As funções cognitivas são capazes de predizer a efetividade geral e as contribuições do atleta para a equipe em jogos reduzidos de futebol? Uma abordagem utilizando aprendizado de máquina

• Ano de defesa: 2024
• Autor(a) principal: Monteiro, Rafael Luiz Martins
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Cognitive functions; Funções cognitivas; Futebol; Jogos reduzidos; Machine learning; Small-sided games; Soccer
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/17/17164/tde-18022025-141442/

O futebol é um esporte coletivo dinâmico caracterizado por alta demanda cognitiva, onde a tomada de decisão rápida e eficiente é necessária. O presente estudo teve como objetivo explorar como os dados das funções cognitivas estão relacionados ao desempenho de jovens jogadores de futebol de alto nível em diferentes demandas de jogos reduzidos, utilizando algoritmos de aprendizado de máquina para prever o nível de desempenho dos atletas e descrever as funções cognitivas mais importantes para a previsão de cada demanda do jogo. Quarenta e quatro atletas do sexo masculino (16,51±0,57 anos) da categoria Sub-17 de duas equipes de futebol participaram do estudo. Para a avaliação do desempenho em campo, foi implementado um protocolo de jogos múltiplos reduzidos, com partidas de 3 contra 3 jogadores, sem goleiro. As métricas de desempenho foram: gols feitos (GF), gols sofridos (GS), gols feitos por companheiros de equipe (GC) e saldo de gols (SG). As funções cognitivas avaliadas foram: flexibilidade cognitiva (FC), impulsividade (I), atenção sustentada (AS), memória de trabalho visuoespacial (MTV) e capacidade de rastreamento (CR). O algoritmo k-means clustering foi aplicado para separar as métricas de desempenho em campo em dois grupos: jogadores de desempenho inferior e superior. As funções cognitivas foram misturadas em 31 conjuntos de dados com todas as combinações para a previsão de desempenho em campo. Sete algoritmos de aprendizado de máquina supervisionado de classificação foram testados. Os algoritmos de destaque foram K-nearest neighbors e Multilayer Perceptron. Os melhores modelos apresentaram acurácias balanceadas variando de 69% a 72%. Para a previsão de GF, a FC e CR se destacaram. AS e MTV apresentaram melhores resultados na previsão de GS. Em relação ao GC, AS, I e FC proporcionaram melhores previsões. Por fim, a combinação de FC, I e MTV, justamente as funções executivas, apresentou resultados superiores na previsão de SG, uma medida que reflete a eficácia geral dos atletas. As funções cognitivas demonstraram sensibilidade para diferenciar o desempenho dos atletas em jogos reduzidos e destacaram as funções cognitivas que apresentaram melhor previsão para as diferentes demandas do jogo de futebol.