Dynamic Programming Encoding for Subword Segmentation in Neural Machine Translation
Monash University（莫纳什大学）；Google Research（谷歌研究院）
本文介绍了一种新的分词算法--动态规划编码（DPE）。我们认为输出句子的子词切分是一个潜在的变量，应该被边缘化的学习和推理。提出了一种特征-子字混合变换器Transformer，它能实现精确的对数边缘似然估计和精确的MAP推理，以最大后验概率找到目标分割。DPE使用轻量级的混合字符-子字转换器Transformer作为预处理并行数据的方法，以便使用动态规划对输出语句进行分段。机器翻译的实验结果表明，DPE是有效的分割输出的句子，可以结合BPE辍学源句子的随机分割。DPE实现了比BPE平均提高0.9 BLEU（Sennrich等人，2016），BLEU比BPE脱落平均改善0.55（Provilkov等人，2019）在几个WMT数据集上，包括英语<=>（德语，罗马尼亚语，爱沙尼亚语，芬兰语，匈牙利语）。
2020-08-01 cs.CL cs.LG
Racka: Efficient Hungarian LLM Adaptation on Academic Infrastructure
ELTE Faculty of Humanities（ELTE人文学院）；ELTE Faculty of Informatics（ELTE信息学院）
Racka通过LoRA技术在学术基础设施上高效适应匈牙利语，平衡资源差距并提升多语言性能。
2026-02-12 cs.CL
Igbo-English Machine Translation: An Evaluation Benchmark
Lancaster University（兰卡斯特大学）；Nnamdi Azikiwe University（纳姆迪·阿齐基韦大学）；Sheffield University（谢菲尔德大学）
尽管研究人员和实践者正在推动边界并提高NLP工具和方法的能力，但非洲语言的工作却滞后了。世界上超过97%的7000种语言，包括非洲语言，对NLP资源不足，即他们很少或根本没有NLP研究的数据，工具和技术。例如，在2018年ACL，NAACL，EMNLP，COLING和CoNLL的5个主要会议中提取的ACL选集中的2965篇全文论文中，只有5篇（0.19%）隶属于非洲机构。在这项工作中，我们讨论了我们的努力，建立一个标准的机器翻译基准数据集的伊博语，尼日利亚的3个主要语言之一。伊博语在全球有超过5000万人使用，其中超过50%的使用者在尼日利亚东南部。伊博语资源较少，尽管已经有一些努力来开发IgboNLP，如词性标记和变音符号恢复
2020-04-01 cs.CL cs.LG
An Evaluation of Neural Machine Translation Models on Historical Spelling Normalization
Uppsala University（乌普萨拉大学）
在本文中，我们将不同的NMT模型的历史拼写规范化的问题，五种语言：英语，德语，匈牙利语，冰岛语和瑞典语。NMT模型处于不同的层次，具有不同的注意力机制和不同的神经网络结构。我们的研究结果表明，NMT模型是远远优于SMT模型的字符出错率。香草RNN在历史拼写规范化方面与GRU/LSTM竞争。只有当提供更多的训练数据时，Transformer模型才能表现得更好。我们还发现，对于低资源语言，具有小的子词词汇的子词级模型比字符级模型更好。此外，我们提出了一种混合方法，进一步提高了历史拼写规范化的性能。
2018-08-04 cs.CL
How do lexical semantics affect translation? An empirical study
Amazon Alexa AI（亚马逊 Alexa 人工智能）；Duke University（杜克大学）
神经机器翻译（NMT）系统旨在将文本从一种语言映射到另一种语言。NMT的应用范围很广，其中最重要的一个就是自然语言的翻译。自然语言的一个区别因素是，单词通常根据给定语言的语法规则排序。尽管在开发用于翻译自然语言的NMT系统方面已经取得了许多进展，但是很少有人研究源语言和目标语言之间的词序和词汇相似性如何影响翻译性能。在这里，我们调查了OpenSubtitles2016数据库中各种低资源语言对的这些关系，其中源语言是英语，并发现目标语言与英语越相似，翻译性能就越好。此外，我们研究了在英语序列中为NMT模型提供词性（POS）的影响，发现对于基于transformer的模型，目标语言与英语越不相似，POS提供的好处就越大。
2021-12-31 cs.CL cs.LG
VietMix: A Naturally-Occurring Parallel Corpus and Augmentation Framework for Vietnamese-English Code-Mixed Machine Translation
University of Maryland, College Park（马里兰大学帕克分校）；Harvard University（哈佛大学）
