يواجه استخدام LLM كمصنف تحديات كبيرة: ينتج علامات صلبة دون معايرة موثوقة، ويعاني من صعوبة في دمج البيانات المهيكلة مع النص غير المنظَّم، ويفتقر إلى التفسيرية بشأن أي عناصر من الـ Prompt تؤثر على القرارات. كما يحمل LLM أولويات متأصلة قد لا تتوافق مع توزيع فئات السكان المستهدف.

الحل هو treating LLM outputs as features within a traditional machine learning framework. تغليف verdict LLM بـ regression logistique — p(y=1|x) = σ(α + β·LLM(x)) — يسترجع probabilities calibrated، مما يسمح بالتحكم في threshold principié pour les échanges precision-recall. Training on labeled data adapts the model to the specific population baseline and allows incorporation of additional structured covariates. Reweighting examples can further target different distributions of interest.

يحافظ هذا النهج على قوة LLM في البيانات غير المنظَّم، بينما يسترد الخصائص المرغوبة لخوارزميات ML القياسية: المعايرة، دمج الميزات المرن، ووضوح التفسير حول كيف يساهم إشارة LLM في التنبؤات النهائية. يصبح LLM مستخرج مميزات قوي، بدلاً من مصنف end-to-end غير موثوق.