Проблеми машинного перекладу та його застосування у навчанні майбутніх перекладачів

Размещено на http://www.allbest.ru/

Проблеми машинного перекладу та його застосування у навчанні майбутніх перекладачів

Леонід Черноватий

Харків, Україна

ЧЕРНОВАТИЙ Леонід. ПРОБЛЕМИ МАШИННОГО ПЕРЕКЛАДУ ТА ЙОГО ЗАСТОСУВАННЯ У НАВЧАННІ МАЙБУТНІХ ПЕРЕКЛАДАЧІВ.

Ґрунтуючись на результатах аналізу сучасних закордонних досліджень статусу машинного перекладу та його ролі у навчанні майбутніх перекладачів, пропонується висновок стосовно безальтернативності застосування МП в перекладацькій діяльності, а отже - й необхідності його запровадження до змісту навчання майбутніх перекладачів. Поділяється думка про продуктивність інтеграції машинного й антропогенного перекладу в гіперантропогенний його вид, де головним залишається людина, яка вміло використовує усі переваги технічних засобів для підвищення якості та швидкості перекладу.

Ключові слова: антропогенний переклад, гіперантропогенний переклад, машинний переклад, навчання перекладу.

CHERNOVATY Leonid. PROBLEMS OF MACHINE TRANSLATION AND ITS APPLICATION IN TRANSLATOR TRAINING.

The article reviews the current research related to the status of machine translation (MT) and its application in translator training. The author states the increasing impact of technologies upon the translation and localisation industries, which gives grounds to expect considerable changes in the human translation process that have to be taken into account in translator training as well. One of the ways to deal with this issue seems to be the comprehensive approach to the MT integration into translator training. In spite of the contradictory data related to the research into the comparative efficiency of human and machine translation, on the one hand, and various kinds of MT systems, on the other, the paper comes to the conclusion that there is no alternative to the MT application in professional translation, and thus, to its involvement into the translator training as well. The author supports the idea of trans-human translation, where the human remains in charge, skillfully exploiting the technological advantages to the benefit of the translation speed and quality. This approach takes Translation Studies beyond the limits of purely linguistic or anthropocentric models. The author analyses the controversial opinion concerning shifting the emphasis in the translator's work towards the linguistic post-post-editing. This assumption is used to predict the decline in the translator's subject knowledge importance and even in the target language command requirements related to the ever growing practice of the target text post-editing by experts in the specific domain.. The author reviews the role of pre-editing, post-editing and proofreading in the eyes of the translation and localisation industry representatives, as well as the ways to include the appropriate skills development in translator-training. The article analyses the conflicting results concerning the impact of post-editing upon the efficiency of the translator's competence development. It is concluded that translators will have to possess a variety of innovative skills, which might open up promising career opportunities for them, subject to the consolidation of interdomain and interdisciplinary connections in translator training and teaching.

Keywords: human translation, machine translation, trans-human translation, translator training and teaching.

Вступ

Професія перекладача, яка вважається однією з найдавніших в історії людства, стоїть на порозі змін, характер яких є настільки глибоким, що ставить під сумнів навіть саме її існування. Причиною, як і у випадку багатьох інших професій, є стрімкий розвиток науки і техніки, зокрема інформаційно-комунікаційних технологій (ІКТ), що загрожує кардинальним перерозподілом функцій між людиною і машиною як на ринку праці, так і в повсякденному житті.

Традиційно письмового перекладача уявляли таким собі ченцем-відлюдником, що чаклує над таємничим текстом оригіналу, закопавшись серед товстелезних словників, енциклопедій і довідників, годинами шукаючи найкращі відповідники і ретельно відточуючи текст перекладу до неймовірно бездоганних висот. Не дивно, що й зміст навчання майбутніх перекладачів зосереджувався на досконалому вивченні мови оригіналу, ретельному ознайомленні з відповідною художньою літературою, історією, лінгвістичними й перекладознавчими теоріями, максимальному розширенні словникового запасу і вміннях працювати з довідковою літературою.

