非構造化テキストの理解は自然言語処理における主要な目標である。理解度テストでは、短いテキストの文章に基づいて質問を出し、その理解度を評価する。本研究では、挑戦的な{\it MCTest}ベンチマークにおける機械の理解度を調査した。{\it MCTest}のサイズが限られていることから、これまでの研究では主に更好的特徴量設計に焦点を当ててきた。我々はこのデータセットに対してニューラルアプローチを採用し、並列階層構造で配置された単純なニューラルネットワークを使用した。並列階層構造により、モデルは手動で設計された固定された特徴量セットを使用せずに、文章、質問、および回答をさまざまな学習可能な視点から比較できる。視点は単語レベルから文断片まで、そして文の系列まで及ぶ；ネットワークはテキストの単語埋め込み表現のみを使用して動作する。限られた訓練データに対処するための方法論で訓練された際、我々の並列階層モデルは{\it MCTest}において新しい最先端の成果を達成し、以前の特徴量エンジニアリング手法よりもわずかに優れ、以前のニューラルアプローチと比べて大幅に（絶対値で15％以上）性能を上回った。注：「bettering」一詞在這裡被翻譯為「更好的」，但根據上下文，「改善」或「提高」可能更加貼切，因此建議將該句調整為：「{\it MCTest}のサイズが限られていることから、これまでの研究では主に改善した特徴量設計に焦点を当ててきた。」修正后的翻译：非構造化テキストの理解は自然言語処理における主要な目標である。理解度テストでは、短いテキストの文章に基づいて質問を出し、その理解度を評価する。本研究では、挑戦的な{\it MCTest}ベンチマークにおける機械の理解度を調査した。{\it MCTest}のサイズが限られていることから、これまでの研究では主に改善した特徴量設計に焦点を当ててきた。我々はこのデータセットに対してニューラルアプローチを採用し、並列階層構造で配置された単純なニューラルネットワークを使用した。並列階層構造により、モデルは手動で設計された固定された特徴量セットを使用せずに、文章、質問、および回答をさまざまな学習可能な視点から比較できる。視点は単語レベルから文断片まで、そして文の系列まで及ぶ；ネットワークはテキストの単語埋め込み表現のみを使用して動作する。限られた訓練データに対処するための方法論で訓練された際、我々の並列階層モデルは{\it MCTest}において新しい最先端の成果を達成し、以前の特徴量エンジニアリング手法よりもわずかに優れ、以前のニューラルアプローチと比べて大幅に（絶対値で15％以上）性能を上回った。