Comportamento oculare e processi anticipatori in atleti/pallavolisti di diverso livello.

Thomas Kanatschnig¹*, Živa Korda¹, Norbert Schrapf², Lisa Leitner¹,
Christoph Anzengruber¹, Otto Lappi³, Christof Körner¹,⁴, Markus Tilp²,⁴,
Silvia Erika Kober¹

¹ Dipartimento di Psicologia, Università di Graz, Graz, Austria
² Dipartimento di Scienze del Movimento Umano, Sport e Salute, Università di Graz, Graz, Austria
³ Dipartimento di Discipline Umanistiche Digitali, Università di Helsinki, Helsinki, Finlandia
⁴ BioTechMed-Graz, Graz, Austria.

Autore di riferimento: thomas.kanatschnig@uni-graz.at

Abstract

Le ricerche percettivo-cognitive che confrontano esperti e principianti mostrano costantemente che gli esperti adottano strategie visive specifiche per elaborare le scene visive nel proprio ambito di competenza. Ciò si riflette in indicatori dei movimenti oculari, come frequenza e durata delle fissazioni.

In questo studio è stato analizzato il comportamento visivo di giocatori professionisti di pallavolo (esperti; n = 14)durante un compito di anticipazione, confrontandolo con giocatori di livello intermedio (amatori; n = 25) e principianti (n = 19).

Il compito consisteva nell’osservazione di video registrati durante partite ufficiali di livello nazionale, ognuno dei quali mostrava una situazione di alzata unica.

I risultati hanno confermato quanto evidenziato in studi precedenti: tassi di fissazione più bassi e durate di fissazione più lunghe si associano a livelli più elevati di esperienza. Tuttavia, questa tendenza è risultata evidente solo nella fase finale dell’osservazione, cioè durante lo svolgimento dello scambio. Nella fase iniziale (la preparazione dei giocatori prima del servizio), gli esperti non differivano dagli amatori, mentre i principianti mostravano tassi di fissazione più elevati.

Questi risultati sottolineano l’importanza di studiare le dinamiche temporali e di adottare una definizione ampia e articolata dei processi percettivo-cognitivi legati all’esperienza.

Introduzione

Il comportamento visivo degli atleti rappresenta da tempo un tema affascinante nella scienza dello sport. Analizzare lo sguardo dei professionisti consente di identificare strategie di ricerca visiva che riflettono differenze di competenza e di esperienza nel dominio specifico.

Negli sport di squadra, la percezione delle scene di gioco è particolarmente complessa: gli atleti devono monitorare contemporaneamente più giocatori che si muovono in modo rapido, dinamico e solo in parte prevedibile.

Questo studio analizza il comportamento visivo durante un compito di anticipazione nella pallavolo, sport dinamico e ad alta velocità. Ai partecipanti, con diversi livelli di esperienza — da principianti a professionisti — sono stati presentati video di situazioni di gioco nei quali dovevano predire l’esito dell’azione.

Ricerche precedenti degli stessi autori hanno mostrato differenze significative tra esperti, amatori e principianti nella precisione predittiva, confermando un dato consolidato nella letteratura sull’expertise sportiva: la competenza influenza la qualità dell’anticipazione.

Gli studi di eye-tracking hanno inoltre dimostrato che gli esperti utilizzano strategie di esplorazione più efficienti, caratterizzate da meno fissazioni ma di durata maggiore, a sostegno del concetto di “efficienza percettiva legata all’esperienza”.
Si ipotizza che gli esperti riescano a estrarre più informazioni rilevanti da ogni singola fissazione e dalla visione periferica, migliorando così la loro capacità di previsione con minori spostamenti oculari.

Due concetti centrali in questo ambito sono:

• Gaze anchors: fissazioni ottimizzate tra fonti informative rilevanti, che consentono il monitoraggio simultaneo di più stimoli;
• Visual pivots: fissazioni posizionate strategicamente per preparare il successivo movimento oculare verso segnali significativi.

La visione periferica e la conoscenza specifica del compito risultano quindi fondamentali. L’esperienza e la ripetizione generano strategie di controllo dello sguardo che permettono all’atleta di sapere cosa cercare e dove guardare.

Studi precedenti sulla pallavolo hanno dimostrato che i giocatori esperti utilizzano indizi visivi più raffinati, riuscendo ad anticipare le azioni basandosi su movimenti corporei dell’alzatore (mani, tronco, gambe). Queste strategie rendono la raccolta delle informazioni visive più efficiente e aumentano la precisione nell’anticipazione.

L’obiettivo di questo studio è stato quello di indagare le dinamiche temporali del comportamento visivo guidate dall’esperienza durante l’anticipazione nella pallavolo. I partecipanti hanno osservato clip video di situazioni di alzata tratte da partite reali, e sono state confrontate frequenze e durate delle fissazioni in due fasi dell’osservazione: prima del servizio e durante lo scambio.

L’inclusione di una condizione di controllo ha permesso di distinguere gli aspetti percettivi generali da quelli specifici del dominio sportivo, mentre la presenza di un gruppo intermedio di amatori ha consentito di analizzare con maggiore precisione il gradiente di esperienza.

Sebbene la ricerca avesse un’impostazione esplorativa, gli autori si aspettavano di osservare — come riportato in letteratura — tassi di fissazione più bassi e durate di fissazione più lunghe nei soggetti con maggiore esperienza.

Metodo

Come osservato da Mann et al. (2019), diversi fattori del disegno sperimentale possono influenzare in modo significativo la relazione tra esperienza sportiva e comportamento visivo.
Nel nostro studio, abbiamo posto attenzione a quattro aspetti chiave:

1. Valutazione dell’expertise su un continuum, includendo tre gruppi con diversi livelli di esperienza (principianti, amatori, esperti).
2. Utilizzo di video realistici registrati durante partite ufficiali di livello nazionale, rappresentativi di vere situazioni di alzata.
3. Analisi di due intervalli temporali: la fase pre-servizio e la fase di scambio.
4. Presenza di una condizione di controllo per distinguere tra effetti generali e specifici del dominio.

Inoltre, la procedura ha seguito le linee guida internazionali per la ricerca con eye-tracking (Dunn et al., 2022), con sezioni dedicate ad apparato, procedura e pre-elaborazione dei dati.

Partecipanti

Hanno partecipato 64 soggetti; i dati di 58 sono stati inclusi nell’analisi (34 donne, 24 uomini), con età compresa tra 18 e 42 anni (media = 23,19; deviazione standard = 4,61). Tutti avevano vista normale o corretta.

La suddivisione in gruppi di expertise è stata definita secondo criteri operativi:

• Principianti (n = 19): individui con esperienza occasionale di pallavolo.
• Amatori (n = 25): atleti non professionisti che praticavano pallavolo in club o corsi universitari di livello intermedio/avanzato.
• Esperti (n = 14): giocatori professionisti (e un allenatore) attivi nella prima o seconda lega nazionale austriaca.

Ai partecipanti è stato chiesto di indicare anni di pratica e ore settimanali dedicate alla pallavolo, oltre ad altre abitudini sportive.

Le analisi statistiche comparative sono state condotte tramite test χ² e ANOVA per confrontare variabili socio-demografiche e sportive.

Tutti i partecipanti hanno firmato un consenso informato scritto. La raccolta dati è avvenuta tra settembre 2022 e febbraio 2023, tramite contatti con club di pallavolo, social media, e-mail e volantini.

Le procedure hanno rispettato la Dichiarazione di Helsinki e sono state approvate dal Comitato Etico dell’Università di Graz (protocollo GZ. 39/105/63 ex 2021/22).