Сучасний перекладач, однак, більше нагадує оператора складної технологічної установки, сидячи перед екраном комп'ютера й оточений іншими сучасними ґаджетами, завдяки яким він дістає миттєвий доступ до нечуваного раніше обсягу даних - від відповідників будь-якого слова тексту оригіналу до варіантів перекладу текстів будь-якого обсягу з гіпертекстовими посиланнями, що дозволяють заглиблюватись у будь-які відгалуження, що виникають під час пошуку інформації в процесі перекладу. Швидкість перетворення перекладача на оператора все більш складної машинерії, мимоволі підводить до питання, чи не настане такий час, коли вся ця техніка зможе упоратись із перекладом взагалі без людини, і як подібні зміни впливають на зміст навчання майбутніх перекладачів - адже такий зміст має відповідати реальним умовам праці випускника закладу вищої освіти.

Це питання видається актуальним, а його вирішення потребує аналізу глобальних тенденцій, що спостерігаються в інформаційних технологіях, перекладознавстві, прикладній лінгвістиці та методиці навчання перекладу, аби врахувати їх у змісті навчання майбутніх перекладачів відповідно до сучасних умов.

Таким чином, метою нашої розвідки є вивчення згаданих тенденцій за матеріалами досліджень останніх років для формулювання існуючого стану речей та прогнозування розвитку ситуації у найближчому майбутньому, аби пропонувати відповідні зміни у змісті навчання. Враховуючи обсяг статті, ми обмежимося переважно аналізом статусу машинного перекладу. Зважаючи на великий обсяг матеріалу, що підлягає обробці, у подальшому викладі ми обмежимося лише працями закордонних авторів, оскільки роботи українських науковців є доступнішими для аналізу.

Результати та обговорення

В останні роки, проблеми машинного перекладу (МП) та його застосування у практиці перекладу і навчанні майбутніх перекладачів постійно знаходяться в центрі уваги дослідників, а з удосконаленням систем МП, обсяг таких розвідок тільки зростає.

Зокрема, опитування 438 респондентів (перекладачів-фрілансерів, представників компаній з надання мовних послуг, викладачів перекладу та науковців) (Gaspari et al, 2015) засвідчило зростаючий вплив технологій, зокрема МП, методів оцінки якості та пост-редагування, в індустрії перекладу та локалізації. Зазначаючи нагальну необхідність вдосконалення згаданих методів, інструментарію та навчання, автори також зауважують значну розбіжність у підходах до вирішення цих завдань, а також певний брак знань та ресурсів серед потенційних рушіїв такого вдосконалення. Прогнозуючи подальше поширення МП, дослідники очікують значних змін у процесі антропогенного перекладу (який здійснюють люди), зокрема, поширення практики пост-редагування (post-editing) і на матеріали високої якості, призначені для публікації, а також підкреслюють необхідність врахування цих тенденцій в процесі навчання перекладу та задоволення потреби у підвищенні рівня технологічної компетентності майбутніх перекладачів. машинний антропогенний переклад

Альтернативне опитування (Man et al, 2020) 441 студента китайських університетів, що навчалися на магістерській програмі з письмового та усного перекладу, стосувалося знань найпоширеніших інструментів та ресурсів технології перекладу (електронних словників, пошукових систем, Інтернет-енциклопедій, корпусів, МП та систем автоматизованого перекладу) і частотності їх використання. Результати показали суттєву позитивну кореляцію знань студентів та їхнього використання технологій перекладу.

Інші автори (Kenny et al, 2014; Rodriguez de Cespedes, 2019) підтримують ідею розробки та впровадження програми навчання перекладу з використанням системи МП, орієнтованої на перекладача. При цьому вони пропонують цілісний підхід до інтеграції МП до змісту навчання, який розширює можливості перекладача, а не маргіналізує його. Визнаючи потенційні проблеми на шляху застосування МП як у процесі перекладу загалом, так і в навчанні майбутніх перекладачів, дослідники (Kenny et al, 2014) накреслюють певні напрями їх вирішення, зокрема, застосування хмарних сервісів.

