運用機器學習技術標準化攀巖路線難度

近年來，攀巖運動自2020東京奧運亮相後，人氣持續攀升，並獲得國際認可。然而，目前攀巖路線難度判定缺乏官方標準，業界亟需一套一致的判定方法。商業攀巖場館期望能客觀地設定路線，讓各個級別的攀巖者都能挑戰，但難度評級往往依賴個人判斷，主觀性強，容易產生不一致性和偏見。

美國新罕布夏大學的研究人員最近展開了一項研究，探討如何整合機器學習和深度學習技術，建立一個標準化的攀巖路線評估系統，以提供一個難度分級量表，促進不同經驗水平的攀巖者都能公平、準確且便利地參與攀巖。該研究成果發表於《體育與積極生活前沿》期刊。

研究發現，以路線為中心的自然語言處理方法，是判定攀巖路線難度最有效的途徑。新罕布夏大學的研究生暨該研究的主要作者布萊斯・歐馬拉表示：「攀巖作為休閒運動的人氣正大幅增長，在攀巖社群中，客觀地報導攀巖路線的難度等級至關重要，但挑戰在於如何設定一個適用於所有技能水平的統一難度等級。」

路線難度取決於多個因素，例如攀巖環境、巖點型別以及攀巖者的動作。研究人員深入探討了這些因素在判定路線難度時所起的作用。新罕布夏大學進行的調查將機器學習技術分為以路線為中心、以攀巖者為中心和尋徑方法三類，並強調了運用自然語言處理提供更客觀的路線難度評估方法的潛力。

新罕布夏大學電機與電腦工程學副教授MD・沙德・馬哈茂德指出：「透過我們的研究，我們試圖解決攀巖場館如何整合機器學習和深度學習系統，以簡化路線設定並消除路線難度評估中的偏見。」在研究過程中，以路線為中心的方法著重分析路線特徵，如巖點型別、巖點間的動作和順序；以攀巖者為中心的方法則利用穿戴式感測器追蹤肌電圖和加速度等指標，並參考過往攀巖表現；尋徑方法則結合了前兩種方法的特點。最終，以路線為中心的方法搭配自然語言處理技術，取得了最佳效果。

調查結果顯示，準確性和細粒度是需要最佳化的關鍵指標，以路線為中心的方法達到了高達84.7%的細粒度準確性。新罕布夏大學的研究人員認為，未來在複雜環境中判定攀巖難度，可能要依靠電腦視覺提取以路線為中心的資料，再透過自然語言處理演演算法進行分析。此外，他們預計機器學習和深度學習方法將不斷演進，像攀巖者一樣解決路線難題，隨著技術的進一步發展，有望解決攀巖路線難度評估中普遍存在的分級偏見問題。