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

Résumé Technique : Inversion de la Suitabilité via la Théorie de la Réponse à l'Item à Items Continus

Énoncé du Problème
L'aide actuelle à la décision opérationnelle pour les activités de plein air (ex. : kitesurfe, ski de randonnée) repose sur une « notation de la suitabilité » (adéquation), qui associe des conditions environnementales (vitesse du vent, hauteur des vagues, stabilité de la neige) à un verdict de type « go/no-go ». Ces cartographies sont généralement des courbes définies par des experts et calibrées selon les résultats observés. Le papier identifie une faille fondamentale dans cette approche : une courbe de suitabilité unique confond deux quantités distinctes — la difficulté intrinsèque d'une condition et le niveau de compétence de la population qui l'expérimente. Par conséquent, deux lieux possédant des courbes de suitabilité ajustées identiques peuvent présenter des difficultés intrinsèques radicalement différentes, masquées par des clientèles différentes. Les réseaux météorologiques existants mesurent les états environnementaux mais ne peuvent isoler le terme « difficulté » car ils manquent de la couche de décision humaine nécessaire pour séparer ce terme de la compétence de la population. De plus, les méthodes psychométriques classiques pour séparer la difficulté de l'item de la capacité de la personne (Théorie de la Réponse à l'Item - IRT) ne sont pas directement applicables car les conditions environnementales sont des variables continues, et non des items de test discrets.

Méthodologie
Les auteurs proposent l'Inversion de la Suitabilité, un modèle d'IRT à items continus qui dissocie la compétence latente du pratiquant ($\theta_r$) de la difficulté latente de la condition ($\delta(x, s)$) en utilisant uniquement des résultats comportementaux binaires ($y \in \{0, 1\}$).

• Le Modèle : La probabilité d'un résultat positif est modélisée par :
  $$P(y=1 | r, x, s) = \sigma(a(x, s)(\theta_r - \delta(x, s)))$$
  Où $\sigma$ est la fonction logistique, $\theta_r$ est la compétence latente du pratiquant $r$, et $\delta(x, s)$ est une fonction continue et lisse représentant la difficulté intrinsèque de la métrique $x$ au site $s$. Le paramètre $a$ représente la discrimination.
• Difficulté Continue : Contrairement à l'IRT classique où la difficulté est un scalaire par item, $\delta(x, s)$ est modélisée comme une fonction lisse (par exemple, une spline) sur le moteur physique continu (par exemple, la vitesse du vent).
• Ancrage Physique : Pour garantir l'interprétabilité et régulariser les données éparses, la fonction de difficulté est ancrée à une courbe d'expert dérivée de la physique. Cela sert de prior, fixant l'échelle de difficulté aux unités physiques et agissant comme une cible de contraction (shrinkage) pour les conditions ayant peu d'observations.
• Récupération Marginale : Le modèle est strictement plus général qu'une courbe de suitabilité unique. En intégrant la distribution de la compétence $p(\theta)$, le modèle récupère la courbe de suitabilité exacte au niveau de la population que les méthodes traditionnelles ajusteraient. Cela garantit la compatibilité ascendante ; si la structure latente ne peut être identifiée, le système revient par défaut au comportement de la courbe unique standard.
• Estimation : Les paramètres sont estimés via le Maximum de Vraisemblance Marginale (MML) en utilisant un algorithme EM avec quadrature de Gauss-Hermite. Cette approche est déterministe et évite les lourdes dépendances d'échantillonnage.
• Identifiabilité : L'identification de la compétence et de la difficulté nécessite un graphe d'incidence pratiquant $\times$ condition connecté (les pratiquants doivent être observés à travers des conditions variées, et les conditions doivent être expérimentées par des pratiquants variés). Si cette condition n'est pas remplie, le modèle revient automatiquement à la marge de la courbe unique pour éviter une personnalisation fallacieuse.

Contributions Clés

1. IRT à Items Continus : Le papier étend l'IRT explicative à un moteur physique continu, modélisant la difficulté comme une fonction lisse plutôt que comme un ensemble d'items discrets.
2. Identifiabilité et Estimation : Il établit les conditions de séparation de la compétence et de la difficulté (graphe d'incidence connecté) et fournit un estimateur MML déterministe avec un mécanisme de repli documenté.
3. L'Atlas de la Difficulté Intrinsèque : La fonction de difficulté récupérée définit un nouveau construit mesurable au niveau du site — l'« atlas de la difficulté intrinsèque ». Il s'agit d'une carte anonyme et joignable de la difficulté d'une condition, indépendante du mélange de compétences des personnes qui l'expérimentent.

Résultats (Récupération Synthétique)
Le papier valide la méthodologie via une étude de récupération synthétique, générant des données à partir de vérités de terrain connues (80 pratiquants, 30 résultats chacun) et tentant de les récupérer.

• Récupération de la Compétence : Le modèle récupère la compétence latente du pratiquant avec une corrélation de Pearson de 0,96 par rapport à la vérité de terrain.
• Localisation de la Difficulté : Le modèle localise le minimum de la fonction de difficulté à $\pm 3$ unités près de l'optimum de la vérité de terrain (récupéré à 16,7 nœuds contre 18 nœuds réels).
• Gain Prédictif : Le modèle conditionné par la compétence améliore le score de compétence de Brier (Brier Skill Score) de +0,33 par rapport à la référence de la courbe d'expert.
• Reproductibilité : Tous les résultats sont générés à partir d'une seule commande sur des données synthétiques sans observations propriétaires.

Signification et Revendications
Le papier se positionne comme un article de méthodologie avec une étude de validation synthétique. Il stipule explicitement qu'il ne fait aucune revendication empirique sur de vrais pratiquants et que la validation empirique sur des cohortes de terrain constitue un travail futur.

La principale signification revendiquée est le passage conceptuel et méthodologique de la « suitabilité » (un construit mixte de difficulté et de clientèle) à la « difficulté intrinsèque » (un construit latent isolé de la compétence de la population). En ancrant cette difficulté à des courbes dérivées de la physique, les auteurs soutiennent que l'« atlas de la difficulté » devient un artefact scientifique mesurable, auditable et anonyme que les réseaux d'observation météorologiques existants ne peuvent capturer. Cette séparation permet une aide à la décision qui répond à « difficile pour qui » plutôt que simplement « difficile en moyenne », fournissant un primitif pour le scoring conditionné par la compétence et potentiellement pour la tarification de l'assurance paramétrique basée sur le risque intrinsèque du site.

Le cadre de gouvernance garantit que, bien que l'atlas de la difficulté soit un artefact scientifique durable et public, les estimations de compétence individuelle restent privées et supprimables, résolvant ainsi la tension entre auditabilité et confidentialité.