Analyse der Kletterfähigkeiten bei Bouldering-Wettkämpfen

Bouldern ist kein alltäglicher Sport; es ist eine Mischung aus Spass, Kraft und ein bisschen Wahnsinn, während die Kletterer kurze, knifflige Routen namens "Probleme" angehen. In den letzten zehn Jahren hat diese aufregende Aktivität deutlich an Beliebtheit gewonnen, nicht zuletzt wegen ihrer Aufnahme in die Olympischen Sommerspiele. Während die Leute in Kletterhallen strömen, stellt sich heraus, dass etwa 71 % der neuen Hallen in Nordamerika sich hauptsächlich aufs Bouldern konzentrieren. Wer würde nicht gerne schwingen und klettern, um Ruhm zu erlangen?

#Was ist das Ziel?

Bei professionellen Bouldering-Wettkämpfen haben die Kletterer eine begrenzte Zeit, um zu versuchen, den “Top” Griff oder einen Zwischengriff namens “Zone” zu erreichen. Die Punktevergabe basiert darauf, wie hoch sie kommen, bevor die Zeit um ist. Wenn sie fallen, können sie so lange weiterprobieren, bis die Uhr abläuft. Die Kletterer mit den höchsten Punkten in allen Problemen sind die Gewinner. Einfach, oder? Naja, nicht ganz, denn jeder Wettbewerb hat seine eigenen Kletterprobleme, die jeweils unterschiedliche Fähigkeiten testen.

#Herausforderungen bei der Messung der Klettererfähigkeiten

Um vorherzusagen, wie gut Kletterer abschneiden, greifen Forscher oft auf mathematische Modelle zurück. Ein gängiger Ansatz ist die Logistische Regression, die jedem Kletterer eine einzelne Zahl zuweist, um ihre Fähigkeit darzustellen. Aber hier ist der Haken: Bouldern erfordert eine Mischung aus verschiedenen Fähigkeiten. Manche Kletterer sind grossartig bei technischen Routen, die sorgfältige Fussplatzierungen benötigen, während andere auf Routen brillieren, die grosse, kraftvolle Bewegungen erfordern. Nur eine Zahl zu verwenden, erzählt also nicht die ganze Geschichte.

#Die Lösung: Probabilistische Matrixfaktorisierung

Um dieses Problem anzugehen, haben die Forscher beschlossen, ein aufwendigeres Modell namens Probabilistische Matrixfaktorisierung (PMF) auszuprobieren. Denk an PMF als eine Möglichkeit, ein Profil für jeden Kletterer und jede Kletterproblematik zu erstellen, basierend auf verborgenen Eigenschaften. Es ist wie ein geheimer Decoder-Ring für das Klettern.

PMF nimmt einen Datensatz, der oft dünn besetzt ist (das bedeutet, nicht jeder Kletterer versucht jedes Problem), und füllt die Lücken. Es lernt von ähnlichen Kletterern und kann eine bessere Vorstellung davon geben, wie gut jemand bei einem bestimmten Problem abschneiden könnte. Einfacher gesagt, es sucht nach Mustern, die helfen, die Leistung von Kletterern genauer vorherzusagen.

#Ansätze vergleichen

In ihrer Forschung verglichen die Forscher, wie gut PMF im Vergleich zum älteren logistischen Regressionsmodell abschnitt. Sie fanden heraus, dass PMF besser darin war, die vielfältigen Fähigkeiten der Kletterer einzufangen. Während die logistische Regression eine universelle Fähigkeitspunktzahl gab, lieferte PMF eine Aufschlüsselung von individuellen Stärken und Schwächen. Das bedeutet, sie konnten sehen, ob ein Kletterer ein Superstar bei dynamischen Routen war, aber bei technischen Problemen Schwierigkeiten hatte.

