通过观看比赛和阅读书籍泛化运动反馈生成：基于攀岩的案例研究

尽管 video-LLM 在快速进步，凭借先进的推理能力，但先前工作表明，这些模型在挑战性的运动反馈生成任务上仍然困难，需要昂贵且难以收集的针对每项运动的 finetuning 反馈数据。此限制体现在对未见过的运动的泛化能力较差。此外，传统的文本生成评估指标（如 BLEU-4、METEOR、ROUGE-L、BERTScore），原本为机器翻译和摘要生成开发，难以捕捉运动反馈质量的独特方面。为解决第一个问题，我们以攀岩为案例研究，提出使用来自目标领域的额外 freely-available web 数据（如比赛视频和教练手册），除非来自 source domain 的现有运动反馈，以提高对目标领域的运动反馈生成性能。为改进评估，我们提出了两个评估指标：(1) 具体性和 (2) 可操作性。我们的方法结合了这些技术，使在有限标注条件下能够更有意义和实用的运动反馈生成成为可能。