本研究探讨了 translationese 对机器翻译测试数据的影响，发现使用 translationese 会导致 MT 系统的人工评估得分被高估，在某些情况下甚至会改变系统的排名，并且其影响与该翻译方向上现有 MT 系统的质量成反相关。

Jun, 2019

分析研究表明翻译产生的语言特征会对机器翻译的评估结果产生负面影响，为此我们建议排除反向创建的测试数据。同时提出了过去机器翻译评估的重新评估以及如何提高所有三个过去评估的可靠性的潜在方法。通过对过去评估中应用的显著性检验进行统计功效分析，提供可靠的人机对抗检验测试的最佳样本数量的指导建议。最后，提供未来机器翻译评估的全面检查清单。

Jun, 2019

该研究在多语言模型中将机器翻译与自然语言文本区分开来，通过对数据进行标记，使得机器翻译输出更接近自然语言文本，从而提高翻译质量评分。

Nov, 2019

本研究通过翻译关系的视角探讨神经机器翻译（NMT）和人工翻译（HT）之间的区别，以评估 NMT 系统产生的翻译技术，并回答三个关键研究问题：NMT 和 HT 之间整体翻译关系的差异，它们如何使用非字面翻译技术，以及影响它们使用特定非字面技术的因素的变化。该研究使用了两个平行语料库，每个语料库涵盖了九种类型的文本，其中一个由 NMT 翻译，另一个由人类翻译。这些语料库中的翻译关系在对齐的句对上进行了手动注释，从而实现了对语言洞察力的比较分析，包括语义和句法细微差别，如上位词和词性标注的改变。结果表明，与 HT 相比，NMT 在各种类型中更倾向于进行字面翻译。虽然 NMT 在句法非字面翻译技术的运用上与 HT 相当，但在语义层面的表现却有所不足。

Mar, 2024

研究采用自监督学习与非监督学习相结合的方法，通过基于翻译的风格转换降低翻译文本中的翻译风格，消除了对平行验证数据的需求，有效地降低了翻译类文本的分类准确性，并在目标原始风格中保持了内容和流畅度。

Oct, 2023

本文研究了跨语言文本摘要中的翻译现象并探究了其对模型性能和评估的影响，提出了建立适合低资源语言的 CLS 系统的方法，并提供了数据集和模型发展的建议。

Dec, 2022

本文研究机器翻译中偏见放大的问题，探究算法的偏见增强对语言是否会产生贫化作用。作者测试了不同的数据驱动机器翻译范式，并发现所有测试的语言对中，都存在词汇和形态上的丧失。

Jan, 2021

使用反向翻译作为数据增广技术可以提高自然文本和翻译文本的翻译质量，并且人类翻译者更喜欢反向翻译的产物，因为它们更加流畅，建议使用语言模型得分来衡量流畅度。

Aug, 2019

使用更强的机器翻译系统并减少原始文本训练和机器翻译文本推理之间的不匹配，翻译 - 测试可以比之前假定的效果更好，从而对跨语言分类的多语言模型的支配提出了质疑，并促使更多关注基于机器翻译的基准线。

May, 2023

通过利用附加单语资源来创建合成训练数据，可以提高神经机器翻译的质量，本文探讨了前向翻译和反向翻译在翻译源语句子和目标语句子时的优点，并研究了不同地域、语言和噪音环境下翻译的影响。另外，本文还给出了低资源情况下前向和反向翻译的比较。

Nov, 2019