Advertisement

Quantitative Spielanalyse – den Überblick bei zunehmender Heterogenität der Ansätze behalten

  • Christian WinterEmail author
  • Mark Pfeiffer
Hauptbeitrag
  • 30 Downloads

Zusammenfassung

Der Wettkampfdiagnostik kommt aus trainingswissenschaftlich-leistungsdiagnostischer Perspektive gerade in den Sportspielen eine besondere Bedeutung zu. Bedingt durch den technologischen Fortschritt hat sich auf diesem Gebiet in den vergangenen Jahren ein breites Spektrum unterschiedlicher Ansätze zur Spielanalyse entwickelt. Vorgestellt wird ein Systematisierungsmodell der quantitativen Spielanalyse, das eine Orientierung auf diesem Gebiet erleichtern und den Vergleich verschiedener Studien auf unterschiedlichen Ebenen ermöglichen soll. Dafür werden die forschungsmethodischen Arbeits- und Entscheidungsschritte in den Bereichen Datenerhebung, Registrierung basaler Elemente taktischen Verhaltens und Aggregation unterteilt und Beispiele für unterschiedliche Möglichkeiten auf sämtlichen Ebenen vorgestellt. Anhand des Modells können veröffentlichte Studien besser forschungsmethodisch verortet und künftige Spielanalysen mit leistungsdiagnostischer Zielstellung geplant werden.

Schlüsselwörter

Spielbeobachtung Sportspiele Systematisierungsmodell Modellbildung Taktik 

Quantitative game analysis—retaining an overview despite the increasing heterogeneity of approaches

Abstract

From the perspective of training and exercise science and performance analysis on sports games, it is particularly important to analyze the competition. As a result of technological progress, a broad spectrum of different approaches to game analysis has developed in this field in recent years. A systematization model of quantitative match analysis will be presented, which facilitates orientation in this field and enables the comparison of different studies on different levels. For this purpose, the decisions required for the different steps of the analysis are subdivided into data collection, registration of basic elements of tactical behaviour and aggregation and are complemented by several examples regarding all levels of analysis. The model can be used to categorize published studies as well as to plan future game analyses for performance analysis.

Keywords

Notational analysis Sports games Systematization model Modelling Tactics 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

