Las deudas técnicas autoadmitidas (SATDs) se refieren a una solución en el desarrollo de software que selecciona soluciones subóptimas para cumplir con los requisitos actuales e intencionalmente introducidas y documentadas por los desarrolladores. SATDs en sistemas de seguimiento de problemas son un complemento a aquellos dentro de los comentarios del código fuente. La identificación efectiva de SATDs es crucial para la calidad y mantenimiento del software. Los estudios actuales se centran en si las secciones de problemas contienen deudas, pero pasan por alto tipos específicos de SATD. Mientras tanto, carecen de soluciones para el desafío de que las características de SATD son difíciles de aprender debido a la escasez de instancias que contienen SATDs. Para abordar estos problemas, proponemos un método novedoso, que es un ajuste ponderado de la sugerencia para identificar SATDs, llamado WPTD. Específicamente, WPTD emplea un ajuste ponderado de la sugerencia para adaptar el modelo con muestras de poca cantidad para datos de entrenamiento insuficientes. Además, para mejorar el rendimiento del modelo, WPTD construye un verbalizador de SATD extrayendo palabras clave a través de información mutua y refinándolo con información contextual previa. Además, también mejora la representación de SATD extrayendo pesos utilizando el método de chi-cuadrado e integrándolos en el texto. Finalmente, para reducir el sesgo, WPTD calcula el puntaje promedio de los resultados como distribuciones predichas finales. Realizamos experimentos exhaustivos en siete proyectos y los resultados muestran que nuestro método supera significativamente los enfoques de referencia. Además, resumimos las palabras clave específicas del proyecto, que pueden ayudar a los desarrolladores a comprender mejor los SATDs.