VietMix为越南语-英语混合机器翻译提供首个自然发生的平行语料库及增强框架，通过数据增强提升模型性能。
2026-01-09 cs.AI cs.CL cs.LG
Design of English-Hindi Translation Memory for Efficient Translation
平行语料库的建立是机器翻译的一项重要而又困难的工作。这需要人工翻译人员进行手动注释。重复翻译同样的文本是一种无用的活动。有工具可用于欧洲语言实现这一点，但没有这样的工具可用于印度语言。在本文中，我们提出了一个工具，印度语言，它不仅提供了自动翻译的先前可用的翻译，但也提供了多个翻译，在一个句子有多个翻译的情况下，在排名列表中的一个句子的暗示性翻译。此外，该工具还允许翻译人员对他们的工作进行全局和本地保存选项，以便他们可以与其他人共享，这进一步减轻了任务。
2012-10-19 cs.CL
GATE X-E : A Challenge Set for Gender-Fair Translations from Weakly-Gendered Languages
Microsoft（微软公司）
本文提出GATE X-E基准，扩展GATE语料库以评估从四种弱性别语言到英语的翻译性别偏见，并基于GPT-4构建改写方案进行评测，开源数据以推动性别去偏研究。
2024-02-22 cs.AI cs.CL
Multilingual Central Repository: a Cross-lingual Framework for Developing Wordnets
Universidade de Vigo（维戈大学）；University of the Basque Country (UPV/EHU)（巴斯克大学）；Universitat Oberta de Catalunya（加泰罗尼亚开放大学）
语言资源是语言处理不可或缺的一部分，但语言资源的建设是一项昂贵的工作，涉及到多个领域的研究，需要不断更新。在本文中，我们描述了用于开发多语言中央存储库（MCR），多语言知识库，包括巴斯克语，加泰罗尼亚语，英语，加利西亚语，葡萄牙语，西班牙语和以下本体的wordnets：基本概念，顶级本体，WordNet域和建议上合并本体的跨语言框架。我们介绍MCR的故事，2017年的状态以及开发的工具。
2021-07-02 cs.CL
Revisiting non-English Text Simplification: A Unified Multilingual Benchmark
School of Interactive Computing（交互计算学院）；Georgia Institute of Technology（佐治亚理工学院）
本文提出包含12种语言、超过170万句对的MultiSim多语言文本简化基准，实验表明多语言训练、俄语零样本跨语言迁移及BLOOM-176b少样本提示在非英语简化任务中表现优异。
2023-05-25 cs.AI cs.CL
Identifying Gender Stereotypes and Biases in Automated Translation from English to Italian using Similarity Networks
Department of Computer Science（计算机科学系）；Università degli Studi di Milano（米兰大学）；Department of Italian and Supranational Public Law（意大利与超国家公法系）
该跨学科研究聚焦英意自动化翻译的性别偏见问题，通过结合法学与语言学定义、分析性别特定术语的余弦相似度及数值特征评估偏见强度方向，为性别中立翻译算法开发提供了洞见。
2025-02-17 cs.AI cs.CL
A Tulu Resource for Machine Translation
University of Zurich（苏黎世大学）
本文构建首个英语-图鲁语平行数据集，并利用南达罗毗荼语系相关语言资源通过迁移学习训练英-图鲁语机器翻译系统，在不使用平行数据的情况下超越Google Translate 19个BLEU分数。
2024-03-28 cs.CL
A Cross-lingual Comparison of Human and Classification Model Entrainment Behavior in Code-switched Speech Settings
Columbia University（哥伦比亚大学）；Instagram（照片墙）
研究代码切换语音设置中人类与分类模型夹带行为，通过跨语言分析发现词汇夹带具普遍性，声学韵律等方面有语境差异，分类器能检测夹带但优先考虑的特征与人类不同，引入评估模型决策框架并提出对话代理发展挑战。
2026-10-26 cs.CL
Low-Resource Cross-Lingual Adaptive Training for Nigerian Pidgin
Saarland Informatics Campus（萨尔兰信息学园区）；Saarland University（萨尔大学）；Meta Inc.（Meta公司）；Utrecht University（乌得勒支大学）
