تتناول الدراسة طريقتين حديثتين مدعومتين بنماذج لغوية كبيرة:
1. VerifyMatch
2. LLM Guided Co-Training (LG-CoTrain)
تمت مقارنة هذه الأساليب المعاصرة مع قواعد التعلم نصف المراقب التقليدية المعمول بها، وقد أظهرت النتائج تفوق طريقة LG-CoTrain من حيث الأداء في بيئات ذات موارد محدودة، حيث تم استخدام 5، 10، و25 مثالاً مُصنفًا لكل فئة.
النتائج أظهرت أن LG-CoTrain حققت أعلى مستوى متوسط لنسبة F1 على مدار مختلف الأحداث، مما يشير إلى إمكانية استخدام هذه الطرق لتحسين تحليل البيانات في الوقت الحقيقي. في حين أظهرت VerifyMatch أداءً تنافسيًا مع ميزات قوية في ضبط الأداء.
مع تزايد عدد الأمثلة المُصنفّة، يُلاحظ أن الفارق في الأداء بدأ ينحسر، حيث برز التعلم الذاتي كقاعدة قوية. كما أظهرت الدراسة أن النماذج نصف المراقبة الأصغر حجمًا يمكن في بعض الحالات أن تتفوق على نماذج اللغة الكبيرة جدًا.
تشير هذه النتائج إلى ضرورة استغلال المعرفة من نماذج اللغة الكبيرة في تطوير نماذج أصغر يمكن نشرها بسهولة، مما يوفر طريقة عملية للاستجابة للأزمات في العالم الحقيقي.