G検定（ジェネラリスト検定） ディープラーニングの応用例 練習問題 第37問: 機械翻訳の訳文を自動で評価する指標に関する説明として、最も不適切なものはどれか。

肢1が不適切です。BLEUの論文（Papineni ほか, 2002年）は、参照訳より長い訳は修正n-gram適合率ですでに罰せられているとし、短すぎる訳を罰するためにbrevity penaltyを掛けました。

候補の長さが参照訳の長さより短いときに1より小さくなり、同じか長いときは1です。

肢2は同論文の修正n-gram適合率の説明で、候補の語の数を、参照訳での最大の出現回数で頭打ちにして数えます。

肢3はJurafsky・Martinの教科書が説明するchrFのとおりで、文字n-gramの適合率と再現率を組み合わせたF値です。

肢4も同書のとおりで、BLEUは単語単位のためトークン化の違いに敏感で、形態が複雑な言語ではうまく働かないとされます。BLEUは再現率を使わず、適合率にもとづく指標である点も押さえます。