Type: article
Abstract: 本研究では，大学のレポート課題のように「大きなテーマは共通だが内容や論点が異なる」文章集合を対象とし，複数のテキスト埋め込みモデルによる類似度計算および可視化手法の振る舞いを比較する．実際の学生レポートのみを用いた評価では，教師ラベルの粒度やデータ数の制約によりモデル間の差が明確に現れにくいという問題がある．そこで本研究では，大テーマを共通としつつ，執筆方針や論点構成の異なるレポートを擬似的に大量生成する人工レポートデータ生成手法を構築し，その上でTF–IDF，fastText，Sentence-BERT (SBERT)，E5，OpenAIEmbeddings の 5 手法を比較する．さらに，t-SNE，UMAP による次元削減結果を可視化し，各モデルがレポートの構造をどの程度クラスタとして再現できるかを検討する．実験の結果，SBERT，E5，OpenAI Embeddings は人工レポートの執筆戦略ごとのクラスタをほぼ完全に分離できる一方で，TF–IDF と fastText はクラスタ構造を十分に再現できないことが定量評価・可視化の両面から確認された．これにより，レポート自動分類や類似レポート検出においては，従来広く用いられてきたBoW/単語平均型の埋め込みよりも，文レベル意味ベクトルモデルを採用することの有効性が示された
Author: IWATA, Kazunori
Language: Japanese
Topic: Topic Modeling
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7204680799