Tabella 1. Statistiche comparative per le principali variabili dei partecipanti

| Continue |||||
| Età (in anni) | 23,63 ± 3,22 | 22,72 ± 4,60 | 23,43 ± 6,25 | F(2,55) = 0,23, p = .796, ηp² = .008 |
| “In media, quante ore a settimana giochi a pallavolo?” | 0,55 ± 0,83 | 3,66 ± 2,03 | 9,57 ± 3,01 | F(2,55) = 79,71, p < .001, ηp² = .743 *** |
| “Da quanti anni circa pratichi la pallavolo?” | 3,03 ± 3,75 | 5,52 ± 3,31 | 11,29 ± 3,75 | F(2,55) = 22,23, p < .001, ηp² = .447 *** |
| “In media, quante ore a settimana ti alleni o fai esercizio fisico?” | 4,32 ± 2,22 | 5,36 ± 2,46 | 9,18 ± 6,18 | F(2,55) = 7,72, p = .001, ηp² = .219 ** |

📘 Fonte: https://doi.org/10.1371/journal.pone.0334702.t001

Ecco la traduzione completa in italiano delle sezioni Stimuli e Apparatus and Procedure dell’articolo:

Stimoli

Il compito proposto ai partecipanti era un esercizio di percezione e anticipazione di scene di gioco, nel quale veniva chiesto di osservare video di situazioni di alzata nella pallavolo e di prevedere l’esito di tali situazioni.

I video utilizzati erano già stati impiegati in precedenti studi di Schrapf et al. [34] sulla capacità di anticipazione degli allenatori di pallavolo.
Il compito comprendeva 63 video unici, ciascuno rappresentante una situazione di gioco 6 contro 6 nella pallavolo femminile indoor, in cui la giocatrice al servizio di una squadra iniziava lo scambio servendo verso la squadra avversaria. Dopo la ricezione, l’alzatrice della squadra giocava il secondo tocco, preparando l’attacco.

Per l’esperimento, i video erano stati preparati in modo che si interrompessero 0,08 secondi (due fotogrammi) prima del tocco dell’alzatrice sulla palla, in modo da oscurare la destinazione del pallone e quindi impedire una risposta basata sull’esito effettivo dell’azione.

I video avevano una durata compresa tra 3 e 13 secondi, con una frequenza di 25 fotogrammi al secondo e una risoluzione di 720×576 pixel (formato 5:4).
Erano stati registrati durante partite ufficiali della Seconda Divisione Nazionale di Pallavolo Femminile Austriaca.

Ogni video era suddiviso in due fasi principali di interesse:

1. Fase di preparazione (“Preparation phase”) – durata variabile tra 0 e 10 secondi (media 5,24 s; deviazione standard 2,66).
   Iniziava con l’avvio del video e terminava nel momento in cui la giocatrice al servizio colpiva la palla.
   Le differenze di durata erano dovute al diverso tempo di preparazione che le giocatrici impiegavano prima di servire, una variabilità coerente con le condizioni reali di gioco.
2. Fase di scambio (“Rally phase”) – durata fissa di 3 secondi, che comprendeva l’intero svolgimento dello scambio, dal servizio fino alla fine del video.
   Tale intervallo temporale copriva accuratamente lo sviluppo dell’azione in ogni clip.

La distinzione tra fase di preparazione e fase di scambio si basava sull’idea che i pattern dello sguardo potessero differire a seconda del momento: prima del servizio le giocatrici restano ferme, mentre dopo il servizio entrano in movimento, modificando i punti di attenzione.

Condizioni sperimentali

Sono state previste due diverse condizioni di compito:

1. Condizione di previsione (Prediction)
   Ai partecipanti veniva chiesto di indicare la direzione in cui l’alzatrice avrebbe passato la palla (“Dove passerà la palla l’alzatrice?”).
   In questa condizione erano presentate quattro possibili destinazioni del passaggio.
2. Condizione di controllo (Control)
   Il compito era di identificare la posizione della giocatrice al servizio nel momento in cui batteva (“Dove si trova la giocatrice al servizio quando serve?”).
   In questo caso erano proposte tre opzioni di risposta.

Le schermate di risposta mostravano graficamente le diverse opzioni disponibili per ciascuna condizione (vedi Figura 1 nell’articolo originale).

Nella condizione di previsione, i partecipanti dovevano osservare attivamente l’intera sequenza di gioco per formulare una previsione accurata sull’esito (la direzione del passaggio).
Al contrario, nella condizione di controllo, l’informazione rilevante (posizione della servitrice) era visibile già all’inizio del video: non era quindi necessario seguire l’azione.

Di conseguenza:

• la condizione di previsione richiedeva processi cognitivi legati all’esperienza e all’anticipazione,
• la condizione di controllo coinvolgeva principalmente aspetti percettivi generali, come la semplice memorizzazione di una posizione.

Questa distinzione consentiva di separare gli effetti specifici dell’expertise (cioè strategie visive legate all’esperienza pallavolistica) da quelli puramente percettivi.

Strumentazione e procedura

Per la registrazione dei movimenti oculari, i partecipanti venivano fatti sedere con la testa appoggiata su un poggiamento mentoniero (chin rest) a una distanza fissa di 620 mm da uno schermo LCD da 24,4 pollici, con frequenza di aggiornamento 60 Hz e risoluzione 1920×1080 pixel (formato 16:9).

L’eye-tracking monoculare (occhio destro) è stato effettuato a 500 Hz con il sistema EyeLink 1000 (SR Research Ltd.), in modalità desktop, collocato sotto lo schermo di presentazione.
Le coordinate dello sguardo (x/y in pixel) venivano registrate tramite un computer dedicato, che eseguiva il software di controllo e acquisizione dati di SR Research (versione 4.56).

Le sessioni di test si svolgevano in una cabina di laboratorio insonorizzata e schermata elettricamente, con illuminazione attenuata ottenuta da luci LED bianche soffuse posizionate dietro al partecipante, orientate verso la parete posteriore.
Questo allestimento garantiva una luce diffusa e uniforme, ideale per evitare riflessi o distrazioni durante la registrazione oculare.

Previsione (Prediction):

“Dove passerà la palla l’alzatrice?”
(posizione 1, 2, 3 o 4)

Controllo (Control):

“Dove si trova la giocatrice al servizio quando serve?”
(sinistra [L], centro [M] o destra [R])

Figura 1. Visualizzazione del compito di anticipazione nella pallavolo.

Il compito comprendeva due condizioni: Previsione (Prediction) e Controllo (Control), il cui ordine è stato bilanciato tra i partecipanti.

Le due fasi principali di interesse per l’analisi del comportamento visivo erano la fase di preparazione (Preparation phase) e la fase di scambio (Rally phase).

• Il periodo compreso tra l’inizio del video e il servizio (0–10 secondi) corrispondeva alla fase di preparazione.
• Il periodo dal servizio fino alla fine del video (3 secondi) rappresentava la fase di scambio.

Una fase di blocco (Freeze phase) della durata di 0,5 secondi mostrava l’ultimo fotogramma del video prima della comparsa della schermata di risposta, nella quale i partecipanti dovevano fornire la loro risposta in base alla condizione di compito.

Le giocatrici di riferimento principali erano:

• l’alzatrice (evidenziata in rosso) nella condizione di Previsione;
• la giocatrice al servizio (evidenziata in blu) nella condizione di Controllo.

Parte del materiale visivo è riprodotto da Kanatschnig et al. [8] sotto licenza CC BY, copyright originale 2025.

Struttura del compito

Tutti i 63 video sono stati mostrati ai partecipanti una volta nella condizione di Previsione (Prediction) e una volta nella condizione di Controllo (Control), per un totale di 126 prove (trials).
Il contenuto visivo dei video era identico in entrambe le condizioni: ciò garantiva che le differenze osservate dipendessero esclusivamente dal tipo di compito, non dallo stimolo visivo.

Le prove erano organizzate in due blocchi separati:

• Nel primo blocco, le azioni principali (alzata o servizio) si svolgevano nella metà campo più vicina alla telecamera;
• Nel secondo blocco, le stesse azioni avvenivano nella metà campo opposta.

