Análisis observacional de una modalidad extrema de skateboard: el downhill skateboarding

Saül Aixa-Requena

Oleguer Camerino

Xavier Iglesias

Resumen

El downhill skateboarding de competición es una modalidad extrema de monopatín (skateboard) que consiste en bajar a máxima velocidad con monopatín (skate) por una carretera cortada al tráfico con pendiente pronunciada y numerosas curvas. Los comportamientos de los competidores (riders) en una carrera de downhill skateboarding, donde pueden alcanzar velocidades superiores a 100 km/h, no se han estudiado nunca. El objetivo del trabajo fue construir un instrumento de observación que nos permitiera registrar sus comportamientos en competición y hacer un análisis estadístico de la variancia ANOVA y chi cuadrado para detectar la variabilidad de este comportamiento según el posicionamiento de los riders durante la carrera, junto con el análisis de patrones temporales (T-Patterns). Se implementaron los softwares libres LINCE PLUS y Theme 6 EDU para grabar a 23 participantes en las finales, semifinales y finales de consolación del circuito de Kozakov (República Checa) de los años 2015-2022 en la categoría Open. Aunque no se detectaron diferencias significativas en las acciones según el posicionamiento en la carrera de los competidores (p >.05) ni tampoco en los T-Patterns, sí que se evidencia una relación significativa con el tipo de trazado de la curva (p <.05). Es decir, los competidores hicieron el mismo trazado en la curva independientemente del posicionamiento en la carrera; eso sí, cada curva de una manera concreta según las características de esta. El instrumento de observación (OSKATE) puede ser útil para preparar las competiciones de este deporte de alta velocidad, y de otros como el esquí y el motor, para adaptarse a las condiciones de los diferentes circuitos de competición.

Introducción

El downhill skateboarding, modalidad extrema de skateboard, representa un desafío deportivo emocionante y arriesgado que pone a prueba diferentes capacidades como son la fuerza, el equilibrio y la coordinación como en el snowboard–cross (Platzer et al., 2009; Vernillo et al., 2018), junto con la capacidad de gestionar el estrés, mantener la concentración y tomar decisiones rápidas en condiciones cambiantes, como en otros deportes de riesgo (Reid y Lightfoot, 2019). 

El skateboard tuvo sus orígenes en torno a la década de 1950 en California, cuando unos surfistas creativos utilizaron trozos de tablas de surf rotas, a las cuales añadieron ejes y ruedas de patines que les permitían surfear las calles cuando las olas eran escasas (Amtmann et al., 2013). Con el paso de los años, se hicieron cambios significativos en el material, incluyendo cambios en la forma de las tablas, la geometría de los ejes y los tamaños de las ruedas, que dieron lugar a diferentes modalidades según la configuración de las partes del monopatín (Prentiss et al., 2011), hasta llegar a lo que hoy en día es el downhill skateboarding. 

El downhill skateboarding es una modalidad extrema de skate que consiste en bajar una carretera en el mínimo tiempo posible con tablas de madera, fibra de vidrio y carbono de unos 76 cm de largo y 23 cm de ancho, ruedas de 78 mm y ejes de 100 a 120 mm. Las competiciones, según la entidad organizadora, pueden tener límites de equipamiento: tablas de hasta 122 cm de largo, ejes de menos de 305 mm, ruedas de 65 a 110 mm y un peso máximo de 6 kg. Las competiciones tienen rondas clasificatorias cronometradas y, después, carreras de oposición de 4 en 4 hasta las finales. Conocido también como downhill longboarding, el término downhill skateboarding (DHSk8) se ha popularizado recientemente. Después de la disolución de la International Downhill Federation (IDF) en el 2023 (fundada en el 2012), actualmente la World Downhill Skateboarding Championship (WDSC) y la World Skate Games (WSG) son las competiciones internacionales.

A pesar de que sí que hay algunos trabajos sobre el skateboard, constatamos que hay pocos estudios científicos sobre el downhill skateboarding. Podemos encontrar estudios descriptivos sobre las lesiones más comunes (Russell et al., 2019); propuestas de entrenamiento y de la preparación física para mejorar la postura del competidor (tuck) (Pereira da Silva et al., 2017); investigaciones sobre bioenergética, impulsándose a diferentes velocidades (Amtmann et al., 2013; Board y Browning, 2014); y trabajos sobre aerodinámica con diferentes cascos (Hart et al., 2010). 

