ChatGPT vs. Google Translate: Comparative Analysis of Translation Quality

محمد آقایی

نویسندگان

محمد آقایی ^📧 کارشناس ارشد مترجمی زبان انگلیسی، گروه زبان انگلیسی، دانشکده علوم انسانی، دانشگاه غیرانتفاعی دانش‌البرز، قزوین، ایران

چکیده

پیدایش مدلهای زبانی بزرگ و استفاده آنها در ترجمه ماشینی، بررسی کیفیت ترجمه و مقایسه این سیستمها را به امری ضروری تبدیل کرده است. هدف از این پژوهش ارزیابی کیفی ترجمه ادبی چت جی پی تی و گوگل ترنسلیت از زبان فارسی به زبان انگلیسی بوده است. به این منظور، یک داستان کوتاه فارسی انتخاب و هر دو ابزار برای تولید ترجمه آن به کار گرفته شدند. ترجمه ها با استفاده از مدل کل نگر عملکردی سفیان و تاریگان (2019) مورد ارزیابی کیفی قرار گرفتند و به ترتیب نمرات 56 و 40 درصد را به دست آوردند. علاوه بر این، تجزیه وتحلیل خطاهای ترجمه برای تعیین نقاط قوت و ضعف این دو ابزار انجام گرفت. نمرات به دست آمده نشان می دهد که هر دو ابزار ترجمه ماشینی محدودیتهایی از نظر دقت، معادلسازی و کاربرد متون، به ویژه در ترجمه ادبی دارند. نتایج این تحقیق اهمیت مترجم انسانی برای تولید ترجمه باکیفیت را نشان می دهد. علی رغم ترجمه آسان و سریع که این ابزارها به ما ارائه می دهند، برای انتقال ظرایف فرهنگی و اصطلاحات در ترجمه ادبی فارسی به انگلیسی همچنان مترجم انسانی دست بالا را دارد.

مراجع

Adawiyah, A. R., Baharuddin, B., Wardana, L. A., & Farmasari, S. (2023). Comparing post-editing translations by Google NMT and Yandex NMT. TEKNOSASTIK, 21(1), 23–34.

Aghai, M. (2023). Quality asessment of online translation agencies in Iran. Iranian journal of translation studies, 20(80).

Boitet, C., Blanchon, H., Seligman, M., & Bellynck, V. (2009). Evolution of MT with the Web. In Proceedings of the conference on machine translation (Vol. 25, pp. 1–13).

Bonyadi, A. (2020). Exploring linguistic modifications of machine-translated literary articles: The case of Google Translate. Journal of Foreign Language Teaching and Translation Studies, 5(3), 89–104. doi: 10.22034/efl.2020.250576.1057

Cheng, Y., & Cheng, Y. (2019). Semi-supervised learning for neural machine translation. Joint training for neural machine translation, 25–40.

Dong, Q., Li, L., Dai, D., Zheng, C., Wu, Z., Chang, B. & Sui, Z. (2022). A survey for in-context learning. arXiv preprint arXiv:2301.00234

Holmes, J.S. (1988). The name and nature of translation studies. In Holmes, Translated! Papers on literary translation and translation studies. Rodopi.

Khoshafah, F. (2023). ChatGPT for Arabic-English translation: Evaluating the accuracy.

Liu, L., Utiyama, M., Finch, A., & Sumita, E. (2016). Neural machine translation with supervised attention. arXiv preprint arXiv:1609.04186.

Moneus, A. M., & Sahari, Y. M. (2023). Artificial intelligence and human translation: A contrastive study based on legal texts. Artificial intelligence and human translation: A contrastive study based on legal texts.

Peng, K., Ding, L., Zhong, Q., Shen, L., Liu, X., Zhang, M., & Tao, D. (2023). Towards making the most of ChatGPT for machine translation. arXiv preprint arXiv:2303.13780.

Sofyan, R., & Tarigan, B. (2019). Developing a holistic model of translation quality assessment. In Eleventh conference on applied linguistics (CONAPLIN 2018) (pp. 266–271). Atlantis Press.

Turovsky, B. (2016). Found in translation: More accurate, fluent sentences in Google Translate. Blog. Google. November, 15.

Vinay, J. P., & Darbelnet, J. (1995). Comparative stylistics of French and English: A methodology for translation (Vol. 11). John Benjamins.

Wu, Y., Schuster, M., Chen, Z., Le, Q. V., Norouzi, M., Macherey, W., & Dean, J. (2016). Google's neural machine translation system: Bridging the gap between human and machine translation. arXiv preprint arXiv:1609.08144.

Xie, Y., Yu, C., Zhu, T., Bai, J., Gong, Z., & Soh, H. (2023). Translating natural language to planning goals with large-language models. arXiv preprint arXiv:2302.05128