Honored to have my peer-reviewed paper Say It Right: AI Neural Machine Translation Empowers New Speakers To Revitalize Lemko cited in December 2023 by Alex Jones and Rolando Coto-Solano of Dartmouth College, as well as Guillermo González Campos of University of Costa Rica in their work TalaMT: Multilingual Machine Translation for Cabécar-Bribri-Spanish on Page 107 of the Proceedings of the 3rd Multilingual Representation Learning Workshop in Singapore.
Címke: Nyelvi revitalizáció
-
BLEU Skies for Endangered Language Revitalization: Lemko Rusyn és az ukrán neurális AI fordítási pontossága az egekbe szökik
Absztrakt
A felgyorsuló globális nyelvvesztés, amely a tiltott szerek használatának, a 2-es típusú cukorbetegségnek, a mértéktelen ivásnak és a testi sértéseknek az emelkedett gyakoriságával, valamint a fiatalok hatszoros öngyilkossági arányával jár együtt, egyre nagyobb kihívást jelent a kisebbségi, őslakos, menekült, gyarmatosított és bevándorló közösségek számára. Olyan környezetben, ahol a generációk közötti átadás gyakran megszakad, a mesterséges intelligencia neurális gépi fordítórendszerek képesek az örökölt nyelvek újjáélesztésére és az új beszélők képessé tételére, mivel lehetővé teszik számukra, hogy azonnali fordítással megértsék és megértsék őket. A mesterséges intelligencia megoldások azonban problémákat vetnek fel, például a megfizethetetlen költségeket és a kimenet minőségével kapcsolatos problémákat. Megoldást jelenthet a neurális motorok párosítása a klasszikus, szabályalapú motorokkal, amelyek lehetővé teszik a mérnökök számára a kölcsönszavak megtisztítását és a domináns nyelvek interferenciájának semlegesítését. Ez a munka a LemkoTran.com oldalon alkalmazott motor átalakítását írja le, hogy lehetővé tegye a lemkó nyelvre való fordítást és a lemkó nyelvből való fordítást, amely egy súlyosan veszélyeztetett, kisebbségi ukrán genetikai besorolású előadás, amely a Lengyelország és Szlovákia közötti határvidéken honos (ahol ruszin nyelvként is emlegetik). A szótáralapú fordítási modulokat morfológiailag és szintaktikailag megalapozott főnév-, ige- és melléknév-generátorokkal látták el, amelyeket 877 lemmával és 708 szószedettel együtt tápláltak, és az egész rendszert 9518 automatikus, kodifikációs hivatkozásokkal ellátott, átmenő minőségellenőrzési tesztekkel szegecselték le. Ennek a munkának a gyümölcse a legutóbbi publikáció óta 23%-os javulás az angol nyelvű fordítás minőségében, és 35%-os minőségi növekedés az angolról lemkói nyelvre történő fordításban, olyan fordításokat biztosítva, amelyek minden mérőszámban felülmúlják a Google Translate szolgáltatásait, és 396%-kal magasabb pontszámot érnek el, mint a Google ukrán nyelvű szolgáltatása, amikor lemkói nyelvre fordítanak.
Kérjük, idézze a következőket: (2023). BLEU égisze alatt a veszélyeztetett nyelvek revitalizációja: Lemko Rusyn and Ukrainian Neural AI Translation Accuracy Soars. In: Degen, H., Ntoa, S. (szerk.) Artificial Intelligence in HCI. HCII 2023. Lecture Notes in Computer Science(), vol 14051. Springer, Cham. https://doi.org/10.1007/978-3-031-35894-4_10
Bővebben: BLEU Skies for Endangered Language Revitalization: Lemko Rusyn és az ukrán neurális AI fordítási pontossága az egekbe szökikA hozzájárulásnak ezt a változatát a szakértői értékelés után elfogadták publikálásra, de ez nem a hivatalos változat, és nem tükrözi az elfogadást követő javításokat vagy javításokat. A változat online elérhető a https://doi.org/10.1007/978-3-031-35894-4_10 címen. Ennek az elfogadott változatnak a felhasználására a kiadó elfogadott kézirat felhasználási feltételei vonatkoznak: https://www.springernature.com/gp/open-research/policies/accepted-manuscript-terms.
Tartalomjegyzék
1 Bevezetés
1.1 A probléma
A nyelvek negyedévenként legalább egyet veszítenek, és ez a veszteség 2062-re megháromszorozódik, 2100-ra pedig ötszörösére nő, ami több mint 1500 beszélő közösséget érint [1, 163. és 169. oldal]. Ezek az eredmények összefüggésbe hozhatók az illegális szerhasználat [2, 179. o.], a 2-es típusú cukorbetegség [3], a mértéktelen alkoholfogyasztás és a testi sértés [4] megnövekedett gyakoriságával, valamint a fiatalok öngyilkossági arányának hatszorosával, ha a közösség tagjainak kevesebb mint fele rendelkezik nyelvtudással [5].
Egy nemrégiben az Egyesült Államokban végzett tanulmány szerint az őslakosok nyelvhasználata pozitív hatással van az egészségre, függetlenül a nyelvtudás szintjétől [6]. Egy lengyelországi beszélőkön végzett kísérlet azt találta, hogy a lemkó használata mérsékli a trauma kognitív elérhetőségéből eredő érzelmi, viselkedési és depressziós tüneteket [7].
A mesterséges intelligencia gépi fordítás a haldokló és alvó nyelvek újjáélesztésével a fent említett védőhatások terjesztésében az örökséget beszélőkre is szolgálatot tehet [8, 577. o.]. Például az új beszélők azonnal helyes szöveget állíthatnának elő, és élvezhetnék az olvasásértést, ha az automatikus gépi fordítóberendezéseket segítségül használnák, amíg a teljes, önálló folyékony beszédkészség el nem érhető.
1.2 A vizsgált rendszer
Nyelv
A lemko egy véglegesen vagy súlyosan veszélyeztetett [9, 177-178. o.], délnyugat-ukrajnai genetikai besorolású [10, 52. o.; 11, 39. o.] kelet-szláv előadás, amely a Lengyel Köztársaság és a Szlovák Köztársaság közötti határvidéken őshonos; egyesek ruszinnak nevezik [11, 39. o.; 12].
Keleti határok
A lemkótól keletre megkülönböztető egyedi izoglossza a rögzített paroxitóniás (utolsó előtti szótag) hangsúly, amely a lengyel és a kelet-szlovák nyelvjárásokkal közös [10, 161-162. és 972-973. o.; 11, 50. o.; 13, 70-73. o.], és Kelet-Szlovákiában legalább a Laborec folyóig terjed, és utána egy átmeneti zóna húzódik [13, 70. o.; 11, 50. o.]. Eközben Lengyelországban a Lemko történelmi kiterjedése legalább az Osławica vagy a Wisłok folyókig terjed, és egy átmeneti zóna ezeken túlra terjed [11, 50. o.].
Nyugati határok
Lemko történelmi nyugati határai a Poprad és a Dunajec folyók [14, 459. o.].
Helyszín
Az anyanyelvi beszélők ősi falvai, amelyek interjúi a korpuszt alkotják, a mai Lessor Poland tartomány jelenlegi közigazgatási határain belül találhatók, amelynek fővárosa Krakkó.
