Переводческий анализ художественного текста нейронными системами

Германова Алена Владимировна,
студент бакалавриата группы ПЕР-722, ФГБОУ ВО «Ростовский государственный экономический университет» (РИНХ), г. Ростов-на-Дону, germanova2004@inbox.ru
Козюбердина Анастасия Евгеньевна,
студент бакалавриата группы ПЕР-712, ФГБОУ ВО «Ростовский государственный экономический университет» (РИНХ), г. Ростов-на-Дону, anastasiya.as2005@yandex.ru

Аннотация: В эпоху цифровизации искусственный интеллект значительно изменил переводческую деятельность, упрощая процесс работы профессионалов-переводчиков и делая его более доступным. Статья посвящена актуальной на сегодняшний день проблеме вероятности угрозы замены специалистов в области переводоведения нейронными системами. Основное содержание исследования составляет переводческий анализ отрывка художественного текста несколькими онлайн-переводчиками с технологией deep learning. В настоящей статье детально проводится анализ работы перевода отрывка художественного текста с помощью таких критериев, как скорость, правильное использование и распознавание стилистических приемов, эмоциональное воздействие на читателя при помощи применения творческого мышления машинами.
Ключевые слова: машинный перевод, искусственный интеллект, переводческая деятельность, переводческий анализ, онлайн-переводчики.

Translation analysis of fiction text by neural systems

Germanova Alyona Vladimirovna,
undergraduate student of group PER-722, Rostov State University of Economics (RSUE), Rostov-on-Don
Kozuberdina Anastasiia Evgenievna
undergraduate student of group PER-712, Rostov State University of Economics (RSUE), Rostov-on-Don

Abstract: In the era of digitalization, artificial intelligence has significantly changed translation activities, simplifying the work process of translation professionals and making it more accessible. The article is devoted to the currently topical problem of the probability of the threat of neural systems replacing translation professionals. The main content of the study is a translation analysis of a passage of a fiction text by several online translators with deep learning technology. According to the article in detail the translation performance of a passage of fiction text with the help of such criteria as speed, correct use and recognition of stylistic devices, emotional impact on the reader through the application of creative thinking by machines.
Keywords: machine translation, artificial intelligence, translation activity, translation analysis, online translators.

Правильная ссылка на статью

Германова А.В., Козюбердина А.Е. Переводческий анализ художественного текста нейронными системами // Филологический аспект: международный научно-практический журнал. 2023. № 12 (104). Режим доступа: https://scipress.ru/philology/articles/perevodcheskij-analiz-khudozhestvennogo-teksta-nejronnymi-sistemami.html (Дата обращения: 31.12.2023)

На протяжении многих веков переводческая деятельность являлась одним из важнейших видов человеческой активности. Из-за разнообразия языковых и культурных барьеров, которые мешали пониманию представителей других стран, а также межкультурной коммуникации, профессиональные переводчики с давних времен были неотъемлемой частью дипломатии, торговли, политических и культурных контактов, их работа была жизненно важна для обеспечения взаимопонимания и сотрудничества. Согласно одной из легенд, первые артефакты существования переводчиков были найдены в Древнем Египте. Упоминалось, что «давным-давно, когда на Земле властвовал Бог, самоуверенные люди не хотели слушать его. Разгневанное божество разделило гордецов на различные группы и огородило их барьером многоязычности. Вскоре Бог смилостивился и послал на землю помощников — переводчиков. Их целью было спасение людей от непонимания друг друга» [2, c. 416].

Искусственный интеллект является одной из самых обсуждаемых тем в наше время. В ситуации, когда происходит развитие автоматизированного и машинного перевода, а нейросети способны выполнять задачи любого типа и разной степени сложности, специалисты в области переводоведения задаются вопросом о замене их работы искусственным интеллектом. Как правило, искусственный интеллект представляет собой область компьютерной науки, направленную на создание устройств, способных осуществлять задачи, которые обычно требуют умственной деятельности человека. Его развитие связано с созданием систем, способных анализировать данные, извлекать шаблоны, делать выводы, принимать решения, а также воспроизводить некоторые аспекты человеческой интеллектуальной деятельности.

