SciArticle: Как добиться точной классификации без обучающего примера?

В нашем эксперименте по классификации аннотаций мы протестировали, как можно повысить точность в zero-shot режиме — когда у модели нет обучающей выборки.

Максимальная эффективность достигается не за счёт одной модели или инструкции, а за счёт сочетания подходов на разных этапах.

🧠 Что входит в методику:

🔹 Chain-of-prompts — серия уточняющих шагов, где модель сначала определяет общий класс, затем уточняет.
🔹 Многоуровневая классификация — сначала грубое определение области, затем — более точное сужение.
🔹 Иерархическая структура — учитываем логику вложенности направлений: сначала "наука", потом "физика", потом "теория поля".
🔹 Семантическое ядро — структурированный документ с ключевыми и исключающими словами, типичными задачами и правилами — повышает устойчивость модели к сложным случаям.
🔹 Короткое описание — подходит для широких категорий, когда избыточность ядра не даёт прироста.

Что это даёт:
✅ Повышение точности до ~70% без обучающей выборки
✅ Повышение устойчивости к абстрактным или междисциплинарным формулировкам
✅ Возможность масштабировать систему без дообучения модели

📈 Результат:
Такой подход показывает точность выше, чем у большинства моделей в чистом zero-shot.

sciarticle.ru