← heapsort-ai

machine translation

8 items

RESEARCHarXiv CS.CL·14/4/2026

Should We be Pedantic About Reasoning Errors in Machine Translation?

Este estudio identifica y cuantifica errores de razonamiento en la traducción automática en múltiples pares de idiomas, empleando un protocolo de anotación automatizado. Las intervenciones en los rastros de razonamiento sugieren que las correcciones fuertes mejoran la resolución de errores, aunque con ganancias mixtas en la calidad de la traducción.

28
RESEARCHarXiv CS.CL·hace 22d

Fluency and Faithfulness in Human and Machine Literary Translation

Esta investigación examina el equilibrio entre fluidez y fidelidad en la traducción literaria, comparando traducciones humanas, de Google Translate y TranslateGemma de 106 novelas en 16 idiomas. Los hallazgos muestran una correlación negativa constante entre fluidez y fidelidad, y sugieren que la longitud del segmento es importante para la evaluación automática.

28
RESEARCHarXiv CS.CL·22/4/2026

Syntax as a Rosetta Stone: Universal Dependencies for In-Context Coptic Translation

Este artículo presenta un enfoque novedoso de aprendizaje en contexto para la traducción automática de copto a inglés de bajos recursos, aumentando las entradas con información sintáctica de análisis de Dependencias Universales. Aunque la información sintáctica por sí sola es menos útil que los glosarios basados en diccionarios, su combinación mejora significativamente el rendimiento y logra resultados de vanguardia.

27
RESEARCHarXiv CS.CL·7/5/2026

The Impact of Vocabulary Overlaps on Knowledge Transfer in Multilingual Machine Translation

Este artículo investiga sistemáticamente el impacto de vocabularios conjuntos y disjuntos en la transferencia de conocimiento en la traducción automática neuronal multilingüe (MNMT). Los experimentos muestran que las amplias superposiciones de vocabulario, la relación lingüística y la coincidencia de dominio conducen a un mejor rendimiento, incluso en configuraciones fuera de dominio.

27
RESEARCHarXiv CS.CL·6/4/2026

An Empirical Study of Many-Shot In-Context Learning for Machine Translation of Low-Resource Languages

Este estudo empírico investiga o aprendizado em contexto (ICL) de muitos exemplos para tradução automática de inglês para dez idiomas de baixo recurso. Os achados mostram que o ICL se torna mais eficaz com o aumento do número de exemplos, e a recuperação baseada em BM25 melhora substancialmente a eficiência dos dados.

27