自然言語処理

記号的自然言語処理の前提は、ジョン・サールの中国語の部屋思考実験を用いて説明されることが多い。一連の規則（例えば、質問とそれに対応する回答が記載された中国語のフレーズ集）が与えられると、コンピュータはそれらの規則を目の前のデータに適用することで、自然言語理解（またはその他の自然言語処理タスク）を模倣する。

• 1950年代：1954年のジョージタウン大学の実験では、60以上のロシア語の文を英語に完全に自動翻訳しました。著者らは、3年から5年以内に機械翻訳は解決される問題になると主張しました。 ^{[ 3 ]} しかし、実際の進歩ははるかに遅く、 1966年のALPACレポートで10年間の研究が期待に応えられなかったことが判明した後、機械翻訳への資金は大幅に削減されました。最初の統計的機械翻訳システムが開発された1980年代後半まで、アメリカでは機械翻訳に関するそれ以上の研究はほとんど行われませんでした（ただし、日本やヨーロッパなど他の地域では研究が続けられました^{[ 4 ]}）。
• 1960年代：1960年代に開発された特に成功した自然言語処理システムには、制限された語彙で制限された「ブロックワールド」で動作する自然言語システムであるSHRDLUと、ジョセフ・ワイゼンバウムが1964年から1966年にかけて作成したロジャーズ派心理療法のシミュレーションであるELIZAがある。ELIZAは人間の思考や感情に関する情報を最小限しか使用していないにもかかわらず、人間のように見える対話を生成することができた。「患者」が非常に小さな知識ベースを超えた場合、ELIZAは一般的な応答を返すことがあり、たとえば「頭が痛い」に対して「なぜ頭が痛いと言うのですか？」と応答する。ロス・クイリアンの自然言語に関する成功した研究は、当時のコンピュータのメモリに収まる語彙が20語だけであったため、わずか20語の語彙で実証された。 ^{[ 5 ]}
• 1970年代：1970年代には、多くのプログラマーが「概念オントロジー」の作成を開始し、現実世界の情報をコンピュータが理解できるデータに構造化しました。例としては、MARGIE（Schank、1975）、SAM（Cullingford、1978）、PAM（Wilensky、1978）、TaleSpin（Meehan、1976）、QUALM（Lehnert、1977）、Politics（Carbonell、1979）、Plot Units（Lehnert、1981）などがあります。この時期には、最初のチャットボット（PARRYなど）も作成されました。
• 1980年代：1980年代から1990年代初頭にかけては、自然言語処理における記号的手法が全盛期を迎えた。当時の研究の重点分野には、ルールベースの構文解析（例えば、生成文法の計算論的操作化としてのHPSGの開発）、形態論（例えば、2レベル形態論^{[ 6 ]}）、意味論（例えば、レスクアルゴリズム）、参照（例えば、センタリング理論^{[ 7 ]}内）、その他の自然言語理解の分野（例えば、修辞構造理論内）に関する研究が含まれていた。RacterやJabberwackyによるチャットボットの開発など、他の研究も継続された。重要な発展（最終的に1990年代の統計的転回につながった）は、この時期における定量的評価の重要性の高まりであった。^{[ 8 ]}

1980年代までは、ほとんどの自然言語処理システムは、手書きの複雑なルールセットに基づいていました。しかし、1980年代後半から、言語処理のための機械学習アルゴリズムの導入により、自然言語処理に革命が起こりました。この変化は、計算能力の向上（ムーアの法則を参照）と、チョムスキーの言語理論（変形文法など）の優位性の低下によって影響を受けました。チョムスキーの理論の理論的基盤は、機械学習による言語処理のアプローチの根底にあるようなコーパス言語学を阻害していました。 ^{[ 9 ]}

