論文の概要: Feedback as an Interface: Controlling Form and Detail in LLM Translation Refinement

• arxiv url: http://arxiv.org/abs/2610.15661v1
• Date: Sun, 11 Oct 2026 14:39:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 17:19:22.150039
• Title: Feedback as an Interface: Controlling Form and Detail in LLM Translation Refinement
• Title（参考訳）: インタフェースとしてのフィードバック:LLM翻訳における形態と詳細制御
• Abstract要約: 低負荷フィードバックは、xCOMETの42方向設定すべてにおいて、高負荷フィードバックよりも優れています。 no-feedback第2パスは元の翻訳よりも若干改善され、直接評価器は別の書き換えステージなしでローロード優位性を再現する。
• 参考スコア（独自算出の注目度）: 43.477437805695594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feedback presentation shapes how LLMs use evaluator judgments during translation refinement. We introduce a machine translation protocol that keeps the evaluator score, main issue, and recommendation fixed while varying feedback form and supporting detail. Across seven models and six translation directions, low-load feedback outperforms high-load feedback in all 42 translator-direction settings under xCOMET. On the 29,400-record rewriting subset, mean xCOMET scores multiplied by 100 are 83.30 for low-load feedback and 80.67 for high-load feedback; the full-matrix original-translation reference mean is 83.46. MetricX-24 supports the low-load advantage on a stratified subset. A no-feedback second pass yields a small improvement over the original translations, and direct evaluator prompting reproduces the low-load advantage without a separate rewriting stage. These results show that compact feedback limits the quality loss from evaluator-guided refinement in the evaluated high-resource MT settings.
• Abstract（参考訳）: フィードバック提示は、LLMが翻訳精算中に評価器の判断をどのように利用するかを示す。 本稿では,評価器のスコア,主問題,レコメンデーションを,フィードバック形式の変更や詳細のサポートとともに保持する機械翻訳プロトコルを提案する。 7つのモデルと6つの変換方向において、低負荷フィードバックは、xCOMETの下で42のトランスレータ指向設定すべてにおいて、高負荷フィードバックよりも優れる。 29,400レコードの書き換えサブセットでは、100倍のxCOMETスコアは、低負荷フィードバックは83.30、高負荷フィードバックは80.67であり、完全行列の原翻訳基準平均は83.46である。 MetricX-24は、階層化されたサブセット上で低負荷のアドバンテージをサポートする。 no-feedback第2パスは元の翻訳よりも若干改善され、直接評価器は別の書き換えステージなしでローロード優位性を再現する。 これらの結果から,評価された高出力MT設定における評価器誘導改善による品質損失が,コンパクトなフィードバックによって制限されることが示唆された。

