論文の概要: How Useful are LLMs for Grammar Engineering? Cantonese ParGram Resources and Controlled Experimental Evaluation with English Baselines

• arxiv url: http://arxiv.org/abs/2608.23448v1
• Date: Mon, 24 Aug 2026 16:21:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.195096
• Title: How Useful are LLMs for Grammar Engineering? Cantonese ParGram Resources and Controlled Experimental Evaluation with English Baselines
• Title（参考訳）: LLMは文法工学にどの程度有用か? : カントンパーグラム資源と英語ベースラインによる実験的評価
• Abstract要約: 本稿では,知識駆動型文法工学において,新しいカントンパーグラム資源を提案し,LLMを評価した。 OpenAI の対応について検討する。 gpt-oss-120b と GPT-5.4 は機械処理可能な文法を生成することができる。 文の下の形式的な構造を 狙ったものです 組織的に異なるプロンプト条件です
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents new Cantonese ParGram resources and evaluates LLMs for knowledge-driven grammar engineering within a controlled experimental paradigm. Using Cantonese ParGram resources as gold standards, with corresponding English baselines, we investigate whether OpenAI's gpt-oss-120b and GPT-5.4 can generate machine-processable grammars from sentences and target formal structures under systematically varied prompting conditions. GPT-5.4 outperformed gpt-oss-120b, while grammars generated from target formal structures generally outperformed those generated from sentences. Although both models could generate locally plausible phrase-structure rules, lexical entries, and templates, they often struggled to coordinate interacting formal constraints, especially in multi-construction settings. The results characterize both the capabilities and limitations of current LLMs for potential integration into AI-assisted expert workflows: LLMs may support intermediate stages of grammar development, but human linguistic expertise remains central to analysis, validation, and refinement. The study also contributes new Cantonese symbolic grammatical resources.
• Abstract（参考訳）: 本稿では, 知識駆動型文法工学のためのLLMを, 制御された実験パラダイム内で評価する。 本研究は,OpenAI の gpt-oss-120b と GPT-5.4 が,文から機械処理可能な文法を生成できるかどうかを,体系的に変化するプロンプト条件下で,Candonese ParGram の資源をゴールド標準として利用して検討する。 GPT-5.4はgpt-oss-120bより優れ、一方、ターゲットの形式構造から生成された文法は文から生成された文法よりも優れていた。 どちらのモデルも、局所的に妥当なフレーズ構造規則、語彙エントリ、テンプレートを生成することができたが、特にマルチコンストラクション設定において、相互作用する形式的制約の調整に苦慮した。 LLMは文法発達の中間段階をサポートするが、人間の言語学の専門知識は分析、検証、洗練の中心のままである。 この研究は、新しいカントン記号文法資源にも貢献している。

