MITRA-lexicon：サンスクリット仏教用語がチベット語・漢語・英語でどう訳されたかをコーパスから記録する

何が公開されたか

2026 年 10 月 19 日、Sebastian Nehrdich、Kengo Harimoto、Sven Sellmer、Oliver Hellwig の四人は、サンスクリットと英語・チベット語・漢語の間の六つの単方向辞書 MITRA-lexicon を記述したプレプリントを arXiv に投稿しました。著者らは 218 万件の見出し語項目と 1,040 万件の用例（アテステーション）を報告しており、各用例はその文対に、サンスクリット語とその対応語の文字位置とともに結びついています。語義は出現頻度順に並びます。 ^[1]

データは同日、コード、評価データ、ベータ版のウェブ・インターフェースとともに GitHub でリリース v1.1 として公開されました。このリリースには、論文では記述されていない漢語―チベット語辞書が追加されています。インターフェースは、これが人手で編纂した辞書ではないと明記しています。対は自動的に抽出されたため、照合は誤り、部分的、またはずれている可能性があり、文全体を読むべきだとしています。 ^{[2] [3]}

どう作られたか

サンスクリット―英語の辞書は Mitrasaṃgraha コーパス（395,528 文対）から、サンスクリット―チベット語とサンスクリット―漢語の辞書は MITRA-parallel v3（566,068 文対と 340,691 文対）から作られています。サンスクリットの全体または一部がチベット語訳や漢訳からの現代の復元であるテキスト 18 点は除外されました。 ^[1]

サンスクリット側は ByT5-Sanskrit 解析器で分かち書きと見出し語化を行います。商用の言語モデル（Gemini Flash）が 9,366 件の訓練例にラベルを付け、次に MITRA Qwen3.5-9B を基にした小型モデルが、各訳文を複写して各サンスクリット語に対応する範囲を印づけるように微調整されました。三つのコーパスの抽出には約 36 GPU 時間を要しました。アライメントモデルは別途公開され、そのモデルカードは、スコアが教師モデルとの一致を測るものであって正しさを測るものではないと記しています。 ^{[1] [4]}

どの程度信頼できるか

参照辞書との厳密一致による比較では、第一位の語義が辞書と一致したのは、サンスクリット―チベット語の見出し語で 58.2%（Negi）、サンスクリット―漢語で 53.0%（Hirakawa）、サンスクリット―英語で 36.6%（Monier-Williams と Apte の併用）でした。著者らは、辞書が扱うテキストの範囲が狭く、辞書自体にも誤りがあるため、これらの数値は下限だとしています。一致率は頻度とともに上がり、用例が 100 件以上ある見出し語では、サンスクリット―チベット語の最上位語義が 84–90% の場合に確認されました。 ^[1]

ゴールド・アライメントはサンスクリット―英語にしか存在しません。100 文を三人のサンスクリット学者が独立に整列し、三人の間の Krippendorff のアルファは 0.77、モデルは多数決に対して F1 88.4 に達しました。論文はさらに次の限界を挙げています。解析器や電子テキストの誤りが誤った見出し語に伝播すること、目的言語の屈折形が証拠を複数の語義に分散させること、英語辞書が少数の大部な叙事詩・プラーナ文献に偏ること、希少な見出し語に誤りが多いこと、ラベル付け工程が商用モデルに依存することです。リポジトリはこの論文を ISCLS 2027 で査読中としており、つまりプレプリントであって査読済みの結果ではありません。 ^{[1] [2]}

ライセンスと再利用

各用例がその文対を再現するため、辞書は原典テキストのライセンスを引き継ぎます。サンスクリット―チベット語、サンスクリット―漢語、漢語―チベット語の辞書は CC BY-SA 4.0 で公開されています。サンスクリット―英語の辞書には二つの版があります。CC BY-SA のテキストに由来する用例の 92.3% を含む CC BY-SA 4.0 版と、CC BY-NC-ND のテキストおよびライセンス表記のないコーパス分割に由来する用例を加えた CC BY-NC-ND 4.0 の完全版です。ゴールドデータと教師データは CC BY-NC-ND 4.0、コードは MIT、アライメントモデルは Apache-2.0 です。 ^{[2] [4]}

辞書のライセンスは、他のコーパス、スキャン、翻訳の権利を決めるものではありません。インターフェースで語を読んでも、原典テキストを再公開したり、それ自体のライセンスを超えてモデルを訓練したりする許可は得られません。著者らは、一般向けのアプリケーションに Dharmamitra プロジェクトへの謝辞を求めています。 ^[2]

慎重な使い方

サンスクリット、チベット語（Unicode または Wylie）、漢語で語を検索し、目的言語を選び、見出し語だけでなく文脈の中で用例を読みます。頻度は翻訳者の用法の証拠であって、正しい対応語の裁定ではありません。用例が一件しかない希少な語義はアライメントの誤りかもしれません。複数の用例がある見出し語を優先し、用例がどの集成に由来するかに注意し、項目を引用する際はリリース版とライセンスを記録してください。 ^{[1] [3]}

Matreya にとって、これは私たちの各言語にわたる用語確認の実用的な手段であり、許諾に配慮したコーパス資源の文書化された例でもあります。ライセンスはファイルごとに明示され、構築は公開されたコードとデータから再現できます。私たちは報告された数値を自ら再現しておらず、この辞書は専門家による文章の読解に代わるものではありません。 ^{[1] [2]}

編集上の注記

著者らは計算基盤への資金提供について Tsadra Foundation に謝意を示し、プログラミングと論文の文章に生成 AI を用いたことを開示しています。本記事とその翻訳は AI の支援を受けて作成され、専門家による言語校閲は完了していません。 ^[1]