論文の概要: Benchmarking terminology building capabilities of ChatGPT on an English-Russian Fashion Corpus

• arxiv url: http://arxiv.org/abs/2412.03242v1
• Date: Wed, 04 Dec 2024 11:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:08:54.927735
• Title: Benchmarking terminology building capabilities of ChatGPT on an English-Russian Fashion Corpus
• Title（参考訳）: 英露ファッションコーパスにおけるChatGPTのベンチマーク用語構築能力
• Authors: Anastasiia Bezobrazova, Miriam Seghiri, Constantin Orasan,
• Abstract要約: 本稿では,SketchEngine,TBXTools,ChatGPTを用いて抽出した用語の精度を比較した。 また、これらの用語に対してChatGPTによって生成される定義の質を評価する。
• 参考スコア（独自算出の注目度）: 3.1952340441132487
• License:
• Abstract: This paper compares the accuracy of the terms extracted using SketchEngine, TBXTools and ChatGPT. In addition, it evaluates the quality of the definitions produced by ChatGPT for these terms. The research is carried out on a comparable corpus of fashion magazines written in English and Russian collected from the web. A gold standard for the fashion terminology was also developed by identifying web pages that can be harvested automatically and contain definitions of terms from the fashion domain in English and Russian. This gold standard was used to evaluate the quality of the extracted terms and of the definitions produced. Our evaluation shows that TBXTools and SketchEngine, while capable of high recall, suffer from reduced precision as the number of terms increases, which affects their overall performance. Conversely, ChatGPT demonstrates superior performance, maintaining or improving precision as more terms are considered. Analysis of the definitions produced by ChatGPT for 60 commonly used terms in English and Russian shows that ChatGPT maintains a reasonable level of accuracy and fidelity across languages, but sometimes the definitions in both languages miss crucial specifics and include unnecessary deviations. Our research reveals that no single tool excels universally; each has strengths suited to particular aspects of terminology extraction and application.
• Abstract（参考訳）: 本稿では,SketchEngine,TBXTools,ChatGPTを用いて抽出した用語の精度を比較した。 さらに、これらの用語に対してChatGPTによって生成される定義の質を評価する。 この研究は、ウェブから収集された英語とロシア語で書かれたファッション雑誌に匹敵するコーパスで行われている。 ファッション用語の金本位は、自動収穫可能なWebページを識別し、英語とロシア語のファッションドメインから用語の定義を含めることでも開発された。 この金本位は抽出された用語の質と生成された定義を評価するために用いられた。 評価の結果,TBXToolsとSketchEngineは高いリコールが可能なが,項数の増加とともに精度が低下し,全体的な性能に影響を及ぼすことがわかった。 逆にChatGPTは、より多くの用語が考慮されるにつれて、優れたパフォーマンス、維持、精度の向上を示す。 ChatGPTが英語とロシア語でよく使われる60の用語で生成した定義の分析は、ChatGPTが言語間で妥当な精度と忠実さを維持していることを示している。 我々の研究は、一つのツールが普遍的に優れているわけではないことを明らかにし、それぞれが用語抽出と応用の特定の側面に適合する強度を持っている。

