresentam especificidades incontornáveis, pelo que a sua análise
conjugada poderá induzir em erro. A existência de diferenças funcionais entre
os diversos complexos de jogo já havia sido assinalada e sistematizada por
Monge, numa tese de doutoramento (data) e plasmada em alguns artigos
técnicos (data). Não obstante, a investigação científica ainda não incorporou
Introdução
xii
esses ensinamentos nas suas pesquisas. O nosso trabalho sugere que isso
induz leituras erróneas do jogo, urgindo reformular o quadro concetual que
informa a análise do jogo por complexos. Concluímos, ainda, que deve ser
criada uma grande variabilidade de situações no processo de treino de modo a
cumprir melhor as exigências do jogo de alto nível atual.
PALAVRAS-CHAVE: Análise Sistémica da Performance, Teoria dos Sistemas,
Análise de Redes Sociais, Autovetor, Voleibol
xiii
Abstract
In order to promote better practices, it is mandatory to pursue a deep
understanding concerning the game’s requirements. The purpose of this
dissertation was to conduct a global systemic analysis of volleyball game
variables and their interactions. For that purpose, we used Social Network
Analysis (SNA). Game actions were counted as nodes and their interactions as
edges. Eigenvector centrality values (which weights each connection in the
context of all the interactions) were calculated for each node. Eight matches of
the FIVB’s Men’s World Cup’2015 were analysed, in a total of 27 sets (1,209
rallies). Six game complexes were considered: K0 (Serve), KI (Side-out), KII
(Side-out transition), KIII (Transition) KIV (Attack-coverage) and KV (Freeball
and Downball). The software used to that was Gephi© 0.8.2-beta (Version
10.10.3, France). Results showed that teams frequently played in-system (i.e.
under ideal conditions) within KI, even though they used lower variation in
attack zones and tempos. In KII teams most often played out-of-system (i.e.
under non-ideal conditions). The KIV and KV presented very distinct structures.
In KIV most of the teams played “off-system”, while the inverse occurred in KV.
Based on these findings, it is suggested that practicing under non-ideal
conditions is paramount for achieving a sound performance in KII and KIV.
Furthermore, while most literature combines KII and KIII in a single unit of
analysis (counter-attack), even to the extent of including the KIV and KV here,
our results reinforce the notion that these game complexes differ and should be
analysed separately, as an aggregated analysis would likely induce many errors
and hide the specificities inherent to each game complex. The existence of
relevant functional differences in the game complexes had already been
exposed by Monge, both in his Doctoral Thesis and in a collection of technical
papers. Notwithstanding, scientific investigation in volleyball has not
incorporated these premises, meaning that the vision they provide of the game
is likely impaired. In light of these concerns, we believe research should
urgently adopt Monge’s framework if a thorough understanding of the game and
its complexes is warranted. In addition, out-of-system play emerged as an
Introdução
xiv
important part of the game, meaning that practice should incorporate training
under non-ideal playing conditions.
KEYWORDS: Systemic Performance Analysis, Game Analysis, Social Network
Analysis, Eigenvector, Volleyball.
xv
Lista de Abreviaturas
SNA – Social Network Analysis
ARS – Análise de Redes Sociais
K’s – Complexos de jogo
K0 – Complexo 0
KI – Complexo I
KII – Complexo II
KIII – Complexo III
KIV – Complexo IV
KV – Complexo V
ZA – Zona de Ataque
ZD – Zona de Distribuição
Introdução
19
1.1 Justificação e pertinência do Estudo
A Análise da Performance (AP) configura-se como uma área nuclear da
investigação científica, tendo-se afirmado em diferentes campos de atuação
como a saúde (Ferguson, 2015), economia (Coleman & Feler, 2015) e desporto
(Sánchez-Moreno, Marcelino, Mesquita, & Ureña, 2015). Concretamente no
caso do desporto, a sua vertente de Análise do Jogo (AJ) impôs-se como área
de excelência na pesquisa científica, com o objetivo de melhorar a
compreensão dos processos de jogo, sugerir novas formas de abordagem ao
treino e procurar uma maior aproximação entre jogo e processo de preparação
desportiva. Como refere (Garganta, 2001), a AJ pretende: i) configurar modelos
de jogo; ii) identificar padrões de prestação; iii) promover e melhorar métodos
de treino; e iv) mostrar tendências evolutivas da modalidade. Numa primeira
fase, a AJ focou-se mais em aspetos físicos da performance (Abernethy, 1988),
mas com o tempo evoluiu no sentido de conferir uma atenção especial às
dinâmicas do jogo (McGarry, Anderson, Wallace, Hughes, & Franks, 2002;
Walter, 2007).Na confluência do reconhecimento da AJ enquanto área
científica e da crescente popularidade do voleibol, inúmeros estudos têm sido
realizados tendo por campo de aplicação esta modalidade (Afonso & Mesquita,
2013b; Coutinho, Araújo, & Mesquita, 2012b; Sánchez-Moreno et al., 2015)).
O jogo de voleibol, devido à sua sequencialidade, começou a ser
dividido por complexos de jogo (Hileno & Buscà, 2012; Monge Muñoz, 2003),
na medida em que estes se configuram como subfases de jogo com lógicas
internas próprias e, como tal, apresentam regularidades distintas.. Inicialmente,
o jogo dividia-se em KI (side-out) ou a organização de ataque após receção ao
serviço adversário, e KII (transição) ou construção de jogo após ataque da
equipa opositora. Segundo (Mesquita, 2005), o KI é a fase mais estável do
jogo, onde cada jogador se encontra a maior parte das vezes na sua zona mais
confortável de ataque. É, de resto, uma área bastante abrangida pela literatura
(João, Mesquita, Sampaio, & Moutinho, 2006; Lobietti, Cabrini, & Brunetti,
2009b). O contra-ataque, inicialmente só designado como KII, apresenta
algumas características diferentes do KI e, como tal, merece uma abordagem
distinta. O KII é caracterizado pela ação de bloco, defesa, distribuição e ataque,
Introdução
20
ou seja, a capacidade de parar o ataque adversário criando uma situação
ofensiva favorável. Como afirma (Mesquita, 2005) o contra-ataque é uma
situação mais instável do jogo, com tempos de ataque mais lentos e menos
variados do que o KI. A menor variabilidade do jogo no KII diminui, segundo
(Afonso & Mesquita, 2007), a probabilidade da equipa pontuar na ação de
ataque. Contudo, esta é uma fase importante do jogo, onde a equipa que nela
se encontra consegue obter break-points (i.e. pontos distanciadores para a
equipa adversária).
Todavia, com a evolução da AJ aplicada ao Voleibol, a divisão do jogo
segundo Complexos tornou-se cada vez mais pormenorizada pelo que
surgiram novos conceitos como K0, KIII, KIV e KV. O K0 trata-se da ação de
serviço que, apesar de uma forte ligação com o KII, pode resultar em ponto e,
nesse sentido, surge como categoria própria (Monge Muñoz, 2007). Dentro do
contra-ataque observou-se uma separação entre o contra-ataque ao side-out
(KII) e o “contra-ataque ao contra-ataque” (KIII), pelas diferenças que
apresentam (Hurst et al., 2016; Laporta, Nikolaidis, Thomas, & Afonso, 2015;
Monge Muñoz, 2007; Palao, Santos, & Ureña, 2004). Contudo, esta separação
nem sempre é tida em conta na literatura e o contra-ataque continua muitas
vezes a ser analisado como um todo, o que pode induzir em erro a análise das
suas propriedades. Relativamente ao KIV, que corresponde à cobertura ao
próprio ataque, poucos estudos se debruçaram sobre este tema (uma exceção
é o estudo de (Laporta et al., 2015)), que foca a constituição da proteção e
rompe de certa forma com as perspetivas rígidas descritas até então (Monge
Muñoz, 2003). Por fim, o KV ou bola morta, aparenta também ter algumas
especificidades que o diferenciam das restantes formas de contra-ataque,
nomeadamente o facto de ter todos os atacantes disponíveis, com tempos de
ataque rápidos, o que aumenta as hipóteses de pontuar. Dentro deste
complexo de jogo, destaca-se o estudo de Afonso & Almeida (2013), os autores
analisaram o primeiro toque da bola morta no voleibol masculino e feminino,
bem como a forma como é possível começar a acelerar o jogo desde o primeiro
toque.
Introdução
21
Figura 1 - Sequencia do Jogo de Voleibol, adaptado de Laporta (2014).
Como podemos verificar na figura 1, o jogo de Voleibol tem uma
sequencialidade de ações bem definida, o que sugere um grau de
previsibilidade maior do que outros JD. Nesse sentido, a análise sistémica do
jogo vem ajudar a entender como é que os subsistemas do jogo (K’s)
interagem entre si, contribuindo para o aumento do rendimento da equipa no
jogo enquanto um todo (Palomares, 2008). Como afirma (McGarry et al., 2002),
é a independência parcial de cada subsistema que confere ao sistema uma
certa instabilidade que pode provocar evolução. Walter (2007) aplicou estes
conceitos ao Desporto, e os mesmos podem ser aplicados ao Voleibol, uma
vez que consideramos que a independência de cada Complexo de jogo atribui
ao jogo o grau de aleatoriedade contrariando a sequência bem estabelecida do
jogo.
Os estudos em voleibol têm sido realizados em vários âmbitos, tanto na
formação (Costa, Ferreira, Junqueira, Afonso, & Mesquita, 2011), como no
escalão sénior (Afonso, Moraes, Mesquita, Marcelino, & Duarte, 2009).
Contudo, as pesquisas têm-se focado em ações de jogo muito específicas
como o serviço (Araújo, Moraes, Coutinho, & Mesquita, 2012b), a receção
(Afonso et al., 2009b; Pereira, 2008), o ataque e o bloco (Afonso & Mesquita,
2011; Marcelino, Sampaio, & Mesquita, 2012). A maioria dos estudos analisa
ações do KI (e.g., (Afonso et al., 2009; Lobietti, Cabrini, & Brunetti, 2009)) e/ou
do KII (e.g., (Araújo, Castro, Marcelino, & Mesquita, 2010; Castro & Mesquita,
Introdução
22
2010). Recentemente, tem aumentado o enfoque aos complexos até hoje
menos estudados, como é o caso do KIV (Laporta et al., 2015) e o KV (Afonso
& Almeida, 2013; Chao, 2006). De facto as pesquisas previamente realizadas
tendem a agrupar KIII, KIV e KV no KII, o que provoca um desvirtuamento das
regularidades de jogo específicas de cada complexo. Poucos estudos
atribuíram importância a ações sem bola (Afonso, Mesquita, Garganta,
McRobert, & Williams, 2011c; Afonso, Mesquita, & Marcelino, 2008). Além das
limitações na forma de análise dos complexos, e considerando o reduzido peso
que as ações sem bola têm tido nos estudos realizados, surge ainda a questão
da sequencialidade e interação ecológica entre variáveis não ter sido
devidamente considerada.
