evaluation-metrics machine-translation literary-translation translation-quality lait-dataset immersiveness close-reading llm-based-pipeline
Abstract
AI translation of literary works is increasingly common. While the content may be rendered adequately, we do not know enough about how readers experience it in terms of immersiveness and literary effect, aspects poorly captured by automatic machine translation metrics or human evaluation targeting fluency and adequacy. We ask 15 avid readers to compare recently published human translations (HT) to machine translations (MT) generated with an agentic large language model (LLM)-based pipeline, for 15 recent novels in French, Polish, and Japanese and translated into English. Readers evaluated approximately 8K-word excerpts in two conditions: immersive reading of the whole excerpt (30 comparisons) and close reading of 386 aligned HT-MT chunk pairs (772 comparisons), with two readers per book and in alternating order of presentation. Overall, readers find MT "fine", but prefer HT (slightly at excerpt-level 19/30, more clearly at chunk-level 522/772) for its ease, clarity, and immersive nature. Readers' highlights show that MT's quality varies more within one book than HT's does. Crucially, readers cannot reliably tell the two apart (17/30 guess correctly) and tend to prefer the version they believe to be human. Automatic metrics, including LLM-as-a-judge approaches, fail to recover reader preferences and favor MT. We release LAIT (Literary AI Translation), a reader-centered evaluation dataset with 1K reader comments, 2K judgments and preference ratings, and 7.2K span-level annotations, along with our evaluation protocol and supporting interface.
한국어 요약
한 줄 요약
AI 번역은 문학 작품에서 "괜찮지만", 독자들은 여전히 인간 번역을 선호한다.
핵심 기여도
- LAIT 데이터셋을 공개: 15개의 FR/PL/JA → EN 소설 개요, 2K개의 평가, 1K개의 댓글, 7.2K개의 span-level 어노테이션 포함.
- 독자 중심 평가 프로토콜 제안: immersive reading과 close reading 조합.
- 독자 선호도 분석: HT가 chunk-level에서 522/772, excerpt-level에서 19/30 선호됨.
- 자동 평가 지표 실패: LLM-as-a-judge 포함, 독자 선호도를 반영하지 못함.
핵심 아이디어
문학 번역의 AI 활용이 늘어나고 있지만, 독자의 몰입감과 문학적 효과는 기존 평가 체계(예: fluency, adequacy)로는 측정이 어렵다. 이 연구는 독자가 실제 어떻게 AI 번역과 인간 번역을 경험하는지를 파악하기 위해, 15명의 독자가 15개의 최근 소설(프랑스어, 폴란드어, 일본어 → 영어)을 비교하도록 설계했다. 두 가지 방식—immersive reading(전체 8K 단어 읽기)와 close reading(386쌍의 chunk 비교)—을 통해 독자의 선호도와 인식을 측정했다. 핵심 통찰은 AI 번역이 "괜찮지만" 독자들이 인간 번역을 더 선호하며, 특히 close reading에서 그 차이가 두드러진다는 점이다.
기술적 접근법
- 평가 대상: 15개의 최근 소설, 3개 언어(프랑스어, 폴란드어, 일본어) → 영어
- 평가 방식:
- Immersive reading: 8K 단어 전체 읽기, 2명의 독자, 30개 비교
- Close reading: 386쌍의 HT-MT chunk 비교, 772개 비교
- 평가 지표: 독자의 선호도, 댓글, span-level 어노테이션
- 자동 평가: MetricX-QE, COMETKiwi, LiTransProQA, Gemini 3.1 Pro 사용
주요 결과
- 독자 선호도:
- Excerpt-level: HT 19/30 선호
- Chunk-level: HT 522/772 선호
- 독자의 인식: 17/30이 MT를 정확히 구분하지 못함
- 자동 평가 실패: MetricX-QE, COMETKiwi, LLM-as-a-judge 모두 독자 선호도를 반영하지 못함
- MT 품질 변동: 한 책 내에서 HT보다 훨씬 더 불안정함
의의 및 한계
이 연구는 독자의 실제 경험을 기반으로 문학 번역의 AI 활용을 평가하는 새로운 프레임워크를 제시한다. 특히, 독자가 AI 번역을 "읽기 쉬운" 것으로 느끼지만, 문학적 몰입감과 자연스러움에서는 인간 번역을 선호한다는 점은 기존 평가 체계의 한계를 드러낸다. 또한, 독자가 MT를 구분하지 못하고, 자동 평가 지표가 독자 판단과 반대되는 결과를 내는 것도 중요한 발견이다. 한계로는 평가 대상이 15명의 독자에 제한되었고, 소설의 장르나 문체에 따라 결과가 달라질 수 있다는 점이 있다.
실용적 활용
이 연구는 출판사, 번역 서비스 제공업체, AI 번역 개발자에게 중요한 인사이트를 제공한다. 특히, AI 번역이 독자의 몰입감을 저해하지 않으면서도 인간 번역의 질에 근접하게 개선될 수 있는 방향을 제시하며, 독자 중심의 평가 프로토콜을 통해 번역 품질을 더 정확히 평가할 수 있다.