Un estudio evalúa la viabilidad de traducir datos no ingleses al inglés para ajustar finamente modelos BERT existentes, ofreciendo una alternativa eficiente en recursos al desarrollo de modelos en el idioma nativo. La investigación compara este enfoque con el rendimiento en el idioma nativo en seis tareas de PLN utilizando conjuntos de datos de búlgaro, chino, neerlandés, italiano y ruso.
- El ajuste fino basado en traducción fue comparable o superior en el 53,3 por ciento de los casos en todas las configuraciones.
- Las ganancias fueron más frecuentes en Respuesta a Preguntas, Etiquetado de Partes del Discurso e Inferencia de Lenguaje Natural.
- Las disminuciones de rendimiento fueron comunes en Reconocimiento de Entidades Nombradas y Detección de Discurso de Odio.
- El enfoque es más efectivo para tareas que dependen de patrones sintácticos e idiomas tipológicamente cercanos al inglés, como el neerlandés.
Los resultados demuestran que el ajuste fino basado en traducción proporciona una ruta escalable para extender el PLN a idiomas con pocos recursos mientras avanza la inclusividad lingüística.