論文の概要: Measuring User's Mental Models of Speech Translation in Human-AI Collaboration

• arxiv url: http://arxiv.org/abs/2606.24644v1
• Date: Tue, 23 Jun 2026 14:40:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:49.017986
• Title: Measuring User's Mental Models of Speech Translation in Human-AI Collaboration
• Title（参考訳）: 人のAIコラボレーションにおける音声翻訳の心的モデルの測定
• Authors: HyoJung Han, Nishant Balepur, Jordan Boyd-Graber, Marine Carpuat,
• Abstract要約: 本稿では,言語間質問応答に基づく新しい枠組みを用いて,ユーザの音声翻訳システムのメンタルモデルについて検討する。 翻訳品質の異なるユーザ行動と精度傾向を解析することにより,システムがどこが間違っているかを予測することができるかを検討する。
• 参考スコア（独自算出の注目度）: 23.64422798744437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Millions of people use machine translation (MT) tools daily, yet little is known about their perception of what systems can and cannot do. This paper studies users' mental models of speech translation systems through a new framework based on cross-lingual question answering, where users either accept MT output or request professional re-translation to answer questions based on the information presented in a foreign language. By analyzing user behavior and accuracy trends across varying translation qualities, we examine to what extent they can predict where the system is likely to be wrong, and how this mental model evolves. Users develop stronger mental models with practice, especially when they have some knowledge of the source language, primarily by relying on surface-level error cues. Moreover, providing speech transcriptions can help users develop better mental models. Our results show the promise of cross-lingual question answering as a downstream task for studying MT mental models and advancing our understanding of human-AI collaboration.
• Abstract（参考訳）: 何百万人もの人々が毎日、機械翻訳(MT)ツールを使っているが、システムができることとできないことに対する認識についてはほとんど知られていない。 本稿では,言語間質問応答に基づく新たな枠組みを用いて,ユーザの音声翻訳システムのメンタルモデルについて検討する。 翻訳品質の異なるユーザの行動と精度の傾向を分析することで、システムがどこが間違っているか、どのようにして精神モデルが進化するかを予測する。 ユーザは、特にソース言語についてある程度の知識を持っている場合、特に表面レベルのエラーキューに依存して、より強力なメンタルモデルを開発する。 さらに、音声の書き起こしを提供することは、ユーザーがより良いメンタルモデルを開発するのに役立つ。 以上の結果から,MTメンタルモデルの研究や人間とAIのコラボレーションの理解を深めるための下流課題として,言語間質問応答が期待できることが示唆された。

