論文の概要: Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages

• arxiv url: http://arxiv.org/abs/2608.12278v1
• Date: Wed, 12 Aug 2026 17:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.659814
• Title: Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages
• Title（参考訳）: 構造的サイレンス:AIインフラストラクチャーが表現不足言語話者を失うとき
• Abstract要約: 教育と言語サポートのための人工知能ツールは、アンダーリソースのコミュニティにおけるアクセスギャップに対するスケーラブルな応答として、ますます注目されている。 しかし、これらのツールの基盤となるインフラは、モデルが訓練される前に、未表現言語の話者を体系的に不利にすることができる。 本稿では,世界有数の言語であるベンガルにおけるこれらの構造的障壁について検討し,低接続環境におけるAI支援教育に着目した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence tools for education and language support are increasingly framed as scalable responses to access gaps in under-resourced communities. Yet the infrastructure underlying these tools, including training corpora, tokenization schemes, evaluation benchmarks, and deployment architectures, can systematically disadvantage speakers of underrepresented languages before a model is trained. This paper examines these structural barriers through Bengali, one of the world's most widely spoken languages, focusing on AI-assisted education in low-connectivity environments. We identify four interlocking failures: a severe web presence gap, with Bengali accounting for less than 0.5% of global web content despite representing nearly 4% of the global population; a 67:1 training-token deficit between English and Bengali in major multilingual corpora; a tokenization penalty associated with Bengali's alphasyllabary script that compounds the data deficit through higher token fertility; and connectivity exclusion, with individual internet penetration at 36.5% in rural areas compared with 71.4% in urban areas. These failures reflect longstanding resource-allocation decisions, institutional priorities, and design defaults that did not center underrepresented languages in mainstream AI development. We argue that dataset scarcity should be understood as a structural barrier rather than an isolated technical limitation, and that offline-first design should be treated as an equity-oriented infrastructure strategy. We conclude with directions for linguistics and AI research aimed at reducing these structural inequalities.
• Abstract（参考訳）: 教育と言語サポートのための人工知能ツールは、アンダーリソースのコミュニティにおけるアクセスギャップに対するスケーラブルな応答として、ますます注目されている。 しかし、トレーニングコーパス、トークン化スキーム、評価ベンチマーク、デプロイメントアーキテクチャなど、これらのツールの基盤となるインフラストラクチャは、モデルがトレーニングされる前に、未表現言語の話者を体系的に不利にすることができる。 本稿では,世界有数の言語であるベンガルにおけるこれらの構造的障壁について検討し,低接続環境におけるAI支援教育に着目した。 大規模な多言語コーパスにおける英語とベンガル語間の67:1のトレーニングトキンの欠陥、ベンガル語のα音節文字に付随するトークン化のペナルティ、トークンの肥大化によってデータ不足を複雑化する、接続の排除、各インターネットの浸透率を71.4%と比較すると、農村部では36.5%である。 これらの失敗は、メインストリームのAI開発において過小評価される言語の中心にならなかった、長年にわたるリソース割り当ての決定、制度上の優先事項、設計上のデフォルトを反映している。 データセットの不足は、独立した技術的制限ではなく、構造的な障壁として理解されるべきであり、オフラインファーストの設計は、エクイティ指向のインフラストラクチャ戦略として扱われるべきである、と私たちは主張する。 我々は、これらの構造的不平等を減らすことを目的とした言語学とAI研究の方向性を結論付けている。