Так экономист и эксперт по нейросетям Майкл Уэбб рассуждает о том, что нынешняя цифровая революция напоминает промышленную и вызывает те же опасения у людей в связи с потерей работы. И действительно, можно заметить, что искусственный интеллект все больше интегрируется в различные области деятельности человека, например, медицину, финансы, транспорт, маркетинг. Поэтому в современном мире люди все больше и больше опасаются последствий, которые искусственный интеллект может повлечь за собой.

Поэтому в связи с появлением искусственного интеллекта была разработана технология deep learning. Глубокое обучение - это подход в машинном обучении, основанный на технологии искусственных нейронных сетей с большим количеством слоев для выполнения сложных задач. Deep learning позволяет создавать модели, способные обрабатывать сложные взаимосвязи и выполнять различного рода задачи, например, обработка изображений, распознавание речи, автоматический перевод и многое другое.

Целью научной работы является описание и оценка методов перевода с использованием современных программ с технологией deep learning, изучение проблемы влияния цифровизации на переводческую деятельность. Объектом настоящего исследования выступают художественные тексты, а предметом - перевод данных текстов нейросетями [4].

Итак, Первая публичная демонстрация системы машинного перевода (МП) состоялась в США в 1954 году, справившись с переводом 250 слов. Как было сказано ранее, данная машина была основана на словарях и пыталась сопоставить исходный язык с языком перевода слово в слово, использовав прямой перевод. Но, несмотря на недостатки качества работы простейшей системы машинного перевода, проект все равно был принят на его дальнейшее рассмотрение и финансирование.

К середине 1960-х годов подход, основанный на прямом переводе, был на стадии разработки, а уже в 1964 году по заказу правительства США Консультативный комитет по автоматической обработке языка (АЛЬПАК) подготовил отчет о развитии исследований в области машинного перевода (МП). В данном документе отмечались медлительность, недостаточная точность и дороговизна машинного перевода (МП) по сравнению с профессионалами-переводчиками. Стоит отметить, что Консультативный комитет по автоматической обработке языка (АЛЬПАК) прогнозировал мрачное будущее развитию машинного перевода (МП), демонстрируя данную систему как безнадежную модель.

В 1980-х годах появился статистический машинный перевод (СМП), а в конце 2000-х годов началась новая эра развития нейронного машинного перевода (НМП). По сравнению с предыдущими подходами к машинному переводу (МП), нейронный машинный перевод (НМП) произвел революцию в этой области, устранив многие из ограничений.

Переводы, выполненные с помощью нейронного машинного перевода (НМП), становятся более плавными и естественно звучащими благодаря его способности понимать контекст и выдавать результаты, похожие на те, которые дает человек. Кроме того, эта технология постоянно обучается и адаптируется на основе новых вводимых данных.

Одним из основных факторов, способствовавших успеху нейронного машинного перевода (НМП), является доступность больших данных. Поскольку ежедневно в различных отраслях и на разных языках создается все больше цифрового контента, в настоящее время существует множество высококачественных данных для обучения нейронных сетей. Это не только повышает общую производительность, но и позволяет адаптироваться к конкретной предметной области, что является важнейшим аспектом для профессиональных переводов [1, c. 158].

Но, как научить искусственный интеллект распознавать шутку, сарказм, стилистические приемы, такие как метафоры, олицетворения, гиперболы? Какова вероятность обучения искусственного интеллекта пониманию значения слова из десятков других возможных?