• 1990年代：自然言語処理における統計的手法の初期の注目すべき成功例の多くは、機械翻訳の分野で発生しました。これは特にIBMリサーチの研究、例えばIBMアライメントモデルなどの成果によるものです。これらのシステムは、カナダ議会と欧州連合が、すべての政府手続きをそれぞれの政府機関のすべての公用語に翻訳することを義務付ける法律に基づいて作成した、既存の多言語テキストコーパスを活用することができました。しかし、多くのシステムは、設計されたタスクのために特別に開発されたコーパスに依存していました。この依存は、システムの幅広い有効性にとって大きな制約となっており、同様のシステムにも影響を与え続けています。そのため、限られた量のデータから効果的に学習する方法に焦点を当てた研究が数多く行われてきました。
• 2000年代：ウェブの普及に伴い、1990年代半ば以降、未注釈の言語データが大量に入手可能になった。そのため、研究は教師なし学習および半教師あり学習アルゴリズムにますます焦点を当てるようになった。これらのアルゴリズムは、望ましい回答が手動で注釈付けされていないデータ、または注釈付きデータと注釈なしデータの組み合わせを使用して学習することができる。一般的に、このタスクは教師あり学習よりもはるかに難しく、通常、与えられた入力データ量に対して精度が低い結果しか得られない。しかし、大量の注釈なしデータ（ワールドワイドウェブの全コンテンツを含む）が利用可能であり、使用するアルゴリズムの時間計算量が実用的に十分低ければ、効率の悪さを補うことができる場合が多い。
• 2003年： 当時最高の統計アルゴリズムであった単語n-gramモデルは、多層パーセプトロン（単一の隠れ層と数語のコンテキスト長を持ち、最大1400万語でベンジオらがトレーニングしたもの）^{[ 10 ]によって性能で上回られた。}
• 2010年: Tomáš Mikolov (当時ブルノ工科大学の博士課程学生) は、共著者とともに、単一の隠れ層を持つ単純なリカレントニューラルネットワークを言語モデリングに適用し、 ^{[ 11 ]}その後数年間でWord2vec を開発しました。 2010 年代には、表現学習とディープニューラルネットワークスタイル (多くの隠れ層を持つ) の機械学習手法が自然言語処理で広く普及しました。 このような手法^{[ 12 ] [ 13 ]}が、言語モデリング^{[ 14 ]}や構文解析 [15][16] など、多くの自然言語タスクで最先端の結果を達成できることを示す結果により、この変化は勢いを増しました。^{これは、医療とヘルス}ケアにおいてますます重要になっています。NLP は、ケアの改善^{[ 17 ] や患者のプライバシーの保護[ 18 ]を目的とした場合に、}そうでなければ研究できない電子カルテのメモやテキストを分析するのに役立ちます。

1980年代後半から1990年代半ばにかけて、統計的手法はルールベースの手法の非効率性によって引き起こされたAIの冬の時代を終わらせた。 ^{[ 21 ] [ 22 ]}

初期の決定木は、厳密なif-thenルールを生成するシステムであり、従来のルールベースのアプローチと非常によく似ていた。品詞タグ付けに適用される隠れマルコフモデルの導入によって初めて、従来のルールベースのアプローチの終焉が告げられた。

統計的手法の大きな欠点は、複雑な特徴エンジニアリングが必要であることです。2015年以降、^{[ 23 ]}ニューラルネットワークベースの手法が、意味ネットワーク^{[ 24 ]}と単語埋め込みを使用して単語の意味特性を捉えることで、従来の統計的手法に取って代わるようになりました。

中間タスク（品詞タグ付けや依存関係解析など）はもはや必要ありません。

当時新しく発明されたシーケンス・トゥ・シーケンス変換に基づくニューラル機械翻訳は、統計的機械翻訳で従来必要だった単語アライメントなどの中間ステップを不要にした。

光学文字認識（OCR）

印刷されたテキストを表す画像が与えられた場合、対応するテキストを特定します。

音声認識

一人または複数の人が話している音声クリップが与えられた場合、その音声のテキスト表現を決定します。これはテキスト音声変換の反対であり、俗に「 AI完全」と呼ばれる非常に難しい問題の1つです（上記参照）。自然な音声では、連続する単語の間にほとんど休止がないため、音声セグメンテーションは音声認識の必須サブタスクです（下記参照）。ほとんどの話し言葉では、連続する文字を表す音が共調音と呼ばれるプロセスで互いに混ざり合うため、アナログ信号を離散的な文字に変換するプロセスは非常に難しい場合があります。また、同じ言語の単語でも、人によって異なるアクセントで話されるため、音声認識ソフトウェアは、テキストの等価性に関して、入力の多様性を互いに同一であると認識できなければなりません。