Los requisitos de esta especialidad deportiva están centrados en los mecanismos de decisión perceptivo-motores (equilibrio, propiocepción…) (Castañer y Camerino, 2022) y también contextuales (características del entorno en el que se practica: asfalto, temperatura, curva, adversarios…). El downhill skateboarding requiere habilidades como el air braking, virar, derrapar o trazar. Además, la habilidad de realizar una parada completa y rápida es crucial (Kamberg, 2017). El control de estas habilidades técnicas es muy relevante, tanto para ganar como para simplemente sobrevivir y poder continuar practicando este deporte de riesgo. 

En este deporte, al igual que en otros de alta velocidad como el esquí alpino o los deportes de motor, las condiciones visomotores desempeñan un papel importante, ya que son una herramienta de anticipación de la trayectoria a seguir (Tuhkanen et al., 2021), y por tanto provocan un control de la dirección del cuerpo. Pero en competición, ante un imprevisto por culpa de los adversarios, esta mirada y anticipación de trayectoria pasa a no poder desarrollarse con facilidad. Por lo tanto, parece lógico que, durante una carrera, los riders tengan comportamientos diferentes según su visibilidad, la posición de los rivales y su propia posición durante la carrera. 

Los expertos en deportes de alta velocidad utilizan estrategias cognitivas específicas y procesos cerebrales predictivos para mejorar su rendimiento (Lappi, 2022). Lappi (2022) explora la jerarquía cognitiva en deportes de alta velocidad, como el automovilismo. Destaca tres niveles: navegación (selección de rutas), guía (definición de la ruta deseada) y control (coordinación sensoriomotriz). La idea central es que estos niveles procesen información de manera diferente, con una novedad en la interpretación de los conceptos centrales, como puntos de referencia y waypoints, integrados mediante chunking. Se pueden entender los chunks como patrones significativos almacenados en la memoria de trabajo y transferidos a la memoria a largo plazo. Con la experiencia, estos chunks permiten la identificación rápida de situaciones complejas con muchos elementos, lo cual aumenta la capacidad de codificar información a pesar de las limitaciones de la memoria de trabajo y la atención. Este modelo también se puede aplicar en el downhill skateboarding, donde la preparación previa visomotora y la toma de decisiones pueden desempeñar un papel clave en el rendimiento de los practicantes. Aunque los chunks puedan ayudar a actuar ante situaciones complejas, el campo de visión y la proximidad a los rivales pueden afectar a esta toma de decisiones.

Además, practicar este deporte implica un estrés psicológico, un efecto que varía durante la carrera, como en otros deportes de riesgo y de oposición (Reid y Lightfoot, 2019). Este estrés mental es omnipresente entre los atletas, junto con una percepción del riesgo y toma del riesgo que influye directamente sobre la toma de decisiones (Powell, 2007). Este estrés, que afecta a la fisiología y el funcionamiento del cuerpo, puede convertir los movimientos en menos fluidos e ineficientes (Reid y Lightfoot, 2019), lo cual puede provocar errores técnicos y de decisión. Sin embargo, la respuesta a ciertas situaciones desfavorables es muy individual y la experiencia puede ser uno de los motivos para la disminución del rendimiento (Barthel et al., 2020). 

En resumen, el downhill skateboarding es un deporte en el que los patrones motrices de los competidores, las condiciones visomotores, los mecanismos de anticipación, la toma de decisiones y el control emocional pueden desempeñar un papel crucial, ya que, como en los deportes de motor (Lappi, 2022), un pequeño error te puede hacer ganar o perder la carrera. 

Dado que la competición analizada es de alto nivel y se presupone que todos los deportistas tienen una técnica altamente desarrollada, este trabajo se centró en analizar si el posicionamiento de los competidores durante una carrera de downhill skateboarding afecta a sus acciones, así como en investigar la existencia de un patrón motriz recurrente en esta modalidad competitiva.

