- Navarro-Martínez, Ángel|||0000-0002-5957-8152
[ES] El lenguaje humano posibilita la cooperación social, la transmisión del conocimiento y la diversidad cultural; sin embargo, hoy conviven más de 7.000 lenguas y gran parte de la información del mundo sigue concentrada en unas pocas lenguas dominantes. La Traducción Automática (MT) y, en un sentido más amplio, el Procesamiento del Lenguaje Natural (NLP) ofrecen una vía escalable para salvar estas brechas si garantizamos una calidad de nivel profesional y mantenemos el esfuerzo humano en niveles aceptables dentro de flujos de trabajo reales. En la industria de la traducción, esto se ha perseguido tradicionalmente mediante la posedición y otras herramientas de Traducción Asistida por Ordenador (CAT), en las que los humanos corrigen salidas estáticas de MT. La Traducción Automática Interactiva (IMT) propone un paradigma distinto: en lugar de editar una hipótesis fija, el humano y el sistema entablan un bucle estrecho en el que las correcciones parciales y las validaciones se explotan de inmediato para generar nuevas sugerencias. Esta tesis afronta el reto de hacer la IMT eficiente y desplegable a escala reforzando sus protocolos de interacción, sus mecanismos de aprendizaje y sus arquitecturas de modelo.
En primer lugar, mejoramos el entorno de IMT mediante mejora del feedback: nuevas formas de aprovechar las señales que el traductor ya proporciona durante su trabajo rutinario, sin requerir anotaciones adicionales. Formalizamos y simulamos acciones de ratón -tanto no explícitas como explícitas- para que el sistema pueda inferir correcciones probables o proponer alternativas antes de que el usuario teclee. Introducimos métricas para cuantificar la efectividad de las acciones y demostramos que un pequeño número de interacciones explícitas en posiciones erróneas reduce sustancialmente el esfuerzo humano. Estos protocolos operan a nivel de palabra y de carácter y se extienden de forma natural a la IMT basada en segmentos, donde se preservan los tramos validados mientras el sistema regenera solo las partes inciertas.
En segundo lugar, perseguimos la interacción activa reduciendo el esfuerzo cognitivo al dirigir la atención del usuario. Desarrollamos estrategias de estimación de calidad (QE) a nivel de palabra y de oración y las integramos en IMT para filtrar la atención. En simulación, la confianza a nivel de oración produce reducciones de esfuerzo de forma más consistente, mientras que las señales a nivel de palabra son más heterogéneas. El resultado es un bucle de IMT que invita a intervenir solo cuando la confianza es baja, optimizando la atención y evitando ediciones innecesarias.
En tercer lugar, motivados por el rápido avance de los Modelos Grandes de Lenguaje (LLMs), integramos modelos multilingües preentrenados y exploramos la adaptación eficiente en parámetros dentro del entorno de IMT mejorado. En IMT basada en prefijo, los LLM ajustados suelen reducir el esfuerzo de tecleo frente a una línea base de NMT; sin embargo, en escenarios basados en segmentos pueden tener dificultades para generalizar interactivamente a través de los tramos validados, lo que revela una brecha entre una alta calidad estática y un comportamiento realmente sensible al feedback. También investigamos el uso de objetivos de aprendizaje por refuerzo (RL) que recompensan explícitamente la reducción del esfuerzo humano y una mejor alineación con el feedback del usuario, ajustando aún más el comportamiento del modelo al entorno interactivo.
Al mejorar la forma en que la IMT incorpora el feedback del usuario, dirigir la atención con señales de confianza fiables e integrar LLMs mediante estrategias de adaptación prácticas, esta tesis cierra brechas clave entre los prototipos de investigación y las necesidades de producción. El resultado es un flujo de trabajo de IMT que requiere menos tecleo, afina el foco de intervención y es más fácil de personalizar, beneficiando de manera concreta a traductores profesionales y agencias de traducción., [EN] Human language enables social cooperation, knowledge transmission, and cultural diversity; today, however, more than 7,000 living languages coexist, and much of the world's information remains concentrated in a few dominant tongues. Machine Translation (MT) and, more broadly, Natural Language Processing (NLP) offer a scalable path to bridge these divides if we can ensure professional-grade quality and keep human effort acceptable in real-world workflows. In the translation industry, this has traditionally been pursued through post-editing and other Computer-Assisted Translation (CAT) tools, where humans correct static MT outputs. Interactive Machine Translation (IMT) offers a different paradigm: instead of editing a fixed hypothesis, the human and the system engage in a tight loop in which partial corrections and validation are immediately exploited to generate updated suggestions. This thesis addresses the challenge of making IMT both efficient and deployable at scale by strengthening its interaction protocols, learning mechanisms, and model architectures.
First, we enhance the IMT environment through feedback improvement: new ways to capitalize on signals the translator already provides during routine work, without requiring extra annotations. We formalize and simulate mouse-action signals -both non-explicit and interactive-explicit- so the system can infer likely corrections or propose alternatives before the user types. We introduce utility-aware metrics to quantify the effectiveness of actions, and demonstrate that allowing a small number of interactive-explicit requests at error positions substantially reduces keystrokes while preserving control. These protocols operate at the word and character level and naturally extend to segment-based IMT, where validated spans are preserved while the system regenerates only the uncertain parts.
Second, we pursue active interaction by reducing cognitive effort by directing the user's attention. We develop quality-estimation strategies at the word and sentence levels and integrate them into IMT to gate attention. In simulation, sentence-level confidence yields consistent effort reductions, while word-level signals are more heterogeneous. The result is an IMT loop that invites intervention only when confidence is low, streamlining attention and avoiding unnecessary edits.
