要約
現在の新型コロナウイルス感染症（COVID-19）パンデミックは、NLP研究と下流アプリケーションを支援し、パンデミック対策に貢献する多くのコーパスの作成につながっています。しかし、これらのコーパスの多くは英語専用となっています。パンデミックは世界規模の問題であるため、英語以外の言語向けにCOVID-19関連のデータセットを作成することが重要です。本論文では、ベトナム語向けに初めて手動でアノテーションされたCOVID-19ドメイン固有のデータセットを紹介します。特に、当該データセットは命名実体認識（NER）タスクのために新規定義されたエンティティタイプでアノテーションされており、これにより将来の疫病にも活用できる可能性があります。また、既存のベトナム語NERデータセットと比較して最も多くのエンティティを含んでいます。我々は強力なベースラインを使用して当該データセット上で実験を行い、以下の結果を得ました：自動的なベトナム語単語分割がNER結果の向上に寄与することと、事前学習済み言語モデルの微調整によって最高性能が得られることです。一言語モデルであるPhoBERT（Nguyen and Nguyen, 2020）は多言語モデルXLM-R（Conneau et al., 2020）よりも高い結果を示しました。当該データセットは公開されており、以下のURLからアクセスできます：https://github.com/VinAIResearch/PhoNER_COVID19