Resumen Técnico: CoPiT – Traducción de Pivote Cognitivo para el Mongol Digráfico de Bajos Recursos

1. Planteamiento del Problema

La traducción automática (MT) para lenguas de bajos recursos (LRL) sigue siendo un desafío significativo, particularmente para el mongol, una lengua digráfica escrita en dos escrituras distintas: cirílico y tradicional. Mientras que la escritura cirílica es relativamente abundante en recursos y fonéticamente consistente, la escritura tradicional carece severamente de datos y es ortográficamente ambigua.

Las dificultades centrales identificadas son:

• Desequilibrio de recursos: La gran mayoría de los datos textuales y las tecnologías del lenguaje existen para la escritura cirílica. La escritura tradicional, a pesar de representar el mismo idioma, sufre de un "desequilibrio jerárquico de recursos", lo que conduce a un desempeño deficiente en tareas de traducción directa.
• Ambigüedad ortográfica: La escritura tradicional se escribe verticalmente con formas de letras que varían según el contexto posicional. Crucialmente, muchas distinciones fonológicas y morfológicas (como la armonía vocálica) no están codificadas explícitamente. Una sola forma escrita puede corresponder a múltiples interpretaciones plausibles, causando una degradación sustancial en el desempeño de la traducción directa.
• Limitaciones de los LLM: Los modelos de lenguaje de gran tamaño (LLM) actuales tienen dificultades con la escritura tradicional, fallando a menudo al resolver estas ambigüedades o incluso marcando contenido válido como perjudicial debido a la complejidad de la escritura.

2. Metodología: Pipeline CoPiT

Los autores proponen CoPiT (Traducción de Pivote Cognitivo), un pipeline de múltiples etapas inspirado en cómo los lectores fluidos de mongol procesan la escritura tradicional. En lugar de traducir directamente desde la ambigua escritura tradicional hacia la lengua de llegada, CoPiT encamina la traducción a través de la escritura cirílica como una representación intermedia. Este enfoque resuelve explícitamente la ambigüedad inducida por la escritura antes de que ocurra la traducción semántica.

El pipeline consta de dos etapas primarias:

Etapa 1: Pivote de Tradicional a Cirílico

Esta etapa convierte el texto en mongol tradicional en una representación cirílica desambiguada mediante un proceso estructurado y motivado lingüísticamente:

1. Segmentación Morfológica:

   • La escritura tradicional suele insertar espacios antes de los sufijos en lugar de unirlos a las raíces, lo que hace que los límites de los espacios en blanco sean indicadores poco fiables.
   • El sistema realiza una división basada en espacios en blanco seguida de una fusión guiada por diccionario de raíces y sufijos para crear segmentos morfológicamente coherentes.

2. Desambiguación de Escritura Multietapa:

   • Recuperación de la Armonía Vocálica: Infiere la clase de armonía vocálica (masculina o femenina) para cada segmento basándose en la primera vocal y reglas fonológicas estándar. Esto elimina interpretaciones que violen las restricciones fonológicas.
   • Normalización Asistida por Latín: Mapea las unidades segmentadas a una representación intermedia basada en el alfabeto latino. Este paso hace explícitas las distinciones fonológicas implícitas, aprovechando la armonía vocálica recuperada para desambiguar formas mediales visualmente ambiguas.
   • Normalización Cirílica: Mapea los segmentos normalizados al latín a una forma cirílica canónica. Guiado por la representación latina fonológicamente aclarada, el modelo resuelve las variaciones ortográficas restantes para seleccionar una realización cirílica única y bien formada.

3. Reconstrucción de Oraciones con Autorreflexión:

   • Los segmentos desambiguados se ensamblan en una oración completa.
   • Un componente de autorreflexión revisa los segmentos localmente desambiguados para identificar y corregir elecciones que creen inconsistencias semánticas o gramaticales a nivel de oración (por ejemplo, elección de lema, marcación de caso, tiempo verbal). Esto asegura la coherencia global antes de la traducción.

Etapa 2: Traducción

La representación cirílica desambiguada resultante se traduce a la lengua de llegada (inglés, coreano o ruso) utilizando un LLM con ajuste de prompts (prompt-tuned). Medi el proceso de resolución previa de la ambigüedad de la escritura, el modelo de traducción se enfoca en la transferencia de significado translingüístico en lugar de la interpretación de la escritura.

