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

Este artigo apresenta um novo modelo contínuo e estocástico baseado em dados de pose que quantifica o comportamento exploratório visual dos jogadores de futebol, superando as limitações dos métodos tradicionais e demonstrando que métricas visuais agregadas preveem o sucesso em ações de drible, integrando-se perfeitamente aos frameworks analíticos existentes.

O essencial

Imagine que você está assistindo a uma partida de futebol no seu sofá. Você vê o jogador receber a bola, olhar para os lados e depois fazer uma jogada incrível. Mas como ele sabia para onde ir? O que estava acontecendo na cabeça dele?

Este artigo científico tenta responder a essa pergunta, mas de uma forma muito mais inteligente do que os métodos antigos. Vamos descomplicar tudo usando analogias do dia a dia.

1. O Problema: Contar "Piscadinhas" de Cabeça (O Jeito Antigo)

Antigamente, os analistas tentavam medir o que um jogador estava "vendo" contando quantas vezes ele virava a cabeça rapidamente (como um radar girando). Eles chamavam isso de "Ações de Exploração Visual".

O problema disso:

• É como contar piscadelas: Se você piscar rápido, significa que você está atento? Talvez. Mas contar apenas o movimento da cabeça é impreciso.
• Viés de posição: Funcionava bem para meio-campistas (que giram muito a cabeça), mas era ruim para atacantes ou laterais.
• Não prevê o futuro: Contar quantas vezes o jogador virou a cabeça não dizia se ele ia fazer uma boa jogada depois. Era como tentar prever o resultado de uma corrida contando quantas vezes o corredor piscou.

2. A Solução: Um "Mapa de Visão" Digital (O Novo Jeito)

Os autores criaram uma nova tecnologia usando dados de rastreamento que agora incluem a posição da cabeça e dos ombros dos jogadores (como se fosse um filme em 3D visto de cima).

Eles criaram um "Mapa de Visão" para cada jogador. Pense nisso assim:

• A Lanterna: Imagine que cada jogador segura uma lanterna na cabeça. O "Mapa de Visão" mostra exatamente onde a luz da lanterna está brilhando no campo.
• O Efeito Velocidade: Se o jogador está correndo muito rápido, a "lanterna" fica mais estreita e focada (porque é difícil ver detalhes em alta velocidade). Se ele está parado, a lanterna ilumina mais.
• O Efeito "Bloqueio": Se outro jogador (um colega ou um adversário) está na frente da lanterna, ele cria uma sombra. O mapa calcula essa sombra. É como se você estivesse em uma festa lotada; mesmo olhando para frente, as pessoas ao seu redor bloqueiam sua visão de quem está atrás delas.

3. A Mágica: Cruzando Visão com Valor

O grande truque do artigo é misturar esse "Mapa de Visão" com dois outros conceitos famosos na análise de futebol:

1. Controle do Campo: Quem tem mais chance de pegar a bola em cada pedaço do gramado?
2. Valor do Campo: Quais áreas são mais valiosas? (Geralmente, áreas perto do gol adversário valem mais).

A Analogia do Detetive:
Imagine que o jogador é um detetive esperando uma pista (a bola).

• O Mapa de Visão mostra o que o detetive está observando.
• O Mapa de Valor mostra onde está o "tesouro".
• O estudo pergunta: "Se o detetive olhou para a área onde o tesouro está escondido (ou onde os inimigos estão fracos) antes de receber a pista, ele vai conseguir o tesouro depois?"

4. O Que Eles Descobriram?

Eles analisaram 32 jogos da Copa América de 2024 e usaram inteligência artificial para testar suas ideias.

• O Velho Método Falhou: Contar quantas vezes o jogador virou a cabeça (o método antigo) não ajudou em nada a prever se a jogada seria boa. Era como tentar adivinhar o futuro olhando para o relógio.
• O Novo Método Funcionou: Eles descobriram que os jogadores que, enquanto esperavam a bola, conseguiam "ver" (no sentido do mapa digital) mais áreas controladas pelos adversários ou espaços valiosos, tinham muito mais chance de fazer uma jogada brilhante depois de receber a bola.

Em resumo: Não importa quantas vezes você gira a cabeça. O que importa é o que você está olhando e se você consegue enxergar os espaços vazios ou as fraquezas dos adversários antes de receber a bola.

5. Por Que Isso é Importante?

• Para todos os jogadores: Funciona para qualquer posição, não só para meio-campistas.
• Sem anotação manual: O computador faz tudo sozinho, sem precisar de humanos olhando vídeo por horas.
• Futuro do Futebol: Isso ajuda treinadores a entender que a "inteligência visual" é uma habilidade mensurável. Jogadores que "enxergam" melhor o campo (mesmo que não girem a cabeça freneticamente) são os que tomam as melhores decisões.

A Lição Final:
Este estudo nos ensina que no futebol moderno, ver é mais importante do que apenas olhar. É a diferença entre apenas virar a cabeça e realmente entender o que está acontecendo ao seu redor para tomar a decisão certa no momento exato.

Resumo técnico

Resumo Técnico: Quantificação do Comportamento Exploratório Visual no Futebol

1. O Problema

As abordagens tradicionais para medir o comportamento exploratório visual no futebol baseiam-se na contagem de Ações Exploratórias Visuais (VEAs - Visual Exploratory Actions). Este método define uma VEA como um movimento rápido da cabeça que excede 125°/s. No entanto, o artigo identifica limitações críticas nesta metodologia:

• Viés de Posição: Tendência a focar em jogadores de meio-campo central, ignorando outros.
• Desafios de Anotação: Dificuldade em anotar com precisão e alta variabilidade entre observadores.
• Restrições Binárias: Trata o comportamento como "sim/não" (escaneando ou não), ignorando a natureza contínua da atenção visual.
• Incompatibilidade Analítica: Falha em integrar-se com modelos fundamentais de análise de futebol, como Pitch Control (Controle do Campo) e Pitch Value (Valor do Campo).
• Baixo Poder Preditivo: Estudos recentes mostram que a frequência de VEAs não diferencia consistentemente jogadores de elite e não prevê sucesso de curto prazo no jogo (ex: ganho de valor de campo após um drible).
• Limitações de Dados: A detecção de VEAs em dados de rastreamento padrão (25 FPS) é pouco confiável.

