diff --git a/README.md b/README.md
index b4cf9ea..3a94337 100644
--- a/README.md
+++ b/README.md
@@ -11,7 +11,7 @@ In this project, we develop a bi-directional LSTM model for word segmentation. F
                                  train_data="exclusive BEST", eval_data="exclusive BEST")
   ```
 
-  You need to specify three hyper-parameters: `embedding`, `train_data`, and `eval_data`. Please refer to [Models Specicitaions](https://github.com/SahandFarhoodi/word_segmentation/blob/work/Models%20Specifications.md) for a detailed explanation of these hyper-parameters, and also for a list of trained models ready to be used in this repository and their specifications. If you don't have time to do that, just pick one of the trained models and make sure that name of the embedding you choose appears in the model name (`train_data` and `eval-data` doesn't affect segmentation of arbitrary inputs). Next, you can use the following commands to specify your input and segment it:
+  You need to specify three hyper-parameters: `embedding`, `train_data`, and `eval_data`. Please refer to [Models Specifications](https://github.com/SahandFarhoodi/word_segmentation/blob/work/Models%20Specifications.md) for a detailed explanation of these hyper-parameters, and also for a list of trained models ready to be used in this repository and their specifications. If you don't have time to do that, just pick one of the trained models and make sure that name of the embedding you choose appears in the model name (`train_data` and `eval-data` doesn't affect segmentation of arbitrary inputs). Next, you can use the following commands to specify your input and segment it:
 
   ```python
   line = "ทำสิ่งต่างๆ ได้มากขึ้นขณะที่อุปกรณ์ล็อกและชาร์จอยู่ด้วยโหมดแอมเบียนท์"
@@ -93,7 +93,51 @@ The following table summarizes the performance of our algorithm and the current
   | LSTM model 7 | 96.2 | 94.9 | 92.3 | 91.1 | 125 KB |
   | ICU           | 100  | 100  | 93.1 | 92.4 | 254 KB |
 
-There are several directions for improving this project. Please see [Future Works](https://github.com/SahandFarhoodi/word_segmentation/blob/work/Future%20Works.md) for some ideas we have, and contact [me](http://math.bu.edu/people/sahand/) if you have any idea!
+### Qualitative Examples
+#### Example 1: Oxford
+
+| Model       | Text                                                                 |
+|-------------|---------------------------------------------------------------------|
+| Dictionary  | . อ้างอิง . จาก . พจนานุกรม . ภาษา . อังกฤษ . ของ . อ็อก . ซ์ . ฟอร์ด . |
+| LSTM        | . อ้าง . อิง . จากพจนานุกรม . ภาษา . อังกฤษ . ของ . อ็อกซ์ฟอร์ด . |
+| Translation | According to the Oxford English Dictionary                          |
+
+- **Analysis**: The token "อ็อกซ์ฟอร์ด" or "Oxford" is retained as a single token in LSTM, whereas Dictionary incorrectly splits it into multiple words. Dictionary segments it into something like: "O xf ord".
+- **At the start of the sentence**: The Dictionary model correctly identifies "อ้างอิง (reference) จาก (from) พจนานุกรม (dictionary)". LSTM splits อ้างอิง into two words; it should preferably be one word, but it is arguably a compound word.
+
+#### Example 2: Kingdom of Kushan
+
+| Model       | Text                                                                 |
+|-------------|---------------------------------------------------------------------|
+| Dictionary  | . กษัตริย์ . ที่ . ปกครอง . อาณาจักร . กุ . ษา . ณะ . |
+| LSTM        | . กษัตริย์ . ที่ . ปกครอง . อาณาจักร . กุษาณะ . |
+| Translation | The king who ruled the Kingdom of Kushan                            |
+
+- **Analysis**: Should be "อาณาจักร กุษาณะ" "Kingdom (of) Kushan". LSTM correctly identifies this. But it's arguable that อาณาจักร is a compound word of อาณา + จักร.
+
+#### Example 3: Impact
+
+| Model       | Text                                                                 |
+|-------------|---------------------------------------------------------------------|
+| Dictionary  | . ซึ่ง . จัด . ขึ้น . ที่ . ศูนย์ . แสดง . สินค้า . และ . การ . ประชุม . อิมแ . พค . |
+| LSTM        | . ซึ่ง . จัด . ขึ้น . ที่ . ศูนย์ . แสดง . สินค้า . และ . การ . ประชุม . อิมแพค . |
+| Translation | Center (for) showing product and Meeting Impact / "Impact Exhibition and Convention Center" where Impact is a English-borrowed name. |
+
+- **Analysis**: LSTM identifies "อิมแพค", "Impact", as being a single borrow word.
+
+#### Example 4: Land of Assam
+
+| Model       | Text                                                                 |
+|-------------|---------------------------------------------------------------------|
+| Dictionary  | . ทำให้ . พม่า . ต้อง . สูญ . เสีย . ดิน . แดน . อัส . สัม . |
+| LSTM        | . ทำ . ให้ . พม่า . ต้อง . สูญเสีย . ดินแดนอัส . สัม . |
+| Translation | Causing Burmese to lose land (of) Assam                            |
+
+- **Analysis**: Neither of the models gets "อัสสัม", "Assam", as a single token.
+- **Prefer the Dictionary result of "ดิน แดน อัส สัม" over "ดินแดนอัส สัม"**.
+- **The differences in the first part of the sentence appear to be more disagreements over what is a compound word**. Dictionary retains "ทำให้" as a single token, but LSTM retains "สูญเสีย" as a single token. I think ideally both are single tokens.
+
+---
 
 ### Copyright & Licenses