L’ordine delle condizioni (Prediction e Control) era bilanciato tra i partecipanti, ma mantenuto costante all’interno dei due blocchi per ciascun individuo (cioè, chi iniziava il primo blocco con “Prediction” lo iniziava così anche nel secondo).

Prima dell’inizio e a metà di ogni blocco, veniva eseguita una calibrazione e validazione a 9 punti (standard per il sistema di eye-tracking).
Una correzione della deriva (drift correction) veniva effettuata prima di ogni prova.

All’inizio di ogni blocco, i partecipanti completavano prove di esercitazione con video differenti, per familiarizzare con la procedura e le richieste del compito.

Pre-elaborazione dei dati (Preprocessing)

I dati relativi ai movimenti oculari sono stati estratti utilizzando il software EyeLink Data Viewer (v4.3.210, SR Research Ltd.) e successivamente elaborati con R (v4.4.3, [36]), RStudio (v2024.12.1 + 563, [37]) e il pacchetto tidyverse (v2.0.0, [38]).
Per la classificazione dei dati sono stati adottati i criteri descritti da Walcher et al. [39].

Gli ammiccamenti (blinks), rilevati dal sistema di eye-tracking — ossia sequenze consecutive di campioni in cui non veniva registrata alcuna posizione dello sguardo — sono stati estesi di 100 millisecondi prima e dopo il periodo di chiusura, per tenere conto della chiusura parziale delle palpebre.

Le saccadi sono state classificate come sequenze consecutive di campioni che presentavano:

• una velocità superiore a 30°/s, oppure
• un’accelerazione superiore a 8000°/s²,
  e che avevano una durata minima di 6 millisecondi.

Le microsaccadi, definite come saccadi con ampiezza pari o inferiore a 1° di angolo visivo, sono state escluse dall’analisi.

Tutte le sequenze di campioni che non erano né ammiccamenti né saccadi sono state classificate come fissazioni.
Pertanto, la durata di una fissazione è stata definita come l’intervallo di tempo tra l’inizio di una fissazione e il momento in cui si verificava una nuova saccade o un nuovo ammiccamento.
Questo implica che l’ultima fissazione di una fase poteva estendersi anche nella fase successiva.
Per mantenere l’allineamento temporale con il processo cognitivo che generava la fissazione, le fissazioni che si verificavano durante la transizione tra le fasi sono state assegnate alla fase di inizio.

Criteri di classificazione e controllo del movimento del bersaglio

I criteri utilizzati per la classificazione delle saccadi derivano da quelli implementati dal produttore del sistema di eye-tracking (SR Research Ltd.) per l’identificazione automatica delle saccadi, ampiamente validati per compiti condotti in laboratorio [39–41].

Tuttavia, poiché gli stimoli visivi comprendevano oggetti in movimento (ad esempio la palla), è stato necessario considerare anche la velocità di movimento del bersaglio nella classificazione.
Poiché l’analisi non includeva i movimenti di inseguimento lento (smooth pursuit), si è reso necessario definire come classificare i movimenti oculari associati al tracciamento di bersagli in movimento.

Per farlo, gli autori hanno analizzato i movimenti più rapidi della palla, che coincidevano con le azioni di servizioall’inizio di ciascun video.
Poiché in pallavolo il servizio è solitamente eseguito con forza, la palla si muove ad alta velocità da un lato all’altro del campo.

Utilizzando un sottoinsieme di otto video, selezionati visivamente per individuare i servizi più veloci, è stata calcolata la distanza euclidea e il tempo di percorrenza della palla sullo schermo — dal momento in cui lasciava la mano della giocatrice al servizio fino alla ricezione sul lato opposto.

• Velocità media della palla durante il servizio: 148 mm/s
• Velocità massima registrata: 199 mm/s
• Velocità media espressa in angolo visivo (a 620 mm di distanza dallo schermo): 14°/s
• Velocità massima: 18°/s

Questi valori risultano inferiori alla soglia di velocità per una saccade (30°/s).
Pertanto, i movimenti oculari associati al tracciamento della palla sullo schermo, come il seguirne la traiettoria, sono stati classificati come sequenze di fissazioni e piccole saccadi intermedie.

Pulizia dei dati (Data cleaning)

Prima dell’analisi statistica, i dati relativi a fissazioni e saccadi sono stati puliti secondo i seguenti criteri:

• I dati sono stati filtrati in base ai timestamp, includendo solo le fissazioni e le saccadi che si verificavano durante le fasi di Preparazione e Scambio del compito di anticipazione.
• Le fissazioni con punto di sguardo stimato al di fuori delle dimensioni dello schermo, o che temporalmente eccedevano la durata della prova, sono state escluse (0,23% dei dati).
• Le saccadi con ampiezza pari o superiore alla diagonale dello schermo di presentazione (53°) o con durata superiore a 200 ms sono state escluse (0,07% dei dati).
• Le prove in cui oltre il 50% dei dati oculari risultava mancante (per ammiccamenti o perdita del segnale) sono state escluse.

Questo criterio ha portato all’esclusione dei dati di sette partecipanti, con la rimozione di 23 prove in totale, pari allo 0,31% dell’intero dataset.

Analisi statistica (Statistical analysis)

Le principali variabili dipendenti (DV) considerate nello studio erano:

• il tasso di fissazione (fixation rate), espresso come numero di fissazioni al secondo;
• la durata media delle fissazioni (fixation duration), espressa in millisecondi.

Entrambe le variabili sono state analizzate tramite modelli lineari a effetti misti (LMM), utilizzando i pacchetti lme4(v1.1-36, [42]) e lmerTest (v3.1-3, [43]) per il software R.

Per l’analisi della durata delle fissazioni, i valori sono stati trasformati in logaritmo a causa della forte asimmetria della distribuzione dei dati.
Tuttavia, ai fini della leggibilità e della rappresentazione grafica nella sezione “Risultati”, le statistiche descrittive sono state riportate in millisecondi non trasformati.

Analogamente al tasso di fissazione, è stato analizzato anche il tasso di saccadi (saccade rate). Tuttavia, poiché tale variabile mostrava un’elevata correlazione con il tasso di fissazione, i risultati non hanno fornito informazioni aggiuntive di rilievo e sono quindi riportati come informazioni supplementari (Tabelle B e C nell’Allegato S6).

Struttura del modello

La stessa struttura del modello LMM è stata utilizzata per entrambe le variabili dipendenti, definita come segue:DV∼Group×Task×Phase+(1∣Code)+(Task×Phase∣Video)DV∼Group×Task×Phase+(1∣Code)+(Task×Phase∣Video)

(Equazione 1)

In questa formula:

• Group indica il gruppo di appartenenza in base all’esperienza (Principianti, Amatori, Esperti);
• Task rappresenta la condizione sperimentale (Previsione vs Controllo);
• Phase identifica la fase del video (Preparazione vs Scambio).

I termini (1 | Code) e (Task × Phase | Video) rappresentano i fattori casuali:

• (1 | Code) include le intercette casuali per ciascun partecipante, per tener conto delle differenze individuali di base;
• (Task × Phase | Video) include intercette e pendenze casuali relative a ciascun video, per considerare la variabilità legata alle caratteristiche specifiche degli stimoli visivi.

Motivazioni del modello

Questa struttura di effetti casuali è stata adottata per:

1. compensare le differenze di base tra i partecipanti, tramite l’inclusione dell’intercetta casuale per “Code”;
2. modellare l’influenza esercitata dalle proprietà visive dei video sulle variabili dipendenti, tramite l’inclusione dell’interazione “Task × Phase” per ogni video.

Ad esempio, si è osservato che i tassi di fissazione variavano sistematicamente in base alla vicinanza o lontananza dell’azione rispetto alla telecamera.
Le azioni più vicine tendevano a generare tassi di fissazione più elevati (a causa di angoli visivi più ampi e distanze minori tra giocatrici e oggetti), mentre le azioni più lontane producevano tassi inferiori.

Permettere al modello di variare l’effetto di “Task” e “Phase” (e della loro interazione) in base ai diversi video ha consentito di controllare questa variabilità casuale e di evitare distorsioni statistiche nei risultati.

