Just seetõttu oli LREC 2026 oluline ka Eesti vaates. Eesti teadlased ei osalenud konverentsil üksnes kuulajatena, vaid tõid rahvusvahelise publiku ette muljetavaldava hulga töid, mis aitavad hinnata ja arendada eesti keele kohta käivaid tehisintellekti lahendusi. Väikese keele puhul ei ole see kõrvaline küsimus.

Kui inglise keele jaoks leidub andmeid, teste ja tööriistu palju, siis eesti keele jaoks tuleb suur osa neist teadlikult luua: koguda andmeid, teha korpusi, kohandada hindamisviise ja kontrollida, kas mudel saab eesti keelest aru ka siis, kui ülesanne nõuab grammatikatunnetust, kultuuriteadmisi või arutlemist.

Konverents ise oli mahult muljetavaldav. Esitati 1786 artiklit, millest ettekandmisele jõudis 944 ehk ligikaudu 52,9%. Kuue päeva jooksul toimus kümneid suulisi ja postersessioone, töötube ja õpitube ning osalejaid oli üle 2000.

Eesti keele jaoks oli üks laiapõhjalisemaid töid Helena Grete Lillepalu ja Tanel Alumäe uurimus „Estonian Native Large Language Model Benchmark“

See näitab ilmekalt, kui kiiresti on keeletehnoloogia valdkond laienenud: varasem keeleressursside loomise ja hindamise traditsioon on nüüd põimunud suurte keelemudelite, multimodaalse tehisintellekti, kõne- ja viipekeeletehnoloogia, andmeõiguse ning eetikaküsimustega.

Eesti keele jaoks oli üks laiapõhjalisemaid töid Helena Grete Lillepalu ja Tanel Alumäe uurimus „Estonian Native Large Language Model Benchmark“. Selles esitleti eesti keele võrdlustesti, mis koosneb seitsmest alamülesandest ja katsetati 32 mudelit.

Selliste testide olulisus on lihtsalt mõistetav: enne kui saame öelda, et mõni keelemudel sobib eesti keeles õppimiseks, tõlkimiseks, avaliku sektori teenustesse või kasutajaga suhtlemiseks, peame teadma, mida ta tegelikult oskab. Kas ta tunneb eesti keele grammatikat? Kas ta saab aru kultuurikontekstist? Kas ta suudab teha kasulikke kokkuvõtteid? Kas ta vastab usaldusväärselt ka siis, kui küsimus ei ole inglise keele kaudu vahendatud?

Selliste küsimustega tegeleb ka hiljuti esmaavaldatud Eesti Keele Instituudi laiapõhjaline projekt Mõõdupuu, mille eesmärk on selliste testide temaatiline laiendamine ning regulaarselt ja reaalajas uueneva hindamisinfrastruktuuri väljaehitamine.

Mudelite hindamisega tegeles ka Marii Ojastu ja kaasautorite töö „Estonian WinoGrande Dataset: Comparative Analysis of LLM Performance on Human and Machine Translation“.

WinoGrande on arutlemisvõimet hindav andmestik, mis oli algselt loodud inglise keele jaoks. Tartu Ülikooli uurimisrühm tõlkis ja kohandas selle eesti keelde ning võrdles, kuidas mudelid saavad hakkama inimtõlke ja masintõlke põhjal loodud testidega. Selline töö aitab vastata väga praktilisele küsimusele: kas ingliskeelsete testide tõlkimisest piisab või on vaja keele- ja kultuuritundlikku kohandamist?

Tulemused näitasid, et usaldusväärseks hindamiseks ei piisa ainult automaatsest tõlkest ja keelespetsialistide töö on endiselt oluline.

Hea mudel ei pea ainult ladusat keelt genereerima, vaid olema ka hinnatav, läbipaistev ja käituma vastutustundlikult.

Suurte keelemudelite kõrval oli konverentsil tugevalt esil ka vastutustundliku tehisintellekti teema. Dan Jurafsky plenaarettekanne käsitles keelemudelite sotsiaalseid puudujääke vestluspartnerina.

Probleem ei ole ainult selles, et mudel võib eksida. Sama oluline on see, kuidas ta eksib: sageli enesekindlalt, kasutajale meeldida püüdes ja vahel ka kasutaja ekslikke või kahjulikke mõttekäike kinnitades. See on oluline meeldetuletus ka eesti keele tehnoloogia arendamisel. Hea mudel ei pea ainult ladusat keelt genereerima, vaid olema ka hinnatav, läbipaistev ja käituma vastutustundlikult.

