5.2節と5.3節の結果より，両方の結果で
文書Bでの頻度を用いる提案手法が有効であることがわかった．
例として，
ブログに新聞を混ぜた実験(5.3節)で
提案手法(ここでは
かつとする)により
正しく混ぜた文を検出できた対象語列を表5.3に示す．
これは表5.2のであり混ぜた文である
2個に相当する．
この例をみると，
ブログに似つかわしくない堅めの表現が
正しく取り出せていることがわかる．
同じ実験で
提案手法(かつ)により
正しくもとの文を
誤りとはしなかった(もとの文を取り出さなかった)
場合の対象語列を表5.4に示す．
これらの例は，新聞での頻度が少なく，
誤り表現としては取り出されなかった．
これらの例は
ブログにあってもおかしくない表現であり，
提案手法は正しく誤り表現としていないことがわかる．
次に5.2節と5.3節の 実験結果について再現率，適合率，F値を調べた． その結果を表5.5に示す． 表5.5中のベースラインは文書Bがどのような頻度であっても誤りとして検出する 手法であり，ここでの提案手法は 文書Bで頻度2以上であったもののみを誤りとして検出する ものである．
提案手法は， 再現率，F値ではベースラインに劣っている． また適合率については，提案手法はベースラインよりも高いが， 値自体は低いものであった． 提案手法のように文書Bを考慮することが 誤り検出(誤り検出における適合率の上昇)に有効であることは 統計的検定で確認されているが， 再現率，適合率，F値の低さを考えると， 提案手法はまだまだ改善の必要性がある．
再現率が特に低かったため， 5.2節を例に，実験結果で検出できなかったブログ記事をランダムに20件取りだし，どのような文体がどれくらいの割合で含まれているかを調査した．表5.6にその割合を示す． ブログ記事の文は一般に口語的な文であることが想定されるが， 『新聞に近い文体で書かれた文』『短い文，助詞を含まない文，名詞のみの文など』 が6割も含まれていることがわかった． この6割のものは検出できなくても仕方がないものと見ることができる． これらの6割のものを再現率の計算に含めないものとして再計算を行うと， 表5.5の提案手法の再現率は となる． この再計算をしても再現率が低いことに変わりがなかった．
提案手法の結果を改善する方法として次の方法が考えられる．
方法1により， 頻度情報を集めたデータに存在しないデータの出力(文書Aの頻度が0，文書Bの頻度が0のもの)を減らすことができる． 現状では，文書Aの頻度が0，文書Bの頻度が0のものの 中にも誤りとして検出したいものが数多く含まれている． 方法1により，それらを検出できるようになる可能性が出てくる．
方法2について議論する． 現在の実験では，新聞とブログを実験に用いている． 厳密には新聞やブログは，様々な文体 (堅めの文章とくだけた文章)が混ざっている． 例えば新聞は紙面により文体が異なっており， 政治，経済，国際面では堅い表現が使われ，コラム，広告，投書，家庭面等ではくだけた(口語的)表現がよく使われる． また，新聞中の引用箇所においてくだけた表現が使われる場合もある． ブログについても，堅めの文章とくだけた文章が混在する． ブログの多くは，日常の出来事をまとめたメモや日記であり，文体を気にしていない，くだけた文章で構成されている． その一方で，ニュースや事件についての転載や，自身の意見や感想をまとめた箇所は堅めの記事と なっている．
今回の実験では全紙面，全記事を使用したために， 堅めの文章とくだけた文章が混在した状態で 頻度を算出していると予想される． 方法2のように，同じ文体の文書のデータを，データAやデータBとして 利用して実験を行うと性能が上昇すると期待される．
ここでは方法1,2を示した．しかし，これだけでは まだ性能の高い誤り検出は困難かもしれない． 性能をあげるための他の方法も考えていきたい．