FitAQA: A Benchmark of Fitness Action Quality Assessment for Multimodal Large Language Models
تقدم هذه الورقة FitAQA، وهو معيار مرجعي شامل يتكون من 2,219 فيديو و5,512 حالة سؤال وجواب عبر 30 تمرينًا مع تصنيف موحد لأخطاء الأداء، صُمم لتقييم قدرات النماذج اللغوية الكبيرة متعددة الوسائط في تقييم جودة حركة اللياقة البدنية، ويكشف أن النماذج الحالية تعاني بشكل أساسي من مشاكل في الإدراك البصري.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تشاهد صديقاً لك وهو يحاول تعلم حركة رقص جديدة من مقطع فيديو. يمكنك بسهولة معرفة ما إذا كان يؤديها بشكل صحيح أم خاطئ، لكن شرح لماذا ركبته مثنية بشكل خاطئ أو لماذا إيقاعه غير منضبط يتطلب مزيجاً من العين الثاقبة والمعرفة المتخصصة. هذا هو جوهر تقييم جودة الحركة (AQA). وبينما أصبحت الحواسيب بارعة جداً في مجرد التعرف على نوع الحركة التي تحدث (مثل الصراخ قائلاً: "قفز جاكس!"), إلا أنها تاريخياً عانت في الحكم على مدى جودة أدائها. مؤخراً، وصل نوع جديد من الأدمغة الحاسوبية فائقة الذكاء يسمى النموذج اللغوي الكبير متعدد الوسائط (MLLM). هذه النماذج يمكنها رؤية الفيديوهات وقراءة النصوص، وهي تعد بأن تعمل كمدرب شخصي لا يكتفي بقول "عمل جيد" فحسب، بل يمكنه نقد هيئة جسمك بدقة. ولكن يبقى السؤال الكبير: هل هذه النماذج المدربة بالذكاء الاصطناعي جاهزة حقاً لمساعدتنا، أم أنها مجرد تخمين؟
هذا هو بالضبط ما تسعى ورقة FitAQA البحثية إلى اكتشافه. فقد قام الباحثون، بالتعاون مع خبراء في علوم الرياضة، ببناء "حصة تربية بدنية" ضخمة للذكاء الاصطناعي لاختبار مهاراته التدريبية. لم يكتفوا بطلب إعطاء درجة من الذكاء الاصطناعي فحسب؛ بل أنشأوا قائمة مراجعة مفصلة لـ 30 تمريناً مختلفاً من تمارين وزن الجسم (مثل تمرين الضغط والقرفصاء/السكوات)، وقسموا "الهيئة الجيدة" إلى ست فئات محددة: الاستقامة، التماثل، الاستقرار، التنسيق، الإيقاع، والاكتمال. ثم قاموا بتغذية الذكاء الاصطناعي بـ 2,219 مقطع فيديو وأكثر من 5,500 سؤال للإجابة عليها. كانت النتائج بمثابة صدمة للواقع: فبينما تبدو هذه النماذج مثيرة للإعجاب، إلا أنها حالياً سيئة للغاية في رصد التفاصيل الدقيقة والحاسمة التي تجعل التمرين آمناً وفعالاً. فهي غالباً ما تغفل الأخطاء تماماً أو لا تستطيع تحديد متى حدث الخطأ في الفيديو. وتشير الدراسة إلى أن المشكلة الرئيسية ليست في أن الذكاء الاصطناعي لا يعرف قواعد اللياقة البدنية، بل في أنه يكافح لـ رؤية الأدلة البصرية بوضوح كافٍ لتطبيق تلك القواعد.
اختبار الصالة الرياضية العظيم للذكاء الاصطناعي
فكر في الحالة الراهنة لفهم الفيديو بواسطة الذكاء الاصطناعي كطالب قرأ كل الكتب المدرسية عن الفيزياء ولكنه لم يشاهد أبداً كرة ترتد. هو يعرف النظرية، لكنه لا يستطيع التنبؤ أين ستستقر الكرة. أدرك مؤلفو هذه الورقة أنه لكي يختبروا ما إذا كان بإمكان الذكاء الاصطناعي أن يكون مدرب لياقة حقيقي، كانوا بحاجة إلى اختبار لا يقتصر فقط على تخمين درجة نهائية. كانوا بحاجة إلى اختبار يسأل: "هل رأيت الخطأ؟" "هل تعرف أنه خطأ؟" و"متى حدث بالضبط؟"
ولتحقيق ذلك، أنشأوا FitAQA، وهو معيار (اختبار قياسي) يشبه أرضية صالة رياضية رقمية ضخمة. فبدلاً من النظر في نوع واحد فقط من التمارين، غطوا 30 حركة مختلفة، من تمارين الكارديو التي تشمل الجسم كاملاً مثل "القفز جاكس" إلى تمارين قوة الجذع مثل "الرفعة العكسية". لكن السحر الحقيقي يكمن في كيفية تنظيم الأخطاء. فبدلاً من إنشاء قائمة أخطاء منفصلة لكل تمرين (وهو أمر سيكون فوضوياً)، عملوا مع خبراء بشريين لإنشاء "تصنيف موحد للأخطاء" (Unified Error Taxonomy).
