CC BY
37Научная статья УДК 81'25
DOI: 10.35854/2541-8106-2021-4-30-41
Ошибки в машинном переводе с немецкого языка на русский (на материале статей немецкоязычных СМИ
и текстов их переводов)
Татьяна Анатольевна Иванченко
Санкт-Петербургский университет технологий управления и экономики,
Санкт-Петербург, Россия, tivan777@mail.ru
Аннотация. Статья посвящена изучению ошибок и неточностей, допускаемых системами машинного перевода. Проанализированы причины появления ошибок разного типа в текстах машинных переводов немецкоязычных статей известных средств массовой информации на русский язык, выполненных популярными переводческими программами «Яндекс.Переводчик» и «Google Переводчик». Дана классификация ошибок. Выделены лексико-семантические и лексико-стилистические, нормативно-узуальные, грамматические, пунктуационные и орфографические ошибки. Обнаружены типичные «слабые места» машинного перевода с немецкого языка на русский, на которые следует обращать внимание в ходе постредактирования текста подобного перевода. Указано на то, что анализ типичных ошибок автоматического перевода может учитываться и в процессе совершенствования разработчиками систем машинного перевода алгоритма их работы.
Ключевые слова: машинный перевод, автоматический перевод, ошибки машинного перевода, системы машинного перевода, статистический перевод, нейроперевод
Для цитирования: Иванченко Т. А. Ошибки в машинном переводе с немецкого языка на русский (на материале статей немецкоязычных СМИ и текстов их переводов) // Ученые записки Санкт-Петербургского университета технологий управления и экономики. 2021. Т. 22. № 4. С. 30-41. https://doi.org/10.35854/2541-8106-2021-4-30-41
Original article
Errors in machine translation from German into Russian (based on articles of German-language media and their translations)
Tatyana A. Ivanchenko
St. Petersburg University of Management Technologies and Economics, St. Petersburg,
Russia, tivan777@mail.ru
Abstract. The article is devoted to the study of errors and inaccuracies made by machine translation systems. The reasons for the appearance of errors of various types in the texts of machine translations of German-language articles of well-known mass media into Russian, made by popular translation programs, are analyzed. A classification of errors is given. The lexical-semantic and lexical-stylistic, normative-usual, grammatical, punctuation and spelling errors are highlighted. Typical "weaknesses" of machine translation from German into Russian are revealed, which should be paid attention to during post-editing of the text of such
© Иванченко Т. А., 2021
a translation. It is pointed out that the analysis of typical errors in automatic translation can also be taken into account in the process of improving the algorithm of their work by the developers of machine translation systems.
Keywords: machine translation, automatic translation, machine translation errors, machine translation systems, statistical translation, neurotranslation
For citation: Ivanchenko T. A. Errors in machine translation from German into Russian (based on articles of German-language media and their translations). Uchenye zapiski Sankt-Peterburgskogo universiteta tekhnologiy upravleniya i ekonomiki. 2021;22(4):30-41 (In Russ.). https://doi.org/10.35854/2541-8106-2021-4-30-41
Технический прогресс в области искусственного интеллекта способствовал компьютеризации многих сфер человеческой деятельности и привел к тому, что часть функций, которые ранее выполнял только человек, стали осуществлять компьютерные программы. Прогресс в этой области и высокие темпы развития программного обеспечения различного рода приводят к появлению мыслей и высказываний о том, что те или иные профессии вскоре исчезнут, поскольку технологии искусственного интеллекта заменят работников. Так, глава компаний Tesla и SpaceX Илон Маск, принимая участие в российском просветительском марафоне «Новое знание» в мае 2021 г., с уверенностью предположил, что, принимая во внимание поразительный прогресс в сфере перевода, связанный с искусственным интеллектом, можно утверждать, что вскоре уже будут не нужны «живые» переводчики [1].
Насколько же совершенны те цифровые продукты, которые доступны и которые предлагают широким массам населения, испытывающим потребность в письменном переводе текста, к примеру, с английского или немецкого языка на русский. Опираясь на личный профессиональный опыт работы преподавателем иностранного языка, невозможно не признать, что качество переводов, выполняемых системами машинного перевода, которые встречаются в работах недобросовестных студентов, действительно, значительно возросло: от невразумительного набора слов до вполне осознанных и осмысленных предложений, предлагаемых в качестве перевода, к примеру, несложных учебных предложений и текстов. Однако даже беглый взгляд на результат, получаемый в ходе машинного перевода текста более сложного уровня, оригинального и тем более художественного, приводит к мысли о том, что разработчикам систем машинного перевода придется еще изрядно потрудиться над совершенствованием алгоритма работы подобных переводческих программ.
