Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
習熟度尺度におけるレベル分割点の決定―統計的シミュレーションを用いて
Search
Yuichiro Kobayashi
December 20, 2014
Research
0
520
習熟度尺度におけるレベル分割点の決定―統計的シミュレーションを用いて
外国語教育メディア学会関西支部メソドロジー研究部会 2014年度第3回研究会 (2014年12月20日、沖縄県青年会館)
Yuichiro Kobayashi
December 20, 2014
Tweet
Share
More Decks by Yuichiro Kobayashi
See All by Yuichiro Kobayashi
コーパス分析における特徴語抽出手法の比較ー機械学習モデルの特性と注意点
langstat
1
370
学習者コーパス研究におけるマルチレベル順序ロジットモデルの活用
langstat
2
320
この脅迫状を書いたのは誰か? コンピュータが明らかにする「文章の指紋」
langstat
0
880
J-POPの歌詞から見る社会 計量テキスト分析入門
langstat
2
1.7k
機械学習と学習者コーパスに基づく自動採点システムの改良
langstat
0
710
パターン認識と自然言語処理の技術を用いたライティング自動評価の試み
langstat
1
1.3k
Other Decks in Research
See All in Research
SSII2024 [PD] SSII、次の30年への期待
ssii
PRO
2
1.3k
自動運転・AIシステムの問題を賢く探す・賢く直す / Smart Search & Repair Techniques for Automated Driving Systems and AI Systems
ishikawafyu
0
130
一人称視点映像解析の基礎と応用(CVIMチュートリアル)
takumayagi
0
800
How to Perform Manual Classification for Deep Learning Using CloudCompare
kentaitakura
0
950
研究効率化Tips_2024 / Research Efficiency Tips 2024
ryo_nakamura
5
4.1k
スモールデータ勉強会発表資料
natsutan
0
310
Threat Intelligence and Beyond
rishikadesai_7
0
240
第28回 著者ゼミ:Identification of drug responsible glycogene signature in liver carcinoma from meta-analysis using RNA-seq data
ktatsuya
2
200
マルチモーダル学習ライブラリ Heronと⾃動運転への応⽤
yuyamaguchi
1
980
バスのサービスレベル向上と運賃策による熊本都市圏の渋滞緩和効果推計 ~公共交通への公的投資に向けた感度と集計QVに基づく迅速なシナリオ検討~
trafficbrain
0
180
SSII2024 [OS1] 現場の課題を解決する ロボットラーニング
ssii
PRO
0
420
SSII2024 [OS2] 大規模言語モデルと基盤モデルの射程
ssii
PRO
0
380
Featured
See All Featured
Build The Right Thing And Hit Your Dates
maggiecrowley
28
2.2k
Unsuck your backbone
ammeep
666
57k
Music & Morning Musume
bryan
43
5.9k
A Philosophy of Restraint
colly
200
16k
Creatively Recalculating Your Daily Design Routine
revolveconf
214
11k
Building Applications with DynamoDB
mza
89
5.8k
Testing 201, or: Great Expectations
jmmastey
33
6.9k
[RailsConf 2023] Rails as a piece of cake
palkan
35
4.4k
A better future with KSS
kneath
231
17k
Faster Mobile Websites
deanohume
303
30k
Designing with Data
zakiwarfel
96
5k
Put a Button on it: Removing Barriers to Going Fast.