Стоит отметить, что в современном мире машинный перевод все еще не способен на точный и достоверный перевод художественных текстов, так как главной целью перевода художественного текста является понимание смысла исходного текста, а смысловая часть все еще является главным препятствием работы искусственного интеллекта, так как художественные произведения наполнены различными стилистическими приемами, их перевод является трудоемким процессом для искусственного интеллекта. Рекламные слоганы зачастую требуют креативности в переводческой деятельности от высококвалифицированных специалистов. Конечно, искусственный интеллект возможно обучить переводу некоторых метафор или фразеологизмов, но сфера маркетинга нуждается в оригинальных и привлекающих внимание потребителей рекламных заголовков для повышения охватов продаж, с чем искусственному интеллекту в силу отсутствия человеческого ума и ограниченности чувств и эмоций не удастся справиться.

Так в настоящем исследовании критериями, которые помогут проанализировать результаты работы перевода отрывка художественного текста, являются скорость выполнения работы искусственным интеллектом, перевод лексики, требующей отдельное внимание, правильное использование и распознавание стилистических приемов, эмоциональное воздействие на читателя при помощи применения творческого мышления машинами. За процесс перевода будут отвечать онлайн-переводчики, а именно, DeepL [5], PROMT.One [6] и GPTChat Bot [3]. Обратимся к отрывку из любовного романа Наис Долан «Захватывающие времена».

Таблица 1. Перевод художественного текста онлайн-переводчиками: DeepL, PROMT.One и GPTChat Bot

Текст оригинала	The next evening, I narrated the argument to Julian. Between drags of his cigarette, he nodded and of-coursed in all the right places(1). ‘Have you ever had flatmates(2)?’ I said. ‘Yes, of course, at Oxford, and when I was starting out in London(3). Most of them were fine. One guy was a complete nutter(4). This was my final year of uni. He was doing his dissertation on some existential quandary. You’d hear him pacing around all night muttering about it. And he never ate solid food – he put everything in this big fucking blender(5). Lived on smoothies. I think he got the top first in his year(6).’ ‘So having your own place is better?’ ‘Substantially better.’ Neither of us pointed out that he didn’t really live alone anymore. We finished the wine and he went to get another bottle. My jeans had a hole on the inseam near the top of my thigh. I picked at it, then jerked my hand away when I heard him returning(7).I said: ‘What was your last girlfriend like?’ He twirled his glass(8). ‘She was fine. She got sent back to London.’ ‘How long ago was that?’ ‘A few months.’ ‘Any regrets?’ ‘No, none at all. I don’t tend to look back(9).’
DeepL	Вечером следующего дня я рассказал о споре Джулиану. В перерывах между затягиванием сигареты он кивал и охал во всех нужных местах(1). «У тебя когда-нибудь были соседи по квартире?»,(2) - спросил я. «Да, конечно, и в Оксфорде, и когда я начинал жить в Лондоне(3). Большинство из них были нормальными. Один парень был полным психом(4). Это был последний год моего обучения в университете. Он писал диссертацию по какой-то экзистенциальной проблеме. Можно было слышать, как он всю ночь ходит по комнате и что-то бормочет. И он никогда не ел твердую пищу - все помещал в этот гребаный блендер(5). Жил на коктейлях. По-моему, он занял первое место в своем году(6).» «Значит, иметь свою квартиру лучше?» «Существенно лучше.» Никто из нас не отметил, что на самом деле он уже не живет один. Мы допили вино, и он пошел за другой бутылкой. На моих джинсах была дырка на штанине в районе верхней части бедра. Я поковырялась в ней, потом отдернула руку, услышав, что он возвращается(7). Я спросила: «Какой была твоя последняя девушка?» Он покрутил свой бокал(8). «Она была ничего. Ее отправили обратно в Лондон.» «Как давно это было?» «Несколько месяцев.» «Не жалеете?» «Нет, вообще никаких. Я не склонен оглядываться назад(9).»
PROMT.One	На следующий вечер я рассказал о споре Джулиану. Между тасканиями его сигареты, он кивнул и курсировал во всех нужных местах(1). «У вас когда-нибудь были ровесники?» (2) - сказал я. «Да, конечно, в Оксфорде, и когда я начинал в Лондоне(3). Большинство из них были в порядке. Один парень был полным ублюдком(4). Это был мой последний год Уни. Он занимался диссертацией о некоем экзистенциальном затруднительном положении. Вы слышали, как он всю ночь бормотал об этом. И он никогда не ел твердую пищу - все положил в этот большой блендер(5). Жил на смузи. Я думаю, что он получил первое место в своем году(6).» «Так иметь собственное место лучше?» «Значительно лучше.» Никто из нас не указал, что он больше не жил один. Мы закончили вино, и он пошел за другой бутылкой. В моих джинсах была дырка на веревке около верхней части бедра. Я выбрал его, а потом отдернул руку, когда услышал его возвращение(7). Я сказал: «Какой была твоя последняя девушка?» Он закрутил стекло(8). «Она была в порядке. Ее отправили обратно в Лондон.» «Как давно это было?» «Несколько месяцев.» «Сожаления?» "Нет, вообще нет. Я не склонен оглядываться назад(9).»
GPTChat Bot	На следующий вечер я рассказал Джулиану об этом споре. Он кивал, куря свою сигарету, и в нужные моменты произносил «конечно» и «естественно»(1). «Ты когда-нибудь имел соседей по квартире?» (2)- спросил я. «Да, конечно, в Оксфорде и когда только начинал в Лондоне(3). Большинство из них были нормальными. Один парень был абсолютным чокнутым(4). Это был мой последний год университета. Он писал диссертацию на какую-то существенную тему. Ты слышал, как он ходил туда-сюда всю ночь и бормотал о ней. И он никогда не ел твердую пищу - он всё мешал в этом огромном чертовом блендере(5). Питался только смузи. Думаю, он получил самую высокую оценку в своем году(6).» «Так что, иметь собственное жилье лучше?» - спросил я. «Значительно лучше». Ни один из нас не указывал на то, что он уже не живет один. Мы допили вино, и он пошел за еще одной бутылкой. У моих джинсов была дырка на внутреннем шве возле верхней части бедра. Я заигрывал с ней, а потом резко отдернул руку, услышав его возвращение(7). «Какая была твоя последняя девушка?» - спросил я. Он закрутил свой бокал(8). «Она была нормальной. Ее отправили обратно в Лондон.» «Сколько времени прошло с тех пор?» «Пару месяцев.» «Сожалеешь о чем-нибудь?» «Нет, совсем нет. Я не склонен оглядываться назад(9).»