Цікавим питанням є порівняльна ефективність антропогенного та машинного перекладу. В одному з досліджень (Loock, 2018) проводився компаративний корпусний аналіз мовних характеристик оригінальних французькомовних текстів, з одного боку, та текстів, перекладених французькою мовою з англійської за допомогою статистичних і нейронних систем МП, з іншого. Матеріалом дослідження послужили статті з провідних англо-американських і французьких газет у різноманітних галузях (економіка, екологія, спорт, туризм, злочинність, культура тощо). Аналіз зосереджувався на тих лексичних та граматичних особливостях текстів, які, як відомо з практики, викликають труднощі в англо-французьких перекладачів. Результати аналізу засвідчили, що мовні аспекти, які виходять за межі граматичної правильності, і які слід враховувати для забезпечення природного ідіоматичного перекладу, аби задовольнити потреби сучасного ринку, ігноруються сучасними системами МП. Ґрунтуючись на цих результатах, дослідники формулюють висновок про безумовну перевагу людей-перекладачів над системами МП, принаймні у згаданих аспектах.

Інші автори (Daems et al 2017), також на матеріалі англомовних газетних статей (зі схожою із попереднім дослідженням тематикою), порівнювали ефективність їх передачі французькою мовою шляхом перекладу, з одного боку, та пост-редагування МП, з іншого. Додатковою незалежною змінною був досвід у перекладі - одна група випробуваних складалася із студентів, а інша - з фахових перекладачів. Згадані процеси досліджувалися за допомогою методик ай-трекінгу (відстеження руху зіниць) та кі-строук-лоґґінґ (реєстрації натискань перекладачем клавіш на клавіатурі комп'ютера), які дозволили встановити швидкість перекладу, когнітивне навантаження та використання зовнішніх ресурсів випробуваними. Додатковими параметрами, що враховувались у даному дослідженні, були загальна якість перекладу і ставлення випробуваних до обох досліджуваних методів. Очікувалося, що результати дослідження допоможуть визначити типові проблеми, що виникають під час застосування різноманітних методів перекладу у перекладачів різного фахового рівня, аби потім враховувати їх у процесі навчання. Однак одержані дані засвідчили більшу схожість досліджуваних методів і груп, ніж передбачалося.

Спостерігаються спроби (Alonso et al, 2015) переосмислити протиставлення антропогенного перекладу, з одного боку, та перекладу із застосуванням інформаційних технологій (МП та автоматизовані системи перекладу), з іншого. Виходячи з аналізу ситуації, що склалася в контексті епохи інформаційного суспільства, автори критикують традиційні підходи перекладознавства, де технології розглядаються лише як допоміжний інструмент, а засоби автоматизації перекладу не вважаються суттєвими чинниками його забезпечення. Вони вважають, що подібні підходи виходять із спрощеного та застарілого розмежування між свідомістю перекладача та його інструментами. Натомість, ґрунтуючись на результатах аналізу ролі технології в процесі перекладу з точки зору його усталених парадигм (лінгвістичної, функціональної, когнітивної, соціологічної), дослідники пропонують інструментальний підхід, де перекладачі та їхні технології розглядаються як нерозривне і взаємообумовлене ціле. На думку згаданих авторів, цей підхід виводить перекладознавство за межі суто лінгвістичної й антропоцентричної моделі перекладу. Ґрунтуючись на результатах свого аналізу, дослідники пропонують теоретичну модель гіперантропогенного перекладу, що виходить за межі суто антропогенного, аби переглянути парадигми перекладознавства в контексті епохи інформаційного суспільства. На їхню думку, гіперантропогенний переклад обіцяє привабливе майбутнє для перекладачів, де вони творчо й критично використовуватимуть як технологічні, так і соціальні засоби.

