أظهرت أساليب التجزئة الزمنية للإجراءات نجاحًا كبيرًا مؤخرًا. ومع ذلك، فإن تسمية مقاطع الفيديو بعلامات على مستوى الإطارات لتدريب هذه النماذج يتطلب جهدًا كبيرًا ووقتًا طويلاً. في حين أن الطرق المُدرَّبة باستخدام مجموعات إجراءات مرتبة فقط (وهي طرق مُراقبة ضعيفًا) تتطلب جهد تسمية أقل، إلا أن أداؤها لا يزال أضعف من الطرق المُدرَّبة بشكل كامل. في هذا البحث، نقترح استخدام المراقبة الزمنية (timestamp supervision) لمهام التجزئة الزمنية للإجراءات. تُعدّ المراقبة الزمنية مماثلة من حيث جهد التسمية للطرق المُراقبة ضعيفًا، ولكنها توفر إشارة مراقبة أكثر فاعلية. لتأكيد فعالية المراقبة الزمنية، نقترح أسلوبًا لتدريب نموذج التجزئة باستخدام علامات زمنية فقط. يستخدم هذا الأسلوب مخرجات النموذج والعلامات الزمنية المُسمّاة لاستنتاج علامات على مستوى الإطارات من خلال كشف تغيرات الإجراء. كما نقدّم خسارة موثوقية (confidence loss) تُجبر الاحتمالات المُتنبّئة على أن تتناقص بشكل تنازلي مع زيادة المسافة عن العلامات الزمنية. وهذا يضمن تعلّم جميع الإطارات، وليس فقط الإطارات الأكثر تميّزًا، أثناء التدريب. تُظهر النتائج على أربع مجموعات بيانات أن النماذج المدربة باستخدام علامات زمنية تحقق أداءً مماثلًا للنماذج المدربة بشكل كامل.