Neste sentido, surge a utilização da Análise de Redes Sociais (uma
derivada da Análise de Redes, por sua vez originada pela Teoria dos Grafos)
no âmbito da AJ, como por exemplo no futebol (Clemente, Couceiro, Martins, &
Mendes, 2015; Cotta, Mora, Merelo, & Merelo-Molina, 2013), ténis (Carvalho et
al., 2014), basquetebol (Bourbousson, Poizat, Saury, & Seve, 2010), entre
outras. A ARS afigura-se como uma excelente ferramenta para obter um mapa
detalhado do jogo de Voleibol atual de alto nível, como prova o recente estudo
de Hurst… De facto, através deste mapa temos uma imagem visual, das
relações entre as ações de jogo. Cada ação é representada por um nó, e as
ligações entre cada ação (i.e. nó) são estabelecidas através de pontes. Essas
pontes são tanto mais fortes quanto mais forte for a sua ligação e os nós tanto
maiores quanto maior for o peso dessa ação do processo de jogo. Calculámos
o valor de centralidade de autovetor para cada variável de jogo analisada com
o objetivo de verificar o peso de cada ação como foi anteriormente referido.
Este autovetor pode ser influenciado, não só a frequência com que ocorre tal
variável, como também o número de outras variáveis com que esta se liga
(Guénard, Legendre, & Peres‐Neto, 2013). Assim, para cada ação de jogo
temos um valor que será tão mais alto quanto maior for a centralidade desta
ação no sistema global do jogo, isto é, se ocorrer muitas vezes e ao mesmo
tempo se ligar com diferentes variáveis. Através desta ferramenta,
conseguimos perceber de uma forma genérica quais as ações centrais do jogo
Introdução
23
de voleibol de alto nível, ações que consideramos que devem ter um enfase
especial no processo de treino como refere (Hurst et al., 2016). Ao mesmo
tempo, enquanto treinadores e investigadores da modalidade cabe-nos
também perceber quais as ações que não sendo centrais, deveriam ter um
peso maior no jogo e arranjar estratégias para que assumam mais esse papel.
1.2. Problema e objetivos do trabalho
O principal objetivo deste trabalho consistiu em caracterizar de modo
sistémico o jogo de voleibol masculino de alto nível recorrendo à ARS. Para tal,
foram analisados todos os complexos de jogo e estudadas as suas
características e interações, algo que ainda não encontrou eco na literatura
científica, com exceção dos estudos recentes que realizámos com Marta Hurst
e colaboradores, no contexto do voleibol feminino, cujo processo decorreu
paralelamente ao nosso. Quisemos medir o peso que cada ação tem neste
nível de jogo, procurando referências para as equipas com nível inferior e
descobrir lacunas que possam elevar ainda mais o nível das equipas de topo.
Nos artigos, analisámos as seguintes variáveis de jogo: zona de serviço
(segundo as zonas estabelecidas pelo regulamento da FIVB) e tipo de serviço
(flutuante com salto, flutuante sem salto e suspensão) (K0); zona de receção
(segundo as zonas do campo estabelecidas pela FIVB), qualidade da
distribuição (bola A: todos os atacantes disponíveis em bolas rápidas e com
cruzamentos; bola B: todos os atacantes disponíveis em tempos rápidos, sem
hipótese de cruzamento; bola C: sem bolas rápidas), zona (Regulamento FIVB)
e tempo de ataque (tempo 1: o atacante dá no máximo 1 passo apos o passe;
tempo 2: dois passos após a distribuição e tempo 3: Três ou mais passos após
o passe (KI); composição de bloco (0, 1, 2 ou 3 blocadores) e zona de primeiro
toque de defesa (regulamento FIVB) (KII e KIII); número de jogadores
disponíveis para atacar antes da cobertura, número de linhas de cobertura
(KIV); Zona de primeiro toque de bola morta (zona de ataque ou defesa,
segundo regulamento FIVB), qualidade de distribuição (A, B ou C, como
mencionado acima), zona e tempo de ataque (igual ao referido para KII) (KV).
Quando alguma ação não ocorreu, foi regista do como NO (Não Ocorreu).
Introdução
24
1.3. Estrutura do trabalho
O trabalho encontra-se dividido em três partes: I) introdução geral; II)
artigos submetidos com base na investigação feita; e III) considerações finais
acerca dos resultados obtidos em ambos os estudos.
A primeira parte funciona como um enquadramento da pesquisa atual no
âmbito da Análise de Jogo em geral, e no Voleibol em particular, com
referência às características da modalidade que justificam a pertinência do
presente estudo.
O primeiro artigo empírico, intitulado “A comprehensive mapping of high-
level men’s volleyball game through Social Network Analysis: Analyzing
complexes 0, I, II and III”, foi aceite para publicação na revista Montenegrin
Journal of Sports Sciences. Nesta investigação, analisam-se os complexos 0, I,
II e III do jogo do alto nível masculino (World Cup de 2015). As variáveis
analisadas foram, para cada complexo, as seguintes: K0: Zona de Serviço e
Tipo de Serviço. KI: Zona de receção, Zona de Distribuição, Zona e Tempo de
Ataque. KII e KIII: Número de blocadores, Zona de Defesa, Zona e Tempo de
Ataque.
No segundo artigo empírico, intitulado “O papel da cobertura de ataque e
da bola de graça no voleibol masculino de alto nível. Estudo recorrendo à
Análise de Redes Sociais”, submetido à Revista Brasileira de Ciências do
Desporto, o enfoque foi para os complexos IV e V, acrescendo as variáveis de
jogadores disponíveis a atacar pré-KIV; número de linhas que formam o KIV;
tipo de bola morta (Freeball ou Downball).
Finalmente, na terceira parte são discutidos alguns aspetos que nos
parecem mais importantes retirados de ambos os estudos.
Introdução
25
1.4 Referências Bibliográficas
Abernethy, B. (1988). Visual search in sport and ergonomics: its relationship to
selective attention and performer expertise. Human Performance, 1(4),
205-235.
Afonso, J., & Almeida, M. (2013). Playing the freeball in volleyball: differences
between men and women at the elite level. EfDeportes - Revista Digital,
18(184).
Afonso, J., & Mesquita, I. (2007). Estudo piloto acerca da relação entre jogada
de ataque e tempo de ataque em voleibol feminino. Revista Portuguesa
de Ciências do Desporto, 7(Suppl.1), 46-47.
Afonso, J., & Mesquita, I. (2011). Determinants of block cohesiveness and
attack efficacy in high-level women's volleyball. European Journal of
Sport Science, 11(1), 69-75.
Afonso, J., & Mesquita, I. (2013). Designing a protocol for monitoring tactical
decision-making in volleyball while using a representative design. The
Brunswik Society Newsletter, 28, 5-8.
Afonso, J., Mesquita, I., Garganta, J., McRobert, A., & Williams, A. M. (2011c).
Visual search strategies of volleyball players in live settings. Revista
Portuguesa de Ciências do Desporto, 11(Suppl.4), 34.
Afonso, J., Mesquita, I., & Marcelino, R. (2008). The availability of the middle
attacker for the quick attack and its effect on the zone, tempo and
efficacy of the attack, and on the actions of the block, in elite women's
volleyball. Paper presented at the II Congreso Internacional de Ciencias
del Deporte, Pontevedra.
Afonso, J., Moraes, J., Mesquita, I., Marcelino, R., & Duarte, T. (2009b).
Relationship between reception effect, attack type and attack tempo with
performance level in high-level men's volleyball. Journal of Sports
Sciences, 27(4), S128.
Araújo, R., Castro, J., Marcelino, R., & Mesquita, I. (2010). Relationship
between the opponent block and the hitter in elite male volleyball.
Journal of Quantitative Analysis in Sports, 6(4), Article 3: 1-12.
Introdução
26
Araújo, R., Moraes, C., Coutinho, P., & Mesquita, I. (2012b). Determinants of
serve action in high level male volleyball. Paper presented at the World
Congress of Performance Analysis of Sport IX, Worcester.
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. doi:
10.1080/10413201003664657
Carvalho, J., Araújo, D., Travassos, B., Fernandes, O., Pereira, F., & Davids, K.
(2014). Interpersonal Dynamics in Baseline Rallies in Tennis.
International Journal of Sports Science and Coaching, 9(5), 1043-1056.
doi: 10.1260/1747-9541.9.5.1043
Castro, J., & Mesquita, I. (2010). Analysis of the attack tempo determinants in
volleyball's complex II - a study on elite male teams. International Journal
of Performance Analysis in Sport, 10(3), 197-206.
Chao, F. (2006). The not-so-freeball. Volleyball Magazine, 63.
Clemente, F. M., Couceiro, M. S., Martins, F. M., & Mendes, R. S. (2015). Using
network metrics in soccer: a macro-analysis. Journal of Human Kinetics,
45, 123-134. doi: 10.1515/hukin-2015-0013
Coleman, N., & Feler, L. (2015). Bank ownership, lending, and local economic
performance during the 2008–2009 financial crisis. Journal of Monetary
Economics, 71, 50-66.
Costa, G., Ferreira, N., Junqueira, G., Afonso, J., & Mesquita, I. (2011).
Determinants of attack tactics in Youth male elite volleyball. International
Journal of Performance Analysis in Sport, 11(1), 96-104.
Cotta, C., Mora, A. M., Merelo, J. J., & Merelo-Molina, C. (2013). A network
analysis of the 2010 FIFA world cup champion team play. Journal of
Systems Science and Complexity, 26(1), 21-42. doi: 10.1007/s11424-
013-2291-2
Coutinho, P., Araújo, R., & Mesquita, I. (2012b). The sport developmental
pathway of volleyball players: The nature and type of sport practice.
Paper presented at the World Congress of Performance Analysis of
Sport IX, Worcester.
Introdução
27
Ferguson, C. J. (2015). Do Angry Birds make for angry children? A meta-
analysis of video game influences on children’s and adolescents’
aggression, mental health, prosocial behavior, and academic
performance. Perspectives on Psychological Science, 10(5), 646-666.
Garganta, J. (2001). A análise da performance nos jogos desportivos. Revisão
acerca da análise do jogo. Revista Portuguesa de Ciências do Desporto,
1(1), 57-64.
Guénard, G., Legendre, P., & Peres‐Neto, P. (2013). Phylogenetic eigenvector
maps: a framework to model and predict species traits. Methods in
Ecology and Evolution, 4(12), 1120-1131.
Hileno, R., & Buscà, B. (2012). Herramienta observacional para analizar la
cobertura del ataque en voleibol. Revista Internacional de Medicina y
Ciencias de la Actividad Física y el Deporte, 12(47), 557-570.
Hurst, M., Loureiro, M., Valongo, B., Laporta, L., Nikolaidis, P. T., & Afonso, J.
(2016). Systemic Mapping of High-Level Women's Volleyball using Social
Network Analysis: The Case of Serve (K0), Side-out (KI), Side-out
Transition (KII) and Transition (KIII). International Journal of Performance
Analysis in Sport, 16(2), 695-710.
João, P. V., Mesquita, I., Sampaio, J., & Moutinho, C. (2006). Análise
comparativa entre o jogador libero e os recebedores prioritários na
organização ofensiva, a partir da recepção ao serviço, em voleibol.
Revista Portuguesa de Ciências do Desporto, 6(3), 318-328.