本文通过构建大规模英语-皮钦语平行语料库并提出包含持续与任务自适应训练的跨语言框架，提升了尼日利亚皮钦语的文本分类和翻译性能。
2023-07-01 cs.CL
Multi-lingual Geoparsing based on Machine Translation
Wuhan University（武汉大学）；Carnegie Mellon University（卡内基梅隆大学）
我们的多语言地理解析方法使用单语言工具和资源以及机器翻译和对齐来返回多种语言的位置词。我们的方法不仅节省了为每种语言单独开发地理解析器的时间和成本，而且它允许在单个接口中实现各种语言功能的可能性。我们评估了我们的方法在我们的命名实体的位置上使用新闻通讯社，广播新闻和电话交谈，英语，阿拉伯语和中文数据的语言数据联盟（LDC）的BidageBridge原型。我们的结果地理分析中文和阿拉伯语文本使用我们的多语言地理分析方法是我们的结果地理分析英语文本与我们的英语工具。此外，使用我们的机器翻译方法的实验结果与手动翻译的相同数据的结果相比具有准确性。
2015-11-06 cs.CL cs.IR
Contrastive Learning for Context-aware Neural Machine TranslationUsing Coreference Information
Dept. of Electrical and Computer Engineering, Seoul National University（首尔大学电气与计算机工程系）；Automation and Systems Research Institute, Seoul National University（首尔大学自动化与系统研究所）
上下文感知神经机器翻译（NMT）融合了文本的上下文信息，可以提高文档级机器翻译的翻译质量。许多现有的上下文感知NMT的工作都集中在开发新的模型架构，将额外的上下文，并显示出一些有前途的结果。然而，大多数现有的作品依赖于交叉熵损失，从而限制了上下文信息的使用。在本文中，我们提出了CorefCL，一种新的数据增强和对比学习计划的基础上，源和上下文句子之间的共指。通过破坏自动检测到的上下文语句中的共指提及，CorefCL可以训练模型对共指不一致性敏感。我们在常见的上下文感知NMT模型和两个文档级翻译任务上实验了我们的方法。在实验中，我们的方法不断提高BLEU的比较模型上的英语-德语和英语-韩语任务。我们还表明，我们的方法显着提高了共指消解在英语-德语对比测试套件。
2021-09-13 cs.CL
NollySenti: Leveraging Transfer Learning and Machine Translation for Nigerian Movie Sentiment Classification
Montclair State University（蒙特克莱尔州立大学）；University College London（伦敦大学学院）
针对非洲语言NLP数据集匮乏、跨领域泛化性差的问题，构建了覆盖尼日利亚五种语言的电影评论情感数据集NollySenti，验证了同领域英语迁移+机器翻译的跨领域情感分类方案效果更优。
2023-08-22 cs.CL
A Technical Report for Polyglot-Ko: Open-Source Large-Scale Korean Language Models
TUNiB（TUNiB公司）；EleutherAI（EleutherAI组织）
针对多语言模型韩语能力不足的问题，本文介绍Polyglot Korean模型，并利用与TUNiB合作整理的1.2TB韩语数据优先训练大规模韩语模型，以支持性能比较及韩国产业与研究需求。
2023-06-06 cs.CL
Mitigating Language Barriers in Education: Developing Multilingual Digital Learning Materials with Machine Translation
Charles University, Faculty of Mathematics and Physics（查理大学数学与物理系）
EdUKate项目结合机器翻译与教育技术，为捷克中小学开发多语言学习材料，将9000个互动练习译为多种语言，并重点评估了直接捷乌翻译系统。
2025-09-11 cs.CL
Is Translation Helpful? An Empirical Analysis of Cross-Lingual Transfer in Low-Resource Dialog Generation
Donghua University（东华大学）；Amazon Alexa AI（亚马逊Alexa人工智能部门）
本研究通过模拟低资源场景发现，直接使用原始英文对话数据比使用其机器翻译版本更能提升中文对话生成的自然度、相关性和跨领域迁移性，建议未来研究关注利用原始英文数据进行跨语言迁移。
2023-05-21 cs.CL
CLASP: Few-Shot Cross-Lingual Data Augmentation for Semantic Parsing
Amazon（亚马逊）
