論文の概要: Smarter edits? Post-editing with error highlights and translation suggestions
- arxiv url: http://arxiv.org/abs/2605.21135v1
- Date: Wed, 20 May 2026 13:09:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 19:19:56.686315
- Title: Smarter edits? Post-editing with error highlights and translation suggestions
- Title（参考訳）: よりスマートな編集? エラーハイライトと翻訳提案による後編集
- Authors: Fleur V. J. van Tellingen, Gautam Ranka, Dora Žugčić, Joyce van der Wal, Andrea Camasta, Livio Guerra, Alina Karakanta,
- Abstract要約: APEエラーハイライトと修正提案を用いて、プロの翻訳者(En-Nl)が後編集を行い、生産性、品質、ユーザエクスペリエンスを通常のPEとQEに基づくハイライトと比較する。
通常のPEに比べて生産性や品質の向上は得られなかったが、APEのハイライトはQE由来のハイライトよりも受け取られ、修正提案は全体のユーザエクスペリエンスを改善した。
- 参考スコア（独自算出の注目度）: 0.33365312686680193
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As MT quality increases, interest in enhanced post-editing features such as QE-derived error highlights is growing, yet evidence for their usefulness remains limited. In this work, we explore the usefulness of LLM-derived error highlights and correction suggestions based on automatic post-editing (APE). We conduct a study where professional translators (En-Nl) post-edit translations using APE error highlights and correction suggestions and compare productivity, quality and user experience to regular PE and PE with QE-derived highlights. While no condition yielded productivity or quality gains compared to regular PE, APE highlights were better received than QE-derived highlights, and correction suggestions improved overall user experience.
- Abstract（参考訳）: MTの品質が向上するにつれて、QE由来のエラーハイライトのような後編集機能の強化への関心が高まっているが、その有用性を示す証拠は限られている。
本研究では,自動後編集(APE)に基づく誤りハイライトと訂正提案の有用性について検討する。
APEエラーハイライトと修正提案を用いて、プロの翻訳者(En-Nl)が編集後翻訳を行い、生産性、品質、ユーザエクスペリエンスをQE由来のハイライトと比較する。
通常のPEに比べて生産性や品質の向上は得られなかったが、APEのハイライトはQE由来のハイライトよりも受け取られ、修正提案は全体のユーザエクスペリエンスを改善した。
関連論文リスト
- Introducing Quality Estimation to Machine Translation Post-editing Workflow: An Empirical Study on Its Usefulness [3.2284561079285536]
英語・中国語機械翻訳後編集における文レベルの品質評価の有用性について検討した。
その結果,QEは編集後時間を大幅に短縮することが明らかとなった。
インタビューデータは、不正確なQEが後編集プロセスを妨げる可能性があることを示唆している。
論文 参考訳（メタデータ） (2025-07-22T12:25:00Z) - QE4PE: Word-level Quality Estimation for Human Post-Editing [17.17222014168155]
本研究は,42名のプロフェッショナル・ポストエディターを含む現実的な環境下で,単語レベルのQEが機械翻訳後編集に与える影響について検討する。
我々は、最先端のニューラルMTモデルの出力における潜在的なエラーを特定するために、教師付きおよび不確実性に基づく単語レベルQE法を含む4つのエラーパンハイライトモードを比較した。
ドメイン,言語,編集者の速度は,人造QEと自動QEの微妙な差異を伴って,ハイライトの有効性を決定する上で重要な要素であることがわかった。
論文 参考訳（メタデータ） (2025-03-04T22:50:17Z) - Alleviating Distribution Shift in Synthetic Data for Machine Translation Quality Estimation [55.73341401764367]
合成QEデータの分散シフトを緩和する新しいフレームワークであるDCSQEを紹介する。
DCSQEは、参照、すなわち翻訳監督信号を使用して、生成プロセスとアノテーションプロセスの両方をガイドする。
実験により、DCSQEは教師なし設定と教師なし設定の両方でSOTAベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2025-02-27T10:11:53Z) - MQM-APE: Toward High-Quality Error Annotation Predictors with Automatic Post-Editing in LLM Translation Evaluators [53.91199933655421]
大規模言語モデル(LLM)は、機械翻訳(MT)の品質評価の裁判官として大きな可能性を秘めている。
非インパクト的なエラーをフィルタリングするアイデアに基づいて、ユニバーサルでトレーニング不要なフレームワークである$textbfMQM-APEを紹介します。
実験の結果,GEMBA-MQMに対する誤差の信頼性と品質の両方が一貫して改善されていることがわかった。
論文 参考訳（メタデータ） (2024-09-22T06:43:40Z) - Prompting Large Language Models with Human Error Markings for Self-Correcting Machine Translation [11.351365352611658]
後編集(PE)は、エラーを訂正し、専門ドメインの項翻訳品質を高めるために依然として必要である。
技術的領域における正しい一貫した項翻訳の必要性に対する翻訳記憶(TM)の強化に関するパイロット研究について述べる。
論文 参考訳（メタデータ） (2024-06-04T12:43:47Z) - Improving Machine Translation with Human Feedback: An Exploration of Quality Estimation as a Reward Model [75.66013048128302]
本研究では,QEモデルを報酬モデルとして活用し,フィードバックトレーニングにおける人間の嗜好を予測する可能性について検討する。
まず,QEに基づくフィードバックトレーニングにおいて,翻訳品質が低下する中で,報酬の増大として現れる過度な最適化問題を同定した。
問題に対処するために,ルールを用いて誤った翻訳を検知し,報酬のスコアにペナルティ項を割り当てる,シンプルで効果的な手法を採用する。
論文 参考訳（メタデータ） (2024-01-23T16:07:43Z)
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。