تخيل قاموساً للأخطاء ينطبق على كل شيء تقريباً. سواء كنت تقوم بتمرين القرفصاء أو تمرين الضغط، فإن الأخطاء تندرج تحت ست فئات:
- الاستقامة (Alignment): هل مفاصلك مصطفة بشكل صحيح؟
- التماثل (Symmetry): هل يفعل جانبك الأيسر نفس الشيء الذي يفعله جانبك الأيمن؟
- الاستقرار (Stability): هل تتأرجح أو تهتز بشكل لا يمكن السيطرة عليه؟
- التنسيق (Coordination): هل تتحرك ذراعاك وساقاك في انسجام معاً؟
- الإيقاع (Tempo): هل الإيقاع سريع جداً أم بطيء جداً؟
- الاكتمال (Completeness): هل أكملت المدى الحركي الكامل، أم قمت باختصاره؟
لقد وجدوا 38 نوعاً محدداً من الأخطاء المتكررة عبر هذه الفئات. على سبيل المثال، "وضعية الرأس للأمام" أو "عدم كفاية المدى الحركي". سمح هذا للذكاء الاصطناعي باختبار قدرته على رصد هذه الأنماط المحددة عبر تمارين مختلفة، بدلاً من مجرد حفظ أن "القرفصاء بركب منحنية هو أمر سيء".
مستويات الاختبار الثلاثة
لم يطلب الباحثون من الذكاء الاصطناحي مجرد إعطاء درجة نهائية، بل قسموا المهمة إلى ثلاثة مستويات، مثل لعبة فيديو تزداد صعوبة:
- الإدراك (العينان): يُعرض على الذكاء الاصطناعي فيديو ويُسأل: "ماذا ترى يحدث في منطقة الوركين؟" يجب عليه الاختيار بين أوصاف محايدة مثل "الوركان يبقيان تحت الخط" أو "الوركان يرتفعان فوق الخط". هذا يختبر ما إذا كان الذكاء الاصطناعي يستطيع فعلياً رؤية أجزاء الجسم وهي تتحرك بشكل صحيح.
- الحكم (العقل): بمجرد أن "يرى" الذكاء الاصطناعي الحركة، يُسأل: "هل حركة الورك هذه صحيحة؟" وهذا يتطلب دمج ما رآه مع معرفته بقواعد اللياقة البدنية.
- التحديد الزمني (ساعة الإيقاف): هذا هو المستوى الأصعب. يُسأل الذكاء الاصطناعي: "متى بالضبط في هذا الفيديو الذي تبلغ مدته 30 ثانية فشل الشخص في رفع وركيه بما يكفي؟" يجب عليه الإشارة إلى الثواني المحددة التي وقع فيها الخطأ.
النتائج: الذكاء الاصطناعي مدرب سيء (في الوقت الحالي)
عندما أجروا الاختبار على أكثر نماذج الذكاء الاصطناعي تقدماً المتاحة (بما في ذلك أسماء كبيرة مثل GPT-5.5 وGemini ونماذج مفتوحة المصدر متنوعة)، كانت النتائج مفاجئة. أداء نماذج الذكاء الاصطناعي كان بشكل عام أفضل قليلاً من التخمين العشوائي.
- العينان ضعيفتان: عانت النماذج بشكل كبير في مهمة الإدراك. حتى أفضل النماذج سجلت حوالي 54% فقط من التفاصيل البصرية الصحيحة. وهذا يعني أن الذكوس الاصطناعي غالباً لم يستطع التمييز ما إذا كانت الركبة منحنية أكثر من اللازم أو ما إذا كان الظهر مستقيماً.
- العقل مشوش: ولأن الذكاء الاصطناعي لم يستطع رؤية التفاصيل جيداً، كان حكمه سيئاً أيضاً. فقد كان يميل إلى التفاؤل المفرط، حيث كان يقول غال كثيراً إن التمرين "صحيح" حتى عندما لم يكن كذلك.
- ساعة الإيقاف معطلة: بالنسبة لمهمة التحديد الزمني، كانت النماذج سيئة جداً في تحديد اللحظة الدقيقة التي وقع فيها الخطأ. فغالباً ما كانت تخمن أن الفيديو بأكمله هو الخطأ، أو تفشل في رصد الخطأ تماماً.
جاء الاكتشاف الأكثر إثارة للاهتمام من "تجربة ضبط". سأل الباحثون: ماذا لو أخبرنا الذكاء الاصطناعي بالضبط بما رآه، ثم طلبنا منه الحكم؟
عندما قدموا للذكاء الاصطناعي الوصف البصري الصحيح (إجابة "الإدراك") ثم طلبوا منه القيام بـ "الحكم"، ارتفع أداء الذكاء الاصطناعي بشكل صاروخي. على سبيل المثال، قفزت قدرة أحد النماذج على رصد الأخطاء من درجة منخفضة إلى أكثر من 94% من الدقة. وهذا يشير إلى أن الذكاء الاصطناعي يمتلك بالفعل قواعد اللياقة البدنية ويمكنه التفكير جيداً، لكنه يفشل لأنه لا يستطيع رؤية الأدلة البصرية بوضوح كافٍ لتطبيق تلك القواعد. الأمر يشبه مدرباً عبقرياً يرتدي نظارات شمسية داكنة جداً تمنعه من رؤية هيئة الرياضي بوضوح.
الخلا-صة
تخلص الورقة إلى أنه بينما تعد النماذج اللغوية الكبيرة متعددة الوسائط أدوات قوية لفهم محتوى الفيديو العام، إلا أنها ليست جاهزة بعد لتكون مدربي لياقة بدنية موثوقين. فهي تكافح لاكتشاف التفاصيل الدقيقة المتعلقة بالجودة في حركة الإنسان ولا تستطيع تحديد متى تحدث الأخطاء بدقة. ويقترح المؤلفون أنه قبل أن نتمكن من الوثوق بالذكاء الاصطناعي لتصحيح هيئة تماريننا، نحتاج إلى حل مشكلة الإدراك البصري—أي تعليم الذكاء الاصطناعي رؤية التفاصيل الصغيرة للوضعية والحركة بوضوح كما يفعل الخبير البشري. وحتى ذلك الحين، فمن الأفضل الاحتفاظ بمدرب بشري حقيقي في الصورة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.