Estrategia de Entrenamiento

Los componentes del pipeline se entrenan de forma independiente utilizando Ajuste Fino Supervisado (SFT) con adaptación eficiente de parámetros (LoRA):

• Componentes a nivel de palabra: La Recuperación de la Armonía Vocálica, la Normalización Asistida por Latín y la Normalización Cirílica se entrenan en un conjunto de datos léxicos paralelos curados de Tradicional-Cirílico (14,125 entradas) derivados de diccionarios.
• Componente a nivel de oración: El módulo de Autorreflexión se entrena con pares de revisión sintéticos de cirílico (2,061 pares), construidos convirtiendo texto tradicional a cirílico mediante un LLM base y emparejando hipótesis imperfectas con sus contrapartes cirílicas originales.

3. Contribuciones Clave

1. Pipeline CoPiT: Un pipeline de traducción de múltiples etapas y motivado cognitivamente que resuelve la ambigüedad inducida por la escritura en el mongol tradicional mediante el pivote a través de la escritura cirílica, evitando la necesidad de corpus paralelos a gran escala para la escritura tradicional.
2. Nuevo Conjunto de Datos: Lanzamiento de un corpus paralelo multiescritura que alinea el mongol tradicional y cirílico con inglés, coreano y ruso, abordando una brecha crítica de recursos para la MT digráfica de bajos recursos.
3. Mejoras de Desempeño: Demostración de que CoPiT supera consistentemente la traducción directa a través de varios modelos de base (Qwen-3, Ministral-3) y lenguas de llegada.
4. Generación de Datos Sintéticos: Validación de que el pipeline puede generar datos paralelos sintéticos de alta calidad (8,034 pares de oraciones) a partir de fuentes reales de escritura tradicional, permitiendo la traducción bidireccional y mejorando el desempeño en ambas direcciones.

4. Resultados Experimentales

Los experimentos se realizaron en inglés, coreano y ruso utilizando métricas basadas en referencia (BLEU, chrF, COMET) y sin referencia (COMETKiwi, evaluación humana).

• Mejora de Desempeño: CoPiT superó consistentemente a la traducción directa.
  • Zero-shot: Incluso sin ajuste fino, CoPiT mostró ganancias mensurables, particularmente para lenguas tipológicamente distantes como el coreano y el ruso.
  • Fine-tuned (Ajustado): Con el ajuste fino de los componentes, las ganancias fueron sustanciales. Por ejemplo, en el modelo Ministral-3 (14B), las puntuaciones COMET aumentaron en +0.240 (inglés), +0.279 (coreano) y +0.255 (ruso) en comparación con la traducción directa.
  • Comparación de Benchmarks: Los modelos CoPiT de código abierto ajustados igualaron o excedieron el desempeño de traducción directa de GPT-4.1.
• Estudio de Ablación:
  • La Autorreflexión fue identificada como el componente más crítico; su eliminación provocó una degradación sustancial del desempeño en todos los idiomas.
  • La Recuperación de la Armonía Vocálica y la Normalización Asistida por Latín proporcionaron ganancias complementarias, beneficiándose el pipeline completo de la interacción de todos los componentes.
• Utilidad de los Datos Sintéticos: Los 8,034 pares de oraciones generados por CoPiT se utilizaron con éxito para entrenar modelos de traducción, mejorando tanto la dirección de Mongol Tradicional $\to$ Objetivo como la de Objetivo $\to$ Mongol Tradicional.

5. Significado y Reivindicaciones

El artículo afirma que CoPiT ofrece una solución práctica para la traducción automática digráfica de bajos recursos aprovechando la jerarquía interna de recursos de un solo idioma. Al resolver explícitamente la ambigüedad a nivel de escritura mediante un pivote de inspiración cognitiva, el método:

• Permite que los modelos de código abierto fuertes compitan con modelos propietarios (como GPT-4.1) en entornos de bajos recursos.
• Mitiga la escasez de datos permitiendo la construcción de datos paralelos sintéticos directamente desde fuentes de escritura tradicional con pocos recursos.
• Proporciona un marco que puede adaptarse a otras lenguas digráficas donde una de las escrituras cuenta con significativamente más recursos que la otra.

Los autores enfatizan que este enfoque no requiere corpus paralelos a gran escala para la escritura de bajos recursos, apoyándose en su lugar en una pequeña cantidad de datos para la conversión de la escritura y en las fortalezas inherentes de la escritura con mejores recursos.