#Datensammlung

Um all dies möglich zu machen, sammelten die Forscher Daten aus professionellen Bouldering-Wettkämpfen, die zwischen 2007 und 2022 stattfanden. Dieser Datensatz umfasste fast 380.000 Versuche über mehr als 2.500 einzigartige Probleme. Es war wie das Sammeln von Pokémon-Karten, nur dass sie Kletterer und Probleme sammelten. Sie notierten sogar die Höhen der Kletterer, wenn verfügbar, denn seien wir ehrlich, manchmal kann die Grösse beim Klettern helfen, wie zum Beispiel, den schwer fassbaren Griff zu erreichen, der für kürzere Kletterer unerreichbar ist.

#Logistische Regression als Basislinie

Als Ausgangspunkt verwendeten die Forscher die logistische Regression, um eine Basislinie für ihre Vorhersagen festzulegen. Sie berücksichtigten Dinge wie die Art des Kletterproblems (Top-Griff vs. Zonen-Griff) und die Wettbewerbsrunde. Obwohl dieses Modell seine Vorzüge hat, neigt es dazu, die Fähigkeitsstufen der Kletterer zu stark zu vereinfachen. Zum Beispiel könnte ein Kletterer, der in einer Art von Problem hervorragend abschneidet, in einer anderen nicht glänzen, sodass eine einzige Zahl einfach nicht ausreicht.

#PMF im Detail

Um eine bessere Vorstellung von den Fähigkeiten jedes Kletterers zu bekommen, verwendeten die Forscher PMF. Sie richteten eine Matrix ein, in der sie sehen konnten, welche Kletterer welche Probleme versucht haben. Dann erstellten sie zwei Gruppen versteckter Eigenschaften: eine für Kletterer und eine für Probleme. Ziel war es herauszufinden, wie diese geheimen Merkmale mit dem Erfolg bei jedem Problem korrelierten.

Die Idee von PMF ist, dass es anstatt nur Erfolge oder Misserfolge zu betrachten, von den Eigenschaften der Kletterer und Probleme lernt und dadurch Vorhersagen über zukünftige Leistungen macht. Es ist wie ein Wahrsager für das Klettern.

#Modelle bewerten

Um zu sehen, wie gut diese Modelle funktionierten, verwendeten sie verschiedene Metriken, um den Erfolg zu messen. Sie schauten sich an, wie viele Kletterer Probleme erfolgreich abgeschlossen haben, wie viele gescheitert sind und die allgemeine Genauigkeit ihrer Vorhersagen. Die Ergebnisse sprachen für sich. PMF übertraf konstant die logistische Regression, besonders wenn sie eine anständige Menge an Daten über jeden Kletterer hatten.

Allerdings stiessen sie auch auf ein häufiges Problem im maschinellen Lernen: Overfitting. Das passiert, wenn ein Modell zu gut darin wird, die Trainingsdaten zu verstehen, aber bei neuen, unbekannten Daten nicht gut abschneidet. Sie bemerkten, dass zu viele versteckte Merkmale PMF dazu bringen könnten, die Trainingsdaten zu speichern, anstatt zu verallgemeinern.

#Die Vor- und Nachteile von PMF

Obwohl PMF besser darin war, die vielen Facetten der Fähigkeiten eines Kletterers einzufangen, mussten die Forscher vorsichtig sein. Sie mussten Parameter sorgfältig auswählen, wie viele Eigenschaften sie berücksichtigen wollten und wie viele Versuche ein Kletterer benötigt, bevor er eine personalisierte Fähigkeitsbewertung erhalten konnte. Sie wollten Overfitting vermeiden und gleichzeitig Einblick in den einzigartigen Fähigkeiten jedes Kletterers gewinnen.

#Was ist mit den Kletterern?

Als die Forscher tiefer in die durch PMF erstellten Profile eintauchten, fanden sie einige interessante Trends. Sie verwendeten eine Technik namens PCA (Hauptkomponentenanalyse), um zu sehen, wie verschiedene Merkmale und Erfolge miteinander korrelieren. Sie fanden heraus, dass das erste versteckte Merkmal oft mit der allgemeinen Kletterstärke korreliert war. Das bedeutet, dass Kletterer mit mehr Erfahrung und Versuchen in der Regel eine höhere Erfolgswahrscheinlichkeit hatten.

