論文の概要: Multilingual KokoroChat: A Multi-LLM Ensemble Translation Method for Creating a Multilingual Counseling Dialogue Dataset

• arxiv url: http://arxiv.org/abs/2603.22913v1
• Date: Tue, 24 Mar 2026 08:02:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.372287
• Title: Multilingual KokoroChat: A Multi-LLM Ensemble Translation Method for Creating a Multilingual Counseling Dialogue Dataset
• Title（参考訳）: Multilingual KokoroChat:多言語対話データセット作成のためのマルチLLMアンサンブル変換法
• Authors: Ryoma Suzuki, Zhiyang Qi, Michimasa Inaba,
• Abstract要約: 我々は,日本語の大規模共用コーパスであるkokoroChatを英語と中国語の両方に翻訳し,多言語ココロチャットを開発した。 このプロセスにおける重要な課題は、最適翻訳モデルが入力によって異なることである。 我々は,この課題を克服するために,新しいマルチLLMアンサンブル法を開発した。
• 参考スコア（独自算出の注目度）: 2.4087148947930634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To address the critical scarcity of high-quality, publicly available counseling dialogue datasets, we created Multilingual KokoroChat by translating KokoroChat, a large-scale manually authored Japanese counseling corpus, into both English and Chinese. A key challenge in this process is that the optimal model for translation varies by input, making it impossible for any single model to consistently guarantee the highest quality. In a sensitive domain like counseling, where the highest possible translation fidelity is essential, relying on a single LLM is therefore insufficient. To overcome this challenge, we developed and employed a novel multi-LLM ensemble method. Our approach first generates diverse hypotheses from multiple distinct LLMs. A single LLM then produces a high-quality translation based on an analysis of the respective strengths and weaknesses of all presented hypotheses. The quality of ``Multilingual KokoroChat'' was rigorously validated through human preference studies. These evaluations confirmed that the translations produced by our ensemble method were preferred from any individual state-of-the-art LLM. This strong preference confirms the superior quality of our method's outputs. The Multilingual KokoroChat is available at https://github.com/UEC-InabaLab/MultilingualKokoroChat.
• Abstract（参考訳）: 高品質で公開可能なカウンセリングダイアログデータセットの欠如に対処するため,大規模日本語字幕コーパスであるkokoroChatを英語と中国語の両方に翻訳し,多言語ココロチャットを開発した。 このプロセスにおける重要な課題は、最適な翻訳モデルは入力によって異なるため、どの単一モデルでも最高品質を一貫して保証することは不可能である。 カウンセリングのような敏感な領域では、翻訳の忠実度が最も重要であるため、単一のLSMに頼ることは不十分である。 この課題を克服するために,我々は新しいマルチLLMアンサンブル法を開発した。 我々のアプローチはまず、複数の異なるLSMから様々な仮説を生成する。 1つのLCMは、提示された全ての仮説のそれぞれの長所と短所の分析に基づいて高品質な翻訳を生成する。 「マルチリンガル・ココロチャット」の質は、人間の嗜好研究によって厳格に検証された。 これらの評価結果から,本手法による翻訳は,どの技術系LLMよりも好適であることが確認された。 この強い嗜好は、我々の方法の出力の優れた品質を確認する。 Multilingual KokoroChatはhttps://github.com/UEC-InabaLab/Multilingual KokoroChatで入手できる。

関連論文リスト

• A method for improving multilingual quality and diversity of instruction fine-tuning datasets [29.07537849245622]
  マルチリンガルデータ品質・多様性(M-DaQ)を導入し,IFT(Multilingual Instruction Fine-Tuning)の改善を図る。 M-DaQは、高品質で意味的に多様な多言語IFTサンプルを選択することで、LLMの多言語性を改善する新しい方法である。 18言語にわたる実証的な結果から、M-DaQで微調整されたモデルでは、バニラベースラインの60%の勝利率よりも大きなパフォーマンス向上が達成されている。
  論文  参考訳（メタデータ） (2025-09-19T03:07:59Z)
• CM-Align: Consistency-based Multilingual Alignment for Large Language Models [84.19366314925593]
  高品質な多言語嗜好データを構築するための一貫性に基づくデータ手法を提案する。 具体的には、一貫性のある英語参照選択と、言語間一貫性に基づく多言語嗜好データ構築の2つの部分を含む。
  論文  参考訳（メタデータ） (2025-09-10T12:40:49Z)
• MuRating: A High Quality Data Selecting Approach to Multilingual Large Language Model Pretraining [27.952041404675846]
  高品質な英語データ品質の信号を17のターゲット言語に対して単一のレーダに転送するフレームワークであるMuRatingを紹介した。 MuRatingは、ペア比較を通じて複数の英語の「レーダ」を集約し、統一された文書品質スコアを学習する。 その後、翻訳を通じてこれらの判断を投影し、モノリンガル、クロスランガル、およびパラレルテキストペア上で多言語評価器を訓練する。
  論文  参考訳（メタデータ） (2025-07-02T15:11:12Z)
• M-Prometheus: A Suite of Open Multilingual LLM Judges [65.63858815169924]
  M-Prometheusは,多言語出力の直接評価とペア比較フィードバックを両立できるオープンウェイトLLM判定器のスイートである。 M-Prometheusモデルは、20以上の言語にまたがる多言語報酬ベンチマークや、4つの言語対をカバーする文語機械翻訳(MT)評価において、最先端のLLM判事より優れている。
  論文  参考訳（メタデータ） (2025-04-07T11:37:26Z)
• MMLU-ProX: A Multilingual Benchmark for Advanced Large Language Model Evaluation [86.7047714187813]
  MMLU-ProXは29の言語をカバーするベンチマークであり、英語のベンチマーク上に構築されている。 それぞれの言語バージョンは11,829の同一の質問で構成されており、直接言語間比較を可能にする。 効率的な評価ニーズを満たすため,言語毎の質問数は658件である。
  論文  参考訳（メタデータ） (2025-03-13T15:59:20Z)
• On the Calibration of Multilingual Question Answering LLMs [57.296161186129545]
  複数の多言語大言語モデル(MLLM)のキャリブレーションを様々な質問応答タスクでベンチマークする。 本研究では,分布内,分布外,言語間移動設定におけるキャリブレーションの異なる次元について検討する。 LlaMa2のようなデコーダのみのLLMでは、コンテキスト内学習は多言語データの信頼性校正を改善する。
  論文  参考訳（メタデータ） (2023-11-15T03:29:02Z)

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。