ANCHOR: An English-to-Chinese Transcreation Method for Transferring Check-Worthiness Estimation Data
本文提出了 ANCHOR，一种自适应再创作方法，通过将文化依赖性分类为对英文可查证性数据的归化或异化，有效地将标注资源迁移至中文，同时保留了事实范围、断言强度和标签准确性。
原始论文采用 CC BY 4.0 许可（https://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
在数字时代，互联网是一个由各种主张构成的持续流，从政治演说到社交媒体上的病毒式传播帖文皆有。在我们能够验证一个陈述是真是假之前，必须首先决定它是否值得去核查。这一初始步骤被称为“查验价值评估”（check-worthiness estimation），它扮演着过滤器的角色，将噪音筛选出来，从而将人类和机器的精力集中在最重要的陈述上。多年来，研究人员已经开发出了复杂的工具来执行这种分类工作，并针对英语构建了大型数据集，其中专家对数千个句子进行了标注，将其分为“具有查验价值”或“不值得查验”。然而，这里存在一个显著的空白：这些工具和数据集在其他语言中（尤其是中文）几乎是沉默的。简单地将这些英文示例翻译成中文似乎是一个显而易见的解决方案，但语言并非可以随意替换的简单代码。在一种文化中听起来像是无伤大雅的玩笑的话语，在另一种文化中可能是一项严重的指控；而在英语中一个模糊的抱怨，在翻译时可能会意外变成一个具体的、可验证的事实。如果翻译改变了主张的性质，那么原始标签就会失效，数据也会随之损坏。
为了解决这个问题，来自中国传媒大学的一个研究小组开发了一种名为 ANCHOR 的新方法。他们的目标不仅仅是翻译文本，而是对其进行“创译”（transcreate）——这是一个在严格保留句子核心含义及其原始主张属性的同时，通过调整使其适应文化韵味的过程。研究人员意识到，并非所有句子都需要相同的处理方式。一些英文文本深深植根于特定的文化背景中，使用习语、政治隐喻或地域性引用，直接翻译会让中文读者感到困惑。另一些则比较直白，涉及的是不依赖特定背景的普遍事实或情感。ANCHOR 扮演着交通指挥员的角色，首先分析每个句子以确定其文化依赖程度。如果一个句子具有高度的文化依赖性，系统会采取“归化”（domestication）路径，在仔细确保不捏造新事实且不丢失现有事实的前提下，重写表达方式以符合中国的文化规范。如果句子在文化上是中性的，它则采取“异化”（foreignization）路径，利用专业的双语示例库来指导翻译，使其保持接近原有的结构。
该团队在包含数千个关于政治、社交媒体和公共卫生的英文句子的三个主要数据集上测试了这种方法。他们将 ANCHOR 与包括主流商业服务和开源系统在内的八种其他翻译模型进行了对比。结果令人瞩目。虽然标准的翻译模型经常无法保留原始标签——有时会将一个非事实性的观点转变为一个事实性主张，或者抹去了主张的具体对象——但 ANCHOR 成功地使原始标签在 99.38% 的案例中依然适用。这一表现与表现最好的商业模型 DeepL 持平，但 ANCHOR 在实现这一点的同时，专门处理了通常会让自动化系统出错的复杂文化细微差别。在与一个没有任何特殊指令进行翻译的强大 AI 模型进行直接对比时，ANCHOR 将成功率提高了近两个百分点。更重要的是，它在处理专有名词、数字和特定实体（这些都是任何事实核查主张的基石）时犯错更少。
研究人员还仔细观察了系统出错时的情况。他们发现，最常见的错误涉及添加额外的结论或改变论点的方向，例如将关于某事“处于控制之下”的陈述转变为关于某人“掌控局面”的主张。这些微妙的转变会完全改变一个陈述是否需要被核查。通过将过程分解为基于文化需求的两个不同路径，该团队确保了系统知道何时该进行适配，何时该保持直译。对于文化复杂的句子，人工评估者对翻译的意义准确性和流畅度给予了高度评价，证实了该系统可以在不牺牲真实性的情况下听起来自然。这项研究表明，复用英文数据进行中文事实核查是可能的，但这需要一种尊重原始主张边界的方法。ANCHOR 为此提供了一个实用的蓝图，表明只要有正确的约束，我们就能为那些在打击虚假信息斗争中历史上被忽视的语言构建起强大的资源。
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。