考察

表と表より， 法則年号，変遷の関係にある法則対ともに，どの手法でも 0.7から0.8という高いF値を得ていることがわかる． 特に，変遷の関係にある法則対は，機械学習を使うことで， 0.87というかなり高いF値を得た．

次に表により，変遷情報の抽出の性能 を考察した．

ヒューリスティックルールに基づく手法(手法C1)で， F値0.46を得た． 法則ページの先頭の年号を法則年号とし， 基本法則と関連法則の対を変遷情報として取り出すという ヒューリスティックルールだけでも， この性能が得られることがわかった．

教師あり機械学習法を利用することで F値0.68で変遷情報を取得できた． 上記のヒューリスティックルールに加え 教師あり機械学習法(手法C2)を利用することで性能の改善が 可能であることがわかった．

基準3の変遷の関係にある法則対の取り出し では(法則年号は取り出さなくてよい)， 教師あり機械学習法(手法C4,C5,C6)を利用することで 0.87という高いF値を得た．