Eine überraschende Entdeckung war, dass der Gesamterfolg beim Klettern nicht eng mit der Grösse verknüpft war. Das war grossartige Nachrichten für kürzere Kletterer! Es gab jedoch Anzeichen dafür, dass wichtige körperliche Merkmale eine Rolle bei bestimmten Arten von Problemen spielen konnten. Es scheint, als würden einige Probleme einfach besser zu bestimmten Kletterern passen, basierend auf ihrem Körperbau und ihren Fähigkeiten.

#Problemanalyse

Die Forscher hörten nicht einfach bei den Kletterern auf; sie schauten sich auch die Probleme selbst genauer an. Sie analysierten, wie das PMF-Modell Unterschiede in der Schwierigkeit der Probleme verstand. Das Modell konnte die Probleme in Kategorien unterteilen, basierend darauf, wie schwierig sie waren und ob es sich um Top-Griffe oder Zonen-Griffe handelte.

Diese Analyse brachte einige interessante Erkenntnisse ans Licht. Kletterprobleme sind einzigartig, und Eigenschaften dieser Probleme können den Erfolg eines Kletterers beeinflussen. Beispielsweise erfordern einige Probleme mehr Kraft, während andere Technik oder Balance verlangen.

#Was kommt als Nächstes?

Es gibt immer Raum für Verbesserungen und mehr Spass in der Welt des Kletterns! Die Forscher haben jede Menge Ideen für zukünftige Arbeiten. Ein Vorschlag ist, den Erfolg von Kletterern nicht nur als ja oder nein zu betrachten, sondern auch zu überlegen, wie viele Versuche es braucht, um ein Problem zu bezwingen. Das könnte zu einem noch besseren Verständnis der Leistung von Kletterern führen.

Eine andere Idee wäre, spezifischere Details über die Probleme selbst einzubeziehen. Durch die Nutzung von Attributen wie dem Layout der Probleme und einer breiteren Vielfalt von Kletterermerkmalen (wie Gewicht oder Handgrösse) könnten sie verfeinern, wie das Modell Ergebnisse vorhersagt.

Sie nannten auch die Bedeutung der Berücksichtigung, wie sich Fähigkeiten im Laufe der Zeit ändern. Wie feiner Wein könnten Kletterer mit dem Alter besser werden – zumindest bis sie langsamer werden. Diese Veränderungen im Blick zu behalten, könnte helfen, zukünftige Leistungen genauer vorherzusagen.

Zu guter Letzt sind die Forscher daran interessiert, ob ihre Erkenntnisse auch auf andere Bereiche des Kletterns anwendbar sind, wie Frauenwettbewerbe oder unterschiedliche Formate wie Lead-Klettern. Die Welt des Kletterns ist riesig, und es gibt immer mehr zu lernen.

#Fazit

Letztendlich zeigte die Studie, wie zwei verschiedene Methoden, logistische Regression und PMF, genutzt werden konnten, um die Leistungen von Kletterern in Bouldering-Wettkämpfen zu analysieren. PMF bot eine reichere, nuanciertere Sicht auf die verschiedenen Fähigkeiten, die Kletterer mitbringen, auch wenn es manchmal ein bisschen zu kompliziert wurde. Durch die Erforschung dieser Modelle öffnete das Team Türen, um besser zu verstehen, was einen Kletterer erfolgreich macht und wie unterschiedliche Eigenschaften eine Rolle spielen.

Es ist eine aufregende Zeit in der Welt der Bouldering-Forschung, und wer weiss? Vielleicht könnten wir alle mit den richtigen Werkzeugen und Daten ein bisschen höher klettern – im übertragenen und im wörtlichen Sinne!