品詞に基づくヌルトークンの細分化と，評価のしやすさの向上のためのデータ調整を行った． ヌルトークンに品詞情報を付加することで細分化し，Copyable Modelと組み合わせることで 性能向上を試みた． また，過去の発話を学習・評価データとして用いることで 評価のしやすさと厳密性の向上を試みた．
結果として， 入力に過去の発話を含む学習データにおける精度評価の○評価は提案手法が最良で0.34(68/200)となった． また，精度○評価の事例内における多様性評価は品詞付加のみの手法(37種類)と提案手法(35種類)が最良だった． 精度○+△評価は品詞付加のみの手法と提案手法が最良であり，品詞付加のみの手法が0.750(150/200)で 提案手法が0.755(151/200)となった． 精度○+△評価内での 多様性が最良の手法は低頻度語処理をしない手法(75種類)だった． また，過去の発話を付加することで評価のしやすさと厳密性が向上した． 評価200文中，84文の文脈が明確化した．
今後は，対話データの大幅な追加を行いつつ，出力の多様性と精度を向上させる． また，「うん」など多数出力される応答についての評価を厳格化する． 具体的には，「うん」など出力数の多い応答の評価を△評価に固定するなど， 多様性のあるモデルを高く評価できるように基準を見直す．