يشهد الذكاء الاصطناعي تطوراً ملحوظاً في العديد من المجالات، ولكن تبقى بعض الأسئلة المحورية مطروحة حول مدى فعالية النماذج العامة في مهام محددة مثل التعرف على الأنشطة البشرية (Human Activity Recognition) بدون تدريب مسبق. الأبحاث الأخيرة تناولت نموذج Jev، وهو نموذج احتمالي عام يهدف إلى تقليل الاعتماد على البيانات الموصوفة في هذا المجال.

تغطت الدراسة 1,800 نافذة متوازنة من بيانات تسارع متاحة من ثلاثة مصادر: WISDM وUCI341 وPAMAP2، حيث تم تقييم قدرة نموذج Jev على اتخاذ قرارات مستندة إلى المعلومات المتاحة من أجهزة الاستشعار دون الحاجة إلى تصنيفات مسبقة. على الرغم من كونه سريعاً وغير مكلف للاستعلام، إلا أن النتائج أظهرت أن أداء Jev لم يكن قريباً من النماذج المدربة، إذ حقق نسبة ماكرو F1 تتراوح بين 0.038 إلى 0.118 عبر مجموعات البيانات الثلاث، بينما كانت النماذج المدربة تحقق نسباً تتراوح بين 0.686 إلى 0.907.

تُظهر النتائج أن زيادة الميزات العددية لا تعزز أداء Jev، بل قد تكون لها تأثيرات سلبية، مما يستدعي إعادة التفكير في كيفية استخدام النماذج لهذه البيانات. كما تسلط الدراسة الضوء على ضرورة تقييم واجهة نموذج الاستشعار بدلاً من اعتبارها خطوة إعداد محايدة. إن إمكانيات الذكاء الاصطناعي في التعرف على الأنشطة البشرية ما زالت تحتاج إلى تطوير وتحسين، فما هي التوجهات المستقبلية التي ينبغي اعتمادها لتحسين هذه النماذج؟