Analizando las habilidades de los escaladores en competiciones de boulder

El bouldering no es un deporte cualquiera; es una mezcla de diversión, fuerza y un poco de locura, donde los escaladores se enfrentan a rutas cortas y difíciles llamadas "Problemas". En los últimos diez años, esta actividad emocionante ha explotado en popularidad, gracias en parte a su inclusión en los Juegos Olímpicos de Verano. Con la gente acudiendo a los gimnasios de escalada, resulta que aproximadamente el 71% de los nuevos gimnasios en América del Norte se enfocan principalmente en bouldering. ¿Quién no querría balancearse y escalar hacia la gloria?

#¿Cuál es el objetivo?

En las competiciones profesionales de bouldering, a los escaladores se les da un tiempo limitado para intentar alcanzar el "top" o una toma intermedia llamada "zona". La puntuación se basa en qué tan alto llegan antes de que se acabe el tiempo. Si caen, pueden seguir intentándolo hasta que el reloj llegue a cero. Los escaladores con las puntuaciones más altas en todos los problemas son los ganadores. Simple, ¿verdad? Bueno, no tan simple, porque cada competición tiene problemas de escalada únicos, cada uno diseñado para probar diferentes habilidades.

#Desafíos al medir la habilidad del escalador

Para predecir qué tan bien lo harán los escaladores, los investigadores a menudo recurren a modelos matemáticos. Un enfoque común es la Regresión Logística, que asigna un solo número a cada escalador para representar su habilidad. Pero aquí está el truco: el bouldering requiere una mezcla de diferentes habilidades. Algunos escaladores son geniales en rutas técnicas que necesitan colocaciones de pies cuidadosas, mientras que otros son increíbles en rutas que demandan movimientos grandes y poderosos. Así que usar solo un número no cuenta toda la historia.

#La solución: Factorización de Matrices Probabilística

Para resolver este problema, los investigadores decidieron jugar con un modelo más avanzado llamado Factorización de Matrices Probabilística (PMF). Piensa en PMF como una forma de crear un perfil para cada escalador y cada problema de escalada usando características ocultas. Es como usar un anillo decodificador secreto para la escalada.

PMF toma un conjunto de datos, que a menudo es escaso (significa que no todos los escaladores intentan todos los problemas), y llena los huecos. Aprende de escaladores similares y puede dar una mejor idea de qué tan bien podría hacerlo alguien en un problema particular. En términos más simples, busca patrones que pueden ayudar a predecir el rendimiento del escalador de manera más precisa.

#Comparando enfoques

En su investigación, el equipo comparó qué tan bien se desempeñó PMF frente al modelo de regresión logística más viejo. Descubrieron que PMF hacía un mejor trabajo capturando la diversidad de habilidades de los escaladores. Mientras que la regresión logística daba una puntuación de habilidad única, PMF proporcionaba un desglose de fortalezas y debilidades individuales. Esto significa que podían ver si un escalador era un superestrella en rutas dinámicas pero luchaba con las técnicas.

#Recolección de datos

Para hacer todo esto posible, los investigadores recopilaron datos de competiciones profesionales de bouldering que ocurrieron entre 2007 y 2022. Este conjunto de datos incluía casi 380,000 intentos en más de 2,500 problemas únicos. Era como coleccionar cartas de Pokémon, pero en vez de eso, estaban reuniendo escaladores y problemas. Incluso registraron las alturas de los escaladores cuando estaban disponibles, porque seamos honestos, a veces la altura puede ayudar en la escalada, como poder alcanzar esa toma esquiva que está justo fuera del alcance para los escaladores más bajos.

#Regresión logística como base

Como punto de partida, los investigadores usaron la regresión logística para establecer una línea base para sus predicciones. Tuvieron en cuenta cosas como el tipo de problema de escalada (toma superior vs. toma de zona) y la ronda de competición. Aunque este modelo tiene sus méritos, tiende a simplificar demasiado los niveles de habilidad de los escaladores. Por ejemplo, un escalador que destaca en un tipo de problema podría no brillar en otro, haciendo que un solo número simplemente no sea suficiente.

#Llegada de PMF: un vistazo más cercano

Para dar una mejor idea de las habilidades de cada escalador, los investigadores usaron PMF. Establecieron una matriz donde podían ver qué escaladores intentaron qué problemas. Luego crearon dos grupos de características ocultas: uno para escaladores y otro para problemas. El objetivo era encontrar cómo estas características ocultas se correlacionaban con el éxito en cada problema.

La idea con PMF es que en lugar de solo mirar éxitos o fracasos, aprende de las características de los escaladores y los problemas, ayudándole a hacer predicciones sobre futuros rendimientos. Es como un adivino para la escalada.

