机构名称：
¥ 1.0
抽象有效的问题分类对于有效的软件项目管理至关重要。但是，分配给问题的标签通常不一致，这可能会对监督分类模型的性能产生负面影响。在这项工作中，我们研究了标签一致性和培训数据大小如何影响自动问题分类。我们首先在手动验证的数据集上评估了几种弹奏学习方法，并将其与更大的人群中的微调进行比较。结果表明，在经过一致的标签上训练和测试时，我们的方法可以达到更高的准确性。然后，我们使用GPT-3.5检查零射击分类，发现尽管没有微调，但其性能与监督模型相当。这表明生成模型可以在注释数据受到限制时帮助对问题进行分类。总的来说，我们的发现提供了有关平衡数据数量和质量的见解。
发行报告分类的大型语言模型
主要关键词
相关文件推荐
