first commit

SmartRep/0_prompts/prompt_datasets.md

@@ -0,0 +1,545 @@
+
+````markdown
+Ты — научный рецензент с экспертизой в области computer vision, human pose estimation, 
+action quality assessment (AQA) и создания benchmark-датасетов. Проведи глубокий 
+структурированный анализ приложенной статьи о датасете для проекта SmartRep — системы 
+анализа техники силовых упражнений из видео на edge-устройствах.
+
+## Контекст моего исследования (для оценки релевантности)
+
+Я разрабатываю SmartRep — систему автоматической оценки техники силовых упражнений 
+(жим лёжа, приседания, становая тяга, подтягивания, тяга в наклоне и т.д.) из 
+монокулярного видео с возможностью развёртывания на мобильных и edge-устройствах. 
+Цель: предоставлять пользователю feedback о конкретных ошибках техники в реальном 
+времени.
+
+### Научные направления (кандидатные проблемы)
+- 🅰 Fine-grained error detection: классификация конкретных ошибок техники 
+  (рука уходит внутрь, спина округляется, колени заваливаются) — не просто 
+  «правильно/неправильно», а локализация и типизация ошибки.
+- 🅱 Biomechanics-aware pose estimation: учёт физических ограничений суставов, 
+  межзвеньевых связей, нагрузок при анализе техники. Стандартные модели 
+  (HRNet, ViTPose) обучены на распределениях типа COCO и плохо переносятся 
+  на «скрюченные» позы в жиме и приседе.
+- 🅲 Few-shot / SSL adaptation: адаптация под специфичного пользователя 
+  (антропометрия, индивидуальный стиль движения) с минимальной разметкой.
+
+### Критерии оценки датасета для SmartRep
+1. **Содержание**: силовые упражнения (free weights, resistance training) — 
+   критично. Йога, танцы, гимнастика — менее релевантно. Bodyweight training 
+   (приседания без штанги) — промежуточно.
+2. **Ground truth**: MoCap / multi-view / IMU — предпочтительно. Ручная разметка 
+   одним аннотатором — слабая позиция.
+3. **Ракурсы**: фронт + бок + 3/4 одновременно — идеально. Один ракурс — ограничение.
+4. **Антропометрическое разнообразие**: разные роста, вес, пол, раса, уровень 
+   подготовки. Часто датасеты смещены к молодым атлетичным мужчинам — это bias.
+5. **Разметка ошибок техники**: наличие экспертной (тренерской) разметки 
+   конкретных ошибок — редкая и самая ценная характеристика.
+6. **Разрешение и FPS**: ≥720p, ≥30 FPS — стандарт для анализа движения. 
+   Низкие разрешения допустимы, если это edge-benchmark.
+7. **Лицензия**: CC-BY / CC-BY-NC / research-only / требует MoU — влияет на 
+   практическую применимость.
+8. **Доступность**: открытая ссылка vs. запрос авторам vs. только по договору.
+
+### Ключевые референсные датасеты (для сравнения)
+- Fit3D — fitness + MoCap, но ограниченный набор упражнений
+- FLAG3D — language-annotated fitness, 60 activities
+- Fitness-AQA — quality assessment для фитнеса
+- Human3.6M / 3DPW / AMASS — общий pose, не fitness
+- NTU RGB+D / FineGym — action recognition, не техника
+- MTL-AQA / AQA-7 / FineDiving — AQA, но спорт, не силовые
+
+---
+
+## Структура анализа
+
+### 1. МЕТАДАННЫЕ ДАТАСЕТА
+
+- Полное название датасета и акроним
+- Название сопровождающей статьи (dataset paper)
+- Авторы (все) и аффилиации
+- Год релиза, venue публикации, tier (Q1/Q2/A*/A/workshop/preprint)
+- DOI / arXiv ID
+- Количество цитирований (если известно)
+- Версии датасета (если обновлялся) и статус поддержки (активно развивается / 
+  заморожен / deprecated)
+
+---
+
+### 2. ПОЗИЦИОНИРОВАНИЕ ДАТАСЕТА
+
+В 3–5 предложениях:
+- Какую задачу / пробел в литературе призван закрыть датасет?
