Mapeamento sistémico do jogo de voleibol masculino de alto nível ...

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

Introdução

vi

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

xvii

I. INTRODUÇÃO

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.

xxix

II. ESTUDOS EMPÍRICOS

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


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.


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


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


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).


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).


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).


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.


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.


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).


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.


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


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


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.



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.


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.


cobertura del ataque en voleibol. Revista Internacional de Medicina y Ciencias

de la Actividad Física y el Deporte, 12(47), 557-570.


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.


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


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.


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.


Travassos, B., Davids, K., Araújo, D., & Esteves, P. (2013). Performance

analysis in team sports: Advances from an Ecological Dynamics approach.



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


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


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.


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


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.


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


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


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).


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


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


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.


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



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.


cobertura del ataque en voleibol. Revista Internacional de Medicina y

Ciencias de la Actividad Física y el Deporte, 12(47), 557-570.


63


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.


Means of the Relative Phase. International Journal of Computer Science

in Sport –, Volume 6/Edition 2.

lxiii

III. CONSIDERAÇÕES FINAIS

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


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).


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


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


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


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.

Mapeamento sistémico do jogo de voleibol masculino de alto nível ...

Documents

Transcript of Mapeamento sistémico do jogo de voleibol masculino de alto nível ...