音声分割

一人または複数の人が話している音声クリップが与えられた場合、それを単語に分解する。音声認識のサブタスクであり、通常は音声認識とまとめて扱われる。

テキスト読み上げ

テキストが与えられたら、それらの単位を変換して音声表現を生成します。テキスト読み上げは視覚障害者の支援に使用できます。^{[ 25 ]}

単語分割（トークン化）

トークン化は、テキストを個々の単語または単語の断片に分割するテキスト処理技術です。この技術により、単語インデックスとトークン化されたテキストという2つの主要なコンポーネントが生成されます。単語インデックスは、固有の単語を特定の数値識別子にマッピングするリストであり、トークン化されたテキストは、各単語を対応する数値トークンに置き換えます。これらの数値トークンは、さまざまな深層学習手法で使用されます。^{[ 26 ]}

英語のような言語では、単語は通常スペースで区切られているため、これはかなり簡単なことです。しかし、中国語、日本語、タイ語などの一部の書き言葉では、単語の境界をこのようにマークしないため、これらの言語では、テキストの分割は、その言語の語彙と単語の形態に関する知識を必要とする重要なタスクです。このプロセスは、データマイニングにおける単語のバッグ(BOW) の作成などの場合にも使用されることがあります。^{[ 27 ] [ 28 ]}

語幹抽出

語尾のみを除去し、単語の基本辞書形式（レマとも呼ばれる）を返すタスク。レマ化は、単語を正規化された形式に還元するもう1つの手法です。ただし、この場合、変換は実際に辞書を使用して単語を実際の形式にマッピングします。^{[ 29 ]}

形態学的セグメンテーション

単語を個々の形態素に分け、形態素のクラスを識別します。この作業の難易度は、対象言語の形態論（つまり、単語の構造）の複雑さに大きく依存します。英語は形態論、特に屈折形態論が比較的単純なので、この作業を完全に無視して、単語のすべての可能な形式（例：「open、opens、opened、opening」）を別々の単語としてモデル化することがしばしば可能です。しかし、トルコ語や、高度に膠着したインドの言語であるメイテイ語のような言語では、辞書の各項目に何千もの可能な単語形式があるため、このようなアプローチは不可能です。^{[ 30 ]}

品詞タグ付け

文が与えられたら、各単語の品詞（POS）を判定してください。多くの単語、特に一般的な単語は、複数の品詞として機能することがあります。例えば、「book」は名詞（「the book on the table」）にも動詞（「to book a flight」）にもなり得ます。「set」は名詞、動詞、形容詞のいずれにもなり得ます。「out」は少なくとも5つの異なる品詞のいずれかになり得ます。

ステミング

語幹抽出とは、屈折語（または派生語）を基本形に還元するプロセスです（例：「close」は「closed」、「closing」、「close」、「closer」などの語幹になります）。語幹抽出は語形変化と同様の結果をもたらしますが、辞書ではなく規則に基づいて行われます。

文法帰納法^{[ 31 ]}

言語の構文を記述する形式文法を生成する。

文分割（「文境界の曖昧さ解消」とも呼ばれる）

テキストの塊が与えられたら、文の境界を見つけます。文の境界は、ピリオドやその他の句読点で示されることが多いですが、これらの同じ文字は他の目的にも使用されます（例：略語を示す）。

解析

与えられた文の構文解析ツリー（文法分析）を決定します。自然言語の文法は曖昧で、典型的な文には複数の分析が考えられます。おそらく驚くべきことに、典型的な文には何千もの潜在的な構文解析が存在する可能性があります（そのほとんどは人間にとって全く意味不明に思えるでしょう）。構文解析には、依存関係構文解析と構成要素構文解析の 2 つの主要なタイプがあります。依存関係構文解析は、文中の単語間の関係（主要な目的語や述語などをマークする）に焦点を当てますが、構成要素構文解析は、確率的文脈自由文法（PCFG）（確率的文法も参照）を使用して構文解析ツリーを構築することに焦点を当てます。