C. Winter und M. Pfeiffer geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Literatur

  1. Araújo, D. (2017a). Physical and informational contraints characterise team sport. In P. Passos, D. Araújo & A. Volossovitch (Hrsg.), Routledge studies in sports performance analysis. Performance analysis in team sports (S. 3–24). Abingdon, Oxon, New York: Routledge.Google Scholar
  2. Araújo, D. (2017b). Variables characterising performance and performance indicators in team sports. In P. Passos, D. Araújo & A. Volossovitch (Hrsg.), Routledge studies in sports performance analysis. Performance analysis in team sports (S. 38–52). Abingdon, Oxon, New York: Routledge.Google Scholar
  3. Ávila-Moreno, F. M., Chirosa-Ríos, L. J., Ureña-Espá, A., Lozano-Jarque, D., & Ulloa-Díaz, D. (2018). Evaluation of tactical performance in invasion team sports: a systematic review. International Journal of Performance Analysis in Sport, 15(2), 1–22.  https://doi.org/10.1080/24748668.2018.1460054.CrossRefGoogle Scholar
  4. Barreira, D., Garganta, J., Machado, J. C., & Anguera, M. T. (2014). Repercussões da recuperação da posse de bola nos padrões de ataque de futebol de elite. Revista Brasileira De Cineantropometria E Desempenho Humano, 16(1), 36–46.  https://doi.org/10.5007/1980-0037.2014v16n1p36.CrossRefGoogle Scholar
  5. Bastida Castillo, A., Gómez Carmona, C. D., de la Cruz Sánchez, E., & Pino Ortega, J. (2018). Accuracy, intra- and inter-unit reliability, and comparison between GPS and UWB-based position-tracking systems used for time-motion analyses in soccer. European Journal of Sport Science, 18(4), 450–457.  https://doi.org/10.1080/17461391.2018.1427796.CrossRefPubMedGoogle Scholar
  6. Bortz, J., & Döring, N. (2015). Forschungsmethoden und Evaluation für Human- und Sozialwissenschaftler (4. Aufl.). Berlin: Springer.Google Scholar
  7. Bourbousson, J., Sève, C., & McGarry, T. (2010). Space-time coordination dynamics in basketball: Part 1. Intra- and inter-couplings among player dyads. Journal of Sports Sciences, 28(3), 339–347.CrossRefGoogle Scholar
  8. Clemente, F. M., Couceiro, M. S., Martins, F. M., Mendes, R., & Figueiredo, A. J. (2013). Measuring tactical behaviour using technological metrics: case study of a football game. International Journal of Sports Science & Coaching, 8(4), 723–740.CrossRefGoogle Scholar
  9. Fassnacht, G. (1979). Systematische Verhaltensbeobachtung: Eine Einführung in die Methodologie und Praxis. München: Reinhardt.Google Scholar
  10. Gréhaigne, J.-F., & Godbout, P. (2015). Collective variables for analysing performance in team sports. In T. McGarry (Hrsg.), Routledge handbook of sports performance analysis (S. 101–114). London: Routledge.Google Scholar
  11. Gudmundsson, J., & Horton, M. (2017). Spatio-temporal analysis of team sports. ACM Computing Surveys, 50(2), 1–34.  https://doi.org/10.1145/3054132.CrossRefGoogle Scholar
  12. Hohmann, A., Lames, M., & Letzelter, M. (2014). Einführung in die Trainingswissenschaft (6. Aufl.). Wiebelsheim: Limpert.Google Scholar
  13. Lago-Peñas, C., Lago-Ballesteros, J., & Rey, E. (2011). Differences in performance indicators between winning and losing teams in the UEFA Champions League. Journal of Human Kinetics, 27(1), 135–146.  https://doi.org/10.2478/v10078-011-0011-3.CrossRefGoogle Scholar
  14. Lames, M. (1994). Systematische Spielbeobachtung. Münster: Philippka.Google Scholar
  15. Lames, M. (1998). Leistungsfähigkeit, Leistung und Erfolg – ein Beitrag zur Theorie der Sportspiele. Sportwissenschaft, 28(2), 137–152.Google Scholar
  16. Lames, M. (2002). Verhaltenswissenschaftliche Modellbildung in der Sportwissenschaft. In J. Perl, M. Lames & U. Glitsch (Hrsg.), Modellbildung in der Sportwissenschaft (S. 179–254). Schorndorf: Hofmann.Google Scholar
  17. Lames, M., & McGarry, T. (2007). On the search for reliable performance indicators in game sports. International Journal of Performance Analysis in Sport, 7(1), 62–79.CrossRefGoogle Scholar