开发语义解析（SP）模型的瓶颈是需要大量人工标注的训练数据。鉴于人工标注SP的复杂性和成本，标记数据通常很少，特别是在多语言环境中。大语言模型（LLM）在SP上表现出色，仅给出了几个例子，但是LLM不适合需要低延迟的运行时系统。在这项工作中，我们提出了CLASP，一种简单的方法来改善中等规模模型的低资源SP：我们从AlexaTM 20 B生成合成数据，以增加模型的训练集小40倍（500 M参数）。我们在低资源环境下对两个数据集进行评估：英语PIZZA，包含348或16个真实示例，以及mTOP跨语言zero-shot，其中训练数据仅以英语提供，并且模型必须推广到四种新语言。在这两个数据集上，我们都显示出比强基线方法有显着改进。
2022-10-14 cs.AI cs.CL cs.LG
CL-NERIL: A Cross-Lingual Model for NER in Indian Languages
National Institute of Technology Karnataka（卡纳塔克邦国立理工学院）；Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校）
为印度语言开发命名实体识别（NER）系统一直是一个长期的挑战，主要是由于需要大量带注释的干净训练实例。本文提出了一个端到端的框架，在低资源环境下，通过利用英语和印度语言的平行语料库和英语NER数据集的印度语言的NER。所提出的框架包括一个注释投影方法，结合字对齐分数和NER标签预测置信度分数的源语言（英语）数据生成弱标记的数据在目标印度语言。我们采用了教师-学生模型的一个变体，并在教师模型的伪标签和对生成的弱标签数据的预测上对其进行联合优化。我们还提出了手动注释的测试集为三种印度语言：印地语，孟加拉语和古吉拉特语。我们评估的三种印度语言的测试集上所提出的框架的性能。实验结果表明，与所有语言的zero-shot迁移学习模型相比，至少有10%的性能提高。这表明，弱标记的数据生成的目标印度语言中使用所提出的注释投影方法可以补充注释良好的源语言数据，以提高性能。我们的代码可在https://github.com/aksh555/CL-NERIL上公开获取
2021-11-23 cs.CL
Advancing Bangla Machine Translation Through Informal Datasets
Department of Computer Science and Engineering, BRAC University（计算机科学与工程系，BRAC大学）
本研究通过开发非正式数据集和改进模型，推动孟加拉语机器翻译，提升数字世界中孟加拉语使用者的信息可及性。
2025-12-15 cs.CL
Mitigating Gender Bias in Machine Translation through Adversarial Learning
UC Berkeley（加州大学伯克利分校）；Princeton University（普林斯顿大学）
机器翻译和其他NLP系统通常包含关于敏感属性的重大偏见，例如性别或种族，这会恶化系统性能并使有害的刻板印象永久化。最近的初步研究表明，对抗性学习可以用作模型不可知的偏见缓解方法的一部分，不需要修改数据。然而，将这种策略应用于机器翻译和其他现代NLP领域需要（1）在微调预训练的大语言模型的背景下重新构建训练目标，以及（2）为性别或其他受保护变量制定措施，这些变量必须从数据本身推导出来。我们提出了一个对抗性学习框架，解决这些挑战，以减轻性别偏见seq 2seq机器翻译。我们的框架改善了男性与女性实体句子翻译质量的差异，对于英语-德语翻译为86%，对于英语-法语翻译为91%，对翻译质量的影响最小。结果表明，对抗性学习是一种很有前途的技术，可以减轻机器翻译中的性别偏见。
2022-03-20 cs.AI cs.CL
Mapping Supervised Bilingual Word Embeddings from English to low-resource languages
Saarland University（萨尔兰大学）
由于数据的可用性不足，使用低资源语言是非常具有挑战性的。过去，使用字典将独立训练的词嵌入映射到共享向量空间中已被证明在学习双语嵌入时非常有用。在这里，我们尝试映射英语单词的各个嵌入，以及它们在爱沙尼亚语、斯洛文尼亚语、爱沙尼亚语和匈牙利语等低资源语言中对应的翻译单词。我们使用了一种监督学习方法。我们报告的准确性分数，通过各种检索策略，这表明它是可能的方法具有挑战性的任务，在自然语言处理，如机器翻译等语言，只要我们至少有一定数量的适当的双语数据。我们还得出结论，我们可以遵循单语文本数据的无监督学习路径，因为这更适合于低资源语言。
2019-10-14 cs.CL
Accessing Higher Dimensions for Unsupervised Word Translation
Meta AI (FAIR)（元人工智能（基础人工智能研究团队））
提出coocmap方法利用高维共现计数进行无监督词语翻译，证明其比低维向量更高效、鲁棒且在领域不匹配时仍有效。
2023-05-23 cs.CL cs.LG