Необходимо отметить, что машинный (или автоматический) перевод в узком смысле понимается как перевод, выполняемый исключительно предназначенными для этого компьютерными программами, без участия человека [2, с. 3; 3, с. 85]. В отличие от машинного или автоматического, так называемый автоматизированный перевод осуществляется человеком с использованием специального программного обеспечения [3, с. 86]. С учетом приведенных выше определений можно заключить, что перевод, осуществляемый такими популярными среди пользователей переводческими программами, как «Яндекс.Переводчик» или « Google Переводчик», относится к машинному или автоматическому, если он не подвергается постредактированию, которое выполняется пользователем, в том числе профессиональным переводчиком.
Анализ типичных ошибок подобного автоматического перевода позволяет, на наш взгляд, выявить своего рода слабые места в машинном переводе, на которые следует обращать особое внимание в случае применения систем машинного
перевода и в ходе постредактирования текста машинного перевода, а также в процессе совершенствования разработчиками подобного программного обеспечения алгоритма его работы. Авторы ряда работ, посвященных изучению машинного перевода, указывают на насущную необходимость выработки принципов и правил редактирования результатов машинного перевода, диагностическое выявление элементов, подлежащих проверке и постредактированию. Выявление случаев, сложных для алгоритмизации и вызывающих типичные ошибки, поможет выявить так называемые контрольные точки, на которые должны обратить особое внимание редакторы текстов машинного перевода [4, с. 15; 5, с. 282].
Авторы статей, посвященных изучению изъянов современных переводческих программ, выявляют ряд их недостатков. Среди них — неспособность распознавания переосмысленного значения лексических единиц (устойчивого выражения, идиомы, контекстуального или окказионального значения слова); невозможность предугадать все оттенки смыслов; отсутствие способности выявления скрытого смысла; сохранение синтаксической структуры оригинального текста, которая отсутствует в переводящем языке; отсутствие согласования в роде, числе и падеже на грамматическом уровне [6, с. 13]; проблемы перевода, связанные с омонимией, синонимией и эллиптическими конструкциями [7, с. 52; 8, с. 70]; использование обычных слов в узкоспециализированном смысле, сложности передачи имен собственных, сокращений [7, с. 52]; допущение неточностей, которые могут быть отредактированы без обращения к тексту оригинала ввиду понятности текста перевода, и ошибок, из-за которых восприятие и понимание текста осложняется в значительной степени, требующих анализа текста исходного языка со стороны редактора [4, с. 16]; неспособность компьютерных программ, в отличие от человека, воспринимать контекстуальную и прагматическую информацию, учитывать культурные различия в процессе перевода, переводить игру слов, идиомы, двусмысленность [5, с. 278-287].
Причины ошибок в переводах систем машинного перевода можно связать, с одной стороны, со спецификой естественных языков и речевых произведений, порождаемых на этих языках, с другой — с несовершенством алгоритмов работы систем машинного перевода в настоящее время, которые не учитывают эту специфику и не способны, в отличие от человека, выдавать приемлемый по качеству перевод, не требующий дальнейшего редактирования. Рассуждая о слабых сторонах машинного перевода, А. М. Аматов утверждает, что «столь скромные успехи в разработке программного обеспечения для перевода текстов не связаны с плохой работой программистов или компьютерных техников, а являются результатом плохой проработки этой проблемы с лингвистической стороны» [9, с. 75]. Исследователь пишет о том, что причиной ошибок машинного перевода является языковая энтропия, характерная для любого естественного языка как системы и порождающая речевую энтропию при реализации языка в текстовых произведениях. Энтропия естественного языка связана с уровнем неопределенности его языковых знаков.