  18. Lemmink, K., & Frencken, W. (2015). Tactical performance analysis in invasion games: perspectives from a dynamic system approach with examples from soccer. In T. McGarry (Hrsg.), Routledge handbook of sports performance analysis (S. 89–100). London: Routledge.Google Scholar
  19. Link, D. (2018). Sports Analytics: Wie aus (kommerziellen) Sportdaten neue Möglichkeiten für die Sportwissenschaft entstehen. German Journal of Exercise and Sport Research, 48(1), 13–25.  https://doi.org/10.1007/s12662-017-0487-7.CrossRefGoogle Scholar
  20. Link, D., Lang, S., & Seidenschwarz, P. (2016). Real time quantification of dangerousity in football using spatiotemporal tracking data. PLOS ONE.  https://doi.org/10.1371/journal.pone.0168768.CrossRefPubMedPubMedCentralGoogle Scholar
  21. Liu, H., Hopkins, W. G., & Gómez, M.-A. (2016). Modelling relationships between match events and match outcome in elite football. European Journal of Sport Science, 16(5), 516–525.  https://doi.org/10.1080/17461391.2015.1042527.CrossRefPubMedGoogle Scholar
  22. Loeffelholz, B., Bednar, E., & Bauer, K. W. (2009). Predicting NBA games using neural networks. Journal of Quantitative Analysis in Sports.  https://doi.org/10.2202/1559-0410.1156.CrossRefGoogle Scholar
  23. Maslovat, D., & Franks, I. M. (2008). The need for feedback. In M. Hughes & I. M. Franks (Hrsg.), The essentials of performance analysis: an introduction (S. 1–7). London: Routledge.Google Scholar
  24. McGarry, T., & Franks, I. M. (1996). Development, application, and limitation of a stochastic markov model in explaining championship squash performance. Research quarterly for exercise and sport, 67, 406–415.CrossRefGoogle Scholar
  25. Memmert, D., & Raabe, D. (2017). Revolution im Profifußball: Mit Big Data zur Spielanalyse 4.0. Berlin, Heidelberg: Springer.CrossRefGoogle Scholar
  26. Memmert, D., Lemmink, K. A. P. M., & Sampaio, J. (2017). Current approaches to tactical performance analyses in soccer using position data. Sports Medicine, 47(1), 1–10.  https://doi.org/10.1007/s40279-016-0562-5.CrossRefPubMedGoogle Scholar
  27. Moura, F. A., Martins, L. E. B., & Cunha, S. A. (2014). Analysis of football game-related statistics using multivariate techniques. Journal of Sports Sciences, 32(20), 1881–1887.  https://doi.org/10.1080/02640414.2013.853130.CrossRefPubMedGoogle Scholar
  28. O’Donoghue, P. (2015). Sports performance profiling. In T. McGarry (Hrsg.), Routledge handbook of sports performance analysis (S. 127–139). London: Routledge.Google Scholar
  29. Passos, P. (2017a). Coaching processes in team sports—key differences to coaching in other sports. In P. Passos, D. Araújo & A. Volossovitch (Hrsg.), Routledge studies in sports performance analysis. Performance analysis in team sports (S. 25–37). Abingdon, Oxon, New York: Routledge.Google Scholar
  30. Passos, P. (2017b). Team member interaction analysis. In P. Passos, D. Araújo & A. Volossovitch (Hrsg.), Routledge studies in sports performance analysis. Performance analysis in team sports (S. 74–109). Abingdon, Oxon, New York: Routledge.Google Scholar
  31. Perl, J. (2002). Informatische Aspekte der Modellbildung. In J. Perl, M. Lames & U. Glitsch (Hrsg.), Modellbildung in der Sportwissenschaft (S. 15–98). Schorndorf: Hofmann.Google Scholar
  32. Perl, J. (2018). Formation-based modelling and simulation of success in soccer. International Journal of Computer Science in Sport, 17(2), 204–215.  https://doi.org/10.2478/ijcss-2018-0012.CrossRefGoogle Scholar
  33. Perl, J., & Uthmann, T. (1997). Modellbildung. In J. Perl & W.-D. Miethling (Hrsg.), Informatik im Sport: Ein Handbuch (S. 43–64). Schorndorf: Hofmann.Google Scholar
  34. Perl, J., Tilp, M., Baca, A., & Memmert, D. (2015). Neural networks for analysing sports games. In T. McGarry (Hrsg.), Routledge handbook of sports performance analysis (S. 225–236). London: Routledge.Google Scholar
