تُظهر دراسة حالة تقيم أعمدة التضمين المجمدة مثل Qwen3-Embedding وRoBERTa-base وFinBERT أن فائدة التكيف الصريح مع المجال تختلف بشكل كبير بناءً على المعرفة المسبقة للنموذج. قام البحث بتدريب محولات MLP خفيفة باستخدام شبكات عصبية معادية للمجال (DANN) واختلاف المتوسط الأقصى (MMD) والتعلم التبايني الخاضع للإشراف (SCL) لنقل تحليل المشاعر من مراجعات المستهلكين إلى مراجعات الأفلام (SST-2) والأخبار المالية.
- على مجموعة بيانات SST-2، قدم التكيف مع المجال مكاسب أداء ضئيلة بغض النظر عن حجم العمود الفقري.
- بالنسبة لمجموعة فرعية مقيدة من الأخبار المالية، استعاد التكيف الصريح مع المجال أداءً كبيراً لأعمدة الغرض العام الصغيرة.
- أدى المحاذاة المعادية عبر DANN إلى تدهور الأداء لأعمدة متخصصة في المجال مثل FinBERT عن طريق تآكل البنية الخاصة بالمجال الموجودة مسبقاً.
- وُجد أن الخسارة التباينية الخاضعة للإشراف تحافظ على البنية الخاصة بالمجال في النماذج المتخصصة بشكل أفضل من الطرق المعادية.
تشير النتائج إلى أن التكيف الصريح مع المجال يكون فعالاً فقط عندما يفتقر العمود الفقري المجمد إلى تغطية كافية لمجال الهدف، ويمكن للطرق المحاذاة غير المناسبة أن تضر بالأداء في النماذج المتخصصة بالفعل.