A temporada de futebol americano universitário de 2022 foi repleta de coisas. Foi o ano da florescente dinastia da Geórgia. Foi o ano das grandes semifinais dos playoffs.
Acima de tudo, porém, foi o ano da transferência. Graças à decisão de longa data da NCAA de permitir transferências pela primeira vez para mudar de escola sem ficar sentado por um ano, e graças à proliferação geral do portal de transferência como um meio para a formação de listas, os treinadores da FBS fizeram pleno uso de talentos transitórios .
Uma década atrás, era um grande problema se uma escola aceitasse cinco ou seis transferências em uma turma; em 2022, as equipes da FBS média mais de sete. Foi uma experiência vertiginosa.
No verão passado, dei uma olhada nas tendências que encontrei no uso do portal quando entramos em uma temporada de muitas transferências. Agora que 2022 acabou e já viramos a página para 2023, vamos fazer o mesmo exercício.
Mais uma vez, estou usando estatísticas para comparar o que os jogadores produziram em suas escolas anteriores em 2021 (ou, quando aplicável, nas temporadas anteriores) com o que produziram em seus destinos em 2022.
Como os requisitos de diferentes cargos são muito variados e como as estatísticas para medir o desempenho em determinados cargos também são, novamente mantive as coisas simples. Criei um sistema de pontuação rápido baseado principalmente em duas coisas: quanto uma transferência jogou e quão bem ele jogou?
Falando vagamente, a escala de pontuação foi configurada assim:
1. Quase nunca jogou (ou jogou em um nível inferior ao FBS)
2. Brincou um pouco
3. Jogou bastante e teve um desempenho mediano ou pior
4. Joguei bastante e fui bem
5. Estrela absoluta, uma das melhores do futebol universitário em sua posição
(Observação: para este exercício, observei apenas jogadores ofensivos e defensivos, não especialistas. Peço desculpas a todos os chutadores e apostadores por aí.)
Eu dei aos jogadores uma pontuação por seu desempenho tanto na escola antiga quanto na nova escola, depois observei as mudanças e médias resultantes. Isto é um extremamente processo subjetivo, mas o objetivo era avaliar os dados de tendência em nível macro para um conjunto de dados cada vez maior, e esse foi um processo sólido para conseguir isso.
source – www.espn.com