А. М. Аматов говорит о возможности «выразить этот показатель через отношение суммы планов содержания к сумме планов выражения» [9, с. 86]. Если одному плану содержания соответствует только один план выражения, то энтропия равна нулю [9, с. 87], что в естественном языке бывает редко. Ввиду асимметричности многих языковых знаков, из-за развитости полисемии языковых знаков как лексического, так и грамматического уровня, наличия в языках омонимичных форм, а также возможности выражения одной и той же, схожей семантики посредством синонимичных языковых форм все естественные языки в большей или меньшей степени склонны к энтропии, проявляющейся в отсутствии
строгой упорядоченности планов выражения и планов содержания языковых единиц. При переводе с одного языка на другой ситуация усложняется, поскольку «сталкиваются» две лишенные упорядоченности системы. Извлекаемое из плана выражения употребляемых в речи единиц одного языка содержание должно быть закодировано посредством знаков другой языковой системы. Трудности перевода заключаются в несоответствии систем языков. Кроме того, в речи языковые единицы могут приобретать дискурсивные контекстуальные значения, зачастую не фиксируемые словарями. В речи возникает имплицитный, скрытый или неявный смысл комбинаций лексических единиц. И в целом «законченная мысль может выражаться единицами не ниже предложения» [9, с. 80].
Если сознание человека способно на основе анализа контекста более или менее успешно вычленять и передавать этот смысл при переводе, то системы машинного перевода нужно еще этому научить. Подобный анализ способны осуществлять уже в некоторой степени системы машинного перевода, в которых применяются технологии нейронных сетей, внедряемых в последние годы, к примеру, такими крупными компаниями, как Google, Microsoft, а также «Яндекс». В нейросетевом переводе информация не просто обрабатывается и обобщается, но и подвергается анализу, подобно соответствующему процессу в голове человека. Однако наличие достаточного количества ошибок в переводах текстов, выполненных программами перечисленных выше компаний, свидетельствует о том, что качество машинного перевода еще в значительной степени не дотягивает до перевода, выполненного не только переводчиком профессионалом, но и любителем, и поэтому нуждается в постредактировании.
Не претендуя на полномасштабное статистическое исследование, мы проанализировали ошибки, допускаемые популярными переводческими программами. Для изучения взяты онлайн-статьи, размещенные на сайтах трех известных немецких СМИ (информационно-политического журнала «Шпигель», газеты «Франкфуртер альгемайне цайтунг», ежедневной иллюстрированной газеты-таблоида «Бильд»), а также их переводы на русский язык, выполненные системами машинного перевода компании Google (Google Переводчик) и компании «Яндекс» (Яндекс.Переводчик). Выбор в качестве материала исследования текстов статей популярных СМИ обусловлен тем фактом, что, на наш взгляд, информация в них может представлять определенный интерес для русскоязычных читателей, не владеющих немецким языком, которые предположительно и могут воспользоваться популярными онлайн-переводчиками для понимания содержания статей на немецком языке, не обращаясь к услугам профессиональных переводчиков.
Приложение «Яндекс.Переводчик», как утверждают его разработчики, основано на статистическом принципе перевода, хотя для чаще всего используемого перевода с английского языка на русский уже применяется гибридная модель, сочетающая статистический и нейросетевой переводы [10]. Предполагается, что компания Google использует в целях перевода самообучаемый алгоритм машинного перевода, в том числе нейросети, для получения более качественного перевода. Однако для разных пар языков качество перевода варьируется [11].
В текстах переводов статей немецкоязычных СМИ на русский язык зафиксированы следующие ошибки, перечисленные нами далее в порядке уменьшения их частотности:
• лексико-семантические и лексико-стилистические ошибки;
• нормативно-узуальные ошибки, то есть ошибки, связанные с нарушением речевой нормы языка перевода;
• грамматические ошибки;
• пунктуационные ошибки;
• орфографические ошибки.
Лексико-семантические ошибки являются самыми многочисленными. Рассмотрим источники лексико-семантических и лексико-синтаксических ошибок.
1. Омонимия и полисемия, что ведет к использованию неправильных переводческих соответствий при переводе слов-омонимов и многозначных слов (в том числе при переводе специальных терминов, стилистически маркированной лексики), как показано в таблице 1.
Таблица 1
Лексико-семантические ошибки 1
Оригинальный текст Google Переводчик Яндекс.Переводчик
Ein Pappschild wird dem Peloton zum Verhängnis Картонный щит — уничтожение пелотона Картонный щит становится роковым для пелотона
В предложении, приведенном выше, одним из компонентов сложного существительного Pappschild является слово Schild, представленное в лексиконе современного немецкого языка двумя омонимами, совпадающими по написанию и звучанию, но отличающимися друг от друга грамматическим родом — der Schild (основное значение — «щит»), das Schild («вывеска», «табличка»; «этикетка», «ярлык»). Смешение омонимов привело к переводческой ошибке. В указанном выше контексте речь идет не о «картонном щите», а о плакате, баннере из картона.
