Analisi della percezione dei gradi di difficoltà nell'arrampicata indoor: il caso MoonBoard

Climbing uses various grading scales to define route difficulty. The MoonBoard, a standardised training wall, provides an ideal context for statistical analysis of climbing grades. This thesis aims to implement statistical models to classify MoonBoard boulder problems, with a dual objective: achieving accurate classification and understanding the factors that determine route difficulty. Several models were compared, with an in-depth analysis of the Elastic Net penalised linear model, Projection Pursuit Regression, and Extreme Gradient Boosting. The analysis highlights a trade-off between interpretability (in simpler models) and predictive performance (in more complex ones). The results show good classification performance and contribute to understanding the phenomenon, also through the use of graphical tools.

L’arrampicata utilizza diverse scale di valutazione per definire la difficoltà dei percorsi. La MoonBoard, una parete di allenamento standardizzata, rappresenta un contesto ideale per l’analisi statistica dei gradi di difficoltà. Questa tesi si propone di implementare modelli statistici per classificare i problemi di arrampicata MoonBoard, con un duplice obiettivo: ottenere una classificazione accurata e comprendere i fattori che determinano la difficoltà dei percorsi. Sono stati confrontati diversi modelli, con un’analisi approfondita del modello lineare con penalizzazione Elastic Net, della Projection Pursuit Regression e dell’Extreme Gradient Boosting. Dall’analisi emerge un compromesso tra interpretabilità (nei modelli più semplici) e performance predittiva (nei modelli più complessi). I risultati mostrano una buona capacità di classificazione e offrono un contributo alla comprensione del fenomeno, anche attraverso l’utilizzo di strumenti grafici.