Таблица 2. Время, затраченное на перевод онлайн-переводчиками

Время(сек)

DeepL

PROMT.One

GPTChat Bot

1.24

3.9

46.6

Одним из важных аспектов в художественном тексте являются стилистические приемы. Так при помощи стилистических приемов авторы влияют на восприятие текста, делая его более эмоциональным и запоминающимся, тем самым производя определенное впечатление на читателя. Переводческий анализ проводился тремя онлайн-переводчиками, в результате работы которых был выявлен ряд грамматических и лексических ошибок. Можно заметить, что DeepL и PROMT.One справились со своей работой быстрее, за считанные доли секунд, чем GPTChat Bot, которому потребовалось больше времени (около минуты), что гораздо больше по сравнению с другими программами (табл.2).

Итак, обратимся к переводу онлайн-переводчиками предложения: «Between drags of his cigarette, he nodded and of-coursed in all the right places.» (табл.1) Стоит отметить, что одной из основных задач высококвалифицированного специалиста при работе с переводом художественных текстов является передача смысловой части на язык-реципиент таким образом, чтобы для восприятия читателей той или иной языковой группы переведенные фрагменты отражали переводческую интерпретацию исходного текста как видение его глазами носителя другой культуры. Проще говоря, стиль и манера перевода художественных текстов с одного языка на другой должны быть такими же, как и в оригинале. Заметно, что предложение (1) каждая нейросеть перевела по-разному, но именно PROMT.One допустил больше речевых ошибок, чем DeepL и GPTChat Bot. «Of-coursed» - «соглашался», PROMT.One перевел как «курсировал», но человек не может курсировать, так как данное словосочетание являются несовместимой парой в пределах русского языка. DeepL также неточно перевел «of-coursed», использовав перевод этого слова как «охал».