kastner
58
3.3k
Transcript
খྛ༤Ұ ʢຊֶज़ৼڵձɾ໋ཱؗେֶʣ ϝιυϩδʔݚڀ෦ձୈճݚڀձ ݄ʢʣԭೄݝ੨ձؗ
ࣗݾհ • ؆୯ͳܦྺ – ຊֶज़ৼڵձಛผݚڀһ%$ – ത࢜ʢݴޠจԽֶʣʢେࡕେֶʣ – ຊֶज़ৼڵձಛผݚڀһ1%
– ະఆ • ݚڀςʔϚ – ֶशऀίʔύεݚڀ – ϝλஊඪࣝ – ࣗಈ࠾ – FUD
ࣗಈ࠾ • ֶशऀͷशख़Λ౷ܭతʹ༧ଌ – આ໌มʢ༧ଌʹ༻͍Δख͕͔Γʣݴޠతಛ – తมʢ༧ଌ͢Δରʣशख़ େྔͷ࡞จσʔλ ʢίʔύεʣ
ࣗಈ࠾ϓϩάϥϜ ʢ౷ܭతྨثʣ ֶशऀͷ࡞จ ʢੳରʣ शख़ʹΑͬͯස͕ҟͳΔ ݴޠతಛʢઆ໌มʣΛಛఆ ίʔύε͔ΒಘΒΕͨใΛ༻͍ͯɺ ະͷ࡞จͷशख़ʢతมʣΛఆ
ࣗಈ࠾ʹ͓͚Δ • આ໌มΛԿʹ͢Δ͔ʁ – ਓؒͷ࠾ऀͱಉ͡ߏ֓೦ʹج͖ͮ͘ ɹɹɹɹɹˣ –
ਓؒඞͣࣗࣗ͠ͷ࠾ج४ʢධՁ߲ͱɺ ͦͷॏΈ͚ʣΛཧղ͍ͯ͠Δ༁Ͱͳ͍ FH "UUBMJ ɹɹɹɹɹˣ – ͱΓ͋͑ͣɺධՁ߲ʢͷީิʣͱͳΔݴޠతಛΛ ʢՄೳͳݶΓʣཏతʹ༻ ɹɹɹɹɹˣ – ݸʑͷධՁ߲ͷॏཁΛ౷ܭతʹಛఆ ʢਓؒͷߏ֓೦Λ౷ܭతʹ࠶ݱʣ খྛ
ࣗಈ࠾ʹ͓͚Δ • తมΛԿʹ͢Δ͔ʁ – ௨ৗɺطଘͷशख़ईʢFH $&'3ͷϨϕϧʣ ɹɹɹɹɹˣ
– Ͳͷई͕शख़ͷଌఆʹ࠷ద͍ͯ͠Δͷ͔ʁ – ͲͷΑ͏ʹशख़ͷईΛઃఆ͢Δ͔ʁ ɹɹɹɹɹˣ – शख़ʢϨϕϧʣΛ૿͢ͱɺଌఆޡ্͕ࠩঢ – शख़ʢϨϕϧʣΛݮΒ͢ͱɺใྔ͕Լ ɹɹɹɹɹˣ – ςεςΟϯάʹ͓͚Δशख़ईͷᮢͷ
ᮢͷઃఆ • ݴޠशख़ͷई – ֶशऀͷύϑΥʔϚϯε͕ͲͷϨϕϧʹ͋Δ͔Λஅ ͢ΔͨΊʹ༻ – शख़͕θϩͷϨϕϧ͔ΒޠऀͱಉఔͷϨϕ ϧ·ͰΛؚΉ
%BWJFT FUBM ɹɹɹˣ – Կஈ֊ͷϨϕϧ͕ద͔ʁ – ϨϕϧΛ۠͢ΔᮢΛͲͷΑ͏ʹ໌֬ʹ͢Δ͔ʁ – ईΛͲͷΑ͏ʹද͢ͷ͔ʁ ɹɹɹˣ – ͦͷईͷઃܭࢥ༻తͱີʹؔΘΔͷ
• Ϩϕϧͷ૿Ճ – ྫ͑ɺ$&'3ͷ߹ɺˠˠͱ૿Ճ – $&'3Λ֦ுͨ͠$&'3+Ͱɺ ɹɹˣ • ଌఆޡࠩͷӨڹ
– ୡϨϕϧҎԼͷऀ͕ୡϨϕϧʹୡ͍ͯ͠Δͱஅ ͞ΕΔޡΓ GBMTFQPTJUJWF – ୡϨϕϧʹୡ͍ͯ͠Δऀ͕ୡϨϕϧҎԼͰ͋Δͱ அ͞ΕΔޡΓ GBMTFOFHBUJWF ɹɹɹˣ – ࡉԽ͞ΕͨϨϕϧͷ࠶౷߹͕ඞཁʹͳΔ͜ͱ
• શʹ٬؍తͳϨϕϧͷׂํ๏ – ଘࡏ͠ͳ͍ ;JFLZ1FSJF ɹɹɹɹɹˣ –
ͦΕͰՄೳͳݶΓ٬؍ੑΛߴΊΔඞཁ – Ϩϕϧ۠ͷج४ɺ౷ܭతͳੳ݁Ռʹج͍ܾͮͯ ఆ͞ΕΔ͜ͱ͕·͍͠ ɹɹɹɹɹˣ – ผੳ – ଟ࣍ݩई๏ – ߲Ԡཧ – FUD $&'3
ݚڀͷత • Ϩϕϧ۠ͷج४Λܾఆ͢ΔͨΊͷྔతσʔλ Λఏࣔ͢Δ͜ͱʢҙࢥܾఆࢧԉʣ • ߟྀ͞ΕΔϨϕϧ۠ͷج४ – Ϩϕϧఆͷਫ਼ʢଌఆޡࠩʣ –
Ϩϕϧ۠ͷྑ͞ʢใྔʣ
