Постредактирование англо-русского машинного перевода: проблемы, методы и оптимизация
Хромова Анна Андреевна, Лукманова Рената Разифовна
Уфимский университет науки и технологий
Дата поступления рукописи в редакцию: 16.11.2023
Аннотация. Цель исследования – выработка рекомендаций для оптимизации англо-русского машинного перевода собственно-научных текстов естественно-научной направленности на этапе его постредактирования, ориентированных на улучшение качества машинного перевода. В статье впервые осуществлена систематизация методов постредактирования машинного англо-русского перевода текстов, функционирующих в естественнонаучной области знания – нейробиологии, произведен разноаспектный анализ процесса постредактирования машинного перевода. Сказанное свидетельствует о научной новизне исследования. Приведены примеры успешного постредактирования, обсуждены его перспективы в части совершенствования систем машинного перевода. Полученные результаты показали, что при постредактировании приходится справляться с тем, что онлайн-сервисы генерируют некорректные синтаксические конструкции или порождают терминологические единицы, смысл которых отличается от смысла единиц на языке оригинала. Важная задача постредактора – улучшение восприятия текста, она может быть выполнена, к примеру, с помощью реконструкции предложений.
Ключевые слова и фразы: машинный перевод, англо-русский перевод, постредактирование, лёгкое постредактирование, полное постредактирование, machine translation, English to Russian translation, post-editing, light post-editing, full post-editing
Открыть полный текст статьи в формате PDF. Бесплатный просмотрщик PDF-файлов можно скачать .
Список литературы:
Андреев Н. Д. Основные направления работы экспериментальной лаборатории машинного перевода // Hutchins W. J. Machine Translation: Past, Present, Future. N. Y., 1986.
Апресян Ю. Д. Лингвистическое обеспечение системы французско-русского автоматического перевода ЭТАП-1. IV. Французский синтаксический анализ // Предварительные публикации ПГЭПЛ. М.: Институт русского языка АН СССР, 1983. Вып. 159.
Кибрик А. А. Модель автоматического анализа письменного текста (на материале ограниченного военного подъязыка). М.: Изд-во МГУ, 1970.
Кулагина О. С. Исследования по машинному переводу. М.: Наука, 1979.
Леонтьева Н. Н. База знаний и автоматический перевод (проект многоязычной информационно-справочной системы) // Тезисы докладов международного семинара по машинному переводу «ЭВМ И ПЕРЕВОД 89» (г. Тбилиси, 27 ноября – 2 декабря 1989 г.). М., 1989.
Марчук Ю. Н. Проблемы машинного перевода. М.: Наука, 1983.
Машинный перевод и прикладная лингвистика. Проблемы создания системы автоматического перевода / под ред. Г. В. Чернова. М., 1986.
Розенцвейг В. Ю. Основы общего и машинного перевода. М., 1964.
Светайлов Б. В. Лингвистические и социокультурные особенности хеджирования в научном дискурсе (на материале текстов англоязычных научных статей экономической направленности) // Филологические науки. Вопросы теории и практики. 2022. Т. 15. Вып. 7.
Утробина А. А. Компьютерная лингвистика и машинный перевод: об истории становления // Вестник Башкирского университета. 2022. Т. 27. № 2.
Шаляпина З. М. К проблеме построения формальной модели процесса перевода // Теория перевода и научные основы подготовки переводчиков: мат. всесоюз. науч. конф.: в 2-х ч. М.: МГПИИЯ им. М. Тореза, 1975. Ч. II.
Cho K. Neural Machine Translation by Jointly Learning to Align and Translate // arXiv. 2016. Art. 1409.0473. https://doi.org/10.48550/arXiv.1409.0473
Guerberof A. А. What Do Professional Translators Think about Post-Editing? // Journal of Specialised Translation. 2013. Iss. 19.
Kenny D. Machine Translation for Everyone: Empowering Users in the Age of Artificial Intelligence (Translation and Multilingual Natural Language Processing 18). Berlin: Language Science Press, 2022.
King A. Neurobiology: Rise of Resilience // Nature. 2016. Vol. 531. https://doi.org/10.1038/531S18a
LeCun Y., Bengio Y., Hinton G. Y. Deep Learning // Nature. 2015. Vol. 521. https://doi.org/10.1038/nature14539
Manning С. D. Human Language Understanding & Reasoning // Dædalus. 2022. Vol. 151 (2).
Marie B., Fujita A., Rubino R. Scientific Credibility of Machine Translation Research: A Meta-Evaluation of 769 Papers // Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing, August 1-6. 2021. https://doi.org/10.18653/v1/2021.acl-long.566
Wu Y., Schuster M., Chen Zh., Le Q. V., Norouzi M., Macherey W., Krikun M., Cao Y., Gao Q., Macherey K., Klingner J., Shah A., Johnson M., Liu X., Kaiser L., Gouws S., Kato Y., Kudo T., Kazawa H., Stevens K., Kurian G., Patil N., Wang W., Young C., Smith J., Riesa J., Rudnick A., Vinyals O., Corrado G., Hughes M., Dean J. Google’s Neural Machine Translation System: Bridging the Gap between Human and Machine Translation // arXiv. 2016. Art. 1609.08144. https://doi.org/10.48550/arXiv.1609.08144
English
