翻译中的色彩：跨语言色彩命名的数据、模型与基准测试

文献标题

Colour in Translation: Data, Models, and Benchmarking for Cross-Linguistic Colour Naming

出版信息

• 主题领域: 跨语言颜色命名、计算建模与机器翻译。
• 关键词: 颜色命名，跨语言差异，计算模型，机器翻译，Spin Colour Forest，感知基础，多语言数据集，基准测试，人机交互，文化多样性。

背景与问题

• 问题/挑战: 跨语言颜色交流的有效性受到多语言数据集、计算模型和颜色名称翻译基准缺乏的限制。现有模型通常依赖于通用的基本颜色术语（BCTs），无法捕捉语言特定的颜色空间划分。
• 重要性: 准确的颜色命名和翻译对于人机交互（HCI）任务（如界面设计、数据可视化和跨文化交流）至关重要，误解可能导致排斥或效率低下。
• 动机与相关研究: 先前的研究（包括世界颜色调查和计算模型）集中于受限的命名系统（如BCTs）和单语言数据集。这些方法未能考虑文化间的语言多样性和感知差异。本研究基于这些基础，解决了多语言数据集、建模和基准测试方面的空白。

解决方案

• 提出的方法: Spin Colour Forest (SCF)，一种新颖的集成回归方法，通过对感知颜色空间进行部分正交变换，建模跨语言颜色命名分布。
• 创新点:
  1. 创建了五种语言（美式英语、英式英语、法语、希腊语、Himba语）的非受限多语言数据集，共包含70,052个对600种颜色刺激的响应。
  2. 引入SCF，通过感知颜色空间中的几何变换捕捉复杂的颜色类别边界。
  3. 开发了首个系统化颜色翻译基准，用于评估AI翻译系统的词汇和感知准确性。
• 流程与关键技术:
  • 通过在线实验（英语、法语、希腊语）和实地研究（Himba语）收集600种CAM16-UCS颜色刺激的响应数据。
  • 对响应数据进行预处理，包括规范化拼写、去除噪声和识别独特的颜色术语。
  • 使用部分正交变换训练SCF模型，以预测颜色命名分布。
  • 通过系统网格采样识别每种语言的不可或缺颜色词汇。
  • 使用Jensen-Shannon散度（JSD）和人工验证建立翻译基准。

结果

• 具体发现:
  • 识别出的不可或缺颜色词汇：美式英语47个，英式英语32个，法语27个，希腊语32个，Himba语7个。
  • SCF在颜色命名保真度（CNF）得分上比基线模型提高了2.7–4.4%。
  • 词汇翻译准确性（chrF++）在英语变体中最高（高达78.99），在Himba语中最低（28.90）；感知准确性（ΔE）在所有语言中均显示较大误差（平均17–28单位）。
• 相较基线的优势:
  • SCF在CNF得分和有效名称覆盖率方面优于随机森林和额外树模型。
  • 增强变换方法比未旋转模型更好地捕捉了复杂的语言颜色命名边界。
• 实验/评估:
  • 使用三折交叉验证、系统测试网格和统计比较对SCF进行评估。
  • 翻译基准测试了Claude Sonnet 4 LLM在五种语言中的词汇和感知准确性。
• 局限性与未来工作:
  • 语言范围有限（五种语言）；未来计划扩展到代表性不足的地区和语言。
  • 评估集中于字面颜色命名，未涉及比喻或语境化使用。
  • 需要在更多LLM架构和更广泛数据集上进行进一步验证。

总结

本研究通过引入多语言数据集、Spin Colour Forest模型和系统化翻译基准，推动了跨语言颜色命名研究的发展。SCF有效地建模了五种语言的颜色命名分布，识别出超越传统基本颜色术语的不可或缺词汇。翻译基准揭示了大型语言模型的关键局限性，突出了词汇与感知之间的脱节，这削弱了跨文化颜色交流能力。这些发现为HCI从业者提供了可操作的见解，强调了文化敏感的AI工具和界面的必要性。发布的数据集、模型和基准为包容性设计和多语言系统的未来研究与应用提供了支持。