本文提出了一种新方法，通过渐进式降低泛化风险，设计专门的标签获取流程，并提出模型无关的因果主动学习算法，以优化标注策略，提高小规模标注数据集中的因果效应估计准确性。

本文评估了四种大型语言模型在六个生物医学任务中的表现，结果显示零次矫正的LLMs在小规模生物医学数据集中表现优异，甚至超过了当前最先进的生物医学模型。虽然不同的LLMs在不同任务中表现不同，但它们在缺乏大规模注释数据的生物医学任务中具有潜在价值。

本文评估了四种大型语言模型在六个生物医学任务中的表现，结果显示，零次矫正的LLMs在小规模生物医学数据集中表现优异，甚至超过了当前最先进的生物医学模型。LLMs在缺乏大规模注释数据的生物医学任务中具有潜在价值。

该文研究了主题分割模型在非结构化文本上的泛化能力，发现训练小规模数据集可以提高分割结果。实证评估表明，Focal Loss 函数是交叉熵和加权交叉熵损失函数的一个强大的替代方案。