Lemko név Átírás Lengyel név Megyeszékhely Községi székhely Ізбы Izbŷ Izby Gorlice Uście Gorlickie Ґлaдышiв Gladŷšiv Gładyszów Gorlice Uście Gorlickie Чорне Čorne Czarne Gorlice Sękowa Долге Dolhe Długie Gorlice Sękowa Білцарьова Bilcarʹova Binczarowa Nowy Sącz Grybów Фльоринка Flʹorynka Florynka Nowy Sącz Grybów Чырна Čŷrna Czyrna Nowy Sącz Krynica-Zdrój 1. táblázat. A korpuszanyagban megkérdezett anyanyelvi beszélők ősi falvai. 2 A technika jelenlegi állása
Tavaly publikálták a világ első minőségi értékelési eredményeit a Lemkóba történő gépi fordításokról: BLEU 6,28, ami majdnem háromszorosa a Google Translate ukrán szolgáltatásának[1] (BLEU 2,17) [15, 570. o.]. Egy évvel korábban kollégáimmal közöltük és bemutattuk a világ első Lemko-angol gépi fordítási eredményeit: BLEU 14.57 [16].
[1] Közzététel: fizetett ukrán, lengyel és orosz fordítási minőségellenőrző szakemberként dolgozom a Google Translate projektben. Ügyfelem székhelye a kaliforniai San Franciscóban található.
A motort a https://www.LemkoTran.com egyetemes erőforráskeresőben telepítették és tették szabadon elérhetővé, ahol 2017 ősze óta működik egy átíró motor. A fordítómotorra először nyomtatásban Dr. Scherrer és Rabus utaltak a Cambridge University Press folyóirat Natural Language Engineering című folyóiratában 2019-ben [17].
3 Anyagok és módszerek
3.1 Anyagok
A kísérletet egy kétnyelvű korpuszon végeztük, amely a lengyelországi ősök földjéről való kényszerű kitelepítések túlélőivel és gyermekeivel készített interjúk Lemko cirill betűs átirataiból és angol fordításaiból állt. Az átiratokat és fordításaikat[1] 3267 szegmensben igazítottuk egymáshoz, a Microsoft Word 68 944 lemkó forrásszót és 81 188 angol célszót adott meg.
[1] Az átiratok elkészítésére és lefordítására a Delaware állambeli Wilmingtonban működő John és Helen Timo Alapítvány bérelt fel, akik aztán a munkadarabokat tudományos kutatási és fejlesztési törekvéseimhez adományozták.
Az igazság forrásai közé tartoztak Jarosław Horoszczak [18], Petro Pyrtej [19], Ihor Duda [20] és Janusz Rieger [21] szótárai, valamint Henryk Fontański és Mirosława Chomiak [22] és Petro Pyrtej [23] nyelvtárai.
3.2 Módszerek
Motorfejlesztések
Ehhez a kísérlethez a LemkoTran.com-nál alkalmazott motort újonnan épített generátorokkal látták el, amelyek a beszédrész, a nyelvtani eset és a szám alapján tájékozódtak, hogy nyelvtanilag és szintaktikailag megfelelő fordításokat készítsenek 1585 szótári bejegyzéshez, amelyeknek körülbelül a fele nem flektál a lengyel vagy a lemkói nyelvben, ami lehetővé teszi az egyszerű helyettesítést.
Minőségbiztosítási vizsgálatok
A minőséget 9518 teszt biztosította, amelyeket lehetőség szerint kereszthivatkozásokkal vetettek össze a fent az anyagok között felsorolt Lemko-kodifikációkkal, nyelvtanokkal és szótárakkal. Maguk a tesztek igazolják, hogy a rendszer a kívánt módon fordítja le az adott kifejezéseket.
Leírás Mennyiség Főnév törzse 414 Igetörzs 296 Melléknév törzse 167 Főnév, személyes 87 Főnév, egyéb 178 Számok 86 Egyéb szótári bejegyzések 357 Összesen 1,585 2. táblázat. Rendszer szókincs. Szabályalapú gépi fordítás (RMBT)
A szöveget lemkói vagy lengyel megjelenésűvé tették a karaktersorozatok és különösen a szóvégek cseréjével.
Lengyel szekvencia Lemko szekvencia Pozíció ować uwaty Végleges iami iamy Végleges ają ajut Végleges ze zo Kezdeti pod pid Kezdeti 3. táblázat. Példa a karaktersorozat helyettesítésére. Fordításminőségi pontozás
A fordítás minőségét az iparági szabványos mérőszámok alapján mértük a SacreBLEU eszköz alapértelmezett beállításainak használatával, amelyet Matt Post [24] talált ki az Amazon Researchnél. Az összehasonlíthatóság kedvéért a lengyel nyelvet Lemko cirill betűkkel adtuk vissza, ugyanúgy, mint a legutóbbi kísérletben [15, 573. o.].
Kétnyelvű értékelési alvállalkozó (BLEU)
Ez az n-gram-alapú metrika évtizedek óta széles körben elterjedt. Az Egyesült Államokban az IBM T. J. Watson Kutatóközpontjában fejlesztették ki a Defense Advanced Research Projects Agency (DARPA) támogatásával és az Egyesült Államok Űr- és Haditengerészeti Hadviselési Rendszerek Parancsnokságának (SPAWAR) felügyeletével [25].
Fordítási szerkesztési arány (TER)
Ez a mérőszám azt tükrözi, hogy hány szerkesztés szükséges ahhoz, hogy a kimenet szemantikailag megközelítse a helyes fordítást, és a BLEU-nál és más n-gramm-alapú mérőszámoknál toleránsabb legyen a kifejezésbeli eltolódásokkal szemben. Ezt úgy határozzuk meg, hogy a hipotézis és a referencia közötti szerkesztési távolságot elosztjuk a referencia átlagos szószámával. Fejlesztését az Egyesült Államokban a DARPA is támogatta [26].
Karakter n-gram F-pontszám (chrF)
Ez az európai metrika bizonyítottan nagyon jól korrelál az emberi értékelésekkel, sőt, még a BLEU és a TER értékeket is felülmúlja [27].
4 Eredmények és vita
A kísérleti rendszer, a LemkoTran.com, minden mérőszámban felülmúlta a Google Translate szolgáltatásait. Az angol-Lemko fordítás BLEU minőségi pontszámai 35%-kal javultak a legutóbb közzétett eredményekhez képest [15], és négyszer jobb eredményeket produkáltak, mint a Google Translate következő legjobb ajánlata, az ukrán szolgáltatás. Eközben a Lemko-angol fordítás minősége 23%-kal javult a legutóbb közzétett eredményekhez képest [16], és 16%-kal magasabb BLEU-pontszámokat ért el, mint a Google Translate által elért legjobb eredmény, amely az esetek 76%-ában automatikusan ukránnak, 16%-ában orosznak, 6%-ában pedig fehérorosznak ismerte fel a Lemkót.
4.1 Angol-Lemko fordítási minőség
Pontszámok
A LemkoTran.com oldalon használt motor minden tekintetben felülmúlta a Google Translate fordítóprogramot az angolról lemkóra történő fordítás során. A kísérletben a következő legmagasabb pontszámot elért rendszer vagy a Google Translate ukrán szolgáltatásának eredménye (a BLEU vagy a chrF mérőszámok alapján) vagy a lengyel szolgáltatásé (a TER mérőszám alapján) volt.
BLEU
A LemkoTran.com-nál alkalmazott rendszer fordítási minősége a legelterjedtebb BLEU-mérőszámmal mérve 8,48-ra emelkedett, ami 35%-os javulást jelent a legutóbb 2022-ben [15] közzétett eredményekhez képest, és immár négyszerese a Google Translate legmagasabb pontszámának.
