هل يمكن تحسين الأداء في مهمة تقييم جودة الحركة (AQA) من خلال استغلال وصف للحركة وجودتها؟ تقترح الطرق الحالية لتقييم AQA والتقييم المهاري تعلم خصائص تخدم مهمة واحدة فقط - تقدير النتيجة النهائية. في هذا البحث، نقترح تعلم الخصائص المكانية-الزمانية التي تفسر ثلاث مهام ذات صلة - التعرف الدقيق على الحركات، إنشاء التعليقات، وتقدير درجة AQA. تم جمع مجموعة بيانات جديدة متعددة المهام لـ AQA، وهي الأكبر حتى الآن، تتكون من 1412 عينة غوص لتقييم نهجنا (https://github.com/ParitoshParmar/MTL-AQA). نظهر أن نهج MTL الخاص بنا يتفوق على نهج STL باستخدام نوعين مختلفين من الهندسات: C3D-AVG و MSCADC. يحقق نهج C3D-AVG-MTL أداءً جديدًا رائدًا بمعدل ارتباط رتبوي قدره 90.44%. تم إجراء تجارب مفصلة لإظهار أن MTL توفر تعميمًا أفضل من STL وأن التمثيلات المنبثقة من نماذج التعرف على الحركات غير كافية لمهمة AQA ويجب بدلاً من ذلك تعلمها.