مطالعات ترجمه، جلد ۱۶، شماره ۶۳، صفحات ۷-۲۲

عنوان فارسی ترجمه ماشینی عصبی بازگشتی و پیچشی: ترجمه وندهای تصریفی فارسی به انگلیسی
چکیده فارسی مقاله هدف از تحقیق حاضر، بررسی اثربخشی رویکرد نسبتاً جدید عصبی به ماشین ترجمه با تمرکز بر ترجمه بافتمند وندهای تصریفی ماضی ساده فارسی به انگلیسی است. برای نیل به این هدف، عملکرد دو معماری اصلی ترجمه ماشینی عصبی، شبکه‌های عصبی بازگشتی و شبکه‌های عصبی پیچشی، بررسی و بر اساس مدل ارزشیابی ودینگتون (2003) مقایسه شد. در این تحقیق، گوگل ترنسلیت نماینده معماری بازگشتی و مترجم فیسبوک، نماینده معماری پیچشی بود. پس از ارزیابی عملکرد دو ماشین ترجمه، میزان خطای آنها و منبع اصلی این خطاها بررسی و شناسایی شد. پس از بررسی نمونه برگرفته شده از رمان «مدیر مدرسه» نوشته جلال آل احمد، مشخص شد عملکرد هر دو ماشین ترجمه دستکم بسنده است. در این رابطه، فیسبوک عملکردی بهتر از گوگل ترنسلیت داشت. همچنین ترجمه وند تصریفی خنثی سوم شخص ماضی ساده به ضمایر فاعلی جنسیتگرا در انگلیسی مهمترین منبع خطاهای دو ماشین ترجمه یاد شده بود.
کلیدواژه‌های فارسی مقاله

عنوان انگلیسی Recurrent Vs. Convolutional Neural Machine Translation: Translating Persian Verbal Inflections into English
چکیده انگلیسی مقاله This study seeks to investigate the effectiveness of the rather new neural approach to machine translation with regard to contextual translation of Persian past tense verbal inflections (in pro-drop cases) into English. To this aim, the performance of the major architectures of neural machine translation, recurrent neural networks (RNNs) and convolutional neural networks (CNNs), was analyzed and compared based on Waddington's (2003) holistic assessment method. Furthermore, the main source of errors made by the representatives of the RNN and CNN systems, Google Translate and Facebook respectively, was identified. Upon analyzing a sample chosen from the famous Persian Novel, "Modir-e Madrese" by Jalal Al-e-Ahmad, it became evident that the performance of both machine translation systems was adequate, with Facebook outperforming Google Translate. Moreover, rendering of neutral Persian singular third-person inflections into gendered English subject pronouns was found to be the main source of errors made by the two machine translation systems.
کلیدواژه‌های انگلیسی مقاله Contextual Translation,Machine Translation,Neural Machine Translation,Recurrent Neural Networks,Convolutional Neural Networks,Google Translate,Facebook

نویسندگان مقاله

نشانی اینترنتی https://journal.translationstudies.ir/ts/article/view/563
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده Scientific Research Paper
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات