Square One に戻る：Winograd スキーマにおけるアーティファクト検出、トレーニングおよび常識の分離

ウィノグラードスキーマ（WS）は、モデルの常識的推論能力を測定するための指標として提唱されている。近年、事前学習済み言語モデルを活用したアプローチにより、一部のWSベンチマークにおける性能が著しく向上しているが、その向上の原因は依然として明確でない。本研究では、WSにおける表面上の進展が、必ずしも常識的推論能力の向上を反映しているわけではない可能性を指摘する。この主張を裏付けるために、まず現在のWS評価手法が最適ではないことを示し、双子文（twin sentences）を用いた評価法の改良を提案する。さらに、WSベンチマークにアーティファクト（人工的構造）が存在することを示すための2つの新たなベースラインを提案する。その後、事前学習段階で習得した常識的推論能力を評価できるゼロショット設定におけるWS類似文の評価手法を開発し、より厳格な評価基準を適用した場合、代表的な言語モデルがランダムな性能にとどまることを観察した。結論として、観察された進展は主にWSモデル学習における教師信号（supervision）の利用によるものであり、それがすべての必要な常識的推論スキルや知識を効果的に支援するとは限らないという点に着目する。