Badacze zaproponowali nową metodę wizualizacji dużych zbiorów tekstowych, którą nazwali zero-shot visualization (ZSV), pozwalającą użytkownikom na eksplorację dokumentów poprzez naturalnojęzyczne określanie koncepcji.
System ZSV mapuje dokumenty na osie odpowiadające pojęciom definiowanym przez użytkownika, bez potrzeby trenowania nowych modeli dla każdego zadania. To nietrywialny problem, wymagający decyzji dotyczących funkcji cech, efektywności implementacji oraz przetwarzania przedwstępnego i potwytrzeńskiego wpływającego na jakość wizualizacji. Badacze porównali trzy podejścia: podobieństwo osadzeń (embedding similarity), bezpośrednie oceny semantyczne (direct semantic judgments) oraz estymację warunkowego prawdopodobieństwa (conditional likelihood estimation).
Najważniejsze odkrycie brzmi, że scoring oparty na prawdopodobieństwie następnego tokena (next-token probabilities) oferuje najlepszy praktyczny kompromis między dokładnością semantyczną, wierności wyników i kosztami obliczeniowymi. Eksperymenty na niezaetykietowanych zbiorach danych ujawniły dodatkowe wyzwania, takie jak uprzedzenie sentymentu w dokumentach niezwiązanych z tematem oraz potrzebę zastosowania filtrowania binarnego wraz z osiami gradacyjnymi. Wyniki badania dostarczają praktycznych wytycznych dla konstruowania systemów ZSV end-to-end.