XiaoMi-AI文件搜索系统
World File Search Systemmultilingual
Infrrd.ai 在 SemEval-2022 任务 11：使用数据增强、基于 Transformer 的序列标记模型和 EnsembleCRF 进行命名实体识别的系统
在低资源语言中，训练数据量有限。因此，模型必须在未训练过的陌生句子和句法上表现良好。我们提出了一种通过编码器和语言模型集成来解决这个问题的方法。与多语言语言模型相比，特定语言的语言模型表现不佳。因此，多语言语言模型检查点针对特定语言进行了微调。在模型输出和 CRF 之间引入了一种新颖的独热编码器方法，以集成格式组合结果。我们的团队 Infrrd.ai 参加了 MultiCoNER 竞赛。结果令人鼓舞，团队位列前 10 名。在我们参加的大多数赛道中，与第三名的差距不到 4%。所提出的方法表明，以多语言语言模型为基础在编码器的帮助下的模型集成比单一语言特定模型的表现更好。
适应低资源语言的开源大型语言模型：土耳其语的案例研究
尽管具有英语主导性的大语言模型的进步，但低资源语言仍需要进一步的开发才能增强全球可访问性。代表这些语言的主要方法是单语和多语言预读。单语言预告片由于硬件要求而昂贵，而且多语言模型在语言中通常具有不平衡的性能。这项研究通过调整大型语言模型（接受英语培训）来探讨一种替代性，从而探讨了低资源语言。我们评估各种策略，包括持续的培训，教学微调，特定的微调和词汇扩展。结果表明，持续的训练可以证明语言理解，如困惑得分所反映，而特定于任务的调整通常会增强下游任务的性能。但是，扩展词汇并没有显示出实质性的好处。此外，虽然较大的模型通过几次调整来改善任务性能，但在适应时，多语言模型的形式比单语的同行更糟。
测量双语
摘要双语的研究具有从解密的古代多语言文本到映射多语言大脑的结构的历史。独立双语者的语言体验同样多样化，其特征是独特的获取和使用背景，不仅可以塑造社会文化认同，而且可以塑造认知和神经功能。也许毫不奇怪，学术观点和语言经验中的这种可变性已经引起了定义双语主义的一系列方法。本文的目的是发起关于我们如何思考，学习和衡量双语主义的更统一方法的对话。使用具体的案例研究，我们说明了在问题，域内不同的问题和科学询问中不同方法中使用不同方法的研究人员增强沟通和简化术语的价值。我们特别考虑双语商（BQ）构造的实用性和可行性，讨论相对于已建立良好的智能商的BQ的想法，并包括下一步的建议。我们得出的结论是，尽管语言背景的变异性和定义双语的方法提出了重大挑战，但在整个领域进行系统化和综合研究的协同努力可能会构建有效且可推广的多语言经验索引。
解除遗传学以饲养牛排
•反馈。为学生提供了多种机会与同龄人分享他们的想法。但是，几乎没有明确的机会让学生获得与使用所有三个维度有关的反馈。•随着时间的推移脚手架。学生积极参与确定的焦点科学和工程实践（SEP）。但是，整个单元中都提供了相同的支持，并且与单位开始相比，学生不希望在单元结束时表现出更大的责任。•为多语言学生和残疾学生提供支持。材料在整个课程中都确定了学生的支持，大多数人本质上都是通用的。为多语言学生和残疾人提供具体的支持将很有帮助。
提高英语学习者成绩计划报告
TK-12 英语学习者微认证流程于 2019-20 学年启动，旨在帮助教育工作者了解英语学习者成绩差距的原因以及如何缩小差距，从而有效地教授和支持 EL。双语教育微认证计划于 2020-2021 学年启动，旨在建立对双语教育和基于研究的教学法的扎实理解，以更好地服务于我们的多语言、多元文化学校社区。MMED 微认证毕业生将成为一支强大的教学领导者队伍，他们将继续代表多语言学习者及其家人领导和塑造 MMED 的公平工作。以下时间表提供了 MMED 微认证计划主要活动的年度概览，其中包括持续的 MMED 支持。
将播放按钮转换为使用AI
“ AI驱动的视频摘要和多语言翻译系统”的体系结构利用高级技术来有效提取，汇总和翻译视频内容。它集成了语音识别，自然语言处理（NLP）和机器学习模型，以从视频成绩单中生成简洁而连贯的摘要。此外，多语言支持可以通过将摘要转换为各种区域语言，从而确保可访问性，从而增强了各种用户的包容性。该系统的设计目的是提供平稳且用户友好的体验，在该体验中，人们能够从视频中获取关键的见解而无需实际观看它们。通过自动处理和智能摘要，它有助于改善信息访问并优化各种语言和偏好的内容消耗。
数据处理至关重要：SRPH-Konvergen AI 为 WMT'21 打造的机器翻译系统
本文介绍了三星菲律宾研究中心和 Konvergen AI 联合团队为 WMT'21 大规模多语言翻译任务提交的机器翻译系统。我们的团队参加了 Small Track #2，其任务是为五种东南亚语言（爪哇语、印尼语、马来语、他加禄语和泰米尔语 1 ）以及英语制作一个多语言机器翻译系统，涵盖所有 30 个方向。我们将首先描述用于预处理数据的过滤启发式方法，然后概述我们训练和评估模型所采取的步骤。特定的超参数、预处理决策和其他训练参数将在其相应的部分列出。最后，我们报告在 FLORES-101（Goyal 等人，2021 年）隐藏测试集以及竞赛隐藏测试集上的结果。
多语言主义博士后研究员 - uit ...
语言，大脑和学习中心（C-LABL）将在我们对多种语言如何在思维/大脑中相互作用，开发创新的纵向方法来研究多语言主义并培训下一代学者和研究领导者中的逐步改变。通过跨语言理论，神经科学和语言获取/处理培养合作研究，我们将重点关注多语言的效果 - 对于所涉及的语言，对他们的大脑，以及多种语言的学习和教学。c-labl分为三个研究领域（语言，大脑和学习），这些领域将通过关注语言距离的横切研究主题联系在一起。因此，C-labl的核心工作将研究多语言思维/大脑中多个语法的相互作用，主要关注语言距离（语言之间的相似性/差异）对发展，跨语言影响，神经认知的适应性的重要性，这是多语言经验的结果，以及其他语言学习。