Así pues, el objetivo principal era crear un instrumento, utilizando la metodología observacional, que permitiera detectar los comportamientos de los riders según el posicionamiento en la carrera y durante toda la bajada, para registrar y analizar la relación de las diferentes conductas de zona de frenada, tipo de frenada, trazado, estabilidad, tuck e interacciones con rivales. A posteriori, utilizando este instrumento, se registraron las conductas de los riders participantes en el estudio para hacer un análisis estadístico descriptivo y uno inferencial con análisis de la variancia ANOVA y chi cuadrado, para acabar de complementarlo con un análisis de T-Patterns. Eso puede proporcionar una comprensión más profunda de las dinámicas de la competición en este deporte, que ofrezca a los riders una orientación para mejorar su estrategia de competición y preparación.

Metodología

Diseño observacional

Para el estudio se utilizó un diseño observacional P/I/M (puntual, idiográfico y multidimensional) e intrasesional porque no hubo seguimiento temporal de los participantes a lo largo de las temporadas (Anguera et al., 2011). Puntual porque analizaba solo las semifinales y finales de la categoría Open de la competición en el circuito de Kozakov (República Checa); idiográfico porque se analizaban todos los participantes como una unidad, y multidimensional porque se analizaban diferentes dimensiones en relación con la posición de la carrera, la orientación del cuerpo y otros aspectos biomecánicos y de comportamiento. 

Participantes

Se analizaron un total de 23 riders de entre 18 y 32 años, de los cuales 22 eran del sexo masculino y 1 del sexo femenino. Fueron analizados a través de 20 grabaciones en vídeos de unos 3 minutos de diferentes competiciones (finales, semifinales y finales de consolación) en el circuito de Kozakov de los años 2015-2022. La categoría fue la de Open, la más alta y abierta a todo el mundo. Las grabaciones escogidas eran públicas (Youtube o Facebook de la IDF). Por lo tanto, siguiendo las guías de principios éticos descritas por la Asociación Americana de Psicología, al estar publicadas en internet y grabadas en un entorno natural, no se tuvo que pedir consentimiento informado a los participantes (American Psychological Association, 2017). El registro se hizo durante los meses de febrero y marzo del 2024.

Los criterios de inclusión de los vídeos analizados fueron los siguientes: poder hacer el seguimiento de, como mínimo, un participante durante toda la bajada, desde el comienzo de la carrera hasta que pasaban la línea de meta; una calidad de imagen lo bastante buena; y que en la grabación participaran, como mínimo dos competidores. El criterio de exclusión de la elección de las grabaciones y los competidores fue la inobservabilidad de las acciones del rider analizado durante toda la bajada. Si el competidor aparecía en más de un vídeo y cumplía los criterios de inclusión, se seleccionó el más reciente.

Materiales e instrumentos

El instrumento de registro fue LINCE PLUS (Soto et al., 2019, 2022) en su versión 1.3.2. para Mac Os Catalina 10.15.7.

En la Tabla 1 presentamos el instrumento de observación con ejemplificaciones de algunos de los criterios y categorías. Para el análisis de T-Patterns, se eliminaron los criterios de stance, tiempo en tuck y orientación del cuerpo en la curva porque no proporcionaban información secuencial significativa o consistente, ya que son aspectos estáticos o que varían de manera independiente de las secuencias conductuales clave analizadas en este estudio.

Tabla 1

Instrumento de observación para el análisis observacional del downhill skateboarding (OSKATE).

Ver Tabla

El estudio de patrones temporales (T-Patterns) en el deporte se concibe como un método de análisis de datos observacionales que, mediante un algoritmo matemático, hace visibles conductas ordenadas de manera secuencial y temporal (Bakeman y Quera, 2011; Camerino et al., 2014). También podemos definir los T-Patterns como los acontecimientos que tienen lugar concurrente o secuencialmente con más frecuencia de la que se esperaría aleatoriamente si todos los acontecimientos estuvieran distribuidos de manera independiente (Anguera et al., 2023). Es decir, es una manera de descubrir, sistematizar y analizar estructuras regulares de conducta (Magnusson, 2020). El estudio de T-Patterns ha sido de gran utilidad en diferentes contextos deportivos y educativos (Castañer et al., 2020; Prieto et al., 2016).

