論文の概要: Towards English - Mizo Legal Machine Translation: Corpus Creation, Analysis, and Benchmarks
- arxiv url: http://arxiv.org/abs/2610.29943v1
- Date: Wed, 21 Oct 2026 16:11:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.401938
- Title: Towards English - Mizo Legal Machine Translation: Corpus Creation, Analysis, and Benchmarks
- Title（参考訳）: Mizo Legal Machine Translation: Corpus Creation, Analysis, and Benchmarks
- Abstract要約: このデータセットは、インドの裁判所判決の、最初の英語のMizo並列データセットである。
ガウハティ高等裁判所とインド最高裁判所から13,168対の判決が下されている。
- 参考スコア（独自算出の注目度）: 6.422262171968398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Indian court proceedings are held in English, so speakers of languages with limited translation technology have limited access to them. We present the first English Mizo parallel dataset of Indian court judgments. It contains 13,168 sentence pairs from the Gauhati High Court and the Supreme Court of India. Professional native Mizo translators translated complete documents; sentence pairs were manually aligned, and two independent reviewers checked the results. Our study finds that English words are borrowed in a very selective way: official and legal terms are almost always kept in English, but words for everyday things like actions, situations, and results are usually expressed in native Mizo. Mizo diacritics are also used inconsistently across the corpus. When we fine tune the NLLB 200 1.3B model on our training data, it scores 27.47 BLEU on a balanced legal test set of 1,000 sentence pairs, an improvement of 7.16 BLEU over the base model. However, it still uses English words about three times more often than a human translator does.
- Abstract（参考訳）: インドの裁判所手続きは英語で行われており、翻訳技術に制限のある言語話者はそれらへのアクセスに制限がある。
インド裁判所判決における最初の英語Mizo並列データセットを提示する。
ガウハティ高等裁判所とインド最高裁判所から13,168対の判決が下されている。
プロのミゾ語訳者が完全な文書を翻訳し、文対を手作業で調整し、2人の独立したレビュアーが結果を確認した。
公用語と法用語はほとんど常に英語で書かれていますが、行動、状況、結果などの日常的な言葉は通常、ミゾ語で表現されます。
味噌のダイアクティクスもコーパス全体で不整合に使用される。
NLLB 200 1.3Bモデルをトレーニングデータに微調整すると、1000の文対のバランスの取れた法定テストセットで27.47BLEUをスコアし、ベースモデルよりも7.16BLEUを改善する。
しかし、人間の翻訳者の約3倍の頻度で英語を使う。
関連論文リスト
- Statistical Machine Translation Systems of English-Pnar Language Pair : Some Insights of the Emperical Study [7.0625416160480405]
メガラヤのジャイティアヒルズで約0.4百万人が話していたオーストリア語であるPnarは、デジタルコーパスと自然言語処理(NLP)の資源を欠いている。
本稿では,英語とPnar言語対に対する最初の機械翻訳研究について述べる。
論文 参考訳（メタデータ） (2026-08-24T11:29:53Z) - Skywork: A More Open Bilingual Foundation Model [55.927396986873816]
英語と中国語の両方のテキストから引き出された3.2兆以上のトークンのコーパスをトレーニングした,大規模言語モデル(LLM)のファミリーであるSkywork-13Bを紹介する。
我々のモデルは,一般的なベンチマークに優れるだけでなく,さまざまなドメインにおける中国語のモデリングにおける芸術的パフォーマンスの即興性も達成できることを示す。
論文 参考訳（メタデータ） (2023-10-30T08:31:47Z) - MILDSum: A Novel Benchmark Dataset for Multilingual Summarization of
Indian Legal Case Judgments [6.522489660886997]
公正な司法アクセスを確保するために、インドの言語で法律文書を要約することが不可欠である。
本研究は,ヒンディー語における英語法典の言語間要約に向けた先駆的な取り組みを示す。
我々は、英語とヒンディー語の両方の要約とともに、英語の著名なインド人裁判所から3,122件の判例判決からなる、最初の高品質な法定コーパスを構築した。
論文 参考訳（メタデータ） (2023-10-28T05:51:57Z) - MILPaC: A Novel Benchmark for Evaluating Translation of Legal Text to Indian Languages [2.637888993810577]
我々は、英語と9つのインド語で整列したテキスト単位を含む、最初の高品質な法定並列コーパスを構築した。
また、このコーパス上での多種多様な機械翻訳(MT)システムの性能をベンチマークする。
論文 参考訳（メタデータ） (2023-10-15T07:49:56Z) - A Corpus for Sentence-level Subjectivity Detection on English News Articles [49.49218203204942]
我々はこのガイドラインを用いて、議論を呼んだ話題に関する英ニュース記事から抽出した638の目的語と411の主観的な文からなるNewsSD-ENGを収集する。
我々のコーパスは、語彙や機械翻訳といった言語固有のツールに頼ることなく、英語で主観的検出を行う方法を舗装している。
論文 参考訳（メタデータ） (2023-05-29T11:54:50Z) - Translating Hanja Historical Documents to Contemporary Korean and
English [52.625998002213585]
李氏朝鮮のアナルスには、朝鮮の近代国家に先立つ500年の王国である李氏朝鮮の日記がある。
アナル文字はもともとは古代朝鮮の文体「ハンジャ」で書かれ、1968年から1993年にかけて朝鮮語に翻訳された。
以後、10年間に1人の王の記録が完成した。
本稿では,ハンハの歴史的文書を韓国語や英語に翻訳するニューラルネットワーク翻訳モデルH2KEを提案する。
論文 参考訳（メタデータ） (2022-05-20T08:25:11Z) - Not Low-Resource Anymore: Aligner Ensembling, Batch Filtering, and New
Datasets for Bengali-English Machine Translation [6.2418269277908065]
ベンガル語は世界で7番目に広く話されている言語であるにもかかわらず、資源不足のため機械翻訳文学にはあまり注目されていない。
我々はBengali用にカスタマイズされた文セグメンタを構築し、低リソース環境における並列コーパス生成のための2つの新しい手法を提案する。
セグメンタと2つの手法を組み合わせることで、275万文対からなる高品質なベンガル英語並列コーパスをコンパイルする。
論文 参考訳（メタデータ） (2020-09-20T06:06:27Z) - Central Yup'ik and Machine Translation of Low-Resource Polysynthetic
Languages [42.3635848780518]
ユプシク語(Yup'ik language)は、主にアラスカ南西部に住む約8,000人の人々によって話される合成言語である。
我々は、Yup'ikと英語の並列テキストコーパスをコンパイルし、文法規則に基づくYup'ikのモルフォロジーを開発した。
我々は、Yup'ik入力を英語に翻訳するために、注意を向けてSeq2seqニューラルマシン翻訳モデルを訓練した。
論文 参考訳（メタデータ） (2020-09-09T03:11:43Z) - A Multilingual Parallel Corpora Collection Effort for Indian Languages [43.62422999765863]
インドではヒンディー語、テルグ語、タミル語、マラヤラム語、グジャラート語、ウルドゥー語、ベンガル語、オリヤ語、マラティー語、パンジャービ語、英語の10言語に平行なコーパスを提示する。
コーパスは、言語間でコンテンツを共有するオンラインソースからコンパイルされる。
論文 参考訳（メタデータ） (2020-07-15T14:00:18Z)
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。