Procedure statistiche

Gli effetti fissi globali sono stati testati tramite ANOVA di tipo III.
Per individuare differenze tra principianti, amatori ed esperti, sono stati calcolati confronti a coppie (pairwise) per ogni combinazione di Task e Phase di ciascuna variabile dipendente, utilizzando il pacchetto emmeans (v1.10.7, [44]).

Durante le analisi sono stati impiegati anche i pacchetti:

• rstatix (v0.7.2)
• car (v3.1-3)
• e1071 (v1.7-16)
  per specifici calcoli statistici,
  e i pacchetti ggpubr (v0.6.0) e sjPlot (v2.8.17) per la visualizzazione dei risultati.

I gradi di libertà dei modelli LMM sono stati calcolati secondo il metodo di Satterthwaite [50].
Le diagnosi del modello sono state eseguite per ciascuna variabile dipendente: sono state osservate lievi deviazioni dall’assunzione di normalità, ma non tali da compromettere la validità delle analisi.

Per controllare il tasso di falsi positivi (false discovery rate), i valori di p dei confronti a coppie sono stati corretti con il metodo di Benjamini–Hochberg [51], riducendo così la probabilità di errore di tipo I.

Le dimensioni dell’effetto per i confronti a coppie, calcolate tramite la funzione eff_size del pacchetto emmeans, sono state interpretate come stima del coefficiente d di Cohen.

Il livello di significatività per tutte le analisi è stato fissato a α = 0,05 (a due code).

Tutte le analisi principali e complementari, incluse le verifiche di validità dei modelli, sono disponibili nei file di dati e nel codice R forniti come materiale supplementare (“Supporting information”).

Risultati (Results)

Poiché si ipotizzava che le strategie di sguardo potessero variare in base alla condizione del compito e alla fase del video, è stata analizzata la distribuzione dello sguardo, ossia le mappe di densità delle fissazioni (heatmap), per individuare le principali aree di attenzione dei partecipanti durante l’esecuzione del compito.

La Figura 2 mostra un esempio di distribuzione dello sguardo durante l’esecuzione delle condizioni Previsione (Prediction) e Controllo (Control) per uno dei video del compito di anticipazione nella pallavolo, in relazione alle diverse fasi.

I modelli di densità riportati nella Figura 2 rappresentano l’accumulo di tutte le fissazioni (le saccadi non sono incluse) di tutti i partecipanti, poiché, da un’ispezione visiva, è emerso che le distribuzioni generali dello sguardo non differivano in modo sostanziale tra i gruppi di diversa esperienza.

Dal punto di vista descrittivo:

• durante la fase di preparazione, si osservava una chiara differenza tra le due condizioni di compito:
  nella Previsione si registrava una maggiore concentrazione di fissazioni sulle giocatrici vicine alla rete, mentre nella Controllo l’attenzione era rivolta principalmente alla giocatrice al servizio;
• durante la fase di scambio, in entrambe le condizioni l’attenzione si spostava verso le giocatrici situate sul lato opposto della rete, ma con una densità di fissazioni più elevata nella condizione di Previsione rispetto alla Controllo.

Questo esempio dimostra l’esistenza di differenze globali nell’attenzione visiva dei partecipanti, in funzione della condizione del compito e della fase del video.

I risultati completi dell’ANOVA sui principali effetti fissi derivanti dalle analisi LMM delle variabili dipendenti principali — tasso di fissazione e durata delle fissazioni — sono riportati nella Tabella 2.

Oltre ad altri effetti principali e interazioni significative, è emersa una interazione a tre vie significativa (Group × Task × Phase) nel caso della durata delle fissazioni (p = .010), mentre il valore di p per il tasso di fissazione si è avvicinato alla significatività (p = .063).

Sulla base di questi risultati, sono stati eseguiti confronti a coppie (pairwise) per identificare le differenze tra i gruppi di esperienza in ciascuna combinazione di Task e Phase.

Figura 2. Distribuzioni dello sguardo per fase (esempio).

Mappe di densità delle fissazioni (fixation density heatmaps) ottenute da tutti i partecipanti per ciascuna condizione di compito — Previsione (Prediction) e Controllo (Control) — durante l’esecuzione della fase di Preparazione (pannelli superiori) e della fase di Scambio (pannelli inferiori) di un video di esempio.

A scopo illustrativo:

• l’immagine di sfondo dei pannelli della fase di Preparazione mostra il primo fotogramma del video,
• mentre l’immagine dei pannelli della fase di Scambio mostra l’ultimo fotogramma dello stesso video.

I colori rappresentano la densità di probabilità stimata dei punti di fissazione all’interno delle rispettive aree:
i colori più caldi indicano le zone in cui i partecipanti hanno rivolto lo sguardo con maggiore frequenza.

Si noti che i modelli di densità derivano dall’aggregazione di tutte le fissazioni effettuate durante l’intera durata della rispettiva fase, e che sono comparabili tra condizioni all’interno della stessa fase.
Le differenze nei range di densità dipendono dal diverso numero totale di fissazioni eseguite in ciascuna fase.

Parte del materiale visivo è riprodotta da Kanatschnig et al. [8] sotto licenza CC BY, copyright originale 2025.

Risultati principali dei confronti tra gruppi

• Il gruppo dei Principianti (M = 1.65, SD = 0.34) ha effettuato un numero significativamente maggiore di fissazioni rispetto al gruppo degli Amatori (M = 1.45, SD = 0.34; t(62.40) = 2.65, p = .031, d = 0.24) nella condizione di Previsione durante la fase di Preparazione.
• Inoltre, i Principianti (M = 1.46, SD = 0.24) hanno mostrato più fissazioni rispetto agli Esperti (M = 1.21, SD = 0.18; t(62.42) = 2.95, p = .013, d = 0.31) nella condizione di Previsione durante la fase di Scambio.

La Figura 3 mostra graficamente le differenze tra gruppi nel tasso di fissazione.

Ecco la traduzione fedele in italiano, mantenendo la stessa struttura tabellare e terminologia statistica dell’originale:

Tabella 2. Risultati ANOVA per le analisi LMM delle principali metriche di fissazione.

Nota:
Risultati ANOVA di tipo III con calcolo dei gradi di libertà secondo il metodo di Satterthwaite.
Gli effetti fissi significativi sono indicati con asterischi (*: p < .05; **: p < .01; ***: p < .001).

🔗 https://doi.org/10.1371/journal.pone.0334702.t002

Durata delle fissazioni

I confronti a coppie hanno inoltre rivelato che il gruppo degli Esperti ha mostrato fissazioni significativamente più lunghe (M = 1042 ms, SD = 227) rispetto:

• al gruppo degli Amatori (M = 876 ms, SD = 180; t(62.43) = −2.25, p = .042, d = −0.27), e
• al gruppo dei Principianti (M = 827 ms, SD = 175; t(62.41) = −2.90, p = .015, d = −0.36),

nella condizione di Previsione durante la fase di Scambio.

Va ricordato che i calcoli statistici sono stati eseguiti sui valori log-trasformati delle durate di fissazione, mentre i valori non trasformati in millisecondi sono presentati nelle descrizioni e nelle figure per una migliore interpretazione.

La Figura 4 mostra la visualizzazione delle differenze di durata delle fissazioni tra i gruppi, mentre la Tabella 3 riporta le statistiche descrittive complete (i risultati dettagliati dei confronti a coppie sono disponibili nella Tabella A dell’Allegato S6).

Discussione (Discussion)

Abbiamo esaminato il comportamento visivo (gaze behavior) di tre gruppi con livelli distinti di esperienza nella pallavolo — principianti, amatori ed esperti — durante l’esecuzione di un compito di anticipazione specifico per la pallavolo.

Ai partecipanti sono stati mostrati video di situazioni di alzata tratti da partite professionistiche di pallavolo femminile 6 contro 6, mentre i loro movimenti oculari venivano registrati tramite eye-tracking.

