Newest papers

CrisiLangs: A Multilingual Resource for Crisis Warning Generation

Giacomo Gonella, Stefano Menini, Marco Guerini · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.31356 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Giao tiếp với công chúng trong trường hợp khẩn cấp liên quan đến việc phát hành các thông điệp cảnh báo một cách nhanh chóng. Ở châu Âu, nó thường đòi hỏi phải sản xuất chúng bằng nhiều ngôn ngữ. Công việc gần đây đã chỉ ra rằng các mô hình ngôn ngữ có thể được đào tạo để tạo các thông điệp cảnh báo khi cuộc khủng hoảng diễn ra, nhưng dữ liệu có sẵn chỉ bao gồm tiếng Anh. Để lấp đầy khoảng cách này, chúng tôi trình bày CrisiLangs, một phần mở rộng đa ngôn ngữ của CrisiText (một tập dữ liệu tiếng Anh về các sự kiện khủng hoảng kèm với các thông điệp cảnh báo được viết theo các hướng dẫn truyền thông chuyên gia) sang tiếng Ý, tiếng Bulgaria, tiếng Đức và tiếng Hy Lạp. Người nói bản địa chuyên gia đã dịch các thông điệp cảnh báo của 1.000 sự kiện được rút ra từ 411 kịch bản

Machine translation (Meta M2M100); the English original follows.

Abstract

Communicating with the public during an emergency entails issuing warning messages promptly. In Europe, it often requires producing them in more than one language. Recent work has shown that language models can be trained to generate warning messages as a crisis unfolds, but the available data covers only English. To fill this gap, we present CrisiLangs, a multilingual extension of CrisiText (an English dataset of crisis events paired with warning messages written according to expert communication guidelines) to Italian, Bulgarian, German, and Greek. Expert native speakers translated the warning messages of 1,000 events drawn from 411 scenarios, for a total of 5,000 event-message pairs across five languages. We test the resource to fine-tune a multilingual model on all five languages jointly, with and without the emergency guidelines in the prompt, and compare it with a zero-shot baseline. The fine-tuned models outperform the baseline on ROUGE-L, BLEU and BERTScore in every language and configuration. In a human preference study, low decoding temperatures receive the most preferences in all five languages and in both configurations, while the effect of the guidelines varies by language.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Resource (disambiguation), Warning system, Preference, Natural language processing, Language model

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange