💬 NLP

CoPiT: Cognitive Pivot Translation for Digraphic Low-Resource Mongolian in the Traditional Script

Het artikel introduceert CoPiT, een cognitief pivot-translatiekader dat laag-resource Traditioneel Mongools via het beter gefaciliteerde Cyrillische schrift routeert om orthografische ambiguïteit op te lossen, wat de vertaalkwaliteit aanzienlijk verbetert en synthetische datageneratie voor ondervertegenwoordigde taalparen mogelijk maakt.

Oorspronkelijke auteurs: Burte Bayarsaikhan, Serynn Kim, Buru Chang

Gepubliceerd 2026-07-08

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Burte Bayarsaikhan, Serynn Kim, Buru Chang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een verhaal te vertalen dat geschreven is in een oude, mysterieuze code (het traditionele Mongoolse schrift) naar moderne talen zoals Engels, Koreaans of Russisch. Het probleem is dat deze oude code als een puzzel is met ontbrekende stukjes: de letters zien er anders uit afhankelijk van waar ze in een woord staan, en dezelfde krabbel kan drie verschillende klanken betekenen. Omdat zo weinig mensen digitale boeken in deze oude code hebben geschreven, zijn computers (AI) slecht in het direct lezen ervan. Ze raken in de war en produceren onzinvertalingen.

Echter, hetzelfde verhaal is ook geschreven in een veel algemener, modernere code (het Cyrillische schrift), die als een duidelijk, standaard alfabet werkt. Er zijn miljoenen voorbeelden van deze moderne code beschikbaar waar computers van kunnen leren.

Het artikel introduceert een nieuwe methode genaamd CoPiT (Cognitive Pivot Translation). In plaats van de computer te dwingen de betekenis van de oude code direct te raden, fungeert CoPiT als een slimme vertaler die een geheim trucje kent dat door vloeiende Mongoolse sprekers wordt gebruikt.

De "Geheime Truc" Analogie

Denk aan een vloeiende Mongoolse spreker die het oude schrift leest. Zij kijken niet alleen naar de krabbels en raden maar wat; hun brein zet die krabbels automatisch om in de bekende moderne letters in hun hoofd, bepaalt de exacte klanken, en begrijpt daarna de betekenis.

CoPiT doet precies dit, maar in stappen:

De "Morele Segmentatie" (Het de taart snijden):
Het oude schrift is rommelig. Het plaatst vaak spaties op vreemde plekken, alsof je een taart snijdt voordat de glazuur erop zit. CoPiT zet de stukjes eerst zorgvuldig weer in elkaar, waarbij het uitzoekt waar het woord werkelijk begint en eindigt, en de juiste "suikerversieringen" (grammaticale suffixen) aan de hoofd-"taart" (de stam van het woord) plakt.
De "Klinkerharmonie" (De Muzikale Regel):
Mongoolse woorden hebben een muzikale regel genaamd "klinkerharmonie". Klinkers in een woord moeten overeenkomen in "toon" (zoals hoge of lage noten). In het oude schrift is dit vaak verborgen. CoPiT fungeert als een dirigent, luistert naar de eerste noot van het woord en dwingt alle andere noten om in de juiste harmonie te passen, waardoor de mogelijkheden worden beperkt.
De "Latijnse Brug" (De Tussenpersoon):
Om extra zeker te zijn, vertaalt CoPiT het woord tijdelijk naar een "Latijnse" versie (zoals het Engelse alfabet) die de exacte klanken uitschrijft. Dit is alsof je het oude schrift in een fonetisch notitieblok schrijft om er zeker van te zijn dat geen enkele klank wordt gemist.
De "Cyrillische Conversie" (De Laatste Vertaling):
Nu de klanken duidelijk zijn, schrijft CoPiT het woord in het schone, moderne Cyrillische schrift. Dit is het "draaipunt" (pivot point). Het is niet langer een mysterieus oud puzzelstuk; het is een standaard, goed begrepen tekst.
De "Zelfreflectie" (De Redacteur):
Voordat de tekst naar de definitieve vertaler wordt gestuurd, neemt CoPiT even afstand en vraagt: "Maakt deze hele zin wel ergens zin?" Het controleert op grammatica- en logische fouten die tijdens de individuele woordcontroles over het hoofd zijn gezien, en fungeert als een strikte redacteur.
De Definitieve Vertaling:
Ten slotte vertaalt de computer deze schone, moderne Cyrillische tekst naar Engels, Koreaans of Russisch. Omdat de computer nu met een heldere, ondubbelzinnige tekst werkt, is de vertaling veel beter.

Waarom dit ertoe doet

Het artikel laat zien dat deze "omweg" via het moderne schrift wonderen verricht.

