يقدم هذا البحث نموذجًا جديدًا للتعلم المتبادل المُتكيف (MuLA) لتنفيذ التحليل البشري والتقدير المزدوج للوضعية معًا. ويُعد هذا النموذج فعّالًا في استغلال الفوائد المتبادلة بين المهمتين مع تعزيز أداء كليهما في آنٍ واحد. على عكس الطرق الحالية القائمة على المعالجة اللاحقة أو التعلم متعدد المهام، يُقدّم MuLA تنبؤًا بمعاملات النموذج المخصصة لكل مهمة بشكل ديناميكي من خلال استغلال متكرر لمعلومات التوجيه من المهام المتوازية. وبذلك، يمكن لـ MuLA التكيف السريع بين نماذج التحليل والوضعية لتقديم تمثيلات أكثر قوة من خلال دمج المعلومات من بعضها البعض، مما يُنتج نتائج أكثر موثوقية ودقة. تم تنفيذ MuLA باستخدام الشبكات العصبية التلافيفية وقابلًا للتدريب من النهاية إلى النهاية. وأظهرت التجارب الشاملة على مجموعتي بيانات LIP وPASCAL-Person-Part الموسّعة فعالية النموذج المقترح MuLA، حيث تفوق أداءه على النماذج الأساسية المعروفة جيدًا.