関連論文リスト

• Artificial intelligence is creating a new global linguistic hierarchy [34.80252741178931]
  言語間における社会・経済・インフラ条件の国際的縦断的分析について述べる。 言語技術のリーチを拡大する努力にもかかわらず、少数の言語の優位性は格差を増している。 我々はLanguage AI Readiness Index(EQUATE)を紹介した。これは、言語をまたいだAIデプロイメントの技術的、社会経済的、インフラ的前提条件をマッピングするものだ。
  論文  参考訳（メタデータ） (2026-02-12T14:50:44Z)
• Code-Switching In-Context Learning for Cross-Lingual Transfer of Large Language Models [64.54005959758733]
  我々は,コードスイッチング・イン・コンテキスト・ラーニング(CSICL)を,推論中の翻訳障壁を克服するための原則的かつ堅牢なアプローチとして導入する。 4つのLLM、6つのデータセット、10の言語にわたる広範な実験を行い、知識集約型ドメインと推論指向ドメインの両方にまたがる。 その結果、CSICLはX-ICLベースラインを一貫して上回り、ターゲット言語と見当たらない言語の両方で3.1%pと1.9%pを達成した。
  論文  参考訳（メタデータ） (2025-10-07T08:35:42Z)
• Bridging Gaps in Natural Language Processing for Yorùbá: A Systematic Review of a Decade of Progress and Prospects [0.6554326244334868]
  このレビューでは、注釈付きコーパスの不足、事前訓練された言語モデルの可用性の制限、音節複雑性やダイアクリティカル依存といった言語的課題を重要な障害として取り上げている。 この結果から,多言語・モノリンガル資源の増大が明らかとなった。ただし,この分野は,コードスイッチングやデジタル利用のための言語放棄といった社会文化的要因に制約されている。
  論文  参考訳（メタデータ） (2025-02-24T17:41:48Z)
• Think Outside the Data: Colonial Biases and Systemic Issues in Automated Moderation Pipelines for Low-Resource Languages [13.011117871938561]
  AIによるモデレーションシステムは、Global Southで話されている低リソース言語と競合する。 調査の結果,データ不足に加えて,IT企業によるユーザデータの独占といった社会的政治的要因が,歴史的不平等を悪化させることが明らかとなった。 これらの制限は、単に「データ不足」によって引き起こされる技術的なギャップであるだけでなく、非西洋語の植民地的抑圧に根ざした構造的不平等を反映している、と我々は主張する。
  論文  参考訳（メタデータ） (2025-01-23T17:01:53Z)
• Bridging the Data Provenance Gap Across Text, Speech and Video [67.72097952282262]
  我々は、人気テキスト、音声、ビデオデータセットのモダリティにまたがって、最大かつ第1級の経時的監査を行う。 私たちの手動分析では、1990年から2024年の間に、608言語、798のソース、659の組織、67の国で4000近い公開データセットをカバーしています。 マルチモーダル機械学習アプリケーションは、トレーニングセットのために、YouTubeのようなWebcrawled、synthetic、ソーシャルメディアプラットフォームに圧倒的に移行した。
  論文  参考訳（メタデータ） (2024-12-19T01:30:19Z)
• LIMBA: An Open-Source Framework for the Preservation and Valorization of Low-Resource Languages using Generative Models [62.47865866398233]
  この白書は低リソース言語のための言語ツールを生成するためのフレームワークを提案する。 このような言語に対するインテリジェントな応用を妨げるデータ不足に対処することにより、言語多様性の促進に寄与する。
  論文  参考訳（メタデータ） (2024-11-20T16:59:41Z)
• SEACrowd: A Multilingual Multimodal Data Hub and Benchmark Suite for Southeast Asian Languages [64.10040374077994]
  SEACrowdは3つのモダリティにまたがる1000近い言語で標準化されたコーパスを統合する共同イニシアチブである。 私たちは、13のタスクにわたる36のネイティブ言語上のAIモデルの品質を評価し、SEAの現在のAI状況に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-14T15:23:39Z)
• Detection and Analysis of Offensive Online Content in Hausa Language [0.0]
  ハウサ語は、主に西アフリカで1億人以上の人々が話している主要なチャド語である。 私たちはハウサ語で最初の攻撃的用語のデータセットを作成しました。 我々の検出システムは攻撃性の70%以上を特定できたが、ベースラインモデルはしばしばその用語を誤訳した。
  論文  参考訳（メタデータ） (2023-11-17T14:08:44Z)
• NusaWrites: Constructing High-Quality Corpora for Underrepresented and Extremely Low-Resource Languages [54.808217147579036]
  インドネシアの地方言語について事例研究を行う。 データセット構築におけるオンラインスクラップ,人文翻訳,および母語話者による段落作成の有効性を比較した。 本研究は,母語話者による段落作成によって生成されたデータセットが,語彙的多様性と文化的内容の点で優れた品質を示すことを示す。
  論文  参考訳（メタデータ） (2023-09-19T14:42:33Z)
• No Language Left Behind: Scaling Human-Centered Machine Translation [69.28110770760506]
  低レベルの言語と高レベルの言語のパフォーマンスギャップを狭めるためのデータセットとモデルを作成します。 何千ものタスクをトレーニングしながらオーバーフィッティングに対処するために,複数のアーキテクチャとトレーニングの改善を提案する。 本モデルでは,従来の最先端技術と比較して,BLEUの44%の改善を実現している。
  論文  参考訳（メタデータ） (2022-07-11T07:33:36Z)
• DeepHateExplainer: Explainable Hate Speech Detection in Under-resourced Bengali Language [1.2246649738388389]
  ベンガル語からのヘイトスピーチ検出のための説明可能なアプローチを提案する。 我々のアプローチでは、ベンガルのテキストは、政治的、個人的、地政学的、宗教的憎悪に分類する前に、最初に包括的に前処理される。 機械学習(線形および木ベースのモデル)およびディープニューラルネットワーク(CNN、Bi-LSTM、Conv-LSTMなどの単語埋め込み)に対する評価は、それぞれ政治的、個人的、地政学的、宗教的憎悪に対して、F1スコアは84%、90%、88%、88%である。
  論文  参考訳（メタデータ） (2020-12-28T16:46:03Z)

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。