arXiv cs.CL· Telem Joyson Singh, Sanabam Boyshana, Sanasam Ranbir Singh, Priyankoo Sarmah·· 12 小时前AI 评分18
首个英语-米佐语法律机器翻译数据集发布：13,168 句对与 NLLB 基准测试
Towards English - Mizo Legal Machine Translation: Corpus Creation, Analysis, and Benchmarks
AI 导读
研究团队构建了首个英语-米佐语印度法院判决平行数据集，含来自高哈蒂高等法院和印度最高法院的 13,168 个句对，由米佐语母语专业译员翻译并经人工对齐和双人复核。在 1,000 句对的平衡法律测试集上微调 NLLB 200 1.3B 模型后达到 27.47 BLEU，比基座模型提升 7.16 BLEU，但使用英文词汇的频率仍约为人工译员的三倍。
正文 · AI 翻译
摘要：印度法院诉讼以英语进行，因此翻译技术有限的语言的使用者对其访问受限。我们提出了首个印度法院判决的英语-米佐语平行数据集。它包含来自高哈蒂高等法院和印度最高法院的 13,168 个句对。专业母语米佐语译者翻译了完整文件；句对经过人工对齐，并由两名独立审阅者检查结果。我们的研究发现，英语词汇的借用方式非常有选择性：官方和法律术语几乎总是保留英语，但表示动作、情况和结果等日常事物的词汇通常用母语米佐语表达。米佐语变音符号在语料库中的使用也不一致。当我们在训练数据上微调 NLLB 200 1.3B 模型时，它在 1,000 个句对的平衡法律测试集上得分为 27.47 BLEU，比基础模型提高了 7.16 BLEU。然而，它使用英语词汇的频率仍约为人工译者的三倍。
| 评论： | 已被 OCOCOSDA 2026 接收 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.29943 [cs.CL] |
| （或 arXiv:2610.29943v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29943 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Priyankoo Sarmah [查看电子邮件]
[v1]
2026 年 10 月 21 日星期三 16:11:01 UTC（166 KB）
来源：arXiv cs.CL · arxiv.org