报告了收录在EMNLP 2020 findings的一篇论文《针对视觉基础对话任务、基于空间表达的语言学分析（ A Linguistic Analysis of Visually Grounded Dialogues Based on Spatial Expressions）》，论文从NLP领域以视觉为基础的对话任务（1）数据中存在偏差（biases），（2）缺少深入的语言学分析，两个问题出发，在OneCommon Corpus数据集的基础上进行空间语义标注。与传统上分析模型在测试集上表现的正确率等统计指标不同，作者将分析重点放在语言学视角上模型的表现（即空间语义标注情况）上。作者分析了模型对标注体系里空间属性和空间关系两类标注对象的识别情况，其中对于空间属性，作者采用比较模型标注结果和人类表现一致性的方法，对于空间关系，作者定义了有效（valid）和满足（satisfy）两步标准，依次计算了模型对24类空间关系识别的有效率和满足率，据此分析得出模型在不同类别空间关系上表现情况的优劣。作者还对修饰语分级考察，得出模型对强烈倾向修饰语（strong modification）的识别效果更好。

- 关于指代消解（reference resolution）任务，一般认为是纯文本的、符号与符号之间的任务，OneCommon Corpus修订后标注的图形与文字对应关系及据此提出的任务不是传统意义上的指代消解任务。
- 符号接地（symbolic grouding）问题是一个经典问题，主要涉及符号如何落地（grounding）、获得意义的问题。
- 这篇论文的主要贡献点有二：（一）提出了一个空间语义标注体系，（二）针对如何分析模型表现提出了一个语言学视角的分析框架。