Procedimiento

El diseño del instrumento observacional y su proceso de validación se efectuaron en tres etapas sucesivas: primero se hizo una revisión de la literatura y elección de los principales criterios y categorías a incorporar en el instrumento, para después elaborar una propuesta de instrumento de observación con expertos en metodología observacional y en la especialidad deportiva estudiada. Para acabar, pasamos a una comprobación de la validez de contenido del instrumento observacional creado a través de un panel de expertos, para asegurar que medimos lo que pretendemos en nuestro objetivo.

Esta tercera fase de validación se llevó a cabo mediante el criterio de autoridad (Anguera y Blanco, 2003) expresado por el juicio de un panel de 13 personas expertas. Estas personas contaban con una experiencia superior a los 4 años en competiciones internacionales, algunos con podios mundiales y, entre otras, titulaciones como Técnico de Nivel 1 de Skateboarding o graduados en Ciencias de la Actividad Física y del Deporte. Los expertos evaluaron, mediante una encuesta elaborada con Google Forms, cada uno de los 10 criterios del instrumento de observación, asignando una respuesta de validación (SÍ o NO) a cada una de las 46 categorías del instrumento. El principal objetivo de esta fase era validar el instrumento utilizando una metodología basada en el porcentaje de coincidencias positivas, considerando las respuestas SÍ-SÍ como indicador de consenso positivo sobre la validez de los criterios. 

Para analizar los datos, se calculó el porcentaje de coincidencias positivas (n = 3289), correspondientes a las respuestas coincidentes afirmativas entre los expertos, sobre el total de posibles coincidencias (n = 3588). Este porcentaje se obtuvo contrastando las respuestas de cada experto (n = 46) con las de los otros expertos (n = 12) de manera individual. Así, se obtuvo una proporción de coincidencias positivas del 91.7 %, lo cual refleja un alto nivel de acuerdo entre los expertos en la validación de los criterios propuestos.

Para asegurar la precisión de los resultados, se calculó un intervalo de confianza del 95 % utilizando el modelo binomial aplicado con la función binom.test() de RStudio (© 2009-2021 RStudio, PBC v.1.4.1717). Los resultados proporcionaron un intervalo de confianza que oscilaba entre el 90.7 % y el 92.6 %, el cual reafirmaba la robustez del porcentaje de coincidencias observado y, por lo tanto, la validez del instrumento de observación. Después de la validación del instrumento y de un periodo de entrenamiento en su uso, un experto del deporte y uno de los autores del estudio hicieron un total de 63 registros en el análisis de dos bajadas diferentes. Se calculó la fiabilidad inter-observador comparando los registros del experto con los del autor a través de LINCE PLUS y se obtuvo un índice estadístico de kappa de .983. En cuanto a la fiabilidad intra-observador, el autor repitió el registro en dos ocasiones, con un intervalo de 10 días, y obtuvo un índice de kappa de .988. Una vez finalizado el proceso de fiabilidad, se registraron los datos de todos los participantes a través de LINCE PLUS. Posteriormente, se exportaron los resultados en .csv y .txt para analizarlos posteriormente.

Análisis de datos 

Los datos descriptivos, referentes al recuento de las variables cualitativas del estudio (los criterios y las categorías del instrumento de observación (OSKATE)), se presentan con frecuencias y porcentajes (Tabla 2). Para las variables cuantitativas del estudio (tiempo en tuck, duración del tuck, frenadas y registros), se comprueba la normalidad de la distribución de datos y se presenta la tendencia y variación y los valores mínimos y máximos (Tabla 3): para aquellas con distribución simétrica, se presentan la media y la desviación estándar; para aquellas con distribución asimétrica, se presentan la mediana y su amplitud intercuartil.

Tabla 2

Datos descriptivos de frecuencias de categorías.

