本研究验证了引入CrossTune标签增强的交叉注意力网络在少样本文本分类中的有效性。实验证明，使用ChatGPT生成额外训练数据可以提高CrossTune的泛化能力，平均提升了5.7%。即使不使用ChatGPT增强数据，CrossTune的性能也优于或与以往方法相当。

本文介绍了一种在金融领域使用对话式GPT模型进行少样本文本分类的方法。该方法利用GPT-3.5和GPT-4的上下文学习，最小化技术专业知识的要求，消除了昂贵的GPU计算需求，同时产生快速准确的结果。研究结果显示，即使样本较少，查询GPT-3.5和GPT-4的性能也能超过非生成模型的微调。然而，这些解决方案的订阅费用可能对小型机构来说过高。最后，研究发现生成模型在给定任务中表现更好，当显示人工专家选择的代表性样本，而不是随机选择的样本时。该方法为具有有限标签可用性数据集中的少样本任务提供了实用的解决方案，并且最先进结果可以激发该领域的未来研究。