Laporta, L., Nikolaidis, P., Thomas, L., & Afonso, J. (2015). The importance of
loosely systematized game phases in sports: The case of attack
coverage systems in high-level women’s volleyball. Montenegrin Journal
of Sports Science and Medicine, 4(1), 19-24.
Laporta,L. A cobertura de ataque em voleibol de alto nível feminino e
masculino. Estruturas e regularidades emergentes do jogo (2014) Porto.
Dissertação de Mestrado apresentada à Faculdade de Desporto da
Universidade do Porto.
Lobietti, R., Cabrini, P., & Brunetti, M. (2009a). The side-out complex in
volleyball: the effect of reception and attack performance with the final
Introdução
28
score. In A. Hökelmann, K. Witte & P. O'Donoghue (Eds.), Current trends
in performance analysis. World Congress of Performance Analysis of
Sport VIII (pp. 91-95). Aachen: Shaker Verlag.
Lobietti, R., Cabrini, P., & Brunetti, M. (2009b). The side-out complex in
volleyball: the effect of reception and attack performance with the final
score. International Journal of Performance Analysis in Sport, 9(3), 390.
Marcelino, R., Sampaio, J., & Mesquita, I. (2012). Attack and serve
performances according to the match period and quality of opposition in
elite volleyball matches. Journal of Strength and Conditioning Research,
26(12), 3385-3391.
McGarry, T., Anderson, D., Wallace, S., Hughes, M., & Franks, I. (2002). Sport
competition as a dynamical self-organizing system. Journal of Sports
Sciences, 20(10), 771-781.
Mesquita, I. (2005). A contextualização do treino no voleibol: a contribuição do
construtivismo. In D. Araújo (Robinson), O Contexto da Decisão. A
Acção Táctica no Desporto (pp. 355-378). Lisboa: Visão e Contextos.
Monge Muñoz, M. A. (2003). Propuesta estructural del desarollo del juego en
voleibol. In I. Mesquita, C. Moutinho & R. Faria (Eds.), Investigação em
Voleibol. Estudos Ibéricos (pp. 142-149). Porto: FCDEF-UP.
Monge Muñoz, M. A. (2007). Construcción de un sistema observacional para el
análisis de la acción de juego en voleibol. A Coruña: Universidade da
Coruña.
Palao, J. M., Santos, J., & Ureña, A. (2004). Effect of the setter's position on the
block in volleyball. International Journal of Volleyball Research, 7(1), 29-
32.
Palomares, N. (2008). Toward a theory of goal detection in social interaction:
effects of contextual ambiguity and tactical functionality on goal
inferences and inference certainty. Communication Research, 35, 109-
149.
Pereira, N. (2008). Estudo da acção de recepção e defesa em função do
jogador interveniente no voleibol de alto rendimento masculino.
Introdução
29
Monografia de Licenciatura apresentada à Faculdade de Desporto da
Universidade do Porto .
Sánchez-Moreno, J., Marcelino, R., Mesquita, I., & Ureña, A. (2015). Analysis of
the rally length as a critical incident of the game in elite male volleyball.
International Journal of Performance Analysis in Sport, 15(2), 620-631.
Walter, F. (2007). Analysis of Sports Performance as a Dynamical System by
Means of the Relative Phase. International Journal of Computer Science
in Sport –, Volume 6/Edition 2.
31
ESTUDO 1
A comprehensive mapping of high-level men’s volleyball game through
Social Network Analysis: Analyzing complexes 0, I, II and III.
Manuel Loureiro1, Marta Hurst1, Beatriz Valongo1, Pantelis Nikolaidis2,
Lorenzo Laporta1 & José Afonso1 1Centre of Research, Education, Innovation and Intervention in Sport, Faculty of Sports -
University of Porto, Portugal
2Department of Physical and Cultural Education Hellenic Army Academy, Athens, Greece
Aceite para publicação na Montenegrin Journal of Sports Sciences
Estudo 1 – K0 a KIII
33
Abstract
A deeper understanding of the factors behind performance and their
interactions is essential to promote better training practices. Notwithstanding,
the focus often relies on the outcomes of players’ actions (e.g., efficacy rates),
whereas the nature and variations of certain classes of actions remain largely
unexplored. Our purpose was to conduct a systemic analysis of categorical
game variables and their interactions using Social Network Analysis (SNA).
Game actions were counted as nodes and their interactions as edges.
Eigenvector centrality values were calculated for each node. Eight matches of
the FIVB’s Men’s World Cup’2015 were analyzed, composing a total of 27 sets
(1,209 rallies). Four game complexes were considered: K0 (Serve), KI (Side-
out), KII (Side-out transition) and KIII (Transition). Results showed that teams
frequently play in-system when in KI (i.e. under ideal conditions), but present
reduced variation with regard to attack zones and tempos, whereas in KII teams
most often play out-of-system. Based on these findings, it was concluded that
practicing with non-ideal conditions is paramount for a good performance in KII.
Furthermore, most literature combines KII and KIII as a single unit (counter-
attack); however, our results reinforce the notion that these two game
complexes differ and should be analyzed separately.
Keywords: performance analysis, systemic analysis, social networks, game
logic
Introduction
The study of dynamic systems has revealed the existence of common
logical principles between social and biological behaviors (Mendes, 2010).
Indeed, it is widely recognized that the collective performance of a sport team is
more (or less) than the sum of each players’ performance (McGarry, 2009). In
team sports, different players cooperate to achieve success, such as scoring a
goal or blocking the ball, for example (Clemente & Mendes, 2015). Thus, the
team acts like a dynamic system, where different components/parts work
Estudo 1 – K0 A KIII
34
together and often produce novel, emergent behavior, while the overall
systemic behavior retroacts upon the parts (Palomares, 2008). Dynamic
systems usually present subsystems that are highly complex and can exhibit
partial independence (for example, cell organelles function partially
independently, albeit concurring to the overall, systemic pattern of the human
body) (Lebed, 2007). The coordinated activity of those subsystems and their
interaction support their behavior and their function (Walter, Lames, & McGarry,
2007). The partial independence of the subsystems contributes to create some
instability in the system, leading to the emergence of new patterns or,
alternatively, a return to previous patterns (McGarry, Anderson, Wallace,
Hughes, & Franks, 2002). It has been reasoned that these principles may reflect
the reality of team sports (Walter, 2007), where each player’s performance
denotes a delicate interplay between their individual actions and the team’s
behaviors as a whole.
In this vein, Social Network Analysis (SNA) emerges as powerful tool to
study systemic behavior (e.g., analysis of its topological conformations),
devoting special attention to the relationships established within the system
(Quatman & Chelladurai, 2008). As it has been stated (Pow, Gayen, Elliott, &
Raeside, 2012), SNA maps assist us in understanding the interactions within a
group, namely the links between different players and the flow of information in
the system. This method has been used in different fields of research including
sport (e.g., Cotta, Mora, Merelo, & Merelo-Molina, 2013; Fransen et al., 2015),
usually to expose the relationships between different elements (i.e., persons) of
a given system. Notwithstanding, SNA emerges from graph theory, indicating
that it is possible to analyze the interactions between any given set of variables
(Lusher, 2010). Therefore, this instrument might be used to provide further
insights regarding the logic behind performance in different sports
(Bourbousson, 2010). Specifically, it is possible to use SNA to gather topologic
information of sets of performance variables (e.g., game actions, behavioral
patterns, events, and contextual cues, among others) in order to produce a
systemic mapping of the game and of sub-sets of the game (Lusher, Robins, &
Kremer, 2010). This, in itself, will provide useful qualitative information, which is
Estudo 1 – K0 a KIII
35
complemented by quantitative data pertaining the established relationships
(e.g., node centrality measures and density, strength of edges, and detection of
cliques, just to mention some).
Nonetheless, most match analyses still tend to be compartmentalized
and use a marked analytical approach, avoiding a systemic approach, perhaps
due to its complexity. In the case of volleyball, some game variables are
commonly studied: type and efficacy of the serve (Quiroga et al., 2010); quality
of serve-reception (Afonso, Moraes, Mesquita, Marcelino, & Duarte, 2009);
setting zone and quality (Afonso, Mesquita, Marcelino, & Silva, 2010); efficacy
of the attack (based on zone attack tempo) (Araújo et al., 2011). Volleyball is
usually considered to encompass five different game complexes (K’s), which
are the equivalents to the concept of sub-system. According to Hileno and
Buscà (2012), volleyball can be divided into six functional and partially
independent game complexes: K0 (serve), KI (side-out, including serve-
reception, set, and attack); KII (side-out transition, block, dig, set and attack
immediately after de side-out); KIII (transition of transitions, including the same
items as KII but after another transition ); KIV (attack-coverage, analyzing ) and
KV (freeball transition, transition without attack of the opposite team). Most
authors include the K0 in the KII, due to their close functional relationships and
tactical unity (e.g., Costa, Afonso, Brant, & Mesquita, 2012), but here we kept
them separated as we intended to analyze the sequential paths of the game
actions. How these distinct game complexes interact is scarcely known and, to
our knowledge, has not been investigated. Surely, their relationships have not
been explored using SNA.
Therefore, the aim of the present study was to analyze the systemic and
sub-systemic relationships (both qualitative and quantitative) in a competitive
sport context using Social Network Analysis, focusing on relationships between
game actions instead of focusing on relationships between players. The specific
case of high-level men’s volleyball game was considered.
Estudo 1 – K0 A KIII
36
Methods
Sample
Eight matches from the Fédération Internationale de Volleyball (FIVB)
World Cup 2015 were analyzed. This highly prestigious competition is held once
every four years, and from this particular tournament two best-classified teams
gained direct qualification to the 2016 Olympic Games in Rio. Five teams from
the top six placed in the FIVB World Rankings were analyzed (Poland, 2nd;
Russia, 3rd; USA, 4th; Italy, 5th; and Argentina, 6th). Brazil (the number 1 in the
ranking) did not participate in this tournament since it was already qualified to
the Olympic Games, in the quality of host country. A total of 1,209 rallies were
observed, corresponding to 27 sets.
Instrument
The videos were acquired in the public domain Youtube.com, and all
had a back view of the court. Data collection was accomplished using
Microsoft® Excel® 2015 and later analyzed using IBM® SPSS® Statistics for
Windows (Version 21, E.U.A.). The SNA were performed using Gephi© 0.8.2-
beta (Version 10.10.3, France). The observers had been previously trained in
order to attain proficiency and consistency in coding the data. For training
purposes, each observer analyzed a minimum of eight matches from different
high-level competitions (men and women). Inter-observer reliability was
established with Cohen’s Kappa above 0.80 for all the considered variables.
Variables
The game complexes included KO (Serve), KI (Side-out), KII (Side-out
transition) and KIII (Transition) (Costa et al., 2012). Although K0 is usually
included in KII, we analyzed it independently to better provide a perceptible
sequential analysis of the game actions. Two variables were considered in K0:
Serve Zone, following the official FIVB rules which divide the court into 6
different zones (1, 6 and 5 in the back row, as servers are behind one of these
Estudo 1 – K0 a KIII
37
three zones), and Serve Type (jump, jump-float or standing) (Quiroga et al.,
2010).
