في عالم الذكاء الاصطناعي، يتزايد الاهتمام بكيفية استخدام نماذج اللغات المتعددة الوسائط (Multimodal Large Language Models - MLLMs) لتحسين الأداء الرياضي. وهنا يظهر معيار FitAQA، المعتمد على تقييم جودة الأداء الرياضي، والذي يعد خطوة رائدة في هذا المجال.

يعتبر تقييم جودة الأداء الرياضي (Fitness Action Quality Assessment - AQA) أداة مهمة للتدريب الرياضي الذكي، حيث يمكن أن تساعده على فهم الأداء بشكل أفضل. ومع ذلك، لا تزال قدرات نماذج MLLMs في هذا السياق غير مستكشفة بشكل كافٍ. تعتمد المعايير الحالية على أساليب تصنيف مخصصة للأداء وتركيزها على النتائج النهائية للتقييم، مما يوفر رؤية محدودة حول كيفية تقييم هذه النماذج لجودة التمارين.

تأتي FitAQA لتغطي هذه الفجوة بتقديم معيار منهجي جديد يتضمن قاعدة بيانات ضخمة تضم 2,219 مقطع فيديو و5,512 حالة أسئلة وأجوبة عبر 30 تمرين للوزن الجسدي. تم تطوير تصنيف موحد للأخطاء ينقسم إلى 38 خطأً متكرراً ضمن ستة أبعاد جودة متميزة تشمل: المحاذاة، التوازن، الاستقرار، التنسيق، الإيقاع، والكمال. يوفر هذا التصنيف إطاراً مشتركاً للتقييم عبر تمارين مختلفة.

تتضمن FitAQA ثلاثة مهام تقييمية رئيسية: الإدراك Recognition للتعرف على الأدلة البصرية ذات الصلة، والحكم Judgment لدمج تلك الأدلة مع المعرفة المتخصصة لتقييم صحة التنفيذ، والتموقع الزمني Temporal Grounding لتحديد الأخطاء بشكل دقيق على مدار الوقت.

أظهرت التقييمات المتنوعة أن نماذج MLLMs الحالية لا تزال تعاني من صعوبة في تقييم جودة الأداء الرياضي بشكل شامل وتحديد الأخطاء بدقة. وأشارت التجارب المنضبطة إلى أن الإدراك البصري هو نقطة ضعف رئيسية، حيث يتحسن أداء الحكم بشكل كبير عند توافر أدلة إدراكية موثوقة.

سيتم توفير مجموعة البيانات ورمز التقييم للجمهور، مما يسهل الاستفادة من هذا المعيار لابتكار المزيد من الحلول الذكية في مجال الرياضة.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!