标签
本文首次系统研究了已灭绝的西夏语的分词问题，结合传统词典、无标注文本和预训练字符编码器，尽管资源极端稀缺，仍实现了高性能。
TRACE-BN 介绍了一个课程引导的数据集，用于结构化的孟加拉语-英语辅导，并展示了如何使用 LoRA 将此行为迁移到低于10亿参数的语言模型中，在资源受限的离线环境中显著提高了辅导质量。
介绍了首个面向占语、高棉语和岱侬语的多语种语料库及基准 CKTN，通过一种文字感知的适配方案来解决多语种编码器中的碎片化问题。
本文审计了二十多个非洲自然语言处理语料库家族的许可证来源，识别了兼容性故障，如JW300违规和隐藏的NoDerivs条款，并提供了合法清洁数据集创建的尽职调查清单。
本文利用AfriXNLI基准测试，研究标注数据大小对16种非洲语言自然语言推理性能的影响。结果表明，缩放行为对语言敏感且通常非单调，挑战了常见的单调改进假设，并强调了需要为特定语言创建数据集以及更强的多语言策略。