In KI, the following variables were analyzed: (a) Reception Zone (the six
official volleyball zones); (b) Setting Zone, which was evaluated based on the
options available to the setter (A if the setter had all options available, B if the
setter could still use quick plays and use the middle-attacker, but some attack
combinations were not possible, and C when the setter could not use quick
attacks); (c) Attack Tempo (based on Afonso & Mesquita (2007) and Costa et
al. (2012)): 1 - the attacker was in the air or performed one step after the set; 2 -
the attacker performed two steps after the set; 3 - the attacker performed three
or more steps after the set); and (d) Attack Zone, according to FIVB’s rules.
Complexes II and III also made use of Setting Zone, Attack Tempo, and
Attack Zone, but further presented specific variables: Block Opposition, which
was analyzed according the number of blockers facing the attack (from 0
blockers to 3 blockers), and Defense Zone, which was evaluated as the zone
where the dig occurred (official volleyball zones adding “others”, outside the
field). When any variable did not occur it was registered as Not Occurring (NO).
Statistical Analysis
SNA was used; specifically, eigenvector centralities were calculated for
each node. Eigenvector centrality is a measure that has in itself the idea that
each node is more central if it is connected with central nodes. The centrality of
each one depends not only on the number of connections but also of their
characteristics. (Bonacich, 2007)
For purposes of inter-observer reliability testing, 366 (30,00%) of rallies
were analyzed by an independent observer (who was an experienced coach
and researcher), thereby well above the 10% suggested by Tabachnick and
Fidell (2000). Values of Cohen’s Kappa ranged between 0.76 and 1, above the
reference value of 0.75 suggested by the specialized literature (Fleiss 2003).
The Ethics Committee at the Centre of Research, Education, Innovation and
Estudo 1 – K0 A KIII
38
Intervention in Sport of University of Porto provided institutional approval for this
study.
Results
A topological mapping of the interactions through calculation of
eigenvector centralities is presented in Figure 1.
Figure 1 – Topological mapping of KI, KII and KIII
As seen in the Table 1, there were no Standing Serves, and the less
used Serve Zone was 5 (0.04). There were no apparent differences between
jump-float and jump serve, and the same was observed for serve zones 1 and 6
(0.05).
Estudo 1 – K0 a KIII
39
Table 1 - Eigenvector values for Complex 0
Serve (K0)
Serve type (K0ST)
Jump (K0STJ) Jump-float (K0STJF) Standing
(K0STF) Range
0.06 0.06 - 0.06-0.06
Serve zone (K0SZ)
ServZ1
(K0SZ1) ServZ5 (K0SZ5) ServZ6 (K0SZ6) Range
0.05 0.04 0.05 0.04-0.05
With respect to KI or side-out (Table 2), all reception zones presented
similar eigenvector values (0.08-0.09), with zone 4 being the exception. Setting
zones A and B obtained the superior eigenvector values (0.39 and 0.38,
respectively), when compared to zone C (0.29). The attack zone with the
highest value in side-out was 4 (0.73), followed by zones 3 and 2 (0.69). Attack
tempos 2 and 3 predominated (0.75).
Estudo 1 – K0 A KIII
40
Table 2- Eigenvector values for Complex I
Side-Out (KI)
Reception
Zone
(KIRZ)
RZ 1
(KIRZ1)
RZ 2
(KIRZ2)
RZ 3
(KIRZ3)
RZ 4
(KIRZ4)
RZ 5
(KIRZ5)
RZ 6
(KIRZ6)
RZ Not
Occurring
(KIRZNO)
Range
0.09 0.08 0.09 0.06 0.09 0.09 0.02 0.02-
0.09
Setting
Zone
(KISZ)
SZ A
(KISZA)
SZ B
(KISZB)
SZ C
(KISZC)
SZ Not
Occurring
(KISZNO)
Range
0.39 0.38 0.29 0.04 0.04-0.39
Attack
Zone
(KIAZ)
AZ 1
(KIAZ1)
AZ 2
(KIAZ2)
AZ 3
(KIAZ3)
AZ 4
(KIAZ4)
AZ 5
(KIAZ5)
A Z 6
(KIAZ6)
AZ Not
Occurring
(KIAZNO)
Range
0.64 0.69 0.69 0.73 0.38 0.55 0.06 0.06-
0.73
Attack
Tempo
(KIAT)
AT1
(KIAT01)
AT 2
(KIAT2)
AT 3
(KIAT3)
AT Not
Occurring
(KIATNO)
Range
0.63 0.75 0.75 0.60 0.60-0.75
In KII (side-out transition), double block had the highest value (1.00),
followed by single block (0.98), with triple blocks (0.81) and no opposition (0.78)
being less central in the network. The vast majority of attacks were intercepted
in the backcourt defensive zones, with frontcourt defensive zones being less
central. Differently from what had succeeded in KI, the attack in KII was mostly
built from setting zone C (0.45). Attack zone 2 was predominant (0.54), closely
followed by zone 4 (0.51) and zone 1 (0.50), but plays where an attack could
not be built were also central (0.50). Similarly to KI, attack tempos 3 and 2
predominated (0.56).
Estudo 1 – K0 a KIII
41
Table 3- Eigenvector values for Complex II
Side-out transition (KII)
Number
of
blockers
(KIINB)
Triple
(KIINB3)
Double
(KIINB2)
Single
(KIINB1)
No block
(KIINB0) Range
0.81 1.00 0.98 0.78 0.78 – 1.00
Defence
Zone
(KIIDZ)
DZ 1
(KIIDZ1)
DZ 2
(KIIDZ2)
DZ 3
(KIIDZ3)
DZ 4
(KIIDZ4)
DZ 5
(KIIDZ5)
DZ 6
(KIIDZ6)
Other
(KIIDFO)
DZ Not
Occurring
(KIIDZNO) Range
0.86 0.67 0.67 0.66 0.89 0.91 0.04 0.49 0.04 –
0.89
Setting
Zone
(KIISZ)
SZ A
(KIISZA)
SZ B
(KIISZB)
SZ C
(KIISZC)
SZ Not
Occurring
(KIISZNO) Range
0.41 0.38 0.45 0.43 0.38 – 0.45
Attack
Zone
(KIIAZ)
AZ 1
(KIIAZ1)
AZ 2
(KIIAZ2)
AZ 3
(KIIAZ3)
AZ 4
(KIIAZ4)
AZ 6
(KIIAZ6)
AZ Not
Occurring
(KIIAZNO) Range
0.50 0.54 0.42 0.51 0.42 0.50 0.42 – 0.54
Attack
Tempo
(KIIAT)
AT 1
(KIIAT01)
AT2
(KIIAT2)
AT 3
(KIIAT3)
AT Not
Occurring
(KIIATNO) Range
0.36 0.56 0.56 0.53 0.36 – 0.53
In KIII, the triple block surpasses (0.39) double block (0.38) and single
block (0.36). Results for defensive zones were similar to those obtained in KII.
Contrary to KII, however, setting zone A (0.35) again surpassed the centrality
values of zones B and C, as had occurred in KI. Attack zones 4 (0.30), 1 and 2
(0.28) remained central nodes in the network. Again, attack tempos tempo 2
and 3 (0.27 and 0.25) presented superior eigenvector values with respect to
tempo 1.
Estudo 1 – K0 A KIII
42
Table 4- Eigenvector values for Complex III
Transition (KIII)
Number
of
blocker
s
(KIIINB)
Triple
(KIIINB3)
Double
(KIIINB2
)
Single
(KIIINB1
)
No block
(KIIINB0) Range
0.39 0.38 0.36 0.33 0.33 – 0.39
Defenc
e Zone
(KIIIDZ)
DZ 1
(KIIIDZ1)
DZ 2
(KIIIDZ2
)
DZ3
(KIIIDZ3
)
DZ 4
(KIIIDZ4)
DZ 5
(KIIIDZ5
)
DZ 6
(KIIIDZ6
)
Other
Zone
(KIIIDFO)
DZ Not
Occurring
(KIIIDZNO
)
Rang
e
0.34 0.29 0.33 0.24 0.33 0.33 0.28 0.15 0.15 –
0.34
Setting
Zone
(KIIISZ)
SZ A
(KIIISZA)
SZ B
(KIIISZB
)
SZ C
(KIIISZC
)
SZ Not
Occurring
(KIIISZNO
) Range
0.35 0.29 0.33 0.32 0.29 – 0.35
Attack
Zone
(KIIIAZ)
AZ 1
(KIIIAZ1)
AZ 2
(KIIIAZ2
)
AZ 3
(KIIIAZ3)
AZ 4
(KIIIAZ4)
AZ 5
(KIIIAZ5
)
AZ6
(KIIIAZ6
)
Not
Occurring
(KIIIAZNO
) Range
0.28 0.28 0.25 0.30 0.05 0.20 0.28 0.05 – 0.28
Attack
Tempo
(KIIIAT)
AT 1
(KIIIAT01
)
AT 2
(KIIIAT2
)
AT 3
(KIIIAT3)
AT Not
Occurring
(KIIIATNO
) Range
0.21 0.27 0.25 0.36 0.21 – 0.36
While the K0 always links to KI, by definition, the three remaining game
complexes (I, II, and III) may originate distinct events. In this case, KI never
originated KIV, i.e., there were no plays starting with attack coverage after KI.
However, some missed receptions and settings did originate KV.
Estudo 1 – K0 a KIII
43
Table 5- Weight values for Complex IV and Complex V
Categories KIV
(Range)
KV
(Range)
Side-out (KI) KIRZ 1 – 20
KISZ 1 – 66
KIAZ 1 – 3
KIAT 0
Side-out Transition
(KII)
KIINB 17-74
KIIDZ 1 – 8
KIISZ 2 – 17
KIIAZ 1
KIIAT 1
Transition (KIII) KIIINB 16-38
KIIIDZ 1 – 5
KIIISZ 1 – 12
KIIIAZ 1
KIIIAT 1
Discussion
Performance analysis is a powerful method for understanding the
complexities, behaviors and patterns in the game (Travassos, Davids, Araújo, &
Esteves, 2013). This kind of information helps coaches in designing training
processes that more closely follow the demands of competition (Ericsson,
2003). As team sports in particular seem to behave as dynamic systems,
systemic analyses are paramount to better frame performance (Walter, 2007).
In this vein, we applied SNA to high-level men’s volleyball. Specifically,
eigenvector centrality was calculated for each node, in order to understand the
importance of each game action in overall performance as well as the
interaction between them. Four game complexes were analyzed: K0 (Serve); KI
(Side-out); KII (Side-out transition) and KIII (Transition).
Estudo 1 – K0 A KIII
44
Results showed that the standing serve was rarely used, possibly
because it tends to be less effective than other serve techniques. Still, standing
serve could be an option to lower the jump frequency in the matches and create
a disturbance in game patterns, especially if used as a surprise factor in certain
key moments. The jump serve presented a high eigenvector centrality value, in
accordance to the role it has in men’s volleyball (Costa et al., 2012;
Manzanares & Ortega, 2009; Palao, 2009), but this value was not superior to
that presented by the jump-float, such serves in men’s volleyball being
associated with low risk but very low chance to score a point (Palao, 2009). The
findings also showed that most of the players chose to serve in their zone of
responsibility of defense (i.e., setters and opposites in Z1, outside-hitters in Z6,
and middle-blockers in Z5). This seems logic, as the paths from serve to
defensive positions are shortest, but may reduce variability and thus turn the
serve more predictable. Players could benefit from changing their serve zone in
specific moments, introducing some randomness in order to imbalance the
opponent. Also, the serve rarely targeted zone 4, even though this could
possibly disrupt the outside hitter’s attack pattern (Afonso et al., 2010; Lithio &
Webb, 2006).