Ábra. 1. Angol-Lemko fordítás minősége a Bilingual Evaluation Understudy (BLEU) pontszám, Google Cloud Neural Machine Translation (NMT) szolgáltatások és a LemkoTran.com összehasonlítása alapján. Minél magasabb, annál jobb. chrF
A LemkoTran.com motor érte el a legjobb angol-lemkó karakter n-gram f-értéket (chrF 37,30), ami 37%-kal magasabb, mint a következő legjobb, a Google Translate ukrán szolgáltatása. Eközben a Google Translate orosz szolgáltatása a Lemko-korpuszhoz mérve e mérőszámmal magasabb pontszámot ért el, mint lengyel és fehérorosz társai.
Ábra. 2. Angol-Lemko fordítás minősége a karakter n-gram F-score (chrF) pontszámmal mérve, Google Cloud Neural Machine Translation (NMT) és a LemkoTran.com kísérleti rendszerrel szemben. Minél magasabb, annál jobb. TER
A LemkoTran.com motor érte el a legjobb angol-lemkó fordításszerkesztési arányt (TER), 81,33 ponttal. A Google Translate lengyel szolgáltatása a második legjobb eredményt érte el, amelyet szorosan követett az ukrán szolgáltatása.
Ábra. 3. Angolról Lemkóra fordítási szerkesztési arány (TER), Google Cloud Neural Machine Translation (NMT) versus LemkoTran.com. Minél alacsonyabb, annál jobb. Minták
A fordítórendszerek kimenete az alábbiakban látható, ha angolul táplálják.
Bemenet A mi gyerekeink is okosak voltak. De hol kellett volna tanulniuk? Leírás Kimenet Átírás Minőségi pontszámok Lemko referencia
(anyanyelvi beszélő)В нас діти тіж были мудры, але де мали ся inчыти? V nas dity tiž bŷly mudrŷ, ale de maly sja včŷty? BLEU 100
chrF2 100
TER 0Lemkó fordítás a
LemkoTran.com által Lemko nyelvre fordítva.Нашы діти тіж были мудры. але де мали ся inчыти? Našŷ dity tiž bŷly mudrŷ. ale de maly sja včŷty? BLEU 58,34
chrF2 79,03
TER 27,27Google Translate (vezérlés) Fordítás ukrán nyelvre Наші діти теж були розумними. Але де вони мали inчитися? Naši dity tež buly rozumnymy. Ale de vony maly včytysja? BLEU 4,41
chrF2 25,80
TER 72,73Fordítás oroszra Наши дети тоже были умными. Но где им было учиться? Naši deti tože byli umnymi. No gde im bylo učitʹsja? BLEU 3,71
chrF2 16,95
TER 90,91Fordítás lengyel nyelvre Наше дзєці теж били мондре. Алє ґдзє мєлі сє учиць? Naše dzjeci tež byly mondre. Alje gdzje mjeli sje učycʹ? BLEU 3,12
chrF2 13,84
TER 100Fehérorosz fordítás Разумныя былі і нашы дзеці. Але дзе яны павінны былі вучыцца? Razumnyja byli i našy dzeci. Ale dze jany pavinny byli vučycca? BLEU 3,09
chrF2 12,83
TER 1004. táblázat. Fordítási hipotézisek összehasonlítása az angol bemenethez. Bemenet És általában véve a lengyelországi lemkóknak nincs olyan vezetőjük, hogy úgy mondjam, aki mondana valamit. Leírás Termék Átírás Minőségi pontszámok Lemko referencia (anyanyelvi beszélő) А воґулі Лемкы in Польщы nem мают такого, же so повім, такого лідера, котрий бы штоси повіл. A voguli Lemkŷ v Pol’ščŷ ne majut takoho, že tak povim, takoho lidera, kotryj bŷ štosy povil. BLEU 100
chrF2 100
TER 0LemkoTran.com fordítása Lemko nyelvre І генеральні Лемкы in Польщы nem мают лидера, же so повім, котрий бы штоси повіл. I heneral „ni Lemkŷ v Pol” ščŷ ne majut lydera, že tak povim, kotryj bŷ štosy povil. BLEU 55,58
chrF2 65,32
TER 29,41Google Translate (vezérlés) Fordítás lengyel nyelvre І ґенеральнє Лемковє in Польсце нє майон лідера, же so повєм, ктури би цось повєдзял. I general’nje Lemkovje v Pol’sce nie majon lidera, že tak povjem, ktury by cos’ povjedzjal. BLEU 9,26
chrF2 29,29
TER 82,35Fordítás ukrán nyelvre І взагалі, лемки in Польщі nem мають лідера, so би мовити, який би щось сказав. I vzahali, lemky v Pol’shchi ne mayut’ lidera, tak by movyty, yakyj by shchos’ skazav. BLEU 5,15
chrF2 26,56
TER 82,35Fordítás oroszra И вообще, у лемков in Польше нет, so сказать, лидера, который бы valami mondta. I voobšče, u lemkov v Polʹše net, tak skazatʹ, lidera, kotoryj by čto-to skazal. BLEU 2,96
chrF2 25,87
TER 88,24Fehérorosz fordítás І ўвогуле лэмкі ў Польшчы ня маюць лідэра, így бы мовіць, які б б nemшта сказаў. I ŭvohule lèmki ŭ Pol′ščy nja majuc′ lidèra, tak by movic′, jaki b nešta skazaŭ. BLEU 2,72
chrF2 18,05
TER 94,125. táblázat. Fordítási hipotézisek összehasonlítása az angol bemenethez. Lemko to English fordítás
Pontszámok
A LemkoTran.com-nál alkalmazott motor minden mérőszámban felülmúlta a Google Fordítót, amely a szabványos ukrán nyelvből történő fordításban mindig a második legjobb volt, majd a forrásnyelv automatikus felismerése, majd a fehérorosz nyelvből történő fordítás, majd a lengyel nyelv, és az orosz nyelv mindig az utolsó helyen végzett. A Google Fordító az esetek 76%-ában ukránként, 16%-ában oroszként, 6%-ában fehéroroszként, a többi esetben pedig különféle cirill betűs nyelvként (pl. mongol) ismerte fel a Lemkót.
BLEU
A LemkoTran.com angolra fordításkor 17,95 BLEU pontszámot ért el, ami 23%-os javulást jelent a legutóbb közzétett 14,57-es BLEU eredményhez képest, és 16%-kal magasabb, mint a Google Translate ukrán szolgáltatásának 15,43-as BLEU pontszáma.
Ábra. 4. Lemko-angol fordítás minősége a Bilingual Evaluation Understudy (BLEU) pontszám, Google Cloud Neural Machine Translation (NMT) szolgáltatások és a kísérleti rendszer LemkoTran.com összehasonlítása. Minél magasabb, annál jobb. chrF
A LemoTran.com-nál alkalmazott motor az angol nyelvre történő fordítás során 45,89-es karakter n-gram f-pontszámot (chrF) ért el, ami 5%-kal jobb, mint a Google Translate ukrán szolgáltatásának pontszáma.
Ábra. 5. Lemko-angol fordítás minősége a karakter n-gram F-score (chrF) pontszámmal mérve, Google Cloud Neural Machine Translation (GNMT) és a kísérleti rendszer LemkoTran.com. Minél magasabb, annál jobb. TER
A LemkoTran.com 70,38-as fordítási arányt (TER) ért el angolra fordításkor, ami 7%-kal jobb, mint a Google Translate ukrán szolgáltatásának pontszáma.
Ábra. 6. Lemko-angol fordítás szerkesztési aránya (TER), Google Cloud Neural Machine Translation (GNMT) és a LemkoTran.com kísérleti rendszer összehasonlítása. Minél alacsonyabb, annál jobb. Minták
A fordítórendszerek kimenete az alábbiakban látható, ha angolul táplálják.
