في تطور مفاجئ، أصبحت نماذج اللغات الكبيرة (LLMs) مع مجموعة متزايدة من الاستدلالات القائمة على التحفيز تقدم الآن حلولًا قوية جاهزة للاستخدام تقدم حلولاً لعدد كبير من المشكلات التقليدية في معالجة اللغة الطبيعية (NLP) باستخدام عدد قليل من الأمثلة. ومع ذلك، على الرغم من النتائج الواعدة المبكرة، لا تزال هذه الطرق القائمة على نماذج اللغات الكبيرة بعيدة عن أحدث ما وصل إليه العلم في مجال تحديد الكيانات المسماة (NER)، حيث تتضمن الأساليب السائدة تعلم التمثيلات عبر الفهم البنيوي الشامل وتكييف النموذج على مجموعات بيانات معيارية مشهورة.في هذا البحث، نقدم PromptNER، وهو خوارزمية جديدة تعتبر أحدث ما وصل إليه العلم في مجال تحديد الكيانات المسماة باستخدام عدد قليل من الأمثلة وفي المجالات المختلفة. لكي يتمكن PromptNER من التكيف مع أي مهمة جديدة في تحديد الكيانات المسماة، يتطلب مجموعة من تعريفات الكيانات بالإضافة إلى الأمثلة القليلة المعتادة. عند تقديم جملة، يحفز PromptNER نموذج اللغة الكبير لإنتاج قائمة بالكيانات المحتملة مع شروحات تبرر توافقها مع تعريفات أنواع الكيانات المعطاة.باختصار، حقق PromptNER أداءً يعتبر أحدث ما وصل إليه العلم في مجال تحديد الكيانات المسماة باستخدام عدد قليل من الأمثلة، حيث سجل تحسنًا بنسبة 4% (مطلق) في درجة F1 على مجموعة بيانات ConLL، وتحسينًا بنسبة 9% (مطلق) على مجموعة بيانات GENIA، وتحسينًا بنسبة 4% (مطلق) على مجموعة بيانات FewNERD. كما ساهم PromptNER في تحسين أحدث ما وصل إليه العلم في مجال تحديد الكيانات المسماة بين المجالات المختلفة، حيث فاق الأساليب السابقة (بما فيها تلك التي لا تقتصر على الإعداد الذي يستخدم عددًا قليلًا من الأمثلة)، وأقام علامة جديدة في ثلاثة من الخمس مجالات المستهدفة لـ CrossNER بمتوسط زيادة في درجة F1 بلغ 3%，رغم استخدامه أقل من 2% فقط من البيانات المتاحة.