数据增强何时有效？评估 Hausa 和 Fongbe 自然语言处理中的 LLM 与 Back-Translation 方法
计算与语言
2026-04-15 v1 人工智能
摘要
数据稀缺限制了针对低资源非洲语言的自然语言处理开发。我们评估了两种数据增强方法——LLM 生成式数据（Gemini 2.5 Flash）和回译（NLLB-200）——用于 Hausa 和 Fongbe，这两种西非语言在 LLM 生成质量上存在显著差异。我们使用 MasakhaNER 2.0 和 MasakhaPOS 基准对增强后的数据在命名实体识别（NER）和词性标注（POS）任务上的效果进行评估。我们的结果表明，增强效果取决于任务类型，而非语言或 LLM 质量。对于 NER，两种方法均未显著提升基线；LLM 生成式数据对 Hausa NER 降低 0.24% F1 分数，Fongbe NER 降低 1.81% F1。对于 POS 标注，LLM 生成式数据对 Fongbe 提升 0.33% 准确率，回译对 Hausa 提升 0.17%；回译对 Fongbe POS 降低 0.35%，对 Hausa POS 影响可忽略不计。相同生成的合成数据在 Fongbe 上在不同任务中产生相反效果——既损害 NER 又提升 POS——表明任务结构比合成数据质量更主导增强结果。这一发现挑战了 LLM 生成质量能预测增强效果的假设，提供了可操作的指导：数据增强应被视为特定任务的干预，而非普遍有益的预处理步骤。
引用
@article{arxiv.2604.12540,
title = {When Does Data Augmentation Help? Evaluating LLM and Back-Translation Methods for Hausa and Fongbe NLP},
author = {Mahounan Pericles Adjovi and Roald Eiselen and Prasenjit Mitra},
journal= {arXiv preprint arXiv:2604.12540},
year = {2026}
}
备注
13 pages, 6 tables; previously submitted to KDD 2026