  35. Pfeiffer, M. (2005). Leistungsdiagnostik im Nachwuchstraining der Sportspiele: Entwicklung eines modelltheoretischen Ansatzes im Handball. Köln: Sport u. Buch Strauß.Google Scholar
  36. Pfeiffer, M., & Perl, J. (2006). Analysis of tactical structures in team handball by means of artificial neural networks. International Journal of Computer Science in Sport, 5(1), 4–14.Google Scholar
  37. Pfeiffer, M., Zhang, H., & Hohmann, A. (2010). A Markov chain model of elite table tennis competition. International Journal of Sports Science & Coaching, 5(2), 205–222.CrossRefGoogle Scholar
  38. Prieto, J., Gómez, M.-Á., & Sampaio, J. (2015). From a static to a dynamic perspective in handball match analysis: a systematic review. The Open Sports Sciences Journal, 8(1), 25–34.  https://doi.org/10.2174/1875399X01508010025.CrossRefGoogle Scholar
  39. Ramos, J., Lopes, R. J., & Araújo, D. (2018). What’s next in complex networks? Capturing the concept of attacking play in invasive team sports. Sports Medicine, 48(1), 17–28.  https://doi.org/10.1007/s40279-017-0786-z.CrossRefPubMedGoogle Scholar
  40. Rein, R., & Memmert, D. (2016). Big data and tactical analysis in elite soccer: Future challenges and opportunities for sports science. SpringerPlus, 5(1), 1410.  https://doi.org/10.1186/s40064-016-3108-2.CrossRefPubMedPubMedCentralGoogle Scholar
  41. Sampaio, J., & Leite, N. (2015). Performance indicators in game sports. In T. McGarry (Hrsg.), Routledge handbook of sports performance analysis (S. 115–126). London: Routledge.Google Scholar
  42. Sarmento, H., Anguera, M. T., Pereira, A., Marques, A., Campaniço, J., & Leitão, J. C. (2014a). Patterns of play in the counterattack of elite football teams – a mixed method approach. International Journal of Performance Analysis in Sport, 14(2), 411–427.CrossRefGoogle Scholar
  43. Sarmento, H., Marcelino, R., Anguera, M. T., Campaniço, J., Matos, N., & Leitão, J. C. (2014b). Match analysis in football: a systematic review. Journal of Sports Sciences, 32(20), 1–13.  https://doi.org/10.1080/02640414.2014.898852.CrossRefGoogle Scholar
  44. Sarmento, H., Clemente, F. M., Araújo, D., Davids, K., Mcrobert, A., & Figueiredo, A. (2018). What performance analysts need to know about research trends in association football (2012–2016): a systematic review. Sports Medicine, 48(4), 799–836.  https://doi.org/10.1007/s40279-017-0836-6.CrossRefPubMedGoogle Scholar
  45. Stein, M., Janetzko, H., Seebacher, D., Jäger, A., Nagel, M., Hölsch, J., Kosub, S., Schreck, T., Keim, A. D., & Grossniklaus, M. (2017). How to make sense of team sport data: from acquisition to data modeling and research aspects. Data: Vol..  https://doi.org/10.3390/data2010002.CrossRefGoogle Scholar
  46. Straub, G., & Klein-Soetebier, T. (2017). Analytic and descriptive approaches to systematic match analysis in table tennis. German Journal of Exercise and Sport Research, 47(2), 95–102.  https://doi.org/10.1007/s12662-016-0431-2.CrossRefGoogle Scholar
  47. Tenga, A., Ronglan, L. T., & Bahr, R. (2010). Measuring the effectiveness of offensive match-play in professional soccer. European Journal of Sport Science, 10(4), 269–277.CrossRefGoogle Scholar
  48. 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.Google Scholar
  49. Winter, C., & Pfeiffer, M. (2015). Tactical metrics that discriminate winning, drawing and losing teams in UEFA Euro 2012. Journal of Sports Sciences.  https://doi.org/10.1080/02640414.2015.1099714.CrossRefPubMedGoogle Scholar
  50. Winter, C., Rasche, C., & Pfeiffer, M. (2017). Linear vs. Non-linear classification of winners, drawers and losers at FIFA World Cup 2014. Science and Medicine in Football, 1(2), 164–170.  https://doi.org/10.1080/24733938.2017.1283435.CrossRefGoogle Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Johannes Gutenberg-Universität MainzMainzDeutschland

Personalised recommendations