Удивительно, что в переводе простого слова «flatmates» PROMT.One допустил ошибку, передавши смысл «flatmates» не как соседей, а как ровесников, что является недочетом с точки зрения лексики. В целом, остальные онлайн-переводчики, а именно, DeepL и GPTChat Bot верно передали смысл предложения под знаком (2).

Что касается перевода фразы «when I was starting out in London» (3), PROMT.One и GPTChat Bot не удалось до конца верно определить значение фразового глагола «start out», поэтому отрывок данного предложения получился незаконченным и весьма непонятным по своему значению. Далее с переводом «nutter» (4) все онлайн-переводчики справились, но, исходя из собственного перевода, звучащего как «он был с тем ещё прибабахом», становится ясно, что использование разговорного слова «прибабах» в переводе на язык-реципиент является наиболее подходящим для выражения странностей и причуд молодого человека.

Стоит отметить, что в переводе нейросетями предложения «and he never ate solid food – he put everything in this big fucking blender» (5) были замечены некоторые недочеты. Так, GPTChat Bot допустил речевую ошибку, использовав слово «он» два раза, не найдя для него замену, а PROMT.One перевел «put» как «положил», вследствие чего «put» означает однократное, а не постоянное действие, что совершенно не подходит по смыслу в данном художественном отрывке. В собственном переводе использовались стилистические приемы, такие как «в придачу» и «чтоб его», придав красочности скудному предложению, что иной раз доказывает тот факт, что именно высококвалифицированные специалисты в области переводоведения обладают творческим мышлением и могут креативно и оригинально подходить к своей работе.

Обратим внимание на следующее предложение: «I think he got the top first in his year» (6). Искусственные интеллекты, привлеченные в эксперимент, полностью не справились с правильной передачей смысла данного фрагмента. По контексту перевод фразы «I think he got the top first in his year» должен звучать следующим образом: «Вроде стал лучшим студентом своего выпуска.», но нейросети считают по-другому. DeepL и PROMT.One почти одинаково справились со своей работой, в результате чего был получен такой результат: «По-моему, он занял первое место в своем году.» А GPTChat Bot перевел лексическую особенность данного предложения «the top» как «оценка», что является неверным определением с точки зрения перевода.

Примечательно, что с переводом предложений «My jeans had a hole on the inseam near the top of my thigh. I picked at it, then jerked my hand away when I heard him returning» (7) лучше всего справился DeepL, передав в полной мере смылс данного фрагмента. Что касается PROMT.One и GPTChat Bot, в результате их работы были замечены речевые и лексические ошибки. Главная героиня нашла у себя на джинсах дырку по шву, с внутренней стороны бедра. Так, от нечего делать (еще один стилистический прием, а именно фразеологизм, использовавшийся в собственном переводе художественного текста) девушка решила «поковырять» ее. Но PROMT.One и GPTChat Bot подобрали не лучшие варианты перевода фразы «picked at it», - «выбрал его» и «заигрывал с ней». Становится понятно, что искусственный интеллект все еще испытывает трудности с пониманием контекста художественных текстов.

Еще одним примером, доказывающим тот факт, что нейросетям не удается в полной мере понимать смысл исходного текста является следующее предложение: «He twirled his glass» (8). Казалось бы, все онлайн-переводчики, использовавшиеся в эксперименте, точно справились с переводом данного фрагмента, так как «twirl» - это вертеть или закручивать, а «glass» может пониматься и как стекло, и как бокал, но только профессионал-переводчик, в противовес искусственному интеллекту, в силу обладания творческим мышлением, чувствами и эмоциями способен разобраться с контекстом и логически верно построить предложение на языке-реципиенте и качественно выполнить свою работу. Таким образом, верный перевод «he twirled his glass» звучит следующим образом: «Он повертел бокал».