関連論文リスト

• Learning to Learn from Language Feedback with Social Meta-Learning [17.85279270632852]
  大きな言語モデル(LLM)は、会話のコンテキスト内で修正的なフィードバックから学ぶのに苦労することが多い。 私たちは、人間の社会的メタ学習からインスピレーションを受けます。 我々は、教育対話のシミュレーションにおいて、LLMを指導し、言語フィードバックから学習する。
  論文  参考訳（メタデータ） (2026-02-18T14:22:13Z)
• Align to the Pivot: Dual Alignment with Self-Feedback for Multilingual Math Reasoning [71.4175109189942]
  Pivot-Aligned Self-Feedback Multilingual Reasoning (PASMR)を提案する。 このアプローチは、モデルの第一言語をピボット言語として指定する。 外部の正しい回答や報酬モデルに頼ることなく、言語横断的な自己フィードバック機構を確立する。
  論文  参考訳（メタデータ） (2026-01-25T03:20:00Z)
• Analyzing and Improving Cross-lingual Knowledge Transfer for Machine Translation [5.878901309908815]
  ニューラルモデルにおける言語間知識伝達について検討し,多言語環境におけるロバストネスと一般化を改善する手法を開発した。 学習中の言語多様性の役割について検討し,翻訳範囲の増加が一般化を改善し,目標外行動を低減することを示す。
  論文  参考訳（メタデータ） (2026-01-07T15:51:54Z)
• Can Language Models Learn to Listen? [96.01685069483025]
  本稿では,話者の言葉に基づく社会的対話における聞き手から適切な表情応答を生成するための枠組みを提案する。 提案手法は,VQ-VAEを用いて定量化したリスナーの顔のジェスチャー列であるリスナーの応答を自己回帰的に予測する。 生成したリスナーの動きは,定量的メトリクスと質的ユーザスタディを通じて,言語意味論に精通し,反映していることを示す。
  論文  参考訳（メタデータ） (2023-08-21T17:59:02Z)
• Accessible Instruction-Following Agent [0.0]
  UVLNは、言語間視覚言語ナビゲーションのための新しい機械翻訳命令拡張フレームワークである。 我々は、標準VLNトレーニング目標を言語間エンコーダを介して多言語設定に拡張する。 Room Across Roomデータセットによる実験は、我々のアプローチの有効性を証明する。
  論文  参考訳（メタデータ） (2023-05-08T23:57:26Z)
• Computational Language Acquisition with Theory of Mind [84.2267302901888]
  我々は、心の理論(ToM)を備えた言語学習エージェントを構築し、その学習過程への影響を測定する。 重み付けされたToMリスナーコンポーネントを用いた学習話者は,画像参照ゲームの設定において,性能向上につながることがわかった。
  論文  参考訳（メタデータ） (2023-03-02T18:59:46Z)
• Challenges in Translation of Emotions in Multilingual User-Generated Content: Twitter as a Case Study [1.3999481573773072]
  異なる言語における感情の翻訳において,Twitterデータに特有の言語現象が存在することを示す。 また、テキスト中の感情の保存に関して、MTシステムの性能を評価するためによく使われる手法の能力を評価する。
  論文  参考訳（メタデータ） (2021-06-20T16:12:48Z)
• Improving Cross-Lingual Reading Comprehension with Self-Training [62.73937175625953]
  現在の最新モデルは、いくつかのベンチマークで人間のパフォーマンスを上回っています。 前作では、ゼロショットのクロスリンガル読解のための事前訓練された多言語モデルの能力を明らかにしている。 本稿では,ラベルのないデータを利用して性能を向上する。
  論文  参考訳（メタデータ） (2021-05-08T08:04:30Z)
• Curious Case of Language Generation Evaluation Metrics: A Cautionary Tale [52.663117551150954]
  イメージキャプションや機械翻訳などのタスクを評価するデファクトメトリクスとして、いくつかの一般的な指標が残っている。 これは、使いやすさが原因でもあり、また、研究者がそれらを見て解釈する方法を知りたがっているためでもある。 本稿では,モデルの自動評価方法について,コミュニティにより慎重に検討するよう促す。
  論文  参考訳（メタデータ） (2020-10-26T13:57:20Z)
• AttViz: Online exploration of self-attention for transparent neural language modeling [7.574392147428978]
  本研究では,AttVizを提案する。AttVizは,個々のテキストトークンに関連付けられた自己注意値の探索を行うオンラインツールキットである。 既存のディープラーニングパイプラインが、AttVizに適したアウトプットを生成し、最小限の労力で、アテンションヘッドとアグリゲーションの新たな視覚化を提供する方法を示します。
  論文  参考訳（メタデータ） (2020-05-12T12:21:40Z)
• It's Easier to Translate out of English than into it: Measuring Neural Translation Difficulty by Cross-Mutual Information [90.35685796083563]
  クロスミューチュアル情報(英: Cross-mutual information、XMI)は、機械翻訳の難易度に関する非対称情報理論の指標である。 XMIは、ほとんどのニューラルマシン翻訳モデルの確率的性質を利用する。 本稿では,現代ニューラル翻訳システムを用いた言語間翻訳の難易度に関する最初の体系的および制御的な研究について述べる。
  論文  参考訳（メタデータ） (2020-05-05T17:38:48Z)

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。