ロボット発話のパラフレーズが意味を壊す問題とNLIによる対策

Wed, 14 Oct 2026 23:20:00 +0900

背景

Sevilla-Salcedo et al. (2023) “Using Large Language Models to Shape Social Robots’ Speech”（IJIMAI Vol.8 No.3）は、社会的ロボットの定型発話を単調にしないため、LLMでパラフレーズ（言い換え）を生成する仕組みを提案している論文
この論文には、パラフレーズによって意味そのものが変わってしまった失敗例が報告されている。例えば「¿Cómo te llamas?（お名前は？）」が「¿Cómo se llama la llama?（そのリャマの名前は？）」にパラフレーズされてしまうケース
SPRING: 高齢者介護施設における社会的ロボットの実証実験でも、LLMによる対話生成が「受診前は断食すべき」という世界知識ハルシネーションを起こした例が報告されている
どちらの論文も、BLEU・BERTスコアといった自動評価指標だけでは、この種の意味の変質を十分に検出できていなかった。パラフレーズ生成後に、生成文が本当に元の意味を保っているかを検証する技術を整理する

IJIMAI論文では、パラフレーズの質をBLEU（語彙的な類似度）とBERTスコア（埋め込みベースの意味的な類似度）の2つで評価していた
BLEUはそもそも「元の文とどれだけ違うか」を測る指標で、パラフレーズ生成では逆に「元の文に似すぎていない」ことが望ましいとされるため、意味保持そのものの検証には向かない
BERTスコアはトークンの埋め込み類似度に基づく指標のため、単語の重なりが大きい文同士には高いスコアを出しやすい。「¿Cómo te llamas?」と「¿Cómo se llama la llama?」のように、単語の大部分が共通していながら、質問の対象（相手の名前 vs リャマの名前）が入れ替わってしまうような構造的な意味の反転は、検出しづらい

Klemen & Robnik-Šikonja (2021) “Extracting and filtering paraphrases by bridging natural language inference and paraphrasing”（arXiv:2111.07119）は、NLI（Natural Language Inference、自然言語推論）を使って、パラフレーズの正しさを機械的に検証する、具体的で検証可能な手法を提案している

2つの文A・Bが「AはBを含意し（entail）、かつBもAを含意する」という双方向含意（bidirectional entailment）の関係にあるとき、AとBはパラフレーズであるとみなす、というのがこの手法の基本的な考え方
逆に言えば、どちらか一方でも含意が崩れていれば、意味が変わってしまった「偽のパラフレーズ」とみなせる
実際の判定には、含意確率に対する閾値（argmaxで判定する方法に加えて、0.75・0.90というより厳しい閾値）が使われ、閾値を上げるほど適合率が上がる一方で再現率は下がる、というトレードオフになる

BERT・multilingual BERT・RoBERTa（base/large）・XLM-RoBERTa（base/large）というNLIモデルを、SNLI（約57万件）・MNLI（約41万件）・XNLI（15言語、11.25万件）というNLIデータセットで検証している
この基準を既存のパラフレーズデータセットに適用したところ、QQPでは14.9万件中1.3万件（9.0%）、MRPCでは3,900件中230件（5.9%）が、実は意味の異なる「偽のパラフレーズ」として検出された
手動検証でも、フィルタリングで除外されたペアの90%以上が、実際に意味の異なる非パラフレーズだったことが確認されている
英語で学習した1つのモデルを15言語に適用する多言語設定でも、ドイツ語・フランス語で約80%の精度でパラフレーズを抽出できており、多言語のHRIシステムにも応用しやすい

IJIMAI論文のパイプラインでは、パラフレーズ生成後の検証はBERTスコアのみで、NLIベースの検証は使われていなかった
仮に「¿Cómo te llamas?」と「¿Cómo se llama la llama?」のペアに双方向含意のチェックを追加していれば、前者は「名前を聞かれているのが話し相手」、後者は「名前を聞かれているのがリャマ」という点で、互いに含意し合わないため、このペアは機械的に弾けた可能性がある
SPRING論文・IJIMAI論文はどちらも、高齢者や認知機能に配慮が必要な利用者を対象にしている。意味がわずかに変わっただけでも混乱を招きやすい対象であることを踏まえると、生成後にNLIベースの意味保持チェックを挟む追加コストは、十分に見合うと考えられる
具体的には、パラフレーズ生成→NLIモデルで双方向含意を判定→含意が崩れていれば元の定型文にフォールバック、という追加ステップを、既存のパラフレーズ生成パイプラインの後段に挟む形になる

IJIMAI論文のパラフレーズ生成には、意味が変わってしまう失敗例が実際に報告されており、BLEU・BERTスコアだけではこの種の失敗を十分に検出できていなかった
Klemen & Robnik-Šikonja (2021)のNLIベースの双方向含意フィルタリングは、QQP・MRPCという既存データセットから5〜9%の「偽のパラフレーズ」を検出できる、具体的で検証済みの手法
ロボットの発話パラフレーズのように、特に意味の正確さが重要なHRIの文脈でも、生成後にNLIベースの検証ステップを挟むことで、意味ドリフトを機械的に検出し、元の定型文にフォールバックすることができる可能性がある

Sevilla-Salcedo, J., Fernández-Rodicio, E., Martín-Galván, L., Castro-González, Á., Castillo, J. C., & Salichs, M. A. (2023). “Using Large Language Models to Shape Social Robots’ Speech” International Journal of Interactive Multimedia and Artificial Intelligence, Vol. 8, No. 3 (DOI:10.9781/ijimai.2023.07.008、PDF)
Klemen, M., & Robnik-Šikonja, M. (2021). “Extracting and filtering paraphrases by bridging natural language inference and paraphrasing” (arXiv:2111.07119、PDF)
SPRING: 高齢者介護施設における社会的ロボットの実証実験
ROS4HRIの仕組み
How To Paraphrase In Six Easy Steps - A Comprehensive Writing Guide