أصبحت تقنيات التعلم القليل (Few-Shot Learning) موضوع نقاش مستمر في مجال الذكاء الاصطناعي، حيث تتيح للنماذج التعلم من عدد محدود من الأمثلة. لكن، يبدو أن معظم الاختبارات الحالية تقيم الكفاءة بناءً على بروتوكولات تسبق التدريب، تقوم على استخدام مجموعة كبيرة من البيانات التي تختلف عن الفئات المستهدفة، مما يثير تساؤلات حول مدى دقة هذا منهج.

قامت دراسة حديثة بفحص ما إذا كانت بروتوكولات ما قبل التدريب تعكس بالفعل التعلم القليل في بيانات منخفضة. أظهرت النتائج أن عدم وجود ما قبل تدريب، مقارنةً بالتدريب المتناظر والتنصيف دون فئات، يؤثر بشكل كبير على أداء النموذج. حيث حققت النماذج التي استخدمت تدريبًا مسبقًا داخليًا تحسينًا في الأداء بنحو 33.41 نقطة مئوية، بينما حققت النماذج التي استخدمت تدريبًا خاضعًا للرقابة على بيانات خارجية تحسينات أقل.

ومن المثير للاهتمام أن الدراسة وجدت أن وجود بيانات موسومة ليست ضرورية بشكل صارم، حيث أسفرت الاستراتيجيات القائمة على زيادة البيانات دون تسميات عن نسبة متقاربة من التحسين. كما قدم الباحثون استراتيجية صقل مسبقة قائمة على الوصف لتحديد مدى ملاءمة بيانات المصدر قبل إجراء التدريب.

تشير هذه النتائج إلى ضرورة إعادة النظر في استخدام الأساليب الحالية كتقنيات تقييم افتراضية لتعلم القليل، حيث يمكن أن تبالغ في تقدير الأداء في الحالات الواقعية التي تفتقر إلى بيانات على نطاق واسع. ربما حان الوقت لتبني استراتيجيات جديدة تأخذ في الاعتبار التحديات الحقيقية في الواقع العملي.