Google Translate Versus Matecat for Religious Text Translation: A Study of Iranian Students' Speed, Accuracy, and Perceptions

ابوالفضل خراسانی زاده گزکی; داریوش نژاد انصاری مهابادی

نویسندگان

ابوالفضل خراسانی زاده گزکی ^📧 کارشناسی ارشد مطالعات ترجمه، دانشکدۀ زبان‌ها و ادبیات خارجی، گروه زبان و ادبیات انگلیسی، دانشگاه اصفهان، ایران
داریوش نژاد انصاری مهابادی استادیار دانشکدۀ زبان‌ها و ادبیات خارجی، گروه زبان و ادبیات انگلیسی، دانشگاه اصفهان، ایران

چکیده

پیشرفت فناوری منجر به ظهور سیستم‌های متعدد ترجمۀ ماشینی و ابزارهای ترجمه به کمک رایانه شده است. این مطالعه به مقایسه تأثیر گوگل ترنسلیت، ماشین ترجمه، با میت‌کت، ابزار ترجمه به کمک رایانه، پرداخته است. این تحقیق تأثیر این دو سیستم را بر کیفیت ترجمه، سرعت و بازخورد کاربران مورد بررسی قرار داده است. پژوهش حاضر با مشارکت دو کلاس در دانشگاه آزاد اسلامی قم انجام شد که در آن ۱۶ دانشجو به گروه میت‌کت و ۱۱ دانشجو به گروه گوگل ترنسلیت اختصاص یافتند. همۀ شرکت‌کنندگان ابتدا یک متن مذهبی ۲۵۰ کلمه‌ای را با استفاده از فرهنگ‌های لغت ترجمه کردند و در یک آزمون تعیین سطح شرکت کردند که نشان می‌داد همه آن‌ها از سطح متوسطی در مهارت زبان انگلیسی برخوردار هستند. پس از دریافت دستورالعمل‌ها، شرکت‌کنندگان از سیستم اختصاص‌یافته خود برای ترجمۀ همان متن در پس‌آزمون استفاده کردند. تیم پژوهش کیفیت ترجمه‌ها را با استفاده از مدل ودینگتون ارزیابی کرد. آزمون‌های t وابسته نشان دادند که اگرچه گوگل ترنسلیت زمان ترجمه را به طور قابل توجهی کاهش داد، بهبودی در کیفیت ترجمه ایجاد نکرد، درحالی که میت‌کت هم سریع‌تر و هم با کیفیت‌تر از ترجمه انسانی عمل کرد. آزمون‌های t مستقل نیز تفاوت معناداری بین دو سیستم از نظر دقت و سرعت ترجمه نشان ندادند. دانشجویان بازخورد مثبتی به هر دو سیستم دادند و به رابط کاربری آسان، دقت در پردازش اصطلاحات مذهبی و دستور زبان اشاره کردند. آن‌ها از هر دو ابزار رضایت داشتند و اعلام کردند که قصد دارند از این ابزارها در آینده نیز استفاده کنند.

کلمات راهنما:

ارزیابی کیفیت ترجمه، خروجی ماشین ترجمه، گوگل ترنسلیت، ماشین ترجمه، میت‌کت

مراجع

Doherty, S., & Kenny, D. (2014). The design and evaluation of a statistical machine translation syllabus for translation students. The Interpreter and Translator Trainer, 8(2), 295–315.

Laubli, S., Amrhein, C., Düggelin, P., Gonzalez, B., Zwahlen, A., & Volk, M. (2019). Post-editing productivity with neural machine translation: An empirical assessment of speed and quality in the banking and finance domain. In Proceedings of Machine Translation Summit XVII: Research Track (pp. 267–272). European Association for Machine Translation.

Macken, L., Prou, D., & Tezcan, A. (2020). Quantifying the effect of machine translation in a high-quality human translation production process. Informatics 7 (2), 1–19.

Pal, P., Virkar, Y., Mathur, P., Chronopoulou, A., & Federico, M. (2023). Improving isochronous machine translation with target factors and auxiliary counters. Interspeech 2023, 37–41. https://doi.org/10.21437/Interspeech.2023-1063

Purwaningsih, D. (2016). Comparing translation produced by Google Translate tool to translation produced by translator. Journal of English Language Studies, 1(1).

Tasdemir, S., Lopez, E., Satar, M., & Riches, N. (2023). Teachers’ perceptions of machine translation as a pedagogical tool. The JALT CALL Journal, 19(1), 92–112.

Xu, H. (2024). Assessment of computer-aided translation quality based on large-scale corpora. International Journal of e-Collaboration (IJeC), 20(1), 1–14.