Transferring Natural Language Datasets Between Languages Using Large Language Models for Modern Decision Support and Sci-Tech Analytical Systems
本文提出了一种利用大语言模型在不同语言之间迁移标注数据集的流水线，通过将英文 DEFT 语料库翻译成俄文，构建了一个支持科学趋势分析与决策的稀有术语-定义挖掘资源，从而证明了其有效性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你拥有一个规模宏大、细节极其丰富的英文书籍图书馆，其中每一个重要的词汇（比如“photosynthesis”光合作用或“inflation”通货膨胀）都被高亮显示，并且旁边还写好了它们的定义。对于试图学习如何理解科学与技术的计算机来说，这个图书馆简直是一座金矿。然而，这个图书馆仅以英文存在。
问题在于？俄罗斯语中并没有与之对应的图书馆。从头开始构建一个这样的图书馆，就像是雇佣一支由数千人组成的团队，去阅读每一本书，找出那些词汇，并亲手写下它们的定义。这会耗费无穷的时间，并花费巨额的资金。
核心创意：“智能翻译器”捷径
论文的作者提出了一个问题：我们能否使用一种超级聪明的 AI（大型语言模型或 LLM）来充当翻译器，它不仅能翻译单词，还能将高亮标记和定义一起“搬运”过去？
可以这样理解：想象你有一张城市地图，上面用红圈标出了所有著名的地标。你想拥有一张相同城市的地图，但要使用另一种语言。普通的翻译器只会把街道名称换成新语言，从而让那些红圈在错误的位置上漂浮。作者们希望有一种 AI 能说：“好吧，我看到英文里‘Eiffel Tower’周围有一个红圈。在法语中，那是‘Tour Eiffel’。我会把红圈移动到包裹住‘Tour Eiffel’的位置。”
他们是如何测试的
他们采用了一个特定的英文数据集 DEFT（其中充满了科学术语及其定义），并尝试使用几种不同的 AI 模型（如 ChatGPT、Llama、DeepSeek 和 Qwen）将其“迁移”到俄语中。
他们尝试了两种主要方法：
- “数学”方法： 他们告诉 AI，“该单词始于第 10 个字符，终于第 20 个字符。请翻译文本，然后告诉我俄语单词对应的新字符位置。”
- 结果： AI 搞混了。这就像是在要求一个人在同时用另一种颜色重建墙壁的同时，还要数清楚墙里的砖块。AI 不断地丢掉计数或弄错数字。
- “识别单词”方法： 他们改变了指令。不再要求提供数字，而是说：“这是一个带有高亮单词的英文句子。这是它的俄语翻译。请高亮显示与英文单词相匹配的俄语单词。”
- 结果： 这种方法效果好得多！这就像是要求 AI 直接指向匹配的图片，而不是进行复杂的数学计算。
研究结果
- 表现最好的翻译器： AI 模型 DeepSeek 在正确移动“高亮”（注释）方面做得最好。它在 94% 的情况下都能给出正确答案。
- 质量水平： 生成的俄语数据集并不完美。作者称其为“银级（silver grade）”而非“金级（gold grade）”。它并非 100% 准确，但足以作为一个坚实的起点。这就像拥有一份完成了 90% 的书稿；你只需要一名人工编辑来修复剩余 10% 的错误，这比从零开始写整本书要快得多。
- 训练新模型： 他们利用这个通过 AI 翻译得到的俄语数据集来训练一个更小、更简单的 AI（一个 BERT 模型）。这个新的俄语 AI 能够相当不错地识别定义和术语，这证明了这些“银级”数据足以教给计算机一些新知识。
为什么这很重要
作者解释说，这种方法对于“资源匮乏型”语言（即那些缺乏足够数字数据的语言）来说是一个游戏规则的改变者。研究人员不必再等待多年来从零构建数据集，而是可以利用这些“智能翻译器”快速创建一份草拟的数据集。这有助于俄罗斯（以及未来可能涉及的其他语言）的科学家和决策者更快地分析科学与技术的发展趋势。
他们没有做的事情
论文非常明确地说明了其局限性：
- 他们只测试了英译俄。
- 他们没有测试 AI 是否能做得比人类翻译家更好（他们承认人类翻译家仍然更胜一筹）。
- 他们没有测试 AI 是否能处理原始任务中最难的部分（即将术语与定义进行关联），将这一部分留作未来的研究工作。
简而言之，这篇论文表明，虽然 AI 目前还不完美，但它是一个强大的工具，可以将知识从英文“复制粘贴”到俄语中，为研究人员节省了大量的时间和精力。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。