関連論文リスト

• Eval-GCSC: A New Metric for Evaluating ChatGPT's Performance in Chinese Spelling Correction [60.32771192285546]
  ChatGPTは、様々な下流タスクで素晴らしいパフォーマンスを示している。 中国語のSpelling Correction(CSC)タスクでは,人間の評価ではChatGPTが良好に機能するのに対して,従来の指標では低得点であった。 本稿では,単語レベルと意味的類似性判断を取り入れた新しい評価指標であるEval-GCSCを提案する。
  論文  参考訳（メタデータ） (2023-11-14T14:56:33Z)
• Word Definitions from Large Language Models [8.158571243835725]
  3つの辞書の定義をChatGPTの変種から生成されたものと比較する。 i) 従来の辞書からの定義は, モデルによる定義よりも表面形状が類似していること, (ii) 従来の辞書に匹敵する高い精度のChatGPT定義が, (iii) チャtGPTに基づく埋め込み定義は低頻度語でも精度を保っていること, を示す。
  論文  参考訳（メタデータ） (2023-11-10T19:27:20Z)
• Optimizing Machine Translation through Prompt Engineering: An Investigation into ChatGPT's Customizability [0.0]
  この研究は、ChatGPTのような大規模言語モデルに適切なプロンプトが組み込まれれば、柔軟な翻訳が可能になることを明らかにしている。 この研究は、特定の条件を満たす翻訳を生成するためにプロンプトを使用すると、翻訳品質の変化を精査する。
  論文  参考訳（メタデータ） (2023-08-02T19:11:04Z)
• ChatLog: Carefully Evaluating the Evolution of ChatGPT Across Time [54.18651663847874]
  ChatGPTは大きな成功をおさめ、インフラ的な地位を得たと考えられる。 既存のベンチマークでは,(1)周期的評価の無視,(2)きめ細かい特徴の欠如という2つの課題に直面する。 2023年3月から現在まで,21のNLPベンチマークに対して,さまざまな長文ChatGPT応答を大規模に記録した常時更新データセットであるChatLogを構築している。
  論文  参考訳（メタデータ） (2023-04-27T11:33:48Z)
• Towards Making the Most of ChatGPT for Machine Translation [75.576405098545]
  ChatGPTは機械翻訳(MT)の優れた機能を示す いくつかの先行研究により、ハイソース言語の商用システムと同等の結果が得られることが示されている。
  論文  参考訳（メタデータ） (2023-03-24T03:35:21Z)
• ChatGPT or Grammarly? Evaluating ChatGPT on Grammatical Error Correction Benchmark [11.36853733574956]
  ChatGPTはOpenAIが開発した最先端の人工知能言語モデルである。 商用のGEC製品(例:Grammarly)や最先端のモデル(例:GECToR)と比較する。 また,ChatGPTは,自動評価指標の基準値ほど性能が良くないことがわかった。
  論文  参考訳（メタデータ） (2023-03-15T00:35:50Z)
• ChatGPT: Beginning of an End of Manual Linguistic Data Annotation? Use Case of Automatic Genre Identification [0.0]
  ChatGPTは自然言語生成タスクにおいて強力な能力を示しており、研究者は自然にその能力がどこで終わるかを探求している。 本稿では,ChatGPTとXLM-RoBERTa言語モデルを比較した。 その結果、ChatGPTは、どちらのモデルでもこれまで見られなかったデータセットに適用した場合、微調整されたモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-07T14:59:33Z)
• Large Language Models Are State-of-the-Art Evaluators of Translation Quality [7.818228526742237]
  GEMBAは、翻訳品質を評価するためのGPTベースのメトリクスである。 本稿では,ChatGPTとGPT-4を含む9種類のGPTモデルについて検討する。 本手法は, MQMに基づく人間ラベルと比較した場合, 両モードで最先端の精度を実現する。
  論文  参考訳（メタデータ） (2023-02-28T12:23:48Z)
• Rethink about the Word-level Quality Estimation for Machine Translation from Human Judgement [57.72846454929923]
  ベンチマークデータセットであるemphHJQEを作成し、専門家翻訳者が不適切な翻訳語を直接アノテートする。 本稿では,タグリファインメント戦略と木ベースのアノテーション戦略という2つのタグ補正戦略を提案し,TERベースの人工QEコーパスをemphHJQEに近づける。 その結果,提案したデータセットは人間の判断と一致しており,また,提案したタグ補正戦略の有効性も確認できた。
  論文  参考訳（メタデータ） (2022-09-13T02:37:12Z)
• XL-WiC: A Multilingual Benchmark for Evaluating Semantic Contextualization [98.61159823343036]
  単語の意味を正確にモデル化する能力を評価するために,Word-in-Context データセット (WiC) を提案する。 我々は、XL-WiCという大規模なマルチ言語ベンチマークを提案し、12の新しい言語でゴールドスタンダードを特徴付けました。 実験結果から、ターゲット言語にタグ付けされたインスタンスが存在しない場合でも、英語データのみにトレーニングされたモデルは、競争力のあるパフォーマンスが得られることが示された。
  論文  参考訳（メタデータ） (2020-10-13T15:32:00Z)
• Grounded Compositional Outputs for Adaptive Language Modeling [59.02706635250856]
  言語モデルの語彙$-$典型的にはトレーニング前に選択され、後で永久に固定される$-$は、そのサイズに影響します。 言語モデルのための完全合成出力埋め込み層を提案する。 我々の知る限り、この結果はトレーニング語彙に依存しないサイズを持つ最初の単語レベル言語モデルである。
  論文  参考訳（メタデータ） (2020-09-24T07:21:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。