テキストデータを操作する場合、どのような状況で見出し語化が賢明な手順ではないのですか？

考えられる計算上の制約を無視して、テキストデータを分析するときに見出し語化が逆効果的なステップとなる一般的なアプリケーションはありますか？

たとえば、文脈認識モデルを構築するときに、見出し語化は行われないことでしょうか？

参考までに、dictinory.comごとの見出し語化は、分析のために活用された（単語）の形を1つの項目としてグループ化する行為です。

たとえば、「cook」という単語は「cooking」という単語の補題です。見出し語化の動作は、たとえば、テキストデータをトークン化した後で、cookingという単語をcookに置き換えることです。さらに、「悪い」という単語の補題として「悪い」があり、前の例のように「悪い」という単語を「悪い」で置き換えることは、見出し語化のアクションです。

見出し語化によって害を受けるNLPタスク：

1）時制

      sentence        |  tense
------------------------------------
He cooked a nice meal |  past
He cooks a nice meal  |  present

動詞の最後にある文字のシーケンスは、このタスクに役立ちます。調理された動詞と調理人は、最後の文字ed とsでそれぞれ異なります。

見出し語化によって、この情報は失われます。両方の動詞はcookになり、両方の文が現在形（この場合）のように見えます。

2）著者の識別

与えられた

• 文書の集合著者によって書かれたA、$\mathcal{P}$$a$
• 文書の集合著者によって書かれたB、$\mathcal{Q}$$b$
• ドキュメントのセットは、のいずれかの著者によって書かれたAまたはB、$\mathcal{S}$$a$$b$

$s\in\mathcal{S}$$a$$b$

$s$$\mathcal{P}$$\mathcal{Q}$

これは、異なる作者が異なる頻度で特定の単語を使用するために機能します。ただし、見出し語化を使用すると、これらの周波数が歪んでモデルのパフォーマンスが低下します。