࣮ݧσʔλ • /*$5+-&$PSQVT ઘ΄͔ – 4UBOEBSE4QFBLJOH5FTU 445
Λडݧͨ͠ຊਓ ӳޠֶशऀ ਓͷൃσʔλʢॻ͖ى͜͠ʣ – ஈ֊ͷशख़ใ͕શͯͷֶशऀσʔλʹ༩
• 4UBOEBSE4QFBLJOH5FTU 445 – "$5'-01*ʹ४ڌ – शख़ͷఆɺ B
૯߹తλεΫͱػೳɺ C ςΩ ετλΠϓɺ D ਖ਼֬͞ɺ E ൃԻɺ F ྲྀெ͞ɺͷ ߲ʹؔ͢ΔධՁج४ʹج͍ͮͯߦΘΕΔ -FXJT – ઐͷࢼݧʹΑΔؒͷΠϯλϏϡʔΛԻ – ਓͷධՁ͕ݸผʹशख़Λఆ – ਓͷධՁͷධՁ͕͔Εͨ߹ɺਓͷධՁ ͕ఆ
• "$5'-01*ͱ445 – ʮຊਓͷӳޠֶशऀʹଟ͍தڃϨϕϧΛৄࡉʹଌ ఆͰ͖ΔΑ͏ʹʯϨϕϧΛࡉׂ͔͘ -FXJT ͜Ε΄Ͳࡉ͔͚͘Δ
͜ͱଥͳͷ͔ʁ ֶशऀ͕ଟ͘͢Δ ͜ͱΛཧ༝ʹɺϨϕϧ ۠ͷج४Λมߋ͢Δ ͜ͱଥͳͷ͔ʁ
• 445ͷධՁج४ʢҰ෦ʣ – ϨϕϧʮجຊతʹϨϕϧͱಉ༷ͰɺൃԻɺจ ๏ɺͦͷଞͷͰϨϕϧΑΓ༏Εͨ໘Λ࣌ંൃش͢ Δʯ – ϨϕϧʮجຊతʹϨϕϧͱಉ༷ͰɺൃԻɺจ ๏ɺͦͷଞͷͰϨϕϧΑΓ༏Εͨ໘Λ࣌ંൃش͢
Δʯʢ-FXJT ʣ ɹɹɹɹɹˣ – ͱ͋ΔݩΞϧΫͷਓʮਓͷධՁʹΑΔϨϕϧͷҰ கఔʯ – ͱ͋Δ445ࢼݧʮϨϕϧʹΑͬͯɺఆ͕͔ͳΓ ͍͠ʯ
࣮ݧख๏ • ϥϯμϜϑΥϨετ #SFJNBO – Ϩϕϧఆͷਫ਼ʢଌఆޡࠩʣ •
ใྔج४ "*$ʣ ,POJTIJ,JUBHBXB – Ϩϕϧ۠ͷྑ͞ – Ϩϕϧɺ࠷Ͱͭ • આ໌ม – #JCFS ͳͲʹجͮ͘छྨͷݴޠ߲ – ֶशऀݴޠͷੳʹ༗༻ FH খྛ΄͔
݁Ռͱߟ • Ϧάϧʔϐϯά݁Ռʢछྨʣ – "*$ɺখ͍͞΄ͲΑ͍ – "DDVSBDZɺߴ͍΄ͲΑ͍
• "*$ͱ"DDVSBDZͷؔ 8100000 8200000 8300000 8400000 8500000 8600000 8700000
0.6 0.7 0.8 0.9 1.0 AIC Accuracy 1-189 190-224 225-255
• ͲΕ͙Β͍ͷఆਫ਼ΛٻΊΔ͔ʁ
• Ϩϕϧ۠ͷมԽ Accuracy Proportion 0.0 0.2 0.4 0.6 0.8
1.0 -0.60 0.60+ 0.65+ 0.70+ 0.75+ 0.80+ 0.85+ 0.90+ 0.95+ 1|2 2|3 3|4 4|5 5|6 6|7 7|8 8|9
࣮ݧ݁Ռͷ·ͱΊ • Ұఆͷఆਫ਼Λ୲อ͢Δͱ͍͏؍Ͱ… – 445ͷϨϕϧʙʹؔͯ͠ɺࡉԽ͞Εա͍͗ͯΔ Մೳੑ – 445ͷϨϕϧʙʹؔͯ͠ɺͭͷϨϕϧʹ·ͱΊΔ ͱ͍͏ํੑ
• ࠓޙͷల։ – Ϩϕϧ۠ʹӨڹ͢Δݴޠ߲ͷಛఆ ɹFUD
ओཁࢀߟจݙ • "UUBMJ : 7BMJEJUZBOESFMJBCJMJUZPGBVUPNBUFEFTTBZTDPSJOH *O4IFSNJT . #VSTUFJO
