翻译帮助人们理解用另一种语言编写的内容，但即使是正确的直译，缺乏必要的背景也无法实现这一目标。为了弥补这一缺失的语境理解，专业翻译人员通过考虑源语言和目标受众之间的文化差异来进行明确说明。然而，由于缺乏适当的评估方法，NLP 研究对明确说明的探索还有限。本研究引入了一种基于从维基百科收集并由人类翻译人员注释的数据集「WikiExpl」的技术，以自动生成明确说明。所得到的明确说明在多语言问答框架中非常有用，能够更准确地回答问题。

Dec, 2023

利用自动生成的自然语言解释作为代码到代码翻译的中间步骤，通过三种解释类型和 19 种编程语言的研究，发现自然语言解释在零 - shot 情况下特别有效，平均提升了 12％。自然语言解释特别对于复杂程序表现出明显改进。发布了包含 19 种语言的数据集、代码和规范解决方案。

Nov, 2023

本文旨在探讨如何更好地提供可解释的语言模型预测，通过将训练数据从强监督学习转向弱监督和无监督学习，并提出一种既实现并行解释生成和同时预测的非自回归解释模型，能够以比目前自回归模型快 10-15 倍的速度训练分类器。

Feb, 2023

通过预测输入中的核指代特征，我们提出了一种可以解释翻译决策的模型，通过利用输入和翻译输出表示中的上下文特征，以提高英语 - 德语数据集、英语 - 俄语数据集和多语言 TED 演讲数据集上的文档级翻译任务 BLEU 分数超过 1.0 的效果。

Apr, 2024

本研究介绍了一种基于大型语料库信息和词汇速写的新工具，用于自动生成详尽精确的单语词典中的单词释义，并重点计算名词释义的质量评估。该方法在某种程度上与语言无关，但本文介绍的验证则仅限于捷克语和英语，研究结果表明，该方法约 90% 的释义包含有助于理解单词含义的数据，但在许多情况下，需要进行后期编辑以去除冗余信息。

Feb, 2023

本文研究了自然语言解释在提高模型的泛化能力和数据效率方面的有效性，并发现即使是完全被破坏的解释，也仍有助于提供额外的上下文空间，从而取得与标注解释相当的结果，但计算效率显著提高了 20-30 倍。

May, 2023

研究使用解释性评分来提高机器翻译评估指标，并经过多个数据集、指标和解释技术的广泛评估和分析，发现某些配置可靠地提高原指标与人类判断的相关性。

Dec, 2022

本文提出了一种新的机器翻译数据集，利用 GIF 作为中介，从单语注释器中收集平行句子，从而降低了需要寻找、训练双语人员的成本，并经过内在和外在评估，发现使用 GIFs 收集的句子确实具有更高的质量。

Jun, 2021

通过使用两步式流程，我们提出了一个用于语法错误解释的系统，该系统可以对每个语法错误提供一句解释，并通过分析 GPT-4 在语法错误解释方面的能力，提高了错误解释的准确性。我们的研究还评估了使用我们的系统处理德语和中文语法错误纠正数据的效果，并得出结论该系统可以高效地生成正确的解释，为德语和中文的学习者提供帮助。最后，我们决定开源我们的数据和代码，以鼓励该领域的进一步研究。

Nov, 2023

本文探讨利用人类书写的样例以几乎无监督的方式创作自由文本解释的任务，发现高质量的提示有助于提高语言模型的生成效果，同时人类研究表明 GPT-3 生成的解释在某些情况下能够胜过人工生成的解释；作者还结合 GPT-3 与学习自评价的筛选器对生成的解释进行过滤，结果表明这一方法能够实现较高水平的解释过滤。

Dec, 2021