A Diverse Corpus for Evaluating and Developing English Math Word Problem Solvers
Academia Sinica（中央研究院）
我们提出了ASDiv（Academia Sinica Diverse MWP Dataset），一个多样化的（在语言模式和问题类型方面）英语数学应用题（MWP）语料库，用于评估各种MWP求解器的能力。现有的MWP语料库研究人工智能的进展仍然有限，无论是在语言使用模式或问题类型。因此，我们提出了一个新的英语MWP语料库2,305 MWPs，涵盖更多的文本模式和大多数问题类型教小学。每个MWP都标注了其问题类型和等级（用于指示难度级别）。此外，我们提出了一个度量标准来衡量一个给定的MWP语料库的词汇使用的多样性，并证明ASDiv比现有的语料库更多样化。实验表明，我们提出的语料库更忠实地反映了MWP求解器的真实能力。
2021-06-30 cs.AI cs.CL
Efficiently Adapting Pretrained Language Models To New Languages
SambaNova Systems, Inc.（桑巴诺瓦系统公司）
针对预训练大语言模型适配低资源新语言时的灾难性遗忘与分词器低效问题，提出添加目标语言新token优化分词效率、结合数据混合方案的方法，实验证明在匈牙利语、泰语上表现优于开源模型且英语性能退化极小。
2023-12-14 cs.AI cs.CL cs.LG
Developing a Comprehensive Framework for Sentiment Analysis in Turkish
Bahçeşehir University（巴切希尔大学）；Boğaziçi University（博德齐大学）；Institute for Graduate Studies in Science and Engineering（科学与工程研究生院）
本研究提出了一种针对土耳其语情感分析的综合性框架，结合多种方法提升模型性能，并在英语领域也取得了显著成果。
2025-11-29 cs.CL
Made in Hungary: Comments on the performance of generative language models
Institute for Language Technologies and Applied Linguistics ELTE Research Centre for Linguistics（语言技术与应用语言学研究所 ELTE语言学研究中心）
本文评论匈牙利生成式语言模型研究，指出评估协议不可靠、训练流程欠佳及未评估能力损失等问题，强调严格实验设计的重要性。
2026-09-17 cs.CL
EnAnchored-X2X: English-Anchored Optimization for Many-to-Many Translation
National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术全国重点实验室）；ByteDance Research（字节跳动研究院）
针对LLM在非英语直译中表现不佳的问题，提出利用英语中心优势的合成数据框架与偏好优化，在72个x2x方向显著提升翻译性能。
2025-09-24 cs.CL
A Dataset for Probing Translationese Preferences in English-to-Swedish Translation
本文提出首个英语到瑞典语翻译倾向语料库，用于评估语言模型对翻译倾向与习语的偏好，发现模型倾向于翻译倾向表达，即使无上下文也如此。
2026-03-09 cs.CL
Curriculum-Driven Edubot: A Framework for Developing Language Learning Chatbots Through Synthesizing Conversational Data
Columbia University（哥伦比亚大学）；Zhejiang University（浙江大学）；University of Science and Technology of China（中国科学技术大学）
本文提出 Curriculum-Driven EduBot 框架，从教材提取主题并用 LLM 合成对话、微调开源模型，实验表明其在课程引导和适配英语水平方面优于 ChatGPT。
2024-08-03 cs.CL
gaHealth: An English-Irish Bilingual Corpus of Health Data
Munster Technological University（芒斯特理工大学）；Dublin City University（都柏林城市大学）
针对低资源语言对平行数据匮乏且领域内数据集易被忽视的问题，研究者构建了首个英语-爱尔兰语健康领域双语语料库gaHealth，实验证明其能显著提升健康数据翻译的BLEU得分，且已免费开放供研究使用。
2024-03-06 cs.AI cs.CL
