يقدم هذا البحث طريقة جديدة للكشف عن السلوك العنيف من خلال تعلم العلاقات السياقية بين الأشخاص المرتبطين من خلال نقاط الهيكل العظمي للإنسان. على عكس الدراسات السابقة، نحن نقوم أولاً بتكوين سحابة نقاط ثلاثية الأبعاد من نقاط الهيكل العظمي المستخرجة من تسلسلات فيديو، ثم ننفذ تعلم التفاعل على هذه السحابة ثلاثية الأبعاد من نقاط الهيكل العظمي. تم اقتراح وحدة جديدة تُعرف بـ Skeleton Points Interaction Learning (SPIL) لتمثيل التفاعلات بين نقاط الهيكل العظمي. وبشكل خاص، من خلال بناء استراتيجية توزيع أوزان محددة بين النقاط المحلية داخل مناطق محددة، تهدف وحدة SPIL إلى التركيز بشكل انتقائي على أكثر الأجزاء ذات صلة بينها بناءً على خصائصها ومعلومات مكانيّة-زمنية. وللتمكّن من التقاط أنواع متنوعة من المعلومات المتعلقة بالعلاقات، تم تصميم آلية متعددة الرؤوس (multi-head) لدمج الخصائص المختلفة من رؤوس مستقلة، بهدف معالجة العلاقات المختلفة بين النقاط بشكل مشترك. أظهرت النتائج التجريبية أن نموذجنا يتفوق على الشبكات الحالية، ويحقق أداءً متميزًا جديدًا على مجموعات بيانات الفيديو التي تتضمن سلوكًا عنيفًا.