Таблица 2
Лексико-семантические ошибки 2
Оригинальный текст Яндекс.Переводчик
Angesichts der Bilder von Martins Sturz grenzt das an ein Wunder Учитывая картины падения Мартина, это граничит с чудом
Даже при переводе простых лексем, например, слова Bild, как видно из таблицы 2, источником переводческой ошибки может стать неправильная интерпретация значения многозначного слова как в переводе, выполненном системой «Яндекс.Переводчик». Ошибочная интерпретация семантического содержания и подбор неверного переводческого эквивалента в еще большей степени вероятны при переводе специальных терминов, как в следующем примере, в котором юридический термин laufendes Verfahren («текущий процесс») переводится пословно, что отражено в таблице 3.
Таблица 3
Лексико-семантические ошибки 3
Оригинальный текст Google Переводчик Яндекс.Переводчик
Begründung: Es handele sich um ein laufendes Verfahren Причина: это — постоянная процедура Обоснование: речь идет о продолжающейся процедуре
2. Неспособность вычленить контекстуальное дискурсивное значение, не зафиксированное в словарях, но которое может быть выведено посредством анализа языкового окружения слова в предложении или в тексте в целом, как показано в таблице 4.
Таблица 4
Лексико-семантические ошибки 4
Оригинальный текст Google Переводчик Яндекс.Переводчик
Die Fahrer hinter ihm konnten nicht mehr ausweichen, fielen über ihn drüber oder krachten von hinten in die Massenkarambolage Водители позади него больше не могли уклоняться, падали на него или врезались в скопление сзади Всадники позади него уже не могли увернуться, налетели на него или врезались сзади в толпу
Так, в приведенном выше предложении словом Fahrer обозначены участники велогонки — велосипедисты, а не водители и не всадники. В переводе, выполненном с помощью системы «Яндекс.Переводчик» наблюдается иная распространенная ошибка машинного перевода, которая связана с выводом ошибочного контекстуального дискурсивного значения, не зафиксированного в словарях, как и в примерах, содержащихся в таблице 5. Таблица 5 Лексико-семантические ошибки 5
Оригинальный текст Google Переводчик Яндекс.Переводчик
Ausbildungsplatz wegen Corona verloren Утерянное место для тренировки из-за Короны Учебное место потеряно из-за Короны
Elena (24) ist eine Kämpferin. Eine, die sich nicht unterkriegen lässt Елена (24) — боец. Тот, который не подведет Елена (24) — борец. Тот, который не поддается
Und wieder einmal kämpft Elena: Sie nahm sich einen Anwalt, klagte vor dem Amtsgericht Aalen И снова Елена ругается: она взяла адвоката, подала в суд в районный суд Аалена И в очередной раз Елена дерется: взяла себе адвоката, подала в окружной суд
Система машинного перевода выбирает неправильное переводческое соответствие (в первом примере «место для тренировки» вместо «место учебы, стажировки», во втором случае «не подведет», «не поддается» вместо «не сдается»), не учитывая дискурсивное значение слова в контексте.
3. Неправильная интерпретация скрытой, имплицитной информации, прежде всего в эллиптических конструкциях, и, как следствие, подбор ложного переводческого соответствия слова. Эллиптические конструкции нередко встречаются в немецком языке, для которого компрессия информации в сообщении является типичным явлением. Избыточная, лишняя информация не выражена, но подразумевается и без труда извлекается участниками коммуникации из контекста. Поэтому при переводе с немецкого языка на русский зачастую приходится применять прием добавления, чтобы выразить эту скрытую информацию для правильного понимания контекста. Однако переводческие программы с этим не всегда справляются, как следует из таблицы 6.
