Each language version is independently generated for its own context, not a direct translation.

サッカーの「目」を数値化する：新しい分析手法の解説

この論文は、サッカー選手が**「どこを見て、何を考えているか」**を、従来の方法よりもはるかに正確に、そして自動的に測る新しい方法を提案しています。

従来の方法には大きな欠点がありましたが、この新しい手法は「選手の頭の向き」と「体の動き」を組み合わせることで、その欠点をすべて解決しました。

以下に、難しい専門用語を使わず、身近な例え話を使って解説します。

1. 従来の方法の「限界」：「首を振った回数」では測れない

これまでは、選手がボールを受け取る前に「首を振って周囲を確認する（これを VEA と呼ぶ）」回数を数えるのが一般的でした。

従来の考え方： 「首を振れば振るほど、頭が良い選手だ！」
問題点：
- カウントが難しい： 誰が数えても結果がバラバラになる（主観が入る）。
- バイアスがある： ミッドフィールダー（中盤）はよく首を振るが、フォワードやディフェンダーは振らない。だから「中盤の選手だけが優秀」という偏った評価になりがち。
- 予測力が低い： 「首を振った回数」と「その後のプレーの成功」には、実はあまり関係がないことがわかってきました。

例え話：
まるで「料理の上手さを測るために、包丁を振った回数を数える」ようなものです。回数が多くても、実際に美味しい料理ができるかどうかは別問題です。

2. 新しい方法の核心：「見えている世界の地図」を作る

この研究では、**「選手の頭と肩の向き」をカメラで捉え、「その瞬間、選手が実際に何パーセントのフィールドを見えているか」**を計算する新しいシステムを作りました。

① 「視野の地図」を作る（Vision Map）

選手の頭が向いている方向を基準に、その選手が見えている範囲を「地図」のように描きます。

距離と速度の考慮： 走っているときは視野が狭くなり、止まっているときは広く見える、という人間の特性も計算に入れます。
例え話： 選手が持っているのは「懐中電灯」です。電筒の光が当たっている範囲が「見えている場所」で、光が当たっていない暗闇は「見えていない場所」です。

② 「邪魔な人」を考慮する（Occlusion Map）

サッカーは 11 対 11 のゲームです。他の選手が立っていると、自分の視界が遮られます。

仕組み： 「あそこに敵が立っているから、その背後は見えにくい」という計算も加えます。
例え話： 映画館で前の席に背の高い人が座っていると、スクリーンの一部が見えなくなります。このシステムは「誰が立っていて、どこが隠れているか」まで計算します。

③ 「価値ある場所」を照らし合わせる

最後に、この「見えている地図」に、サッカーの戦略的な価値（ゴールに近い場所や、守備が手薄な場所）を重ね合わせます。

結果： 「この選手は、今、守備が手薄で価値の高い場所をちゃんと見ているか？」が数値化されます。

3. 実証実験：2024 年コパ・アメリカのデータで検証

この新しいシステムを使って、2024 年のコパ・アメリカ（南米選手権）の 32 試合のデータを分析しました。

検証方法：
1. 選手がパスを待っている瞬間（ボールが来る前）に、**「どんな場所を見ていたか」**を記録。
2. その選手がボールを受け取ってからドリブルした後の**「ポジションがどれだけ良くなったか」**を記録。
3. 両者を比較して、どちらが成功の予測に役立つかをテストしました。
驚きの結果：
- 従来の「首を振った回数」： 予測に全く役立ちませんでした（0 点）。
- 新しい「視野の質」： 「守備が手薄な場所」や「敵の陣地」をどれだけ見えていたかが、その後の成功と強く関係していました。
  - 「敵の守備エリアをちゃんと見ている選手」は、ボールを受け取った後に、より良い場所へドリブルできました。
  - 「ただ漫然と見ていた」選手は、良い場所へ移動できませんでした。

4. この研究がすごい理由

誰にでも使える： ポジション（FW でも DF でも）に関係なく公平に評価できます。
自動でできる： 人間が一つ一つ「首を振った」と手作業でチェックする必要がありません。AI が自動で計算します。
連続的なデータ： 「振った／振らない」という二択ではなく、「どのくらい見えていたか」という連続した数値で、より繊細な分析が可能です。

