Agentic AI Translate: An Agentic Translator Prototype for Translation as Communication Design

技術的概要：エージェント型 AI 翻訳

問題定義
本論文は、大規模言語モデル（LLM）によって引き起こされる翻訳の風景における根本的な変化を特定している。統計的およびニューラルシステムは、翻訳の「何（what）」（語彙的および文法的忠実性）を概ね解決しているが、高い流暢さと慣用表現の獲得はもはや必須の「最低限の品質（Must-Be quality）」となっている。価値の最前線は「どのように（how）」へと移動しており、そこには文体、聴衆設計、トーン、スタンス、文化的枠組みが含まれる。現在の機械翻訳のパラダイムは、これらのコミュニケーション次元を暗黙的なものとして扱うか、またはポストエディティングを通じて適用する傾向がある。本論文は、翻訳研究（TS）の語彙（skopos、文体、同等性などの概念）が生成 AI への指示コードとなっていると主張するが、既存のシステムは、これらの理論的枠組みを構造化された明示的な入力として実装するアーキテクチャを欠いており、単なる非構造化テキストの変換に留まっている。

手法
著者らは、翻訳を「テキスト変換」ではなく「コミュニケーションデザイン」とするというテーゼを実装した研究プロトタイプ「Agentic AI Translate」を提示する。このシステムは、標準的なテキスト入力/テキスト出力のパラダイムを、対話的な仕様定義段階に先行する構造化された 4 段階のエージェントサイクルに置き換える。

1. 対話的仕様定義段階: 生成の前に、ユーザーはモデル支援による対話を通じて構造化された翻訳仕様書（ブリーフ）を作成する。この仕様書は翻訳研究の概念（skopos、聴衆、文体、ジャンル）に基づいており、「保持すべき事項」「ローカライズすべき事項」などの 10 の標準セクションを網羅する。システムは「ロック」メカニズムを強制し、明示的かつユーザーが承認した仕様がない限り翻訳が行われないようにする。
2. 4 段階エージェントサイクル:
   • 識別: LLM 呼び出しにより、ソーステキストからの状況分析（skopos、聴衆、文体など）を構造化された JSON 形式で抽出する。
   • プロンプト作成: 決定論的な Python スクリプトが、ユーザーのロックされた仕様、識別用 JSON、参照資料、ドキュメントレベルのメモリを統合し、最終的なプロンプトを組み立てる。
   • 生成: 単一の LLM 呼び出し（温度パラメータ 0.3）により、ドラフト翻訳を生成する。
   • 検証: 「ジャッジとしての LLM」が、GEMBA-MQM プロトコルを用いて、出力を同一のロックされた仕様に対して評価する。エラー範囲を特定し、MQM カテゴリ（正確性、流暢さ、用語など）と重大度を割り当て、決定論的なスコアを計算する。スコアが閾値を下回る場合、エラーリストは改善ループ（最大 2 回反復）のための実行可能な指示としてフィードバックされる。
3. ドキュメントレベルの整合性: 長文入力に対応するため、システムは「DelTA-lite」と呼ばれるメモリシステムを採用する。これは、固有名詞の台帳、ドキュメントの進行状況に関する二言語要約、および直前のチャンクからの即時コンテキストを維持し、これらを後続の生成プロンプトに注入することで、用語とトーンの整合性を確保する。
4. 参照資料: システムは 4 種類の参照入力（用語集、対訳例、並行テキスト、スタイルガイド）を受け入れ、これらを仕様提案、生成プロンプト、検証段階に注入する。

主要な貢献
本論文の主要な貢献は、実証的ではなくアーキテクチャ的および概念的である。

• 理論の実行可能な具現化: システムは、翻訳研究のメタ言語（特に Reiss、Nord、House、Vermeer の枠組み）を機械可読な指示に変換する稼働中のコードベースを提供する。理論的概念が LLM に対する直接的な運用制約として機能し得ることを実証している。
• 「仕様駆動型」アーキテクチャ: プロトタイプは、翻訳者が手作業の起草者ではなく、「設計者（条件の定義）」および「検証者（機能的適合性の判断）」として機能するワークフローを強制する。状況分析（第 1 段階）と生成の分離により、検査可能で読みやすい成果物が可能となり、翻訳プロセスを透明化する。
• オープンソース実装: システムは、Anthropic SDK と Streamlit を使用したオープンソースの Python プロトタイプ（約 1,200 行）として公開されており、ファインチューニング、ベクトルデータベース、GPU リソースを必要としない。これは完全にプロンプトエンジニアリングとフロー制御に依存している。

結果
本論文は、実証的検証は行われていないことを明確に述べている。

• 著者らは、このアーキテクチャが非構造化プロンプトや標準的な機械翻訳よりも優れた翻訳を生み出すことを示す、比較 MQM スコア、ユーザー調査、定量的データは提示していない。
• 「結果」は、複数の段落からなるテスト入力に関する非公式な観察に限定されており、そこでは DelTA-lite メモリが、チャンク間において固有名詞（例：Natsume Soseki 対 Kushami-sensei）の整合性を維持することに成功した。
• 論文は、生成と検証の両方に同じモデルファミリーを使用する現在の検証段階は、潜在的な自己好意バイアスにより限界があることを認めている。

意義と主張
本論文は、**概念的な実証（proof-of-concept）**として意義を主張する。それは、「自動化のパラドックス」（テキスト生成は容易であるが、特定の目的を達成させることは困難である）は、翻訳研究の語彙を AI の指示セットとして扱うことで解決できると論じている。

• 哲学的転換: システムは、GenAI 時代における翻訳者の役割が、文ごとの起草ではなく、条件（トーン、文体、聴衆）の設計とコミュニケーション目的の検証にあるという見解を実装している。
• 透明性: プロセスを識別、プロンプト作成、生成、検証という明確なログ付き段階に分解することで、システムは LLM 翻訳の「ブラックボックス」を読み取り可能かつ検査可能なものとし、これを教育的および研究的な必要性として提示している。
• 将来の方向性: 著者らは、このプロトタイプを将来の研究の基盤として位置づけており、特に明示的な仕様定義が「魅力的な品質」（スタイル、トーン、文化的適合性）の測定可能な向上につながるかどうかを検証するための制御された比較研究の必要性、および自由形式の Markdown 仕様を置き換える構造化された JSON スキーマの開発を必要としている。