本研究は、補正の教師データが利用できない現実的な展開条件下において、凍結された下流モデルの対話談話構文解析を改善するための入力書き換えの利用を再評価する。著者らは、最後の発話に対する補正が、教師あり設定で示唆されているほど信頼できず、パーサー非依存の書き換えはむしろ修復よりも性能低下を引き起こすことが多いと見出した。

  • 3つの分割談話表現理論（SDRT）データセットおよび複数のパーサーにわたる分析により、修正を可能にする編集が頻繁にパーサーが依存する談話の手がかりを混乱させることが明らかになった。
  • 8件の中から最良のものを選ぶ書き換え分析では、エラーの大きな割合が入力書き換えだけでは修復できないという実用的な限界が示された。
  • GRPOで訓練されたパーサー対応補正器は、保守的なAbstention（棄権）を学習することで性能低下を最大37%削減したが、構文解析を一貫して改善する選択性 aware な補正を生み出すことには依然として失敗した。

これらの知見は、補正を選択的介入問題として再定義し、凍結された談話パーサーの入力側最適化における鍵となる欠落した能力として書き換え可能性の予測を特定する。