تقييم جودة الأداء الآلي (Automated action quality assessment) في الرياضات الأولمبية يعتبر تحديًا كبيرًا بسبب تعقيد الحركات البشرية والطبيعة الذاتية في تحكيم الخبراء. في هذا السياق، قامت دراسة جديدة بتقييم قدرة نماذج الرؤية واللغة المفتوحة المصدر (Vision-Language Models) على إجراء تقييم جودة الأداء في غوص الأولمبي دون حاجة للتدريب المسبق، وذلك باستخدام مجموعة بيانات AQA-7.

وفي هذا الصدد، تم اقتراح إطار عمل قائم على الانحدار (regression-based framework) للاستفادة من كل من التفكير الدلالي والدرجات الفرعية الناتجة عن هذه النماذج. حيث تم دمج تقنيات مثل TF-IDF للت vectorization، وتقليل الأبعاد (dimensionality reduction)، والتعلم الجماعي (ensemble learning) لتوقع الدرجات النهائية في المنافسات.

وأظهرت النتائج التجريبية أن نماذج الرؤية واللغة، عندما تعمل بشكل منفرد، تحقق علاقات متوسطة في معامل سبيرمان (Spearman correlation) أقل من 0.32، بينما الإطار المقترح للتعلم الجماعي قام بتحسين الأداء بشكل ملحوظ، حيث وصل إلى معامل سبيرمان قدره 0.67 مع تكوين من أربعة نماذج.

مدى تفوق السمات النصية الناتجة عن النماذج على الأرقام الفرعية الخام أكد على غنى الشروحات المقدمة، مما يعزز قدرة هذه النماذج على تحليل جودة الأداء بشكل أكثر تفصيلاً ووضوحًا. تشير هذه النتائج إلى أن نماذج الرؤية واللغة تمتلك إمكانيات قوية كأدوات مساعدة لتقييم أداء رياضي قابل للتفسير ونصف آلي.

للمزيد من التفاصيل، يمكنكم زيارة GitHub للحصول على الشيفرة البرمجية الخاصة بالبحث.