単語の意味の曖昧性解消（Word Sense Disambiguation）は、自然言語処理分野における長年にわたり取り組まれてきた基本的な課題であり、人間の言語理解の核を成すものである。しかし、自動システムの評価は、信頼性の高い評価フレームワークの欠如により、長らく問題視されてきた。本論文では、統一的な評価フレームワークを構築し、公平な設定のもとでさまざまな意味の曖昧性解消システムの性能を分析する。その結果、教師あり（supervised）モデルが知識ベースのモデルを明確に上回ることが明らかになった。さらに、教師ありモデルの中でも、従来の局所的特徴（local features）を用いて学習された線形分類器は、依然として高い基準（hard baseline）としての地位を保っていることが示された。一方で、未ラベルコーパス上でニューラルネットワークを活用する最近のアプローチは、多くのテストセットにおいてこの堅実な基準を上回る有望な結果を達成しており、新たな進展を示している。