Mar, 2024

gaHealth：一个英爱双语健康数据语料库

PDF
TL;DR机器翻译是许多高资源语言对的成熟技术，然而在低资源语言的情况下，缺乏用于开发翻译模型的平行数据集。本研究开发了针对低资源英语到爱尔兰语领域的特定健康领域的数据集，实验证明使用领域内数据集的好处。通过比较于 LoResMT2021 共享任务的最佳模型，使用 gaHealth 数据集开发的模型在翻译健康相关数据方面的 BLEU 分数最高可以提高 22.2 个百分点（40%）。此外，我们定义了开发 gaHealth 的语言指南，这是为爱尔兰语健康数据开发的第一个双语语料库，我们希望能对其他低资源数据集的创建者有所帮助。gaHealth 现在已经免费在线提供，并可用于进一步研究。
machine translationlow-resource languagesin-domain datasethealth domainbilingual corpus
发现论文，激发创造
  • 增强低资源语言的神经机器翻译：语料库开发、人工评估和可解释 AI 架构

    该研究旨在研究机器翻译中 Transformer 模型在低资源语言对（英爱尔兰语和英马拉地语）中的效果，并通过优化超参数和子词模型类型来显著提高低资源语言对的翻译质量。此外，还引入了 adaptNMT 和 adaptMLLM 两个开源应用程序，简化了神经机器翻译模型的开发、微调和部署过程，使其更容易被开发人员和翻译人员使用。

    Mar, 2024

  • 新型冠状病毒领域的机器翻译：英爱案例研究（LoResMT 2021）

    通过使用特定领域的翻译模型将 Covid 数据从英语翻译成爱尔兰语，我们应用了领域自适应技术，并比较了微调、混合微调和组合数据集等方法，其中最佳模型使用了一个在领域内的 Covid 数据集来训练 Transformer 架构，并将领域内的基准数据集扩展了 5k 行，其 BLEU 分数提高了 27 个点。

    Mar, 2024

  • 低资源语言医疗翻译实现

    本研究聚焦于解决卡塔尔移民工人与医务人员之间的语言障碍问题，尤其是通过开发一种真实可行的印地语 - 英语机器翻译系统来提高医生和患者之间的交流质量，我们采用了各种方法来收集适合的训练数据，并成功地通过生成合成变量的方法自动扩充训练数据，从而实现了 BLEU 分数绝对值提高超过 3 分。

    Oct, 2016

  • 基于 Transformer 的生物医学语言模型的领域内适应性本地化

    本文旨在探究两种途径从英语语料库中翻译生成的语言格式数据和本地化的语料库数据来建立生物医学语言模型，以应用在医疗领域中以提高患者护理和管理（本研究以意大利为例）。通过实验发现，在相对较小的语料库情况下，高质量数据的合并可以提高模型性能，但数据量的限制更为严格；本文的研究成果有望为意大利医院和学术界提供发展机遇，并为如何构建通用于其他不太具备资源的语言和不同领域设置的生物医学语言模型提供有价值的见解。

    Dec, 2022

  • 密超化粉 1.0：面向特定领域大模型的专用预训练语料数据集

    通过评估现有的大模型在专门领域中的限制性，本文引入了 “MiChao-HuaFen 1.0” 预训练语料库数据集，旨在为新闻和政府领域提供高质量和可靠来源，支持中文行业特定大模型的预训练，并促进相关领域深度学习研究和应用。

    Sep, 2023

  • 改善越南 - 英文医学机器翻译

    介绍了 MedEV 数据集，通过对其进行广泛实验，发现对于每个翻译方向，通过对 'vinai-translate' 进行微调，可以实现最佳性能，进而推动进一步的研究。

    Mar, 2024

  • 构建和扩展印尼本地语言的低资源和代表性平行数据集

    介绍了 Bhinneka Korpus 这一多语种并行语料库，以增强印度尼西亚当地语言资源的获取和利用，并通过 IBM 模型 1 实验表明该语料库在进一步发展低资源语言的高级 NLP 技术和多语种翻译模型方面显示出良好的性能。

    Apr, 2024

  • 印度语中医疗查询意图识别与实体提取

    该研究旨在评估印度及其他资源匮乏开发中国家在医疗保健中自然语言处理系统发展方面所面临的数据稀缺和技术限制问题。作者使用印度医疗保健查询意图数据集、印度医院查询数据及英语和印度语种注释，探讨利用英语和目标语言数据测试多个模型场景下的查询意图和实体提取方法的实用性。结果显示，作者提出的方法可以快速准确地识别意图和实体。

    Feb, 2023

  • 使用单语语料库进行神经机器翻译

    本篇论文研究了如何利用丰富的单语语料库对神经机器翻译进行建模，结果表明在低资源的土耳其 - 英语和中英文聊天信息场景下，相较于短语和层级翻译，可以提高高达 1.96 和 1.59 的 BLEU 值，同时也适用于高资源语言，例如捷克语 - 英语和德语 - 英语，并成功提高了 0.39 和 0.47 个 BLEU 分数。

    Mar, 2015

  • 面向心理保健信息的谷歌翻译错误分析：准确性、可理解性评估及对多语言保健沟通的意义

    本研究探讨了使用 Google Translate（GT）翻译心理保健（MHealth）信息的可行性，并通过分析从英语到波斯语、阿拉伯语、土耳其语、罗马尼亚语和西班牙语的 MHealth 领域的 GT 输出，评估其准确性、易读性和对多语种医疗保健交流的影响。研究发现 GT 在翻译医学术语方面存在挑战，特别是在阿拉伯语、罗马尼亚语和波斯语中，同时影响了阿拉伯语和西班牙语的理解能力。对于特定上下文，如波斯语、土耳其语和罗马尼亚语的项目符号格式，存在严重错误。尽管对于较长文本的翻译有所改善，但仍然需要提高医学和心理健康术语的准确性和流畅性，并解决格式问题以提供更流畅的用户体验。该研究结果凸显了 MHealth 翻译需要使用定制翻译引擎以及仅依赖机器翻译医学内容时的挑战，强调人工审核者在多语种医疗保健交流中的关键作用。

    Feb, 2024