[论文解读] Integrating Artificial and Human Intelligence for Efficient Translation

Nico Herbig, Santanu Pal+2 more|arXiv (Cornell University)|Mar 7, 2019

Natural Language Processing Techniques参考文献 10被引用 6

一句话总结

本文提出了一种整合人工智能与人工智慧的翻译框架，通过利用机器翻译（MT）、翻译记忆（TM）及人工智能驱动工具，提升校对效率与质量。研究证明，协同使用人工智能支持工具——如质量评估、交互式MT及自适应模型——可减轻认知负荷，提升一致性，并将生产力提高最多达36%，同时使人工翻译人员能更有效地纠正错误与偏见。

ABSTRACT

Current advances in machine translation increase the need for translators to switch from traditional translation to post-editing of machine-translated text, a process that saves time and improves quality. Human and artificial intelligence need to be integrated in an efficient way to leverage the advantages of both for the translation task. This paper outlines approaches at this boundary of AI and HCI and discusses open research questions to further advance the field.

研究动机与目标

• 为应对日益增长的高效翻译工作流程需求，通过在译后编辑中整合人工智能与人工智慧。
• 减轻翻译人员在修正机器翻译文本时所面临的认知负荷与重复性工作负担。
• 通过在计算机辅助翻译（CAT）环境中结合MT、TM与人工智能辅助工具，提升翻译质量与生产力。
• 探究人类生理与行为特征如何为设计更具可用性与适应性的翻译界面提供依据。
• 开发可检测并纠正机器翻译输出中社会偏见的工具，防止其在后续模型中传播。

提出的方法

• 使用机器翻译（MT）与翻译记忆（TM）系统生成初始翻译建议，供译后编辑使用。
• 采用质量评估（QE）工具在无参考译文的情况下预测翻译质量，辅助错误检测。
• 引入交互式MT（IMT），根据人类编辑的逐步输入动态提供替代翻译建议。
• 应用自动译后编辑（APE）技术，训练轻量级第二阶段模型，学习人类修正结果，而无需重新训练主MT系统。
• 整合生理指标（如注视、心率、皮肤电反应）以估算译后编辑过程中的认知负荷。
• 开发可视化技术，如颜色编码与变更树，以支持错误识别与翻译调整。

实验结果

研究问题

• RQ1 如何有效结合人工智能与人工智慧，以提升译后编辑工作流程中的翻译效率与质量？
• RQ2 哪些人工智能工具最能支持人工翻译人员检测并纠正机器翻译文本中的错误？
• RQ3 交互式MT系统如何实时适应人类编辑行为，以减轻认知负荷？
• RQ4 译后编辑过程中产生的生理信号在何种方式下可为设计更具适应性与用户友好性的翻译界面提供依据？
• RQ5 如何开发工具以检测并纠正机器翻译输出中的社会偏见（如性别偏见）？

主要发现

• 与传统翻译方法相比，译后编辑可将翻译生产力提高最多达36%。
• 译者强烈偏好使用译后编辑而非从零开始完整翻译，表明用户对MT质量的认知发生转变。
• 自动译后编辑（APE）技术可在不完全重新训练主模型的前提下，实现MT系统对人类修正的渐进式适应，从而提升模型鲁棒性。
• 通过注视追踪与皮肤电导等生理信号，可估算译后编辑过程中的认知负荷，从而实现实时界面自适应。
• 人工智能工具（如质量评估、对齐可视化与一致性检查器）显著缩短错误检测时间，并提升翻译一致性。
• 偏见检测工具对防止社会偏见（如性别刻板印象）在机器翻译输出中的传播至关重要，尤其在如土耳其语等性别中立的源语文本中。