大規模言語モデル（LLM）は多くの言語タスクで優れた性能を発揮していますが、点字のような構造的に制約された重要なアクセシビリティ機能への対応能力は十分に検証されていません。この研究では、最先端のLLMを対象に、人間が注釈を付けたデータセットを使用した韓国語と点字の双方向翻訳タスクで評価を実施しました。 多言語対応で命令チューニングされたモデルであれば、テキスト表現を通じて点字に汎化できると期待されていましたが、実際の結果は大きく異なりました。現在のLLMは一貫して貧弱で不安定な出力を生成し、人間の判断との間に大きなズレが生じました。この問題の根本原因は、点字対応のトークン化が欠落しており、韓国語と点字のパターン間でのアライメント（整合性）が不十分であることが明らかになりました。 これに対し、同じデータセットを使用してT5-smallという小規模モデルを教師あり学習でファインチューニングした場合、ゼロショット学習やプロンプトベースのLLMベースラインと比べて、SacreBLEU、ChrF++、CER、BLEU、ROUGE-L、METEOR、CIDErなど複数の標準評価指標で大幅かつ安定した性能向上が達成されました。 本研究の知見は、現在のLLMが持つ体系的な制限を明らかにするとともに、タスク固有の適切な教師あり学習が極めて効果的であることを実証しています。視覚障害者など点字ユーザーにとって必要なアクセシビリティ機能実装の重要性を指摘する、社会的意義の大きい研究成果といえます。