Nella condizione principale di Previsione (Prediction), ai partecipanti era richiesto di predire l’esito di ciascuna situazione di alzata, mentre la condizione di Controllo (Control) fungeva da riferimento per analizzare gli effetti specifici del compito.

Ricerche precedenti [18,19] hanno dimostrato che frequenza e durata delle fissazioni rappresentano indicatori affidabili dell’efficienza visiva degli esperti nelle prestazioni sportive.
Per questo motivo, la nostra analisi si è concentrata su tali due misure: tasso di fissazione e durata delle fissazioni.

L’analisi è stata condotta distinguendo due fasi specifiche di interesse:

• la fase di preparazione (Preparation phase), corrispondente al periodo dall’inizio del video fino al servizio;
• la fase di scambio (Rally phase), che va dal servizio fino alla fine del video, includendo l’intero svolgimento dell’azione di gioco.

I risultati ottenuti forniscono ulteriori evidenze della relazione intrinseca tra livello di esperienza sportiva ed efficienza visiva, evidenziando al contempo il ruolo delle dinamiche temporali nei processi percettivo-cognitivi degli atleti esperti.

Un pattern interessante è emerso dai risultati relativi alla fase di preparazione.
È stato osservato che i principianti hanno effettuato un numero significativamente maggiore di fissazioni rispetto agli amatori nella condizione di Previsione.
Non sono state riscontrate differenze significative tra gruppi per quanto riguarda la durata delle fissazioni.

Tuttavia, in modo interessante, i valori medi degli esperti si collocavano tra quelli dei principianti e degli amatori per tutte le misure dipendenti nella condizione di Previsione durante la fase di Preparazione, risultando però più vicini ai valori degli amatori (vedi Figure 3 e 4).

Ciò suggerisce che, nella fase di preparazione, i tassi di fissazione degli esperti erano simili a quelli degli amatori, pur restando inferiori rispetto a quelli dei principianti, riflettendo una maggior efficienza e selettività percettiva.

Figura 3. Risultati dell’analisi del tasso di fissazione.

Risultati relativi al tasso di fissazione per ciascuna condizione di compito (Previsione e Controllo) e per ciascun gruppo di esperienza (Principiante, Amatore ed Esperto), durante la fase di Preparazione (pannelli superiori) e la fase di Scambio (pannelli inferiori).

I punti dispersi (jitter dots) accanto ai diagrammi a scatola (boxplot) rappresentano i singoli partecipanti appartenenti ai rispettivi gruppi.
I simboli a forma di diamante, con relative barre di errore, indicano la media e l’errore standard.

Le differenze significative tra gruppi, determinate tramite l’analisi LMM, sono indicate con asterischi (: p < .05).

🔗 https://doi.org/10.1371/journal.pone.0334702.g003

La somiglianza con il gruppo di livello inferiore (Amatori) suggerisce che il gruppo degli Esperti abbia adottato, durante la fase di Preparazione, una strategia visiva più esplorativa.
Tale comportamento potrebbe essere stato finalizzato a estrarre un maggior numero di informazioni rilevanti per il compito, utili a formarsi un’idea dell’esito della situazione di gioco già nelle fasi iniziali dell’osservazione del video.

Questa interpretazione è coerente con l’idea secondo cui gli esperti utilizzano indizi percettivi avanzati che permettono loro di anticipare più rapidamente le azioni dell’avversario [24–26].
Analogamente a quanto osservato negli esperti di squash — capaci di ricavare informazioni rilevanti per predire il colpo dell’avversario già nelle prime fasi del movimento [10] — anche gli esperti di pallavolo sembrano effettuare più fissazioni prima dell’inizio dello scambio, allo scopo di raccogliere elementi utili a prevedere la direzione dell’alzata successiva.

Passando alla fase di Scambio (Rally phase), emerge un modello differente dai dati, più coerente con i risultati complessivi di ricerche precedenti [18,19].
Tale modello può essere descritto come una tendenza lineare secondo cui un maggiore livello di esperienza corrisponde a un comportamento visivo più efficiente: ossia, tassi di fissazione inferiori e durate di fissazione più lunghe da parte degli esperti.

Durante l’elaborazione visiva dello sviluppo dell’azione, gli esperti hanno mostrato un tasso di fissazione significativamente inferiore rispetto ai principianti nella condizione di Previsione.
Considerando la relazione inversa tra tasso di fissazione e durata delle fissazioni, l’analisi di quest’ultima conferma ulteriormente tale andamento, evidenziando lo stesso trend lineare ma in direzione opposta.

In particolare, gli esperti hanno mostrato fissazioni significativamente più lunghe rispetto sia ai principianti sia agli amatori, sempre nella condizione di Previsione durante la fase di Scambio.

Figura 4. Risultati dell’analisi della durata delle fissazioni.

Risultati relativi alla durata delle fissazioni per ciascuna condizione di compito (Previsione e Controllo) e per ciascun gruppo di esperienza (Principiante, Amatore ed Esperto), durante la fase di Preparazione (pannelli superiori) e la fase di Scambio (pannelli inferiori).

I punti dispersi (jitter dots) accanto ai diagrammi a scatola (boxplot) rappresentano i singoli partecipanti appartenenti ai rispettivi gruppi.
I simboli a forma di diamante, con relative barre di errore, indicano la media e l’errore standard.

Le differenze significative tra gruppi, determinate tramite l’analisi LMM su valori log-trasformati, sono indicate con asterischi (: p < .05).

Ecco la traduzione fedele e formattata in italiano della Tabella 3, mantenendo lo stesso layout e terminologia scientifica:

Tabella 3. Statistiche descrittive per le principali metriche di fissazione.

Nota:
Le medie (M) e le deviazioni standard (SD) delle principali metriche di fissazione sono presentate per ciascun gruppo nelle rispettive colonne.

• Tasso di fissazione: numero di fissazioni al secondo
• Durata della fissazione: durata media della fissazione in millisecondi

🔗 https://doi.org/10.1371/journal.pone.0334702.t003

Nel complesso, i nostri risultati sono coerenti con le precedenti ricerche sul comportamento oculare nel contesto della pallavolo, come quelle di Piras et al. [29,30], che hanno riscontrato come i giocatori esperti mostrino tassi di fissazione inferiori e durate di fissazione più lunghe rispetto ai principianti, durante un compito di anticipazione dell’alzata.
Le forti analogie tra il nostro disegno sperimentale e quello di tali studi rendono i risultati altamente confrontabili, in particolare con quelli relativi alla fase di Scambio (Rally phase).
Infatti, Piras et al. [29,30] analizzarono il comportamento visivo durante l’osservazione di sequenze dinamiche di alzate, condizione che corrisponde più da vicino alla fase di Rally della nostra indagine.

Un nuovo elemento di rilievo emerso dal nostro studio è l’inclusione di un terzo gruppo di livello intermedio di esperienza, ovvero il gruppo degli Amatori, che ha ulteriormente confermato la relazione tra tasso/durata di fissazioneed esperienza.
Questo risultato suggerisce che il grado di esperienza pregressa costituisca un predittore affidabile dell’efficienza percettivo-cognitiva.

Inoltre, l’inclusione della condizione di Controllo ha fornito ulteriori informazioni riguardo agli effetti legati al tipo di compito.
Non abbiamo riscontrato differenze significative tra i gruppi per tasso e durata delle fissazioni nella condizione di Controllo.
L’assenza di differenze tra gruppi in questa condizione, a differenza di quanto osservato nella condizione di Previsione, indica la presenza di differenze generali nel comportamento visivo legate alle esigenze specifiche del compito.
Riteniamo che la maggiore presenza di richieste specifiche di dominio (cioè la necessità di deliberare per anticipare l’alzata) nella condizione di Previsione abbia portato a una differenziazione più marcata tra i tre livelli di esperienza, rispetto alla condizione di Controllo, basata invece su richieste di tipo più generale (percezione delle azioni dei giocatori).