As for KI (side-out), teams played most often in-system, as the quality of
the first contact was such that SZA presented the highest centrality values, as
had also been observed by Bergeles and Nikolaidou (2011), having been
closely followed by SZB. Despite optimal or near-optimal conditions for attack
being the norm in this game complex, the attack options still largely promoted
zone 4 and tempo 1 was the less central node. According to Costa et al. (2011)
and Afonso et al. (2010), this reduces the chance of scoring a point. This has
practical implications for volleyball practices, as teams use slower attack
tempos and reduced variation in attack zone despite having ideal conditions for
doing so. Low-risk strategies seem to have been privileged, and it would be
interesting to further explore why this is happening, as well as try understanding
what would change in the game dynamics if higher-risk strategies were to be
applied.
Estudo 1 – K0 a KIII
45
Accordingly, teams playing in KII were able to mount double blocks more
often than single blocks, thus building a strong defensive wall, in agreement
with previous research (Afonso & Mesquita, 2011; Afonso, Mesquita, & Palao,
2005). Still, teams spent most of the time playing off-system, as SZC was
clearly predominant, in line with the conclusions of Mesquita and Graça (2002).
Therefore, even if KI attacks privileged safety over speed and variation, they
managed to deliver an effective offense, and double blocks were not capable of
maintaining the superior centrality of SZA and SZB over SZC. Expectedly,
slower attacks by the extremities of the net emerged as central nodes. Overall,
teams should prepare themselves to play KII in off-system conditions, instead of
practicing in more structured, in-system contexts.
Contrariwise, the KIII emerged as distinct from the KII. For starters, triple
block emerged as central, denoting a better opposition to the attack.
Consequently, SZA was again predominant. Nonetheless, slower attack tempos
and the extremities of the net were once more central. Unlike KI, though,
mounting a quicker offense in KIII may be more difficult due to two major
factors: i) most attackers are probably just recovering from the block and may
not have the time to participate in quicker attack tempos; ii) in KIII fatigue is
already playing a role, thus also contributing to a small centrality of quick attack
tempos. The pronounced differences between KII and KIII imply that the two
types of counter-attack are qualitatively different and should be analyzed
separately. Unfortunately, the vast majority of research merges both into a
single unit reporting the counter-attack (e.g., Costa et al., 2012; Laporta,
Nikolaidis, Thomas, & Afonso, 2015), although there is at least one exception
(see Sánchez-Moreno, Marcelino, Mesquita, & Ureña, 2015) consider such
functional differences. Finally, our data highlighted the fact that KI never
originated KIV, i.e., there were no plays of attack coverage deriving from the
side-out.
Overall, this study showed that game play under in- or off-system
conditions varies depending on the game complex that is being analyzed.
Specifically, KI presents volleyball teams with greater possibilities of playing in-
system, but still a below-expected variability in attack organization was
Estudo 1 – K0 A KIII
46
observed. In KII, off-system conditions predominate, and such logic should be
replicated in training sessions to better prepare athletes for playing under far-
from-ideal conditions. Also of notice, important differences have been
established between the KII and KIII, denoting that the distinction of side-out
transition and transition is not a mere perfectionism, but actually denotes two
distinct game complexes, each with its own functional dynamics. Such
accentuated differences should advise researchers against grouping the two
types of transition or counter-attack in the same category.
References
Afonso, J., & Mesquita, I. (2011). Determinants of block cohesiveness and
attack efficacy in high-level women's volleyball. European Journal of Sport
Science, 11(1), 69-75.
Afonso, J., Mesquita, I., Marcelino, R., & Silva, J. A. (2010). Analysis of the
setter's tactical action in high-performance women's volleyball. Kinesiology,
42(1), 82-89.
Afonso, J., Mesquita, I., & Palao, J. M. (2005). Relationship between the use of
commit-block and the number of blockers and block effectiveness. International
Journal of Performance Analysis in Sport, 5(2), 36-45.
Afonso, J., Moraes, J., Mesquita, I., Marcelino, R., & Duarte, T. (2009).
Variables associated with the effect of serve-reception, in high-level men's
volleyball. Journal of Sports Sciences, 27(4), S127-128.
Araújo, R., Martins, A., Afonso, J., Botelho, S., Coutinho, P., & Mesquita, I.
(2011). Tactical determinants of the attack player in high-level male volleyball.
Revista Portuguesa de Ciências do Desporto, 11(Suppl.4), 36.
Bergeles, N., & Nikolaidou, M. (2011). Setter's performance and attack tempo
as determinants of attack efficacy in Olympic-level male volleyball teams.
International Journal of Performance Analysis in Sport, 11(3), 535-544.
Estudo 1 – K0 a KIII
47
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.
Bonacich, P. (2007). Some unique properties of eigenvector centrality. Social
networks, 29(4), 555-564.
Clemente, F. M. M. F. & Mendes, R. (2015). There are differences between
centrality levels of volleyball players in different competitive levels? Journal of
Physical Education and Sport, 15(2), 272 - 276.
Costa, G., Afonso, J., Brant, E., & Mesquita, I. (2012). Differences in game
patterns between male and female youth volleyball. Kinesiology, 44(1), 60-66.
Costa, G. C., Caetano, R., Ferreira, N. N., Junqueira, G., Afonso, J., Costa, R.
D., & Mesquita, I. (2011). Determinants of attack tactics in Youth male elite
volleyball. International Journal of Performance Analysis in Sport, 11(1), 96-104.
Cotta, C., Mora, A. M., Merelo, J. J., & Merelo-Molina, C. (2013). A network
analysis of the 2010 FIFA world cup champion team play. Journal of Systems
Science and Complexity, 26(1), 21-42.
Fransen, K., Van Puyenbroeck, S., Loughead, T. M., Vanbeselaere, N., De
Cuyper, B., Vande Broek, G., & Boen, F. (2015). Who takes the lead? Social
network analysis as a pioneering tool to investigate shared leadership within
sports teams. Social Networks, 43.
Hileno, R., & Buscà, B. (2012). Herramienta observacional para analizar la
cobertura del ataque en voleibol. Revista Internacional de Medicina y Ciencias
de la Actividad Física y el Deporte, 12(47), 557-570.
Laporta, L., Nikolaidis, P., Thomas, L., & Afonso, J. (2015). The importance of
loosely systematized game phases in sports: The case of attack coverage
systems in high-level women’s volleyball. Montenegrin Journal of Sports
Science and Medicine, 4(1), 19-24.
Estudo 1 – K0 A KIII
48
Lebed, F. (2007). A dolphin only looks like a fish: players' behaviour analysis is
not enough for game understanding in the light of the systems approach - a
response to the reply by McGarry and Franks. European Journal of Sport
Science, 7(1), 55-62.
Lithio, D., & Webb, E. (2006). Optimizing a volleyball serve. Rose-Hulman
Institute of Technology Undergraduate Math Journal, 7.
Lusher, D., Robins, G., & Kremer, P. (2010). The application of social network
analysis to team sports. Measurement in Physical Education and Exercise
Science, 14(4), 211-224.
Manzanares, P., & Ortega, E. (2009). Techniques used and efficacy of
volleyball skills in relation to gender. International Journal of Performance
Analysis in Sport, 9(2), 281-293.
McGarry, T. (2009). Applied and theoretical perspectives of performance
analysis in sport: scientific issues and challenges. International Journal of
Performance Analysis in Sport, 9(1), 128-140.
McGarry, T., Anderson, D., Wallace, S., Hughes, M., & Franks, I. (2002). Sport
competition as a dynamical self-organizing system. Journal of Sports Sciences,
20(10), 771-781.
Mendes, P. (2010). Networks as a novel tool for studying team ball sports as
complex social systems. Journal of Science and Medicine in Sport 14, 170–176.
Mesquita, I., & Graça, A. (2002). Probing the strategic knowledge of an elite
volleyball setter: a case study. International Journal of Volleyball Research,
5(1), 13-17.
Palomares, N. (2008). Toward a theory of goal detection in social interaction:
effects of contextual ambiguity and tactical functionality on goal inferences and
inference certainty. Communication Research, 35, 109-149.
Estudo 1 – K0 a KIII
49
Pow, J., Gayen, K., Elliott, L., & Raeside, R. (2012). Understanding complex
interactions using social network analysis. Journal of Clinical Nursing,
21(19pt20), 2772-2779.
Quatman, C., & Chelladurai, P. (2008). Social Network theory and analysis: A
complementary lens for inquiry. Journal of Sport Management, 22, 338-360.
Quiroga, M. E., García-Manso, J. M., Rodríguez-Ruiz, D., Sarmiento, S., De
Saa, Y., & Moreno, M. P. (2010). Relation between in-game role and service
characteristics in elite women's volleyball. The Journal of Strength &
Conditioning Research, 24(9), 2316-2321.
Sánchez-Moreno, J., Marcelino, R., Mesquita, I., & Ureña, A. (2015). Analysis of
the rally length as a critical incident of the game in elite male volleyball.
International Journal of Performance Analysis in Sport, 15(2), 620-631.
Travassos, B., Davids, K., Araújo, D., & Esteves, P. (2013). Performance
analysis in team sports: Advances from an Ecological Dynamics approach.
International Journal of Performance Analysis in Sport, 13(1), 83-95.
Walter, F. (2007). Analysis of Sports Performance as a Dynamical System by
Means of the Relative Phase. International Journal of Computer Science in
Sport –, Volume 6/Edition 2.
Walter, F., Lames, M., & McGarry, T. (2007). Analysis of sports performance as
a dynamical system by means of the relative phase. International Journal of
Computer Science in Sport, 6(2), 35-41.
49
ESTUDO 2
O papel da cobertura de ataque e da bola de graça no voleibol
masculino de alto nível. Estudo recorrendo à Análise de Redes Sociais.
Manuel Loureiro, Marta Hurst, Beatriz Valongo, Lorenzo Laporta & José
Afonso
Centre of Research, Education, Innovation and Intervention in Sport, Faculty of Sports -
University of Porto, Portugal
Submetido para publicação na Revista Brasileira de Ciências do Desporto
Estudo 2 – KIV e KV
51
Resumo
Dado o crescendo do desporto de alto nível atual, emerge a necessidade de se
analisar o jogo em todas as suas fases, de modo a se poder ter um melhor
conhecimento do mesmo, e criar em treino situações mais aproximadas daquilo
que será a situação real de competição. Ao contrário daquilo que tem sido feito
no âmbito da análise de jogo, onde os fundamentos e fases do jogo tendem a
ser analisados independentemente e desprezando as suas interações, neste
estudo pretendemos olhar para o jogo sob um ponto de vista sistémico, onde
privilegiamos as interações entre os vários complexos de jogo. Desta forma,
criamos “nós” que representam as ações de jogo e “pontes” representativas
das suas interações. O objetivo seria avaliar a centralidade de cada nó bem
como as suas relações. Recorremos a oito jogos de alto nível masculino na
World Cup FIVB 2015. Esses oito jogos compõem um total de 27 sets e 1,207
jogadas. Analisámos os dois complexos menos estudados na literatura atual,
KIV (cobertura de ataque) e KV (bola de graça). Os dois complexos assumem
estruturas distintas mas interligadas entre si. Enquanto que em KIV verificámos
que as equipas jogam maioritariamente “fora-do-sistema”, em KV acontecem
muitas situações de bola A, sinónimo de que as condições de jogo são as
ideais. Assim, mostramos que é importante em contexto de treino criar rotinas
em que a equipa está não só em situações “em sistema”, como também
situações em que terá que jogar “fora-de-sistema”, aspeto que cremos nem
sempre ser considerado.
