التعلم النشط (AL) هو نموذج مُحَدَّث في التعلم الآلي يمتلك إمكانات كبيرة في معالجة كميات كبيرة من البيانات غير المُعلَّمة، ويساهم في تقليل تكلفة التسمية في المجالات التي تكون فيها عملية تسمية البيانات مكلفة أو غير عملية. وقد اقترح مؤخراً أساليب قائمة على الشبكات العصبية للتعلم النشط تستخدم مختلف الاستراتيجيات التكتيكية لتحقيق هذا الهدف. في هذه الدراسة، نُظهر أنه في ظل نفس الشروط التجريبية، تُظهر أنواع مختلفة من خوارزميات التعلم النشط (المبنية على عدم اليقين، والتنوع، واللجنة) نتائج غير متسقة عند مقارنتها بقاعدة التعلم العشوائي. من خلال مجموعة متنوعة من التجارب، مع التحكم في مصادر التذبذب العشوائي، نبين أن التباين في أداء خوارزميات التعلم النشط يمكن أن يؤدي إلى نتائج لا تتوافق مع النتائج المُبلغ عنها سابقًا. كما وجدنا أن خوارزميات التعلم النشط لا تُظهر ميزة واضحة أو محدودة مقارنة بقاعدة التعلم العشوائي عند تطبيق تنظيم قوي، وذلك تحت مجموعة متنوعة من الظروف التجريبية. وأخيرًا، نُقدّم مجموعة من التوصيات حول كيفية تقييم نتائج خوارزمية جديدة للتعلم النشط، لضمان التكرار الممكن للنتائج والثبات أمام التغيرات في الشروط التجريبية. ونُشَارِك كودنا لتسهيل تقييمات التعلم النشط. نؤمن أن نتائجنا وتوصياتنا ستساهم في دفع عجلة البحث القابل للتكرار في مجال التعلم النشط باستخدام الشبكات العصبية. ونُفْتِح المصدر الكودي لدينا على الرابط التالي: https://github.com/PrateekMunjal/TorchAL