ترغب بنشر مسار تعليمي؟ اضغط هنا

تمديد نظام نصي إلى فرنسي وإلى Arasaac

Extending a Text-to-Pictograph System to French and to Arasaac

228   0   0   0.0 ( 0 )
 تاريخ النشر 2021
  مجال البحث الذكاء الاصناعي
والبحث باللغة English
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

نقدم تكيفا لنظام النص إلى Picto، مصممة في البداية للهولندية، وممتد إلى اللغة الإنجليزية والإسبانية.يترجم النظام الأصلي، الذي يهدف إلى الأشخاص ذوي الإعاقة الفكرية، تلقائيا النص إلى الصور التوضيحية (الصلبة والنسخة بيتا).نحن تمديدها إلى الفرنسية وإضافة مجموعة كبيرة من الصور المصورة ARASAAC المرتبطة ب WordNet 3.1.لتنفيذ هذا التكيف، نربط الصور التوضيحية تلقائيا والبيانات التعريفية الخاصة بهم إلى توليه اثنين من الكلمات الفرنسية واستفادت هذه المعلومات لترجمة الكلمات إلى الصور التوضيحية.نحن نقيم نظامنا تلقائيا ودوازي مع مختلف الشركات المقابلة لحالات الاستخدام المختلفة، بما في ذلك واحد للتواصل الطبي بين الأطباء والمرضى.كما يقارن النظام أنظمة مماثلة بلغات أخرى.



المراجع المستخدمة
https://aclanthology.org/
قيم البحث

اقرأ أيضاً

إن السماح للمستخدمين بالتفاعل مع الملخصات المتعددة المستندات هو اتجاه واعد نحو تحسين وتخصيص النتائج الموجزة. تم اقتراح أفكار مختلفة للتلخيص التفاعلي في العمل السابق، لكن هذه الحلول متباينة للغاية ولا تضاهى. في هذه الورقة، نقوم بتطوير إطار تقييم نهاية إلى نهائي للتلخيص التفاعلي، مع التركيز على التفاعل القائم على التوسع، الذي يعتبر تتراكم المعلومات على طول جلسة مستخدم. يتضمن إطار عملنا إجراءات لجمع دورات المستخدم الحقيقية، وكذلك تدابير التقييم التي تعتمد على معايير تلخيص، ولكنها تتكيف مع تعكس التفاعل. جميع حلولنا ومواردنا متوفرة علنا ​​كمعيار، مما يسمح بمقارنة التطورات المستقبلية في تلخيص تفاعلي، وتحفز تقدم في تقييمها المنهجي. نوضح استخدام إطار العمل لدينا من خلال تقييم ومقارنة تطبيقات خط الأساس التي طورنا لهذا الغرض، والتي ستكون بمثابة جزء من معيارنا. تحفيز تجاربنا الواسعة وتحليلنا تصميم إطار التقييم المقترح ودعم صلاحيته.
في هذه الورقة، نقدم FitannoTator، أداة عامة على شبكة الإنترنت العامة لفئة التعريف النصوضي.الاستفادة من تصميم الهيكل المعياري بالكامل، يوفر مرح COMTANNOTATOR حل منهجي للتعليق على مجموعة متنوعة من مهام معالجة اللغة الطبيعية، بما في ذلك التصنيف، ووضع عل امات التسلسل والتعليق الدلالي، بغض النظر عن اللغة.يتم تطوير ثلاثة أنواع من الواجهات للتعليق على المثيلات، وتقييم جودة التوضيحية وإدارة المهمة الشروية للتعليق والمراجعين والمديرين على التوالي.يقدم FitannoTator أيضا شرحا ذكاءا عن طريق إدخال مساعد خاص بالفصل لدعم وتوجيه المحن المعلقين بناء على التعلم النشط واستراتيجيات التعلم الإضافية.هذا المساعد قادر على التحديث الفعال من التقيمات Annotator ويعالج بسهولة سيناريوهات العلامات الإضافية.
توفر الشبكات العصبية القائمة على المحولات أداء تصنيف جيد للغاية عبر مجموعة واسعة من المجالات، لكن لا تقدم تفسيرات توقعاتها.في حين أن العديد من طرق التفسير، بما في ذلك الشكل، فإن معالجة مشكلة تفسير نماذج التعلم العميق، لا تتكيف معها للعمل على الشبكات العصبية القائمة على أحدث الأحوال مثل بيرت.مقرر آخر لهذه الطرق هو أن تصور التفسيرات الخاصة بهم في شكل قوائم من الكلمات الأكثر صلة لا يأخذ في الاعتبار الطبيعة المتسلسلة والهيكلية للنص.تقترح هذه الورقة طريقة TransShap التي تتكيف مع النماذج المحول بما في ذلك مصنفات النص المستند إلى BERT.تتقدم تصورات الشكل من خلال إظهار التفسيرات بطريقة متتالية، وتقييمها من قبل المقيمين البشري كمنافسة للحلول الحديثة.
تصف هذه الورقة نظام NAIST لمهمة الترجمة المركزة للترجمة الفورية إلى الإنجليزية إلى اليابانية في حملة تقييم IWSLT 2021.يعتمد تقديمنا الأساسي على الترجمة الآلية العصبية WAIL-K مع تقطير المعرفة على مستوى التسلسل لتشجيع الترجمة الحرفية.
مع وجود شعبية متزايدة للمتحدثين الذكية، مثل الأمازون اليكسا، أصبح الكلام أحد أهم طرق التفاعل بين الإنسان والحاسوب. يمكن القول إن التعرف التلقائي على التعرف على الكلام (ASR) هو العنصر الأكثر أهمية في هذه الأنظمة، حيث ينتشر أخطاء في التعرف على الكلام إ لى مكونات المصب التي تتحلل بشكل كبير من تجربة المستخدم. طريقة بسيطة وفعالة لتحسين دقة التعرف على الكلام هي تطبيق ما بعد المعالج التلقائي نتيجة التعرف. ومع ذلك، فإن التدريب على معالج ما بعد البيع يتطلب شركة موازية تم إنشاؤها بواسطة Annwotators البشرية، وهي مكلفة وغير قابلة للتحجيم. لتخفيف هذه المشكلة، نقترح النسخ الخلفي (BTS)، وهي طريقة قائمة على الدنيوية التي يمكن أن تنشئ مثل هذه الشركة دون عمل بشري. باستخدام CORPUS RAW، يقوم BTS بتلف النص باستخدام أنظمة تحويل النص إلى كلام (TTS) ونص الكلام إلى النص (STT). بعد ذلك، يمكن تدريب نموذج ما بعد المعالجة على إعادة بناء النص الأصلي مع إعطاء المدخلات التالفة. تبين التقييمات الكمية والنوعية أن المعالج بعد المعالج المدرب باستخدام نهجنا فعال للغاية في إصلاح أخطاء التعرف على الكلام غير تافهة مثل سوء الكلمات الأجنبية. نقدم Corpus الموازي الذي تم إنشاؤه ومنصة ما بعد المعالجة لجعل نتائجنا متاحة للجمهور.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا