Previsão de Sucesso de Atletas Jovens de Futebol usando Integração de diferentes Base de Dados
Resumo
Há diversas áreas no futebol onde modelos de previsão podem ser utilizados, dentre elas, identificar jogadores promissores pode ter um alto custo-benefício. As Funções Executivas (FE) são relacionadas ao desempenho, mas ainda não foram testadas como preditores de sucesso no futebol. Este artigo investiga o uso de FEs para a seleção de jogadores da base com métodos de aprendizado de máquina como a Regressão Logística, Naive Bayes, Decision Tree e Random Forest para prever quais jogadores da base de dados estudada estavam presentes em uma plataforma confiável de dados: Transfermarkt. O melhor modelo foi o Random Forest combinado com imputação, com 0,77 de precisão. O presente estudo indica que as FEs podem ser bons preditores de sucesso no futebol com até 7 anos de antecedência.
Palavras-chave:
Função Executiva, Futebol, Atletas Jovens, Valor de Mercado
Referências
Al-Asadi, M. A. and Tasdemir, S. (2022). Predict the Value of Football Players Using FIFA Video Game Data and Machine Learning Techniques. IEEE Access, 10:22631 – 22645.
Beal, R., Norman, T. J., and Ramchurn, S. D. (2019). Artificial intelligence for team sports: a survey. Knowledge Engineering Review, 34.
Bezuglov, E., Morgans, R., Butovskiy, M., Emanov, A., Shagiakhmetova, L., Pirmakhanov, B., Waśkiewicz, Z., and Lazarev, A. (2023). The relative age effect is widespread among European adult professional soccer players but does not affect their market value. PLoS ONE, 18(3 March).
Chi, Y. K., Kim, T. H., Han, J. W., Lee, S. B., Park, J. H., Lee, J. J., Youn, J. C., Jhoo, J. H., Lee, D. Y., and Kim, K. W. (2012). Impaired design fluency is a marker of pathological cognitive aging; results from the Korean longitudinal study on health and aging. Psychiatry Investigation, 9(1):59 – 64.
da Silva Muniz, L. and da Silva, M. (2020). Análise das demonstrações contábeis dos clubes brasileiros de futebol: comparação entre a situação econômica e financeira e o aproveitamento nas partidas oficiais de 2015 a 2017. CAFI, 3(1):17–32.
Diamond, A. (2013). Executive functions. Annual Review of Psychology, 64:135 – 168.
Mello, M., Belloni, V., Vasconcellos, F., Soares, J., Ogasawara, E., and Giusti, L. (2021). Funções Executivas e Idade Relativa como Preditores de Sucesso no Futebol. In Anais da Escola Regional de Informática do Rio de Janeiro (ERI-RJ), pages 111–118. SBC.
Scarpina, F. and Tagini, S. (2017). The stroop color and word test. Frontiers in Psychology, 8(APR).
Shibuya-Tayoshi, S., Sumitani, S., Kikuchi, K., Tanaka, T., Tayoshi, S., Ueno, S.-I., and Ohmori, T. (2007). Activation of the prefrontal cortex during the Trail-Making Test detected with multichannel near-infrared spectroscopy. Psychiatry and Clinical Neurosciences, 61(6):616 – 621.
Soliman, G., El-Nabawy, A., Misbah, A., and Eldawlatly, S. (2017). Predicting all star player in the national basketball association using random forest. In 2017 Intelligent Systems Conference, IntelliSys 2017, volume 2018-January, pages 706 – 713.
Van Bulck, D., Vande Weghe, A., and Goossens, D. (2023). Result-based talent identification in road cycling: discovering the next Eddy Merckx. Annals of Operations Research, 325(1):539 – 556.
Verburgh, L., Scherder, E., van Lange, P., and Oosterlaan, J. (2016). The key to success in elite athletes? Explicit and implicit motor learning in youth elite and non-elite soccer players. Journal of Sports Sciences, 34(18):1782 – 1790.
Werneck, R. and Figueiredo, A. (2024). Goldfit Soccer: A Multidimensional Model for Talent Identification of Young Soccer Players. Research Quarterly for Exercise and Sport, 0(0):1–15.
Beal, R., Norman, T. J., and Ramchurn, S. D. (2019). Artificial intelligence for team sports: a survey. Knowledge Engineering Review, 34.
Bezuglov, E., Morgans, R., Butovskiy, M., Emanov, A., Shagiakhmetova, L., Pirmakhanov, B., Waśkiewicz, Z., and Lazarev, A. (2023). The relative age effect is widespread among European adult professional soccer players but does not affect their market value. PLoS ONE, 18(3 March).
Chi, Y. K., Kim, T. H., Han, J. W., Lee, S. B., Park, J. H., Lee, J. J., Youn, J. C., Jhoo, J. H., Lee, D. Y., and Kim, K. W. (2012). Impaired design fluency is a marker of pathological cognitive aging; results from the Korean longitudinal study on health and aging. Psychiatry Investigation, 9(1):59 – 64.
da Silva Muniz, L. and da Silva, M. (2020). Análise das demonstrações contábeis dos clubes brasileiros de futebol: comparação entre a situação econômica e financeira e o aproveitamento nas partidas oficiais de 2015 a 2017. CAFI, 3(1):17–32.
Diamond, A. (2013). Executive functions. Annual Review of Psychology, 64:135 – 168.
Mello, M., Belloni, V., Vasconcellos, F., Soares, J., Ogasawara, E., and Giusti, L. (2021). Funções Executivas e Idade Relativa como Preditores de Sucesso no Futebol. In Anais da Escola Regional de Informática do Rio de Janeiro (ERI-RJ), pages 111–118. SBC.
Scarpina, F. and Tagini, S. (2017). The stroop color and word test. Frontiers in Psychology, 8(APR).
Shibuya-Tayoshi, S., Sumitani, S., Kikuchi, K., Tanaka, T., Tayoshi, S., Ueno, S.-I., and Ohmori, T. (2007). Activation of the prefrontal cortex during the Trail-Making Test detected with multichannel near-infrared spectroscopy. Psychiatry and Clinical Neurosciences, 61(6):616 – 621.
Soliman, G., El-Nabawy, A., Misbah, A., and Eldawlatly, S. (2017). Predicting all star player in the national basketball association using random forest. In 2017 Intelligent Systems Conference, IntelliSys 2017, volume 2018-January, pages 706 – 713.
Van Bulck, D., Vande Weghe, A., and Goossens, D. (2023). Result-based talent identification in road cycling: discovering the next Eddy Merckx. Annals of Operations Research, 325(1):539 – 556.
Verburgh, L., Scherder, E., van Lange, P., and Oosterlaan, J. (2016). The key to success in elite athletes? Explicit and implicit motor learning in youth elite and non-elite soccer players. Journal of Sports Sciences, 34(18):1782 – 1790.
Werneck, R. and Figueiredo, A. (2024). Goldfit Soccer: A Multidimensional Model for Talent Identification of Young Soccer Players. Research Quarterly for Exercise and Sport, 0(0):1–15.
Publicado
14/10/2024
Como Citar
CALMON, Lucas; FERRO, Rodrigo; PEREIRA, Carlos; SOUZA, Caio; GIUSTI, Lucas; AMORIM, Glauco; OGASAWARA, Eduardo.
Previsão de Sucesso de Atletas Jovens de Futebol usando Integração de diferentes Base de Dados. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 39. , 2024, Florianópolis/SC.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 855-861.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2024.243187.