Mediomatix语料库

Mediomatix语料库是首个罗曼什语方言平行语料库，基于291本内容可比的学校教科书，共提取了207,892个多平行语段，超过2百万个词。语料库的创建采用了自动对齐方法，并通过小规模人工评估验证了对齐质量。该数据集适用于罗曼什语方言之间的机器翻译等NLP应用。

The Mediomatix Corpus is the first parallel corpus targeting Romansh dialects. It is constructed from 291 school textbooks with comparable content, containing a total of 207,892 multi-parallel segments and over 2 million words. The corpus was developed using automatic alignment methods, and its alignment quality was validated through small-scale human evaluation. This dataset is suitable for NLP applications such as machine translation between Romansh dialects.

原始信息汇总

Mediomatix 数据集概述

基本信息

• 许可证：CC BY-NC-SA 4.0
• 语言：罗曼什语（Romansh，语言代码：rm）
• 用途：仅限研究目的

数据集结构

• 配置名称：default
• 数据文件：
  • 训练集：train.jsonl
  • 验证集：valid.jsonl
  • 测试集：test.jsonl
  • 无Surmiran方言子集：no_surm.jsonl

内容描述

• 数据形式：多语言平行对齐语料
• 来源：格劳宾登州教材（Meds dinstrucziun dal Grischun）
• 方言覆盖：
  • 苏尔塞尔瓦方言（Sursilvan）：rm-sursilv
  • 苏塞尔瓦方言（Sutsilvan）：rm-sutsilv
  • 苏尔米兰方言（Surmiran）：rm-surmiran
  • 上恩加丁方言（Puter）：rm-puter
  • 下恩加丁方言（Vallader）：rm-vallader

书籍编码规则

• 第一位数：表示学年
• 后续数字：表示该学年的书籍卷数
• 两位字母代码：
  • "wb"：学生练习册
  • "tc"：教师评注
• 示例："5.1_tc"表示五年级第一卷教材的教师评注

相关资源

• 完整未对齐原始数据：https://huggingface.co/datasets/ZurichNLP/mediomatix-raw

引用信息

bibtex @misc{hopton-et-al-2025-mediomatix, title={The Mediomatix Corpus: Parallel Data for Romansh Idioms via Comparable Schoolbooks}, author={Zachary Hopton and Jannis Vamvas and Andrin Büchler and Anna Rutkiewicz and Rico Cathomas and Rico Sennrich}, year={2025}, eprint={2508.16371}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2508.16371}, }

版权声明

© 2025 Meds dinstrucziun dal Grischun

搜集汇总

数据集介绍

构建方式

在罗曼什语多方言平行语料库构建领域，Mediomatix语料库通过系统性方法实现了突破。该数据集基于291册教学内容高度可比的教学用书，采用VecAlign嵌入对齐算法进行自动段落匹配，并创新性地运用枢轴共识对齐策略确保五种方言间的多向平行性。通过严格限制1-1对齐模式并辅以长度启发式过滤，最终从原始文本中精准提取出20.7万个多平行段落，涵盖超过200万词汇量。

特点

该语料库最显著的特征在于其高质量的多方言平行结构，涵盖苏尔塞瓦语、苏齐尔瓦语、苏尔米兰语、普特语和瓦拉德尔语五种标准化罗曼什方言。数据源自教育系统的正式语言材料，具有严格的语法规范和词汇一致性。经人工评估验证，472个抽样段落中仅存在1处对齐错误，精确度达99.8%，且89%的多平行行完全无噪声。语料规模分布呈现方言均衡性，其中苏尔塞瓦语和苏齐尔瓦语对齐段落均超过4.9万条，为低资源语言处理提供了罕见的高质量资源。

使用方法

该数据集主要应用于罗曼什方言间的机器翻译任务，研究者可采用多语言微调策略在20个翻译方向上训练模型。实践表明，基于5000样本对GPT-4o-mini进行微调后，其BLEU评分平均提升7.5分。数据集按年级层级划分训练/验证/测试集，有效避免内容重叠问题。使用时应遵循CC-BY-NC-SA许可协议，重点关注方言间的词汇差异和语法结构变化，如苏尔塞瓦语的分析性将来时与其他方言综合性将来时的对比分析。

背景与挑战

背景概述

罗曼什语作为瑞士四种国家语言之一，其五大方言变体（Sursilvan、Sutsilvan、Surmiran、Puter、Vallader）在格拉鲁斯州各自社区的教育体系中具有标准化地位。2025年，苏黎世大学与格拉鲁斯师范学院联合发布了Mediomatix语料库，这是首个针对五大方言的多平行语料库，基于291册内容可比的教学书籍构建而成。该语料库包含20.7万条对齐段落，总词元数超过216万，填补了罗曼什方言间机器翻译资源空白，为低资源语言处理研究提供了重要基础。

当前挑战

该语料库需解决罗曼什方言间机器翻译的核心难题：方言在正字法、词汇和形态句法层面的显著差异导致跨方言语义对齐困难。构建过程中面临双重挑战：一是从非严格平行的教材中提取高质量对齐段落，需通过嵌入模型与枢轴共识算法提升对齐精度；二是Surmiran方言教材发布时间较晚，存在翻译文本特有的“翻译腔”现象，可能影响机器翻译模型对自然语言的泛化能力。

常用场景

经典使用场景

在罗曼什语多方言机器翻译研究中，Mediomatix语料库作为首个跨方言平行语料资源，通过嵌入对齐技术从可比教材中提取20.7万条平行段落，为低资源语言处理提供了范式。其经典应用体现在支撑神经网络模型进行五种方言间的互译训练，例如通过微调GPT-4o-mini模型在20个翻译方向上平均提升7.5个BLEU值，显著改善了方言间词汇、句法和正字法差异的跨语言转换能力。

解决学术问题

该语料库解决了罗曼什语方言标准化文本匮乏的核心学术问题，填补了多方言平行数据的空白。通过 pivot consensus alignment 策略实现97.2%的对齐精度，为计算语言学提供了研究方言变异性的定量基础，支持了语言资源稀缺情境下的嵌入迁移研究，对濒危语言保护与数字化存档具有里程碑意义，推动了少数民族语言在NLP领域的可计算化进程。

衍生相关工作

基于该语料库衍生的经典工作包括VecAlign嵌入对齐算法的优化实践、低资源机器翻译的少样本提示工程研究，以及多方言语言模型微调范式的探索。后续研究进一步扩展至方言语法现象的计算分析、跨方言语义检索系统构建，并为FLORES等翻译语料库的构建方法论提供了可比文本对齐的新范式参考。