概要

本研究は対義語に対して，教師あり機械学習を用いることにより，対義語の置き換え可否の判定を行うことを目指す．

対義語とは，意味が反対になっている語や意味が対称になっている語のことである．対義語には，文中のある単語を対義語に置き換える場合，対義語に沿うように文の内容を逆にしても対義語に置き換えができないものもある． 例えば「足す」と「引く」という対義語の組では，「AからBを引く」とはいうが，「AからBを足す」とはいわない．これは格が変化しているからである．本研究では置き換え可能の定義は，文中のある単語Xの対義語に沿うように文を知識的な内容だけ逆に変更した時(直前直後の付属語，係り受け関係にある文中の格助詞は変更しない)，単語Xを対義語に置き換えれる場合，置き換え可能であると定義する． 荻原ら[1]は，分類語彙表に反対語（ここでは対義語と同様に扱う）情報を付与，またその際，置き換え可否の情報を付与している．しかし，この作業は人手で行っており置き換え可否の情報付与に関しては例文を示していない．実際に置き換えてみないと判断がつかないことも多い．よって，例文を示さずに対義語対に置き換えの可否の情報を付与することは，正確性に欠ける． また, 佐々本ら[3]は機械学習の性能や素性が対義語対の使い分けに役立つと考え, 機械学習の最大エントロピー法を用いて対義語対の使い分けを行い, その結果を用いて対義語対の置き換え可否を判定する研究を行った. 本研究は佐々本らの研究を, 機械学習のBERT[4]を用いて行う. ある対義語間での機械学習の性能が高く，より正確に使い分けを行えていた場合は，その対義語の組は機械学習で性能が高くなるほど使い方の違いが明瞭な対義語対とわかる．使い方の違いが明瞭だと対義語対は置き換え不可能だと考えられる．対して，ある対義語間での機械学習の性能が低い場合は，正確に使い分けができず，その対義語対は機械学習で判断ができないほど使い方の違いが不明瞭な対義語対とわかる．よって使い方の違いが不明瞭なので，その対義語対は置き換え可能であると考えられる．この考え方を用いて機械学習の性能を用いて対義語対の置き換え可否の判定を行う． このような実験を荻原らの研究から獲得した対義語の組を対象に行う．対義語対の使い分けした結果を，例文を示した対義語対の置き換え可否を判定する被験者実験の結果と比較する． 本研究の成果は2つある．1つ目は，機械学習の性能が高ければ置き換え可能であり，機械学習の性能が低ければ置き換え不可能であるという，機械学習の性能と対義語対の置き換え可否に逆の相関があることが, 佐々本ら[3]が行った最大エントロピー法と同様にBERTでも確認できた．2つ目は，それぞれの対義語における有用な知見や対義語対の置き換え可否に関する知見などを獲得した．例えば，慣用的な表現が多く使われていると置き換え可能の値が高くなることが, 佐々本ら[3]の研究と同様に確認できた. この研究の成果は日本語学習者向けの対義語学習教材作成に利用できる．