Artigo 5: Modeling Match Performance in Elite Volleyball Players: Importance of Jump Load and Strength Training Characteristics

1 Sobre o que trata o artigo

O artigo “Modeling Match Performance in Elite Volleyball Players: Importance of Jump Load and Strength Training Characteristics”, publicado em 2022 na revista Sensors, apresenta um estudo de aplicação de técnicas de aprendizado de máquina para entender o desempenho de atletas de vôlei de alto rendimento. Especificamente, os autores buscam prever a qualidade da performance técnica de cada jogador com base em informações físicas, fisiológicas e subjetivas, coletadas ao longo de uma temporada inteira.

A proposta metodológica do trabalho é inovadora por combinar algoritmos supervisionados como XGBoost e Random Forest com técnicas de descoberta de subgrupos, para não apenas prever a performance, mas também interpretar padrões que ajudam a explicar o que leva a um bom ou mau desempenho.

Entre os elementos analisados estão:

• Quantidade e altura dos saltos realizados nas semanas anteriores às partidas.
• Cargas de treino muscular, registradas em kg absolutos e em % de 1RM (One Repetition Maximum).
• Análise técnica das ações em quadra (ataques, recepções, saques), feitas por especialistas com o software Data Volley.

2 Motivação e contexto

A motivação do estudo surge da limitação frequente de se focar apenas em estatísticas de jogo isoladas, como pontos ou erros. O artigo propõe uma abordagem multifatorial, que considera também o estado físico e mental anterior à partida — algo crucial no vôlei, esporte que exige força explosiva e gestão cuidadosa da carga de treino.

O estudo também responde a uma necessidade prática: há muitos dados coletados em clubes de elite, mas poucos estudos que integram essas informações ao desempenho técnico. Assim, o trabalho aproxima ciência de dados e prática esportiva.

3 Como foi feito o estudo

3.1 Participantes e acompanhamento

Durante uma temporada competitiva de 24 semanas, foram acompanhados 25 jogadores da seleção masculina holandesa de vôlei. Apenas 17 jogadores com dados completos foram analisados.

3.2 Coleta e tipos de dados

Os dados foram coletados por:

• G-VERT: dispositivo para saltos (volume, altura e tipo: baixo, médio, alto).
• Questionários subjetivos (ex.: RPE): percepção de esforço após treinos.
• Autoavaliações diárias: fadiga, sono, humor.
• Registros de treino de força: pesos por grupo muscular.
• Software Data Volley 4: avaliação técnica das ações de jogo (notas de 0 a 10).

3.3 Pré-processamento e engenharia de atributos

Os dados foram agregados em janelas móveis de 7, 14 e 28 dias anteriores a cada jogo. Foram calculadas médias, desvios padrão, quartis, etc., resultando em 237 preditores, como:

• 72 preditores de saltos.
• 81 de exercícios de força.
• 48 de bem-estar subjetivo.
• 27 de carga de treino (monotonia, strain).
• 9 de frequência de treinos.

4 Modelagem e análise de padrões

4.1 Modelos preditivos

• XGBoost e Random Forest foram usados para prever notas de ações ofensivas (ataque e saque) e defensivas (recepção e bloqueio).
• Métrica: Erro Absoluto Médio (MAE).

4.2 Descoberta de Subgrupos

Usada para identificar padrões interpretáveis que distinguem boa e má performance. Exemplo: jogadores com baixa variação em saltos altos nas últimas 4 semanas tendem a performar pior em recepções.

5 Principais Resultados: Desvendando os Fatores-Chave do Desempenho

5.1 Desempenho ofensivo

• Positivo: Exercícios de membros inferiores >90kg nas últimas 4 semanas → melhor ataque.
• Negativo:
  • Treinamento pesado de membros superiores (>0.9% do 1RM).
  • Alta variação de carga de corpo inteiro (>17.6kg).
  • Baixa altura de saltos ou pouca variação em saltos altos.

5.2 Desempenho defensivo

• Variação (>9.75) e excesso (média ≥11.6) de saltos altos nas 2 semanas anteriores → pior desempenho no passe.

5.3 Bem-estar subjetivo

Não apresentou relação estatisticamente significativa com desempenho.

5.4 Modelos preditivos

Redução no MAE de: - 36-47% no desempenho ofensivo. - 59-74% no defensivo, em relação ao modelo de base.

6 Aplicações e Implicações

6.1 Personalização de Treinamento

• Atacantes: foco em força de membros inferiores, evitar sobrecarga nos membros superiores.
• Passadores: controlar variação e volume de saltos altos próximos ao jogo.

6.2 Generalização da metodologia

A metodologia pode ser usada em:

• Educação: desempenho de alunos em função de rotina de estudo e descanso.
• Empresas: impacto de tarefas, horários e descanso na produtividade.

7 Riscos e Limitações

7.1 Limitações metodológicas

• Amostra pequena (17 atletas).
• Poucos dados para algumas ações (ex.: bloqueios).
• Modelos complexos não superaram drasticamente modelos simples.
• Não se considerou o nível da partida (amistoso vs. torneio).

7.2 Questões éticas

• Controle excessivo: risco de ambientes opressivos.
• Privacidade: dados sensíveis como humor e fadiga devem ser protegidos.
• O estudo não compartilhou dados publicamente por serem da NeVoBo.

8 Conclusão: O Potencial e a Responsabilidade da IA no Esporte

O estudo mostra o poder da IA na ciência do esporte, especialmente ao integrar dados objetivos e subjetivos para prever e explicar o desempenho. As descobertas permitem intervenções práticas e personalizadas, mas também trazem responsabilidades éticas — como proteger a privacidade e evitar o uso abusivo da vigilância.

O equilíbrio entre precisão técnica e sensibilidade humana será crucial para que a tecnologia empodere atletas e não os controle.

9 Referência Bibliográfica

de Leeuw, A.-W., van Baar, R., Knobbe, A., & van der Zwaard, S. (2022). Modeling Match Performance in Elite Volleyball Players: Importance of Jump Load and Strength Training Characteristics. Sensors, 22(20), 7996. https://doi.org/10.3390/s22207996