A livello di prestazione comportamentale, ciò è coerente con quanto riportato da Kanatschnig et al. [8], dove è stato osservato che un livello più elevato di esperienza si associava a migliori risultati nel compito di Previsione, ma non in quello di Controllo.
Nel complesso, gli esperti hanno raggiunto un’accuratezza del 67,0% nella condizione di Previsione, mentre gli amatori e i principianti hanno ottenuto rispettivamente il 45,1% e il 35,8%.
Tutti e tre i gruppi differivano significativamente tra loro in termini di accuratezza nella Previsione, mentre non sono emerse differenze significative nella condizione di Controllo (esperti: 90,0%; amatori: 90,3%; principianti: 84,4%).

Secondo Mann et al. [19], la strategia di eseguire un numero minore di fissazioni indica una maggiore efficienza nell’estrazione delle informazioni per fissazione da parte degli esperti rispetto ai non esperti.
Tuttavia, i nostri risultati suggeriscono che questa relazione lineare tra maggiore esperienza e maggiore efficienza visiva non si mantenga necessariamente durante l’intero processo di estrazione delle informazioni.

Abbiamo infatti riscontrato un chiaro rapporto esperienza–efficienza durante l’osservazione della fase di Scambio, in linea con ricerche precedenti [29,30], ma un modello differente nella fase di Preparazione, antecedente l’avvio del rally.
Durante questa fase, gli esperti hanno mostrato un comportamento visivo più esplorativo, con tassi di fissazione relativamente più elevati, risultando più simili agli amatori.
La nostra interpretazione è che gli esperti siano stati in grado di acquisire più informazioni rilevanti per il compito prima dell’inizio dello scambio, guidati dalla loro maggiore conoscenza specifica del dominio [24].
Questo vantaggio cognitivo anticipato potrebbe aver consentito loro di coordinare in modo più efficiente lo sguardonella fase più dinamica del rally, avendo già codificato in precedenza le informazioni rilevanti.

Oltre a una più rapida utilizzazione degli indizi visivi [10,17,24–26] nelle fasi iniziali, anche l’uso della visione periferica potrebbe aver contribuito all’efficienza degli esperti nell’elaborazione delle informazioni [20,21].
Il vantaggio di avere già codificato informazioni essenziali e rilevanti per il compito, come il posizionamento dei giocatori chiave in campo, rendeva superfluo fissare nuovamente tali aree in assenza di movimento.
Non appena è iniziata la fase di Scambio, più giocatrici hanno iniziato a muoversi contemporaneamente, rendendo l’uso di “pivot visivi” [22,29,30] — cioè fissazioni centrali nell’area d’azione che permettono di monitorare più movimenti simultaneamente — una strategia efficace per mantenere la consapevolezza visiva riducendo il numero di fissazioni.

Riteniamo che gli esperti possano aver adottato proprio questa strategia di pivot visivi, contribuendo alla loro maggiore efficienza nella fase di Rally.
Inoltre, la loro esperienza potrebbe averli portati a concentrare intuitivamente l’attenzione visiva sull’area prossima alla rete, coerentemente con quanto dimostrato da ricerche precedenti, secondo cui le giocatrici di pallavolo tendono a giocare più vicino alla rete durante le alzate [27], restringendo così ulteriormente l’area di interesse.

Limitazioni

È importante sottolineare che i risultati osservati sono stati resi possibili non solo grazie alla distinzione tra le fasi di Preparazione e di Scambio (Rally), ma anche grazie all’inclusione del gruppo di amatori come livello intermedio nel nostro disegno sperimentale. Inoltre, l’inserimento di una condizione di controllo ha permesso di ottenere una visione più ampia delle dinamiche temporali dell’anticipazione legate al livello di esperienza nel contesto della pallavolo. Tuttavia, il presente studio presenta alcune limitazioni.

Poiché il lavoro è stato pianificato come un’indagine esplorativa, non è stata condotta un’analisi di potenza a priorispecifica per le metriche di fissazione. Ciononostante, abbiamo rilevato che le dimensioni campionarie di studi precedenti (in particolare per quanto riguarda il numero di soggetti professionisti/esperti) erano sostanzialmente comparabili alle nostre [14,25,29,30].

Sebbene vi sia uno squilibrio nelle dimensioni dei gruppi, riteniamo che ciò non abbia influenzato in modo significativo i risultati, poiché i modelli lineari misti (LMM) sono noti per essere piuttosto robusti rispetto agli sbilanciamenti campionari [52], e perché abbiamo raccolto più punti dati per ciascun partecipante, condizione che tende a migliorare la potenza statistica [53].

Per quanto riguarda il materiale stimolo, la presentazione di scene di alzate tratte da partite ufficiali di campionati nazionali femminili conferisce allo studio una buona validità ecologica, in quanto riproduce le dinamiche temporali delle situazioni di gioco reali. Tuttavia, a causa dell’ambiente di laboratorio, i video sono stati mostrati su uno schermo di computer e i partecipanti non potevano muovere liberamente la testa, condizioni che non rappresentano un contesto pienamente naturale. È possibile che il comportamento visivo e l’utilizzo (o l’efficacia) di diverse forme di visione periferica siano stati influenzati da tali condizioni di visione.

Le indagini condotte in ambienti più naturalistici presentano un chiaro vantaggio da questo punto di vista [3,31,32]. Inoltre, l’uso di un eye-tracker monoculare (scelto principalmente per semplificare la calibrazione in un protocollo combinato con EEG, vedi [8]) non consente di analizzare in dettaglio aspetti legati alla percezione della profondità e alla visione periferica.

La nostra analisi non ha distinto le posizioni di gioco principali dei giocatori esperti, sebbene sia stato dimostrato che questa variabile influenza le strategie di ricerca visiva [12].
Allo stesso modo, non sono state analizzate le metriche di fissazione in relazione a specifiche aree di interesse (AOI), come avvenuto in studi precedenti [29,30]. In molte sequenze, infatti, i giocatori risultavano parzialmente o totalmente occlusi da altri, rendendo impossibile attribuire con certezza le fissazioni a determinati soggetti o aree del campo.

Sebbene le analisi spaziali forniscano in linea di principio un quadro più dettagliato delle strategie visive, in questo caso abbiamo scelto di non includerle, per evitare interpretazioni potenzialmente fuorvianti.

Un’ulteriore considerazione riguarda il fatto che i video utilizzati erano registrati da una prospettiva esterna al campo, durante partite di pallavolo femminile, il che ha richiesto ai partecipanti di adattarsi a condizioni di osservazione meno naturali rispetto a una visuale interna/egocentrica [17].
È anche possibile che i partecipanti maschi abbiano mostrato differenze nel comportamento visivo rispetto alle partecipanti femmine, poiché i giocatori maschi potrebbero avere minore familiarità con le dinamiche tipiche della pallavolo femminile, pur restando le sequenze di gioco sostanzialmente simili a quelle maschili.

Infine, poiché ogni video è stato mostrato due volte (una nella condizione di Previsione e una in quella di Controllo), occorre considerare la possibile presenza di effetti di apprendimento dovuti alla familiarità con i contenuti. Tuttavia, riteniamo improbabile che ciò abbia influenzato in modo rilevante i risultati complessivi, poiché è stato utilizzato un numero elevato di video distinti, rendendo difficile per i partecipanti memorizzare i singoli stimoli; inoltre, l’ordine di presentazione è stato casuale e bilanciato tra i partecipanti.

In futuro, incoraggiamo i ricercatori a condurre esperimenti in condizioni sempre più realistiche, per rafforzare la corrispondenza tra risultati sperimentali e situazioni reali di gioco, nonché a utilizzare sistemi di eye-tracking binoculare per ottenere informazioni più dettagliate sullo sguardo.
Inoltre, un reclutamento più ampio di atleti esperti, che consenta di distinguere in base alla posizione di gioco, insieme all’inclusione di analisi dedicate alle AOI, permetterebbe di sviluppare una comprensione più fine delle dinamiche percettivo-cognitive legate all’esperienza.