Third, motivated by the rapid progress of Large Language Models (LLMs), we integrate multilingual pre-trained models and explore parameter-efficient adaptation within the improved IMT environment. In prefix-based IMT, fine-tuned LLMs often reduce keyboard effort compared to an NMT baseline; yet in segment-based scenarios, they can struggle to generalize interactively across validated spans, revealing a gap between strong static quality and responsive, feedback-aware behavior. We also investigate the use of Reinforcement Learning (RL) objectives that explicitly reward reductions in human effort and better alignment with user feedback, further tailoring model behavior to the interactive setting.
By improving how IMT consumes user feedback, directing attention with reliable confidence signals, and integrating LLMs through practical adaptation strategies, this thesis closes key gaps between research prototypes and production needs. The result is an IMT workflow that is lighter on the keyboard, sharper in its focus, and easier to personalize¿concretely benefiting professional translators and translation agencies., [CA] El llenguatge humà fa possible la cooperació social, la transmissió del coneixement i la diversitat cultural; tanmateix, hui conviuen més de 7.000 llengües i bona part de la informació del món continua concentrada en unes poques llengües dominants. La Traducció Automàtica (MT) i, en un sentit més ampli, el Processament del Llenguatge Natural (NLP) ofereixen una via escalable per a salvar aquestes bretxes si garantim una qualitat de nivell professional i mantenim l'esforç humà en nivells acceptables dins de fluxos de treball reals. En la indústria de la traducció, això s'ha perseguit tradicionalment mitjançant la posedició i altres eines de Traducció Assistida per Ordinador (CAT), en les quals els humans corregixen eixides estàtiques de MT. La Traducció Automàtica Interactiva (IMT) proposa un paradigma distint: en lloc d'editar una hipòtesi fixa, l'humà i el sistema entren en un bucle estret en què les correccions parcials i les validacions s'exploten de seguida per a generar noves suggerències. Esta tesi afronta el repte de fer la IMT eficient i desplegable a escala reforçant els seus protocols d'interacció, els seus mecanismes d'aprenentatge i les seues arquitectures de model.
En primer lloc, millorem l'entorn d'IMT mitjançant la millora del feedback: noves maneres d'aprofitar els senyals que el traductor ja aporta durant el seu treball rutinari, sense requerir anotacions addicionals. Formalitzem i simulem accions de ratolí -tant no explícites com explícites- perquè el sistema puga inferir correccions probables o proposar alternatives abans que l'usuari teclege. Introduïm mètriques per a quantificar l'efectivitat de les accions i demostrem que un nombre reduït d'interaccions explícites en posicions amb errors disminuïx substancialment l'esforç humà. Estos protocols operen a nivell de paraula i de caràcter i s'estenen de manera natural a la IMT basada en segments, on es conserven els trams validats mentre el sistema només torna a generar les parts incertes.
En segon lloc, perseguim la interacció activa reduint l'esforç cognitiu en dirigir l'atenció de l'usuari. Desenvolupem estratègies d'estimació de qualitat (QE) a nivell de paraula i d'oració i les integrem en IMT per a filtrar l'atenció. En un entorn de simulació, la confiança a nivell d'oració produïx reduccions d'esforç de manera més consistent, mentre que els senyals a nivell de paraula són més heterogenis. El resultat és un bucle d'IMT que convida a intervenir només quan la confiança és baixa, optimitzant l'atenció i evitant edicions innecessàries.
En tercer lloc, motivats pel ràpid avanç dels Grans Models de Llenguatge (LLMs), integrem models multilingües preentrenats i explorem l'adaptació eficient en paràmetres dins de l'entorn d'IMT millorat. En IMT basada en prefix, els LLM ajustats solen reduir l'esforç de tecleig enfront d'una línia de base de NMT; no obstant això, en escenaris basats en segments poden tindre dificultats per a generalitzar de manera interactiva a través dels trams validats, cosa que revela una bretxa entre una alta qualitat estàtica i un comportament realment sensible al feedback. També investiguem l'ús d'objectius d'aprenentatge per reforç (RL) que recompensen explícitament la reducció de l'esforç humà i una millor alineació amb el feedback de l'usuari, ajustant encara més el comportament del model a l'entorn interactiu.
En millorar la manera com la IMT incorpora el feedback de l'usuari, dirigir l'atenció amb senyals de confiança fiables i integrar LLM mitjançant estratègies d'adaptació pràctiques, esta tesi tanca bretxes clau entre els prototips d'investigació i les necessitats de producció. El resultat és un flux de treball d'IMT que requerix menys tecleig, afina el focus d'intervenció i és més fàcil de personalitzar, i que beneficia de manera concreta els traductors professionals i les agències de traducció., This doctoral project has received nancial support from multiple sources, including a predoctoral grant from the Generalitat Valenciana (CIACIF/2021/292) co-funded by the Fondo Social Europeo (FSE), and funding and research support from ValgrAI (Valencian Graduate School and Research for Arti cial Intelligence). Additional support was provided by the Generalitat Valenciana under the ALMAMATER project (PROMETEOII/2014/030), and by the European Union through the Comunitat Valenciana Programa Operativo del Fondo Europeo de Desarrollo Regional (FEDER) 20142020 under the project Sistemas de fabricación inteligentes para la indústria 4.0 (ID-IFEDER/2018/025). This work was also funded by a grant PID2021-124719OB-I00 nanced by MCIN/AEI/10.13039/501100011033 and, as appropriate, by ERDF A way of making Europe, by the European Union.