Кемерово, Россия
Кемерово, Россия
ВАК 5.12.3 Междисциплинарные исследования языка
В эпоху активного развития искусственного интеллекта машинный перевод широко применяется в области переводоведения. В статье исследованы варианты машинного перевода фрагментов текста политического дискурса, принадлежащих публицистическому стилю, в контексте изучения потенциала онлайн-переводчиков как одного из составляющих искусственного интеллекта. Предмет – возможности современных программ машинного перевода, их особенности и маркирующие признаки вариантов машинного перевода. Цель – выявить степень эквивалентности диктумно-модусного содержания исходного и переводного текстов посредством сравнительного анализа результатов машинного перевода онлайн-переводчиков Yandex Translate, DeepL, нейронной программы Gemini. Задачи: 1) установить лингвистические факторы исходного текста, которые влияют на степень эквивалентности результатов перевода (лексико-грамматическая сложность исходного текста, контекстуальная насыщенность и культурная специфика); 2) выявить технологические параметры алгоритмов программ машинного перевода, которые определяют качество результатов перевода. Исследование выполнено на материале фрагментов интервью В. В. Путина американскому журналисту Такеру Карлсону от 9 февраля 2024 г. Выбор дискурсивного материала обусловлен наличием стилистически маркированных лексико-фразеологических единиц наряду с нейтральной и книжной лексикой. Установлено наличие разной степени машинности переводных текстов. Алгоритмы машинного перевода демонстрируют различные подходы к обработке и переводу текстов публицистического дискурса, где используются культурные аллюзии, идиомы и фразеологизмы. Так, Gemini демонстрирует наиболее успешную передачу диктумного и модусного содержаний, а DeepL и Yandex Translate в большей мере ориентированы на буквальный способ перевода.
машинный перевод, искусственный интеллект, маркирующие признаки, публицистический дискурс, переводоведение
1. Алешина О. И., Бронзова Л. И. Особенности и сложности перевода политического дискурса. Современные проблемы права, экономики и управления. 2019. № 2. С. 13–23. https://elibrary.ru/fmztlm
2. Антонова Н. А., Кузьмич И. В. Сравнительный анализ машинного и «ручного» перевода научно-учебного текста: проблемы и решения. Дискурс. 2024. Т. 10. № 4. C. 82–92. https://doi.org/10.32603/2412-8562-2024-10-4-82-92
3. Баканова М. В. Вопросы машинного перевода и обучение лингвистов-переводчиков работе с системами автоматизированного перевода. Проблемы информатики в образовании, управлении, экономике и технике: XV Междунар. науч.-техн. конф. (Пенза, 12–13 ноября 2015 г.) Пенза: Приволжский Дом знаний, 2015. С. 154–157. https://elibrary.ru/uydzex
4. Балли Ш. Общая лингвистика и вопросы французского языка. М.: Изд-во иностр. лит., 1955. 416 с.
5. Волкова Е. В., Якунин Р. С. Сравнительный анализ использования нейросетей в переводе (на примере английского и русского языков). Казанская наука. 2024. № 9. С. 287–291. https://elibrary.ru/rhyzzq
6. Голев Н. Д., Ким Л. Г. Диктумно-модусный плюрализм виртуального диалогического дискурса (на материале интернет-комментариев). Медиалингвистика. 2023. Т. 10. № 1. С. 4–26. https://doi.org/10.21638/spbu22.2023.101
7. Гончаров В. В., Мальцева О. Л. Анализ возможности повышения качества машинного перевода на основе технологии нейронных сетей. Человеческий капитал. 2020. № 1. С. 58–63. https://doi.org/10.25629/HC.2020.01.06
8. Гребенюк А. В. Проблемы типологии ошибок машинного перевода: стремление к универсальности vs таргетированность. Вестник Московского университета. Серия 22. Теория перевода. 2024. Т. 17. № 2. С. 7–25. https://doi.org/10.55959/MSU2074-6636-22-2024-17-2-7-25
9. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. 2-е изд. М.: ДМК, 2018. 652 с.
