ปัจจุบันแบบจำลองภาษาสโตแคสติกหรือภาษาเชิงน่าจะเป็นมีอยู่หลายชนิด ได้แก่แบบจำลองมาค์คอฟแบบซ่อน แบบจำลองลูกโซ่มาร์คอฟ ออโตมาตาอิงความน่าจะเป็น และอื่นๆงานวิจัยเกี่ยวกับแบบจำลองเหล่านี้ส่วนมากเน้นที่การสร้างแบบจำลองเพื่อการเรียนรู้เชิงสถิตนั่นคือไม่เน้นการเปลี่ยนแปลงภายหลังการเรียนรู้ เนื่องจากเทคโนโลยีทางคอมพิวเตอร์ในปัจจุบันทำให้เกิดข้อมูลรูปแบบใหม่เกิดขึ้น จำเป็นต้องอาศัยการเรียนรู้ที่สามารถเรียนรู้ได้ตลอดเวลาและสามารถตัดสินใจได้ตามสถานการณ์ที่แปรเปลี่ยนไป เพื่อรองรับกรณีที่ข้อมูลมีการแปรผันอยู่ตลอดเวลา ทำให้เกิดอุปสงค์ต่อแบบจำลองการเรียนรู้เชิงพลวัต ที่สามารถเรียนรู้และพัฒนาตัวเองได้ตลอดเวลาที่มีข้อมูลใหม่เข้ามา ในงานวิจัยนี้สนใจแบบจำลองที่มีความสามารถดังกล่าวซึ่งสามารถเรียนรู้ได้จากแหล่งข้อมูลขนาดใหญ่ที่เป็นสายข้อมูลแบบต่อเนื่อง และปราศจากการกำหนดข้อกำหนดเบื้องต้นจากมนุษย์ งานวิจัยนี้ได้เสนอแบบจำลองชนิดใหม่และวิธีการเรียนรู้ของแบบจำลองดังกล่าวเพื่อให้มีความสามารถตามที่กล่าวไว้ข้างต้น โดยอิงกระบวนทัศน์ในการเรียนรู้แบบ การจำแนกภายในจำกัด เรียกแบบจำลองชนิดใหม่นี้ว่า สโทแคสติกออโตมาตาอิงอักขระนำหน้าแบบจำกัด โดยที่อัลกอริทึมในการเรียนรู้ของแบบจำลองชนิดนี้มีฟังก์ชันการเติบโตของเวลาในการเรียนรู้ไม่เกินฟังก์ชันพหุนามและขนาดของแบบจำลองขึ้นอยู่กับบริบทของข้อมูล ซึ่งมีอัตราการเติบโตของขนาดไม่เกินฟ้งก์ชันพหุนามเช่นกัน