Ver Tabla

Para analizar la relación entre las variables cuantitativas y el posicionamiento final se comprobó el supuesto de normalidad con la prueba de Saphiro-Wilk y su homocedasticidad con el test de Levene (Tabla 3). Para comprobar la dependencia de las variables, se realizó un análisis de la variancia ANOVA, obtenida a través de la prueba no paramétrica de Kruskal-Wallis, y se compararon los resultados según la posición final del competidor y añadiendo la magnitud del efecto a través de eta al cuadrado (η²), donde η² < .1 es el efecto insignificante; .1 < η² < .25 es el efecto pequeño; .25 < η² < .37 es el efecto medio; y η² > .37 es el efecto importante (Tabla 3). 

Tabla 3

Datos descriptivos e inferenciales de variables cuantitativas globales y según posición final.

Ver Tabla

Para hacer un análisis estadístico comparativo del comportamiento, según el posicionamiento en la carrera, se analizó la relación entre las siguientes variables cualitativas: el posicionamiento en carrera, la salida, el tiempo en tuck, las zonas y el tipo de frenadas, la orientación y los trazados de la curva, la postura y la estabilidad durante la curva, el número de curva y la interacción con los rivales. La valoración de la dependencia entre las diferentes variables cualitativas se realizó mediante tablas de contingencia con la prueba de chi cuadrado con la corrección de Yates (χ²_cc), estimando la intensidad de asociación mediante la V de Cramer (V), siendo V ≥ .04 efecto pequeño, V ≥ .13 efecto moderado y V ≥ .22 efecto grande (Tabla 4).

Tabla 4

Independencia entre variables cualitativas.

Ver Tabla

El nivel de significación en todas las pruebas fue de p < .05 y se ejecutaron con el software informático JASP versión 0.18.1 (Jasp Team, 2024) y Microsoft Excel versión 16.66.1, ambos programas para MacOs Catalina 10.15.7.

Finalmente, para efectuar un análisis de T-Patterns, exportamos el registro en formato .txt al software Theme6Edu versión 08 (Magnusson, 2017) con los siguientes criterios de búsqueda: a) presencia de al menos 3 T-Patterns; b) ajuste de reducción de la redundancia del 90 % para la incidencia de T-Patterns similares, c) nivel de significación de .001, y d) opción Fast activada al modo de intervalos críticos.

Los datos se publicaron en el Repositorio de Datos de Investigación (CORA) en el siguiente enlace: https://doi.org/10.34810/data1346 (Aixa-Requena, 2024).

Resultados

Estadística descriptiva e inferencial

En los resultados presentados en la Tabla 2 se puede observar cómo el 100 % de los riders hicieron una salida máxima; de estos un 78 % eran regulars (pierna izquierda delante). El total de acciones estaba distribuido bastante equitativamente entre los que acababan en 1.ª, 2.ª o 3.ª posición (~30 %). La mayoría de frenadas fueron entrando en la curva (53 %) y derrapando con los guantes en el suelo (81 %). La mayoría de los trazados de las diferentes curvas fueron de exterior-interior-exterior (64 %) y estables (73 %). De las interacciones con los rivales, hay que destacar el 48 % de adelantamientos, el 29 % de rebufos y el 20 % de mantenimiento detrás del contrincante.

Los datos descriptivos referentes al recuento global de las variables cuantitativas de estudio se pueden encontrar resumidos en la Tabla 3 con su tendencia, variación, mínimo y máximo. En esta tabla, se observa que la tendencia del tiempo en tuck total durante una carrera era de 86 segundos, con una duración de 12 segundos cada vez que se hacía la postura mencionada. En general, los riders frenaron un total de unas 5 veces (5.04 ± 2.46) por carrera y se realizaron unos 37 registros (37.13 ± 6.88) por competidor.

Los mismos datos distribuidos según la posición final se pueden ver también en la Tabla 3, con el añadido del intervalo de confianza (IC 95 %) y los datos referentes al análisis de la variancia. En dicha Tabla 3, se puede ver que no hay ninguna variable que tenga diferencias significativas en la comparación según posición final (p-ANOVA > .05), ni en el total de registros (estadístico = 2.925; p = .403; η² = .087), el tiempo en tuck total (estadístico = 1.809; p = .613; η² = .108) o el total de frenadas (estadístico = 1.481; p = .687; η² = .078), y todos con una magnitud del efecto trivial (< .1)η² o pequeño (.1 <η² < .25). 

