論文の概要: BaatCheet: A Multilingual Corpus for Dialogue Translation in Indian Languages

• arxiv url: http://arxiv.org/abs/2609.33296v1
• Date: Sun, 27 Sep 2026 07:00:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 01:22:27.110078
• Title: BaatCheet: A Multilingual Corpus for Dialogue Translation in Indian Languages
• Title（参考訳）: BaatCheet: インド語の対話翻訳のための多言語コーパス
• Abstract要約: 約49,000の対話を含む多言語対話コーパスであるBaatCheetを紹介する。 我々は、7つのトレーニングデータ構成にまたがる5つのオープンソースのLCMを微調整し、微調整によってゼロと数ショットのベースラインよりもかなりの利得が得られることを発見した。 対話翻訳の品質を総合的に評価するために,SQM誘導型ダイレクトアセスメントプロトコルを用いて,自動メトリクス,LCM-as-judge,人的アセスメントなどの複数の評価戦略を採用する。
• 参考スコア（独自算出の注目度）: 2.7517356857538786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing translation models are typically trained on sentence-level and formal text, limiting their ability to capture everyday conversational dialogue phenomena such as informality, speaker interaction, and discourse coherence. Most existing Indic translation resources and evaluation benchmarks focus on sentence-level or formal text, making it difficult to assess translation quality of the dialogue phenomena. In this work, we introduce BaatCheet, a multilingual dialogue corpus named after the Hindi term for conversation or chitchat, containing approximately 49,000 dialogues for dialogue translation across five translation directions. We fine-tune five open-source LLMs across seven training data configurations and find that fine-tuning yields substantial gains over zero- and few-shot baselines. To comprehensively evaluate dialogue translation quality, we employ multiple evaluation strategies, including automatic metrics, LLM-as-judge, and human assessments using an SQM-guided Direct Assessment (DA) Protocol.
• Abstract（参考訳）: 既存の翻訳モデルは、通常、文のレベルと形式的なテキストに基づいて訓練され、非公式性、話者の相互作用、会話のコヒーレンスといった日常的な会話の対話現象を捉える能力を制限する。 既存のIndic翻訳リソースや評価ベンチマークは文レベルや形式テキストに重点を置いており、対話現象の翻訳品質を評価することは困難である。 本研究では,5つの翻訳方向の対話文を約49,000の対話文を含む多言語対話コーパスであるBaatCheetを紹介する。 我々は、7つのトレーニングデータ構成にまたがる5つのオープンソースのLCMを微調整し、微調整によってゼロと数ショットのベースラインよりもかなりの利得が得られることを発見した。 対話翻訳の品質を総合的に評価するために,SQM誘導ダイレクトアセスメント(DA)プロトコルを用いた自動計測,LLM-as-judge,人的アセスメントなど,複数の評価戦略を採用している。

関連論文リスト

• PingPong: A Natural Benchmark for Multi-Turn Code-Switching Dialogues [24.961043564920672]
  PingPongは、自然なマルチパーティのコードスイッチング対話のためのベンチマークである。 私たちのデータは、マシン生成の代替手段よりも、はるかに自然で構造的に多様です。
  論文  参考訳（メタデータ） (2026-01-24T03:31:08Z)
• Can LLMs Understand the Implication of Emphasized Sentences in Dialogue? [64.72966061510375]
  強調は人間のコミュニケーションにおいて重要な要素であり、対話における純粋テキストを超えて話者の意図と含意を示す。 本稿では,強調の意味を抽出した強調注釈付き対話サンプルを用いたベンチマークであるEmphasized-Talkを紹介する。 オープンソースと商用の両方で様々な大規模言語モデル(LLM)を評価し,その性能を重要視して評価する。
  論文  参考訳（メタデータ） (2024-06-16T20:41:44Z)
• BotChat: Evaluating LLMs' Capabilities of Having Multi-Turn Dialogues [72.65163468440434]
  本報告では,人間型マルチターンチャットのための既存大規模言語モデルの予備的評価を行う。 そこで我々は,ChatSEEDに基づくマルチターン対話を発話によって生成する大規模言語モデル(LLM)を提案する。 GPT-4は優れた品質の人型多元対話を生成できるが、その性能は著しく上回っている。
  論文  参考訳（メタデータ） (2023-10-20T16:53:51Z)
• xDial-Eval: A Multilingual Open-Domain Dialogue Evaluation Benchmark [39.81588409521846]
  我々は,オープンソースの英語対話評価データセット上に構築されたxDial-Evalを紹介する。 xDial-Evalには12のターンレベルと6のダイアログレベルの英語データセットが含まれており、それぞれ14930のアノテート・ターンと8691のアノテート・ダイアログで構成されている。 xDial-Evalでは、従来のBERTベースのメトリクスと最近導入された大規模言語モデルの包括的な分析を行う。
  論文  参考訳（メタデータ） (2023-10-13T09:07:13Z)
• Simple LLM Prompting is State-of-the-Art for Robust and Multilingual Dialogue Evaluation [7.767020408405403]
  本稿では,既存の評価モデルの強みを生かして,大規模言語モデル(LLM)の促進という新たなパラダイムを提案する。 実験により,本フレームワークは,いくつかのベンチマークにおいて,平均スピアマン相関スコアを用いて,技術結果の状態を達成していることを示す。
  論文  参考訳（メタデータ） (2023-08-31T15:19:28Z)
• Cue-CoT: Chain-of-thought Prompting for Responding to In-depth Dialogue Questions with LLMs [59.74002011562726]
  我々は、よりパーソナライズされ魅力的な応答を提供するために、新しい言語的キューに基づく思考の連鎖(textitCue-CoT)を提案する。 中国語と英語の6つのデータセットからなる詳細な対話質問を用いたベンチマークを構築した。 実験により,提案手法は,すべてのデータセットにおいて,テクステルパーフルネスとテクスチタアクセプタビリティの両方の観点から,標準的プロンプト法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-19T16:27:43Z)
• "How Robust r u?": Evaluating Task-Oriented Dialogue Systems on Spoken Conversations [87.95711406978157]
  本研究は、音声タスク指向会話における新しいベンチマークを示す。 マルチドメイン対話状態追跡と知識基底型対話モデルについて検討する。 我々のデータセットは,タスク指向対話システムの音声によるベンチマークを可能にする。
  論文  参考訳（メタデータ） (2021-09-28T04:51:04Z)
• Auto Correcting in the Process of Translation -- Multi-task Learning Improves Dialogue Machine Translation [31.247920419523066]
  対話コーパスを深く分析し,対話翻訳における3つの主要な課題を要約する。 本稿では,欠落と型を識別し,文脈を利用して対話発話を翻訳する共同学習手法を提案する。 提案手法は,ベースライン上での3.2BLEUの翻訳品質を向上することを示す。
  論文  参考訳（メタデータ） (2021-03-30T09:12:47Z)
• Rethinking Dialogue State Tracking with Reasoning [76.0991910623001]
  本稿では, 対話状態の段階的追跡を, バックエンドデータの助けを借りて行うことを提案する。 実験の結果,MultiWOZ 2.1の連立信条精度は38.6%向上した。
  論文  参考訳（メタデータ） (2020-05-27T02:05:33Z)

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。