تقييم جودة الأداء يشكل تحديًا بسبب الفروقات الدقيقة بين مقاطع الفيديو والتغيرات الكبيرة في النقاط. تعاني معظم الطرق الحالية من هذا المشكل عبر تقدير نقطة جودة من مقطع فيديو واحد، مما يجعلها عرضة للتغيرات الكبيرة في النقاط بين مقاطع الفيديو. في هذا البحث، نوضح أن العلاقات بين مقاطع الفيديو يمكن أن توفر أدلة مهمة لتقدير أكثر دقة لجودة الأداء أثناء التدريب والاستدلال. بصفة خاصة، نعيد صياغة مشكل تقييم جودة الأداء كتقدير النقاط النسبية مع الإشارة إلى مقطع فيديو آخر يشارك فيه خصائص مشتركة (مثل الفئة والصعوبة)، بدلاً من تعلم نقاط غير مرجعية. وفقًا لهذه الصياغة، نقترح إطارًا جديدًا للانحدار المقارن (CoRe) لتعلم النقاط النسبية عبر المقارنة الزوجية، والذي يبرز الاختلافات بين مقاطع الفيديو ويوجه النماذج لتعلم العناصر الرئيسية لتقييم الجودة. للحصول على استغلال أفضل للمعلومات النسبية بين مقطعي فيديو، قمنا بتصميم شجرة انحدار واعية للمجموعات لتحويل الانحدار التقليدي للنقاط إلى مشكلين أسهل: تصنيف خشن إلى دقيق والانحدار في فواصل صغيرة. لإثبات فعالية CoRe، أجرينا تجارب واسعة النطاق على ثلاثة مجموعات بيانات رئيسية لتقييم جودة الأداء وهي AQA-7 و MTL-AQA و JIGSAWS. حققت طريقتنا تفوقًا كبيرًا على الطرق السابقة وأقامت معايير جديدة رائدة على جميع الثلاثة مقاييس.