Translating Across Cultures: LLMs for Intralingual Cultural Adaptation

要約

LLM は多言語アプリケーションに導入されることが増えており、いくつかの低リソース言語と高リソース言語の間で優れた翻訳機能を実証しています。
翻訳の見落とされがちな側面は、文化への適応、つまりソース文化の参照をターゲット文化に合わせて変更することです。
文化適応は、いくつかのクリエイティブ産業に応用でき、翻訳時にはソース文化とターゲット文化についての深い知識が必要です。
専門化された翻訳モデルは、正確さの観点から見ると、機械翻訳タスクでは依然として LLM よりも優れていますが、文化的な違いには敏感ではなく、多くの場合手動による修正が必要です。
一方、LLM には、そのパラメータ内に文化的知識の豊富な宝庫が埋め込まれており、そのようなアプリケーションに活用できる可能性があります。
この論文では、文化適応のタスクを定義し、このタスクのさまざまなモデルのベンチマークを行うための評価フレームワークを作成します。
私たちは、現代の LLM の文化適応のパフォーマンスを評価し、異文化間で関連する概念を結び付けながら異文化知識を分析します。
また、文化的な偏見や固定観念などの自動適応で起こり得る問題も分析します。
このタスクにより、LLM の文化的理解と、異文化シナリオにおける LLM の創造性についてのさらなる洞察が得られることを願っています。

要約(オリジナル)

LLMs are increasingly being deployed for multilingual applications and have demonstrated impressive translation capabilities between several low and high resource languages. An aspect of translation that often gets overlooked is that of cultural adaptation, or modifying source culture references to suit the target culture. Cultural adaptation has applications across several creative industries and requires intimate knowledge of source and target cultures during translation. While specialized translation models still outperform LLMs on the machine translation task when viewed from the lens of correctness, they are not sensitive to cultural differences often requiring manual correction. LLMs on the other hand have a rich reservoir of cultural knowledge embedded within its parameters that can be potentially exploited for such applications. In this paper we define the task of cultural adaptation and create an evaluation framework to benchmark different models for this task. We evaluate the performance of modern LLMs for cultural adaptation and analyze their cross cultural knowledge while connecting related concepts across different cultures. We also analyze possible issues with automatic adaptation including cultural biases and stereotypes. We hope that this task will offer more insight into the cultural understanding of LLMs and their creativity in cross-cultural scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google