Fugu-MT 論文翻訳(概要): Smarter edits? Post-editing with error highlights and translation suggestions

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
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

Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors [52.619793817715326]
本稿では,LLM生成したPythonエラーメッセージを,多段階のクラウドソースで評価する。 LLMで書き直されたメッセージは主観評価を著しく向上させたが、これらの評価結果は客観的デバッグ性能の統計的に有意な改善には至らなかった。これは重要なヒューマンとAIの相補性ギャップを浮き彫りにしている。
論文参考訳（メタデータ） (2026-08-21T09:14:28Z)
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)
Lost in Literalism: How Supervised Training Shapes Translationese in LLMs [51.04435855143767]
大規模言語モデル(LLM)は機械翻訳において顕著な成功を収めた。しかし、過度にリテラルと不自然な翻訳を特徴とする翻訳は、依然として永続的な課題である。我々は、黄金の基準を磨き、不自然なトレーニングインスタンスをフィルタリングするなど、これらのバイアスを軽減する方法を導入する。
論文参考訳（メタデータ） (2025-03-06T12:14:45Z)
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)
Does Correction Remain A Problem For Large Language Models? [63.24433996856764]
本稿では,2つの実験を行ない,大規模言語モデルの文脈における補正の役割について検討する。最初の実験では、誤り訂正のためのGPTのようなモデルを用いた数発の学習技術を用いて、単独のタスクとしての修正に焦点を当てた。第2の実験では、あるレベルのノイズや誤りを含むテキストに対して、大きな言語モデルが許容し、適切に実行可能であるかどうかを検証し、他のNLPタスクの予備タスクとしての補正の概念について検討した。
論文参考訳（メタデータ） (2023-08-03T14:09:31Z)
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)
HOPE: A Task-Oriented and Human-Centric Evaluation Framework Using Professional Post-Editing Towards More Effective MT Evaluation [0.0]
本研究では,機械翻訳出力のためのタスク指向・人間中心評価フレームワークHOPEを紹介する。一般的に発生するエラーの種類は限られており、各翻訳ユニットにエラー重大度レベルを反映する誤差ペナルティポイント(EPP)の幾何学的進行を伴うスコアリングモデルを使用する。このアプローチには、異なるシステムからの完全なMT出力を測定および比較する能力、品質に対する人間の認識を示す能力、MT出力を高品質にするために必要となる労力の即時見積、低コストで高速なアプリケーション、より高いIRRなど、いくつかの重要な利点がある。
論文参考訳（メタデータ） (2021-12-27T18:47:43Z)

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。