多语言大语言模型提示策略用于医学英语-越南语机器翻译
Multilingual LLM Prompting Strategies for Medical English-Vietnamese Machine Translation
AI总结：
本研究在MedEV数据集上系统评估了六种多语言大语言模型（0.5B-9B参数）的提示策略，发现模型规模是性能主因，术语感知提示和嵌入检索能提升医学英越翻译质量。
摘要：
医学英语-越南语机器翻译（En-Vi MT）对于越南的医疗服务和沟通至关重要，然而越南语仍是一种资源匮乏且研究不足的语言。我们在MedEV数据集上系统评估了六种多语言大语言模型（0.5B-9B参数）的提示策略，比较了零样本、少样本以及使用Meddict（一部英语-越南语医学词典）的词典增强提示。结果表明，模型规模是性能的主要驱动因素：较大的大语言模型在零样本设置下表现强劲，而少样本提示仅带来边际改进。相比之下，术语感知提示和基于嵌入的示例检索持续提升了领域特定翻译的质量。这些发现凸显了多语言大语言模型在医学英语-越南语翻译中的潜力与当前局限。
英文摘要：
Medical English-Vietnamese machine translation (En-Vi MT) is essential for healthcare access and communication in Vietnam, yet Vietnamese remains a low-resource and under-studied language. We systematically evaluate prompting strategies for six multilingual LLMs (0.5B-9B parameters) on the MedEV dataset, comparing zero-shot, few-shot, and dictionary-augmented prompting with Meddict, an English-Vietnamese medical lexicon. Results show that model scale is the primary driver of performance: larger LLMs achieve strong zero-shot results, while few-shot prompting yields only marginal improvements. In contrast, terminology-aware cues and embedding-based example retrieval consistently improve domain-specific translation. These findings underscore both the promise and the current limitations of multilingual LLMs for medical En-Vi MT.
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。
