إحدى العقبات الشائعة في نشر أنظمة التعلم المُراقب هي جمع الأمثلة المُعلَّمة من قبل البشر. في العديد من المجالات، يُشكِّل المُعلِّمون رأيهم حول التصنيف الخاص بعينة بشكل تدريجي — على سبيل المثال، كل كلمة إضافية يُقرؤونها من مستند أو كل دقيقة إضافية يقضونها في مراجعة فيديو تُسهم في توجيه عملية التصنيف. في هذه الورقة، نستكشف ما إذا كان من الممكن تدريب أنظمة التعلم بكفاءة أكبر من خلال طلب التصنيف قبل اكتمال عملية الفحص — مثلاً، بعد قراءة 25 كلمة فقط من المستند. وعلى الرغم من أن هذا النهج قد يقلل من الوقت الإجمالي المطلوب للتصنيف، فإنه يُضيف أيضًا خطرًا أن لا يتمكن المُعلِّم من تقديم تصنيف إذا تم مقاطعته مبكرًا جدًا. نقترح نهجًا تفاعليًا قابلاً للتنفيذ في أي وقت (anytime active learning) يُحسِّن في آنٍ واحد زمن التصنيف ومعدل الاستجابة. قمنا بإجراء دراسات مستخدمين على مجموعتي بيانات تصنيف مستندات، وطورنا مُعلِّمين مُحاكين يُقلِّدون سلوك المستخدمين الحقيقيين. تُظهر التجارب المحاكاة أن النهج التفاعلي القابل للتنفيذ في أي وقت يتفوّق على عدة أساليب مقارنة على هاتين المجموعتين. على سبيل المثال، وبمُيزانية تصنيف مدتها ساعة واحدة، فإن تدريب فئة تصنيف من خلال تعيين أول 25 كلمة من كل مستند يقلل من خطأ التصنيف بنسبة 17% مقارنةً بتدريبها من خلال تعيين أول 100 كلمة من كل مستند.