التصنيف القليل العياني يشير إلى تعلم مصنف لفئات جديدة بناءً على عدد قليل من الأمثلة فقط. رغم ظهور العديد من النماذج للتعامل مع هذه المشكلة، نجد أن الإجراءات والقواعد البيانات المستخدمة لتقييم تقدمها غير كافية. لمعالجة هذا القصور، نقترح Meta-Dataset (ميتا-داتاسِت): معيار جديد لتدريب وتقييم النماذج يتميز بحجمه الكبير، وتنوع قواعد بياناته، وتقديمه لمهام أكثر واقعية. نجري تجارب على خطوط الأساس الشائعة والمتعلمين الميتا باستخدام Meta-Dataset، بالإضافة إلى طريقة تنافسية نقترحها. نحلل الأداء كدالة لمجموعة متنوعة من خصائص المهام الاختبارية ونفحص قدرة النماذج على الاستفادة من مصادر التدريب المختلفة لتحسين تعميمها. كما نقترح مجموعة جديدة من خطوط الأساس لقياس فائدة التعلم الميتا في Meta-Dataset. قد كشفت تجاربنا الواسعة عن تحديات بحثية مهمة ونأمل في إلهام البحوث في هذه الاتجاهات.