Conclusione

In conclusione, è stato riscontrato che tassi di fissazione più bassi e durate di fissazione più lunghe sono associati a maggiori livelli di esperienza durante l’osservazione di sequenze video dinamiche di pallavolo.
La fase precedente, in cui veniva osservata la preparazione dei giocatori prima dell’inizio dello scambio, ha invece mostrato un pattern differente, evidenziando un comportamento visivo più esplorativo da parte degli esperti nelle fasi iniziali dell’elaborazione delle informazioni.

Abbiamo ampliato i risultati delle ricerche precedenti indagando le dinamiche temporali dell’anticipazione attraverso intervalli di tempo distinti durante l’osservazione delle scene, e includendo una condizione di controllo per comprendere meglio gli effetti specifici del compito sul comportamento visivo.

Proponiamo che le future ricerche pongano maggiore enfasi sull’aspetto temporale dell’elaborazione percettivo-cognitiva e indaghino come i risultati sperimentali possano essere trasferiti a contesti reali di gioco, così da rafforzare il legame tra laboratorio e campo.

Informazioni supplementari

• S1 Data. Dati del questionario (file CSV).
• S2 Data. Dati delle fissazioni oculari (file CSV).
• S3 Data. Dati delle saccadi (file CSV).
• S4 Data. Dati sui campioni mancanti del tracciamento oculare (file CSV).
• S5 Code. Codice R per le analisi statistiche (file R).
• S6 Table. Tabelle statistiche complementari (file PDF).

Ringraziamenti

Gli autori desiderano ringraziare il Field of Excellence COLIBRI (Complexity of Life in Basic Research and Innovation) e l’Università di Graz per il supporto fornito al progetto.

Contributi degli autori

• Concettualizzazione: Thomas Kanatschnig, Norbert Schrapf, Otto Lappi, Christof Körner, Markus Tilp, Silvia Erika Kober
• Curatela dei dati: Thomas Kanatschnig
• Analisi formale: Thomas Kanatschnig, Živa Korda
• Indagine sperimentale: Thomas Kanatschnig, Lisa Leitner
• Metodologia: Thomas Kanatschnig, Živa Korda
• Amministrazione del progetto: Thomas Kanatschnig, Silvia Erika Kober
• Risorse: Norbert Schrapf, Christof Körner
• Software: Christoph Anzengruber
• Supervisione: Markus Tilp, Silvia Erika Kober
• Validazione: Thomas Kanatschnig
• Visualizzazione: Thomas Kanatschnig
• Stesura bozza originale: Thomas Kanatschnig
• Revisione e editing: Thomas Kanatschnig, Živa Korda, Otto Lappi, Christof Körner, Markus Tilp, Silvia Erika Kober