+- Какие датасеты он замещает или дополняет?
+- В чём принципиальная новизна по сравнению с предшествующими? (размер, 
+  модальности, разметка, домен)
+- Какую гипотезу о «правильном» датасете защищают авторы?
+
+---
+
+### 3. ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ
+
+#### 3.1. Общая статистика
+
+| Параметр | Значение |
+|----------|----------|
+| Общее число субъектов | |
+| Распределение по полу | |
+| Распределение по возрасту | |
+| Антропометрия (рост/вес/BMI) | |
+| Уровень подготовки (novice/intermediate/expert) | |
+| Число классов упражнений / действий | |
+| Общее число видео / клипов | |
+| Общее число кадров | |
+| Общая длительность записи | |
+| Средняя длина клипа | |
+| Train / val / test split | |
+
+#### 3.2. Модальности данных
+
+Для каждой модальности укажи наличие, разрешение, частоту, формат:
+
+| Модальность | Наличие | Разрешение / частота | Формат | Количество |
+|-------------|---------|----------------------|--------|------------|
+| RGB video | | | | |
+| Depth (Kinect / другая) | | | | |
+| IR | | | | |
+| 2D pose / keypoints | | | | |
+| 3D pose (MoCap) | | | | |
+| SMPL / SMPL-X параметры | | | | |
+| IMU данные | | | | |
+| EMG / physiological | | | | |
+| Текстовые описания / labels | | | | |
+| Аудио | | | | |
+
+#### 3.3. Съёмочная установка
+
+- Сколько камер? Их расположение относительно субъекта (фронт, бок, top-down, 
+  произвольные)?
+- Синхронизированы ли камеры? Как (hardware sync, software, timestamp)?
+- Калибровка: intrinsic + extrinsic? Включены ли параметры в датасет?
+- Фон: controlled (green screen, лаборатория) / semi-controlled / in-the-wild?
+- Освещение: постоянное / переменное?
+- MoCap-система: какая (Vicon, OptiTrack, Xsens, IMU-only)? Сколько маркеров? 
+  Какова заявленная точность?
+
+#### 3.4. Визуальные материалы из статьи
+
+**КРИТИЧЕСКИ ВАЖНО:** Используй рисунки из статьи как основу для описания 
+устройства датасета.
+
+**Если рисунки ЕСТЬ:**
+Для каждого ключевого рисунка:
+- Номер и название
+- Что изображено (съёмочная установка, примеры кадров, распределения, статистика)
+- Какую характеристику датасета иллюстрирует
+- Качество визуализации
+  
+Особенно обрати внимание на рисунки:
+- Диаграмма сбора (capture setup) — расположение камер, MoCap
+- Примеры кадров по классам действий
+- Распределения (pose space coverage, длины клипов, демография)
+- Примеры аннотаций (skeleton overlay, segmentation masks, quality scores)
+
+**Если рисунков нет или они слабы:**
+- Отметь как серьёзный недостаток
+- Составь mermaid-диаграмму или ASCII-схему capture setup на основе текста
+- Предложи, какие визуализации следовало бы добавить
+
+---
+
+### 4. МЕТОДОЛОГИЯ СБОРА ДАННЫХ
+
+Это ключевой раздел для датасет-пейпера — оцени строгость методологии.
+
+#### 4.1. Рекрутинг субъектов
+- Как рекрутировали? (студенты университета / профессиональные атлеты / 
+  crowdsourcing / тренировочные залы)
+- Были ли критерии отбора / исключения?
+- Компенсация участникам?
+- Процедура информированного согласия (IRB / ethics board approval)?
+- Возможное смещение (selection bias) — какое и насколько критично?
