본 논문은 In-context Learning(ICL)에서 데모(demonstration) 선택과 순서가 성능에 미치는 영향에 주목하여, Shapley value를 기반으로 각 데모의 기여도를 평가하는 DemoShapley를 제안한다. 또한, ICL의 제한적인 컨텍스트 윈도우와 low-shot 환경을 고려하여 작은 프롬프트 크기의 영향을 강조하는 Beta-DemoShapley를 도입했다. 여러 벤치마크 실험 결과, DemoShapley는 기존의 영향 기반 선택 전략보다 일관된 성능 우위를 보였으며, Beta-DemoShapley는 low-shot 시나리오에서 성능을 더욱 향상시켰다. 이 두 방법은 또한 잘못된 레이블 데이터 감지, out-of-distribution 작업으로의 일반화 개선, 인구 통계학적 편향 감소에도 효과적임을 입증했다.