Rapidly Developing High-quality Instruction Data and Evaluation Benchmark for Large Language Models with Minimal Human Effort: A Case Study on Japanese
Kyoto University（京都大学）
针对非英语大语言模型指令资源构建人力成本高的问题，提出基于GPT-4的日语自指令生成方法与自动评估基准，微调模型性能显著优于现有日语方案且LLaMA 13B胜率超GPT-3.5，相关资源已开源。
2024-03-06 cs.AI cs.CL
Speak & Improve Corpus 2025: an L2 English Speech Corpus for Language Assessment and Feedback
ALTA Institute（阿尔塔研究所）；University of Cambridge（剑桥大学）；Cambridge University Press and Assessment（剑桥大学出版社与评估部）；Enhanced Speech Technology Ltd（增强语音技术有限公司）
本文介绍Speak & Improve语料库2025，一个含整体评分和错误标注的L2英语口语数据集，旨在解决公开高质量标注数据缺乏问题，支持口语评估、反馈及ASR、GEC等技术研究。
2024-12-17 cs.CL
Translation as a Computationally Efficient Bridge: Feasibility of English BERT for Low-Resource Languages
Leiden University Medical Center（莱顿大学医学中心）；LIACS, Leiden University（莱顿大学LIACS）
研究基于翻译的微调在低资源语言NLP中的可行性，通过六个任务、五种语言数据集比较其与母语BERT性能，发现该方法对特定任务和语言有效，为扩展NLP到低资源语言提供可扩展、高效途径，推进语言包容性和可持续性。
2026-07-15 cs.CL
Is Translation All You Need? A Study on Solving Multilingual Tasks with Large Language Models
Nanyang Technological University（南洋理工大学）；DAMO Academy, Alibaba Group（阿里达摩院）；Hupan Lab（虎斑实验室）；National University of Singapore（新加坡国立大学）；Shanda AI Research Institute（沙达AI研究院）
本研究探讨翻译对多语言任务的影响，发现翻译成英语虽能提升英语中心LLMs的NLP性能，但对文化相关任务，母语提示更有效，呼吁超越英语中心的多语言评估与开发。
2025-04-21 cs.CL
Developing and Utilizing a Large-Scale Cantonese Dataset for Multi-Tasking in Large Language Models
The Chinese University of Hong Kong（香港中文大学）；The University of Hong Kong（香港大学）
针对粤语在NLP领域面临的数据资源匮乏问题，研究构建了超20亿tokens的高质量粤语语料库，并通过监督微调训练大模型，在四个粤语基准上达到SOTA且提升了其他语言任务表现。
2025-03-05 cs.CL
From English-Centric to Effective Bilingual: LLMs with Custom Tokenizers for Underrepresented Languages
OpenBabylon；ARG-Tech, University of Dundee（邓迪大学ARG-Tech公司）；Georg-August Universität Göttingen（哥廷根大学）；Doha Institute for Graduate Studies（多哈研究生学院）；Arab Center for Research and Policy Studies（阿拉伯研究与政策研究中心）；Google（谷歌）；PolyAgent
本文提出模型无关的双语LLM构建流程，通过定制词表与嵌入初始化等步骤，在三种非拉丁文字语言上以更低成本提升性能并减少语码转换等问题。
2024-10-24 cs.AI cs.CL
Lost in Translation: Large Language Models in Non-English Content Analysis
本文阐释多语言大语言模型的工作原理、能力与局限，分析其用于非英语内容分析的挑战，并为相关主体的研发部署提供建议。
2023-06-12 cs.AI cs.CL
ArzEn-LLM: Code-Switched Egyptian Arabic-English Translation and Speech Recognition Using LLMs
