المتوسط الكلي: أنواع نادرة مهمة أيضا

في حين أن مقاييس تقييم المستوى التقليدي للترجمة الآلية (MT) ترتبط بشكل جيد مع الطلاقة، فإنها تكافح لتعكس كفاية.برزت مقاييس MT مقرها النموذجية المدربة على الأحكام الإنسانية على مستوى القطاع كحل جذابة بسبب نتائج الارتباط القوي.ومع ذلك، فإن هذه النماذج تتطلب إعادة تدريب مكلفة محتملة للنطاقات واللغات الجديدة.علاوة على ذلك، فإن قراراتها غير شفافة بطبيعتها ويبدو أنها تعكس التحيزات غير المرغوب فيها.نستكشف مقياس مصنف من النوع البسيط، Macrof1، ودراسة تطبيقه على تقييم MT.نجد أن Macrof1 تنافسية على التقييم المباشر، وتتفوق على الآخرين في الإشارة إلى أداء مهام استرجاع المعلومات عبر اللغات المتبادلة.علاوة على ذلك، نوضح أن Macrof1 يمكن استخدامها لتقارن الترجمة الآلية العذبة الخاضعة للإشراف والكشف عن الاختلافات النوعية المهمة في مخرجات الأساليب.

While traditional corpus-level evaluation metrics for machine translation (MT) correlate well with fluency, they struggle to reflect adequacy. Model-based MT metrics trained on segment-level human judgments have emerged as an attractive replacement due to strong correlation results. These models, however, require potentially expensive re-training for new domains and languages. Furthermore, their decisions are inherently non-transparent and appear to reflect unwelcome biases. We explore the simple type-based classifier metric, MacroF1, and study its applicability to MT evaluation. We find that MacroF1 is competitive on direct assessment, and outperforms others in indicating downstream cross-lingual information retrieval task performance. Further, we show that MacroF1 can be used to effectively compare supervised and unsupervised neural machine translation, and reveal significant qualitative differences in the methods' outputs.