面向数字化包容的英-埃菲克语语料库与机器翻译系统开发
计算与语言
2026-03-17 v1
摘要
低资源语言是人类历史宝库，保存着文化和智力多样性。尽管如此，它们仍大多缺失于现代自然语言处理系统中。虽然为广为人知的非洲语言如斯瓦希利语、约鲁巴语和阿姆哈拉语在机器翻译研究中取得了一些进展，但像埃菲克语等较小的土著语言仍在机器翻译研究中被严重低估。本研究评估了最先进的多语言神经机器翻译模型在英-埃菲克翻译中的效果，利用由社区精心 curated 的 13,865 句对平行语料库。我们在该数据集上微调了 mT5 多语言模型和 NLLB200 模型。NLLB-200 在英-埃菲克翻译和埃菲克-英翻译上分别获得了 BLEU 分数为 26.64 和 31.21，chrF 分数分别为 51.04 和 47.92，表明在流畅度和语义忠实度方面取得了改进。我们的发现表明，为低资源语言开发实用机器翻译工具是可行的，并突出了包容性数据实践和文化根基评估在推动公平 NLP 方面的重要性。
引用
@article{arxiv.2603.14873,
title = {Developing an English-Efik Corpus and Machine Translation System for Digitization Inclusion},
author = {Offiong Bassey Edet and Mbuotidem Sunday Awak and Emmanuel Oyo-Ita and Benjamin Okon Nyong and Ita Etim Bassey},
journal= {arXiv preprint arXiv:2603.14873},
year = {2026}
}
备注
8 pages, 1 figure, accepted at AfricaNLP 2026 (co-located with EACL)