Palavras-chave: redes sociais, teoria dos sistemas, análise sistémica
Introdução
Os meios de análise da performance assumem um papel de charneira
no desporto de rendimento, na medida em que possibilitam aos treinadores um
conhecimento mais profundo da sua equipa e dos seus adversários (Ericsson,
2003). Neste contexto, (Garganta, 2009) realça a análise do jogo como um
meio de reconhecimento de padrões e regularidades do comportamento
Estudo 2 – KIV e KV
52
técnico e tático dos jogadores, dados porventura mais relevantes do que os
fatores fisiológicos e biomecânicos comummente predominantes na análise da
performance. Devemos, assim, começar a dar maior enfoque aos aspetos
contextuais e comportamentais do jogo, de modo a aprofundar o nosso
conhecimento sistémico e a melhorar a qualidade da informação fornecida
tanto aos praticantes como aos treinadores (Glazier, 2010). Com efeito, o
desporto, em particular os desportos coletivos, podem ser analisados como
sendo sistemas dinâmicos e complexos (Walter, 2007). Neste sentido,
possuem complexidade suficiente para potencialmente admitirem subsistemas
parcialmente independentes (Lebed, 2007), ou seja, distintas fases e
momentos de jogo, cada um dotado de uma especificidade funcional, como de
resto já foi estudado noutras modalidades como o futebol (Narizuka,
Yamamoto, & Yamazaki, 2014); basquetebol (Gao, Zhao, & Zhang, 2014).
Neste contexto de complexidade acrescida, tem havido um considerável
avanço no desenvolvimento da pesquisa e análise de dados recorrendo à
Análise de Redes Sociais (ARS) (Quatman & Chelladurai, 2008). Essa
pesquisa tem abrangido várias áreas, tais como o empreendedorismo
(Tsvetovat & Kouznetsov, 2011), as neurociências (Frolov & Dufossé, 2006) e o
desporto (Cotta, Mora, Merelo, & Merelo-Molina, 2013). O mapeamento do jogo
recorrendo à ARS permite-nos ter uma ideia global do seu comportamento
sistémico, bem como das interações entre os diferentes elementos que o
compõem (Pow, Gayen, Elliott, & Raeside, 2012). Essas interações são
resultado da informação qualitativa e quantitativa complementar como, por
exemplo, a coesão das pontes entre os nós de centralidade. Em resultado de
tal análise, emerge a possibilidade de se organizar os dados de um modo
gráfico, permitindo, de forma objetiva, analisar qualitativamente as interações
dentro dos diferentes momentos do jogo, bem como os fluxos de “informação”
dentro do sistema dinâmico (Lusher, Robins, & Kremer, 2010).
Para aprimorar o estudo e a análise do jogo no caso específico do
Voleibol as diferentes fases do jogo ou complexos (K’s) estão bem delineados
na literatura (Hileno & Buscà, 2012). O complexo I (KI) representa o Side-out,
ou seja, a primeira jogada de receção ao serviço, seguida de distribuição e
Estudo 2 – KIV e KV
53
ataque. O complexo II (KII) consiste no serviço e na primeira transição (bloco,
defesa, distribuição e ataque) após o KI adversário. Alguns autores abordam o
K0, isolando a ação do serviço, mas neste artigo o serviço estará incluído no
KII como sugerem (Costa, Afonso, Brant, & Mesquita, 2012) devido à sua
proximidade contextual. O complexo III (KIII), representa as transições ao KII,
novamente o bloco, defesa, distribuição e ataque mas após o ataque de KII. O
complexo IV (KIV) aborda a cobertura de ataque, tema raramente estudado na
literatura da especialidade (Laporta, Nikolaidis, Thomas, & Afonso, 2015). Por
fim, o complexo V (KV) refere-se à organização da equipa em situação de bola
de graça. Uma vez que cada complexo tem uma organização distinta dos
restantes, torna-se pertinente analisar cada um individualmente, catalogando
os seus padrões ou a falta deles. Todavia, aquilo que confere ao jogo de
voleibol a sua grande complexidade são as interações entre os diferentes
momentos do jogo (os complexos), bem como a forma como cada complexo irá
influenciar a organização do complexo seguinte. Após uma revisão da
literatura, este tema parece ser ainda pouco explorado, sendo dado pouco
enfoque às relações entre complexos. Através da ARS, pretendemos estudar
essas mesmas relações, obtendo um mapa detalhado das interações
existentes entre os diferentes complexos do jogo. Utilizando a ARS como
ferramenta, irá ser possível desenvolver um tipo de análise sistémica que
esteja focada nas variáveis contextuais de cada complexo, permitindo um
estudo mais detalhado dessas mesmas variáveis como também das suas
relações.
Neste estudo iremos abordar os dois últimos complexos do jogo (KIV e
KV) que são aqueles menos estudados na literatura científica. Utilizaremos
então a ARS, para compreender a importância de cada fundamento que
compõe a cobertura de ataque e a bola de graça, como se relacionam entre si
e qual o seu papel no jogo.
Estudo 2 – KIV e KV
54
Métodos
Amostra
Foram analisados oito jogos da Fédération Internationale de Volleyball
(FIVB) World Cup 2015. Esta competição ocorre a cada quatro anos, tendo
como principal objetivo apurar os dois primeiros classificados para os Jogos
Olímpicos. Entre as equipas analisadas encontram-se cinco das equipas que
compõe o TOP 6 do Ranking da FIVB (Polónia 2ª classificada; Rússia 3ª;
Estados Unidos 4ª; Itália 5ª e Argentina 6ª). O Brasil, primeiro classificado, não
participou, uma vez que está automaticamente apurado para os Jogos
enquanto pais organizador. Foram analisados 27 sets, que correspondem a
1,207 jogadas.
Instrumento
Os vídeos utilizados na análise dos jogos foram obtidos no domínio
publico Youtube.com, tendo uma perspectiva traseira do campo de jogo. A
recolha de dados foi feita em utilizando o Microsoft® Excel® 2015 e,
posteriormente, o IBM® SPSS® Statistics para Windows (Versão 21, E.U.A.). A
Análise de Redes Sociais (ARS) foi realizada recorrendo ao software Gephi©
0.8.2-beta (Versão 10.10.3, França). De modo a que a recolha dos dados seja
feita de forma coerente entre os diferentes observadores, foi feita uma análise
prévia de oito jogos de alto nível tanto masculino como feminino. Para cada
variável de jogo a fiabilidade inter-observador estabelecida como mínima
(Kappa de Cohen) de 0.75 foi superada.
Variáveis
Foram analisados os KIV e KV do jogo de voleibol (Laporta et al., 2015).
Dentro do KIV foram consideradas as seguintes variáveis: (1) número de
jogadores que estão disponíveis para a ação de ataque que origina a cobertura
de ataque; (2) número de linhas que formam os jogadores intervenientes na
cobertura de ataque. No que diz respeito ao KV as variáveis específicas
Estudo 2 – KIV e KV
55
estudadas foram: (a) Freeball ou Downball; se a bola de graça foi originária de
uma manchete ou passe (freeball) ou se foi de um ataque com os pés no chão
que não justificou a utilização de bloco (downball); (b) Zona alvo da bola de
graça, se esta foi enviada para a Zona de Ataque ou de Defesa de acordo com
o regulamento da FIVB. Para além destas variáveis específicas, outros dados
foram recolhidos e analisados de igual modo em ambos os complexos, sejam
eles: Zona de distribuição, bola A o distribuidor teve a hipótese de usar todos
os atacantes em qualquer zonas e em tempos rápidos bem como a opção de
criar cruzamentos entre os jogadores; bola B o distribuidor manteve a
possibilidade de jogar rápido com os seus atacantes contudo, perdeu a opção
do cruzamento entre eles; bola C apenas tinha a opção de utilizar tempos
lentos. O tempo de ataque, baseado em Afonso & Mesquita (2007) e Costa et
al. (2012): tempo 1, o atacante já se encontra no ar, ou dá apenas um passo
antes da distribuição; tempo 2 o atacante dá dois passos após a distribuição;
tempo 3 o atacante dá três ou mais passos após a distribuição. A zona de
ataque é definida segundo o regulamento da FIVB.
Analise Estatística
O método de análise utilizado no estudo foi a ARS, tendo sido calculado
para cada nódulo o valor de autovetor (centralidade ponderada). Segundo
Bonacich (2007), a centralidade de cada nódulo não depende só no número de
ligações que possui, mas também das suas características. Cada nódulo está
ligado a outro por uma ponte, e será tão mais “central” quanto maior for o
número de ligações que possui. Para os efeitos de fiabilidade inter-observador
foram reanalisadas 100 jogadas (28%) por um treinador e investigador com
experiencia e independente, acima dos 10% sugeridos por Tabachnick e Fidell
(2000). Os valores do Kappa de Cohen variaram entre 0.80 e 1, sendo
superiores ao sugerido por Fleiss (2003). O estudo foi aprovado pelo Comité de
Ética do Centro de Pesquisa, Educação, Inovação e Intervenção em Desporto
da Universidade do Porto.
Estudo 2 – KIV e KV
56
Resultados
O mapa resultante do cálculo da centralidade ponderada das interações
entre as diferentes ações de jogo está representado na figura1.
Figura 1 – Mapa sistémico de KIV e KV
No que diz respeito à cobertura de ataque (KIV), verificámos que o nó
com maior centralidade de autovetor no que diz respeito ao número de
atacantes pré KIV foi a situação de três atacantes (0,96), seguido de dois ou
um atacante disponível antes da cobertura (0,92) e (0,91) respetivamente. Com
um valor mais distante emergiu a situação de quatro atacantes disponíveis
(0,76). No que refere à constituição da cobertura do ataque, apareceu com
valores mais altos de centralidade de autovetor a proteção com duas linhas de
jogadores (1,00) seguida de três linhas (0,91) e, por fim, uma única linha (0,51).
Quanto à Zona de distribuição, o valor mais elevado pareceu acontecer em
Estudo 2 – KIV e KV
57
situações de bola C, seguido de bola B e, finalmente, bola A, com valores de
0,89, 0,76 e 0,65, respetivamente. Também em alguns casos, havendo
cobertura do ataque, não ocorreu distribuição (0,45). Em relação à zona de
ataque após a cobertura do ataque, as zonas que apareceram com valores de
centralidade mais elevados foram 1, 4 e 2 (0,80, 0,77 e 0,71, respetivamente),
seguidos de Zona 3 (0,66) e Zona 6 (0,47). Os tempos de ataque com valores
de centralidade maiores foram os tempos mais lentos, isto é, tempo 3 (0,86),
tempo 2 (0,81) e tempo 1 (0,56).
