超細粒度エンティティタイピング（Ultra-fine Entity Typing、UFET）は、テキスト中のエンティティ言及に対して非常に具体的な型を付与するタスクである。ラベル空間が極めて大きく、多くの型がごく少数の事例にしか現れないロングテール分布となるため、既存手法はロングテール型の扱いに苦戦している。Mreedul Gupta 氏ら5名による本論文は、その一因が文脈の範囲の狭さにあると指摘する。
著者らの中心仮説は、現在の UFET システムが主に文単位の文脈に依存している一方、曖昧性を解消する証拠は複数の文にまたがって分散していることが多い、というものである。あるエンティティが職業なのか組織上の役割なのか社会的立場なのかは、前後の複数の手がかりを組み合わせて初めて判断できる場合がある。しかし、既存の UFET 資源はすべて文単位であるため、この仮説を検証することは容易ではなかった。
そこで研究チームは Narrative-UFET を構築した。これは UFET を制御的に拡張したもので、各エンティティ言及に、自動生成された短く一貫性のあるナラティブを対応させている。自然な長文をそのまま収集するのではなくナラティブを合成することで、談話レベルの属性を精密に制御し、特定の要因が型判定に与える影響を分離できる。
実験は2つの対照的な変種で構成される。一つは Maintain と呼ばれ、エンティティがナラティブ全体を通じて同じ型を保つ。もう一つは Change で、ナラティブが進むにつれてエンティティの型が変化する。この対比により、型の安定性と型の変化がそれぞれモデルの判断にどう影響するかを調べられる。
結果として、ナラティブ文脈は文単位のベースラインと比べてロングテール型で一貫した性能向上をもたらし、Change 変種の方がより強い信号を与えた。さらに、合成ナラティブと自然に出現する文脈を比較したところ、合成ナラティブの方が大きな利得をもたらすことが分かった。著者らは、制御された形で構築された談話が、実際のテキストでは暗黙のまま残される手がかりを浮かび上がらせることを示唆している。
論文はまた、現状の結果にはなお大きな改善の余地が残されており、談話モデリングとナラティブ構築の両面で未解決の研究方向があると述べている。本論文は2026年6月25日に arXiv に投稿され、番号は 2606.27598、計算と言語（cs.CL）に分類され、人工知能（cs.AI）にもまたがっている。