Leírás Termék Minőség
pontszámokLemko bemeneti átirata anyanyelvi beszélő által beszélt nyelven Lemko Як розділяме языкы, то мала-м контакт з польскым, то nem было így, же пішла-м до iskola без польского, бо зме мали сусідів Поляків. n/a Átírás Jak rozdiljame jazŷkŷ, to mala-m kontakt z pol „skŷm, to ne bŷlo tak, že pišla-m do školŷ bez pol” skoho, bo zme maly susidiv Poljakiv. n/a Referenciafordítás kétnyelvű szakember által Ami a nyelvek szétválasztását illeti, a lengyel nyelvvel volt kapcsolatom. Nem úgy kezdtem az iskolát, hogy nem tudtam lengyelül, mert lengyel szomszédaink voltak. BLEU 100
chrF2 100
TER 0Lemkóból a LemkoTran.com rendszerével készült fordítás. Amikor szétválasztottuk a nyelveket, én kapcsolatba kerültem a lengyel nyelvvel, nem volt olyan, hogy lengyel nélkül jártam iskolába, mert voltak lengyel szomszédaink. BLEU 45,84
chrF2 69,60
TER 32,00Google Translate (vezérlés) ukrán nyelvből (92%-os biztonsággal automatikusan felismerhető) Ahogy osztjuk a nyelveket, akkor érintkeztem lengyelül, aztán nem így volt, és lengyel nélkül jártam iskolába, mert a lengyelek voltak a szomszédaim. BLEU 15,87
chrF2 54,38
TER 72,00fehéroroszul Ahogy szétválasztjuk a nyelveket, akkor kevéssé érintkeztem lengyelül, aztán nem így volt, hanem lengyel nélkül jártam iskolába, mert kevés lengyel szomszédunk volt. BLEU 11,76
chrF2 58,92
TER 68,00oroszul Ahogy terjesztettük a nyelveket, akkor kevés volt a kapcsolat a lengyellel, aztán nem így volt, de én lengyel nélkül jártam iskolába, mert a kígyók szukidok voltak Poljakivban. BLEU 6,87
chrF2 42,66
TER 92,00lengyelül Ahogy terjesztem a nyelvet, kevés kapcsolatom van a lengyel nyelvvel, nem volt olyan, hogy lengyel nélkül jártam iskolába, mert a kis lengyel nyelvemet meg fogom változtatni. BLEU 5,02
chrF2 45,35
TER 84,006. táblázat. Lemko bemenetre vonatkozó fordítási hipotézisek összehasonlítása. 5 Következtetés
A morfológiailag és szintaktikailag tájékozott generátorok neurális motorokhoz való kapcsolása legalább egyharmaddal javíthatja a gépi fordítás minőségét, miközben a mérnökök számára lehetővé teszi a kölcsönszavak eltávolítását és más domináns nyelvi interferenciák ellensúlyozását, valamint a szabványoknak való megfelelés biztosítását, például a kisebbségi nyelvek kodifikációját. A mesterséges intelligenciamodellek tökéletlenségei miatt a minőségi pontszámok üvegplafonját is le lehet dönteni a jó mérnöki munka segítségével. A lemkó, valamint az alacsony erőforrású, őshonos kisebbségi nyelvek esetében a fordítási minőség, valamint az élesztési forradalmak tekintetében a horizonton túl már csak a határ a csillagos ég.
Köszönetnyilvánítás
Szeretnék köszönetet mondani Dr. Ming Qian-nak a Charles River Analytics-től a kísérlet elvégzéséhez adott inspirációért, Michael Decerbo-nak a Raytheon BBN Technologies-tól és Dr. James Joshua Pennington-nak az értő megjegyzéseikért, valamint Dr. Yves Scherrer-nek a Helsinki Egyetemről a projekt iránti érdeklődéséért és ötleteiért.
Hivatkozások
- Bromham, L., Dinnage, R., Skirgård, H. Ritchie, A., Cardillo, M., Meakins, F., Greenhill, S., Hua, X.: A nyelvek veszélyeztetettségének globális előrejelzői és a nyelvi sokszínűség jövője. Nature Ecology & Evolution 6, 163-173 (2022) . https://doi.org/10.1038/s41559-021-01604-y.
- Gonzalez, M., Aronson, B., Kellar, S., Walls, M., Greenfield, B.: Language as a Facilitator of Cultural Connection. ab-Original 1(2), 176-194 (2017). https://doi. org/10.5325/aboriginal.1.2.0176.
- Oster, R., Grier, A., Lightning, R., Mayan, M., Toth, E.: Kulturális folytonosság, hagyományos őslakos nyelv és cukorbetegség az albertai első nemzeteknél: vegyes módszertani vizsgálat. International Journal for Equity in Health 13, 92 (2014). https://doi.org/10.1186/s12939-014-0092-4. https://doi.org/10.1186/s12939-014-0092-4
- Kultúra, örökség és szabadidő: Az őslakos és Torres-szoros-szigeteki nyelvek beszélése. In: 4725.0 – Aboriginal and Torres Strait Islander Wellbeing: A hangsúly a gyermekekre és fiatalokra helyezve. Ausztrál Statisztikai Hivatal (2011). https://www.abs.gov.au/ausstats/abs@.nsf/Latestproducts/1E6BE19175C1F8C3CA257A0600229ADC
- Hallett, D., Chandler, M., Lalonde, C..: Aboriginal language knowledge and youth suicide. Cognitive Development 22(3), 392-399 (2007). https://doi.org/10.1016/j.cogdev.2007.02.001. https://doi.org/10.1016/j.cogdev.2007.02.001
- Whalen, D., Lewis, M., Gillson, S., McBeath, B., Alexander, B., Nyhan, K.: Az őslakosok nyelvhasználatának és újraélesztésének egészségügyi hatásai: egy reális áttekintés. International Journal for Equity in Health 21, 169. (2022) . https://doi.org/10.1186/s12939-022-01782-6.
- Skrodzka, M., Hansen, K., Olko, J., Bilewicz, M.: A kisebbségi nyelv kettős szerepe a történelmi traumában: A lemkó kisebbség esete Lengyelországban. Journal of Language and Social Psychology. 39(4) 551-566 (2020). https://doi.org/10.1177/0261927X20932629. https://doi.org/10.1177/0261927X20932629
- Zhang, S., Frey, B., Bansal, M.: ChrEn: Cherokee-English Machine Translation for Endangered Language Revitalization. In: Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), pp. 577-595. Association for Computational Linguistics, Online (2020) . http://dx.doi.org/10.18653/v1/2020.emnlp-main.43.
- Duć-Fajfer, O.: Literatura a proces rozwoju i rewitalizacja tożsamości językowej na przykładzie literatury łemkowskiej (lengyelül). In: Olko, J., Wicherkiewicz, T., Borges, R. (szerk.) Integral Strategies for Language Revitalization, 1. kiadás, pp. 175-200. Faculty of „Artes Liberales”, University of Warsaw, Varsó (2016) . https://culturalcontinuity.al.uw.edu.pl/resource/integral-strategies-for-language-revitalization/.
- Shevelov, G.: Az ukrán nyelv történeti fonológiája (ukrán fordítás). Vakulenko, S., Danylenko, A. (ford.), Ushkalov, L. (szerk.). Naukove vydavnyctvo „AKTA”, Harkiv (2002, eredeti mű 1979-ben jelent meg) . http://irbis-nbuv.gov.ua/ulib/item/UKR0001641.
