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

Sintesi Tecnica: Idoneità Inversa tramite la Teoria della Risposta all'Item Continua

Definizione del Problema
L'attuale supporto decisionale operativo per le attività all'aperto (ad es. kitesurf, ski touring) si basa sulla "valutazione dell'idoneità" (suitability scoring), che mappa le condizioni ambientali (velocità del vento, altezza delle onde, stabilità della neve) in un verdetto di "go/no-go". Queste mappature sono tipicamente curve definite da esperti e calibrate rispetto agli esiti osservati. Il documento identifica un difetto fondamentale in questo approccio: una singola curva di idoneità fonde due quantità distinte — la difficoltà intrinseca di una condizione e il livello di abilità della popolazione che la affronta. Di conseguenza, due località con identiche curve di idoneità adattate possono possedere difficoltà intrinseche radicalmente diverse, mascherate da differenti clientele. Le reti meteorologiche esistenti misurano gli stati ambientali ma non possono isolare il termine "difficoltà" perché mancano dello strato decisionale umano necessario per separarlo dall'abilità della popolazione. Inoltre, i metodi psicometrici classici per separare la difficoltà dell'item dall'abilità della persona (Item Response Theory - IRT) non sono direttamente applicabili perché le condizioni ambientali sono variabili continue, non item discreti.

Metodologia
Gli autori propongono l'Idoneità Inversa (Inverse Suitability), un modello IRT a item continui che disaccoppia l'abilità latente del rider ($\theta_r$) dalla difficoltà della condizione latente ($\delta(x, s)$) utilizzando solo esiti comportamentali binari ($y \in \{0, 1\}$).

• Il Modello: La probabilità di un esito positivo è modellata come:
  $$P(y=1 | r, x, s) = \sigma(a(x, s)(\theta_r - \delta(x, s)))$$
  Dove $\sigma$ è la funzione logistica, $\theta_r$ è l'abilità latente del rider $r$ e $\delta(x, s)$ è una funzione continua e fluida che rappresenta la difficoltà intrinseca della metrica $x$ nel sito $s$. Il parametro $a$ rappresenta la discriminazione.
• Difficoltà Continua: A differenza della classica IRT dove la difficoltà è uno scalare per ogni item, $\delta(x, s)$ è modellata come una funzione fluida (ad es. spline) su un driver fisico continuo (ad es. velocità del vento).
• Ancoraggio alla Fisica: Per garantire l'interpretabilità e regolarizzare i dati sparsi, la funzione di difficoltà è ancorata a una curva di esperti derivata dalla fisica. Questo funge da prior, fissando la scala di difficoltà alle unità fisiche e agendo come target di contrazione (shrinkage) per le condizioni con poche osservazioni.
• Recupero Marginale: Il modello è strettamente più generale di una singola curva di idoneità. Integrando la distribuzione della abilità $p(\theta)$, il modello recupera l'esatta curva di idoneità a livello di popolazione che i metodi tradizionali andrebbero a calibrare. Ciò garantisce la compatibilità all'indietro; se la struttura latente non può essere identificata, il sistema torna automaticamente al comportamento della singola curva marginale.
• Stima: I parametri sono stimati tramite Massima Verosimiglianza Marginale (MML) utilizzando un algoritmo EM con quadratura di Gauss-Hermite. Questo approccio è deterministico ed evita pesanti dipendenze dal campionamento.
• Identificabilità: L'identificazione di abilità e difficoltà richiede un grafo di incidenza rider $\times$ condizione connesso (i rider devono essere osservati in condizioni varie e le condizioni devono essere sperimentate da rider vari). Se questa condizione non è soddisfatta, il modello torna automaticamente alla marginale a singola curva per evitare una personalizzazione spuria.

Contributi Chiave

1. IRT a Item Continui: Il documento estende l'IRT esplicativa a un driver fisico continuo, modellando la difficoltà come una funzione fluida piuttosto che come un insieme di discreti attributi dell'item.
2. Identificabilità e Stima: Stabilisce le condizioni per separare l'abilità dalla difficoltà (grafo di incidenza connesso) e fornisce uno stimatore MML deterministico con un meccanismo di fallback documentato.
3. L'Atlante della Difficoltà Intrinseca: La funzione di difficoltà recuperata definisce un nuovo costrutto misurabile a livello di sito — l' "atlante della difficoltà intrinseca". Questa è una mappa anonima e unificabile di quanto sia difficile una condizione, indipendente dalla miscela di abilità delle persone che la affrontano.

Risultati (Recupero Sintetico)
Il documento valida la metodologia attraverso uno studio di recupero sintetico, generando dati da verità di base note (80 rider, 30 esiti ciascuno) e tentando di recuperarle.

• Recupero dell'Abilità: Il modello recupera l'abilità latente del rider con una correlazione di Pearson di 0,96 rispetto alla verità di base.
• Localizzazione della Difficoltà: Il modello localizza il minimo della funzione di difficoltà entro $\pm 3$ unità dall'ottimo della verità di base (recuperato a 16,7 nodi contro i 18 reali).
• Guadagno Predittivo: Il modello condizionato all'abilità migliora il Brier Skill Score sul set di test di +0,33 rispetto al baseline della curva dell'esperto.
• Riproducibilità: Tutti i risultati sono generati da un singolo comando su dati sintetici senza osservazioni proprietarie.

Significato e Rivendicazioni
Il documento si posiziona come un documento metodologico con uno studio di validazione sintetica. Afferma esplicitamente di non formulare alcuna rivendicazione empirica su rider reali e che la validazione empirica su coorti sul campo è un lavoro futuro.

Il significato primario rivendicato è lo spostamento concettuale e metodologico dalla "idoneità" (una metrica mista di difficoltà e clientela) alla "difficoltà intrinseca" (un costrutto latente isolato dall'abilità della popolazione). Ancorando questa difficoltà a curve derivate dalla fisica, gli autori sostengono che l' "atlante della difficoltà" diventi un artefatto scientifico misurabile, verificabile e anonimo che le attuali reti di osservazione meteorologica non possono catturare. Questa separazione permette un supporto decisionale che risponde a "difficile per chi" piuttosto che solo a "difficile in media", fornendo un elemento primitvo per la quotazione di punteggi condizionati all'abilità e potenzialmente per la determinazione dei prezzi assicurativi parametrici basati sul rischio intrinseco del sito.

Il quadro di governance assicura che, mentre l'atlante della difficoltà rimane un artefatto scientifico duraturo e pubblico, le stime di abilità individuale rimangano private e cancellabili, risolvendo la tensione tra verificabilità e privacy.