語彙意味論

文脈における個々の単語の計算論的な意味は何ですか？

分布意味論

データから意味表現を学習するにはどうすればよいか？

固有表現認識（NER）

テキストのストリームが与えられた場合、テキスト内のどの項目が人や場所などの固有名詞に対応しているか、また、そのような名前のタイプ（人、場所、組織など）が何であるかを判断します。英語などの言語では大文字化によって固有名詞を認識するのに役立ちますが、この情報は固有名詞のタイプを判断するのに役立たず、いずれにしても不正確または不十分な場合が多いです。たとえば、文の最初の文字も大文字で、固有名詞は複数の単語にまたがることが多く、そのうちの一部だけが大文字になります。さらに、非西洋の文字体系を持つ他の多くの言語（中国語やアラビア語など）では、そもそも大文字化がなく、大文字化のある言語でも、名前を区別するために一貫して使用するとは限りません。たとえば、ドイツ語では、名前かどうかに関わらずすべての名詞を大文字で始め、フランス語とスペイン語では、形容詞として機能する名前を大文字で始めません。このタスクはトークン分類とも呼ばれます。^{[ 32 ]}

感情分析（マルチモーダル感情分析も参照）

感情分析とは、テキストに表現されている感情的なトーンを識別し分類することです。この手法では、テキストを分析して、表現されている感情が肯定的、否定的、または中立的であるかを判断します。感情分類モデルは通常、単語nグラム、 TF-IDF（ Term Frequency-Inverse Document Frequency）特徴、手動で生成された特徴などの入力を使用するか、テキストシーケンス内の長期的および短期的依存関係の両方を認識するように設計された深層学習モデルを使用します。感情分析の応用は多岐にわたり、さまざまなオンラインプラットフォーム上の顧客レビューの分類などのタスクにまで及んでいます。^{[ 26 ]}

用語抽出

用語抽出の目的は、与えられたコーパスから関連する用語を自動的に抽出することです。

単語の意味曖昧性解消（WSD）

多くの単語には複数の意味があります。文脈に最も合う意味を選択する必要があります。この問題では、通常、辞書やWordNetなどのオンラインリソースから、単語とその意味のリストが与えられます。

エンティティリンク

多くの単語（特に固有名詞）は、名前付きの実体を指します。ここでは、文脈の中で言及されている実体（有名な人物、場所、会社など）を選択する必要があります。

関係性の抽出

与えられたテキストから、固有表現間の関係（例：誰が誰と結婚しているか）を特定する。

意味解析

テキスト（通常は文）が与えられたら、その意味をグラフ（AMR構文解析など）または論理形式（DRT構文解析など）に従って形式的に表現します。この課題には、意味論に関するより基本的なNLPタスク（意味役割のラベリング、語義の曖昧性解消など）のいくつかの側面が含まれており、本格的な談話分析（談話分析、共参照など。下記の自然言語理解を参照）にまで拡張できます。

意味役割のラベリング（下記の暗黙的な意味役割のラベリングも参照）

与えられた単一の文から、意味述語（動詞フレームなど）を特定して曖昧さを解消し、次にフレーム要素（意味役割）を特定して分類します。

共参照解決

文またはより大きなテキストの塊が与えられた場合、どの単語（「言及」）が同じオブジェクト（「実体」）を参照しているかを判断します。照応解決はこのタスクの具体的な例であり、特に代名詞とそれが参照する名詞または名前を一致させることに関係しています。共参照解決というより一般的なタスクには、参照表現を含むいわゆる「橋渡し関係」の特定も含まれます。たとえば、「彼は正面玄関からジョンの家に入った」のような文では、「正面玄関」は参照表現であり、特定すべき橋渡し関係は、参照されているドアがジョンの家の正面玄関であるという事実です（参照される可能性のある他の建物のドアではない）。

談話分析

この評価基準には、関連するいくつかの課題が含まれています。1つは談話解析、つまり、連続したテキストの談話構造、すなわち文間の談話関係の性質（例えば、詳述、説明、対比など）を特定することです。もう1つの課題は、テキストの塊に含まれる発話行為（例えば、はい／いいえの質問、内容に関する質問、陳述、断言など）を認識し、分類することです。

暗黙的な意味役割ラベリング

単一の文が与えられた場合、現在の文における意味述語（動詞フレームなど）とその明示的な意味役割を特定し、曖昧さを解消します（上記の「意味役割のラベル付け」を参照）。次に、現在の文で明示的に実現されていない意味役割を特定し、テキスト内の他の場所で明示的に実現されている引数と指定されていない引数に分類し、前者をローカルテキストに対して解決します。これと密接に関連するタスクは、ゼロ照応解決、つまり、共参照解決をプロドロップ言語に拡張することです。