- Rieger, J.: Stanovysko i zrižnycjuvanja „rusynskŷx” dialektiv v Karpatax (in Rusyn). In: Magosci, P. (szerk.) Najnowsze dzieje języków słowiańskich. Rusynʹskŷj jazŷk, pp. 39-66. 2nd edn. Uniwersytet Opolski – Instytut Filologii Polskiej, Opole (2007). https://www.unipo.sk/cjknm/hlavne-sekcie/urjk/vedecko-vyskumna-cinnost/publikacie/26405/
- Vaňko, J.: Klasifikacija i holovnŷ znakŷ Karpatʹskŷx Rusynʹskŷx dialektiv (in Rusyn). In: Magosci, P. (szerk.) Najnowsze dzieje języków słowiańskich. Rusynʹskŷj jazŷk, pp. 67-84. 2nd edn. Uniwersytet Opolski – Instytut Filologii Polskiej, Opole (2007). https://www.unipo.sk/cjknm/hlavne-sekcie/urjk/vedecko-vyskumna-cinnost/publikacie/26405/
- Vaňko, J.: A ruszin nyelv Szlovákiában: a szikla és a kemény hely között. In: Duchêne, A. (szerk.): International Journal of the Sociology of Language, 2007. évf. 183. szám, 75-96. o. Walter de Gruyter GmbH, Berlin (2007) . https://doi.org/10.1515/IJSL.2007.005.
- Szopolyha, M.: Do pytanʹ etničnoï identyfikaciï ta sučasnyx etničnyx procesiv ukraïnciv Prjašivščyny (ukránul). In: Skrypnyk, H. (szerk.) Ukraïnci-rusyny: etnolʹinhvistyčni ta etnokulʹturni procesy v istoryčnomu rozvytku, pp. 454-487. Ukrán Nemzeti Tudományos Akadémia, Ukrán Tanulmányok Országos Szövetsége, Rylsky Művészettudományi, Folklór- és Etnológiai Intézet, Kijev (2013). http://irbis-nbuv.gov.ua/ulib/item/UKR0001502
- Orynycz, P.: Say It Right: AI Neural Machine Translation Empowers New Speakers to Revitalize Lemko. In: Degen, H., Ntoa, S. (szerk.) Mesterséges intelligencia a HCI-ben. HCII 2022. Lecture Notes in Computer Science, vol 13336, pp. 567-580. Springer, Cham (2022) . https://doi.org/10.1007/978-3-031-05643-7_37.
- Orynycz, P., Dobry, T., Jackson, A., Litzenberg, K.: Yes I Speak… AI neurális gépi fordítás többnyelvű képzésben. In: Proceedings of the Interservice/Industry Training, Simulation, and Education Conference (I/ITSEC) 2021, Paper no. 21176. National Training and Simulation Association, Orlando (2021) . https://www.xcdsystem.com/iitsec/proceedings/index.cfm?Year=2021&AbID=96953&CID=862.
- Scherrer, Y., Rabus, A.: Neural morphosyntactic tagging for Rusyn. In: Mitkov, R., Tait, J., Boguraev, B. (szerk.) Natural Language Engineering, vol. 25, no. 5, pp. 633-650. Cambridge University Press, Cambridge (2019) . https://doi.org/10.1017/S1351324919000287.
- Horoszczak, J.: Słownik łemkowsko-polski, polsko-łemkowski (lengyelül). Rutenika, Varsó (2004).
- Pyrtej, P.: Korotkyj slovnyk lemkivsʹkyx hovirok (ukránul). Sziverszijja MV, Ivano-Frankivszk (2004).
- Duda, I.: Lemkivsʹkyj slovnyk (ukránul). Aston, Ternopil (2011).
- Rieger, J.: Słownictwo i nazewnictwo łemkowskie (lengyelül). Wydawnictwo naukowe Semper, Varsó (1995).
- Fontański, H., Chomiak, M.: Gramatyka języka łemkowskiego (lengyelül). Wydawnictwo Naukowe „Śląsk”, Katowice (2000).
- Pyrtej, P.: Dialekt łemkowski. Fonetyka i morfologia (lengyelül). Hojsak, W. (szerk.). Zjednoczenie Łemków, Gorlice (2013).
- Post, M.: Felhívás a BLEU-pontszámok jelentésének egyértelműségére. In: Proceedings of the Third Conference on Machine Translation (WMT), vol. 1, pp. 186-191. Association for Computational Linguistics, Brüsszel (2018) . https://doi.org/10.48550/arXiv.1804.08771.
- Papineni, K., Roukos, S., Ward, T., Wei-Jing, Z.: BLEU: módszer a gépi fordítás automatikus értékelésére. In: Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (ACL 02), pp. 311-318. Association for Computational Linguistics, Philadelphia (2002) . https://doi.org/10.3115/1073083.1073135.
- Snover, M., Dorr, B., Schwartz, R., Micciulla, L., Makhoul, J.: A Study of Translation Edit Rate with Targeted Human Annotation. In: Proceedings of the 7th Conference of the Association for Machine Translation in the Americas: Technical Papers, pp. 223-231. Association for Machine Translation in the Americas, Cambridge (2006) . https://aclanthology.org/2006.amta-papers.25.
- Popović, M.: chrF: character n-gram F-score for automatic MT evaluation. In: Proceedings of the Tenth Workshop on Statistical Machine Translation, pp. 392-395. Association for Computational Linguistics, Lisszabon (2015). http://dx.doi.org/10.18653/v1/W15-3049
-
Say It Right: AI Neural Machine Translation Empowers New Speakers To Revitalize Lemko
Abstract
Artificial-intelligence powered neural machine translation might soon resuscitate endangered languages by empowering new speakers to communicate in real time using sentences quantifiably closer to the literary norm than those of native speakers, and starting from day one of their language reclamation journey. While Silicon Valley has been investing enormous resources into neural translation technology capable of superhuman speed and accuracy for the world’s most widely used languages, 98% have been left behind, for want of corpora: neural machine translation models train on millions of words of bilingual text, which simply do not exist for most languages, and cost upwards of a hundred thousand United States dollars per tongue to assemble.
For low-resource languages, there is a more resourceful approach, if not a more effective one: transfer learning, which enables lower-resource languages to benefit from achievements among higher-resource ones. In this experiment, Google’s English-Polish neural translation service was coupled with my classical, rule-based engine to translate from English into the endangered, low-resource, East Slavic language of Lemko. The system achieved a bilingual evaluation understudy (BLEU) quality score of 6.28, several times better than Google Translate’s English to Standard Ukrainian (BLEU 2.17), Russian (BLEU 1.10), and Polish (BLEU 1.70) services. Finally, the fruit of this experiment, the world’s first English to Lemko translation service, was made available at the web address
www.LemkoTran.com
to empower new speakers to revitalize their language.New speakers are key to language revitalization, and the power to “say it right” in Lemko is now at their fingertips.
Keywords: Human-Centered AI, Language Revitalization, Lemko.
Please cite as: Orynycz, P. (2022). Say It Right: AI Neural Machine Translation Empowers New Speakers to Revitalize Lemko. In: Degen, H., Ntoa, S. (eds) Artificial Intelligence in HCI. HCII 2022. Lecture Notes in Computer Science(), vol 13336. Springer, Cham. https://doi.org/10.1007/978-3-031-05643-7_37
This version of the contribution has been accepted for publication after peer review but is not the Version of Record and does not reflect post-acceptance improvements, or any corrections. The Version of Record is available online at https://doi.org/10.1007/978-3-031-05643-7_37. Use of this Accepted Version is subject to the publisher’s Accepted Manuscript terms of use: https://www.springernature.com/gp/open-research/policies/accepted-manuscript-terms.