+
+#### 4.2. Протокол записи
+- Инструктаж субъектов: свободное исполнение / фиксированные инструкции / 
+  следование экспертной демонстрации?
+- Сколько повторений на упражнение?
+- Контроль нагрузки (для силовых): была ли штанга / вес? Какой?
+- Рандомизация порядка упражнений?
+- Варьирование условий (ракурс, скорость, стиль)?
+
+#### 4.3. Качественный контроль
+- Отбраковывались ли записи с артефактами?
+- Процедура верификации MoCap (ручная коррекция, auto-cleaning)?
+- Процент забракованных / исправленных данных (если указан)?
+
+---
+
+### 5. ПРОТОКОЛ АННОТАЦИИ
+
+#### 5.1. Типы меток
+Перечисли все уровни разметки:
+- Категориальные: класс упражнения / действия
+- Временные: фазовая сегментация (эксцентрика/концентрика/пауза), 
+  подсчёт повторений, начало/конец
+- Пространственные: bounding boxes, сегментационные маски
+- Pose: 2D/3D keypoints
+- Quality / AQA: численные оценки, ранжирование, ошибки техники
+- Текстовые: описания на естественном языке, теги ошибок
+
+#### 5.2. Процедура разметки
+- Автоматическая (MoCap) / ручная / гибридная?
+- Кто аннотаторы? Их квалификация (обычные работники / студенты / сертифицированные 
+  тренеры / физиотерапевты)?
+- Сколько аннотаторов на образец? Межаннотаторское согласие 
+  (Cohen's κ, IoU, MPJPE)?
+- Инструкции аннотаторам — опубликованы ли? Насколько детальны?
+- Инструменты разметки (CVAT, VGG, проприетарные)?
+- Процедура разрешения конфликтов (majority vote / expert arbitration)?
+- Время на разметку одного образца (если указано)?
+
+#### 5.3. Валидация разметки
+- Golden set / test probe?
+- Перекрёстная проверка экспертом?
+- Статистика ошибок разметки (если проводился аудит)?
+
+---
+
+### 6. ДОСТУПНОСТЬ И ЛИЦЕНЗИРОВАНИЕ
+
+| Параметр | Значение |
+|----------|----------|
+| Лицензия (CC-BY / CC-BY-NC / custom / research-only) | |
+| Коммерческое использование разрешено? | |
+| Необходимость подписания MoU / data use agreement | |
+| Способ получения (прямая ссылка / регистрация / запрос авторам) | |
+| Размер загрузки (GB/TB) | |
+| Хостинг (институциональный сервер / Zenodo / HuggingFace / GitHub) | |
+| Задокументирован ли процесс загрузки? | |
+| Есть ли API или dataloader на PyTorch / TF? | |
+| Актуальность ссылок (проверь, если возможно) | |
+
+[МОЙ КОММЕНТАРИЙ] Оцени практическую применимость: сколько времени реально 
+потратить на получение и запуск датасета?
+
+---
+
+### 7. ДЕМОГРАФИЧЕСКИЕ И МЕТОДОЛОГИЧЕСКИЕ ПЕРЕКОСЫ (BIASES)
+
+#### 7.1. Демографические перекосы
+- Gender imbalance
+- Ethnic / geographic homogeneity
+- Возрастной диапазон
+- Антропометрический охват (BMI spread)
+- Физическая подготовленность (bias к фитнес-энтузиастам / профи)
+
+#### 7.2. Съёмочные перекосы
+- Pose coverage: покрывает ли датасет распределение целевых поз? 
+  Какие позы недопредставлены?
+- Viewpoint coverage: какие ракурсы доминируют?
+- Environmental: только лаборатория / только залы / смесь?
+- Temporal: запись в один день / несколько сессий (fatigue effects)?
+
+#### 7.3. Аннотационные перекосы
+- Class imbalance: распределение меток
+- Temporal imbalance: длина клипов по классам
+- Quality label distribution: есть ли перекос к «хорошим» / «плохим» 
+  исполнениям?
