提出了一种交互式机器翻译方法 CAMIT，通过接受修正指令，允许人类纠正模型翻译句子中的任意单词，并基于上下文学习和记忆修正操作，从而有效地改进了机器翻译结果。实验表明，CAMIT 方法显著提高了机器翻译效果，并且相对于以前的方法需要更少的人工修订指令。

Jul, 2019

本研究探讨了翻译写作中机器翻译，后编辑和无辅助翻译等三种方式的创造性表现，并发现经由人的自然翻译创造性最高，机器翻译需要进一步改善。

Apr, 2022

该论文提出了一种基于贝叶斯模型和神经序列到序列模型的 less ambiguous 翻译方法，通过提高注射性以及测量集合一致性的改进来更好地保留语义，同时不影响翻译质量。

Feb, 2019

本文介绍了视频游戏机器翻译的挑战和潜在益处，表示使用领域数据训练的翻译模型超过公开系统，通过人工评估发现其具有学习英语到法语的典型规则和模式的能力，同时提出应该与人工翻译互动使用以刺激创造力而不是为了提高生产率而进行后期编辑。

Sep, 2022

本研究基于神经机器翻译技术中的 Transformer 模型，对小说文学领域的英文进行自动翻译，通过与其他三种不同模型进行自动评估和手动评估，结果表明使用 domain-specific Transformer-based 系统在表现上要优于其他三种模型。

Nov, 2020

介绍了一个关于机器翻译关键错误的真实数据集，指出了常见机器翻译存在的伦理和安全问题以及目前常用质量评估指标无法识别关键错误的重要性。

May, 2024

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

本研究基于实证数据分析了机器翻译与人为翻译之间的词汇丰富性损失，结果表明当前机器翻译系统在保留人类语言文本的词汇多样性方面尚有不足，而其倾向于加剧常见模式并忽视不常见模式的特点，可能会加重针对性别的偏见等问题，并可能导致算法本身的偏见问题。

Jun, 2019

本研究发现提前识别翻译技巧并应用于机器翻译过程可以进一步优化机器翻译，通过不同实验对从头翻译和后编辑两种翻译过程进行了预测，预测准确率分别达到 82% 和 93%。

Mar, 2024

本研究评估了 Google Translate、DeepL 和 Modern MT 这三种在线翻译系统在性别翻译和偏见方面的表现，并发现这些系统在性别翻译方面存在不同程度的偏见。

Jun, 2023