Table of contents
1 Introduction
1.1. Problems
This experiment aims to contribute at the local level to the global challenge of language loss, which may be occurring at the rate of one per day, with as few as one tongue in ten set to survive [1, p. 1329]. At press time, SIL International’s Ethnologue uses Lewis and Simons’ 2010 Expanded Graded Intergenerational Disruption Scale to estimate that 3,018 languages are endangered [2], which is 43% of the 7,001 individual living ones tallied at press time in International Organization for Standardization standard ISO 639-3 [3]. Meanwhile, Google Translate only serves 108 [4], and Facebook, 112 [5], which is a start. Nevertheless, one less language is now underserved, as the fruit of this experiment has been deployed to a web server as a public translation service.
New, artificial intelligence technologies beckon with the promise of an aid that instantly compensates for language loss via human-computer interaction. In my previous experiment, next-generation neural engines achieved higher quality scores translating from Russian and Polish into English than the human control [6, p. 9]. Meanwhile, Facebook and Google1 have invested enormous resources into delivering better-than-human automatic translation systems at zero cost to consumer.
1 Disclosure: I work as a paid Russian, Polish, and Ukrainian linguist and translation quality control specialist for the Google Translate project; headquarters are in San Francisco.
Superhuman artificial intelligence does not come cheap: training neural language models requires bilingual corpora with wordcounts in the hundreds of thousands, and ideally, millions, which would cost hundreds of thousands of dollars to translate, sums beyond the means of most low-resource language communities. Fortunately, this experiment shows that there are more resourceful and effective ways to respond to the challenge of creating translation aids for revitalizing endangered languages in low-resource settings.
1.2 Work So Far
I built the world’s first Lemko to English machine translation system and have made it available to the public. Its objective translation quality scores have been improving: the engine achieved a bilingual evaluation understudy (BLEU) score of 14.57 in the summer of 2021, as presented to professionals at the National Defense Industrial Association’s Interservice/Industry Training, Simulation and Education Conference and published in its proceedings [6]. For reference, I scored BLEU 28.66 as a human translator working in field conditions, cut off from the outside world. By the autumn of 2021, the engine had reached BLEU 15.74, as reported to linguists, academics, and the wider community at an unveiling event hosted by the University of Pittsburgh.2
2 Disclosure: the event was sponsored by the Carpatho-Rusyn Society (Pennsylvania), and I was paid by the University of Pittsburgh for my presentation.
1.3 System Under Study
Lemko is a definitively to severely endangered [6, p. 3, 7, pp. 177-178], low-resource [8], officially recognized minority language [9] presumably indigenous to transborder highlands south of the Cracow, Tarnów, and Rzeszów metropolitan areas; historical demarcating isoglosses will hopefully be the topic of a future paper. Poland’s census bureau tallied 6,279 residents for whom Lemko was a language “usually used at home” (even if in addition to Polish) in 2011 [10, p. 3], a 12% increase from the 5,605 for whom Lemko was a “language spoken most often at home” in 2002 [11, p. 6, 12, p. 7]. At press time, the results of a fresh count are being tabulated.
Lemko is classifiable as an East Slavic language as it fits the customary genetic structural feature criteria, the most significant of which is pleophony [13, p. 20], whereby a vowel is assumed to have arisen in proto-Slavic sequences of consonant
C
followed by mid or low vowelV
(*e
, or*o
, with which*a
had merged [14, p. 366]), followed by liquid R (that is,*l
or*r
), followed by another consonantC
, that is,CVRC > CVRVC
. To illustrate, compare the Old English word for “melt”, meltan (CVRC
) [15, p. 718] to its putative Lemko cognate mołódyj [16, p. 92, 17, p. 150] (CVRC
), meaning “young”. Other East Slavic cognates include Ukrainian mołodýj and Russian mołodój [17], both exhibiting a vowel after the liquid (CVRVC
). Meanwhile, West Slavic languages lack a vowel before the liquid; compare Polish młody and Slovak mladý (bothCRVC
) [17]. Further afield, kinship has been posited for other words translatable as “mild”, including Sanskrit mṛdú (CRC
) [18, p. 830] and Latin mollis (CVRC
if from *moldvis) [15, 17, 19, p. 323].How well Lemko meets customary, modern Ukrainian genetic structural feature criteria was not evaluated in this experiment. However, similarity between Lemko and Standard Ukrainian was quantified, for the first time in print of which I am aware. Below, my Lemko engine scored BLEU 6.28, nearly three times the score of Google Translate’s Ukrainian at BLEU 2.17. Further experiments could be performed for the purposes of quantification of similarity between Lemko, Standard Ukrainian, Polish, and Rusyn as codified in Slovakia, as well as a fresh take on the typological classification of Lemko.
The quantity and quality of resources have been improving, as has resourcefulness empowered by technology. All known bilingual corpora, comprising fewer than seventy thousand Lemko words, were mustered for this experiment. I have been cleaning a bilingual corpus of transcriptions of interviews conducted with native speakers in Poland and my translations into English, which a United States client paid me to perform and permitted me to use. I am also compiling monolingual corpora, which total 534,512 words at press time.
1.4 Hypothesis
Based on my subjective impression as a professional translator that Lemko native speakers interviewed in Poland were more likely to use words with obvious Polish cognates than Standard Ukrainian ones, I hypothesized that, all else being equal, a machine could be configured to translate into Lemko from English and achieve BLEU objective quality scores higher than those of Google Translate’s Ukrainian and Russian services.
1.5 Predictions
Lemko Translation System. I predicted that the aforementioned translation system would achieve a BLEU score of 15 translating into Lemko from English against the bilingual corpus.
Google Translate.
English to Ukrainian service. I predicted that Google Translate’s English to Ukrainian service would achieve a BLEU score of 10 against the bilingual corpus.
English to Russian service. I predicted that Google Translate’s English to Russian service would achieve a BLEU score of 1 against the bilingual corpus.
1.6 Methods and Justification
In the interest of speed, resource conversation, and ruggedizability, a laptop computer discarded as obsolete by my employer was configured to translate into Lemko and make calls to the Google Cloud Platform Google Translate service, as well as configured to evaluate said translations using the industry standard BLEU metric.
1.7 Principal Results
The English to Lemko translation system achieved a cumulative BLEU score of
6.28431824990417
. Meanwhile, Google Translate’s Ukrainian service scored BLEU2.16830846776652
, its Russian service BLEU1.10424105952048
, and the control of Polish transliterated into the Cyrillic alphabet BLEU1.70036447680114
.2 Materials and Methods
The above hypothesis was tested by calculating BLEU quality scores for each translation system set up in the manner detailed below.
2.1 Setup
Hardware. The experiment was conducted on an HP Elitebook 850 G2 laptop with a Core i7-5600U 2.6GHz processor, and 16 gigabytes of random-access memory. It had been discarded by my employer as obsolete and listed for sale at USD 450 at time of press.
Configuration. In the basic input/output system (BIOS) menu, the device was configured to enable Virtualization Technology (VTx).
Operating System. Windows 10 Professional 64 bit had been installed on bare metal. It was ensured that
Virtual Machine Platform
andWindows Subsystem for Linux
Windows features were enabled. Next, theWSL2 Linux kernel update for x64
machines (wsl_update_x64.msi) available from Microsoft athttps://aka.ms/wsl2kernel
was installed.Software. The Docker Desktop for Windows version 4.4.3 (73365) installer was downloaded from
https://www.docker.com/get-started
and run with the option toInstall required Windows components for WSL 2 selected
.Packages. The experiment depended on the below packages from the Python Package Index.
