نقدّم نموذجًا جديدًا للتعلم العميق لتحديد الأدوار(semantic role labeling (SRL)) الذي يُحسّن بشكل كبير الحالة الحالية من الأداء، مع تحليلات مفصلة تكشف عن نقاط القوة والقيود الخاصة به. نستخدم بنية عميقة من نوع BiLSTM ذات ممرات عالية (highway) بعمق 8 طبقات، مع تحليل محدود (constrained decoding)، مع مراعاة عدد من الممارسات الحديثة المُثلى في التهيئة (initialization) والتنظيم (regularization). يحقق نموذج التجميع (ensemble) المكون من 8 طبقات نتيجة F1 قدرها 83.2 على مجموعة اختبار CoNLL 2005، و83.4 على CoNLL 2012، ما يعادل تقريبًا خفضًا نسبيًا في الأخطاء بنسبة 10% مقارنة بالحالة السابقة. تُظهر التحليلات التجريبية الواسعة لهذه التحسينات أن: (1) النماذج العميقة تتفوّق في استعادة الاعتماديات على مسافات طويلة، لكنها لا تزال قادرة على ارتكاب أخطاء واضحة ومبهرة في بعض الأحيان؛ و(2) لا يزال هناك مجال واسع لتحسين نتائج معالجات التركيب النحوي (syntactic parsers) لتعزيز هذه النتائج.