10. Дроздова К. А. Машинный перевод: история, классификация, методы. Вестник Омского государственного педагогического университета. Гуманитарные исследования. 2015. № 3. С. 156–158. https://elibrary.ru/ugwdad
11. Ермолаева А. А. Полисемия в контексте нейронного машинного перевода. Молодой ученый. 2020. № 32. С. 175–177. https://elibrary.ru/klausb
12. Животова А. А., Бердоносов В. Д. Перспективные направления развития систем машинного перевода. Информатика и системы управления. 2022. № 2. С. 116–128. https://elibrary.ru/tzdcvp
13. Камшилова О. Н., Беляева Л. Н. Машинный перевод в эпоху цифровизации: новые практики, процедуры и ресурсы. Terra Linguistica. 2023. Т. 14. № 1. С. 41–56. https://doi.org/10.18721/JHSS.14105
14. Ким Л. Г. Множественная вариативность модусных смыслов в высказываниях адресатов как следствие конфликта интерпретаций (на материале «Словаря событийных концептов Кузбасса»). Сибирский филологический журнал. 2023. № 3. С. 325–337. https://elibrary.ru/lmoepq
15. Колосова Т. А. О диктуме и модусе в сложном предложении. Научные доклады высшей школы. Филологические науки. 1979. № 2. С. 47–53.
16. Кольцова Д. А., Кольцов С. В. История и развитие машинного перевода. Русский язык и культура в зеркале перевода. 2019. № 1. С. 130–135. https://elibrary.ru/rigjad
17. Королькова С. А., Новожилова А. А. Эффективность систем машинного перевода в урбанистическом дискурсе. Вестник Волгоградского государственного университета. Серия 2: Языкознание. 2021. Т. 20. № 3. С. 87–98. https://doi.org/10.15688/jvolsu2.2021.3.8
18. Котенко В. В. Перспективы развития нейронного машинного перевода в контексте концепции открытого образования. Ученые записки университета имени П. Ф. Лесгафта. 2020. № 4. С. 225–230. . https://elibrary.ru/hpppec
19. Ли Ц. Анализ переводческих решений при передаче речи Си Цзиньпина на ХХ Всекитайском съезде Коммунистической партии Китая на русский язык с использованием переводоориентированного метода. Вестник Московского университета. Серия 22: Теория перевода. 2023. Т. 16. № 2. С. 25–42. https://doi.org/10.55959/MSU2074-6636-22-2023-16-2-25-42
20. Линцов Л. А., Кузнецова Т. И., Бабанина Е. Ю. Нейронный перевод: краткая история и перспективы. Успехи в химии и химической технологии. 2023. Т. 37. № 15. С. 90–92. https://elibrary.ru/asmdjq
21. Минский М. Сообщество разума. М.: АСТ, 2018. 592 с.
22. Миньяр-Белоручева А. П., Сергиенко П. И. Особенности цифрового перевода аббревиатур в сфере связей с общественностью. Вестник Московского университета. Серия 22: Теория перевода. 2023. Т. 16. № 1. С. 80–92. https://doi.org/10.55959/MSU2074-6636-22-2023-16-1-80-92
23. Нагорный И. А. К вопросу о статусе модально-персуазивной квалификации. Русский литературный язык: номинация, предикация, экспрессия, отв. ред. В. В. Леденев. М.: Международная академия наук педагогического образования. 2002. С. 194–197.
24. Новиков А. В. Об особенностях и принципах работы нейронного машинного перевода. Язык. Культура. Коммуникация: изучение и обучение: VII Междунар. науч.-практ. конф. (Орел, 12–13 октября 2023 г.) Орел: ОГУ имени И. С. Тургенева; Картуш, 2023. С. 252–258. https://elibrary.ru/tcverk
25. Новиков И. А. О трудностях перевода неологизмов и разностилевых лексико-фразеологических единиц в публичных речах В. В. Путина (на материале французского и английского языков). Вестник Московского университета. Серия 22: Теория перевода. 2023. Т. 16. № 4. С. 120–144. https://doi.org/10.55959/MSU2074-6636-22-2023-16-4-120-144
26. Тураева З. Я. Лингвистика текста и категория модальности. Вопросы языкознания. 1994. № 3. С. 105–114.
27. Шмелева Т. В. Семантический синтаксис: текст лекций. Красноярск: КГУ, 1988. 54 с.
28. Щипицина Л. Ю. Информационные технологии в лингвистике. М.: Флинта, 2013. 128 с. https://elibrary.ru/sdtldf
29. De Almeida G., O’Brien S. Analysing post-editing performance: Correlations with years of translation experience. Proceedings of the 14th Annual conference of the European Association for Machine Translation. Saint Raphaël: EAMT, 2010. URL: https://aclanthology.org/2010.eamt-1.19/ (accessed 10 Jan 2025).
30. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers). Minneapolis: ACL, 2019, 4171–4186. https://doi.org/10.18653/v1/N19-1423
