더 똑똑한 편집? 오류 강조 및 번역 제안을 활용한 사후 편집
요약
본 연구는 LLM을 활용한 자동 사후 편집(APE) 기반의 오류 강조 및 수정 제안이 번역 작업의 생산성과 품질에 미치는 영향을 탐구합니다. 전문 번역가를 대상으로 실험한 결과, APE 방식이 기존 QE 기반 방식보다 사용자 경험 측면에서 더 긍정적인 반응을 얻었으나, 일반적인 사후 편집과 비교했을 때 생산성이나 품질의 유의미한 향상은 관찰되지 않았습니다.
핵심 포인트
- LLM 유도 오류 강조 및 수정 제안의 유용성 탐구
- APE 방식이 QE 기반 강조 방식보다 사용자 경험 측면에서 우수함
- 수정 제안 기능은 전반적인 사용자 경험(UX)을 개선하는 효과가 있음
- 하지만 APE 방식이 일반적인 사후 편집 대비 생산성이나 품질을 직접적으로 높이지는 않음
기계 번역 (MT) 품질이 향상됨에 따라, 품질 평가 (QE) 기반의 오류 강조와 같은 강화된 사후 편집 (Post-editing) 기능에 대한 관심이 높아지고 있으나, 그 유용성에 대한 증거는 여전히 제한적입니다. 본 연구에서는 자동 사후 편집 (APE)을 기반으로 한 LLM (Large Language Model) 유도 오류 강조 및 수정 제안의 유용성을 탐구합니다. 우리는 전문 번역가(En-Nl)가 APE 오류 강조 및 수정 제안을 사용하여 번역물을 사후 편집하는 연구를 수행하였으며, 일반적인 사후 편집 (PE) 및 QE 기반 강조를 사용한 PE와 비교하여 생산성, 품질 및 사용자 경험을 비교하였습니다. 연구 결과, 어떤 조건에서도 일반적인 PE와 비교하여 생산성이나 품질의 향상은 나타나지 않았으나, APE 강조 방식은 QE 기반 강조 방식보다 더 좋은 반응을 얻었으며, 수정 제안은 전반적인 사용자 경험을 개선하는 것으로 나타났습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기