関連論文リスト

• Beyond Score Prediction: LLM-Based Essay Scoring and Feedback Generation via Reinforcement Learning with Rubric Rewards [6.002323709229882]
  大規模言語モデル(LLM)は、自動エッセイスコア(AES)と自動フィードバック生成(AFG)に広く応用されている。 RLによるエッセイ評価とフィードバック生成を協調的に最適化する統一LLMフレームワークであるRLAESを提案する。 フィードバック品質を計測し、解釈し、トレーニングに役立てるために、RLに基づくフィードバック評価(RFE)を導入する。
  論文  参考訳（メタデータ） (2026-07-21T15:49:02Z)
• Remedy-R: Generative Reasoning for Machine Translation Evaluation without Error Annotations [15.705486646203385]
  Remedy-Rは、ペアの翻訳嗜好から強化学習を訓練した推論駆動MT測度である。 Remedy-Rは、精度、流速、完全性のステップバイステップ分析を生成し、次いで最終的なスコアを出力する。 本稿では、Remedy-Rの評価分析を利用して翻訳を洗練するシンプルな評価修正パイプラインであるRemedy-R Agentを紹介する。
  論文  参考訳（メタデータ） (2025-12-21T22:37:38Z)
• Dean of LLM Tutors: Exploring Comprehensive and Automated Evaluation of LLM-generated Educational Feedback via LLM Feedback Evaluators [5.838566576554449]
  LLM フィードバック評価器を用いて,LLM チュータが生成したフィードバックを自動的に,包括的に評価する手法を提案する。 これにより、低品質なフィードバックを拒否することができ、LLMチューターが評価結果に基づいて生成されたフィードバックを改善することができる。 その結果,o3-proはフィードバックのゼロショットラベリングにおいて最高の性能を示し,o4-miniは数ショットラベリングにおいて最高の性能を示した。
  論文  参考訳（メタデータ） (2025-08-08T02:36:23Z)
• Support Evaluation for the TREC 2024 RAG Track: Comparing Human versus LLM Judges [53.12387628636912]
  RAG評価において重要な要素は、引用された文書の情報が回答をサポートするかどうかである。 TREC 2024 RAG Trackの36項目について,45件の参加者を大規模に比較検討した。 以上の結果から,手動によるオフスクラッチ評価の56%では,ヒトとGPT-4oの予測が完全に一致していることが示唆された。
  論文  参考訳（メタデータ） (2025-04-21T16:20:43Z)
• Remedy: Learning Machine Translation Evaluation from Human Preferences with Reward Modeling [4.548755617115687]
  本稿では、報酬モデリングタスクとして翻訳評価を再構成する新しいMTメトリックフレームワークであるReMedyを提案する。 ReMedyは、不完全な人間のレーティングを直接回帰するのではなく、ペアの好みデータを使って相対的な翻訳品質を学習する。 WMT22-24共有タスクの広範な実験において、ReMedyはセグメントレベルの評価とシステムレベルの評価の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-04-18T11:11:14Z)
• MQM-APE: Toward High-Quality Error Annotation Predictors with Automatic Post-Editing in LLM Translation Evaluators [53.91199933655421]
  大規模言語モデル(LLM)は、機械翻訳(MT)の品質評価の裁判官として大きな可能性を秘めている。 非インパクト的なエラーをフィルタリングするアイデアに基づいて、ユニバーサルでトレーニング不要なフレームワークである$textbfMQM-APEを紹介します。 実験の結果,GEMBA-MQMに対する誤差の信頼性と品質の両方が一貫して改善されていることがわかった。
  論文  参考訳（メタデータ） (2024-09-22T06:43:40Z)
• Strategies for improving low resource speech to text translation relying on pre-trained ASR models [59.90106959717875]
  本稿では,テキスト翻訳(ST)における低音源音声の性能向上のための技術と知見について述べる。 本研究は,英語とポルトガル語,タマシェク語とフランス語の2つの言語対について,シミュレーションおよび実低資源設定について実験を行った。
  論文  参考訳（メタデータ） (2023-05-31T21:58:07Z)
• Error Analysis Prompting Enables Human-Like Translation Evaluation in Large Language Models [57.80514758695275]
  機械翻訳(MT)の品質を評価するために,大規模言語モデル(LLM)を用いることで,システムレベルでの最先端のパフォーマンスを実現する。 我々はtextbftexttError Analysis Prompting (EAPrompt) と呼ばれる新しいプロンプト手法を提案する。 本手法は,多次元品質指標 (MQM) とtextitproduces を用いて,システムレベルとセグメントレベルの両方で説明可能かつ信頼性の高いMT評価を行う。
  論文  参考訳（メタデータ） (2023-03-24T05:05:03Z)
• Rethinking Round-Trip Translation for Machine Translation Evaluation [44.83568796515321]
  ラウンドトリップ翻訳が参照なしで自動評価に利用できるという驚くべき発見を報告する。 ラウンドトリップ翻訳が複数の機械翻訳評価タスクに有用であることを示す。
  論文  参考訳（メタデータ） (2022-09-15T15:06:20Z)

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。