Таблица 6
Лексико-семантические ошибки 6
Оригинальный текст Google Переводчик Яндекс.Переводчик
Jasha Sütterlin (Team DSM) dagegen musste verletzungsbedingt aufgeben Немецкий профессионал Яша Сюттерлин (Team DSM), напротив, был вынужден покинуть карьеру из-за травмы Немецкий профессионал Яша Зюттерлин (команда DSM), напротив, был вынужден отказаться от травмы
"Ich war in einen Sturz verwickelt", sagte der 29-Jährige: "Aber ich bin zurückgekommen, ohne in Panik zu verfallen" «Я упал, — сказал 29-летний игрок, — но вернулся без паники» «Я был вовлечен в падение, — сказал 29-летний, — но я вернулся, не впадая в панику»
В примере, указанном в таблице 6, ошибка связана с неправильным выбором переводческого соответствия глагола aufgeben («отказаться от дальнейшего участия в соревновании — велогонке») в данном контексте. Яндекс.Переводчик, кроме того, допустил существенную смысловую ошибку, перепутав управление глагола. 4. Неправильная интерпретация и передача имен собственных, в основном названий организаций и учреждений, как видно из таблицы 7. Таблица 7 Лексико-семантические ошибки 7
Оригинальный текст Google Переводчик Яндекс.Переводчик
Von Jumbo-Visma hieß es dagegen, dass es allen Fahrern des Teams den Umständen entsprechend gut ginge Джамбо-Висма, с другой стороны, сказал, что все пилоты команды преуспевают в сложившихся обстоятельствах С другой стороны, Джамбо-Висма сказал, что все гонщики команды будут в порядке в соответствии с обстоятельствами
Ошибочная интерпретация онима привела к смысловой ошибке: имя собственное воспринимается в переводе не как название велосипедной команды, а как антропоним. 5. Ошибочная интерпретация реалий также наблюдается в машинных переводах. Так, в примере, представленном в таблице 8, система машинного перевода попыталась подобрать переводческое соответствие реалии Ьапйга1ват1 («окружное управление в Германии, ведомство ландрата»), адаптировав ее, что представляется некорректным. Таблица8 Лексико-семантические ошибки 8
Оригинальный текст Google Переводчик Яндекс.Переводчик
Im September 2020 startete die junge Frau eine Ausbildung im Landratsamt В сентябре 2020 года девушка начала стажировку в районном управлении В сентябре 2020 года молодая женщина начала обучение в сельсовете
6. Иноязычные вкрапления в немецком тексте (даже на английском языке) представляют собой проблему для переводческих программ и остаются непере-веденными, что находит отражение в таблице 9.
Таблица 9
Лексико-семантические ошибки 9
Оригинальный текст Google Переводчик Яндекс.Переводчик
Raumfahrtunternehmen China Academy of Launch Vehicle Technology (CALT) sagte der Zeitung Global Times, bemannte Flüge zum Mars seien für die Jahre 2033, 2035, 2037, 2041 und 2043 vorgesehen Государственная космическая компания China Academy of Launch Vehicle Technology (CALT) заявила газете Global Times, что пилотируемые полеты на Марс запланированы на 2033, 2035, 2037, 2041 и 2043 годы Государственная космическая компания China Academy of Launch Vehicle Technology (CALT) сообщила Global Times, что пилотируемые полеты на Марс запланированы на 2033, 2035, 2037, 2041 и 2043 годы
Иногда перевод кажется некачественным из-за тавтологии, как видно из таблицы 10. Таблица 10 Лексико-семантические ошибки 10
Оригинальный текст Google Переводчик Яндекс.Переводчик
Und wieder einmal kämpft Elena: Sie nahm sich einen Anwalt, klagte vor dem Amtsgericht Aalen И снова Елена ругается: она взяла адвоката, подала в суд в районный суд Аалена И в очередной раз Елена дерется: взяла себе адвоката, подала в окружной суд
Beide schleppten sich erst etwa eine Viertelstunde nach Alaphilippe ins Ziel Оба добрались до финиша примерно через четверть часа после Алафилиппа Оба они тащились к финишу лишь около четверти часа после того, как Алафилипп добрался до финиша
Нормативно-узуальные ошибки чаще всего говорят о неправильном сочетании слов. Такие ошибки возникают на основе неверной интерпретации и перевода значений слов, тем самым они тесно связаны с лексико-семантическими ошибками, как показано в таблице 11. ТаблицаН Нормативно-узуальные ошибки 1
Оригинальный текст Google Переводчик Яндекс.Переводчик
Die junge Frau erblindete als Kind nach einer Tumor-OP und der anschließenden Bestrahlung Молодая женщина ослепла в детстве после операции на опухоли и последующего облучения Молодая женщина ослепла в детстве после опухолевой операции и последующего облучения
Однако иногда подобранные верно соответствия не типичны в аспекте их использования в языке перевода совместно, то есть это нарушает речевую норму (узус) данного языка, как показано в примерах, приведенных в таблице 12.
