TYPO Writer ヒトはどのように打ち間違えるのか？ 荒牧英治 東大 宇野良子 農工大 岡瑞起 東大

まだ間違いに気が付いていないのか?

TYPOが致命的な場合も 日本看護協会の告知[Dec2008]より

TYPOの特徴 従来のコーパス（新聞や論文）ではまれ BUT: 例外的現象ではない 記述者は気づきにくい→ 人間ならだれしも行う 平均3%の割合で打鍵ミス エキスパートでも0.9% [Grudin1983] チャットやマイクロブログ カルテ文章＝ungrammatical fragmented [Sibanda 2005] 記述者は気づきにくい→ Sibanda いったいヒトはなぜタイポをするのか?

本研究の2つの課題 いったいなぜ／どのようにタイポするのか 主課題：タイポの分析 BUT: 従来のコーパス（新聞，論文 etc） においてタイポはまれ 副課題：タイポの収集

本研究 はじめに 課題１： タイポの収集 どうやって自動的に大量のタイポをあつめるか？ 課題２： タイポの分析 実験 おわりに

タイポの出現頻度は原型に比べて著しく低い （本研究における）タイポとは 仮定1 タイポの出現頻度は原型に比べて著しく低い → |SOTP| : |STOP| < 1:50 仮定2 タイポと原型のスペリング／コンテキストは類似している → sim (please sotp it, please stop it) > TH. 仮定3 タイポは辞書に収載されていない → (form ⇔from) は対象外.

手法 材料： (2008年クロール; 500MB) STEP1: 3grmに分解→頻度集計 仮定はインプリしやすい 手法 材料： (2008年クロール; 500MB) STEP1: 3grmに分解→頻度集計 SPTE2: 頻度差30倍の類似した3grmペア抽出 仮定1 仮定2 仮定3 N-gram (Freq) N-gram (Freq) TYPO ORG TYPE wace wave R1 The google wace (2) The google wave (42205) have wave R1 The google have (202) The google wave (42205)

結果 3.9万ペア （原型: タイポのペア） 評価： 正しいタイポが定義不能のため困難 百聞＜一見→ http://luululu.com/tweet/

本研究 はじめに 課題１： タイポの収集 課題２： タイポの分析 タイポとはどんな特徴を持っているか？ 実験 おわりに

各操作別の タイポされた文字 何がバイアスになっているか？ iの挿入が多い しかし a と i の置換は少ない a の脱落が多い IN RM 挿入 削除 順入替 置換 i 1420 / 40412 = 0.0351 a 1673 / 34515 = 0.0484 e/h 242 a:e 954 d 981 / 13567 = 0.0723 o 1671 / 46884 = 0.0356 e/m 129 m:s 392 a 850 / 34515 = 0.0246 e 1004 / 50418 = 0.0199 a/h 107 m:n 310 y 760 / 50418 = 0.0150 i 742 / 40412 = 0.0183 h/t 78 y:t 280 e 741 / 50418 = 0.0146 l 661 / 19796 = 0.0333 i/e 70 z:s 278 t 735 / 44495 = 0.0165 h 653 / 28020 = 0.0233 o/t 63 t:e 265 n 684 / 33891 = 0.0201 n 499 / 33891 = 0.0147 g/n 63 q:g 238 o 609 / 46884 = 0.0129 t 394 / 44495 = 0.0088 s/u 60 r:e 218 iの挿入が多い しかし a と i の置換は少ない imbalanced a の脱落が多い 何がバイアスになっているか？

置換は同じ右手／左手の指の間で起こりやすい 要因1: 指とタイポの関係 文字順の入れ替えは 右手と左手の間で起こりやすい 置換は同じ右手／左手の指の間で起こりやすい

要因1: 指とタイポの関係 各指で起こるタイポ操作が異なる

要因2: 視覚的要因 形がよく似た文字は置換されやすい!? 画像類似度 類似度した文字

要因3: 単語内の位置 真ん中と後末にタイポが起きやすい 頻度 語末になりやすい文字 単語内の相対位置

要因4: Doubling 要因4: 音韻 p_a_p_e_r_w_e_i_g_h_t p_eI_p_@_ _w_e_I_ _ _t More info 要因4: Doubling 要因4: 音韻 p_a_p_e_r_w_e_i_g_h_t p_eI_p_@_ _w_e_I_ _ _t CELEX2 DATABASE aligned by GIZA++ RMされた文字の発音

タイポを起こす要因とタイポモデル 何が主要な要因なのだろう？ 要因1:打鍵ミス 要因5:音韻 要因4: doubling 要因2:画像類似度 Cognitive Error Type Error 要因5:音韻 [Kukich1992] 何が主要な要因なのだろう？ 要因4: doubling 要因2:画像類似度 要因3:単語内位置 Check Failure 要因5:音韻 タイポ

本研究 はじめに 課題１： タイポの収集 課題２： タイポの分析 実験 おわりに タイポをタイポらしくしているのは何か？ ＝タイポと擬似タイポを識別 → 識別に貢献ものは何か？ おわりに

実験設定 目的 : タイポらしさはどの要因からくるのか調べる データ （自動抽出結果と擬似負例） 正例 自動抽出した原型:タイポのペア Twitter:Twiter 負例 正例の原型をランダムに編集 Twitter:Zwitter 手法： SVMで要因1-5をfeatureとして表現 要因1 要因3 Twitter:Twiter F4-RM L-RM 4of7 Twitter:Zwitter F4-F1-R2 L-R2 1of7

実験結果 (1) どの要因を削除しても精度が下がる → どの要因も少なくともタイポの一部を説明 (2) 特に が重要 単語内位置

≒ 単語認知の研究との不整合 単語中央の 情報量が少ない 単語の中央／末尾に タイポが多い 単語中央付近の間違いに気づかない 単語に内在する情報量の偏在 [田中, 2008] 単語中央の 情報量が少ない 単語の中央／末尾に タイポが多い ≒ 単語中央付近の間違いに気づかない

= 仮説「逐次的に単語認知を行う」 i n v i i n v i t e No-look typing check B E B E =

本研究 はじめに 課題１： タイポの収集 課題２： タイポの分析 実験 おわりに

まとめ 人はなぜ打ち間違うか? 神のみぞ知る 人はどのように打ち間違うか．．． 本研究により定量的に調査可能 →数学的モデル化 →認知研究との関連 「逐次的単語認知」の検討 →人間と同じように打ち間違えるプログラム see TYPO Writer http://luululu.com/research/pm3/index.html

発音しない文字 中央付近