以下は、提示された論文「CommonMorph: Participatory Morphological Documentation Platform」の技術的な要約です。

1. 問題提起 (Problem)

言語の多様性保全において、形態論（語の構造や屈折パターン）のデータ収集と注釈付けは極めて重要ですが、以下の課題に直面しています。

• リソースの不足と専門性の壁: 低資源言語や危機に瀕する言語において、形態論データの収集には高度な言語学的知識と多大な人的リソースが必要です。
• 既存手法の限界:
  • 有限状態転写器 (FST): 規則ベースのアプローチですが、設計・実装に高度な技術と手作業を要し、不規則性への対応が困難で、未知の語形（OOV）への汎用性が低いです。
  • UniMorph などのデータセット: 既存の最大規模のプロジェクトであっても、世界の言語の 2.5% 未満しかカバーしておらず、データ作成プロセスが非効率で、コミュニティからの広範な検証メカニズムが不足しています。
• 関連言語の活用不足: 多くの言語は共通の語族に属し形態論的・音韻論的パターンを共有しますが、既存のツールはこれらの類似性を活用して注釈作業を効率化する機能を十分に提供していません。

2. 方法論 (Methodology)

CommonMorph は、言語学者（専門家）と話者（コミュニティメンバー）が協働して形態論データを収集・検証するための、3 段階の参加型プラットフォームです。

2.1 システムアーキテクチャとワークフロー

システムは以下の 3 つの役割とプロセスで構成されます（図 1 参照）：

1. 言語学者による定義 (Expert Definition):
   • 言語学者が初期の言語資料（語彙リスト、語幹、語幹の規則、形態統語的特徴など）を入力します。
   • 関連する言語のデータ（TSV 形式など）をインポートし、既存の規則を適応させることで作業を効率化します。
   • 非専門家向けの「質問テンプレート」を設計し、専門用語を使わずに適切な語形を聞き出すためのプロンプトを生成します。
2. 話者による収集と検証 (Contributor Elicitation & Validation):
   • システムは定義された規則と語彙に基づき、語形を自動生成し、話者に提示します。
   • 話者は提示された語形を確認・修正したり、新しい語形を入力したりします。
   • 複数の話者間で意見が対立した場合、多数決または言語学者による最終裁定で解決されます。
3. コミュニティによる検証 (Community Validation):
   • 蓄積されたデータは、他の話者によって検証され、品質が向上します。

2.2 アクティブラーニングと予測モデル

データ収集の効率化のため、以下の 3 つのソースからの提案を統合する動的な予測パイプラインを採用しています：

• ルールベース (Cold Start): 初期データがない段階では、言語学者が定義した規則と形態音韻規則（例：トルコ語の母音調和）に基づいて候補を生成します。
• ニューラルモデル (Active Learning): 検証済みのデータで言語固有の LSTM モデル（2 層、隠れ層 128 次元）をトレーニングし、予測の不確実性を測定して「最も情報量の多い」未注釈データを優先的に提示します。
• LLM の活用 (Few-shot Prompting): データが不足している段階で、Gemini や GPT などの大規模言語モデルを API 経由で使用します。以前に検証された類似の形態統語的特徴を持つ例をコンテキストとして提示（Few-shot）し、微調整なしで高精度な予測を行います。

2.3 技術的実装

• フロントエンド/バックエンド: .NET Web アプリケーション、PostgreSQL データベース。
• 機械学習: FastAPI と PyTorch を使用。CPU 環境でも 15 エポック（約 1 分）でトレーニング可能な軽量モデル。
• オフライン対応: 不安定なインターネット環境でも利用できるよう、初期データ入力後に空の表を印刷してオフラインで記入し、後で同期する機能を提供します。
• 出力形式: UniMorph スキーマに準拠した形式でエクスポート可能。

3. 主な貢献 (Key Contributions)

1. 参加型プラットフォームの構築: 言語学者と話者の協働を可能にする初の統合プラットフォーム。専門知識とコミュニティの知見を融合させ、低資源言語のデータ収集をスケーラブルにします。
2. ハイブリッドな予測アプローチ: 言語学者のルール、ニューラルネットワーク、LLM を組み合わせることで、データが全くない状態（Zero-shot）からデータが蓄積される状態まで、段階的に精度を向上させる仕組みを提供します。
3. 多様な形態論への対応: 融合型（fusional）、接辞型（agglutinative）、語根とパターン型（root-and-pattern）など、多様な形態論体系（スペイン語、トルコ語、アラビア語、クルド語など）を柔軟に扱える設計。
4. オープンソースと相互運用性: 完全オープンソースであり、UniMorph 互換の出力により既存の NLP ツールとの統合を容易にします。

4. 結果 (Results)

複数の言語（スペイン語、ドイツ語、英語、トルコ語、アラビア語、クルド語、ペルシャ語、ハワラミ語など）を用いたケーススタディと評価を行いました。

• 提案精度 (Character Error Rate: CER):
  • 言語学者が定義した規則と形態音韻規則を組み合わせることで、ゼロリソース環境でも大幅な精度向上が見られました（例：トルコ語で CER が 31.74% から 2.97% に低下）。
  • アクティブラーニングにより、トレーニングデータが増えるにつれてニューラルモデルの CER が低下し、効率的なデータ収集が確認されました。
  • LLM（Few-shot）は、リソース豊富な標準語において競合する性能を示しましたが、完全な母音記号付きのアラビア語データなど、トレーニングデータと推論データの形式が異なる場合には精度が低下しました。
• ユーザー調査:
  • 言語学者と話者の両方から高い評価（満足度・使いやすさともに 4.7/5 以上）を得ました。
  • 話者は言語学者よりも短い学習時間（8.7 分 vs 17.3 分）で貢献でき、教育効果（言語構造の理解）も高く評価されました。

5. 意義 (Significance)

CommonMorph は、言語ドキュメンテーションのパラダイムを「専門家による孤立した作業」から「専門家とコミュニティによる協働」へと転換させる重要なステップです。

• 危機に瀕する言語の保存: 低資源言語の複雑な形態論データを、コミュニティの参加を促しながら効率的に収集・保存するモデルを提供します。
• NLP への貢献: 高品質で構造化された形態論データセットを生成し、低資源言語向けの NLP ツール開発の基盤となります。
• 持続可能性: オープンソースであり、オフライン対応や関連言語の再利用機能を備えているため、将来的な拡張性と持続可能性が高いです。

今後は、記述資料からの自動抽出機能の強化や、音声入力（ASR）の統合、音韻論や統語論など他の言語分野への拡張が計画されています。