テキストの含意を認識する

2 つのテキスト断片が与えられたとき、一方が真である場合、他方が真である、他方が否定される、または他方が真または偽のどちらでもなり得るかを判断します。^{[ 33 ]}

トピックの分割と認識

与えられたテキストの塊を、それぞれが特定のトピックに特化しているセグメントに分割し、各セグメントのトピックを特定する。

議論マイニング

議論マイニングの目標は、コンピュータプログラムの助けを借りて、自然言語テキストから議論構造を自動的に抽出および識別することです。 ^{[ 34 ]}このような議論構造には、前提、結論、議論スキーム、および談話内の主論証と副論証、または主論証と反論証の関係が含まれます。^{[ 35 ] [ 36 ]}

自動要約（テキスト要約）

長文のテキストを読みやすい要約として作成する。研究論文や新聞の経済面記事など、特定の種類のテキストの要約を作成する際によく用いられる。

文法上の誤りの訂正

文法エラーの検出と訂正には、言語分析のあらゆるレベル (音韻論/正書法、形態論、統語論、意味論、語用論) にわたる幅広い問題が含まれます。文法エラーの訂正は、英語を第二言語として使用または習得する何億人もの人々に影響を与えるため、影響力があります。そのため、2011 年以降、多くの共有タスクの対象となってきました。^{[ 37 ] [ 38 ] [ 39 ]}正書法、形態論、統語論、および意味論の特定の側面に関しては、GPT-2などの強力なニューラル言語モデルの開発により、これは現在 (2019 年) ほぼ解決された問題とみなすことができ、さまざまな商用アプリケーションで販売されています。

論理翻訳

自然言語のテキストを形式論理に翻訳する。

機械翻訳（MT）

ある人間の言語から別の人間の言語へテキストを自動的に翻訳する。これは最も難しい問題の一つであり、一般的に「 AI完全」と呼ばれる問題群に属する。つまり、適切に解決するには、人間が持つあらゆる種類の知識（文法、意味論、現実世界に関する事実など）が必要となる。

自然言語理解（NLU）

テキストの塊を、コンピュータプログラムが操作しやすい一階述語論理構造などのより形式的な表現に変換します。自然言語理解には、通常、自然言語概念の組織化された表記法の形をとる自然言語表現から導き出せる複数の可能な意味の中から、意図された意味を識別することが含まれます。言語メタモデルとオントロジーの導入と作成は効率的ですが、経験的な解決策です。意味論形式化の基礎を構築するには、閉世界仮定(CWA) 対開世界仮定、主観的な Yes/No 対 客観的な True/False などの暗黙の仮定と混同することなく、自然言語の意味論を明示的に形式化することが求められます。^{[ 40 ]}

自然言語生成(NLG):

コンピュータデータベースや意味的意図からの情報を、人間が読みやすい言語に変換する。

書籍の世代

厳密にはNLPタスクではないが、自然言語生成やその他のNLPタスクの拡張として、本格的な書籍の作成がある。最初の機械生成書籍は、1984年にルールベースのシステムによって作成された（Racter、『警官のあごひげは半分構築されている』）。^{[ 41 ]}ニューラルネットワークによる最初の出版作品は、2018年に出版された小説として販売された『1 the Road』で、6000万語が含まれている。これらのシステムはどちらも基本的に精巧だが意味のない（意味論のない）言語モデルである。最初の機械生成科学書は、2019年に出版された（Beta Writer、『Lithium-Ion Batteries』、Springer、Cham）。^{[ 42 ]} Racterや『1 the Road』とは異なり、これは事実知識に基づいており、テキスト要約に基づいている。

ドキュメントAI

ドキュメントAIプラットフォームはNLP技術の上に構築されており、人工知能、機械学習、NLPの経験がないユーザーでも、さまざまな種類のドキュメントから必要な特定のデータを抽出するためにコンピュータを迅速にトレーニングできます。NLPを活用したドキュメントAIにより、弁護士、ビジネスアナリスト、会計士など、技術に詳しくないチームでもドキュメントに隠された情報に迅速にアクセスできます。^{[ 43 ]}

対話管理

人間と会話することを目的としたコンピュータシステム。

質問への回答

人間が発する質問が与えられたら、その答えを判定してください。典型的な質問には明確な正解があります（例：「カナダの首都はどこですか？」）が、自由回答形式の質問も考慮される場合があります（例：「人生の意味は何ですか？」）。