+
+[МОЙ КОММЕНТАРИЙ] Какие перекосы критичны для SmartRep (особенно 
+антропометрическое и viewpoint покрытие)?
+
+---
+
+### 8. ИСПОЛЬЗОВАНИЕ В НАУЧНОМ СООБЩЕСТВЕ
+
+#### 8.1. Модели, обученные на датасете
+- Перечисли известные SOTA-модели и их результаты
+- Существует ли официальный leaderboard? Где?
+- Воспроизведи таблицу сравнения методов в формате:
+
+| Метод | Год | Архитектура | Метрика_1 | Метрика_2 | Примечание |
+|-------|-----|-------------|-----------|-----------|------------|
+| | | | | | |
+
+#### 8.2. Метрики оценки
+- Стандартные метрики, принятые в сообществе для этого датасета
+- Адекватны ли они заявленной задаче?
+- Какие метрики отсутствуют, но следовало бы использовать? 
+  (например, per-class accuracy для оценки bias)
+
+#### 8.3. Типичные ошибки SOTA на этом датасете
+- На каких подклассах / условиях методы проваливаются?
+- Есть ли известные «hard cases» / challenge subsets?
+- Опубликованы ли failure mode analyses?
+
+---
+
+### 9. СРАВНЕНИЕ С АЛЬТЕРНАТИВНЫМИ ДАТАСЕТАМИ
+
+Построй сравнительную таблицу с 3–5 ближайшими датасетами:
+
+| Параметр | Анализируемый | Fit3D | FLAG3D | Human3.6M | <другой> |
+|----------|---------------|-------|--------|-----------|----------|
+| Fitness-specific | | ✓/✗ | | | |
+| Число субъектов | | 29 | | | |
+| Число упражнений | | 47 | | | |
+| MoCap GT | | ✓ | | | |
+| Multi-view | | ✓ | | | |
+| Технические ошибки размечены | | ✗ | | | |
+| Лицензия | | research-only | | | |
+
+---
+
+### 10. РЕЛЕВАНТНОСТЬ ДЛЯ SMARTREP
+
+Оцени по шкале 1–5 каждый аспект:
+
+| Аспект | Оценка (1–5) | Комментарий |
+|--------|:------------:|-------------|
+| Силовые упражнения представлены | | Какие именно? |
+| Multi-view покрытие | | Фронт+бок+3/4? |
+| Антропометрическое разнообразие | | BMI spread, диверсификация |
+| Экспертная разметка ошибок техники | | Ключевая редкая характеристика |
+| MoCap / IMU ground truth | | Для валидации pose моделей |
+| Достаточное разрешение (≥720p) | | |
+| Достаточная частота (≥30 FPS) | | |
+| Доступность / лицензия | | Реально ли получить? |
+| Совместимость с edge-pipeline | | Размер, формат, dataloaders |
+
+**Для какого из направлений 🅰/🅱/🅲 датасет наиболее ценен?**
+
+**Роль датасета в пайплайне SmartRep:**
+- Для предобучения? (веса на схожем домене)
+- Для fine-tuning? (адаптация к фитнесу)
+- Для evaluation? (бенчмарк для сравнения)
+- Для baseline training? (обучение референсных моделей)
+- Для pseudo-labeling? (источник pose GT для нашего сырого видео)
+
+**Конкретные риски при использовании:**
+- Domain gap с целевым применением
+- Юридические / этические ограничения
+- Технические (несовместимые форматы, отсутствие dataloader-ов)
+
+---
+
+### 11. ПОТЕНЦИАЛ ДЛЯ DATA AUGMENTATION / SYNTHESIS  [НОВОЕ]
+
+Этот раздел оценивает, насколько датасет можно **расширить** синтетическими 
+данными, а не только использовать «как есть». Для небольших датасетов с богатой 
+модальной структурой (MoCap, multi-view) это часто превращает маргинально 
+полезный ресурс в ключевой.