2. Metodologia

Os autores propõem uma nova camada de visão estocástica e contínua, utilizando dados de rastreamento espacial-temporal aprimorados por estimativa de pose (incluindo rotação da cabeça e ombros).

A. Construção do Mapa de Visão (Vision Layer)
O modelo cria uma representação probabilística bidimensional (grade 105x68) da percepção visual de cada jogador, composta por duas partes:

1. Campo de Visão Probabilístico ($V_\rho$):
   • Assume um campo binário de visão de 120°.
   • Aplica uma camada probabilística baseada em distribuições Gaussianas que decaem com a distância e o ângulo em relação ao foco.
   • Fator de Velocidade: A precisão da visão diminui conforme a velocidade do jogador aumenta (simulando perda de consciência espacial em alta velocidade).
2. Mapa de Oclusão ($V_\Phi$):
   • Calcula como outros jogadores bloqueiam a visão.
   • Utiliza a rotação do ombro do jogador oclusor para determinar a largura aparente do bloqueio (um jogador de perfil ocupa menos espaço visual do que um de frente).
   • Combina raios probabilísticos projetados do observador até o oclusor.
   • O mapa final de visão ($V_i$) é o produto elemento a elemento do campo de visão e o mapa de oclusão.

B. Integração com Métricas de Espaço
O mapa de visão é combinado com dois modelos existentes (Fernández & Bornn, 2018):

• Controle Iminente do Campo (Imminent Pitch Control): Uma versão escalada do controle de campo que representa o espaço que um jogador pode alcançar em um curto período de tempo.
• Valor do Campo (Pitch Value): Um mapa que atribui valor estratégico a cada segmento do campo baseado na posição da bola e na defesa.

C. Definição das Fases de Análise
O estudo foca em dois momentos sequenciais:

1. Fase de Espera (Awaiting Phase): O momento em que o jogador aguarda a chegada da bola após uma passada de um companheiro.
2. Fase com a Bola (On-ball Phase): O movimento subsequente (ex: drible) executado pelo jogador após receber a bola.

3. Contribuições Principais

• Novo Modelo Contínuo: Substitui a contagem binária de VEAs por uma métrica contínua de percepção visual baseada em probabilidade.
• Independência de Posição: O método funciona para qualquer posição do campo, eliminando o viés de posição.
• Integração com Frameworks Existentes: Permite calcular diretamente a "porcentagem de área defendida observada" ou "valor de campo observado", integrando-se perfeitamente a modelos de Pitch Control e SoccerMap.
• Código Aberto: Os autores disponibilizaram as ferramentas e dados no repositório da U.S. Soccer Federation para garantir reprodutibilidade.
• Validação com Dados Reais: Utilização de dados de rastreamento de 32 jogos da Copa América 2024, enriquecidos com dados de pose (cabeça e ombros) e sincronizados com eventos de jogo.

4. Resultados e Validação

Os autores utilizaram modelos de classificação binária (XGBoost) para prever se um jogador aumentaria ou diminuiria o valor do campo controlado ao final de sua ação com a bola.

• Desempenho Preditivo:
  • O modelo Vision (que inclui os recursos agregados do mapa de visão) alcançou um AUC de 0,788.
  • O modelo Regular (sem visão, apenas posição e velocidade) teve AUC de 0,744.
  • O modelo Tradicional VEA (contagem de VEAs) teve desempenho inferior ao modelo de base (AUC 0,654), confirmando que a contagem de VEAs não possui poder preditivo para resultados de curto prazo neste contexto.
• Insights Chave (Análise SHAP):
  • Jogadores que observam maior quantidade de espaço ocupado pela defesa (áreas controladas pelo oponente) durante a fase de espera tendem a ganhar mais valor de campo em suas ações subsequentes.
  • A simples quantidade de campo observado não é o fator determinante; a qualidade da observação (focar em áreas defensivas ocupadas) é o que importa.
  • A posição do jogador (ex: lateral, meio-campo) teve pouco impacto na capacidade preditiva do modelo, ao contrário do que ocorre com VEAs tradicionais.

5. Significado e Conclusão

Este trabalho representa um avanço significativo na análise de futebol ao:

1. Desmistificar as VEAs: Demonstrar empiricamente que a contagem de movimentos rápidos da cabeça é um indicador fraco de desempenho em comparação com a métrica de percepção visual contínua e contextual.
2. Quantificar a Cognição: Oferecer uma maneira de quantificar a "inteligência" visual do jogador (capacidade de identificar espaços valiosos e perigosos) diretamente a partir de dados de rastreamento, sem necessidade de anotação manual.
3. Futuro da Análise: Estabelece um novo padrão para integrar dados de pose (cabeça/ombros) em modelos táticos, com potencial aplicação em outros esportes de invasão (como basquete e futebol americano) à medida que a tecnologia de rastreamento de pose se torna mais acessível.

Em suma, o artigo prova que o que o jogador vê (e como ele vê o espaço ocupado) é um preditor muito mais forte de sucesso tático do que quão rápido ele move a cabeça.