Inverse Suitability: Identifying Condition Difficulty and Rider Skill from Behavioural Outcomes via Continuous-Item Response Theory

Resumen Técnico: Idoneidad Inversa mediante la Teoría de Respuesta al Ítem Continua

Planteamiento del Problema
El soporte actual para la toma de decisiones operativas en actividades al aire libre (por ejemplo, kitesurf, esquí de travesía) se basa en la "puntuación de idoneidad", que mapea las condiciones ambientales (velocidad del viento, altura de la ola, estabilidad de la nieve) a un veredicto de "ir/no ir". Estos mapeos son típicamente curvas definidas por expertos y calibradas frente a resultados observados. El artículo identifica un fallo fundamental en este enfoque: una curva de idoneidad única amalgama dos cantidades distintas: la dificultad intrínseca de una condición y el nivel de habilidad de la población que la intenta. En consecuencia, dos ubicaciones con curvas de idoneidad ajustadas idénticas pueden poseer dificultades intrínsecas radicalmente diferentes, enmascaradas por clientelas distintas. Las redes meteorológicas existentes miden estados ambientales pero no pueden aislar el término de "dificultad" porque carecen de la capa de decisión humana necesaria para separar dicho término de la habilidad de la población. Además, los métodos psicométricos clásicos para separar la dificultad del ítem de la capacidad de la persona (Teoría de Respuesta al Ítem o IRT) no son directamente aplicables porque las condiciones ambientales son variables continuas, no ítems de prueba discretos.

Metodología
Los autores proponen la Idoneidad Inversa, un modelo de IRT de ítem continuo que desvincula la habilidad latente del jinete ($\theta_r$) de la dificultad de la condición latente ($\delta(x, s)$) utilizando únicamente resultados conductuales binarios ($y \in \{0, 1\}$).

• El Modelo: La probabilidad de un resultado exitoso se modela como:
  $$P(y=1 | r, x, s) = \sigma(a(x, s)(\theta_r - \delta(x, s)))$$
  Donde $\sigma$ es la función logística, $\theta_r$ es la habilidad latente del jinete y $\delta(x, s)$ es una función suave y continua que representa la dificultad intrínseca de la métrica $x$ en el sitio $s$. El parámetro $a$ representa la discriminación.
• Dificultad Continua: A diferencia de la IRT clásica donde la dificultad es un escalar por ítem, $\delta(x, s)$ se modela como una función suave (por ejemplo, un spline) sobre el motor físico continuo (por ejemplo, la velocidad del viento).
• Anclaje Físico: Para garantizar la interpretabilidad y regularizar los datos dispersos, la función de dificultad se ancla a una curva de experto derivada de la física. Esto actúa como un prior, fijando la escala de dificultad a unidades físicas y actuando como un objetivo de contracción (shrinkage) para las condiciones con pocas observaciones.
• Recuperación Marginal: El modelo es estrictamente más general que una curva de idoneidad única. Al integrar la distribución de la habilidad $p(\theta)$, el modelo recupera la curva de idoneidad exacta a nivel de población que los métodos tradicionales ajustarían. Esto asegura la compatibilidad con versiones anteriores; si la estructura latente no puede identificarse, el sistema vuelve por defecto al comportamiento de la curva única marginal.
• Estimación: Los parámetros se estiman mediante Máxima Verosimilitud Marginal (MML) utilizando un algoritmo EM con cuadratura de Gauss–Hermite. Este enfoque es determinista y evita dependencias pesadas de muestreo.
• Identificabilidad: La identificación de la habilidad y la dificultad requiere un grafo de incidencia jinete $\times$ condición conectado (los jinetes deben ser observados en diversas condiciones, y las condiciones deben ser experimentadas por diversos jinetes). Si no se cumple esta condición, el modelo recurre automáticamente al marginal de curva única para evitar la personalización espuria.

Contribuciones Clave

1. IRT de Ítem Continuo: El artículo extiende la IRT explicativa a un motor físico continuo, modelando la dificultad como una función suave en lugar de un conjunto de características de ítems discretos.
2. Identificabilidad y Estimación: Establece las condiciones para separar la habilidad de la dificultad (grafo de incidencia conectado) y proporciona un estimador MML determinista con un mecanismo de reversión documentado.
3. El Atlas de Dificultad Intrínseca: La función de dificultad recuperada define un nuevo constructo medible a nivel de sitio: el "atlas de dificultad intrínseca". Este es un mapa anónimo y unible de qué tan difícil es una condición, independiente de la mezcla de habilidades de las personas que la intentan.

Resultados (Recuperación Sintética)
El artículo valida la metodología mediante un estudio de recuperación sintética, generando datos a partir de verdades de campo conocidas (80 jinetes, 30 resultados cada uno) e intentando recuperarlas.

• Recuperación de Habilidad: El modelo recupera la habilidad latente del jinete con una correlación de Pearson de 0.96 contra la verdad de base.
• Localización de la Dificultad: El modelo localiza el mínimo de la función de dificultad dentro de $\pm 3$ unidades del óptimo de la verdad de base (recuperado en 16.7 nudos frente a los 18 nudos reales).
• Ganancia Predictiva: El modelo condicionado por la habilidad mejora el Brier Skill Score de la muestra externa en +0.33 respecto al baseline de la curva experta.
• Reproducibilidad: Todos los resultados se generan con un solo comando a partir de datos sintéticos sin observaciones propietarias.

Significancia y Reivindicaciones
El artículo se posiciona como un artículo metodológico con un estudio de validación sintética. Declara explícitamente que no realiza afirmaciones empíricas sobre jinetes reales y que la validación empírica en cohortes de campo es un trabajo futuro.

La principal significancia reivindicada es el cambio conceptual y metodológico de la "idoneidad" (una métrica mezclada de dificultad y clientela) a la "dificultad intrínseca" (un constructo latente aislado de la habilidad de la población). Al anclar esta dificultad a curvas derivadas de la física, los autores argumentan que el "atlas de dificultad" se convierte en un artefacto científico medible, auditable y anónimo que las redes de observación meteorológica existentes no pueden capturar. Esta separación permite un soporte de decisiones que responde a "difícil para quién" en lugar de solo "difícil en promedio", proporcionando un primitivo para la puntuación condicionada por la habilidad y, potencialmente, para la fijación de precios de seguros paramétricos basados en el riesgo intrínseco del sitio.

El marco de gobernanza asegura que, mientras el atlas de dificultad es un artefacto científico duradero y público, las estimaciones de habilidad individual permanezcan privadas y eliminables, resolviendo la tensión entre la auditabilidad y la privacidad.