+
+#### 11.1. Параметрические модели тела
+- Присутствуют ли SMPL / SMPL-X / SMPL-H параметры (β shape, θ pose)?
+- Если да — какая версия, gendered/neutral, насколько точно фитированы?
+- Возможно ли ре-рендеринг через SMPL renderer + произвольный текстуринг 
+  (одежда, освещение) для domain randomization?
+- Есть ли meshes / vertices в готовом виде?
+
+#### 11.2. MoCap как источник ре-таргетинга
+- Формат MoCap: BVH / C3D / custom? Совместимость с AMASS-форматом?
+- Можно ли ре-таргетить MoCap на альтернативные скелеты (например, на 
+  антропометрически разнообразные модели) для расширения субъектного 
+  разнообразия?
+- Пригоден ли датасет для drive-ania синтетических аватаров в игровых движках 
+  (Unity / Unreal / Blender) с целью генерации синтетического видео в 
+  контролируемых условиях (освещение, фон, экипировка)?
+
+#### 11.3. Multi-view novel view synthesis
+- Сколько камер и насколько плотное покрытие углов?
+- Есть ли калибровка, достаточная для NeRF / Gaussian Splatting на уровне 
+  субъекта?
+- Реалистично ли синтезировать промежуточные ракурсы для покрытия углов, 
+  отсутствующих в реальной съёмке?
+
+#### 11.4. Композитные аугментации
+- Есть ли segmentation masks / alpha mattes для background replacement?
+- Green screen записи → свободная замена фона (спортзал vs. лаборатория)?
+- Depth / normals → relighting?
+- Домен-рандомизация: какие аспекты варьируемы (одежда, экипировка, фон, 
+  освещение)?
+
+#### 11.5. Pseudo-labeling для внешних данных
+- Можно ли натренировать на датасете 2D/3D pose-модель, которая далее будет 
+  производить pseudo-labels для сырого in-the-wild видео (например, 
+  YouTube-фитнес-видео)?
+- Достаточно ли MoCap GT, чтобы доверять такой модели как «экспертному 
+  разметчику» для последующего самообучения SSL?
+- Есть ли уже готовые pretrained веса на этом датасете для такой задачи?
+
+#### 11.6. Композиция с другими датасетами
+- Совместим ли датасет с AMASS (можно ли добавить в общий pool MoCap)?
+- Совместимы ли форматы аннотаций с Fit3D / FLAG3D для multi-dataset training?
+- Есть ли уже опубликованные работы, которые объединяют этот датасет с 
+  другими?
+
+#### 11.7. Риски и ограничения синтеза
+
+[МОЙ КОММЕНТАРИЙ] Оцени:
+- Domain gap real→synthetic: насколько синтетический рендер будет отличаться 
+  от реального видео с фактурой одежды, тенью, motion blur?
+- Риск «утечки» MoCap-смещений: если оригинальный датасет смещён к молодым 
+  атлетам, синтетические аугментации унаследуют эти смещения (ре-таргетинг 
+  на «других» аватаров не добавляет реального движенческого разнообразия).
+- Потеря информации об экипировке: штанга, гантели, пояса критичны для 
+  SmartRep, а в SMPL-синтезе они отсутствуют.
+
+**Итоговая оценка синтетического потенциала:** ВЫСОКИЙ / СРЕДНИЙ / НИЗКИЙ / 
+ОТСУТСТВУЕТ + 1–2 предложения обоснования.
+
+---
+
+### 12. GAP-АНАЛИЗ ДЛЯ НАШЕГО ДАТАСЕТА  [ИЗМЕНЕНО: бывшая секция 11]
+
+Самая важная часть. Сформулируй максимально конкретно:
+
+**Что этот датасет НЕ покрывает и что могло бы стать вкладом нашего датасета?**
+
+Оси для анализа gap:
+1. **Упражнения**: какие силовые упражнения отсутствуют? (жим, присед, 
+   становая, подтягивания, тяга в наклоне, армейский жим, разведения)
+2. **Ошибки техники**: размечены ли конкретные типы ошибок? Если нет — 
+   это наш вклад.
