في عالم الذكاء الاصطناعي، يمثل التنبؤ بحركة الأشخاص تحديًا كبيرًا يتطلب نمذجة كل من أنماط الحركة الفردية والتفاعلات الاجتماعية بين الأفراد. لقد حققت الطرق الحالية تقدمًا ملحوظًا بفضل آليات الانتباه (Attention Mechanisms) والهياكل البيانية (Graph Structures) والمشفرات الزمنية (Temporal Encoders) التي تلتقط السياق الاجتماعي الديناميكي. لكن ما يدعو للدهشة، أن معظم هذه التقنيات تركز بشكل أكبر على كيفية تشفير المعلومات الاجتماعية بدلاً من كيفية تأثير هذا السياق الاجتماعي المشفر في توليد الحركة المستقبلية.

في بحث جديد، يتم تقديم نموذج GEAR، الذي يطرح فكرًا جديدًا بأن تشفير المعلومات الاجتماعية الديناميكية لا يعني بالضرورة تنشيطها ديناميكيًا. حيث يتطلب السياق التفاعلي نفسه قوى تنشيط مختلفة حسب المستقبل وكثافة المشهد؛ فالمؤشرات الاجتماعية يجب أن تُعزز عندما تكون الأدلة التفاعلية قوية، بينما يجب تقليلها عندما تكون ضعيفة أو مشوشة.

إجابةً لهذه التحديات، يقدم GEAR نموذج تنشيط يعتمد على الانحياز المدرك لعملية التنبؤ بحركة الأشخاص. حيث يقوم GEAR بتفعيل الديناميات الفردية والاجتماعية بشكل ديناميكي في كل خطوة مستقبلية قبل تكوين الحركة النهائية. هذا يسمح للنموذج بالتحكم بشكلٍ واضح في متى وكيف تشارك مكونات الانحياز الفردي والاجتماعي في عملية التوليد.

تتضمن التجارب التي أجريت على مجموعات بيانات مشهورة مثل ETH-UCY وSDD وNBA، أن GEAR يُحسن باستمرار الأداء مقارنةً بنماذج الأساس القائمة على الرنين الاجتماعي (Resonance-Based Baselines)، محققًا أداءً يتماشى مع أحدث ما توصلت إليه التكنولوجيا. كما أن التحليلات الإضافية الخاصة بأنماط التنشيط والأخطاء المرتبطة بالكثافة تدعم أهمية معايرة السياق الاجتماعي المشفر خلال عملية التنبؤ.

لذا، إذا كنت من المهتمين بالتقنيات الحديثة، فننصحك بمتابعة نتيجة هذا البحث. يمكنك الحصول على الكود المصدري للمشروع عبر الرابط هنا.