本論文は 林らの記事先頭2段落対の順序を推定する場合(Case1)と 記事あらゆる連接2段落対の順序を推定する場合(Case2)に相当する実験を行っている．
林らの研究でのCase1は， 段落内の最初の2文の順序を推定するものであり， 推定に利用する情報はその2文のみである． 林らの研究でのCase2は， 段落内の連接する2文の順序を推定するものであり， 推定に利用する情報はその2文の存在する 段落内のその2文が出現するまでの文章である． おおよそ本論文の記事と段落が，林らの研究の段落と文に相当する． Case1での各順序推定の正解率を表8.1に示し， Case2での各順序推定の正解率を表8.2に示す． 林らも本論文と同様に機械学習を利用している． ただし，用いる素性は本論文と異なる． 林らも人手による順序推定も行っており， その結果も表8.1，表8.2に示している．
林らと本論文を比較すると， Case1では本論文の提案手法の方が正解率が高い． Case1は先頭における文/段落の順序推定であり， 前方の情報を処理に用いない． その先頭の二つの文/段落のみで順序を推定する． この場合は，順序を推定する文/段落の箇所の情報のみで 推定するために，文/段落に情報が多いほど推定しやすくなると 思われ，これにより段落を扱う本論文の提案手法の方が 正解率が高かったと思われる．
Case1での人手の正解率を文と段落で比較すると 段落の方が高い． この結果も上述の機械学習による順序推定と同様な傾向である． Case1では段落の方が問題が簡単であることがわかる．
また，Case2では林らの提案手法の方が正解率が高い． Case2では文章の途中における文/段落の順序推定を行うため， 前方の文章の情報を処理に用いる． Case2では前方の文章との関係を利用する処理が重要となる． 段落は文に比べて，段落内で話が完結してしまう可能性があるため， 前方の文章との関係がそれほど 順序推定のヒントにならないことが多い． このため，林らの提案手法の方が正解率が高かったものと思われる．
Case2での人手の正解率を文と段落で比較すると 文の方が高い． この結果も上述の機械学習による順序推定と同様な傾向である． Case2では文の方が問題が簡単であることがわかる．