En la Tabla 4, se puede observar la interdependencia entre las diferentes variables cualitativas. Destacan aquellas en las que se detectó una dependencia significativa, como la zona de frenada y la frenada (χ²_cc(16, N = 116) = 124.380; p < .001; V = .518), el trazado y la estabilidad en la curva (χ²_cc(35, N = 117) = 58.143; p = .008; V = .315), las interacciones y la posición durante la carrera (χ²_cc(15, N = 74) = 79.910; p < .001; V = .600), el número de curva y la frenada (χ²_cc(16, N = 116) = 26.854; p = .043; V = .241) y el número de curva y la zona de frenada (χ²_cc(16, N = 116) = 71.370; p < .001; V = .319). Todas con una magnitud del efecto grande (V ≥ .22).

Análisis de T-Patterns

En la observación de los resultados extraídos de Theme6Edu, se evidencian unos patrones motrices recurrentes y rápidos durante una carrera de downhill skateboarding, en dos tipos de figuras: a) T-Patterns obtenidos, que la Figura 1 ilustra en forma de dendrograma o gráfico de árbol, los cuales indican los patrones más relevantes a lo largo de las diferentes carreras y participantes; y b) representación de uno de estos patrones detectados a través de una secuencia de imágenes de estos acontecimientos y su ilustración (Figura 2).

Figura 1

Ver a tamaño completo

En el dendrograma de conductas de la Figura 1, se recogen las dos sucesiones de patrones típicos que aparecieron al analizar los comportamientos de los participantes durante la competición. Estos son patrones que siguen una sucesión temporal en un intervalo pequeño de tiempo. La sucesión no se diferenciaba entre el posicionamiento de los participantes. Los patrones mencionados seguían una secuencia de zona de frenada – frenada – trazado – estabilidad – tuck (+ interacción rivales) que ejemplificamos en la Figura 2. 

Figura 2

Ver a tamaño completo

Finalmente, presentamos un ejemplo de lo que normalmente sucede en la carrera: una repetición enlazada del patrón expuesto anteriormente (zona de frenada – frenada – trazado – estabilidad – tuck), en concreto, de un rider en 3.ª posición (Figura 3). 

Figura 3

Ver a tamaño completo

Discusión

El objetivo principal del presente estudio era construir un instrumento de observación que permitiera analizar las diferencias en los comportamientos según el posicionamiento de los participantes durante la carrera. Los datos obtenidos muestran resultados parecidos en los comportamientos de los competidores según su posicionamiento. En la mayoría de los casos, los participantes frenaban entrando en la curva o de contra curva, con los guantes en el suelo, y hacían un trazado de exterior-interior-exterior estable. Por lo tanto, no se han detectado diferencias estadísticamente significativas en las acciones de los competidores según el posicionamiento, excepto en las interacciones, las cuales sí que han mostrado variaciones en el tipo y la cantidad según el posicionamiento; los de primera y cuarta posición son los riders con menos interacciones. Los T-Patterns tampoco varían según el posicionamiento durante la carrera y el patrón más típico es el de una secuencia de zona de frenada – frenada – trazado – estabilidad – tuck (+ interacción rivales). No obstante, las variables como la zona, el tipo de frenada, la estabilidad, el trazado y la curva sí que mantenían relación de dependencia entre ellas.

Estos datos pueden chocar con los hallados en los deportes de motor. Por ejemplo, normalmente los pilotos tienen que ir ajustando qué trazado realizarán según las condiciones de la carrera (posición, localización de los rivales delante o detrás, condiciones de la carretera…), cosa que requiere grandes niveles de concentración para no tener accidentes (Ledesma et al., 2015). A veces, esta línea óptima se puede ver afectada por una lucha por la posición y los adelantamientos (Heilmeier et al., 2018) o incluso por el estado psicofisiológico de los competidores (Filho et al., 2015). Por lo tanto, el entorno de competición, teóricamente, tendría que afectar al comportamiento y las estrategias de careo de las curvas de los participantes. Ahora bien, si no hay nada que impida tomar la mejor línea, los pilotos tienden a tener un patrón muy estable del paso de la curva, de acuerdo con su estilo (Löckel et al., 2022). 