Стоит обратить внимание на предложение «I don’t tend to look back» (9). В целом, с точки зрения грамматики и лексики онлайн-переводчики справились со своей задачей, но из собственного переводческого анализа заметно, что путем замены ничем непримечательного словосочетания «оглядываться назад» на «что было, то прошло» перевод данного предложения в полной мере отражает культурно-речевые традиции языка-реципиента, в нашем случае - русского. Такие стилистические приемы производят эмоциональное впечатление на читателя, что способствуют повышению его интереса к чтению художественного произведения.

Таким образом, исходя из переводческого анализа художественного текста искусственным интеллектом становится понятно, что нейросети, использовавшиеся в эксперименте, не были способны в полной мере продемонстрировать стилистические приемы и культурно-речевые традиции языка-реципиента, не всегда верно распознавали те или иные лексические особенности текста данного жанра, тем самым не произведя должного впечатления на читателей.

Безусловно, разработка искусственного интеллекта коренным образом изменила переводческую деятельность в эпоху цифровизации. Несомненно, нейросети имеют как слабые, так и сильные стороны. Одним из ключевых преимуществ использования сервисов перевода на основе искусственного интеллекта является скорость. Высококвалифицированные переводчики, хотя и опытны и хорошо осведомлены, могут работать только в определенном темпе. Искусственный интеллект, с другой стороны, обрабатывает и переводит большие объемы текста за долю времени. Такая повышенная эффективность позволяет предприятиям экономить драгоценное время и ресурсы, позволяя им сосредоточиться на других аспектах своей деятельности. Но, тем не менее, из переводческого анализа художественного текста при помощи работы нейросетей видно, что по большей части искусственный интеллект не всегда корректно определял перевод тех или иных слов с точки зрения культурно-речевых традиций языка-реципиента, лексические и стилистические приемы, а также не смог более красочно и креативно подать переводной материал. Становится ясно, что для профессионала-переводчика в силу обладания человеческим умом, а также чувствами и эмоциями, которыми машины ограничены, понимание смысловой части, применение творческого мышления и оригинального подхода к своей работе, умение распознавать стилистические особенности художественных произведений, еще раз доказывает тот факт, что необходимость в специалистах со знанием языков очевидна, без их помощи нейронным системам не обойтись.

Список литературы

1. Гудфеллоу Я., Бенджио И., Курвилль А. Г93 Глубокое обучение / пер. с анг. А. А. Слинкина. – 2-е изд., испр. – М.: ДМК Пресс, 2018. – 158 с.
2. Наука о переводе (история и теория с древнейших времен до наших дней) : учеб. пособие / Л.Л. Нелюбин, Г.Т. Хухуни. — М. : Флинта : МПСИ, 2006. — 416 с.
3. International Journal for Research in Applied Science & Engineering Technology (IJRASET), Language Translation Using Artificial Intelligence / Rupayan Dirghangi, Koushik Pal, Sujoy Dutta, Arindam Roy, Rahul Bera, Manosijo Ganguly, Dipankar Pariary, Karan Kumar.

Список источников
4. Нейросеть Chat GPT. URL: @gptchat_ai_bot (дата обращения 24.12.2023.
5. DeepL Translate: The world's most accurate translator. URL: https://www.deepl.com/translator- mobile (дата обращения 24.12.2023).
6. PROMT.One Perevodchik -бесплатный онлайн словарь и перевод текстов. URL: https://www.translate.ru/PROMT.One (дата обращения 24.12.2023).

← Предыдущая статьяРеспубликанский телеканал «Архыз 24» в социальных сетях «ВКонтакте» и «Одноклассниках»

Следующая статья →Воспоминания о Кавказе в произведении Натальи Владимировны Урусовой в произведении «Материнский плач Святой Руси»