論文の概要: When Readability and Source Retention Diverge: An Evaluability Gap in AI Translation

• arxiv url: http://arxiv.org/abs/2608.19083v1
• Date: Wed, 19 Aug 2026 16:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.461879
• Title: When Readability and Source Retention Diverge: An Evaluability Gap in AI Translation
• Title（参考訳）: 可読性とソース保持の多様性:AI翻訳における評価可能性のギャップ
• Abstract要約: ソースが表示されても、全体的な品質判断は、アウトプットが保持するものを反映しない可能性がある。 ソーステキストの状態と出力のレンダリングが翻訳品質に与える影響について検討した。
• 参考スコア（独自算出の注目度）: 2.32162044058339
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Readable AI output can leave an evaluability gap: even when the source is shown, an overall-quality judgment may not reflect what an output preserves. We investigated how source-text condition and output rendering relate to perceived translation quality, and how output and system appraisals relate to trust and stated disclosure willingness in a plain-text interface. A focal 2 * 2 comparison (N=306) using TransLingo examined simple generated narratives and complex literary-philosophical prose alongside LLM-generated readability-oriented outputs and researcher-revised fidelity-oriented outputs. A descriptive stimulus audit indicated greater source retention in fidelity-oriented outputs in both source-text conditions. Factorial analyses showed a significant rendering-by-source-text-condition interaction in perceived quality. Participants rated fidelity-oriented outputs higher than readability-oriented outputs for the simple narratives, whereas no reliable rendering difference emerged for the complex prose. A corresponding source-condition-dependent pattern was observed for perceived intelligence, agency-oriented anthropomorphic attribution, and task-performance trust. A separate theory-ordered appraisal-structure SEM characterized concurrent associations among perceived quality, perceived intelligence, agency-oriented anthropomorphic attribution, task-performance trust, and stated disclosure willingness across six domains, with task-performance trust as the proximal correlate of stated willingness. The observed rating pattern distinguishes source access from source evaluability: for the complex stimuli, displaying the source did not ensure that one overall-quality rating reflected differences in retained content. It also separates support for evaluating translation output from data-handling support for decisions about what personal text to entrust to a system.
• Abstract（参考訳）: ソースが表示されても、全体的な品質判断は、アウトプットが保持するものを反映しない可能性がある。 筆者らは,原文条件と出力のレンダリングが,認識翻訳品質とどのように関係しているか,そして,出力とシステム評価が,平文インタフェースにおける信頼と開示意欲とどのように関係しているかを検討した。 TransLingoを用いた焦点2 * 2の比較(N=306)では,LLM生成の可読性指向の出力と研究者の修正された忠実性指向の出力とともに,単純な物語と複雑な文学哲学の散文を調べた。 記述的刺激監査では、両方のソーステキスト条件において、忠実度指向の出力がより高いソース保持率を示す。 要因分析では, 品質評価において, ソース・テキスト・コンディションの相互作用が顕著であった。 参加者は、単純な物語に対する可読性指向の出力よりも忠実性指向の出力を高く評価したが、複雑な散文に対する信頼性のあるレンダリングの違いは現れなかった。 インテリジェンス、エージェント指向の人為的帰属、タスクパフォーマンス信頼に対して、対応するソース条件に依存したパターンが観察された。 評価構造SEMは, 評価品質, 知覚知性, エージェント指向の人為的帰属, タスクパフォーマンス信頼, 6つの領域にまたがる開示意欲, タスクパフォーマンス信頼の相関関係を特徴とした。 解析された評価パターンは、ソースアクセスとソース評価を区別する: 複雑な刺激に対して、ソースを表示することは、全体的な品質評価が保持されたコンテンツの相違を反映することを保証しない。 また、システムに信頼する個人テキストに関する決定のためのデータ処理のサポートから、翻訳出力を評価するためのサポートを分離する。

