لقد شهد تحليل التمثيل المعنوي المجرد (AMR) نموًا ملحوظًا في الأداء خلال العامين الماضيين، وذلك بفضل تأثير التعلم الناقل (transfer learning) وتطوير هياكل جديدة مخصصة لـ AMR. وفي الوقت نفسه، ساهمت تقنيات التعلم الذاتي في دفع حدود الأداء في تطبيقات معالجة اللغة الطبيعية الأخرى، مثل الترجمة الآلية والإجابة عن الأسئلة. في هذا البحث، نستعرض طرقًا مختلفة يمكن من خلالها توظيف النماذج المدربة لتحسين أداء تحليل AMR، بما في ذلك إنشاء نصوص اصطناعية وتمثيلات AMR، بالإضافة إلى تحسين "الOracle للإجراءات". ونُظهر أن هذه التقنيات، دون الحاجة إلى أي تسميات بشرية إضافية، تُحسّن أداء مُحلّل مُؤدّى بالفعل، وتحقق نتائج رائدة في مجال AMR 1.0 وAMR 2.0.