Egypt-Japan University of Science and Technology（埃及-日本科学技术大学）；Mansoura University（曼苏拉大学）；Alexandria University（亚历山大大学）
针对埃及阿拉伯语-英语语码切换场景，本研究基于LLaMA、Gemma、Whisper等模型构建整合ASR与MT的连续语音转文本翻译系统，相较现有最优水平英、阿翻译分别提升56%、9.3%，相关资源已开源。
2024-07-12 cs.AI cs.CL cs.CY
Data Augmentation With Back translation for Low Resource languages: A case of English and Luganda
Mbarara University of Science and Technology, Dept. of Information Technology（马拉拉大学科学与技术学院）；Handong Global University, Dept. of Computer Science and Electrical Engineering（汉东全球大学计算机科学与电气工程学院）
本文以英语-卢干达语为例，研究利用回译生成合成数据缓解低资源语言双语数据稀缺问题，通过迭代与增量回译技术提升神经机器翻译性能，超过先前基准10个以上BLEU分数。
2025-05-05 cs.CL
Exploring the effectiveness of ChatGPT-based feedback compared with teacher feedback and self-feedback: Evidence from Chinese to English translation
School of Foreign Languages, Southeast University（东南大学外国语学院）；The Hong Kong Polytechnic University（香港理工大学）；School of Languages, Literature, Cultures and Linguistics, Monash University（莫纳什大学语言、文学、文化与语言学学院）
本研究比较ChatGPT反馈、教师反馈和自我反馈在汉译英中的效果，发现教师和自我反馈提升整体质量，ChatGPT反馈增强词汇和连贯性，可作为传统教学的补充。
2023-09-04 cs.CL
Cross-Lingual NER for Financial Transaction Data in Low-Resource Languages
Genify
本研究提出结合知识蒸馏与一致性训练的跨语言NER框架，借助英文预训练XLMRoBERTa，仅用30个阿拉伯文标注样本就实现交易实体识别迁移，效果优于现有最优方法，为低资源多语言金融应用提供方案。
2023-07-16 cs.CL
TeluguST-46: A Benchmark Corpus and Comprehensive Evaluation for Telugu-English Speech Translation
International Institute of Information Technology, Hyderabad, India（国际信息科技研究所，海得拉巴，印度）；VNRVJIET, Hyderabad, India（VNRVJIET，海得拉巴，印度）
本研究提出了TeluguST-46基准语料库，通过对比级联与端到端架构，展示了在低资源环境下端到端系统在Telugu-英语语音翻译中的竞争力。
2025-12-08 cs.CL eess.AS
E-NER -- An Annotated Named Entity Recognition Corpus of Legal Text
University College London（伦敦大学学院）；University of Copenhagen（哥本哈根大学）
在文档中识别命名实体（如人员、位置或组织）可以向读者突出显示关键信息。训练命名实体识别（NER）模型需要一个带注释的数据集，这可能是一个耗时的劳动密集型任务。然而，有公开的普通英语净入学率数据集。最近，人们有兴趣为法律文本制定NER。然而，先前的工作和实验结果表明，有一个显着的性能下降时，NER方法训练的一般英语数据集应用于法律文本。我们描述了一个公开的法律NER数据集，称为E-NER，根据法律公司提交的文件，可从美国证券交易委员会的EDGAR数据集。在一般英语CoNLL-2003语料库上训练一些不同的NER算法，但在我们的测试集合上测试，与在E-NER集合上训练和测试相比，F1分数在29.4%和60.4%之间，证实了准确性的显著下降。
2022-12-19 cs.CL
LLM-BT-Terms: Back-Translation as a Framework for Terminology Standardization and Dynamic Semantic Embedding
TransLab, Computer Science Department University of Brasilia（翻译实验室、计算机科学系巴西大学）；Math Department Federal Institute of Brasilia（数学系巴西联邦理工学院）
