要約
我々は、文の予測を通じて計算モデルの性能を評価するためのデータセット「SCDE」を紹介する。SCDEは、公開された小学校および中学校の英語試験問題から収集された、人間が作成した文の穴埋め（sentence cloze）データセットである。本タスクでは、英語教師によって意図的に設計された混同語（distractors）を含む共通の候補語リストから、文章内の複数の空白を埋めることが求められる。実験結果から、このタスクは直近の文の周辺文脈を超えて、非局所的かつ話法レベル（discourse-level）の文脈を必要とすることが明らかになった。また、空白同士は相互に依存しており、互いの文脈を著しく損なうため、同時に解く必要がある。さらに、アブレーション実験を通じて、混同語の品質が高く、タスクの難易度を有意に高めていることを示した。実験結果によれば、最先端モデル（72%）と人間（87%）の間には顕著な性能ギャップが存在することが明らかとなり、今後のモデル開発においてこのギャップを埋めることが強く促進される。