针对机器翻译领域如何提高和判断实验可信度，这篇ACL2021的oustanding paper迈出了关键的一步！（来读！全文在末尾）

作为不停读论文和调参炼丹的科研党，也许在我们的身边总会出现这样类似的对话:

案例1: xxx博士不讲武德，竟然让我把一部分测试集加入到训练集里面去，这是在公然蔑视学术道德?

案例2: 嘿嘿，调了调句子的最大长度，评测性能终于刷上去了。

案例3: 哇靠，那个人在作弊，baseline用BERT，自己的模型竟然用BERT-Large。

案例4: 就这个指标比SOTA好，其他几个指标都不行，要不就贴好的指标吧，老天保佑reviewer不要发现这个漏洞。

案例5: 单模态的性能也太强了吧，这让多模态效果怎么发论文？还是随便跑跑baseline，把性能调低点。

案例6: 调了一上午的参数，这次效果终于比SOTA强了，赶紧记录一下，顺便保存好checkpoint。

案例7: 这论文写的评测代码竟然是错的，我说性能怎么比我复现的好那么多。

案例8: 刚刚发邮件询问作者为啥引用我的实验效果那么低，他竟然说抄错了。

随着AI领域的持续火热，越来越多的同学在"想方设法"地设计算法来刷新任务性能，并产出了一篇篇精妙绝伦的论文。相关领域会议投稿量呈现出爆炸式地增长，然而投稿论文的质量参差不齐，作为一个普通投稿人，如何设计实验以更加有说服力地证明提出方法的有效性；以及作为一个审稿人，如何快速判断这篇论文提出的算法是否可(guan)信(shui)，是值得深思的问题。针对机器翻译领域如何提高和判断实验可信度，下面这篇ACL2021的oustanding paper迈出了关键的一步！

论文标题
Scientific Credibility of Machine Translation Research: A Meta-Evaluation of 769 Papers

论文链接
https://aclanthology.org/2021.acl-long.566.pdf

1 背景

过去10年间涌现了大量提升机器翻译性能的算法，这些算法通过与前人的模型对比自动评测指标，比如BLEU分数值，来凸显其性能。随着论文报告的分数值越来越高，我们不禁要问，这些论文的评测方式真的有说服力吗？算法真的有效吗？整个社区是朝着良性的方向发展，还是灌水之风日渐严重？

为了回答以上问题，本文评估了过往10年间(2010 ~ 2020)发表在ACL相关会议的769篇机器翻译领域论文，着重对论文评测进行了分析，包括：

• 评价指标的多样性
• 统计显著性检验
• 直接复制前人实验结果
• 数据划分和预处理

基于分析结果，本文揭露了造成可疑评估的一个个陷阱，反映出当前社区正在朝着令人担忧的方向发展。

2 令人失望的评估结果

通过对769篇论文的评估，作者揭露了当前机器翻译评测中令人担忧的4个陷阱。

2.1 称霸机器翻译的BLEU

上图展示了10年间各种评价指标在机器翻译论文中所占的比重，BLEU以压倒性的优势成为了最热门的评价指标，几乎99%的论文都用它来衡量算法的优越性，而其他改进的评测指标则逐渐被学者们忽视。众所周知，BLEU作为一种自动评价指标存在一些缺陷，它仅仅能反应出模型某些特定方面的优势，所以有很多工作致力于研究更加合理的自动评测指标。

然而，一个很讽刺的现象是：过去10年间有超过108种改进的评测指标，其中很多更容易使用并且表现出比BLEU更加契合人类的评测模式，比如chrF，但大部分从未被人使用过；长此以往，这些自动评测的研究还有存在的意义吗？

为了说明仅仅依赖一种评价指标来衡量翻译模型性能是不充分的，作者统计了多种提交至WMT20的模型，使用BLEU和chrF评测指标的排名情况，结果如下表所示。

从表中可以看出，使用BLEU作为评价指标时，NiuTrans系统是 → 赛道中排名第一的模型，而当使用chrF指标时，Tohoku-AIP-NTT系统要优于NiuTrans系统。这反映出仅使用BLEU是无法准确得出某个模型更优的结论，机器翻译社区应该鼓励使用更优的评价指标来作为BLEU的补充或者替代品。

2.2 被遗忘的统计显著性检验

统计显著性检验是一种确保实验结果并非巧合的标准方法。在机器翻译领域，统计显著性检验早已被用于自动评测指标中，即评估两个机器翻译系统之间评测分值的差异是否巧合。直观上，这个检测能更加有说服力地反映算法的有效性，但近十年来使用该检验的论文越来越少。

上图展示了各年ACL相关会议论文中使用统计显著性检验的比例。从图中我们可以发现，人们越来越不喜欢使用这个检验，即使它可以显著的提升论文可信度，导致这种现象出现的原因是有更好的提升可信度的方式，还是因为论文页数限制而无法添加多余实验(xin xu)呢?

