본 논문은 저자원 환경에서의 명명된 개체 인식(NED)을 위해 컨텍스트 내 학습(ICL)의 효율성을 높이는 방법을 제시합니다. 기존 ICL은 데모의 선택에 민감하고, 어떤 데모 속성이 컨텍스트 내 일반화에 기여하는지 불명확하다는 문제점이 있습니다. 본 연구는 부분적으로 정확한 주석이 달린 개체 언급을 포함하는 데모가 완전히 정확한 데모만큼 효과적임을 밝혔습니다. 이를 바탕으로, 잡음이 포함된 의사 주석 데모를 사용하는 컨텍스트 내 학습 프레임워크인 PICLe(Pseudo-annotated In-Context Learning)을 제안합니다. PICLe은 LLM을 이용하여 많은 데모를 제로샷으로 먼저 주석하고, 이를 클러스터링하여 각 클러스터에서 특정 데모 집합을 샘플링하고, 각 집합을 독립적으로 사용하여 개체 언급을 예측합니다. 마지막으로 자가 검증을 통해 최종 개체 언급 집합을 선택합니다. 5개의 생의학 NED 데이터셋에서 평가한 결과, PICLe은 저자원 환경에서 기존 ICL보다 성능이 우수함을 보였습니다.
