في عالم الرياضة، يعتبر تقييم الرياضيين عملية حيوية لمتابعة التقدم البدني والكشف عن المواهب النادرة. ومع ذلك، خلال عمليات التوظيف الجماهيرية، تعتمد الطرق التقليدية على المراقبة اليدوية، ما يؤدي إلى نتائج ذات طابع شخصي وغير قابلة للتوسع، أو أنظمة رؤية حاسوبية أساسية تقتصر على حساب التكرارات الكمية فقط.

تفتقر هذه الأساليب القياسية إلى "ذكاء التدريب" اللازم لتقييم المعايير الفيزيولوجية النوعية مثل تدهور الشكل، وحركة العمود الفقري، والتعب. في هذا الإطار المبتكر، نقدم إطار عمل هجين قائم على نموذج اللغات الضخمة (LLM) لتقييم الرياضيين بشكل آلي وشامل، بما يتوافق بدقة مع بروتوكولات تقييم هيئة الرياضة الهندية (SAI).

يتم تنسيق الإطار عبر LangGraph، حيث يجمع بين دقة الهندسة لنظام الرؤية الحاسوبية (MediaPipe) لرصد الحركة مع التفكير الدلالي لنماذج الرؤية واللغة (Llama-4-scout). وللتغلب على قيود التأخير وعدد الرموز المتعلقة بمعالجة الفيديو متعدد الوسائط، نقدم استراتيجية تقسيم زمني "Smart Grid" (3 × 3) تقلل من الحمل الحاسوبي بأكثر من 88% مع الحفاظ على التواصل الزمني الحرج.

لضمان سلامة البيانات وتقليل الأخطاء، يبتكر الإطار حلقة تصحيح ذاتية تحت عنوان "LLM-as-a-Judge"، حيث يتم التحقق من صحة المقاييس الكمية والنوعية معًا قبل الحفظ. كما يتم تنفيذ خط أنابيب مزدوج الاستمرارية Retrieval-Augmented Generation (RAG) باستخدام محرك بحث متجه (ChromaDB)، مما يمكّن المدربين من تجاوز قواعد البيانات التقليدية المعقدة وإجراء استعلامات معنوية باستخدام اللغة الطبيعية.

تظهر النتائج التجريبية أن هذا النهج متعدد الوكلاء يسد الفجوة بين تتبع القياسات الحيوية وتحويلها إلى رؤى تدريب قابلة للتطبيق، مقدماً حلاً قابلاً للتوسع وموضوعياً لتحديد المواهب الوطنية.