Vastutustundliku tehisintellekti praktilise hindamisega haakus ka Neha Sharma, Navneet Agarwali ja Kairit Sirtsi töö „Towards Consistent Detection of Cognitive Distortions: LLM-Based Annotation and Dataset-Agnostic Evaluation“. See käsitles kognitiivsete eripärade tuvastamist ning suurte keelemudelite kasutamist andmete märgendamisel ja andmestikeülesel hindamisel.

Sellised uurimused on olulised just seepärast, et tehisaru liigub järjest rohkem valdkondadesse, kus keeleline väljendus, inimese hoiakud ja võimalikud mõttemustrid võivad olla tundlikud. Kui mudelit kasutatakse näiteks vaimse tervise, nõustamise või kasutajatoe kontekstis, ei piisa tehniliselt korrektsest vastusest; vaja on ka töökindlat arusaama sellest, millal mudel võib kasutaja mõtteviisi ekslikult kinnitada või liiga enesekindlalt tõlgendada.

Eesti teadlaste panus ei piirdunud ainult suurte keelemudelite testimisega. Mark Fišel pidas RESOURCEFUL-2026 töötoas plenaarettekande väheste ressurssidega keelte tõlke- ja keelemudelite arendamise parematest ja halvematest praktikatest.

Jelena Kallas, Ahto Kiil, Heete Sahkai, Geda Paulsen ja Kertu Saul uurisid töös „Using LLMs to Extract Instances of Schematic Constructions from Unannotated L2 Learner Corpora“, kuidas kasutada suuri keelemudeleid eesti keele õppijakorpustes skemaatiliste konstruktsioonide tuvastamiseks.

Meeri-Ly Muru ja Eduard Barbu töö „Document-Level Text Simplification in Estonian Using Large Language Models“ käsitles aga eestikeelse teksti lihtsustamisvõimlausi suurte keelemudelite abil. See on hea näide sellest, kuidas suured keelemudelid võivad aidata muuta keerulisi tekste eri kasutajarühmadele ligipääsetavamaks, olgu sihtrühmaks õppijad, ametitekstide lugejad või inimesed, kelle jaoks tavapärane erialakeel on liiga keeruline.

Eesti jaoks on sõnum selge: kui tahame, et tehisintellekt oskaks eesti keelt usaldusväärselt, peame ise looma andmestikke, hindamisvahendeid ja teadmist selle kohta, mis teeb eesti keele masinale keeruliseks.

Karl Gustav Gailit tutvustas eesti keele subjektiivsuskorpust ning inim- ja masinhindamise võrdlust. Heiki-Jaan Kaalep esitles lähenemist, millega ajalooline „Asutawa Kogu“ korpus teisendati kaasaegsema kirjaviisi poole. Tartu Ülikooli teadlased panustasid ka teadmusgraafide loomise ja hindamise teemadesse, sealhulgas töödega „ReX-GG: A LLM Ensemble Pipeline for Relation-extraction and Graph Generation“ ning „Large Language Models for Knowledge Graph Extraction: A Schema-Constrained Evaluation Framework“.

Need tööd näitavad, et Eesti teadlaste huvi ei piirdu ühe tehnoloogilise moesuunaga, vaid ulatub õppijakeelest ja tekstide lihtsustamisest ajaloolise kirjakeele, teadmuse esitamise ja mudelite usaldusväärsuse hindamiseni.

LREC 2026 üldpilt kinnitas, et keeletehnoloogia ei ole enam ainult tekstide töötlemise ja keeleressursside tehniline valdkond. See on koht, kus saavad kokku andmed, keel, tehisintellekt, õigus, eetika, ettevõtlus ja ühiskondlik vastutus. Eesti jaoks on sõnum selge: kui tahame, et tehisintellekt oskaks eesti keelt usaldusväärselt, peame ise looma andmestikke, hindamisvahendeid ja teadmist selle kohta, mis teeb eesti keele masinale keeruliseks.

Eesti teadlaste nähtav osalus LREC 2026-l näitab, et seda tööd juba tehakse. Ja mitte ainult eesti keele kaitseks, vaid panustades rahvusvahelise keeletehnoloogia arengusse: väikeste keelte probleemid sunnivad looma täpsemaid, õiglasemaid ja paremini hinnatavaid tehisintellekti lahendusi kõigile.