関連論文リスト

• Faithful by Construction: Claim-Anchored Attribution for Multi-Document Summarization [1.1168121941015015]
  Claim-Anchored Multi-Docment Summarization framework (CAMS) Claim-Anchored Multi-Docment Summarization framework (CAMS)
  論文  参考訳（メタデータ） (2026-06-22T22:39:08Z)
• The Attribution Blind Spot: Detecting When Language Models Rely on Memory Rather Than Retrieved Context [22.202409807556517]
  帰属盲点に対処するために,計算現実モニタリングを導入する。 CRMは、認知科学の現実監視フレームワークから適応した原則を運用する。 プレトレーニングされた露光が測定可能な内部軌道シグネチャを残すかどうかを検出する。
  論文  参考訳（メタデータ） (2026-05-26T09:48:51Z)
• Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
  信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である 本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
  論文  参考訳（メタデータ） (2026-03-05T18:42:51Z)
• Can Unified Generation and Understanding Models Maintain Semantic Equivalence Across Different Output Modalities? [61.533560295383786]
  Unified Multimodal Large Language Models (U-MLLM) は、単一のアーキテクチャ内で理解と生成を統合する。 我々は,U-MLLMが画像のモダリティにおいて同じ結果をレンダリングするために必要な場合,意味的等価性を維持することができないことを観察する。 VGUBenchは、推論ロジックを生成の忠実性から切り離すためのフレームワークである。
  論文  参考訳（メタデータ） (2026-02-27T06:23:56Z)
• SMA: Who Said That? Auditing Membership Leakage in Semi-Black-box RAG Controlling [50.66950115630554]
  Retrieval-Augmented Generation(RAG)とそのMultimodal Retrieval-Augmented Generation(MRAG)は、大規模言語モデル(LLM)の知識カバレッジと文脈理解を著しく向上させる。 しかし、検索とマルチモーダル融合によるコンテンツの曖昧さは、既存のメンバーシップ推論手法を事前学習、外部検索、ユーザ入力に確実に属性付けできないようにし、プライバシー漏洩の説明責任を損なう。 本稿では,検索制御機能を備えた半ブラックボックス設定において,生成したコンテンツの微粒なソース属性を実現するための,SMA (Source-aware Membership Audit) を提案する。
  論文  参考訳（メタデータ） (2025-08-12T17:32:24Z)
• Do LLMs Understand Your Translations? Evaluating Paragraph-level MT with Question Answering [68.3400058037817]
  本稿では,TREQA(Translation Evaluation via Question-Answering)について紹介する。 我々は,TREQAが最先端のニューラルネットワークとLLMベースのメトリクスより優れていることを示し,代用段落レベルの翻訳をランク付けする。
  論文  参考訳（メタデータ） (2025-04-10T09:24:54Z)
• Localizing Factual Inconsistencies in Attributable Text Generation [74.11403803488643]
  本稿では,帰属可能なテキスト生成における事実の不整合をローカライズするための新しい形式であるQASemConsistencyを紹介する。 QASemConsistencyは、人間の判断とよく相関する事実整合性スコアを得られることを示す。
  論文  参考訳（メタデータ） (2024-10-09T22:53:48Z)
• TRACE: TRansformer-based Attribution using Contrastive Embeddings in LLMs [50.259001311894295]
  TRACE と呼ばれるコントラスト埋め込みを用いた新しいTRansformer-based Attribution フレームワークを提案する。 TRACEは情報源の属性を精度良く改善し,大規模言語モデルの信頼性と信頼性を高める貴重なツールであることを示す。
  論文  参考訳（メタデータ） (2024-07-06T07:19:30Z)
• CIF-based Collaborative Decoding for End-to-end Contextual Speech Recognition [14.815422751109061]
  コンテキストバイアスをより制御可能な方法でサポートするCIF(Continuous Integration-and-fire)ベースのモデルを提案する。 追加のコンテキスト処理ネットワークを導入し、コンテキスト埋め込みを抽出し、音響的に関連するコンテキスト情報を統合し、コンテキスト出力分布をデコードする。 提案手法は, 強ベースラインと比較して, 相対的文字誤り率 (CER) の8.83%/21.13%, 相対的名前付きエンティティ文字誤り率 (NE-CER) の40.14%/51.50%削減を実現する。
  論文  参考訳（メタデータ） (2020-12-17T09:40:11Z)

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。