Betere Resultaten: Zelfs kleine, open-source computermodellen die deze methode gebruiken, verslaan de enorme, dure "GPT-4"-modellen die proberen het oude schrift direct te vertalen.
Data Creëren: Omdat de methode zo goed is in het converteren van het oude schrift naar het moderne schrift, hebben de onderzoekers het gebruikt om een enorme nieuwe bibliotheek van vertaalde zinnen (8.000+ paren) te creëren. Dit helpt het "gebrek aan data"-probleem voor de toekomst op te lossen, waardoor computers beter kunnen leren zonder dat mensen duizenden nieuwe vertalingen vanaf nul hoeven te schrijven.

Kortom, CoPiT probeert de computer niet te dwingen een genie te zijn in de oude code. In plaats daarvan geeft het de computer een "spiekbriefje" (het moderne schrift) om de oude code eerst te begrijpen, zodat de uiteindelijke vertaling accuraat en natuurlijk is.

Technische Samenvatting: CoPiT – Cognitieve Pivot Vertaling voor Digrafische Laag-Resource Mongoolse

1. Probleemstelling

Machinale vertaling (MT) voor laag-resource talen (LRL's) blijft een grote uitdaging, met name voor het Mongools, een digrafische taal die in twee verschillende schriften wordt geschreven: Cyrillisch en Traditioneel. Terwijl het Cyrillische schrift relatief goed voorzien is en fonemisch consistent is, is het Traditionele schrift ernstig datarijkdom-arm en orthografisch ambigu.

De kernproblemen die zijn geïdentificeerd zijn:

Resource-imbalans: De overgrote meerderheid van de tekstuele data en taaltechnologieën bestaan voor het Cyrillische schrift. Het Traditionele schrift lijdt, ondanks dat het dezelfde taal vertegenwoordigt, aan een "hiërarchische resource-imbalans", wat leidt tot slechte prestaties in directe vertaaltaken.
Orthografische Ambiguïteit: Het Traditionele schrift wordt verticaal geschreven waarbij de vorm van letters varieert per positionele context. Cruciaal is dat veel fonologische en morfologische onderscheidingen (zoals klinkersharmonie) niet expliciet worden gecodeerd. Een enkele geschreven vorm kan corresponderen met meerdere plausibele interpretaties, wat zorgt voor substantiële prestatievermindering in directe vertaling.
LLM-beperkingen: Huidige Large Language Models (LLMs) worstelen met het Traditionele schrift en falen vaak in het oplossen van deze ambiguïteiten of markeren geldige inhoud zelfs als schadelijk vanwege de complexiteit van het schrift.

2. Methodologie: CoPiT Pipeline

De auteurs stellen CoPiT (Cognitive Pivot Translation) voor, een meerfasige pipeline geïnspireerd door hoe vloeiende Mongoolse lezers het Traditionele schrift verwerken. In plaats van direct te vertalen van het ambigue Traditionele schrift naar een doeltaal, routeert CoPiT de vertaling via het Cyrillische schrift als een intermediaire representatie. Deze aanpak lost script-geïnduceerde ambiguïteit expliciet op voordat de semantische vertaling plaatsvindt.

De pipeline bestaat uit twee primaire fasen:

Fase 1: Traditional-to-Cyrillic Pivoting

Deze fase zet Traditionele Mongoolse tekst om in een gedisambigueerde Cyrillische representatie via een gestructureerd, taalkundig gemotiveerd proces:

Morfologische Segmentatie:
- Het Traditionele schrift voegt vaak spaties in vóór suffixen in plaats van ze aan stammen te koppelen, waardoor witruimte een onbetrouwbare grensindicator maakt.
- Het systeem voert een splitsing op basis van witruimte uit, gevolgd door een woordenboekgestuurde samenvoeging van stammen en suffixen om morfologisch coherente segmenten te creëren.
Meerfasige Script-disambiguatie:
- Herstel van Klinkersharmonie: Concludeert de klinkersharmonie-klasse (mannelijk of vrouwelijk) voor elk segment op basis van de eerste klinker en standaard fonologische regels. Dit elimineert interpretaties die de fonologische beperkingen schenden.
- Latin-ondersteunde Normalisatie: Brengt gesegmenteerde eenheden in kaart naar een intermediaire, op het Latijnse alfabet gebaseerde representatie. Deze stap maakt impliciete fonologische onderscheidingen expliciet, waarbij gebruik wordt gemaakt van de herstelde klinkersharmonie om visueel ambigue mediale vormen te disambigueren.
- Cyrillische Normalisatie: Brengt de op het Latijnse alfabet gebaseerde genormaliseerde segmenten in kaart naar een canonieke Cyrillische vorm. Geleid door de fonologisch verduidelijkte Latijnse representatie, lost het model resterende orthografische variaties op om een enkele, goed gevormde Cyrillische realisatie te selecteren.
Zinsreconstructie met Zelfreflectie:
- De gedisambigueerde segmenten worden samengevoegd tot een volledige zin.
- Een zelfreflectie-component beoordeelt de lokaal gedisambigueerde segmenten om keuzes te identificeren en te herzien die leiden tot zinsniveau semantische of grammaticale inconsistenties (bijv. lemma-keuze, naamvallen, tijdsvormen). Dit waarborgt globale coherentie vóór de vertaling.

