跨境并购交易在2021年达到了创纪录的2.1万亿美元。许多此类交易需在美国和/或其他国家进行反垄断审查。因此，前所未有数量的美国二次请求、加拿大SIR和欧盟委员会第二阶段程序涉及大量不同语言的文件。在大数据时代，多语言数据集不仅是一个麻烦，更是由于大多数并购审查程序快速推进而导致的重大合规威胁。然而，通过合理的工作流程和技术手段，可以在不增加成本或危及合规性的情况下，克服大规模多语言数据集所带来的挑战。本文将探讨一些相关的专业技巧。

1. 搜索词构建

在外语中错误使用搜索词是一种严重错误，因为翻译不准确的搜索词会导致文件范围既缺乏相关性（遗漏了重要文件），又过于宽泛（将大量不相关的文件纳入审查池，从而增加审查成本）。翻译术语失误的原因主要有三个。

首先，由于搜索词列表中的词汇是孤立存在的，缺乏上下文，因此必须通过确保语言学家理解根本争议、相关行业以及文件作者的地区方言来为翻译过程提供背景。例如，“close”这个词可以表示“结束一项交易”、“身体上的接近”、“亲密关系”、“关上门”，在英国甚至可以指居住在某个“Close”。在大多数语言中，“close”的翻译会完全不同，例如，在西班牙语中，它可能变成cerca、íntimo、similar或cerrar。

其次，搜索词翻译常常无法达到预期效果，因为它们未能反映目标外语所需的自然语言表达和变位形式。以“close”为例，即使cerrar传达了“关闭”的正确含义，但如果未能正确变位，该翻译仍然会出错，而这并非易事，因为该西班牙动词有30种不同的变位形式。

最后，搜索词翻译中的语法错误通常是目标失误的来源。电子发现专业人士需要多年学习正确的搜索操作符用法，而语言学家往往对搜索操作符的艺术了解甚少。因此，搜索语法专家与语言学家之间的紧密合作至关重要，以确保逐字构建的语法过程。这对于特权筛选尤为重要，因为不充分的搜索结果可能导致放弃特权的潜在后果。

2. 多语言技术辅助审查（TAR）

为了成功管理针对多语言数据集的技术辅助审查（TAR，亦称预测编码）工作流程，必须将两个组成部分整合到工作流程中：（a）强大的语言识别工具和（b）联合机器学习模型。

A. 强大的语言识别工具

语言识别工具能够自动识别每个文档内的语言。这包括当单个文档包含多种语言时的情况——例如，作者故意切换语言，或主体是某种语言，但其他信息（如签名区）则包含另一种语言的元素。这些工具还可以确定每个文档内各语言的百分比分布。

在开始TAR工作流程之前进行语言识别，对于制定其余多语言TAR协议的基础至关重要。不过，由于语言识别平台的准确性差异较大（高端工具的准确率约为85%），因此选择适合项目的“合适”语言识别工具也非常重要——例如，针对韩语项目使用擅长CJK语言的工具，针对西班牙语项目则使用擅长拉丁语言的工具。

在目标数据集中运行语言识别，可以大致估算每种语言的文件数量。这些数量将决定是否在特定语言中存在一定的最低文件阈值，以合理化使用TAR，而不是仅仅进行线性的手动审查。这在并购审查程序中特别重要，因为在全球市场影响的调查范围内，某些小型外语集合的存在可能并不足以启动全面的TAR过程。

B. 联合机器学习模型

联合机器学习模型意味着对于TAR项目中的每种目标语言，需要一套单独的“训练集”文件，以训练每种语言的不同TAR引擎或“模型”——即英语文档的英语模型、日语文档的日语模型等。这无论是在使用TAR 1.0（简单主动学习）还是TAR 2.0（持续主动学习）时都是成立的。

上一篇：如何创造更具吸引力的培训材料以留住员工
下一篇：金融科技的未来：如何促进金融包容性