Göz izleme (eye tracking) verisi spor analizinde giderek daha merkezi bir rol oynuyor. 1.200 profesyonel maçtan toplanan bakış verilerini incelediğimiz bu derin analiz, hangi görsel davranışların kazanma olasılığı ile tutarlı şekilde ilişkili olduğunu gösteriyor. Aşağıda metodolojiden bulgulara, koçlara ve analistlere yönelik somut çıkarımlara kadar tüm detayları bulacaksınız.
Giriş: Neden göz izleme?
Göz hareketleri, bir sporcunun dikkat dağılımını, bilgi önceliklerini ve anlık karar mekanizmalarını doğrudan yansıtır. Geleneksel istatistikler (pas oranı, top süresi vb.) ne yaptığını söyler; fakat neye baktığı ve
Veri seti ve metodoloji
Veri seti özet:
- 1.200 resmi maç (farklı lig ve turnuvalardan)
- Toplamda ~48.000 olay (ör. hücum başlangıcı, duran top, savunma dizilişi durumları)
- Her olay için 250–1.000 ms aralığında saniyede 120 Hz kayıtlı bakış noktaları
- Oyuncu konumu, top pozisyonu ve oyun durumu (atak/savunma) bağlam bilgisi
Analitik yaklaşım:
- Önişleme: Kalibrasyon sapmaları düzeltildi, göz kırpmaları ve ölçüm gürültüsü filtrelendi.
- AOI (Areas of Interest) tanımlama: rakip, top, boş alanlar, takım arkadaşları, saha kenarı vb.
- Özellik çıkarımı: fixasyon sayısı ve süresi, ilk bakış (time-to-first-fixation), dwell süreleri, saccade hızları, bakış değişim frekansı ve scanpath motifleri.
- İstatistiksel testler: t-testleri, Mann–Whitney U ve çok değişkenli regresyon ile önişlem sonrası korelasyon analizi.
- Makine öğrenmesi modelleri: Lojistik regresyon (temel), Random Forest, XGBoost ve LSTM tabanlı sıralı modeller (zaman serisi paternleri için).
Temel göz izleme metrikleri ve anlamları
Fixation (sabit bakış): Bilginin işlendiği an; genellikle hedef hakkında derin düşünme buradan başlar.
Dwell time (toplam kalış süresi): Bir AOI üzerinde toplam geçirilen süre. Uzun dwell, o öğenin öncelikli olduğu anlamına gelir.
Saccade (atlama): Gözün hızla başka bir noktaya hareketi; hızlı taramalar veya şaşkınlık durumlarını gösterir.
Scanpath: Bakışların zamana göre dizilişi; verimli bir scanpath dikkat dağılımını ve bilgi toplama stratejisini gösterir.
İstatistiksel bulgular — hangi paternler öne çıktı?
Veri analizinde öne çıkan, anlamlı (p < 0.01) ilişkiler şu şekilde sıralandı:
- Erken merkez fikse: Maç başı veya hücum başlangıcında top ve rakip merkez yerine saha merkezine (ör. pas yolları) erken bakış gösteren oyuncuların takım kazanma olasılığı ortalama %6–8 daha yüksekti.
- Hedefe odaklı uzun dwelllar: Son 500 ms içinde top veya hedef oyuncu üzerinde geçirilen uzun dwell süresi (ör. 200+ ms) hücum sırasında daha güçlü ve başarılı kararlarla ilişkilendi.
- Düzenli tarama paternleri: Belirli bir sırayla (ör. top → boş alan → hedef) küçük saccade’larla kısa ama düzenli tarama yapan oyuncuların hatalı karar oranı düşüktü.
- Aşırı hızlı rastgele tarama: Çok yüksek saccade frekansı ve düşük dwell kombinasyonu, panik ya da yetersiz bilgi toplama ile ilişkilendi; bu paternlerde kayıp olasılığı arttı.
Kısa vaka örneği
Orta saha oyuncusu A ve B aynı pozisyonda benzer fiziksel istatistiklere sahip. A, hücum başlangıcında topa kısa bakıp hızlıca pas yolu ve alana odaklanırken; B daha uzun süre topa bakıp pas yolunu göz ardı etti. Maç verilerine göre A'nın takımı, benzer pozisyonlarda %12 daha yüksek başarı sağladı. Bu, erken görsel bilgi genişletmenin somut bir örneği.