Таблица 12
Нормативно-узуальные ошибки 2
Оригинальный текст Яндекс.Переводчик
"Ich war in einen Sturz verwickelt", sagte der 29-Jährige: ... «Я был вовлечен в падение», — сказал 29-летний, — ...
Ошибки грамматического уровня при переводе с немецкого на русский немногочисленны и связаны прежде всего с рядом факторов.
1. С неправильной интерпретацией грамматического рода, то есть глаголов в третьем лице единственного числа при переводе форм прошедшего времени.
Таблица 13
Грамматические ошибки 1
Оригинальный текст Google Переводчик Яндекс.Переводчик
Und bekam die Antwort: ... И получил ответ: ... И получил ответ: ...
В тексте, приведенном в таблице 13, речь идет о девушке, которая получила ответ. Подобные ошибки связаны с несоответствием грамматических систем немецкого и русского языка, то есть с отсутствием грамматической категории рода у немецких глаголов и ее наличием у форм русских глаголов в третьем лице прошедшего времени. 2. С ошибочной интерпретацией и неправильной передачей форм притяжательных местоимений, как следует из примеров, указанных в таблице 14.
Грамматические ошибки 2 Таблица 14
Оригинальный текст Google Переводчик Яндекс.Переводчик
Blinde Elena kämpft um ihre Zukunft Слепая Елена борется об их будущем Слепая Елена борется за свое будущее
Mit ihrem Hund Robin läuft Elena durch Heidenheim Елена бежит через Хайденхайм со своей собакой Робин С вашей собаке Робин Елена проходит через Хайденхайм-на-Бренце
3. С неверной интерпретацией и ошибочной/неполной передачей значений глагольных форм в конъюнктиве, в том числе при употреблении конъюнктива в косвенной речи (отсутствии указания на чужую речь).
Грамматические ошибки 3 Таблица 15
Оригинальный текст Google Переводчик Яндекс.Переводчик
Er sei sehr glücklich über den Sieg Он был очень доволен победой (косв. речь не передается) Он был очень рад победе
4. С неправильной интерпретацией значения предлогов, как видно из таблицы 16.
Таблица 16
Грамматические ошибки 4
Оригинальный текст Google Переводчик Яндекс.Переводчик
Politische Korrespondentin für China, Nordkorea und die Mongolei Политический корреспондент Китая, Северной Кореи и Монголии Политический корреспондент Китая, Северной Кореи и Монголии
Использование форм родительного падежа в переводе изменяет смысл оригинального сообщения. Правильнее было бы перевести «корреспондент в Китае, Северной Корее и Монголии».
В остальном переводческие программы успешно справляются с задачей анализа и передачи значений грамматических форм и конструкций.
Единичными в материале исследования оказались пунктуационные и орфографические ошибки. Пунктуационные ошибки, отраженные в таблице 17, чаще допускал Яндекс.Переводчик, и они связаны с отсутствием пробела между словами, заменой тире дефисом и отсутствием точки в конце предложения.
Таблица 17
Пунктуационные ошибки 1
Оригинальный текст Яндекс.Переводчик
Doch die Frau schaute nicht auf die Straße — und so kam es 45 Kilometer vor dem Ziel zum ersten schweren Unglück der diesjährigen Tour de France Но женщина не смотрела на дорогу-и вот в 45 километрах от цели произошло первое серьезное несчастье Тур де Франс в этом году
Elena (24) ist eine Kämpferin Тот, который не поддается
Иногда неверно оформлены кавычки, заключающие прямую речь, как показано в таблице 18. Таблица 18 Пунктуационные ошибки 2
Оригинальный текст Яндекс.Переводчик
"Ich war in einen Sturz verwickelt", sagte der 29-Jährige: "Aber ich bin zurückgekommen, ohne in Panik zu verfallen" «Я был вовлечен в падение, — сказал 29-летний, — но я вернулся, не впадая в панику»
В остальном не зафиксированы ошибки, связанные с нарушением правил пунктуации русского языка.
Орфографические ошибки допущены лишь несколько раз. Речь идет о неверном написании слова с заглавной буквы, что отражено в таблице 19.