针对英语技术术语快速扩张下传统人工标准化难以维持多语言一致性的问题，提出LLM驱动的回译框架LLM-BT，实现术语验证标准化，兼具多路径验证鲁棒性与动态语义嵌入价值，推动人机协作的术语标准化。
2025-06-11 cs.CL
FAMA: The First Large-Scale Open-Science Speech Foundation Model for English and Italian
Fondazione Bruno Kessler (FBK)（布鲁诺·凯斯勒基金会）
本文推出首个面向英语和意大利语的开放科学语音基础模型FAMA，基于15万小时以上开源数据训练，并发布1.6万小时新数据集，性能具竞争力且速度快达8倍。
2025-05-30 cs.AI cs.CL cs.SD
BAMBI: Developing Baby Language Models for Italian
本文介绍了BAMBI（BAby语言模型Boostrapped for Italian），一系列婴儿语言模型（BabyLMs）训练的数据，模仿一个五岁的意大利语儿童接受的语言输入。BAMBI模型使用专门设计用于评估语言模型的基准进行测试，该基准考虑了模型接收的训练输入量。将BAMBI模型与大语言模型（LLM）和多模态语言模型（VLM）进行比较，研究语言外信息对语言习得的贡献。我们的评估结果与现有的文献英语语言模型，确认减少训练数据支持相对强大的句法能力的发展，他们是不够的，促进语义理解。然而，BAMBI模型和LLM的训练资源（数据和计算）之间的差距并没有完全反映在它们的性能上：尽管LLM进行了大量的训练，但它们的性能并不比BAMBI模型好多少。这表明，扩展培训资源之外的策略，如数据整理，包含多模态输入，以及其他培训策略，如课程学习，可以在塑造模型性能方面发挥至关重要的作用。
2025-03-12 cs.CL
Proteno: Text Normalization with Limited Data for Fast Deployment in Text to Speech Systems
Amazon Alexa AI（亚马逊Alexa AI）
在新语言上开发文本到语音（TTS）的文本规范化（TN）系统是困难的。我们提出了一种新的架构，以促进它的多种语言，同时使用的数据小于3%的最先进的结果在英语上使用的数据的大小。我们把TN作为一个序列分类问题，并提出了一个粒度标记化机制，使系统能够学习大部分的类和它们的规范化从训练数据本身。这进一步与其他类的最小预编码语言知识相结合。我们发表的第一个结果TN TTS在西班牙语和泰米尔语，也表明，该方法的性能与以前的工作做英语。所有用于实验的注释数据集将在https://github.com/amazon-research/proteno上发布。
2021-04-15 cs.CL
Mitigating Structural Noise in Low-Resource S2TT: An Optimized Cascaded Nepali-English Pipeline with Punctuation Restoration
Department of Electronics and Computer Engineering, Institute of Engineering, Pulchowk Campus（电子与计算机工程系，工程学院，普尔楚克校区）
本文提出优化的尼泊尔-英语S2TT流水线，通过标点恢复模块显著提升翻译质量，实现BLEU分数提升4.90点。
2026-03-02 cs.AI cs.CL cs.LG
A Survey on Multilingual Mental Disorders Detection from Social Media Data
Università della Svizzera italiana（瑞士大学）；Interdisciplinary School of Doctoral Studies, University of Bucharest（布加勒斯特大学跨学科博士研究学院）；PRHLT Research Center, Universitat Politècnica de València（瓦伦西亚理工大学PRHLT研究中心）；George Mason University（乔治·梅森大学）；Lancaster University（兰卡斯特大学）
本文综述了多语言环境下利用社交媒体数据检测心理健康障碍的方法与挑战，提出构建多语言基准以提升全球心理健康筛查能力。
2026-01-26 cs.CL
Translating Under Pressure: Domain-Aware LLMs for Crisis Communication
University of Pisa（帕尔米斯大学）；University of Macerata（马切拉塔大学）；Dublin City University（都柏林城市大学）
本文提出一种领域自适应流程，通过检索和过滤通用语料库扩展小语料库，用于危机领域翻译，并通过偏好优化提升翻译质量，验证了简化英语结合领域适应在应急通信中的实用性。
2026-04-29 cs.AI cs.CL
