该论文介绍了一种名为Se^2的顺序感知方法，通过使用大型语言模型在不同上下文的反馈来捕捉示例之间的内在关系和顺序信息，提高了示例的上下文相关性和相关性。实验结果表明，Se^2在23个自然语言处理任务上相对提升了42%。该方法具有出色的稳定性和适应性。

该文介绍了一种能够根据样本难度的先验知识，在课程空间内发现有效课程的学习框架。使用注释熵和损失作为难度度量标准，发现顶级课程通常是非单调课程，易于难或难于易过渡课程存在表现不佳的风险。该框架包含一些现有的课程学习方法，并在几个自然语言处理任务上优于它们的课程。