論文の概要: Document-Level Text Simplification in Estonian Using Large Language Models

• arxiv url: http://arxiv.org/abs/2610.10378v1
• Date: Wed, 07 Oct 2026 16:38:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.052332
• Title: Document-Level Text Simplification in Estonian Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたエストニア語における文書レベルテキストの簡易化
• Abstract要約: 本研究は,エストニア語における文書レベルの単純化のための5つの最先端多言語大言語モデル (LLM) の包括的評価を行う。 シングルパス生成、パイプラインベースのモジュールエージェント、ガイドライン拡張パイプラインの3つのプロンプト戦略が検討されている。 その結果, Gemini-2.0 と LLaMA-3.3 は, ほぼネイティブな流布と強い意味保存の出力が得られ, その他のモデルでは文法的, 意味的制約が顕著であった。
• 参考スコア（独自算出の注目度）: 0.552480439325792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Document-level text simplification involves transformations that go beyond sentence-internal edits, addressing discourse coherence, anaphora resolution, and cross-paragraph consistency. Despite advances in sentence-level simplification for high-resource languages, document-level simplification in morphologically rich, low-resource languages such as Estonian remains largely unexplored. This study presents a comprehensive evaluation of five state-of-the-art multilingual large language models (LLMs) for document-level simplification in Estonian. Three prompting strategies are examined: single-pass generation, pipeline-based modular agents, and guideline-augmented pipelines. The evaluation framework integrates automatic metrics assessing readability, semantic preservation, and discourse coherence, alongside a structured manual annotation protocol. The findings indicate that Gemini-2.0 and LLaMA-3.3 produce outputs with near-native fluency and strong meaning preservation, whereas other models display notable grammatical and semantic limitations. This work contributes novel document-level coherence metrics, evidence-based prompting strategies, and publicly available resources for reproducibility.
• Abstract（参考訳）: 文書レベルのテキストの単純化には、文内編集以上の変換、談話のコヒーレンス、アナフォラ分解能、パラグラフ間の一貫性などが含まれる。 高リソース言語に対する文レベルの単純化の進歩にもかかわらず、モルフォロジーに富むエストニア語のような低リソース言語における文書レベルの単純化はほとんど未解明のままである。 本研究は,エストニア語における文書レベルの単純化のための5つの最先端多言語大言語モデル (LLM) の包括的評価を行う。 シングルパス生成、パイプラインベースのモジュールエージェント、ガイドライン拡張パイプラインの3つのプロンプト戦略が検討されている。 評価フレームワークは、構造化された手動アノテーションプロトコルとともに、可読性、意味保存、談話コヒーレンスを評価する自動メトリクスを統合する。 その結果, Gemini-2.0 と LLaMA-3.3 は, ほぼネイティブな流布と強い意味保存の出力が得られ, その他のモデルでは文法的, 意味的制約が顕著であった。 この研究は、新しいドキュメントレベルのコヒーレンスメトリクス、エビデンスベースのプロンプト戦略、再現性のための公開リソースに貢献する。

関連論文リスト

• Right at My Level: A Unified Multilingual Framework for Proficiency-Aware Text Simplification [21.371851241567626]
  既存の言語モデル(LLM)ベースの可読性制御手法は、事前にラベル付けされた文のコーパスに依存し、主に英語をターゲットにしている。 並列コーパス管理を伴わない適応多言語テキスト簡略化のための統合強化学習フレームワークであるRe-RIGHTを提案する。
  論文  参考訳（メタデータ） (2026-04-07T01:15:27Z)
• BiST: A Gold Standard Bangla-English Bilingual Corpus for Sentence Structure and Tense Classification with Inter-Annotator Agreement [0.17398560678845076]
  BiSTは文レベルの文法分類のための厳格に硬化したバングラ英語コーパスである。 コーパスは、オープンライセンスの百科事典ソースと自然に書かれた会話テキストからコンパイルされる。 BiSTは、制御されたテキスト生成、自動フィードバック生成、言語間表現学習を含む文法モデリングタスクをサポートする。
  論文  参考訳（メタデータ） (2026-04-06T14:22:46Z)
• Using Multimodal and Language-Agnostic Sentence Embeddings for Abstractive Summarization [10.892363692521222]
  抽象的な要約は、新しい文を作成することによって簡潔な要約を生成することを目的としており、柔軟な言い換えが可能である。 このアプローチは不正確さ、特にモデルが存在しない情報を導入する幻覚に対して脆弱である可能性がある。 我々は、LaBSE、SONAR、BGE-M3といった事前訓練されたモデルから派生した多モーダルおよび多言語文の埋め込みを利用し、それらを修正されたBARTベースのフランス語モデルに供給する。 デコーダ入力にトークン化された名前付きエンティティを付加する名前付きエンティティ注入機構を導入し、生成された要約の実際の一貫性を改善する。
  論文  参考訳（メタデータ） (2026-03-09T11:55:32Z)
• Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering [51.7493726399073]
  本稿では,長文質問応答を改善するための対話型階層型フレームワークを提案する。 このフレームワークには3つの重要な革新がある: 長文の専門的な談話解析、LLMに基づく談話関係ノードの拡張、構造誘導階層検索である。
  論文  参考訳（メタデータ） (2025-05-26T14:45:12Z)
• A Multi-level Supervised Contrastive Learning Framework for Low-Resource Natural Language Inference [54.678516076366506]
  自然言語推論(NLI)は、自然言語理解において、ますます重要な課題である。 本稿では,低リソースな自然言語推論のためのマルチSCLという,マルチレベルの教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-31T05:54:18Z)
• SMDT: Selective Memory-Augmented Neural Document Translation [53.4627288890316]
  本稿では,文脈の広い仮説空間を含む文書を扱うために,選択的メモリ拡張型ニューラル文書翻訳モデルを提案する。 トレーニングコーパスから類似のバイリンガル文ペアを抽出し,グローバルな文脈を拡大する。 ローカルなコンテキストと多様なグローバルなコンテキストをキャプチャする選択的なメカニズムで、2ストリームのアテンションモデルを拡張する。
  論文  参考訳（メタデータ） (2022-01-05T14:23:30Z)
• SLM: Learning a Discourse Language Representation with Sentence Unshuffling [53.42814722621715]
  談話言語表現を学習するための新しい事前学習目的である文レベル言語モデリングを導入する。 本モデルでは,この特徴により,従来のBERTの性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-10-30T13:33:41Z)
• Document-level Neural Machine Translation with Document Embeddings [82.4684444847092]
  この研究は、複数の形式の文書埋め込みの観点から、詳細な文書レベルのコンテキストを活用することに重点を置いている。 提案する文書認識NMTは,大域的および局所的な文書レベルの手がかりをソース端に導入することにより,Transformerベースラインを強化するために実装されている。
  論文  参考訳（メタデータ） (2020-09-16T19:43:29Z)
• Towards Making the Most of Context in Neural Machine Translation [112.9845226123306]
  我々は、これまでの研究がグローバルな文脈をはっきりと利用しなかったと論じている。 本研究では,各文の局所的文脈を意図的にモデル化する文書レベルNMTフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T03:30:00Z)

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。