+ &ET )BOECPPLPGBVUPNBUFEFTTBZ FWBMVBUJPO QQ /FX:PSL3PVUMFEHF • #JCFS % 7BSJBUJPOBDSPTTTQFFDIBOEXSJUJOH$BNCSJEHF $BNCSJEHF6OJWFSTJUZ1SFTT • #SFJNBO - 3BOEPNGPSFTUT.BDIJOF-FBSOJOH • %BWJFT " #SPXO " &MEFS $ )JMM , -VNMFZ 5 .D/BNBSB 5 %JDUJPOBSZPGMBOHVBHFUFTUJOH$BNCSJEHF$BNCSJEHF 6OJWFSTJUZ1SFTT • ઘֆඒɾݩਗ਼وɾҪࠤݪۉ ʰຊਓਓͷӳޠεϐʔΩ ϯάίʔύεʱ౦ژΞϧΫ • খྛ༤Ұ ʮػցֶशͱࣗવݴޠॲཧͷٕज़Λ༻͍ͨशख़ਪఆ ʕݱঢ়ͱ՝ʯʰ֎ࠃޠڭҭϝσΟΞֶձ -&5 ؔࢧ෦ϝιυϩδʔݚ ڀ෦ձใࠂूʱ • খྛ༤ҰɾѨ෦ਅཧࢠɾాਅ ʮॻ͖खͷशख़ͱޠ͕ୈ ݴޠϥΠςΟϯάʹ༩͑ΔӨڹʯʰਓจՊֶͱίϯϐϡʔλγϯϙδ ϜจूʕਓจՊֶͱίϯϐϡʔλͷ৽ͨͳύϥμΠϜʱQQ
• খྛ༤Ұɾాதল࡞ɾѨ෦ਅཧࢠ ʮใྔج४ʹجͮ͘शख़ ईͷ࠶ݕ౼ʯখࢁ༝لߐ ฤ ʰՊֶٕज़ίʔύεͷಛදݱੳͱ-35 ʹج͍ͮͨ$"5ͷ࡞ʱʢ౷ܭཧݚڀॴڞಉݚڀϦϙʔτ/Pʣ QQ
• ,POJTIJ 4 ,JUBHBXB ( *OGPSNBUJPODSJUFSJBBOETUBUJTUJDBM NPEFMJOH/FX:PSL4QSJOHFS • -FXJT . ʰӳޠΦʔϥϧɾίϛϡχέʔγϣϯߨ࠲ʮӳޠΛ ͬͯͰ͖Δ͜ͱʯΛޮతʹ૿͢ϲ݄ϓϩάϥϜʢ࣮ફίʔεʣʱ ౦ژΞϧΫ • ༝ل ฤ ʰ$"/%0Ϧετ࡞ɾ׆༻ӳޠ౸ୡࢦඪ $&'3+ΨΠυϒοΫʱ౦ژେमؗॻళ • ;JFLZ . 1FSJF . "QSJNFSPOTFUUJOHDVUTDPSFTPO UFTUTPGFEVDBUJPOBMBDIJFWFNFOU1SJODFUPO&EVDBUJPOBM5FTUJOH 4FSWJDF ɹ ຊൃදͷੳख๏ͱੳ݁Ռʹؔͯ͠ɺখྛɾాதɾѨ෦ ʹ ৄ͘͠ॻ͍ͯ͋Γ·͢ɻ IUUQMBOHTUBUIBUFOBCMPHDPNFOUSZ
͝ਗ਼ௌ͋Γ͕ͱ͏͍͟͝·ͨ͠ 8100000 8200000 8300000 8400000 8500000 8600000 8700000 0.6
0.7 0.8 0.9 1.0 AIC Accuracy 1-189 190-224 225-255 Accuracy Proportion 0.0 0.2 0.4 0.6 0.8 1.0 -0.60 0.60+ 0.65+ 0.70+ 0.75+ 0.80+ 0.85+ 0.90+ 0.95+ 1|2 2|3 3|4 4|5 5|6 6|7 7|8 8|9 খྛ༤Ұʢ͜͠Ώ͏͍ͪΖ͏ʣ
[email protected]
! ϨϕϧͷมԽʹΑΔଌఆͷਫ਼ͱใྔͷมԽΛ౷ܭతʹγϛϡϨʔγϣϯ