OpenWHO：用于低资源语言健康翻译的文档级平行语料库

于红博

摘要: 在机器翻译（MT）中，健康是一个高风险领域，其特点是广泛部署和领域特定词汇。然而，在这个领域中，低资源语言缺乏MT评估数据集。为了填补这一空白，我们介绍了OpenWHO，这是一个由2978个文档和26824个句子组成的文档级平行语料库，来源于世界卫生组织的电子学习平台。OpenWHO的材料由专家撰写，经过专业翻译，免受网络爬虫的干扰，覆盖了20多种语言，其中九种是低资源语言。利用这一新资源，我们评估了现代大型语言模型（LLMs）与传统MT模型的性能。我们的研究结果显示，LLMs始终优于传统MT模型，Gemini 2.5 Flash在我们的低资源测试集上比NLLB-54B提高了+4.79个ChrF分。此外，我们研究了LLM上下文利用如何影响准确性，发现文档级翻译的好处在专业领域如健康领域中最为显著。我们发布OpenWHO语料库，以鼓励在健康领域的低资源MT进一步研究。

更新时间: 2025-09-19 03:20:15

领域: cs.CL,cs.AI

下载: http://arxiv.org/abs/2508.16048v3