تهدف أنظمة التعرف على الكيانات الاسمية (NER) ذات الأمثلة القليلة إلى التعرف على كيانات اسمية جديدة بناءً على عدد قليل جدًا من الأمثلة المُصنفة. في هذه الورقة، نقدم نهجًا تحليليًا يعتمد على التعلم الميتا، والذي يعالج مشكلة التعرف على الكيانات الاسمية ذات الأمثلة القليلة من خلال التعامل تسلسليًا مع كلا المهمتين: كشف المسافات ذات الأمثلة القليلة (few-shot span detection) وتصنيف الكيانات ذات الأمثلة القليلة (few-shot entity typing) باستخدام التعلم الميتا. وبشكل خاص، نعامل كشف المسافات ذات الأمثلة القليلة كمشكلة تسمية تسلسلية، ونُدرّب كاشف المسافات من خلال إدخال خوارزمية التعلم الميتا المستقلة عن النموذج (MAML) لتحديد مُعلمات نموذج جيدة يمكنها التكيف السريع مع فئات كيانات جديدة. أما في حالة تصنيف الكيانات ذات الأمثلة القليلة، فنُقدّم MAML-ProtoNet، أي شبكات بروتوبيل المُحسّنة بـ MAML، بهدف إيجاد فضاء تضمين جيد يمكنه التمييز بشكل أفضل بين تمثيلات المسافات النصية المنتمية إلى فئات كيانات مختلفة. وأظهرت التجارب الواسعة على مجموعات بيانات متنوعة أداءً متفوقًا مقارنةً بالطرق السابقة.