SacreBLEU. Version 2.0.0 was installed using the Python package documented at the following universal resource locator (URL):
https://pypi.org/project/sacrebleu/2.0.0/
Google Cloud Translation API client library. Version 2.0.1 was installed using the Python package documented at the universal resource locator (URL)
https://pypi.org/project/google-cloud-translate/2.0.1/
The above dependencies were specified in the requirements file as follows:
google-cloud-translate==2.0.1
sacrebleu==2.0.0
Container.
Build. The experiment was run in a Docker container featuring the latest version of the Python programming language, which was version 3.10.2 at the time, running on the Debian Bullseye 11 Linux operating system of AMD64 architecture, of Secure Hash Algorithm 2 shortened digest
bcb158d5ddb6
, obtainable via the following command:docker pull python@sha256:bcb158d5ddb636fa3aa567c987e7fcf61113307820d466813527ca90d60fedc7
Runtime. The container was configured to save raw experiment data files to a local bind mounted volume.
Translation Quality Scoring.
Translation quality scores were calculated according to the BLEU metric using version 2.0.0 of the SacreBLEU tool invented by Post [20].Case sensitivity. The evaluation was performed in a case-sensitive manner.
Tokenization. Segments were tokenized using version 13a of the Workshop on Statistical Machine Translation standard scoring script metric internal tokenization procedure.
Smoothing Method. The smoothing technique developed at the National Institute of Standards and Technology by United States Federal Government employees for their Multimodal Information Group BLEU toolkit, being the third technique described by Chen and Cherry [21, p. 363], was employed by default.
Signature. The above settings produced the following signature:
nrefs:1|case:mixed|eff:no|tok:13a|smooth:exp|version:2.0.0
Calibration. Configured as above, the machine produces the following output:
Segment 1031.English source Everything was there.
Lemko reference and transliteration Вшытко там было.
Všŷtko tam bŷlo.
Lemkotran.com
hypothesis and transliterationВшытко там было.
Všŷtko tam bŷlo.
Score BLEU = 100.00 100.0/100.0/100.0/100.0 (BP = 1.000 ratio = 1.000 hyp_len = 4 ref_len = 4)
Explanation. The hypothesis segment was identical to the reference one and the machine achieved a perfect score of BLEU 100.
Segment 179.English source I don't remember what year.
Lemko reference and transliteration Не памятам в котрым році.
Ne pamjatam v kotrŷm roci.
Lemkotran.com
hypothesis and transliterationНі памятам, в котрым році.
Ni pamjatam, v kotrŷm roci.
Score BLEU = 43.47 71.4/50.0/40.0/25.0 (BP = 1.000 ratio = 1.167 hyp_len = 7 ref_len = 6)
Explanation. The hypothesis was different from the reference by two characters. The machine mistranslated the particle negating the verb, using the word for “no” (ni) instead of the expected word for “not” (ne). This has since been largely fixed. The machine also added a comma after pamjatam, which means “I remember”. That dropped the score from what would have been a perfect score of 100 to 43.47.
Control. As the corpus is based on interviews conducted in Poland, translations into Polish were used as a control. They were transliterated into the Cyrillic alphabet by reversing the rules for transliterating Lemko names established by Poland’s Ministry of the Interior and Administration [22, p. 6564]. Polish nasal vowels were decomposed into a vowel plus a nasal stop, except before approximants, where they were directly denasalized. Word finally, the front nasal vowel /ę/ was simply denasalized, and the back one /ą/ was transliterated as if followed by a dental stop.
3 Results
The engine available to the public at
www.LemkoTran.com
took first place with a cumulative translation quality score of BLEU 6.28, nearly three times that of the runner-up, Google Translate’s English-Ukrainian service (BLEU 2.17). Next was its English-Polish service (BLEU 1.70), with its English-Russian service in last place (BLEU 1.10).Table 1. English to Lemko Translation Quality: LemkoTran.com versus Google Translate 3.1 Results by machine translation service
Control. When transliterated into the Cyrillic alphabet, Google Translate’s translations into Standard Polish achieved a corpus-level BLEU score of 1.70. Samples of its performances are as follows:
Segment 2174.English source We had still been in Izby, right.
Lemko reference and transliteration То мы іщы были в Ізбах, так.
To mŷ iščŷ bŷly v Izbach, tak.
Polish hypothesis and transliteration Билісьми єще в Ізбах, так.
Byliśmy jeszcze w Izbach, tak.
Score BLEU = 46.20
Segment 854.English source And that's what it's all about.
Lemko reference and transliteration І о то ходит.
I o to chodyt.
Polish hypothesis and transliteration І о то власьнє ходзі.
I o to właśnie chodzi.
Score BLEU = 32.47
Segment 217.English source And that's what it's all about.
Lemko reference and transliteration Так мі повіл.
Tak mi povil.
Polish hypothesis and transliteration Так мі повєдзял.
Tak mi powiedział.
Score BLEU = 35.36
Hybrid English-Lemko Engine. The engine freely available to the public at the URL
www.LemkoTran.com
achieved a corpus-level BLEU score of 6.28.Segment 1031.English source Everything was there.
Lemko reference and transliteration Вшытко там было.
Všŷtko tam bŷlo.
Lemkotran.com
hypothesis and transliterationВшытко там было.
Všŷtko tam bŷlo.
Score BLEU = 100.00
Segment 1445.English source But that officer took that medal and said,
Lemko reference and transliteration Але тот офіцер взял тот медаль і повідат:
Ale tot oficer vzial tot medal' i povidat:
Lemkotran.com
hypothesis and transliterationАле тот офіцер взял тот медаль і повіл:
Ale tot oficer vzial tot medal' i povil:
Score BLEU = 75.06
Segment 217.English source That's what he said to me.
Lemko reference and transliteration Так мі повіл.
Tak mi povil.
Lemkotran.com
hypothesis and transliterationТак мі повіл.
Tak mi povil.
Score BLEU = 100.00
Ukrainian. Google Translate’s translations into Standard Ukrainian achieved a corpus-level BLEU score of 2.35.
Segment 2419.English source Where and when?
Lemko reference and transliteration Де і коли?
De i koly?
Ukrainian hypothesis and transliteration Де і коли?
De i koly?
Score BLEU = 100.00
Segment 1096.English source We were there for three months.
Lemko reference and transliteration Там зме были три місяці.
Tam zme bŷly try misiaci.
Ukrainian hypothesis and transliteration Ми були там три місяці.
My buly tam try misjaci.
Score BLEU = 30.21
Segment 2513.English source Well, here to the west.
Lemko reference and transliteration Но то ту на захід.
No to tu na zachid.
Ukrainian hypothesis and transliteration Ну, тут на захід.
Nu, tut na zachid.
Score BLEU = 30.21
Russian. Google Translate’s English to Russian service achieved a corpus-level BLEU score of 1.10.
Segment 432.English source Nobody knew.
Lemko reference and transliteration Нихто не знал.
Nychto ne znal.
Russian hypothesis and transliteration Никто не знал.
Nikto ne znal.
Score BLEU = 59.46
Segment 2751.English source What did they expel us for?
Lemko reference and transliteration За што нас выгнали?
Za što nas vŷhnaly?
Russian hypothesis and transliteration За что нас выгнали?
Za čto nas vygnali?
Score BLEU = 42.73
Segment 2164.English source Brother went off to war.
Lemko reference and transliteration Брат пішол на войну.
Brat pišol na vojnu.
Russian hypothesis and transliteration Брат ушел на войну.
Brat ušel na vojnu.
Score BLEU = 42.73
4 Discussion
The Lemko translation system corpus-level BLEU score of 6.28 indicates that while there is much still to be done, things are on track. The Standard Russian score of BLEU 1.10 indicates that Lemko is less similar to Russian than Polish (BLEU 1.70). Perhaps using pre-revolutionary orthography could boost Russian’s score, but that would be an expensive experiment with little obvious benefit.
