arXiv 2404.182862024-04-30cs.CL

比较 LLM 提示与跨语言迁移在巴西土著语言和低资源语言上的表现

Comparing LLM prompting with Cross-lingual transfer performance on Indigenous and Low-resource Brazilian Languages

University College London（伦敦大学学院）；Universiteit Gent（根特大学）；Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）；University of Galway（戈尔韦大学）

David Ifeoluwa Adelani, A. Seza Doğruöz, André Coneglian, Atul Kr. Ojha

备注：: Accepted to the Americas NLP Workshop at NAACL 2024 (https://turing.iimas.unam.mx/americasnlp/2024_workshop.html)

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文比较了 LLM 提示与跨语言迁移在巴西及非洲低资源语言词性标注上的表现，发现 LLM 在低资源语言上效果较差，并通过错误分析揭示了失败原因。

摘要：

大语言模型正在改变多种自然语言处理任务。然而，LLM 在低资源语言（LRL）上执行 NLP 任务的表现尚未得到充分探索。与 AmericasNLP 研讨会目标一致，我们聚焦于 12 种巴西低资源语言、2 种非洲低资源语言和 2 种高资源语言（HRL）（例如英语和巴西葡萄牙语）。我们的结果表明，与高资源语言相比，LLM 在低资源语言的词性（POS）标注上表现更差。我们解释了这一失败背后的原因，并通过数据集中观察到的示例进行了错误分析。

英文摘要：

Large Language Models are transforming NLP for a variety of tasks. However, how LLMs perform NLP tasks for low-resource languages (LRLs) is less explored. In line with the goals of the AmericasNLP workshop, we focus on 12 LRLs from Brazil, 2 LRLs from Africa and 2 high-resource languages (HRLs) (e.g., English and Brazilian Portuguese). Our results indicate that the LLMs perform worse for the part of speech (POS) labeling of LRLs in comparison to HRLs. We explain the reasons behind this failure and provide an error analysis through examples observed in our data set.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。