此外，作者设计了另一组验证实验来说明，统计显著性检验结果与自动评测指标提升幅度没有直接的联系。在实验中，Custom 1操作指的是将模型输出中的最后一句替换为空白行，Custom 2操作对应将模型输出中最后一句替换为重复同一个词10k次的句子。

实验结果如上表所示，其中第一行表示各系统提交到WMT20的原始结果。观察表中结果可以发现，Custom 2操作会导致BLEU和chrF指标分值的剧烈下降，但在统计显著性检验实验中，并没有发现任何系统要明显优于其他的系统。

2.3 一直copy一直爽

随着NLP论文爆发式的增长，直接复制前人报告的实验结果进行对比，是一种省时又省力的方式，在机器翻译领域亦是如此。

上图是近10年间，各年直接复制前人实验结果进行对比的论文比重。越来越多的论文更加倾向于直接复制实验结果而不是复现相关实验，这在2015年以后显得尤为明显；拷贝结果的确可以省时省力，但引发的问题是：那些论文是否提供了足够信息，以确保它取得的分值和前人报告的结果具有可比性。

那么，稍微对模型输出进行处理会造成性能的差异吗？作者设计了一组实验，测试被科研人员广泛使用的后处理方式对性能的影响。针对模型输出结果进行后处理的操作包括：是否完全小写化、是否标点规范化、是否进行tokenize处理。实验结果如上表所示，不同的后处理方式对自动评测结果有很大的影响，比如进行完全小写化处理，可以将Tohoku-AIP-NTT系统在 → 赛道和Volctrans系统在 → 赛道的评测BLEU值分别提高1.4和1.6，这在翻译领域可谓是显著的提升。

2.4 评测中数据的"艺术"

数据集通常被分为训练集、验证集和测试集，以用于模型学习和评测，不同的数据预处理方式可以带来各种“期待”的结论。机器翻译领域论文大多提出新算法以提高翻译准确度（因变量），而评测新的算法对因变量的影响时，需要保持其他所有自变量（例如数据集）不变，否则无法保证算法性能的可信度。

那么实际情况又是怎样的呢？作者统计了近十年进行性能对比却使用不同数据的论文比例，结果如上图所示。十年来，越来越多的论文在进行对比实验时使用了不一致数据，在这种设定下，我们无法判断出性能的提升到底是因为算法的优越还是数据的"艺术"。

为了说明数据的"艺术"对性能的影响，作者设计了一组对比实验，评估各种被广泛使用的数据预处理方式对结果造成的影响，包括数据最大长度、是否Truecase处理、过滤其他语言文本噪音、删减1个语料。实验结果如上表所示，简单地改变数据集中句子的长度或者进行Truecase操作，都会导致各种评价指标和显著性检验结果剧烈波动，所以要真正凸显算法的有效性，保证数据一致性是不可或缺的。

3 反击灌水的攻与防

通过评估近10年769篇ACL相关会议论文，本文发现了当前机器翻译领域普遍存在的4个陷阱，并且给出了关于如何增强论文可信度以及判别论文结果的指导方案。

针对提高论文结果可信度，需要：

• 不应该仅使用BLEU作为评测指标，也需要结合其他更加合适的自动评测指标及人工评测。

• 无论自动评测指标分值提高有多大，都应该尽量进行统计显著性检验。

• 尽量不要直接拷贝别人的实验结果，如果不可避免，要保证结果具有可比性。

• 要保证所有的数据集以及预处理方式一致。

对于评估论文实验结果的可信度，可以通过回答以下问题进行打分(每个yes得1分，分数越高越可信):

• 是否使用了比BLEU更能与人类判断相关联的指标，或者进行了人工评估？(yes/no)

• 是否进行了统计显著性检验？(yes/no)

• 是否为论文计算了自动度量分数而不是从其他工作中复制？如果复制，是否所有复制的和比较的分数都通过确保其可比性的工具（例如 SacreBLEU）计算得出？(yes/no)

• 如果对比的机器翻译系统是为了凸显算法的优越性，那么系统间是否使用了相同的数据集及预处理方式？(yes/no)

4.总结

当前对于生成任务，评价指标仍然不甚完善，各种"艺术性"操作也经常层出不穷。看惯了身边谜之操作的你，是否愿意支持评测规范化，加入反击的阵营呢？