Таблица 19
Орфографические ошибки
Оригинальный текст Google Переводчик Яндекс.Переводчик
Erneut gingen dutzende Profis zu Boden, darunter der vierfache Tour-Sieger Chris Froome sowie Sprinter André Greipel Десятки профессионалов снова упали, в том числе четырехкратный победитель Тура Крис Фрум и спринтер Андре Грайпель Снова на землю вышли десятки профессионалов, в том числе четырехкратный победитель тура Крис Фрум, а также спринтер Андре Грейпель
Link kopieren Копировать ссылку ссылку Копировать
Из этого можно сделать вывод о том, что орфографию системы машинного перевода «знают» хорошо.
В заключение обратим внимание на то, что при проведенном нами анализе выявлены очевидные ошибки, допущенные при машинном переводе текстов (не самого сложного переводческого уровня), не позволяющие признать перевод выделенных фрагментов эквивалентным. Относительно такого параметра перевода, как его адекватность, отметим, что с этой точки зрения тем более сложно признать машинный перевод текстов на данном этапе развития систем машинного перевода качественным, то есть обеспечивающим восприятие текста перевода, схожее с восприятием оригинала, необходимую полноту межъязыковой коммуникации в тех или иных условиях, выражающим аналогичные коммуникативные установки, как и оригинал. В связи с этим можно сделать вывод о том, что в перспективе текст машинного перевода будет нуждаться в обязательном постредактировании, а профессия переводчика на протяжении долгих лет будет востребована.
Список источников
1.Илон Маск предсказал исчезновение профессии переводчика в будущем из-за развития ИИ // Информационное агентство России ТАСС. 2021. 21 мая. URL: https://tass. ru/ekonomika/11435349 (дата обращения: 14.06.2021).
2. Воронович В. В. Машинный перевод: конспект лекций для студентов 5-го курса специальности «Современные иностранные языки». Мн.: БГУ, 2013. 39 с.
3. Полякова Н. Е. О критериях оценивания качества машинного перевода // Тенденции развития науки и образования. 2020. № 61-8. С. 84-87. DOI: 10.18411/lj-05-2020-173
4. Бабушкина Н. В. Разрешения омонимии ing-форм при машинном переводе специального текста: к вопросу о соотношении система МП-РЕДАКТОР // Известия Российского государственного педагогического университета имени А. И. Герцена. 2006. Т. 1. № 18. С. 13-17.
5. Шанкин А. А. Современное состояние литературного перевода с использованием машинного перевода // Россия в мире: проблемы и перспективы развития международного сотрудничества в гуманитарной и социальной сфере: материалы VI Междунар. науч.-практ. конф. М.; Пенза: Пензенский государственный технологический университет, 2019. С. 278-287.
6. Аджигеряева С. Э., Болкунов И. А. Машинный перевод текстов в высшем образовании // Проблемы современного педагогического образования. 2018. № 61-2. С. 10-13.
7. Банарцева А. В. Языковые переводы: человек vs. машинный перевод // Вестник науки и образования. 2018. Т. 1. № 8 (44). С. 50-53.
8. Хонькина П. В. Перевод идиоматических выражений в системах машинного перевода // Вестник Московского университета. Серия 22: Теория перевода. 2010. № 4. С. 68-72.
9. Аматов А. М. К вопросу машинного перевода: энтропия языковой системы и способы ее преодоления // Вестник Ленинградского государственного университета имени А. С. Пушкина. 2008. Т. 1. № 2-3 (13). С. 71-90.
10. Машинный перевод // Яндекс: технологии. URL: https://yandex.ru/company/ technologies/translation/ (дата обращения: 16.06.2021).
11. Как работает нейросеть Google Translate// Cossa.ru. 2018. 28 февраля. URL: https:// www.cossa.ru/trends/196086/ (дата обращения: 16.06.2021).
Информация об авторе
Т. А. Иванченко — кандидат филологических наук, доцент, доцент кафедры лингвистики и переводоведения.
Information about the author
T. A. Ivanchenko — PhD in Philology, Associate Professor, Associate Professor of the Department of Linguistics and Translation Studies.
Конфликт интересов: автор декларирует отсутствие конфликта интересов, связанных с публикацией данной статьи.
Conflict of interest: the author declares no conflict of interest related to the publication of this article.
Статья поступила в редакцию 28.07.2021; одобрена после рецензирования 27.08.2021; принята к публикации 20.12.2021.
The article was submitted 28.07.2021; approved after reviewing 27.08.2021; accepted for publication 20.12.2021.