Fase 2: Vertaling

De resulterende gedisambigueerde Cyrillische representatie wordt vertaald naar de doeltaal (Engels, Koreaans of Russisch) met behulp van een prompt-getunede LLM. Door de script-niveau ambiguïteit upstream op te lossen, kan het vertaalmodel zich richten op cross-linguale betekenisoverdracht in plaats van scriptinterpretatie.

Trainingsstrategie

De pipeline-componenten worden onafhankelijk getraind met behulp van Supervised Fine-Tuning (SFT) met parameter-efficiënte adaptatie (LoRA):

Woordniveau-componenten: Vowel Harmony Recovery, Latin-Assisted Normalization en Cyrillic Normalization worden getraind op een gecureerde parallelle lexicale dataset van Traditioneel–Cyrillisch (14.125 vermeldingen) afgeleid van woordenboeken.
Zinsniveau-component: De Self-Reflection module wordt getraind op synthetische Cyrillische revisieparen (2.061 paren), geconstrueerd door Traditionele tekst naar Cyrillisch te converteren via een basis LLM en imperfecte hypothesen te koppelen aan de originele Cyrillische tegenhangers.

3. Belangrijkste Bijdragen

CoPiT Pipeline: Een cognitief gemotiveerde, meerfasige vertaalpipeline die script-geïnduceerde ambiguïteit in het Traditionele Mongools oplost door te pivoteren via het Cyrillische schrift, waardoor de noodzaak voor grootschalige parallelle corpora voor het Traditionele schrift wordt vermeden.
Nieuwe Dataset: De release van een multi-script parallel corpus dat Traditioneel en Cyrillisch Mongools uitlijnt met Engels, Koreaans en Russisch, waarmee een kritiek tekort aan bronnen voor digrafische laag-resource MT wordt aangepakt.
Prestatiewinst: Demonstratie dat CoPiT consequent beter presteert dan directe vertaling over diverse backbone-modellen (Qwen-3, Ministral-3) en doeltalen.
Synthetische Datageneratie: Validatie dat de pipeline hoogwaardige synthetische parallelle data (8.034 zinsparen) kan genereren uit echte bronnen met het Traditionele schrift, wat bidirectionele vertaling mogelijk maakt en de prestaties in beide richtingen verbetert.

4. Experimentele Resultaten

Experimenten werden uitgevoerd op Engelse, Koreaanse en Russische doelen met behulp van referentie-gebaseerde (BLEU, chrF, COMET) en referentie-vrije (COMETKiwi, menselijke evaluatie) metrieken.

Prestatieverbetering: CoPiT presteerde consequent beter dan directe vertaling.
- Zero-shot: Zelfs zonder fine-tuning toonde CoPiT meetbare winst, met name voor typologisch verre talen zoals Koreaans en Russisch.
- Fine-tuned: Met component fine-tuning waren de winsten aanzienlijk. Bijvoorbeeld, op het Ministral-3 (14B) model stegen de COMET-scores met +0,240 (Engels), +0,279 (Koreaans) en +0,255 (Russisch) vergeleken met directe vertaling.
- Benchmark Vergelijking: Fine-tuned open-source CoPiT-modellen kwamen overeen met of overtroffen de directe vertaalprestaties van GPT-4.1.
Ablatieonderzoek:
- Self-Reflection werd geïdentificeerd als de meest kritieke component; het verwijderen ervan leidde tot substantiële prestatievermindering over alle talen.
- Vowel Harmony Recovery en Latin-Assisted Normalization boden complementaire winst, waarbij de volledige pipeline profiteerde van de interactie van alle componenten.
Nut van Synthetische Data: De 8.034 door CoPiT gegenereerde zinsparen werden succesvol gebruikt om vertaalmodellen te trainen, wat zowel de richting Traditioneel Mongools $\to$ Doeltaal als Doeltaal $\to$ Traditioneel Mongools verbeterde.

5. Betekenis en Claims

Het artikel claimt dat CoPiT een praktische oplossing biedt voor digrafische laag-resource machinale vertaling door gebruik te maken van de interne resource-hiërarchie van een enkele taal. Door script-niveau ambiguïteit expliciet op te lossen via een cognitief geïnspireerde pivot, maakt de methode het mogelijk om:

Sterke open-source modellen te laten concurreren met propriëtaire modellen (zoals GPT-4.1) in laag-resource settings.
Datarijkdom-tekorten te mitigeren door de constructie van synthetische parallelle data direct uit onder-gefinancierde bronnen met het Traditionele schrift.
Een framework te bieden dat kan worden aangepast aan andere digrafische talen waar één schrift aanzienlijk beter voorzien is dan het andere.

De auteurs benadrukken dat deze aanpak geen grootschalige parallelle corpora voor het laag-resource schrift vereist, maar in plaats daarvan vertrouwt op een kleine hoeveelheid data voor scriptconversie en de inherente sterktes van het beter voorziene schrift.