arXiv cs.CL· Jenny Kunz·· 6 天前AI 评分22
翻译腔的方言如何塑造语言模型学习
Dialects of Translationese Shape Language Model Learning
AI 导读
研究用24种类型学和资源差异悬殊的源语言翻译出的英文文本训练小型英语语言模型，发现源语言会明显影响模型行为：通用困惑度更多由翻译语料的词汇多样性驱动，而语法表现若训练数据充足则与源语言和英语的类型学相似度强相关，翻译质量也是语言建模性能的强预测因子。
正文 · AI 翻译
摘要：机器翻译数据在多语言 NLP 中被广泛使用，尤其是在母语文本稀缺的情况下。然而，翻译文本与母语文本存在系统性差异。这一现象被称为翻译腔（translationese），它既反映了源语言的痕迹，也体现了翻译本身特有的性质。在本文中，我们研究基于机器翻译数据的训练如何影响小型英语语言模型，重点关注来自不同源语言的翻译腔如何塑造语言可接受性判断以及不同领域的语言建模。我们在由 24 种类型学和资源多样性各异的源语言翻译而成的英语文本上训练模型，从而系统分析源语言和语料库属性如何影响模型所学内容。我们的结果表明，源语言对模型行为有明确影响：总体困惑度更多由翻译语料库的词汇多样性驱动，但若训练数据充足，语法表现与英语的类型学相似性密切相关。甚至翻译质量也是语言建模性能的有力预测指标。
| 评论： | 将发表于 EMNLP 2026 Findings |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2602.16469 [cs.CL] |
| （或 arXiv:2602.16469v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.16469 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Jenny Kunz [查看电子邮件]
[v1]
2026年2月18日星期三 13:59:08 UTC（152 KB）
[v2]
2026年8月24日星期一 12:28:51 UTC（172 KB）
[v3]
2026年10月9日星期五 08:00:06 UTC（172 KB）
来源：arXiv cs.CL · arxiv.org