テキストから画像への変換

画像の説明が与えられたら、その説明に一致する画像を生成する。^{[ 44 ]}

テキストからシーンへの生成

シーンの説明が与えられたら、そのシーンの3Dモデルを生成する。^{[ 45 ] [ 46 ]}

テキストからビデオへ

動画の説明が与えられたら、その説明に一致する動画を生成する。^{[ 47 ] [ 48 ]}

高度な自然言語処理（NLP）アプリケーションの多くは、知的な行動や自然言語の理解を模倣する側面を含んでいます。より広義には、認知行動の高度な側面を技術的に具体化していくことは、NLPの発展の軌跡の一つと言えます（上記のCoNLL共有タスクの傾向を参照）。

認知とは、「思考、経験、感覚を通して知識や理解を獲得する精神的な活動またはプロセス」を指します。^{[ 50 ]}認知科学は、心とそのプロセスを学際的に科学的に研究する分野です。^{[ 51 ]}認知言語学は、心理学と言語学の両方からの知識と研究を組み合わせた、言語学の学際的な分野です。^{[ 52 ]}特に記号的自然言語処理の時代には、計算言語学の分野は認知研究と強い結びつきを維持していました。

例えば、ジョージ・レイコフは認知科学の観点と認知言語学の知見に基づいて自然言語処理（NLP）アルゴリズムを構築するための方法論を提示しており、^{[ 53 ]} 2つの特徴的な側面がある。

1. ラコフが「ある考えを別の考えで理解すること」と説明した概念メタファーの理論を適用することで、著者の意図を把握できます。^{[ 54 ]}例えば、英語の単語bigを考えてみましょう。比較で使用した場合（「それは大きな木だ」）、著者は、その木が他の木や著者の経験に比べて物理的に大きいことを示唆しようとしています。比喩的に使用した場合（「明日は大きな日だ」）、著者は重要性を示唆しようとしています。「彼女は大きな人だ」などの他の用法の背後にある意図は、追加情報がなければ、人間にとっても認知的な自然言語処理アルゴリズムにとっても、やや曖昧なままです。
2. 分析対象のテキストの前後に提示された情報に基づいて、単語、句、文、またはテキストに相対的な意味の尺度を割り当てます。たとえば、確率的文脈自由文法(PCFG) を使用します。このようなアルゴリズムの数式は、米国特許第 9269353 号に記載されています。^{[ 55 ]}

${\displaystyle {RMM(token_{N})}={PMM(token_{N})}\times {\frac {1}{2d}}\left(\sum _{i=-d}^{d}{((PMM(token_{N})}\times {PF(token_{Ni},token_{N},token_{N+i}))_{i}}\right)}$

どこ

RMMは意味の相対的尺度である

トークンとは、テキスト、文、句、または単語のブロックのことです。

Nは分析対象のトークンの数です。

PMMはコーパスに基づく意味の推定値である。

dは、 N個のトークンのシーケンスにおけるトークンの非ゼロの位置である。

PFは言語固有の確率関数である。

認知言語学とのつながりはNLPの歴史的遺産の一部ですが、1990年代の統計的転回以降はあまり取り上げられなくなりました。それにもかかわらず、認知モデルを技術的に運用可能なフレームワークに向けて開発するアプローチは、認知文法^{[ 56 ] 、機能文法[ 57 ]}、構成文法^{[ 58 ]} 、計算心理言語学、認知神経科学（ACT-Rなど）といったさまざまなフレームワークの文脈で追求されてきましたが、主流のNLP（ ACLの主要会議^{[ 59 ]}での発表数で測ると）での採用は限られています。より最近では、認知NLPのアイデアが、「認知AI」の概念などの下で説明可能性を実現するアプローチとして復活しています。 ^{[ 60 ]}同様に、認知NLPの考え方は、ニューラルモデルマルチモーダルNLP（明示的に示されることはまれですが）^{[ 61 ]}や人工知能の発展、特に大規模言語モデルアプローチを使用するツールやテクノロジー^{[ 62 ]} 、そしてユニバーシティ・カレッジ・ロンドンの英国神経科学者で理論家のカール・J・フリストンによる自由エネルギー原理に基づく汎用人工知能の新しい方向性^{[ 63 ]}に内在しています。