ВИКОРИСТАННЯ ІНСТРУМЕНТІВ НЕЙРОННОЇ СИСТЕМИ МАШИННОГО ПЕРЕКЛАДУ ПІД ЧАС ПЕРЕКЛАДУ ПУБЛІЦИСТИЧНИХ ТЕКСТІВ

Ключові слова: машинний нейронний переклад, фразовий переклад, постредагування, контекст, напівавтоматизовані інструменти, двомовна база, цілісність, штучний інтелект, база даних, нейронний, помилка, публіцистичний текст

Анотація

Стаття присвячена питанню використання нейронної системи під час машинного перекладу (Neural Machine Translation, NMT), яка є новітнім способом роботи з перекладом. Машинний нейронний переклад є однією з найдинамічніших сфер сучасної прикладної лінгвістики, що значно покращується під впливом штучного інтелекту. Попри це, результати перекладу залишаються неоднорідними за якістю, особливо в межах вузькоспеціалізованих або емоційно забарвлених текстів. У фокусі – точність, адекватність і контекстуальність перекладів, а також механізми постредагування як невід’ємної частини роботи перекладача з машинним перекладом із використанням електронних баз даних. У межах дослідження особливу увагу приділено морфосинтаксичним трансформаціям, адекватності лексичної відповідності, а також збереженню логіко-семантичної цілісності перекладеного тексту. Аналіз постредагування показав, що більшість критичних помилок є не випадковими, а повторюються систематично. Це дає змогу створити напівавтоматизовані інструменти для редагування, зокрема вбудовані підказки щодо термінології, перевірку стилістичної відповідності, автоматичну заміну калькованих конструкцій. Крім того, перспективним напрямом є навчання систем на фахових двомовних базах, які містять терміни з галузей медицини, права, економіки тощо. Як результат вивчення проблеми встановлено, що сучасні системи машинного перекладу, зокрема нейронні моделі, є ефективними інструментами для перекладу загальномовних і технічних публіцистичних текстів. Однак під час роботи з вузькоспеціалізованими або стилістично складними текстами виникають значні труднощі, пов’язані з передаванням термінології, стилістики й контексту. Підвищення ефективності машинного нейронного перекладу можливе лише за умови інтеграції постредагування, а також навчання систем на якісних фахових корпусах. Розроблений алгоритм редагування може слугувати методичним інструментом для перекладачів, студентів-філологів і фахівців, що працюють з іноземними текстами. Цей підхід допомагає покращити якість автоматичного перекладу порівняно з попередніми методами, такими як статистичний або фразовий переклад.

Посилання

1. Анохін В. М. Вимоги до сучасних електронних навчальних видань і можливості їх реалізації у середовищі Adobe Captivate. Вісник національного університету «Львівська політехніка». Серія «Інформатизація вищого навчального закладу. 2012. № 731. С. 71–76.

2. Бірюков А. В. Система оцінки якості автоматизованого перекладу. Вісник Сумського державного університету. Серія «Філологічні науки». 2004. № 3 (62). С. 42–48.

3. Дубова О. А., Юрченко І. В. Використання і коригування машинного перекладу. Гуманіт. вісник НУК. Миколаїв : Іліон. 2022. №. 14. С. 9–12.

4. Кобзар О. І. Основи економічного перекладу. Науковий вісник Міжнародного гуманітарного університету. Серія «Філологія». 2014. № 10. Том 2. С. 135–137.

5. Подвойська О. В., Гончаренко Н. В., Козоріз І. С. Машинний переклад за допомогою інтернет ресурсів. Науковий журнал «Молодий вчений». Серія «Філологічні науки». 2024. № 4 (128).

6. Стахмич Ю. С. Адекватність та еквівалентність перекладу в контексті комп’ютерної лінгвістики. Вісник Житомирського державного університету ім. Івана Франка : наук. журн. / відп. ред. Н. А. Сейко. Житомир : ЖДУ ім. І. Франка, 2013. № 66. С. 224–225.

7. Янковець А. В. Особливості застосування сучасних систем машинного перекладу в умовах підготовки майбутніх перекладачів у вищому військовому навчальному закладі. Вісник Національної академії Державної прикордонної служби України. 2012. № 5. С. 180–185.

8. Яслинська К. М. Деякі особливості перекладу фінансово-економічних текстів. Збірник наукових праць Херсонського державного університету. Серія «Педагогічні науки». 2017. № 75 (3). С. 191–193.

9. Baker M. Translation and conflict: a narrative account. Routledge, 2019.

10. Chesterman A. The Name and Nature of Translator Studies. Hermes: Journal of Language and Communication Studies. 2018. № 13. 64 p.

11. González R. C. L. Obstacles in Economic Translation: Common, Frequent Mistakes Made by Undergraduates. Procedia – Social and Behavioral Sciences. 2015. № 173. Р. 331–336.

12. Glikson E., Asscher O. AI-mediated apology in a multilingual work context: Implications for perceived authenticity and willingness to forgive. Computers in Human Behavior. 2023. Р. 140.

13. Grosdidier P. Lost in Translation: Google Translate Might Not Always Be the Best Way to Obtain Search Consent. Texas Bar Journal. 2019. № 82(2). Р. 94.

14. Jia Y., Zheng B. The interaction effect between source text complexity and machine translation quality on the task difficulty of NMT post-editing from English to Chinese: A multi-method study. Across Languages and Cultures. 2022. № 23(1). Р. 36–55.

15. Jolley J. R., Luciane M. Free. Online Machine Translation: Use and Perceptions by Spanish Students and Instructors. Learn Languages, Explore Cultures, Transform Lives. 2015. Р. 181–200.

16. Karnedi P. A cognitive approach to metaphor translation: A case study of translating an economics textbooks from English into Indonesian. Lintas Bahasa Translingua. 2011. Vol. 15 (1). Р. 2–31.

17. Karnedi P. Translating economic texts: A case study of epistemicide. TEFLIN Journal. Procedia – Social and Behavioral Sciences. 2015. Vol. 173. Р. 331–336.

18. Snover M. A Study of Translation Edit Rate with Targeted Human. Proceedings of the 7th Conference of the Association for Machine Translation in the Americas, Cambridge. 2016.

19. Toledo Báez M. C. Machine Translation and Postediting: Impact of Training and Directionality on Quality and Productivity. Revista Tradumàtica. 2018. № 16. Р. 107–142.

20. Antonio Toral, Martijn Wieling, Andy Way. Post-editing Effort of a Novel With Statistical and Neural Machine Translation. Frontiers in Digital Humanities. 2018. № 5 (9). Р. 564.

21. Vieira L. N. Machine translation in the news : A framing analysis of the written press. Translation Spaces. 2020. № 9(1). Р. 98–122.

22. Vieira L. N. Post-Editing of Machine Translation. O'Hagan М. (Ed.) The Routledge Handbook of Translation and Technology, Routledge. 2019. Р. 319–335.
Опубліковано
2025-09-30