反思后学习：基于内省混淆的主动提示信息抽取

大语言模型（LLM）在少样本信息抽取（IE）方面展现出惊人的潜力，但其性能对所选的情境示例高度敏感。常规选择策略往往无法提供有益的指导，因为忽视了模型错误的一个关键来源：源于语义内容以及满足IE任务所需格式的正确生成，导致的混淆。为此，我们引入了一种新的主动提示框架，称为基于内省混淆的主动信息抽取（APIE），其核心原理为内省混淆。我们的方法使LLM通过一个双组成分不确定性度量来评估自身的混淆情况，该度量独特地量化了格式不确定性（难以生成正确语法）和内容不确定性（抽取语义不一致性）。通过对未标记数据进行全面评分，我们的框架主动选择最具挑战性和信息性的样本作为少样本示例。广泛的实验表明，我们的方法在四个基准数据集上 consistently 优于强大的基线方法，在抽取准确率和鲁棒性方面实现了显著提升。我们的工作凸显了在构建有效可靠的结构化生成系统时，对模型不确定性进行细粒度、双层次视图的重要性。