Integrating Generative AI for Enhanced Fitness Coaching: From Exercise form to Posture and Body Composition Analysis
Notice bibliographique
Résumé
Recently, several applications and specialized versions of ChatGPT have been developed to either create personalized exercise programs based on the fitness levels of practitioners or to provide post-exercise nutrition and recovery advice. However, existing specialized ChatGPTs are limited to specific tasks, and not well-finetuned. In this paper, we introduce a novel application of ChatGPT as a personalized assistant capable of correcting improper postures and analyzing body compositions. We trained ChatGPT to improve posture during exercises and daily activities, thereby enhancing its role as an assistant to prevent injuries and optimize training effectiveness. In addition, we explore ChatGPT's potential to understand body compositions and predict physical transformations, providing users with insights into the outcomes of their fitness and nutrition efforts. Our results indicate that the current ChatGPT model can identify and correct incorrect postures, but struggles to provide visual aids for the correction. It can also provide training schedules and nutrition plans based on requirements, but those plans tend to be general and lack customization. In terms of body composition, ChatGPT can analyze body fat on a broader scale, but with less sensitivity to smaller changes in body fat. The performance of ChatGPT can be further improved using more image datasets related to gym exercises, human postures, and body compositions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».