まとめ

この論文は、**「サッカー選手が『頭で何を考えているか』を、単なる『首の動き』ではなく、『実際に何が見えていたか』という視点で測る」**という革命を起こしました。

これにより、コーチやスカウトは、選手の「頭の良さ」や「状況把握能力」を、より客観的で正確なデータで評価できるようになります。まるで、選手の脳内にある「地図」を可視化して、その質を測っているようなものです。

今後は、アメリカンフットボールやバスケットボールなど、他のスポーツでも同じように応用できる可能性があります。

Each language version is independently generated for its own context, not a direct translation.

1. 背景と問題定義 (Problem)

従来のサッカーにおける視覚的探索行動の計測は、主に**「視覚的探索行動（VEA: Visual Exploratory Actions）」**の数を数える手法に依存していました。これは、頭部の回転速度が 125°/s を超える「素早い頭振り」を検出することで定義されます。しかし、この従来手法には以下の重大な限界がありました。

ポジションバイアス: 中央ミッドフィールダーなど頻繁に頭を振るポジションに偏っており、他のポジションでの評価が困難。
アノテーションの難易度とバイアス: 手動でのアノテーションが必要であり、観察者間のばらつき（inter-observer variability）が大きい。
データの質と連続性: 25 FPS の追跡データでは検出が不安定であり、バイナリ（「している/していない」）な計測しかできず、視覚注意の連続的な性質を捉えきれていない。
予測力の欠如: VEA の頻度とパス成功率などの単純な指標との相関は弱く、超一流選手と一流選手の区別もつかないなど、パフォーマンス指標としての有効性が疑問視されている。
既存モデルとの非互換性: ピッチコントロール（Pitch Control）やピッチバリュー（Pitch Value）といった高度な空間分析モデルと統合しにくい。

本研究は、これらの課題を解決し、**ポーズ推定データ（Pose Enhanced Data）**を活用して、選手が「どこを見ているか」を確率的かつ連続的にモデル化する新たなアプローチを提案します。

2. 手法 (Methodology)

本研究では、2024 年コパ・アメリカの 32 試合分のデータ（Respo.Vision 提供のブロードキャスト追跡データ＋StatsPerform のイベントデータ）を使用しました。このデータには、従来の位置情報に加え、頭部、肩、腰の回転角度が含まれており、これを基に以下のパイプラインを構築しました。

2.1 ポーズ強化された視覚マップの構築

各選手の視覚認識を 2 次元の確率的グリッド（105x68）として表現するために、以下の 2 つのモデルを組み合わせます。

視野モデル (Field of View, $V_\rho$ ):
- 頭部の向きを視線の向きと仮定し、両眼視野（120 度）を基準にします。
- 距離減衰 ( $R$ ) と 角度減衰 ( $A$ ) をガウス分布でモデル化し、対象が遠いほど、または視野の端にあるほど認識精度が低下することを表現します。
- 速度依存性: 選手の移動速度が高いほど、空間認識が低下し視野が狭くなる（焦点が近づく）という仮説を反映し、パラメータを調整します。
遮蔽モデル (Occlusion, $V_\Phi$ ):
- 他の選手が視界を遮る効果を確率的に計算します。
- 相手選手の肩の回転角度を考慮し、相手選手が正面を向いているか横を向いているかによって、視界を遮る面積（影の大きさ）を動的に変化させます。
- 各選手の遮蔽マップを掛け合わせることで、最終的な「見えない領域」を算出します。

これら 2 つを要素ごとの積（Element-wise multiplication）で結合し、完全な視覚マップ ( $V_i$ ) を作成します。

2.2 ピッチコントロールおよびピッチバリューとの統合

作成した視覚マップを、既存の高度な空間分析モデルと統合します。

即時ピッチコントロール (Imminent Pitch Control): Fernández & Bornn (2018) のピッチコントロールモデルを基に、選手の到達範囲を短時間（即座に到達可能な領域）に制限するスケーリングパラメータを導入し、「即時コントロール領域」を定義します。
ピッチバリュー (Pitch Value): 守備チームの配置から学習したニューラルネットワークを用いて、フィールドの各地点の攻撃的価値を算出します。
統合: 選手の「視覚マップ」と「即時ピッチコントロール（攻撃側・守備側）」および「ピッチバリュー」を掛け合わせ、**「選手が実際に視認している価値ある空間」**を定量化します。