関連論文リスト

• Grammar Engineering Meets LLMs: Development of Cantonese and Irish ParGram Treebanks [0.9310318514564272]
  本稿では,ParGram(ParGram)プロジェクトにおけるカントンとアイルランドのツリーバンクの開発について述べる。 また、文法工学を支援するために多言語LLMを使うことの可能性と限界についても検討する。
  論文  参考訳（メタデータ） (2026-08-07T14:44:19Z)
• Reasoning over Grammar: Can Synthetic Linguistic Reasoning Traces Enhance Low-Resource Machine Translation? [49.7935995447581]
  我々は,低リソース機械翻訳が言語解析と文法推論の中間段階の構造化の恩恵を受けるか検討する。 本稿では,Universal Dependencies Treebank,Dictionary,Gram-rule Bankから,ステップバイステップの言語推論トレースを自動的に生成するパイプラインを提案する。 その結果,言語的推論の痕跡は推論時ガイダンスとして最も有効であることが示唆された。
  論文  参考訳（メタデータ） (2026-06-02T15:36:12Z)
• Exploiting the English Grammar Profile for L2 grammatical analysis with LLMs [3.027026792589421]
  英語文法プロファイル(英語: English Grammar Profile, EGP)は、共通ヨーロッパ参照フレームワーク(CEFR)の習熟度にマッピングされた文法構成の分類法である。 本稿では,EGPを利用して学習者の文法的構成を検知し,それを成功あるいは失敗と分類する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-17T22:06:00Z)
• LingGym: How Far Are LLMs from Thinking Like Field Linguists? [20.482844306874743]
  本稿ではLingGymについて紹介する。LingGymはメタ言語推論のためのLLMの能力を評価する新しいベンチマークである。 制御された評価タスク:Word-Gloss Inferenceでは、モデルが文脈から欠落した単語と光沢を推測しなければならない。 その結果,構造化言語的手がかりを取り入れることで,全てのモデルにおける推論性能が一貫した改善が得られた。
  論文  参考訳（メタデータ） (2025-11-01T00:59:13Z)
• Read it in Two Steps: Translating Extremely Low-Resource Languages with Code-Augmented Grammar Books [30.608065466078227]
  本稿では,文法規則検索と適用という2つの重要なステップに分解することで,極めて低リソースな言語を翻訳する上での文法書の役割について検討する。 実験の結果,コードルールの使用はルール検索と適用の両方を大幅に促進し,最終的に13.1%のBLEU翻訳の改善が得られた。
  論文  参考訳（メタデータ） (2025-06-02T15:36:37Z)
• How Proficient Are Large Language Models in Formal Languages? An In-Depth Insight for Knowledge Base Question Answering [52.86931192259096]
  知識ベース質問回答(KBQA)は,知識ベースにおける事実に基づいた自然言語質問への回答を目的としている。 最近の研究は、論理形式生成のための大規模言語モデル(LLM)の機能を活用して性能を向上させる。
  論文  参考訳（メタデータ） (2024-01-11T09:27:50Z)
• Native Language Identification with Large Language Models [60.80452362519818]
  我々はGPTモデルがNLI分類に熟練していることを示し、GPT-4は0ショット設定でベンチマーク11テストセットで91.7%の新たなパフォーマンス記録を樹立した。 また、従来の完全教師付き設定とは異なり、LLMは既知のクラスに制限されずにNLIを実行できることを示す。
  論文  参考訳（メタデータ） (2023-12-13T00:52:15Z)
• Democratizing LLMs for Low-Resource Languages by Leveraging their English Dominant Abilities with Linguistically-Diverse Prompts [75.33019401706188]
  大規模言語モデル(LLM)は、少数の例を単純に観察することで、効果的にタスクを実行することが知られている。 我々は,LLMが任意の言語から英語に翻訳するよう促すために,多種多様な高ソース言語から合成例を組み立てることを提案する。 我々の教師なしプロンプト法は、英語と13のIndic言語と21のアフリカ低リソース言語間の翻訳において、異なる大きさのLLMにおける教師付き少ショット学習と同等に機能する。
  論文  参考訳（メタデータ） (2023-06-20T08:27:47Z)
• Grammar Prompting for Domain-Specific Language Generation with Large Language Models [40.831045850285776]
  大規模言語モデル(LLM)は、コンテキスト内サンプルのごく一部から、幅広い自然言語タスクを実行することを学べる。 本稿では,LLMが外部知識やドメイン固有の制約を利用できるための簡単な手法であるEmphgrammar promptingを提案する。
  論文  参考訳（メタデータ） (2023-05-30T17:26:01Z)
• Document-Level Machine Translation with Large Language Models [91.03359121149595]
  大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクに対して、一貫性、凝集性、関連性、流動性のある回答を生成することができる。 本稿では,LLMの談話モデルにおける能力について詳細に評価する。
  論文  参考訳（メタデータ） (2023-04-05T03:49:06Z)
• Prompting Language Models for Linguistic Structure [73.11488464916668]
  本稿では,言語構造予測タスクに対する構造化プロンプト手法を提案する。 提案手法は, 音声タグ付け, 名前付きエンティティ認識, 文チャンキングについて評価する。 PLMはタスクラベルの事前知識を事前学習コーパスに漏えいすることで有意な事前知識を含むが、構造化プロンプトは任意のラベルで言語構造を復元することも可能である。
  論文  参考訳（メタデータ） (2022-11-15T01:13:39Z)

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。