Tabela 1 - Valores de Autovetor para KIV
Cobertura de ataque (KIV)
Número de
atacantes
pré KIV
(KIVP)
Um
atacante
(KIVP1)
Dois
atacantes
(KIVP2)
Três
atacantes
(KIVP3)
Quatro
atacantes
(KIVP4)
0,91 0,92 0,96 0,76
Número de
linhas de
cobertura
(KIVL)
Uma
linha
(KIVL1)
Duas
linhas
(KIVL2)
Três
linhas
(KIVL3)
0,58 1,00 0,91
Zona de
distribuição
(KIVZD)
Zona A
(KIVSZA)
Zona B
(KIVSZB)
Zona C
(KIVSZC)
Zona não
ocorreu
(KIVSZNO)
0,65 0,76 0,89 0,45
Zona de
Ataque
(KIVAZ)
ZA 1
(KIVAZ1)
ZA 2
(KIVAZ2)
ZA 3
(KIVAZ3)
ZA 4
(KIVAZ4)
ZA 6
(KIVAZ6)
ZA Não
ocorreu
(KIVAZNO)
0,80 0,71 0,66 0,77 0,47 0,59
Tempo de
ataque
(KIVAT)
TA 1
(KIVAT1)
TA 2
(KIVAT2)
TA 3
(KIVAT3)
TA Não
ocorreu
(KIVATNO)
0,56 0,81 0,86 0,44
Estudo 2 – KIV e KV
58
Quanto ao KV (Bola morta), os resultados mostraram valores mais
elevados para os nós de centralidade de autovetor para a Freeball (bola
devolvida em manchete ou passe) do que em Downball (ataque com os pés no
chão) (0,64 e 0,57, respetivamente). Foram muito semelhantes os valores de
centralidade para a zona de primeiro toque dentro e fora da zona de ataque
(0,63 e 0,61). Quanto ao aproveitamento dessa bola de graça surgiu com
valores mais elevados a bola A (0,51), seguido de bolas B e C (0,40); ainda
com 0,26 não ocorreu distribuição por falha de primeiro toque. Não houve
diferenças expressivas quanto aos níveis de centralidade dos nós em relação à
distribuição do jogo uma vez que o valor mais elevado foi 0,49 para Zona 4 e o
mais baixo 0,34 para Zona 3. O tempo de ataque, ao contrário do que
aconteceu em KIV, surgiu com valor mais elevado o tempo 2 (0,47), seguido de
tempo 3 (0,41) e, por último, tempo 1 (0,37).
Estudo 2 – KIV e KV
59
Tabela 2 – Valores de Autovetor para KV
Conclusão
A análise da performance constitui um campo de investigação em larga
expansão, tais são as necessidades de, em diferentes áreas, se otimizar o
rendimento (Travassos, Davids, Araújo, & Esteves, 2013). Todavia, as filosofias
subjacentes aos problemas de pesquisa e às metodologias adotadas poderão
produzir informações enviesadas e/ou descontextualizadas. No futebol, durante
o Campeonato da Europa de 2004, tentou-se prever quem seria o campeão,
tendo essa previsão falhado redondamente, não acertando inclusivamente em
nenhum dos finalistas (Cotta et al., 2013). Este resultado apresenta-se
Bola de graça (KV)
Freeball or
Downball
(KVFOD)
Freeball
(KVF)
Downball
(KVD)
0,64 0,57
Zona alvo
(KVZAOD)
ZA Zona
Defensiva
ZA Zona
de Ataque
0,61 0,63
Zona de
distribuição
(KVZD)
ZD A
(KVSZA)
ZD B
(KVSZB)
ZD C
(KVSZC)
ZD Não
ocorreu
(KVSZNO)
0,51 0,40 0,40 0,26
Zona de
ataque
(KIVZA)
ZA 1
(KVAZ1)
ZA 2
(KVAZ2)
ZA 3
(KVAZ3)
ZA 4
(KVAZ4)
ZA 6
(KVAZ6)
ZA Não
ocorreu
(KVAZNO)
0,36 0,41 0,34 0,49 0,35 0,26
Tempo de
ataque
(KVTA)
TA 1
(KVAT1)
TA 2
(KVAT2)
TA 3
(KVAT3)
TA Não
ocoreu
(KVATNO)
0,37 0,47 0,42 0,21
Estudo 2 – KIV e KV
60
claramente como um alerta para os riscos de ignorar a dinâmica associada ao
sistema do jogo. Os autores justificaram essa falha com a ideia de que o
estudo em questão mostrava apenas uma “imagem estática” do jogo anterior,
ignorando as relações entre as equipas. No sentido, precisamente, de
buscarmos um entendimento da dinâmica sistémica do jogo, recorremos à ARS
para entender a sua operacionalização e as potencialidades de dois complexos
de jogo distintos do voleibol: KIV e KV.
Em relação ao KIV, os resultados mostraram valores mais baixos de
autovetor para a situação de quatro atacantes pré-KIV. Isto mostra que, quando
a equipa consegue entrar em sistema, com superioridade em relação ao
número de blocadores, tem mais hipóteses de ter sucesso na ação de ataque,
como já tinha sido mostrado no voleibol feminino (Coutinho, Afonso, &
Mesquita, 2008). No que diz respeito à formação da cobertura de ataque, e tal
como foi referido por (Laporta et al., 2015), num dos raros estudos que incide
sobre o KIV, existe uma grande diversidade na organização da cobertura de
ataque, tendo os autores encontrado mais de vinte formações diferentes. Neste
caso, focámo-nos apenas no número de linhas que compõem a
estrutura/formação, tendo os resultados sido semelhantes aos apresentados
por Laporta et al., (2015), especialmente para as formações de duas e três
linhas. Uma vez que os jogadores que iriam intervir na cobertura estiveram
previamente disponíveis para atacar em diferentes zonas, é natural que tenham
emergido diversas linhas de cobertura do próprio ataque. No que diz respeito à
construção de ataque após cobertura, as equipas apresentaram padrões de
jogo “fora-do-sistema”, isto é, valores mais elevados de autovetor para
situações de bola C, seguidos de B e, por fim, bola A. Consequentemente, os
valores mais elevados no que refere às zonas e tempos de ataque pertencem a
Zona 4, Zona 2 e Tempo 2. De acordo com (Costa, Ferreira, Junqueira, Afonso,
& Mesquita, 2011), estes padrões de jogo reduzem a possibilidade da equipa
pontuar. Assim sendo, parece ser uma situação que requer, por parte dos
treinadores e investigadores uma atenção especial, de modo a tornar um
complexo de jogo onde maioritariamente se joga “fora-do-sistema”, num
complexo em que se consiga mais frequentemente utilizar mais opções de
Estudo 2 – KIV e KV
61
ataque, bem como tempos mais rápidos, como forma de aumentar as
oportunidades de pontuar (Afonso, Mesquita, Marcelino, & Silva, 2010). No que
diz respeito ao KV, verificamos que a situação de bola A apresentou um valor
de autovetor mais elevado do que bola B e C, sendo assim um sinónimo de
jogo “em sistema”. Contudo, isto não se traduziu numa maior diversificação do
jogo quer em zona como em tempo de ataque. Daqui retirámos informações
importantes para o treino, pois apesar dos estudos acima referidos mostrarem
que a alternância de zonas de ataque e a utilização de tempos de ataque
rápidos aumentam a probabilidade de pontuar, tal não está a ser feito,
principalmente num complexo em que se joga maioritariamente “em sistema”.
Os resultados anteriormente descritos levam-nos a crer que mesmo as
equipas de alto nível em situações ideias de jogo (“em sistema”) privilegiam a
forma de jogar que lhes é mais confortável/rotinada, não aumentando a
variabilidade e, consequentemente, o risco. Poderá portanto ser oportuno, num
estudo futuro verificar se a variabilidade do jogo, mesmo que pareça reduzida
em situações “de sistema”, é superior nas equipas de alto nível
comparativamente a equipas de nível inferior. Relativamente às situações de
jogo que ocorrem “fora-de-sistema”, parecem merecer cada vez mais atenção
durante o processo de treino uma vez que são bastante frequentes. Contudo, e
uma vez que se tratam de situações “fora-do-sistema”, também são mais
dificilmente replicáveis. Esta variabilidade de dados realça a importância
crescente da análise de jogo no contexto do desporto de alto nível. Este tipo de
análise irá colmatar a necessidade que as equipas têm de conhecer ao
pormenor as diferentes fases do jogo e suas interferências, de modo a
conseguirem replicá-las durante o processo de treino desenvolvendo assim
uma melhor preparação para a competição.
Referências
Afonso, J., Mesquita, I., Marcelino, R., & Silva, J. A. (2010). Analysis of the
setter's tactical action in high-performance women's volleyball.
Kinesiology, 42(1), 82-89.
Estudo 2 – KIV e KV
62
Costa, G., Afonso, J., Brant, E., & Mesquita, I. (2012). Differences in game
patterns between male and female youth volleyball. Kinesiology, 44(1),
60-66.
Costa, G., Ferreira, N., Junqueira, G., Afonso, J., & Mesquita, I. (2011).
Determinants of attack tactics in Youth male elite volleyball. International
Journal of Performance Analysis in Sport, 11(1), 96-104.
Cotta, C., Mora, A. M., Merelo, J. J., & Merelo-Molina, C. (2013). A network
analysis of the 2010 FIFA world cup champion team play. Journal of
Systems Science and Complexity, 26(1), 21-42. doi: 10.1007/s11424-
013-2291-2
Coutinho, P., Afonso, J., & Mesquita, I. (2008). The effect of the zone and
tempo of attack in attack's efficacy, in elite female volleyball. Paper
presented at the World Congress of Performance Analysis of Sport VIII,
Magdeburg.
Ericsson, K. A. (2003). Development of elite performance and deliberate
practice: an update from the perspective of the expert performance
approach. In J. Starkes & K. A. Ericsson (Eds.), Expert Performance in
Sports. Advances in Research on Sport Expertise (pp. 49-83).
Champaign (Illinois): Human Kinetics.
Frolov, A., & Dufossé, M. (2006). How cerebral and cerebellar plasticities may
cooperate during arm reaching movement learning: a neural network
model. In M. Latash & F. Lestienne (Eds.), Motor control and learning
(pp. 105-114). New York: Springer.
Garganta, J. (2009). Trends of tactical performance analysis in team sports:
bridging the gap between research, training and competition. Revista
Portuguesa de Ciências do Desporto, 9(1), 81-89.
Glazier, P. (2010). Game, set and match? Substantive issues and future
directions in performance analysis. Sports Medicine, 40(8), 625-634.
Hileno, R., & Buscà, B. (2012). Herramienta observacional para analizar la
cobertura del ataque en voleibol. Revista Internacional de Medicina y
Ciencias de la Actividad Física y el Deporte, 12(47), 557-570.