+3. **Антропометрия**: есть ли представленность тех типажей, с которыми 
+   модель будет работать (не только молодые спортсмены)?
+4. **Условия съёмки**: реальные залы vs. лаборатория?
+5. **Экипировка**: штанги, гантели, тренажёры присутствуют?
+6. **Разметка от тренеров-экспертов**: есть ли она, и насколько 
+   квалифицированы эксперты?
+7. **Пост-аугментационный gap**: если учесть потенциал синтеза из секции 11, 
+   какие пробелы всё равно остаются неустранимыми? (например, синтез не 
+   способен закрыть отсутствие экспертной разметки ошибок техники)
+
+[МОЙ КОММЕНТАРИЙ] Сформулируй в стиле: «… при этом не рассматривается X, 
+что открывает нишу для SmartRep-dataset: Y».
+
+---
+
+### 13. КРИТИЧЕСКАЯ ОЦЕНКА (DATASET PAPER PEER-REVIEW)  [ИЗМЕНЕНО: бывшая секция 12]
+
+#### 13.1. Transparency score  [НОВОЕ]
+
+Оцени полноту документирования датасета по 10 осям. Каждая ось: 
+0 (отсутствует) / 1 (частично) / 2 (полно и верифицируемо).
+
+Критерии опираются на фреймворк **Datasheets for Datasets** (Gebru et al., 
+CACM 2021), расширенный спецификой pose/AQA-датасетов.
+
+| # | Ось транспарентности | Оценка (0/1/2) | Обоснование |
+|---|----------------------|:--------------:|-------------|
+| 1 | Collection protocol disclosed (рекрутинг, инструктаж, порядок записи) | | |
+| 2 | Capture setup specifications (камеры, MoCap, синхронизация, точность) | | |
+| 3 | Intrinsic/extrinsic калибровка камер опубликована | | |
+| 4 | Demographics breakdown (пол/возраст/BMI/этнос) | | |
+| 5 | Annotation instructions опубликованы и детализированы | | |
+| 6 | Inter-annotator agreement отчитан (κ, IoU, MPJPE и т.п.) | | |
+| 7 | Rejection / cleaning статистика указана (% отбракованных, причины) | | |
+| 8 | IRB / ethics approval явно упомянут | | |
+| 9 | Datasheet for Datasets (Gebru et al. 2021) или эквивалент приложен | | |
+| 10 | Known limitations / failure modes честно изложены авторами | | |
+
+**Итоговый Transparency Score:** Σ / 20
+
+**Интерпретация:**
+- 17–20: fully transparent (publication-grade documentation, можно 
+  воспроизвести и критически оценить)
+- 12–16: adequately documented (большинство критических вопросов отвечены, 
+  есть несколько пробелов)
+- 7–11: partially documented (существенные пробелы, use with caveats — 
+  при публикации результатов нужна осторожность и прямая переписка с 
+  авторами)
+- 0–6: opaque (датасет фактически «чёрный ящик», результаты на нём с трудом 
+  интерпретируемы, научная ценность под вопросом)
+
+[МОЙ КОММЕНТАРИЙ] Отдельно отметь, какие именно оси провалены и как это 
+влияет на применимость к SmartRep. Например, отсутствие опубликованной 
+калибровки камер блокирует multi-view экспериментирование; отсутствие 
+inter-annotator agreement по ошибкам техники делает экспертную разметку 
+непригодной для обучения error-detection моделей.
