Loading article…
言語・コミュニケーション技術（LCT、略して人間言語技術または言語技術とも呼ばれる）は、言語とコミュニケーションを探求する技術を科学的に研究する分野である。コンピュータ科学、言語学、認知科学の分野を包含する学際的な分野である。
1950年代、コンピュータの発明直後に研究された最初の問題の一つは、LCT問題、すなわち人間の言語の翻訳でした。機械翻訳に注ぎ込まれた巨額の資金は、この分野が当初から重要視されていたことを示しています。また、この時期には、学者たちが科学的方法に基づいて言語とコミュニケーションの理論を開発し始めました。言語の場合、ノーム・チョムスキーは言語の形式的記述の探求として言語学の目標を洗練させ[ 1 ]、クロード・シャノンとウォーレン・ウィーバーはコミュニケーションと情報を結びつける数学的理論を提供しました[ 2 ] 。
コンピュータおよび関連技術は、計算論的枠組みにおけるコミュニケーションの概念に関する科学的研究を追求するための物理的および概念的な枠組みを提供してきました。実際、この枠組みは様々なレベルで実り豊かな成果をもたらしてきました。まず、自然言語処理（NLP）、あるいは計算言語学（CL）として知られる新しい学問分野が誕生しました。この学問分野は、音声の生成からテキストや対話の意味に至るまで、言語のあらゆるレベルを計算論的な観点から研究します。そして過去40年間、NLPは音韻構造（音韻論）、語構造（形態論）、文法構造（統語論） 、意味構造（意味論）を分析するためのリソース、技術、ツールからなる、目覚ましい計算インフラストラクチャを構築してきました。この計算インフラストラクチャは、言語ベースのアプリケーションにとって重要であるだけでなく、これまで不可能だったより深い科学的レベルで人間の言語とコミュニケーションの構造を調査することを可能にしています。
さらに、NLPはコンピュータサイエンスの他の分野、特に人工知能（AI）と自然に調和します。[ 3 ] AIの観点からは、言語の使用は能動的なエージェントによる知的な行動の現れとみなされます。言語とコミュニケーションに対するAIベースのアプローチでは、言語的パフォーマンスを、例えば特定の経験に基づいて一般化を学習すること、意図的に生成された発話について計画および推論する能力、特定の目標セットを満たす発話の設計などを含む、知能エージェントの一般理論に統合するために必要な計算インフラストラクチャに重点が置かれています。このような研究は、言語学、認知心理学、社会学などの分野のアイデアを取り入れる必要があるため、非常に学際的な性質を持つ傾向があります。LCTは、これらすべての分野からの知識と研究を取り入れています。
言語とコミュニケーションは人間の活動にとって非常に根源的なものであるから、言語・コミュニケーション技術が健康、教育、金融、商業、旅行など、社会のあらゆる主要分野に影響を与えていることは全く驚くべきことではない。現代の言語・コミュニケーション技術は、記号と統計という二つの伝統に基づいている。つまり、今日、言語研究には、単語とその特性に関する大規模なデータベース、大規模な計算文法、あらゆるレベルの言語を扱うための計算ツール、そして推論を実行するための効率的な推論システムへのアクセスが必要となる。計算論的手法を用いることで、自然言語のより深い構造を把握し、特に、様々なレベルの言語と他の認知機能との間の重要な相互作用をモデル化することが可能になる。
LCTにおける関連研究分野には以下が含まれる。
この分野への関心の高まりは、このダイナミックな研究分野におけるヨーロッパの修士課程がいくつか存在することによって証明されています。[ 4 ]フローニンゲン大学の学位プログラムには、言語およびコミュニケーション技術が含まれています。
エラスムス・ムンドゥス修士課程：
言語モデルは、人間の脳が自然言語を再現する能力のモデルです。[ 5 ] [ 6 ]言語モデルは、音声認識、機械翻訳、自然言語生成（より人間らしいテキストの作成）、光学文字認識、経路最適化、[ 7 ]手書き認識、文法誘導、情報検索など、さまざまなタスクを解決するのに役立ちます。
現在最も高度な形態である大規模言語モデル（LLM）は、主に大規模なデータセット（多くの場合、公開されているインターネット上のテキストを使用）で学習させたトランスフォーマーに基づいています。これらは、以前は単語nグラム言語モデルなどの純粋な統計モデルに取って代わっていたリカレントニューラルネットワークに基づくモデルに取って代わりました。
最大かつ最も効率的なトレーニング モデルは、生成型事前学習済みトランスフォーマー (GPT) であり、ChatGPT、Gemini、Claude などの生成型チャット ボットで広く使用されています。トレーニング モデルは、特定のタスクを実行するように微調整したり、プロンプト エンジニアリング手法を使用したりすることができます。これらのモデルは、人間の言語のコーパスに固有の構文、意味、およびオントロジー[ 8 ]に関する予測能力を獲得しますが、トレーニングに使用されるデータに存在する不正確さやバイアスも継承します。[ 9 ]