ANCHOR: An English-to-Chinese Transcreation Method for Transferring Check-Worthiness Estimation Data

技術要約：ANCHOR – チェック値（Check-Worthiness）推定データの転送のための英語から中国語へのトランスクリエーション手法

問題提起
英語の注釈付きデータを中国語に翻訳することは、自動ファクトチェックにおける重要な上流タスクである、チェック値推定データセットを構築するためのリソース効率の高い経路を提供します。しかし、標準的な機械翻訳は、ソーステキストの「チェック値」ラベルを保持することに失敗することがよくあります。翻訳は、エンティティの欠落、クレームの範囲の変動、あるいは情報の追加によってテキストの特性を変化させ、元のラベルを適用不能にする可能性があります。さらに、文化的に負荷の高い表現（例：政治的メタファー、地域的な参照、慣用句）は特有の課題を突きつけます。直訳はターゲット言語の読者にとって元の機能を不明瞭にする可能性があり、一方で過度な書き換えは、事実の範囲、主張の強さ、または語用論的機能を変化させるリスクがあります。既存の手法は、意味の保存、文化的適応、およびラベルの一貫性を同時にバランスよく実現することに苦慮しています。

手法：ANCHOR
著者らは、ソースのラベルが引き続き適用可能であることを保証しながら、英語のチェック値データを中国語へ転送するために設計されたトランスクリエーション・パイプラインであるANCHOR（Adaptive Naturalization for Check-worthiness-Oriented Rewriting）を提案しています。この手法は、文化的依存度分類によって決定されるデュアルパス・アーキテクチャで動作します。

1. 文化的依存度分類:

   • LLM（GPT-5.2）が入力テキストを**高（High）または低（Low）**の文化的依存度に分類します。
   • 高依存度: ターゲット言語での理解可能性のために適応が必要な、文化固有のメタファー、地域的な参照、または慣用句を含むテキスト。
   • 低依存度: 文化を超えて理解可能な、一般的な感情表現や事実に基づくクレーム。
   • このステップにより、テキストは**ドメスティケーション（定着化）パスまたはフォリジナイゼーション（外来化）**パスのいずれかにルーティングされます。

2. フォリジナイゼーション・パス（低文化的依存度）:

   • 最小限の変更で、コンテキスト、レジスター、および意味的な境界を保持するように設計されています。
   • 検索: 中国外務省の記者会見（2024年–2025年）から収集した4,987件の対訳エントリーからなる自作のパラレルコーパスを活用します。
   • ハイブリッド検索: 密なベクトル類似性（text-embedding-3-largeを使用）と疎なベクトルおよびマルチベクトル・スコアを組み合わせた2段階の検索システムを採用し、上位$k$個の対訳デモンストレーションを選択します。
   • 生成と選択: 検索されたデモンストレーションに基づき、LLM（Qwen-3 Max）が$n=5$個の候補翻訳を生成します。摂動を与えたターゲット側のテキストで訓練された自己教師ありリランカー（凍結された文章エンコーダー + MLP スコアリングヘッド）が、最もスコアの高い候補を選択します。

3. ドメスティケーション・パス（高文化的依存度）:

   • 書き換えの範囲を厳格に制限しながら、表現を適応させるように設計されています。
   • 制約: 生成プロンプト（GPT-5.2を使用）では、以下の4つのルールを強制します。
     1. 既存の検証可能な事実を保持すること。新しい事実的クレームを導入しないこと。
     2. クレームの対象（エンティティ、数値、時間、因果関係）および主張の範囲を維持すること。
     3. 感情的なトーンと語用論的機能を維持し、意見を検証可能な詳細へと拡大させないこと。
     4. 上記の事実的要素を保持したまま、文化的な表現を機能的に等価な中国語の表現に適応させること。

主な貢献

1. ANCHORフレームワーク: 文化的依存度に基づいてテキストを動的にルーティングし、デモンストレーション支援型のフォリジナイゼーションと制約ベースのドメスティケーションを組み合わせることで、チェック値ラベルを保持する新しいトランスクリエーション手法。
2. 評価スキーム: 一般的な翻訳品質（COMET-QE、COMETKiwi、およびLLM Scoreで測定）と、チェック値の保存（翻訳が元のクレームを支持するかどうかの人間による判断）を分離したデュアル評価アプローチ。この設計は、クレームの喪失と、非事実的な表現の事実への書き換えを明確に区別しています。
3. 実証的検証: ANCHORが高いラベル保存率を維持しながら、競争力のある一般的な翻訳品質を達成していることを示す、包括的なベースラインおよびアブレーション実験。

結果

• ラベル保存: 7つの翻訳モデル（Baidu、Google、DeepL、およびNMTモデルを含む）に対するベースライン実験において、ANCHORは**99.38%のラベル保存率を達成し、DeepLと並んで最高値を記録しました。特筆すべきは、ANCHORがネガティブサンプル（チェック値のないクレーム）の100.00%**を保持したことであり、これはDeepL（99.44%）を上回り、OPUS-MT（98.33%）やNLLB-600M（97.41%）といったモデルを大幅に上回りました。
• 直接翻訳とのアブレーション: GPT-5.2による直接翻訳と比較して、ANCHORは保存率を1.88パーセントポイント向上させました（97.19% vs 95.31%）。この利得は、固有名詞、数量、およびエンティティの処理におけるエラーの減少（直接翻訳の15エラーに対し、ANCHORは9エラー）によってもたらされました。
• 一般的な翻訳品質: ANCHORは、8つのモデルの中でLLM Score（90.63）において2位となり、DeepL（91.78）に僅差で次ぐ結果となりました。しかし、著者らは、一般的な品質指標（COMET-QE、COMETKiwi）はラベル保存と完全に相関しているわけではないと指摘しています。例えば、Google Translateはより高いCOMET-QEスコアを示しましたが、ラベル保存率はより低くなりました。
• パスの性能: フォリジナイゼーション・パスは、NLP4IFデータにおいてDeepLと同等の競争力のある性能を示しました。ドメスティケーション・パスは、文化的な表現の書き換えによって文レベルの対応関係が減少するため、一般的な品質指標において直接翻訳よりも低いスコアを示しました。
• 人間による評価: 文化的依存度分類は0.8225の精度（高依存度テキストに対する再現率100%）を達成しました。ドメスティケーションされた翻訳は、意味の正確性、文化的関連性、および流暢さにおいて、平均4.386/5の人間による評価を得ました。

意義と主張
本論文は、ANCHORが中国語のチェック値データセットを構築するために、英語の注釈付きリソースを再利用する実用的な方法を提供するものであると主張しています。文化的適応と事実保存の間の緊張関係に明示的に対処することで、本手法は、翻訳がクレームの検証可能性や範囲を変化させてしまう「ラベルドリフト」のリスクを軽減します。著者らは、チェック値データの転送においては、ラベルの保存が主要な目的であり、一般的な翻訳品質は言語的な使いやすさを示す二次的な指標であると強調しています。本研究は、事実および語用論的な境界によって制約された生成パイプラインが、元のラベル付けの意図に対して高い忠実度を持って、言語を越えて注釈付きデータを転送できることを実証しています。この能力は、標準的な翻訳モデルや直接的なLLM翻訳には欠けているものです。本研究は、テキストとソースラベルの対応関係を維持するには、単に高品質な翻訳指標に頼るのではなく、特定の戦略（文化的ルーティングや制約ベースの書き換えなど）が必要であることを浮き彫りにしています。