التعلم الذاتي الواعي بالسياق باستخدام انحدار تدريجي للمرحلة الفرعية لتقييم جودة الأداء

رؤية الأداء من منظور جديد

عندما نشاهد غطاسين أولمبيين أو رياضيين نخبويين آخرين، نلحظ بالفطرة من أدّى أفضل، لكن تحويل ذلك الإحساس إلى أرقام موضوعية أمر صعب. أنظمة الفيديو الآلية الحالية قد تعطي «درجة» إجمالية للحركة، لكنها نادراً ما تشرح لماذا كان الغطس جيداً أو سيئاً، أو أي جزء يحتاج إلى تحسين. تعرض هذه الورقة طريقة جديدة لكي تراقب الحواسيب الحركات المعقدة في الفيديو، وتجزئها إلى أجزاء مفهومة، وتقَيّم كل جزء على حدة — موفرةً تغذية راجعة أقرب إلى ما قد يقدمه مدرّب بشري.

تفكيك الحركة المعقدة إلى أجزاء يمكن التعامل معها

تتعامل العديد من أدوات تقييم جودة الحركة الحالية مع الغطسة أو الحركة الكاملة كوحدة واحدة، منتِجةً درجة إجمالية وحيدة. هذا يخفي تفاصيل حاسمة: قد ينطلق الغطاس انطلاقاً مثالياً لكنه يدخل الماء بصورة سيئة، ولا يمكن لرقم واحد أن يكشف ذلك. يتعامل المؤلفون مع هذا الأمر بتعليم الحاسوب تقسيم كل فيديو إلى مراحل ذات معنى، أو «مراحل فرعية»، مثل البداية، الإقلاع، الطيران، والدخول. والأهم أن هذا التقسيم يتم تلقائياً، دون وسم بشري لمواضع نهاية كل مرحلة وبداية الأخرى. تُجمِّع طريقة عنقودية غير خاضعة للمراقبة الإطارات المتجاورة التي «تتصرّف» بشكل مشابه عبر الزمن، ما يمنح النظام سرداً تقريبيًا لكن موثوقاً لأحداث الأداء.

إتاحة الفرصة للنظام ليعلّم نفسه ما هو المهم

بعد تقسيم الفيديو إلى مراحل، يحتاج النظام لفهم ملامح كل مرحلة عندما تُؤدى جيداً أو سيئاً. بدلاً من الاعتماد على تسميات كثيفة مصنوعة يدوياً، يستخدم المؤلفون التعلم الذاتي المُشرف: يُعرَض النموذج على نسخ عديدة من نفس المرحلة الفرعية حيث تُحذف مقاطع من الإطارات عمداً أو «تُقنَّع». يجب على النظام أن يولّد أوصافاً داخلية متشابهة لكل من المقاطع الكاملة والناقصة جزئياً. عبر تعلّم تجاهل هذه الفجوات الاصطناعية، يصبح أكثر صلابة أمام مشكلات العالم الواقعي مثل الانسدادات القصيرة، الإطارات المفقودة، أو حدود مراحل غير دقيقة بعض الشيء، ويتعلم التركيز على أنماط الحركة والوضعية الأساسية التي تحدد الجودة.

من درجة إجمالية واحدة إلى درجات فرعية مفيدة متعددة

عادةً ما تحتوي مجموعات البيانات الحقيقية على درجة إجمالية واحدة لكل غطس، وليس تقييمات منفصلة لكل مرحلة. لتجاوز هذه المشكلة، يقدم المؤلفون استراتيجية «درجات فرعية زائفة» تقدمية. أولاً، يدمجون الدرجة الإجمالية مع الميزات المتعلمة حديثاً لكل مرحلة فرعية ويدرِّبون شبكات صغيرة لتخمين درجة مؤقتة لكل مرحلة. ثم يصقلون هذه التخمينات بالسماح بتدفّق المعلومات عبر التسلسل: تُحدَّث ميزات كل مرحلة باستخدام درجات المراحل السابقة، ما يلتقط كيف يمكن لخطأ صغير في الإقلاع أن يتفاقم أثناء الطيران والدخول. في صيغَة ثانية، يمكن لكل مرحلة الوصول إلى جميع درجات المراحل السابقة، مما يمكّن من نمذجة علاقات السبب والنتيجة بعيدة المدى عبر الحركة. أخيراً، تجمع شبكة انحدار مدمجة الدرجات المرحلة المصقولة إلى توقع إجمالي، الآن دون الحاجة إلى رؤية الدرجة الحقيقية عند مدخلها.

الاختبار على مسابقات غطس حقيقية

قيّم الباحثون إطار عملهم على مجموعتي بيانات صارمتين مسجلتين من مسابقات دولية كبرى. توفر هذه المجموعات درجات إجمالية من الحكام البشر، وفي بعض الحالات توقيتًا تقريبيًا للمراحل، لكنها لا تحتوي على تسميات جودة على مستوى المرحلة. حققت الطريقة الجديدة ارتباط ترتيب على مستوى الدولة-of-the-art، ما يعني أن ترتيبها للرياضيين يطابق عن قرب ترتيب الحكام الخبراء، مع تقليل الأخطاء العددية في الدرجات المتوقعة. أظهرت تجارب «الإلغاء» الدقيقة أن الفكرتين الرئيسيتين — تحسين الميزات بالتعلم الذاتي ونمذجة الدرجات الفرعية الزائفة التقدمية — تضيفان تحسينات ملموسة. ومن الجدير بالذكر أن استخدام حدود مراحل تلقائية أدّى تقريباً بنفس كفاءة استخدام الوسوم البشرية المتعبة، مما يشير إلى أن النظام مرن تجاه التقسيم غير المثالي.

تحويل الأرقام إلى نصائح تدريبية مفيدة

بعيداً عن الدقة، تجعل هذه المقاربة التقييم الآلي أكثر قابلية للتفسير. من خلال تخصيص درجة منفصلة لكل مرحلة من مراحل الغطس، يمكن للنظام توضيح، على سبيل المثال، أن غطاسين لديهما إقلاع وطيران متقاربان لكنهما يختلفان اختلافاً كبيراً في الدخول حيث يُحدث أحدهما رشة ماء كبيرة. تؤكد تحليلات العديد من العينات أن هذه الدرجات المرحلية تتبع نفس أولويات الحكام البشر، مع حمل مرحلة الدخول في كثير من الأحيان للوزن الأكبر. عملياً، يمكن للطريقة أن تشير للرياضيين والمدرّبين إلى الجزء الدقيق من الأداء الذي يحتاج إلى تحسين، بينما لا تزال تستخدم بيانات تدريب بسيطة نسبياً. وعلى الرغم من عرضها على الغطس، فالمفهوم مرن بما يكفي ليُطبَّق على مهام متعددة المراحل أخرى — من الإجراءات الجراحية إلى تمارين التأهيل — حيث يكون فهم مساهمة كل جزء في الجودة الشاملة أمراً أساسياً.

الاستشهاد: Mazruei, M., Fazl-Ersi, E., Vahedian, A. et al. Semantic-aware self-supervised learning using progressive sub-action regression for action quality assessment. Sci Rep 16, 6670 (2026). https://doi.org/10.1038/s41598-026-36668-y

الكلمات المفتاحية: تقييم جودة الحركة, تحليل فيديوهات رياضية, التعلم الذاتي, تقييم حركة الإنسان, التعلم العميق للتدريب