The undervalued set piece: Analysis of soccer throw-ins during the English Premier League 2018–2019 season
Notice bibliographique
Résumé
Set pieces in soccer (i.e., free kicks and corners) have been examined in detail and are a common focus for coaches during training and performance preparation. However, limited evidence is available on the impact of throw-ins on soccer performance and if coaches should dedicate time in training towards this specific set piece. Therefore, this research aimed to firstly examine if throw-in performance is linked with soccer performance, and secondly the effect throw-in direction and length has on first contact success rate, possession retention, mean time in possession and shot creation. 16,154 throw-ins from 380 English Premier League matches during the 2018–2019 season were analysed. Higher final league position was correlated to increased throw-in first contact success and possession retention. 83% of throw-in’s resulted in a successful first contact, 54% resulted in possession being retained and 8.8% of throw-ins led to a shot at goal from the possession achieved after a successful first contact. Throw-in’s which went backwards or laterally in direction resulted in increased first contact success, retaining of possession, and shot creation. The least efficient throw-in was forwards and long, which resulted in both reduced first contact success and possession retention. Findings highlight, that throwing the ball laterally or backwards should be a focus for coaches and players during attacking training. In contrast, a team’s defensive strategy should reduce the opportunities to throw backwards or laterally with a higher press and look to force a long forward throw-in, therefore, increasing the likelihood of winning possession and counter attacking.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».