تقييم جودة الحركات من الفيديوهات قد جذب اهتمامًا متزايدًا في السنوات الأخيرة. تتعامل معظم الطرق الموجودة حاليًا مع هذه المشكلة غالبًا باستخدام خوارزميات الانحدار، والتي تتجاهل الغموض الداخلي في علامات التقييم الناجم عن وجود عدة قضاة أو تقديراتهم الذاتية. لمعالجة هذه المسألة، نقترح نهجًا يتعلم توزيع النقاط مع الوعي بالغموض (USDL) لتقييم جودة الحركات (AQA). بصفة خاصة، نعتبر الحركة كحالة مرتبطة بتوزيع النقاط، والذي يصف احتمالية مختلف النقاط المُقَدَّرَة. بالإضافة إلى ذلك، وفي ظروف توفر علامات التقييم الدقيقة (مثل درجة صعوبة الحركة أو نقاط متعددة من قضاة مختلفين)، نطور طريقة تعلم توزيع النقاط مع الوعي بالغموض عبر مسارات متعددة (MUSDL) لاستكشاف المكونات المنفصل لكل نقطة. أجرينا التجارب على ثلاثة مجموعات بيانات لتقييم جودة الحركات تحتوي على حركات أولمبية مختلفة وأنشطة جراحية، حيث حققت طرقنا أفضل النتائج حتى الآن وفقًا لمعامل ارتباط رتب سبيرمان (Spearman's Rank Correlation).