Effort Reduction through Interactive Machine Translation and Quality Estimation
[ES] El lenguaje humano posibilita la cooperación social, la transmisión del conocimiento y la diversidad cultural; sin embargo, hoy conviven más de 7.000 lenguas y gran parte de la información del mundo sigue concentrada en unas pocas lenguas dominantes. La Traducción Automática (MT) y, en un senti...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2026 |
| País: | España |
| Institución: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | inglés |
| OAI Identifier: | oai:dnet:riunet______::4159812f9b1a4bc075b6e994208c8709 |
| Acceso en línea: | https://riunet.upv.es/handle/10251/236084 |
| Access Level: | acceso abierto |
| Palabra clave: | Traducción automática Redes neuronales Neural networks Machine Translation Machine Learning Interactive Machine Translation Interactive Translation Prediction Quality Estimation Machine learning |
| Sumario: | [ES] El lenguaje humano posibilita la cooperación social, la transmisión del conocimiento y la diversidad cultural; sin embargo, hoy conviven más de 7.000 lenguas y gran parte de la información del mundo sigue concentrada en unas pocas lenguas dominantes. La Traducción Automática (MT) y, en un sentido más amplio, el Procesamiento del Lenguaje Natural (NLP) ofrecen una vía escalable para salvar estas brechas si garantizamos una calidad de nivel profesional y mantenemos el esfuerzo humano en niveles aceptables dentro de flujos de trabajo reales. En la industria de la traducción, esto se ha perseguido tradicionalmente mediante la posedición y otras herramientas de Traducción Asistida por Ordenador (CAT), en las que los humanos corrigen salidas estáticas de MT. La Traducción Automática Interactiva (IMT) propone un paradigma distinto: en lugar de editar una hipótesis fija, el humano y el sistema entablan un bucle estrecho en el que las correcciones parciales y las validaciones se explotan de inmediato para generar nuevas sugerencias. Esta tesis afronta el reto de hacer la IMT eficiente y desplegable a escala reforzando sus protocolos de interacción, sus mecanismos de aprendizaje y sus arquitecturas de modelo. En primer lugar, mejoramos el entorno de IMT mediante mejora del feedback: nuevas formas de aprovechar las señales que el traductor ya proporciona durante su trabajo rutinario, sin requerir anotaciones adicionales. Formalizamos y simulamos acciones de ratón -tanto no explícitas como explícitas- para que el sistema pueda inferir correcciones probables o proponer alternativas antes de que el usuario teclee. Introducimos métricas para cuantificar la efectividad de las acciones y demostramos que un pequeño número de interacciones explícitas en posiciones erróneas reduce sustancialmente el esfuerzo humano. Estos protocolos operan a nivel de palabra y de carácter y se extienden de forma natural a la IMT basada en segmentos, donde se preservan los tramos validados mientras el sistema regenera solo las partes inciertas. En segundo lugar, perseguimos la interacción activa reduciendo el esfuerzo cognitivo al dirigir la atención del usuario. Desarrollamos estrategias de estimación de calidad (QE) a nivel de palabra y de oración y las integramos en IMT para filtrar la atención. En simulación, la confianza a nivel de oración produce reducciones de esfuerzo de forma más consistente, mientras que las señales a nivel de palabra son más heterogéneas. El resultado es un bucle de IMT que invita a intervenir solo cuando la confianza es baja, optimizando la atención y evitando ediciones innecesarias. En tercer lugar, motivados por el rápido avance de los Modelos Grandes de Lenguaje (LLMs), integramos modelos multilingües preentrenados y exploramos la adaptación eficiente en parámetros dentro del entorno de IMT mejorado. En IMT basada en prefijo, los LLM ajustados suelen reducir el esfuerzo de tecleo frente a una línea base de NMT; sin embargo, en escenarios basados en segmentos pueden tener dificultades para generalizar interactivamente a través de los tramos validados, lo que revela una brecha entre una alta calidad estática y un comportamiento realmente sensible al feedback. También investigamos el uso de objetivos de aprendizaje por refuerzo (RL) que recompensan explícitamente la reducción del esfuerzo humano y una mejor alineación con el feedback del usuario, ajustando aún más el comportamiento del modelo al entorno interactivo. Al mejorar la forma en que la IMT incorpora el feedback del usuario, dirigir la atención con señales de confianza fiables e integrar LLMs mediante estrategias de adaptación prácticas, esta tesis cierra brechas clave entre los prototipos de investigación y las necesidades de producción. El resultado es un flujo de trabajo de IMT que requiere menos tecleo, afina el foco de intervención y es más fácil de personalizar, beneficiando de manera concreta a traductores profesionales y agencias de traducción. |
|---|