#Evaluando modelos

Para ver cómo se desempeñaron estos modelos, usaron diferentes métricas para medir el éxito. Miraron cuántos escaladores completaron problemas con éxito, cuántos fallaron y la precisión general de sus predicciones. Los resultados fueron reveladores. PMF superó consistentemente a la regresión logística, especialmente cuando tenían una cantidad razonable de datos sobre cada escalador.

Sin embargo, también se encontraron con un problema común en el aprendizaje automático: el sobreajuste. Esto sucede cuando un modelo se vuelve demasiado bueno entendiendo los datos de entrenamiento pero falla en desempeñarse bien en datos nuevos y no vistos. Notaron que demasiadas características ocultas podrían hacer que PMF memorizara los datos de entrenamiento en lugar de generalizar.

#Lo bueno y lo malo de PMF

Aunque PMF fue mejor para captar los múltiples aspectos de las habilidades de un escalador, los investigadores tuvieron que ser cautelosos. Tuvieron que seleccionar cuidadosamente los parámetros, como cuántas características considerar y cuántos intentos necesitaba un escalador antes de recibir una calificación de habilidad personalizada. Querían evitar el sobreajuste mientras aún obtenían información sobre el conjunto único de habilidades de cada escalador.

#¿Qué pasa con los escaladores?

Cuando los investigadores profundizaron en los perfiles creados por PMF, encontraron algunas tendencias interesantes. Usaron una técnica llamada PCA (análisis de componentes principales) para ver cómo diferentes rasgos y éxitos se correspondían. Descubrieron que el primer rasgo oculto a menudo se correlacionaba con la fuerza general en la escalada. Esto significa que los escaladores con más experiencia y intentos generalmente tenían una mayor probabilidad de éxito.

Un hallazgo sorprendente fue que el éxito general en la escalada no estaba tan ligado a la altura. ¡Esto fue una gran noticia para los escaladores más bajos en todas partes! Sin embargo, había indicios de que características físicas importantes sí jugaban un papel cuando se trataba de tipos específicos de problemas. Parece que algunos problemas simplemente encajan mejor con ciertos escaladores, según su tipo de cuerpo y habilidades.

#Profundizando en los problemas

Los investigadores no se detuvieron solo en los escaladores; también miraron de cerca los problemas en sí. Analizaron cómo el modelo PMF entendía las diferencias en la dificultad de los problemas. El modelo pudo separar los problemas en categorías según su dureza y si eran tomas superiores o tomas de zona.

Este análisis reveló algunas ideas interesantes. Los problemas de escalada son únicos, y las características de estos problemas pueden impactar en el éxito de un escalador. Por ejemplo, algunos problemas pueden requerir más fuerza, mientras que otros pueden demandar técnica o equilibrio.

#¿Qué sigue?

Siempre hay espacio para mejorar y más diversión en el mundo de la escalada. Los investigadores tienen muchas ideas para el futuro. Una sugerencia es ver el éxito de los escaladores no solo como un sí o no, sino considerar cuántos intentos se necesitan antes de conquistar un problema. Esto podría llevar a una comprensión aún mejor del rendimiento del escalador.

Otra idea sería incluir más detalles específicos sobre los problemas en sí. Aprovechando atributos como el diseño de los problemas y una variedad más amplia de características de los escaladores (como peso o tamaño de las manos), podrían refinar cómo el modelo predice los resultados.

También mencionaron la importancia de considerar cómo las habilidades cambian con el tiempo. Como el buen vino, los escaladores pueden mejorar con la edad-al menos hasta que empiecen a desacelerar. Mantener un registro de estos cambios podría ayudar a predecir futuros rendimientos de manera más precisa.

Por último, los investigadores están interesados en si sus hallazgos se aplican a otras áreas de la escalada, como las competiciones femeninas o diferentes formatos como la escalada de dificultad. El mundo de la escalada es vasto, y siempre hay más por aprender.

#Conclusión

Al final, el estudio mostró cómo dos métodos diferentes, regresión logística y PMF, podrían utilizarse para analizar el rendimiento de los escaladores en competiciones de bouldering. PMF ofreció una visión más rica y matizada de las diversas habilidades que los escaladores aportan, aunque a veces se volvía un poco complicado. Al explorar estos modelos, el equipo abrió puertas para entender mejor qué hace a un escalador exitoso y cómo diferentes rasgos entran en juego.

¡Es un momento emocionante para estar en el mundo de la investigación del bouldering, y quién sabe? Quizás con las herramientas y datos adecuados, todos podríamos escalar un poco más alto-figurativa y literalmente!