Estudo 2 – KIV e KV
63
Laporta, L., Nikolaidis, P., Thomas, L., & Afonso, J. (2015). The importance of
loosely systematized game phases in sports: The case of attack
coverage systems in high-level women’s volleyball. Montenegrin Journal
of Sports Science and Medicine, 4(1), 19-24.
Lebed, F. (2007). A dolphin only looks like a fish: players' behaviour analysis is
not enough for game understanding in the light of the systems approach
- a response to the reply by McGarry and Franks. European Journal of
Sport Science, 7(1), 55-62.
Lusher, D., Robins, G., & Kremer, P. (2010). The application of social network
analysis to team sports. Measurement in Physical Education and
Exercise Science, 14(4), 211-224.
Pow, J., Gayen, K., Elliott, L., & Raeside, R. (2012). Understanding complex
interactions using social network analysis. Journal of Clinical Nursing,
21(19pt20), 2772-2779. doi: 10.1111/j.1365-2702.2011.04036.x
Quatman, C., & Chelladurai, P. (2008). Social Network theory and analysis: A
complementary lens for inquiry. Journal of Sport Management, 22, 338-
360.
Travassos, B., Davids, K., Araújo, D., & Esteves, P. (2013). Performance
analysis in team sports: Advances from an Ecological Dynamics
approach. International Journal of Performance Analysis in Sport, 13(1),
83-95.
Tsvetovat, M., & Kouznetsov, A. (2011). Social Network Analysis for Startups:
finding connections on the social web. Cambridge: O'Reilly Media.
Walter, F. (2007). Analysis of Sports Performance as a Dynamical System by
Means of the Relative Phase. International Journal of Computer Science
in Sport –, Volume 6/Edition 2.
Considerações Finais
65
3.1. Considerações finais
Atualmente, é consensual a importância da análise sistémica do jogo
(Walter, Lames, & McGarry, 2007). Esta análise permite um melhor
conhecimento do jogo de alto nível o que, consequentemente, potenciará um
aporte de melhoria ao nível do treino (Garganta, 2001). Dada a crescente
complexidade e investimento no processo de treino, aumenta a
responsabilidade da análise do jogo. Nos desportos coletivos, considerando
que as interações entre os elementos são mais numerosas do que no desporto
individual, a sua análise também cresce no grau de complexidade (Hurst et al.,
2016). Todavia, uma verdadeira análise sistemática, abrangendo os diferentes
momentos ou fases do jogo, afigura-se complexa e, por isso, as pesquisas
usuais tendem a focar-se em momentos específicos do jogo. O nosso objetivo
foi, contudo, proceder a uma análise da totalidade do jogo.
Neste contexto, o presente estudo, recorrendo à Análise de Redes
Sociais (ARS), busca configurar-se como respeitador duma análise sistémica
compreensiva do jogo, proporcionando um entendimento não somente da
importância de cada variável no jogo (i.e., ação de jogo, jogador executante),
mas ainda da interação entre diferentes variáveis (i.e., como as ações de jogo
se condicionam entre si). Ademais, a utilização da métrica de centralidade de
autovetor garante uma ponderação do peso de cada nó no contexto global de
todas as ações. Este método de análise já havida sido antes utilizado em
diferentes áreas, tanto no desporto (Carvalho et al. 2014; Glockner et al. 2012)
como noutras áreas como a medicina (Menche et al., 2015). Pese embora os
dois artigos empíricos se terem focado em apenas alguns dos complexos, em
ambos as ligações (edges) totais foram consideradas, i.e., os valores de
autovetor encontrados contabilizaram as ligações aos complexos adicionais,
mesmo que este não tenham sido explorados em detalhe no artigo.
O estudo realizado baseou-se na análise de jogos da FIVB’s World Cup,
prova que apurou duas seleções para os Jogos Olímpicos de 2016 (Itália e
Estados Unidos, 2º e 3º classificados respetivamente). Foram analisados seis
Considerações Finais
66
complexos de jogo em dois artigos distintos: K0 (Serviço); KI (side-out); KII
(Transição de side-out) e KIII (Transição de transição) num primeiro artigo e
KIV (Cobertura de ataque) e KV (Bola morta) num segundo artigo, embora,
conforme mencionado, as ligações totais dos seis complexos tenham sido
consideradas em ambos os artigos. A utilização da ARS, para além de dar a
ideia das interações entre as variáveis analisadas, como referido
anteriormente, dá-nos também uma referência visual dessas interações bem
como da importância de cada variável para o jogo (Hurst et al. 2016).
Os resultados deste estudo mostraram, no que diz respeito a K0 e KI,
que o serviço flutuante em salto no alto nível masculino tem equilibrado com o
serviço suspensão, com o objetivo de diminuir o número de erros associados a
esta ação. Assim, optam por um serviço mais tático, procurando normalmente
um jogador específico. Contudo, este comportamento de serviço origina
também um grande volume de Bola A no KI adversário, criando situações de
vantagem sobre o bloco adversário uma vez que temos 4 atacantes disponíveis
com cruzamentos e em tempos rápidos. Ainda assim, e mesmo com as
situações ideias para distribuição, o jogo parece ser pouco variado tanto em
tempo como em zona de ataque.
Em situações de KII e KIII as estruturas de jogo são algo distintas, o que
vem comprovar aquilo que defendemos, uma análise separada para estes dois
complexos de contra-ataque, contrariamente ao que tem sido feito na literatura
específica (Ugrinowitsch et al., 2014)
. Enquanto em KII, verificámos que o nó central era atribuído as situações de
Bola B e C, dado que o bloco utilizado com mais frequência pela equipa
adversária era o bloco duplo, em KIII há mais oposição de bloco triplo, como tal
mais bola A na transição seguinte. Contudo, mantem-se o problema da falta de
variabilidade do jogo referida na situação de KI. Nesta situação e uma vez que
a fadiga já está instalada nos atletas, predominam os tempos de ataque lentos
apesar da situação de bola A. Vimos então, comprovar a lógica destas duas
fases de contra-ataque serem analisadas de forma independente e não como
um único “bloco” de transição (Palao, Santos, & Ureña, 2004).
Considerações Finais
67
No que diz respeito a KIV, verificamos que a cobertura de ataque ocorre
quando em determinada ação de ataque não estão disponíveis todos os
atacantes, isto é, menos de 4, maioritariamente há menos de 4 atacantes
disponíveis em situações de “fora do sistema”. Desta cobertura, normalmente
ocorrem situações de bola B ou bola C, “jogo fora-do-sistema” novamente. Já
em KV, há um grande volume de bola A, mantém-se a pouca variabilidade do
jogo, mantendo o jogo na sua zona de segurança baixando o risco, evitando o
erro aumentando a padronização.
A AJ permite-nos ter a noção daquilo que está a acontecer no Voleibol
atual de alto nível. Apesar dos artigos referenciarem complexos de jogo
distintos, em ambos todos os complexos foram considerados de modo a que as
interações e a centralidade de cada ação de jogo fosse o mais real possível.
Parece-nos que tem existindo uma crescente padronização do jogo
principalmente nas situações de bola A (“jogo em sistema”), existindo como já
foi referido anteriormente pouca variabilidade nas opções de zona e tempo de
ataque. Cremos que, em situações de jogo em sistema o aumento da
variabilidade traria benefícios às equipas, aumentando a probabilidade de
pontuar (Coutinho, Afonso, & Mesquita, 2008) e tornando o jogo de Voleibol
mais espetacular. A própria diminuição do risco de serviço verificada, diminui
também a hipótese de pontuar nessa própria ação, privilegiando a continuidade
do jogo. A variabilidade do tipo de serviço havia sido estudada por Quiroga et
al. (2010), focando-se mais numa estratégia para que os recebedores se
habituassem a receber variados tipos de serviço. Além disso, a maior parte do
tempo de jogo decorre numa situação “fora-do-sistema”, isto é, bola B e bola C
E nestas condições o jogo tende a padronizar ainda mais, uma vez que se
reduzem os pontos de ataque disponíveis e principalmente, condiciona a
utilização de tempos mais rápidos (Hurst et al. 2016). Se grande parte do jogo
é passado nestas condições, quer dizer que deve ser dedicado grande parte do
tempo de treino também a estas condições. É importante continuar este tipo de
análise, também em equipas de menor nível, com o objetivo de identificar
claramente quais são os fatores diferenciadores do sucesso desportivo. Acima
de tudo, entendemos que o caminho da AJ é este, mais do que analisar
Considerações Finais
68
aspetos muito específicos do jogo, verificar as suas interações e qual o
resultado dessas interações no rendimento das equipas.
Referências Bibliográficas
Carvalho, J., Araújo, D., Travassos, B., Fernandes, O., Pereira, F., & Davids, K.
(2014). Interpersonal Dynamics in Baseline Rallies in Tennis.
International Journal of Sports Science and Coaching, 9(5), 1043-1056.
doi: 10.1260/1747-9541.9.5.1043
Coutinho, P., Afonso, J., & Mesquita, I. (2008). The effect of the zone and tempo of attack in attack's efficacy, in elite female volleyball. Paper presented at the World Congress of Performance Analysis of Sport VIII, Magdeburg.
Garganta, J. (2001). A análise da performance nos jogos desportivos. Revisão
acerca da análise do jogo. Revista Portuguesa de Ciências do Desporto,
1(1), 57-64.
Glöckner, A., Heinen, T., Johnson, J. G., & Raab, M. (2012). Network approaches for expert decisions in sports. Human Movement Science, 31(2), 318-333. doi: 10.1016/j.humov.2010.11.002
Hurst, M., Loureiro, M., Valongo, B., Laporta, L., Nikolaidis, P. T., & Afonso, J.
(2016). Systemic Mapping of High-Level Women's Volleyball using Social
Network Analysis: The Case of Serve (K0), Side-out (KI), Side-out
Transition (KII) and Transition (KIII). International Journal of Performance
Analysis in Sport, 16(2), 695-710.
Menche, J., Sharma, A., Kitsak, M., Ghiassian, S. D., Vidal, M., Loscalzo, J., & Barabasi, A. L. (2015). Uncovering disease-disease relationships through the incomplete interactome. Science, 347(6224), 1257601-1257601. doi:
10.1126/science.1257601
McGarry, T. (2009). Applied and theoretical perspectives of performance
analysis in sport: scientific issues and challenges. International Journal of
Performance Analysis in Sport, 9(1), 128-140.
Quiroga, M. E., García-Manso, J. M., Rodríguez-Ruiz, D., Sarmiento, S., De Saa, Y., & Moreno, M. P. (2010). Relation between in-game role and
Considerações Finais
69
service characteristics in elite women's volleyball. The Journal of Strength & Conditioning Research, 24(9), 2316-2321.
Ugrinowitsch, H., Lage, G., Santos-Naves, S., Dutra, L., Carvalho, M. F., Ugrinowitsch, A., & Benda, P. (2014). Transition I efficiency and victory in volleyball matches. Motriz, 20(1), 42-46.
Walter, F., Lames, M., & McGarry, T. (2007). Analysis of sports performance as
a dynamical system by means of the relative phase. International Journal
of Computer Science in Sport, 6(2), 35-41.
Top Related