Towards the Roof of the World: NLP Progress in Tibetan Languages

📄 arXiv: 2610.13398v1 📥 PDF

作者: Xi Cao, Yijie Li, Yuan Sun, Shiwei Dong, Zeguang Huang, Nuo Qun

分类: cs.CL

发布日期: 2026-10-09

备注: Camera-Ready Version; Accepted at ACL Findings: AACL-IJCNLP 2026

💡 一句话要点

系统性调查西藏语言自然语言处理的研究进展

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 西藏语言 自然语言处理 文献计量 低资源语言 开放科学 社区参与 大语言模型

📋 核心要点

  1. 西藏语言在自然语言处理领域的研究相对滞后，缺乏系统的文献综述和数据支持。
  2. 本文通过文献计量分析，系统梳理了西藏语言NLP的研究进展和现状，提出了完整的NLP流程模型。
  3. 研究表明，自2018年以来，西藏语言NLP的研究数量大幅增加，尤其是在语料库和大语言模型方面的应用。

📝 摘要（中文）

西藏语是青藏高原及周边地区约七百万人的母语，但在自然语言处理（NLP）领域仍然处于代表性不足的状态。本文首次进行同行评审的系统性文献计量调查，涵盖2004至2026年间的140篇相关论文，分析了研究领域、发表国家及资源发布情况。自2018年以来，出版物数量迅速增长，涵盖了从语料库、分词到大语言模型的完整NLP流程。中国研究者主导了87%的论文，且研究领域广泛，然而在方言覆盖、负责任的NLP、原生评估等方面仍存在不足。我们建议在大语言模型时代推动开放科学和社区参与。

🔬 方法详解

问题定义：本文旨在解决西藏语言在自然语言处理领域的研究不足，特别是缺乏系统性文献综述和数据共享的问题。现有方法未能充分覆盖方言多样性和资源发布的需求。

核心思路：通过对2004至2026年间的140篇相关论文进行系统性文献计量分析，全面评估西藏语言NLP的研究现状，提出完整的NLP流程模型，以指导未来研究。

技术框架：研究分为几个主要模块，包括文献收集、数据标注（如研究领域、发表国家）、趋势分析和资源发布情况评估，形成一个完整的研究框架。

关键创新：首次提出了西藏语言NLP的全流程模型，强调了在复杂脚本和方言多样性下的研究方法，为其他低资源语言提供了参考。

关键设计：在数据分析中，采用了文献计量学方法，标注了140篇论文的发表渠道、研究领域和资源发布情况，确保了数据的全面性和准确性。研究还强调了开放科学和社区参与的重要性。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

研究显示，自2018年以来，西藏语言NLP的出版物数量增长迅速，达到84%。此外，87%的论文由中国研究者主导，涵盖了25个研究领域，显示出该领域的快速发展和广泛关注。

🎯 应用场景

该研究为西藏语言的自然语言处理提供了系统性参考，能够促进相关领域的研究和应用，尤其是在低资源语言的NLP技术开发中具有重要价值。未来，随着资源的共享和标准化，西藏语言的NLP研究有望实现更广泛的应用，推动语言保护和文化传承。

📄 摘要（原文）

Tibetan, spoken by some seven million people on and around the Qinghai-Xizang Plateau, remains underrepresented in natural language processing (NLP). We present, to our knowledge, the first peer-reviewed systematic bibliometric survey of Tibetan NLP: 140 publications from 2004 to 2026 in the ACL Anthology and DBLP, annotated for venue type, research area, first-affiliation country, and resource release. Output has grown rapidly, with 84% of the publications appearing since 2018, and has expanded bottom-up along the NLP pipeline, from corpora and word segmentation through script, speech, and applications to large language models (LLMs). Researchers based in China first-authored 87% of the publications, which span all 25 represented research areas, whereas work from other countries concentrates on Classical Tibetan. We argue that this full-pipeline paradigm, realized under the compounded constraints of a complex script, dialectal diversity, and geographic remoteness, offers a reference model for other low-resource languages of the Global South. We also identify gaps in dialect coverage, responsible NLP, native and comparable evaluation, cross-community visibility, and resource release (only 29% of the publications release data, code, or models), and recommend open science, shared standards, and community participation for the LLM era.