The transliterated Standard Polish control similarity score of BLEU 1.70 indicates less interference from the dominant language in Poland than might be expected. It would be interesting to redesign the experiment where a handful of computationally inexpensive and obvious sound correspondences (for example, denasalization of *ę to /ja/ and *ǫ to /u/, retraction of *i to /y/, and change of *g to /h/ [23]) were applied to Polish to see if it then scored higher than Standard Ukrainian.
In summary, Lemko has been synthesized in the lab and the power to produce it placed in the hands of speakers both new and native. After a thorough engine overhaul and glossary ramp-up, the next step is to objectively measure, and if feasible, have speakers subjectively rate, the quality of synthetic Lemko versus that produced by native speakers. The day when new speakers of low-resource languages can use machine translation to start communicating in their language overnight is closer, as is the day the Lemko language joins the ranks of those previously endangered, but now revitalized.
Acknowledgements. I would like to thank my colleague Ming Qian of Peraton Labs for inspiring me to conduct this experiment, and Brian Stensrud of Soar Technology, Inc. for introducing us, as well as his encouragement.
I would also like to thank my friend Corinna Caudill for her encouragement and personal interest in the project, as well as for introducing me to Carpatho-Rusyn Society President Maryann Sivak of the University of Pittsburgh, whom I would like to thank for the opportunity to present my work.
I would also like to thank Maria Silvestri of the John and Helen Timo Foundation for conducting interviews with Lemko native speakers and donating the transcripts and my translations of them to research and development.
I would like to Achim Rabus of the University of Freiburg and Yves Scherrer of the University of Helsinki for their interest in the project and ideas.
I would also like to thank Myhal’ Lŷžečko of the minority-language technology blog InterFyisa for his early interest in the project and community outreach.
I would also like to thank fellow son of Zahoczewie Marko Łyszyk for his interest in the project and community outreach.
Finally, I would like to thank my co-author and Antech Systems Inc. colleague Tom Dobry for his encouragement and guidance.
References
1. ^ Graddol, D.: The future of language. Science, 303(5662), 1329-1331 (2004). https://doi.org/10.1126/science.1096546
2. ^ Eberhard, D. M., Simons, G. F., & Fennig, C. D.: Ethnologue: Languages of the World, SIL International. Twenty-fourth edition. SIL International, Dallas (2021). Online version: How many languages are endangered?, https://www.ethnologue.com/guides/how-many-languages-endangered, last accessed 2022/02/11.
3. ^ ISO 639 Code Tables, https://iso639-3.sil.org/code_tables/639/data, last accessed 2022/02/11.
4. ^ Language support, https://cloud.google.com/translate/docs/languages, last accessed 2022/02/11.
5. ^ Select language, https://m.facebook.com/language.php, last accessed 2022/02/11.
6. ^ ^ Orynycz, P., Dobry, T., Jackson, A., & Litzenberg, K.: Yes I Speak… AI Neural Machine Translation in Multi-Lingual Training. In: Proceedings of the Interservice/Industry Training, Simulation, and Education Conference (I/ITSEC) 2021, Paper no. 21176. National Training and Simulation Association, Orlando (2021). https://www.xcdsystem.com/iitsec/proceedings/index.cfm?Year=2021&AbID=96953&CID=862
7. ^ Duć-Fajfer, O.: Literatura a proces rozwoju i rewitalizacja tożsamości językowej na przykładzie literatury łemkowskiej. In: Olko, J., Wicherkiewicz, T., Borges, R. (eds.), Integral Strategies for Language Revitalization, pp. 175–200. First edition. Faculty of „Artes Liberales”, University of Warsaw, Warsaw (2016).
8. ^ Scherrer, Y., Rabus, A.: Neural morphosyntactic tagging for Rusyn. In: Mitkov, R., Tait, J., Boguraev, B. (eds.), Natural Language Engineering, 25(5), 633–650. Cambridge University Press, Cambridge (2019). https://doi.org/10.1017/S1351324919000287
9. ^ Reservations and Declarations for Treaty No.148 – European Charter for Regional or Minority Languages (ETS No. 148), https://www.coe.int/en/web/conventions/full-list?module=declarations-by-treaty&numSte=148&codeNature=1&codePays=POL, last accessed 2022/02/11.
10. ^ Formularz indywidualny, https://stat.gov.pl/download/gfx/portalinformacyjny/pl/defaultstronaopisowa/5781/1/1/nsp_2011_badanie__pelne_wykaz_pytan.pdf, last accessed 2022/02/11.
11. ^ Narodowy Spis Powszechny Ludności i Mieszkań 2002 r. z 20 maja (formularz A) https://stat.gov.pl/gfx/portalinformacyjny/userfiles/_public/spisy_powszechne/nsp2002-form-a.pdf, last accessed 2022/02/11.
12. ^ IV Raport dotyczący sytuacji mniejszości narodowych i etnicznych oraz języka regionalnego w Rzeczypospolitej Polskiej – 2013, http://mniejszosci.narodowe.mswia.gov.pl/download/86/14637/TekstIVRaportu.pdf, last accessed 2022/02/11.
13. ^ Vaňko, J.: The Language of Slovakia’s Rusyns. East European Monographs, New York (2000).
14. ^ Forston, B., IV: Indo-European Language and Culture. Blackwell Publishing, Oxford (2004).
15. ^ ^ Pokorny, J.: Indogermanisches etymologisches Wörterbuch, Bern, 1959.
16. ^ Horoszczak, J.: Słownik łemkowsko-polski, polsko-łemkowski. Rutenika, Warsaw (2004).
17. ^ ^ ^ ^ Vasmer, M. Russisches etymologisches Wörterbuch. Zweiter Band. Carl Winter, Universitätsverlag, Heidelberg (1955).
18. ^ Monier-Williams, M.: A Sanskrit-English Dictionary Etymologically and Philologically Arranged with Special Reference to Cognate Indo-European Languages, The Clarendon Press, Oxford (1899).
19. ^ Derksen, R.: Etymological Dictionary of the Slavic Inherited Lexicon. In: Lubotsky, A. (ed.) Leiden Indo-European Etymological Dictionary Series, vol. 4, Koninklijke Brill, Leiden (2008).
20. ^ Post, M.: A Call for Clarity in Reporting BLEU Scores. In: Proceedings of the Third Conference on Machine Translation (WMT), vol. 1, pp. 186–191. Association for Computational Linguistics, Brussels (2018). https://aclanthology.org/W18-63
21. ^ Chen B., Cherry, C.: A Systematic Comparison of Smoothing Techniques for Sentence-Level BLEU. In: Proceedings of the Ninth Workshop on Statistical Machine Translation, pp. 362–367. Association for Computational Linguistics, Baltimore (2014). http://dx.doi.org/10.3115/v1/W14-33
22. ^ Ministerstwo Spraw Wewnętrznych i Administracji: Rozporządzenie Ministra Spraw Wewnętrznych i Administracji z dnia 30 maja 2005 r. w sprawie sposobu transliteracji imion i nazwisk osób należących do mniejszości narodowych i etnicznych zapisanych w alfabecie innym niż alfabet łaciński. In: Dziennik Ustaw Nr 102, pp. 6560–6573. Rządowe Centrum Legislacji, Warsaw (2005).
23. ^ Shevelov, G.: On the Chronology of H and the New G in Ukrainian. In: Harvard Ukrainian Studies, vol. 1, no. 2, pp. 137–152. Harvard Ukrainian Research Institute, Cambridge (1977). https://www.jstor.org/stable/40999942