Аннотация 3
Введение 2
1 Теоретические основы оценки качества перевода 4
1.1 Основные подходы к оценке качества перевода 4
1.2 Классификация переводческих ошибок по Д.М. Бузаджи 6
1.3 Адаптация классификации Д.М. Бузаджи для анализа машинного перевода
аудиовизуальных материалов 7
Выводы по первой главе 11
2 Оценка качества машинного перевода аудиовизуальных материалов 13
2.1 Классический документальный фильм 13
2.1.1 Оценка качества перевода «M. Kemal Ataturk ve Modern Turkiye’nin
kurulu§u» (Google Translate) 16
2.1.2 Оценка качества перевода «M. Kemal Ataturk ve Modern Turkiye’nin
kurulu§u» (ChatGPT) 25
2.2 Документальный сериал 32
2.2.1 Оценка качества перевода «Orduya, Devlete, Millete Kumpas» (Google
Translate) 35
2.2.2 Оценка качества перевода «Orduya, Devlete, Millete Kumpas» (ChatGPT)..45
2.2.3 Оценка качества перевода «Mahrem» (Google Translate) 52
2.2.4 Оценка качества перевода «Mahrem» (ChatGPT) 56
Выводы по второй главе 59
Заключение 60
Список использованных источников и литературы 61
Современные технологии машинного перевода (МП) активно внедряются в сферу межъязыковой коммуникации и становятся неотъемлемой частью переводческой практики. Особенно актуальным становится вопрос автоматизации перевода при работе с большими объёмами мультимедийной информации, включая аудиовизуальные материалы: фильмы, сериалы,
документалистику, новостные сюжеты. Однако несмотря на видимый прогресс, машинный перевод по-прежнему сталкивается с трудностями в адекватной передаче смысла, стилистики, прагматики и жанровых особенностей исходного текста - особенно в условиях мультимодальности и высокой связки текста с визуальным рядом.
В связи с этим возрастает потребность в объективных и гибких подходах к оценке качества перевода, выполненного автоматизированными системами. Особую научную и практическую значимость приобретает анализ ошибок, допускаемых машинными переводчиками, а также разработка собственных систем оценки, способных учитывать специфику текстов и особенностей восприятия аудиовизуальной информации.
Цель работы заключается в выявлении, насколько машинный перевод применим при работе с аудиовизуальным материалом в языковой паре турецкий-русский.
В рамках настоящего исследования анализируются машинные переводы на русский язык скриптов документального контента, выявляются типичные ошибки и погрешности в машинном переводе, начисляются штрафные баллы. В конце вычисляется общий балл (от 0 до 100) за качество перевода по предложенной формуле.
Научная новизна работы заключается в разработке и применении методики оценки качества перевода, адаптированной под особенности аудиовизуального контента, а также оценке переводческих возможностей Google Tranlslate и ChatGPT в языковой паре турецкий -русский. Практическая значимость исследования заключается в возможности применять данную систему оценки качества в профессиональной деятельности. Также результаты исследования могут быть полезны начинающим переводчикам, желающим применять машинный перевод в работе.
Выпускная квалификационная работа была посвящена оценке качества машинного перевода аудиовизуального контента в языковой паре турецкий - русский. Актуальность исследования обусловлена активным внедрением машинного перевода в профессиональную переводческую практику, в том числе при локализации аудиовизуальных материалов, где особенно остро встаёт вопрос адекватности и надёжности автоматического перевода.
В ходе работы были решены поставленные задачи: проанализирована научная литература по вопросам качества перевода; рассмотрена классификация переводческих ошибок, предложенная Д.М. Бузаджи; разработана и апробирована авторская система количественной оценки качества машинного перевода.
В практической части работы были проанализированы фрагменты документальных фильмов и сериалов на турецком языке. Переводы, выполненные с помощью Google Translate и ChatGPT, оценивались по вышеупомянутой системе, в конце выходил итоговый процент качества. Результаты показали, что ChatGPT обеспечивает более высокое качество по сравнению с Google Translate, однако обе системы допускают ошибки, особенно при работе с контекстно нагруженными фрагментами. Установлено, что степень искажения перевода возрастает при сильной связке текста с визуальным рядом, что подтверждает необходимость пост-редактирования и участия человека при работе с аудиовизуальным переводом.
Разработанная методика обладает прикладной ценностью: она может использоваться в практике преподавания перевода, в исследовательской работе, при пост-редактировании машинных переводов и для разработки новых оценочных моделей. Полученные результаты позволяют сделать вывод о целесообразности использования машинного перевода как вспомогательного инструмента на данном этапе развития технологий.
