Predição de posição a partir de indicadores de desempenho e antropométricos em jovens futebolistas: uma abordagem de aprendizado de máquina

Por que escolher o lugar certo no campo importa

Para qualquer adolescente que sonha com uma carreira profissional no futebol, encontrar a posição que melhor se ajusta ao seu corpo e às suas habilidades pode fazer grande diferença. Os treinadores costumam confiar na experiência e no instinto para decidir quem joga na defesa, no meio-campo ou no ataque. Este estudo indaga se dados e algoritmos de computador podem acrescentar uma camada objetiva a essas escolhas, usando traços mensuráveis — como altura, peso e habilidades com a bola — para prever onde um jovem jogador tem mais probabilidade de ter sucesso.

De dados corporais básicos às habilidades com a bola

Os pesquisadores trabalharam com 200 jogadores de futebol juvenil do sexo masculino, com idades entre 15 e 17 anos, de clubes do Cazaquistão. Cada jogador já tinha uma posição principal atribuída — defensor, meio-campista ou atacante — pelo seu treinador. Os cientistas mediram características corporais simples, como idade, altura, peso e índice de massa corporal (IMC), juntamente com habilidades específicas do futebol: embaixadas com a cabeça e com os pés, drible entre cones, drible em velocidade por 20 metros e finalização em alvos marcados no gol. Esses testes foram escolhidos porque refletem ações cotidianas em campo — controlar a bola, deslocar-se rapidamente com ela e concluir ataques.

Identificando padrões entre posições

Primeiro, a equipe usou testes estatísticos padrão para ver como defensores, meio-campistas e atacantes diferevam em média. Encontraram diferenças relevantes em várias áreas. Meio-campistas tendiam a ser ligeiramente mais velhos que os defensores. Atacantes eram geralmente mais altos e tinham IMC mais baixo do que defensores e meio-campistas, sugerindo um porte mais magro. Atacantes também executaram melhor as embaixadas com a cabeça e completaram o teste de drible entre cones mais rapidamente que os defensores. Surpreendentemente, não houve diferenças claras em peso básico, embaixadas com os pés, pontuações de finalização ou no tempo simples de drible de 20 metros entre as posições, indicando que algumas habilidades podem se desenvolver de forma semelhante independentemente da posição em que um jovem jogador atua.

Deixar as máquinas adivinharem o papel de cada jogador

Em seguida, os pesquisadores recorreram ao aprendizado de máquina — programas de computador que aprendem padrões a partir de dados. Eles alimentaram todas as medidas corporais e de habilidade em vários algoritmos e pediram que previssem a posição de cada jogador. Após treinar com a maior parte dos dados e testar no restante, um método chamado Support Vector Machines destacou-se. Ele previu a posição correta para 86% dos jogadores no geral. O modelo foi especialmente preciso para atacantes, acertando todos os atacantes nos dados de teste. Teve desempenho um pouco menor para defensores e meio-campistas, que às vezes foram confundidos entre si, refletindo seus perfis físicos e técnicos sobrepostos nessa faixa etária.

Quais habilidades mais importaram

Para entender o que guiou as decisões do modelo, a equipe testou quanto a acurácia caía quando cada medida era embaralhada. Os maiores impactos vieram de desempenho relacionado à velocidade com a bola e finalização: o tempo de drible de 20 metros, a pontuação de finalização, o peso corporal e o teste geral de drible foram os mais influentes. Em contraste, as embaixadas — por exemplo, rebater a bola repetidamente com a cabeça ou alternando toques de cabeça e pé — importaram bem menos para a predição de posição. Isso sugere que, ao menos para esses adolescentes, habilidades práticas e semelhantes às do jogo, como sprintar com a bola e chutar com precisão, carregam mais informação posicional do que exercícios de controle mais vistosos.

O que isso significa para jovens jogadores e treinadores

Para pais, jogadores e treinadores, o estudo mostra que testes relativamente simples podem fornecer sinais úteis sobre onde um adolescente pode ter mais afinidade no campo, e que aprendizado de máquina pode transformar esses sinais em previsões de posição razoavelmente precisas. Contudo, a sobreposição entre defensores e meio-campistas, e o fato de muitas habilidades ainda estarem em desenvolvimento entre 15 e 17 anos, significa que números devem complementar, não substituir, o olhar do treinador e as preferências do jogador. A principal conclusão é que ferramentas baseadas em dados podem ajudar a orientar escolhas posicionalmente precoces — especialmente para funções claramente distintas, como atacante —, mas funcionam melhor quando combinadas com avaliações mais amplas de senso de jogo, tomada de decisão e compreensão tática.

Citação: Izhanov, Z., Seisenbekov, Y., Marchibayeva, U. et al. Position prediction from performance and anthropometric indicators in young footballers: a machine learning approach. Sci Rep 16, 6766 (2026). https://doi.org/10.1038/s41598-026-37957-2

Palavras-chave: futebol juvenil, posição de jogo, aprendizado de máquina, testes de desempenho, identificação de talentos