Este último parece ser el caso de esta investigación, donde en general el comportamiento de los competidores no varía según el posicionamiento, ya que no se han producido muchas situaciones de lucha de la posición donde los rivales interferían en el trazado de una línea óptima. Por el mismo motivo, en el presente trabajo los T-patterns tampoco varían según el posicionamiento durante la carrera. Las diferencias en las interacciones según la posición se podrían explicar porque los que estaban en primera posición no solían tener interacción con los rivales y los que estaban en cuarta posición normalmente se quedaban atrás desde el inicio y no recuperaban la posición. Por lo tanto, la mayoría de interacciones se daba en segunda y tercera posición.

Las variables como la zona de frenada, el tipo de frenada, la estabilidad, el trazado y la curva tenían una relación de dependencia entre ellas, probablemente porque a cada curva se utilizaba una estrategia de trazado diferente, independientemente del competidor y de su posicionamiento.

Una limitación del estudio es la incapacidad de determinar si los comportamientos registrados son una respuesta a los movimientos de los rivales. A causa de la falta de visibilidad de las acciones de los rivales, especialmente aquellos situados en frente, la comprensión completa de la dinámica de las acciones de los corredores queda restringida. Asimismo, la ausencia de datos telemétricos puede haber limitado la comprensión completa del comportamiento de los corredores.

Así pues, los resultados de este estudio sugieren que las acciones en una carrera de downhill skateboarding pueden variar significativamente según el contexto de la competición. Eso tiene implicaciones importantes para la elección de circuitos donde competir y el entrenamiento de los competidores. Esta información puede ayudar a los competidores y entrenadores a escoger los contenidos de entrenamiento de manera más adecuada según la naturaleza de la competición. Por ejemplo, si en un circuito no hay muchas interacciones y el comportamiento de los riders no varía según el posicionamiento, los contenidos de entrenamiento previos a aquella competición podrán ser más técnicos y enfocarse en el trazado ideal de las curvas. En este caso, ello beneficiará a los competidores que no son tan buenos compitiendo en espacios compartidos, pero que sí destacan en las rondas clasificatorias. Por lo tanto, también puede ayudar a la elección de competiciones en las que participar.

Las futuras investigaciones podrían explorar otros factores como el análisis de comportamiento según las acciones de los rivales, junto con datos telemétricos para obtener una “radiografía” de lo que pasa en una carrera de downhill skateboarding. 

Conclusiones

En el circuito de Kozakov, no se encontraron diferencias estadísticamente significativas en los comportamientos y patrones de carrera según el posicionamiento de los competidores. No obstante, las variables como la zona de frenada, el tipo de frenada, la estabilidad, el trazado y la curva sí que mantenían relación de dependencia entre ellas, probablemente por la estrategia de afrontamiento de cada curva. Es esencial explorar otros circuitos para determinar si este fenómeno es específico de Kozakov o si se puede generalizar en otros circuitos con características similares o diferentes. 

El instrumento de observación (OSKATE) propuesto en este trabajo ha demostrado ser útil para analizar los comportamientos de los riders en competición y puede contribuir a adaptar los entrenamientos en función de sus necesidades. Se recomienda a las personas especialistas de esta disciplina utilizar el instrumento OSKATE.

Para futuras investigaciones, el uso de más cámaras y ángulos de visión, así como de datos telemétricos, podría mejorar sustancialmente la comprensión de los patrones de comportamiento de los competidores, aunque eso requeriría una inversión económica significativa.

Agradecimientos

Los autores agradecen el reconocimiento del Instituto Nacional de Educación Física de Cataluña (INEFC). El Departamento de Investigación y Universidades de la Generalitat de Catalunya, y el Grupo de Investigación e Innovación en Diseño (GRID). Tecnología y aplicación multimedia y digital a los diseños observacionales (Código: 2021 SGR 00718). El proyecto del Gobierno español: Integración entre datos observacionales y datos provenientes de sensores externos: Evolución del software LINCE PLUS y desarrollo de la aplicación móvil para la optimización del deporte y la actividad física beneficiosa para la salud (EXP7474847) (2023). Ministerio de Cultura y Deporte (CSD). La Universidad de Lleida y el Grupo de Investigación Movimiento Humano (2021 SGR 01619).