بررسی کیفیت ترجمه ماشینی متون انگلیسی به فارسی و میزان موفقیت آن در درک مطلب

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 504

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JEIT-14-2_013

تاریخ نمایه سازی: 19 اردیبهشت 1400

Abstract:

پیشینه و اهداف: ترجمه ماشینی در حال حاضر به طور گسترده در همه جا مورد استفاده قرار میگیرد؛ با این حال، نقش آن به عنوان ابزار یادگیری زبان تایید نشده است، زیرا نگرانیهایی در مورد کیفیت آن وجود دارد. با این حال، اگر خروجی ترجمه ماشینی را با خروجی تولید شده ده سال پیش مقایسه کنیم، شاهد پیشرفت چشمگیری در کیفیت آن بخصوص در بعد واژگانی و دستوری هستیم. ترجمه ماشینی را میتوان بدین شکل تعریف کرد: فرایندی که از طریق آن و با استفاده از دستگاههای الکترونیکی میتوان ورودی را از زبانی ارایه نمود و خروجی را به زبان دیگر تحویل گرفت. هنگامیکه ترجمه ماشینی روی گوشیهای هوشمند در دسترس همگان قرار گرفت به دلیل مزایایی همچون رایگان بودن و سهولت دسترسی، مقبولیتی همگانی کسب نمود. در حوزه تعلیم و تعلم، هر روزه یادگیرندگان زیادی از این فناوری برای اهداف مختلف شخصی و همچنین علمی استفاده میکنند. این اهداف به طور عمده عبارتند از درک متنی که به زبان مادری نوشته نشده است و یا ترجمه متون مختلف از زبانهای مختلف به زبانهای دیگر و تحویل آن بعنوان تکالیف درسی به مدرسان. ترجمه ماشینی با تولید نسخهای نه چندان کامل میتواند به یادگیرندگان کمک کند درک مختصری از متنی که از زبان دیگری به غیر از زبان مادری نگاشته شده است پیدا کنند هدف از این پژوهش بررسی تاثیر ترجمه ماشینی روی درک مطلب دانشجویان است. روشها: برای رسیدن به این هدف، سه نوع متن با سطوح مختلف دشواری انتخاب شد. این متون یک بار توسط مترجم انسانی و یک بار با ترجمه ماشینی (مترجم گوگل) ترجمه شد. در نهایت شش متن بدست آمد. خروجی ترجمه ماشینی مورد ارزیابی قرار گرفته و تجزیه و تحلیل شد. یافتهها: سپس دانشجویان کارشناسی ارشد که بیشتر از ترجمه ماشینی برای درک مطالب درسی خود استفاده میکنند  به صورت تصادفی به شش گروه تقسیم شدند و هر گروه یکی از این متون را خوانده و به سوالات چهار جوابی درک مطلب در انتهای متن پاسخ دادند.  آزمون تی روی دادهها انجام شد و مشخص گردید که از سه نوع متن، دو نوع متن علیرغم داشتن برخی مشکلات واژگانی و دستوری توانست با ترجمه انسانی رقابت کند. نتیجهگیری: دادهها نشان داد کیفیت ترجمه ماشینی در حال بهبود است و هم اکنون به آن درجه از کیفیت رسیده است که از آن بتوان بعنوان ابزاری در محیطهای آموزشی استفاده نمود. راهکارهایی نیز در خصوص استفاده بهینه از این فناوری در کلاس درس ارایه گردیده است.  با توجه به اینکه نوع متن تاثیر بسیار زیادی در کیفیت ترجمه ماشینی دارد و متون علمی بسیار خوب و متون ادبی بسیار بد ترجمه ماشینی میشوند این نکته نیز بایستی در تعمیم دادن نتایج این پژوهش مد نظر قرار گیرد. هر سه متن ترجمه شده توسط گوکل توانست با متن ترجمه شده انسانی از دیدگاه درک مطلب برابری نماید لیکن تعداد جملات مجهول در این متن از دو متن دیگر بیشتر بود که انتظار میرفت در درک مطلب دانشجویان تاثیر منفی بگذارد که چنین چیزی مشاهده نشد. مسئله جنسیت نیز می تواند مورد بررسی قرار گیرد تا بدانیم آیا ارتباطی بین جنسیت و نوع واکنش به ترجمه ماشینی وجود دارد یا خیر

Authors

وحیدرضا میرزائیان

گروه زبان انگلیسی، دانشکده ادبیات و زبانهای خارجی، دانشگاه الزهرا، تهران، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Alhaisoni E, Alhaysony M. An investigation of Saudi EFL university ...
  • Lee S. The impact of using machine translation on EFL ...
  • Mirzaeian V. Challenges of Machine Translation in Persian, using Three ...
  • Mirzaeian V. Improving the translation of idioms by Google Translate. ...
  • Nino A. Machine translation in foreign language learning: Language learners’ ...
  • Sukkhwan A, Sripetpun W. Use of Google Translate: A survey ...
  • Amaral L, Meurers D. On using intelligent computer-assisted language learning ...
  • Correa M. Leaving the “peer” out of peer-editing: Online translators ...
  • Garcia I., Pena M. Machine translation-assisted language learning: Writing for ...
  • Ali K, Alireza F. The effect of computer-assisted translation on ...
  • Godwin-Jones R. Contributing, creating, curating: Digital literacies for language learners. ...
  • Wong T, Lee, J. Corpus-based learning of Cantonese for Mandarin ...
  • Nation I. Learning vocabulary in another language. Cambridge: Cambridge University ...
  • Chen M, Huang S, Chang J, Liou H. Developing a ...
  • Frodesen J. Linguistic challenges of summary and paraphrase. Paper presented ...
  • Bahri H., Mahadi T. Google Translate as a supplementary tool ...
  • Kliffer M. Post-editing machine translation as an FSL exercise. Porta ...
  • Kliffer M. An experiment in MT post-editing by a class ...
  • Jin L. Foreign language learners’ use and perception of online ...
  • Amores M. A new perspective on peer-editing. Foreign Language Annals. ...
  • Shei C. Combining translation into the second language and second ...
  • Shei C. Teaching MT through pre-editing: Three case studies. In ...
  • Josefsson E. Contemporary approaches to translation in the classroom: A ...
  • Groves M, Mundt, K. Friend or foe? Google Translate in ...
  • Barr D. Embedding technology in translation teaching: Evaluative considerations for ...
  • Case M. Machine translation and the disruption of foreign language ...
  • Popovic M. Error classification and analysis for Machine Translation. Quality ...
  • Aiken M, Balan S. An analysis of Google Translate accuracy. ...
  • Belam J. Buying up to falling down: A deductive approach ...
  • Clifford J, Merschel L, Munne, J. Surveying the landscape: What ...
  • Doherty S, Kenny D. The design and evaluation of a ...
  • Enkin E, Mejias-Bikandi E. Using online translators in the second ...
  • Kumar A. Machine translation in Arabic-speaking ELT classrooms: Applications and ...
  • Lewis D. Machine translation in a modern language curriculum. Computer ...
  • Nino A. Recycling MT: A course on foreign language writing ...
  • Ruiz N, Federico M. Complexity of spoken versus written language ...
  • Nino A. Evaluating the use of machine translation post-editing in ...
  • نمایش کامل مراجع