References

1. Abernethy B. Visual Search in Sport and Ergonomics: Its Relationship to Selective Attention and Performer Expertise. Human Performance. 1988;1(4):205–35. https://doi.org/10.1207/s15327043hup0104_1
2. Grushko A, Leonov S, Veraksa A. Eye-tracking in sport psychology. In: Linton E, editor. Advances in Sports Research. Nova Science Publishers; 2014. p. 61–80. Available: https://novapublishers.com/shop/advances-in-sports-research/
3. Lappi O. Eye movements in the wild: Oculomotor control, gaze behavior & frames of reference. Neurosci Biobehav Rev. 2016;69:49–68. https://doi.org/10.1016/j.neubiorev.2016.06.006 PMID: 27461913
4. Panchuk D, Vine S, Vickers JN. Eye Tracking Methods in Sport Expertise. Routledge Handbook of Sport Expertise.Routledge; 2015. p. 176–87. https://doi.org/10.4324/9781315776675-16
5. Tan SJ, Kerr G, Sullivan JP, Peake JM. A Brief Review of the Application of Neuroergonomics in Skilled Cognition During Expert Sports Performance. Front Hum Neurosci. 2019;13:278. https://doi.org/10.3389/fnhum.2019.00278 PMID: 31474845
6. Williams AM, Janelle CM, Davids K. Constraints on the search for visual information in sport. Int J Sport Exerc Psychol. 2004;2(3):301–18. https://doi.org/10.1080/1612197x.2004.9671747
7. Williams AM, Jackson RC. Anticipation in sport: Fifty years on, what have we learned and what research still needs to be undertaken? Psychol Sport Exerc. 2019;42:16–24. https://doi.org/10.1016/j.psychsport.2018.11.014
8. Kanatschnig T, Schrapf N, Leitner L, Wood G, Körner C, Tilp M, et al. EEG theta and alpha oscillations during tactical decision-making: An examination of the neural efficiency hypothesis in volleyball. PLoS One.2025;20(2):e0318234. https://doi.org/10.1371/journal.pone.0318234 PMID: 39946491
9. Kanatschnig T, Kober SE, Leitner L, Tilp M, Schrapf N, Körner C, et al. Neural efficiency during tactical decision-making in volleyball. Open Science Framework. 2022. https://doi.org/10.17605/OSF.IO/CK5ZU
10. Abernethy B. Anticipation in squash: Differences in advance cue utilization between expert and novice players. J Sports Sci. 1990;8(1):17–34. https://doi.org/10.1080/02640419008732128
11. DeCouto BS, Smeeton NJ, Williams AM. Skilled Performers Show Right Parietal Lateralization during Anticipation of Volleyball Attacks. Brain Sci. 2023;13(8):1204. https://doi.org/10.3390/brainsci13081204 PMID: 37626560
12. Fortin-Guichard D, Laflamme V, Julien A-S, Trottier C, Grondin S. Decision-making and dynamics of eye movements in volleyball experts. Sci Rep. 2020;10(1):17288. https://doi.org/10.1038/s41598-020-74487-x PMID: 33057117
13. Lappi O, Rinkkala P, Pekkanen J. Systematic Observation of an Expert Driver’s Gaze Strategy—An On-Road Case Study. Front Psychol. 2017;8:620. https://doi.org/10.3389/fpsyg.2017.00620 PMID: 28496422
14. Piras A, Raffi M, Perazzolo M, Malagoli Lanzoni I, Squatrito S. Microsaccades and interest areas during free-viewing sport task. J Sports Sci. 2019;37(9):980–7. https://doi.org/10.1080/02640414.2017.1380893 PMID: 28922090
15. Williams AM, Ford PR, Hodges NJ, Ward P. Expertise in Sport: Specificity, Plasticity, and Adaptability in High-Performance Athletes. In: Ericsson KA, Hoffman RR, Kozbelt A, Williams AM, editors. The Cambridge Handbook of Expertise and Expert Performance. 2nd ed. Cambridge University Press; 2018. p. 653–74. https://doi.org/10.1017/9781316480748.034
16. Zhang L, Qiu F, Zhu H, Xiang M, Zhou L. Neural Efficiency and Acquired Motor Skills: An fMRI Study of Expert Athletes. Front Psychol. 2019;10:2752. https://doi.org/10.3389/fpsyg.2019.02752 PMID: 31866917
17. Zhu R, Zou D, Wang K, Cao C. Expert Performance in Action Anticipation: Visual Search Behavior in Volleyball Spiking Defense from Different Viewing Perspectives. Behav Sci (Basel). 2024;14(3):163. https://doi.org/10.3390/bs14030163 PMID: 38540466
18. Hüttermann S, Noël B, Memmert D. Eye tracking in high-performance sports: Evaluation of its application in expert athletes. Int J Comput Sci Sport. 2018;17(2):182–203. https://doi.org/10.2478/ijcss-2018-0011
19. Mann DTY, Williams AM, Ward P, Janelle CM. Perceptual-cognitive expertise in sport: a meta-analysis. J Sport Exerc Psychol. 2007;29(4):457–78. https://doi.org/10.1123/jsep.29.4.457 PMID: 17968048
20. Klostermann A, Vater C, Kredel R, Hossner E-J. Perception and Action in Sports: On the Functionality of Foveal and Peripheral Vision. Front Sports Act Living. 2020;1:66. https://doi.org/10.3389/fspor.2019.00066 PMID: 33344989
21. Vater C, Kredel R, Hossner E-J. Examining the functionality of peripheral vision: From fundamental understandings to applied sport science. Curr Issues Sport Sci. 2017. https://doi.org/10.36950/2017ciss010
22. Vater C, Williams AM, Hossner E-J. What do we see out of the corner of our eye? The role of visual pivots and gaze anchors in sport. Int Rev Sport Exerc Psychol. 2019;13(1):81–103. https://doi.org/10.1080/1750984x.2019.1582082
23. Faubert J. Professional athletes have extraordinary skills for rapidly learning complex and neutral dynamic visual scenes. Sci Rep. 2013;3:1154. https://doi.org/10.1038/srep01154 PMID: 23378899
24. Henderson JM. Human gaze control during real-world scene perception. Trends Cogn Sci. 2003;7(11):498–504. https://doi.org/10.1016/j.tics.2003.09.006 PMID: 14585447
25. Vansteenkiste P, Vaeyens R, Zeuwts L, Philippaerts R, Lenoir M. Cue usage in volleyball: a time course comparison of elite, intermediate and novice female players. Biol Sport. 2014;31(4):295–302. https://doi.org/10.5604/20831862.1127288 PMID: 25609887
26. Wright DL, Pleasants F, Gomez-Meza M. Use of Advanced Visual Cue Sources in Volleyball. J Sport Exerc Psychol. 1990;12(4):406–14. https://doi.org/10.1123/jsep.12.4.406 PMID: 28796963
27. Millán-Sánchez A, Parra-Royón MJ, Benítez JM, Ureña Espa A. Ability to Predict Side-Out Performance by the Setter’s Action Range with First Tempo Availability in Top European Male and Female Teams. Int J Environ Res Public Health. 2020;17(17):6326. https://doi.org/10.3390/ijerph17176326 PMID: 32878049
28. González-Silva J, Fernández-Echeverría C, Conejero M, Moreno MP. Characteristics of Serve, Reception and Set That Determine the Setting Efficacy in Men’s Volleyball. Front Psychol. 2020;11:222. https://doi.org/10.3389/fpsyg.2020.00222 PMID: 32132957
29. Piras A, Lobietti R, Squatrito S. A study of saccadic eye movement dynamics in volleyball: comparison between athletes and non-athletes. J Sports Med Phys Fitness. 2010;50(1):99–108. PMID: 20308980
30. Piras A, Lobietti R, Squatrito S. Response time, visual search strategy, and anticipatory skills in volleyball players.J Ophthalmol. 2014;2014:189268. https://doi.org/10.1155/2014/189268 PMID: 24876946
31. Afonso J, Garganta J, McRobert A, Williams AM, Mesquita I. The perceptual cognitive processes underpinning skilled performance in volleyball: evidence from eye-movements and verbal reports of thinking involving an in situ representative task. J Sports Sci Med. 2012;11(2):339–45. PMID: 24149208
32. Seungmin L. Does Your Eye Keep on the Ball?: The Strategy of Eye Movement for Volleyball Defensive Players During Spike Serve Reception. Int J Appl Sports Sci (IJASS). 2010;22(1):128–37. https://doi.org/10.24985/ijass.2010.22.1.128
33. Dunn MJ, Alexander RG, Amiebenomo OM, Arblaster G, Atan D, Erichsen JT, et al. Minimal reporting guideline for research involving eye tracking (2023 edition). Behav Res Methods. 2024;56(5):4351–7. https://doi.org/10.3758/s13428-023-02187-1 PMID: 37507649
34. Schrapf N, Hassan A, Wiesmeyr S, Tilp M. An Artificial Neural Network Predicts Setter’s Setting Behavior in Volleyball Similar or Better than Experts. IFAC-PapersOnLine. 2022;55(20):612–7. https://doi.org/10.1016/j.ifacol.2022.09.163
35. Peirce J, Gray JR, Simpson S, MacAskill M, Höchenberger R, Sogo H, et al. PsychoPy2: Experiments in behavior made easy. Behav Res Methods. 2019;51(1):195–203. https://doi.org/10.3758/s13428-018-01193-y PMID: 30734206
36. R Core Team. R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing; 2021. Available: https://www.r-project.org/
37. RStudio Team. RStudio: Integrated Development for R. Boston, MA, USA: RStudio, PBC; 2020. Available: http://www.rstudio.com/
38. Wickham H, Averick M, Bryan J, Chang W, McGowan L, François R, et al. Welcome to the Tidyverse. JOSS.2019;4(43):1686. https://doi.org/10.21105/joss.01686
39. Walcher S, Korda Ž, Körner C, Benedek M. The effects of type and workload of internal tasks on voluntary saccades in a target-distractor saccade task. PLoS One. 2023;18(8):e0290322. https://doi.org/10.1371/journal.pone.0290322 PMID: 37616320
40. Foulsham T, Kingstone A. Fixation-dependent memory for natural scenes: an experimental test of scanpath theory.J Exp Psychol Gen. 2013;142(1):41–56. https://doi.org/10.1037/a0028227 PMID: 22506754
41. Ladyka-Wojcik N, Liu Z-X, Ryan JD. Unrestricted eye movements strengthen effective connectivity from hippocampal to oculomotor regions during scene construction. Neuroimage. 2022;260:119497. https://doi.org/10.1016/j.neuroimage.2022.119497 PMID: 35870699
42. Bates D, Mächler M, Bolker B, Walker S. Fitting Linear Mixed-Effects Models Using lme4. J Stat Softw.2015;67(1). https://doi.org/10.18637/jss.v067.i01
43. Kuznetsova A, Brockhoff PB, Christensen RHB. lmerTest Package: Tests in Linear Mixed Effects Models. J Stat Softw. 2017;82(13). https://doi.org/10.18637/jss.v082.i13
44. Lenth RV. emmeans: Estimated Marginal Means, aka Least-Squares Means. 2023. Available: https://cran.r-project.org/package=emmeans
45. Kassambara A. rstatix: Pipe-Friendly Framework for Basic Statistical Tests. 2023. Available: https://cran.r-project.org/package=rstatix
46. Fox J, Weisberg S. An R Companion to Applied Regression. 2019. Available: https://www.john-fox.ca/Companion/
47. Meyer D, Dimitriadou E, Hornik K, Weingessel A, Leisch F. e1071: Misc Functions of the Department of Statistics, Probability Theory Group (Formerly: E1071), TU Wien. 2024. Available: https://cran.r-project.org/package=e1071
48. Kassambara A. ggpubr: “ggplot2” Based Publication Ready Plots. 2023. Available: https://cran.r-project.org/package=ggpubr
49. Lüdecke D. sjPlot: Data Visualization for Statistics in Social Science. 2024. Available: https://cran.r-project.org/package=sjPlot
50. Satterthwaite FE. An Approximate Distribution of Estimates of Variance Components. Biometrics Bulletin.1946;2(6):110. https://doi.org/10.2307/3002019
51. Benjamini Y, Hochberg Y. Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing. J R Stat Soc Series B. 1995;57(1):289–300. https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
52. Schielzeth H, Dingemanse NJ, Nakagawa S, Westneat DF, Allegue H, Teplitsky C, et al. Robustness of linear mixed‐effects models to violations of distributional assumptions. Methods Ecol Evol. 2020;11(9):1141–52. https://doi.org/10.1111/2041-210x.13434
53. Baker DH, Vilidaite G, Lygo FA, Smith AK, Flack TR, Gouws AD, et al. Power contours: Optimising sample size and precision in experimental psychology and human neuroscience. Psychol Methods. 2021;26(3):295–314. https://doi.org/10.1037/met0000337 PMID: 32673043

ms