+
+#### 13.2. Peer-review оценка по критериям
+
+| Критерий | Оценка (1–10) | Комментарий |
+|----------|:-------------:|-------------|
+| Новизна / уникальность | | |
+| Размер и покрытие | | |
+| Качество разметки | | |
+| Методологическая строгость сбора | | |
+| Документация (согласовать с Transparency Score из 13.1) | | |
+| Воспроизводимость (могу ли я использовать?) | | |
+| Этическая строгость (IRB, consent, privacy) | | |
+| Отсутствие перекосов | | |
+| Полезность для сообщества (adoption) | | |
+| Синтетическая расширяемость (согласовать с секцией 11) | | |
+
+**Общая рекомендация:** Adopt / Adopt with caveats / Reference only / Skip
+
+---
+
+### 14. EXECUTIVE SUMMARY  [ИЗМЕНЕНО: бывшая секция 13, расширена до 10 пунктов]
+
+В конце — краткое резюме из 10 пунктов:
+1. Датасет в одном предложении (что, для чего, уникальность)
+2. Самая сильная сторона (что делает его незаменимым)
+3. Самая слабая сторона (что дисквалифицирует или требует осторожности)
+4. Transparency Score (из 13.1) и его значение для практики
+5. Синтетический потенциал (из секции 11) — можно ли «дофармить» датасет 
+   аугментациями
+6. Роль в пайплайне SmartRep (pretrain / finetune / eval / baseline / 
+   pseudo-label / synthesis-source / не использовать)
+7. Главный gap, который оставляет для нашего датасета (конкретная ниша)
+8. Лицензионный статус в одной фразе (реально ли использовать?)
+9. Приоритет для SmartRep: ВЫСОКИЙ / СРЕДНИЙ / НИЗКИЙ / ОТКАЗ
+10. Связанные датасеты, которые стоит изучить следом (2–3 штуки)
+
+---
+
+## Формат вывода
+
+- Используй заголовки, таблицы, сравнительные матрицы
+- Если информация отсутствует в статье — явно пиши «НЕ УКАЗАНО В СТАТЬЕ»
+- Не додумывай характеристики — если чего-то нет, так и отмечай
+- Разделяй факты из статьи и свои оценки: маркируй субъективное как 
+  [МОЙ КОММЕНТАРИЙ]
+- При описании рисунков — сначала факт (что изображено), потом интерпретация
+- Финальную YAML-frontmatter карточку (для Obsidian vault) добавь 
+  в начале ответа в следующем формате:
+
+---
+
+```yaml
+---
+dataset_name: "<название>"
+dataset_acronym: "<акроним>"
+paper_title: "<название статьи>"
+paper_title_ru: "<перевод>"
+authors: [<фамилии>]
+year: <YYYY>
+venue: "<venue>"
+venue_tier: "<Q1/A*/workshop/preprint>"
+doi: "<DOI / arXiv id>"
+domain: [fitness_specific | pose_3d | motion_generic | aqa_benchmarks | 
+         action_recognition]
+subjects_count: <N>
+exercises_count: <N>
+modalities: [rgb, mocap, imu, depth, text, smpl, ...]
+multi_view: <true/false>
+expert_error_annotation: <true/false>
+license: "<CC-BY / research-only / custom>"
+availability: "<open / request / mou>"
+url: "<ссылка>"
+relevance_to_smartrep: <1-5>
+direction: "<A|B|C|ABC|—>"
+role_in_pipeline: [pretrain | finetune | eval | baseline | pseudo_label | 
+                   synthesis_source | skip]
+transparency_score: "<N>/20"          # НОВОЕ: итог из секции 13.1
+synthesis_potential: [smpl_rerender, mocap_retarget_amass, nerf_novel_view, 
+                      background_swap, pseudo_labeling_source, none]  # НОВОЕ
+tags: [fitness, strength_training, pose_estimation, aqa, mocap, multi_view, 
+       expert_annotation, error_detection, commercial_friendly, edge]
+priority: "<HIGH | MEDIUM | LOW | REJECT>"
+---
+```
+````
+