چارچوب ریسک محور و توضیح پذیر برای پشتیبانی داوری ورزشهای رزمی: ارزیابی اولیه تشخیص حرکات ضربه ای و غیر ضربه ای

داوری در ورزشهای رزمی به دلیل سرعت بالای حرکات انسداد، دید تغییر زاویه مشاهده و دشواری تشخیص برخورد به سامانه های پشتیبان تصمیم گیری نیاز دارد که از قابلیت بازبینی و قابلیت اعتماد برخوردار باشند هدف این پژوهش، ارائه و ارزیابی یک چارچوب ریسک محور و توضیح پذیر برای پشتیبانی از تصمیم گیری داوری بر پایه تشخیص دودویی حرکات ضربه ای و غیر ضربه ای در کلیپ های ورزشهای رزمی است مجموعه داده پژوهش شامل ۳۰ کلیپ متوازن است که توسط افراد دارای تجربه تخصصی در ورزشهای رزمی بازبینی شده اند در چارچوب پیشنهادی چهار جریان استخراج ویژگی شامل HOG-SVM به عنوان خط مبنای کلاسیک، ویژگی های ویدئویی SlowFast-feature، ویژگی های اسکلتی Pose-sequence و مدل ترکیبی Fusion مورد بررسی قرار گرفتند به منظور ارزیابی پایدارتر عملکرد مدل ها از اعتبار سنجی متقاطع پنج بخشی استفاده شد افزون بر معیارهای متداول طبقه بندی کالیبراسیون احتمال خطاهای پرریسک طبقه بندی انتخابی و ارجاع موارد نامطمئن به داور انسانی نیز بررسی شد همچنین تحلیل های اکتشافی مرتبط با حرکت مفاصل پویایی زمانی داده های اسکلتی و داده های پرت به منظور بررسی کیفیت و قابلیت تفسیر ویژگی ها انجام گرفت نتایج نشان دادند که برتری مشاهده شده Fusion در ارزیابی تک تقسیمی پس از اعتبار سنجی متقاطع تایید نشد و Pose-Sequence بهترین عملکرد نسبی را در این مجموعه داده کوچک نشان داد این یافته بیانگر آن است که ارزیابی سامانه های هوشمند پشتیبان داوری نباید صرفا بر دقت طبقه بندی یا نتایج یک تقسیم بندی از داده ها متکی باشد در چنین کاربردهایی پایداری نتایج کالیبراسیون احتمال شناسایی خطاهای پرریسک کنترل کیفیت داده های اسکلتی و ارجاع موارد نامطمئن به داور انسانی نیز باید مورد توجه قرار گیرد بنابر این هدف پژوهش حاضر معرفی یک سامانه آماده برای داوری خودکار نیست بلکه ارائه شواهد اولیه برای ضرورت به کارگیری یک رویکرد ریسک محور توضیح پذیر و مبتنی بر حضور انسان در حلقه تصمیم در طراحی سامانه های هوشمند پشتیبان داوری است با توجه به حجم محدود مجموعه داده، نتایج کالیبراسیون تحلیل ریسک و توضیح پذیری در این پژوهش ماهیتی اولیه و اکتشافی دارند و باید با احتیاط تفسیر شوند.

کلیدواژه ها:

پشتیبانی هوشمند ، داوری ورزشهای رزمی ، تشخیص حرکت ، تحلیل ریسک ، اعتبارسنجی متقاطع ، کالیبراسیون ، انسان در حلقه تصمیم ، Human-in-the-loop