2.3 検証フェーズ

Awaiting Phase（ボール受取待ちフェーズ）: パスを受けた直前の瞬間。
On-ball Phase（ボール保持フェーズ）: ボールを受けた後のドリブルなどの動作。
目的: 「ボール受取待ちフェーズ」での視覚的探索（どの程度の守備領域や攻撃領域を観察していたか）が、その後の「ボール保持フェーズ」で獲得したピッチバリューの増減を予測できるかを検証します。

3. 主要な貢献 (Key Contributions)

連続的かつ確率的な視覚モデルの提案:
- 従来の「頭振りカウント（VEA）」ではなく、ポーズ推定データに基づいた連続的な視覚認識の確率分布マップを提案しました。
- これにより、選手の位置や状況に関わらず、定量的な視覚行動の計測が可能になりました。
既存分析フレームワークとのシームレスな統合:
- 視覚データをピッチコントロールやピッチバリューモデルと直接統合し、視覚行動が「空間的な価値」にどう影響するかを分析できる枠組みを構築しました。
- 手動アノテーションを不要とし、既存の分析パイプラインに組み込み可能です。
オープンソース化:
- 計算に必要なツールとコードを GitHub で公開し、研究の再現性と発展を支援しています。

4. 結果 (Results)

2024 年コパ・アメリカのデータを用いた検証（XGBoost による二値分類モデル）において、以下の結果が得られました。

VEA 計数法の無効性: 従来の「125°/s 以上の頭振り」をカウントする指標（VEA）を追加しても、モデルの予測精度（AUC）は向上しませんでした（Baseline: 0.664 → Traditional VEA: 0.654）。これは、VEA がパフォーマンスの指標として機能していないことを示唆しています。
視覚特徴量の予測力: 提案した「視覚マップ」に基づく特徴量（特に、ボール受取待ち中に守備側に支配された空間をどの程度観察していたか）を追加すると、モデルの精度は有意に向上しました（Regular: 0.744 → Vision: 0.788）。
重要な発見:
- ボール受取待ち中に、フィールド全体の守備側が支配する領域や攻撃的な価値ある領域を多く観察している選手ほど、その後のドリブル行動でより高いピッチバリュー（より良い位置）を獲得する傾向があります。
- 単に「多くの領域を見た」こと自体ではなく、「質の高い領域（守備の隙間や価値あるスペース）を特定して観察していたか」が重要であることが示されました。
- ポジションによるバイアスは解消され、どのポジションの選手に対してもこの指標が有効であることが確認されました。

5. 意義と結論 (Significance)

本研究は、サッカー分析における視覚的認知の評価にパラダイムシフトをもたらすものです。

定量的な評価の実現: 主観的な「頭振り」の計測から、客観的で連続的な「視覚的探索の質」の計測へと移行しました。
戦術的洞察: 選手が「どこを見ていたか」が、その後の「どこへ移動したか（空間的価値の向上）」に直接影響を与えることを実証しました。特に、守備的な圧力を理解し、その隙間を視覚的に捉える能力が、攻撃の質を高める鍵であることが示唆されました。
汎用性: この手法はサッカーに限らず、アメリカンフットボールやバスケットボールなど、他の侵入競技（Invasion Sports）における視覚的認知の分析にも応用可能です。
技術的基盤: ポーズ推定技術と空間分析モデルの融合により、より高度で文脈を考慮した選手評価システムの構築への道を開きました。

結論として、従来の VEA 計数はパフォーマンスの予測に寄与せず、代わりにポーズ推定データを用いた確率的な視覚マップによるアプローチが、選手の視覚的探索行動をより正確に定量化し、試合中の成功を予測する有効な指標となり得ることが示されました。

Wide Open Gazes: Quantifying Visual Exploratory Behavior in Soccer with Pose Enhanced Positional Data