پژوهشگران روش آموزشیِ «یادگیری تقویتیِ خودارزیاب» (SARL) را پیشنهاد کرده‌اند؛ روشی برای مدل‌های زبانی که پیش از پاسخ‌دادن دنبال اطلاعات می‌گردند. این روش به مدل‌ها می‌آموزد پیگیری کنند چه چیزهایی یافته‌اند و چه اطلاعاتی هنوز کم است؛ هدف، کاهش استدلال‌های نادرست و جست‌وجوهایی است که زودتر از موعد متوقف می‌شوند.
نویسندگان از بهبودی نسبیِ 24.3% در مقایسه با قوی‌ترین خط پایه خود خبر می‌دهند. همچنین می‌گویند در معیارهای سنجش استدلال چندمرحله‌ای، به‌طور میانگین 35.9% و در معیارهای پژوهش عمیق 27.9% بهتر از قوی‌ترین خط پایه‌های همان وظایف عمل کرده است. به گفته آن‌ها، SARL هنگام پاسخ‌گویی به ارزیابی اضافه‌ای نیاز ندارد؛ بااین‌حال، چکیده مقاله نام مدل‌های آزمایش‌شده را ذکر نمی‌کند و جزئیات کافی برای سنجش میزان تعمیم‌پذیری نتایج به ابزارهای جست‌وجوی به‌کارگرفته‌شده در محصولات ارائه نمی‌دهد.
چرا مهم است
برای تیم‌هایی که دستیارهای پژوهشی می‌سازند، SARL نشان می‌دهد می‌توان پیگیری روند جست‌وجو را در مرحله آموزش به مدل آموخت، نه اینکه هنگام استفاده آن را به‌عنوان مرحله‌ای جداگانه اضافه کرد؛ اما چکیده ثابت نمی‌کند که این روش در محصولات واقعی هم مفید است.
