学習者書き込みにおける誤り検出のためのニューラルシーケンスラベリング手法において、異なる補助目的関数および学習戦略の有用性を調査しました。補助コストはモデルに追加の言語情報を提供し、汎用的な構成的特徴を学習させることができます。これらの特徴はその後他の目的関数でも活用されます。実験結果によると、ドメイン内データで並列ラベルを使用して訓練された共同学習アプローチが、これまでの最良の誤り検出システムよりも性能を向上させることが示されました。得られたモデルは同じ数のパラメータを持っていますが、追加の目的関数により効率的に最適化され、より優れた性能を達成しています。