arXivに投稿された論文（arXiv:2607.11893）は、大規模言語モデル（LLM）が点字のようなアクセシビリティに重要なモダリティを扱う際の深刻な欠陥を明らかにしました。Abdullah Abdullah氏らによるこの研究は、ACL 2026のLTEDIワークショップに採択されています。LLMは多くの言語タスクで優れた性能を発揮しますが、構造的に制約された点字翻訳については能力が不明でした。研究者らは、人手で注釈付けされたデータセットを用いて、最先端のLLMを韓国語-点字の双方向翻訳タスクで評価しました。結果は衝撃的でした。テストしたLLMは一貫して低品質で不安定な出力を生成し、人間の判断との一致度も非常に低かったのです。これは、現在のLLMが点字に特化したトークン化機構を欠き、韓国語と点字のパターン間のアライメントが弱いことを示しています。
対照的に、研究チームは同じデータセットで小型のT5-smallモデルを教師あり微調整しました。T5-smallは現代のLLMよりもはるかに小規模ですが、SacreBLEU、ChrF++、CER、BLEU、ROUGE-L、METEOR、CIDErのすべての標準指標において、ゼロショットやプロンプトベースのLLMベースラインを大幅に上回る安定した改善を示しました。この対比は、タスク固有の教師あり学習の有効性を強調しています。
この研究の意義は、現在のLLMがアクセシブル技術への応用において系統的な限界を持つことを体系的に指摘した点にあります。点字は視覚障害者にとって重要なコミュニケーションツールであり、その翻訳精度は極めて重要です。しかし、多言語の指示チューニングを施したモデルでさえも対応できません。研究は、将来のLLM開発において点字などの特殊なモダリティを考慮した処理を組み込むこと、そして小規模ながらタスク固有の微調整を活用して既存の欠点を補うことを提案しています。この研究は、AIアクセシビリティ研究に重要な警鐘と改善の方向性を提供しています。論文は2026年5月7日に提出されました。