Makine öğrenmesi sonuçları — tahmin gücü
Model karşılaştırması (göz verisi yalnızca vs. göz verisi + bağlamsal veri):
- Lojistik regresyon (göz özellikleri): AUC ~0.71
- Random Forest (göz + bağlam): AUC ~0.82, doğruluk %76
- XGBoost (optimize edilmiş): AUC ~0.85, doğruluk %79
- LSTM (zaman serisi bakış paternleri): AUC ~0.83, sıralı paternleri yakalamada avantajlı
Özet: Göz izleme özellikleri tek başına anlamlı bir öngörü sağlar; ancak bağlamsal (pozisyon, top hızı, oyun durumu) veriler ile birleştirildiğinde model performansı belirgin şekilde yükseliyor.
Göz verisini bağlam bilgisiyle birleştirmek, sadece bakışın kendisini değil, bakışın nedenini ve ne zaman kullanıldığını anlamamızı sağlar.
Pratik çıkarımlar — koçlar ve analistler için
- Analiz panellerine gaze heatmap ekleyin: Sadece pas haritaları değil, hangi oyuncunun nereye baktığını gösteren ısı haritaları oyuncu eğitimi için hızlı geri bildirim sağlar.
- Eğitimde hedef odaklı drill’ler: Oyunculara kısa, hedefe yönelik görsel rutinler öğretilmeli; ör. hücum başında 200 ms içinde pas hattını tarama alışkanlığı.
- Psikolojik destek: Aşırı rastgele tarama, stres veya yorgunluk belirtisi olabilir; bu oyuncular için karar verme hızını geri kazandıracak mental ve fizyolojik müdahaleler planlanmalı.
- Donanım seçimi: Saha içi remote eye tracker mı yoksa giyilebilir mi kullanılacağına karar verirken kalibrasyon hassasiyeti ve oyuncu konforu dengelenmeli.
Sınırlamalar ve dikkat edilmesi gerekenler
Her çalışmanın olduğu gibi bu analizin de sınırları var:
- Kalibrasyon hataları ve ışık koşullarından kaynaklı veri sapmaları.
- Farklı lig ve seviyeler arasındaki playstyle farklılıkları; bir patern her ligde aynı etkiyi vermeyebilir.
- Göz verisi ile performans arasındaki ilişki neden-sonuç olmayabilir; ör. yetenekli oyuncuların daha iyi bakış paternleri gösterebileceği (confounder) durumu.
Bu nedenle göz verisi, karar destek sistemi olarak kullanılmalı; tek başına seçim kriteri olmamalıdır.
İleri yönler — araştırma ve uygulama fırsatları
Gelecekte yapılabilecekler:
- Gerçek zamanlı uyarı sistemleri: Kritik pozisyonlarda koçlara anlık görsel geri bildirim.
- Multimodal modeller: Göz izleme + biyometrik (nabız, EDA) verileriyle stres ve dikkat ilişkisinin modellenmesi.
- Uzun vadeli takip: Sezon boyunca değişen bakış paternleri ile form dalgalanmalarının korelasyonunun incelenmesi.
Sonuç
1.200 maçlık bu analiz, belirgin bir şekilde bazı bakış paternlerinin daha yüksek kazanma olasılığıyla ilişkili olduğunu gösterdi. Özellikle erken merkez fikse, hedefe odaklı dwell süreleri ve düzenli tarama paternleri pozitif etki gösteriyor. Göz izleme verisi, bağlamsal bilgilerle birleştirildiğinde koçluk stratejilerini, eğitim programlarını ve gerçek zamanlı karar destek araçlarını geliştirmenin güçlü bir yolu haline geliyor.
Uygulama önerisi: Önce küçük bir pilot çalışma ile takım içinde gaze veri toplama protokolü kurun, ardından tespit edilen paternleri eğitim seanslarına entegre ederek performanstaki değişimi ölçün. Göz izleme, doğru yorumlandığında saha içi karar kalitesini artıran pratik ve ölçülebilir bir araçtır.