На підтримку тези про доцільність включення МП до змісту навчання майбутніх перекладачів, експеримент (Federici et al, 2018) зі студентами, майбутніми перекладачами, які не мали досвіду роботи з МП, засвідчив, що тренінг із системою статистичного МП здатний підготувати студентів до діяльності в умовах тривалих кризових сценаріїв перекладацької діяльності.

Існують реальні перспективи поширення МП (який на сьогодні застосовується переважно в процесі письмового перекладу) і на сферу усної медіації. Зокрема, дослідження (§ahin, 2013) неформального міжмовного спілкування носіїв російської та англійської мов з використанням МП (Google Talk) в режимі реального часу засвідчило позитивну оцінку ефективності такої комунікації в неформальному чаті з боку комунікантів, а також зрозумілість і точність близько 75% висловлювань співрозмовників. Інші автори (Burchardt, 2016) вивчали перспективи застосування МП в контексті аудіовізуального перекладу. Зокрема, досліджено причини складнощів застосування МП у цьому виді перекладу, встановлено потенційно корисні для нього методи та інструменти для вимірювання якості МП, розроблені для перекладу письмового тексту.

Очікування кардинальних змін у якості автоматизованих систем перекладу, зокрема, пам'яті перекладів (1111), статистичного і нейронного видів МП, змушує деяких дослідників (Pym, 2013) припускати, що згадані системи з часом повністю замінять антропогенний переклад у багатьох сферах діяльності. Розглядаючи таку можливість, згадані дослідники пророкують суттєві зміни у переліку умінь, необхідних перекладачам. Зокрема, пропонується суперечлива теза, що функція письмового перекладача, у зв'язку з поширенням практики обробки текстів перекладу спеціалістами (без досвіду перекладу) у певній галузі, зміститься в бік мовного редагування текстів перекладу, паралельно із зниженням вимог до глибоких предметних знань у відповідній сфері, і навіть, можливо, - до знання іноземних мов. Натомість зростуть вимоги до володіння автоматизованими системами перекладу (1111, глосарії, термінологічні бази та МП). Для визначення переліку нових умінь, необхідних перекладачеві у цьому контексті, на думку згаданого автора, слід спочатку визначити найсерйозніші проблеми прийняття рішень, що виникають у процесі використання 1111 та Mn. Загалом дослідник пропонує перелік із десяти таких умінь, які він розподіляє на три групи: уміння вчитися, перевіряти дані, а також редагувати тексти з посиленою увагою до деталей. Розвиток згаданих умінь потребує розробки методики, що ґрунтується на наскрізному використанні 1111 та МП в межах усіх курсів письмового перекладу, самостійному аналізі студентами процесу перекладу та реалізації спільних проектів із фахівцями у відповідних сферах.

Схожої думки дотримуються й інші дослідники (Mellinger, 2017), які вважають, що для професійного здійснення пост-редагування майбутніми перекладачами, МП має бути включено до змісту одразу кількох курсів навчальної програми, а не зосереджуватися в якомусь одному окремому курсі чи модулі.

З іншого боку, існують і прибічники концентрації навчання МП в межах окремого спеціалізованого модуля, що, на думку автора (Esqueda, 2021), дозволяє, ґрунтуючись на методиці виконання конкретних завдань, навчити студентів оцінювати сильні й слабкі сторони МП, щоб краще використовувати його в процесі перекладу.

У деяких дослідженнях (Mellinger, 2018) розглядалася роль пост-редагування текстів, переданих за допомогою МП, та засобів автоматизації перекладу, з метою переосмислення поняття «якості перекладу». Здійснюються спроби (Cid et al, 2020) встановити зміст компетентності пост-редагування, аби пізніше визначити зміст її формування й адаптувати методику навчання до різних типів аудиторій. Опитування працівників компаній, які надають мовні послуги, засвідчили, що на сьогодні високий рівень досвіду у пост-редагуванні не є показовим для індустрії перекладу загалом, і що ефективне пост-редагування вимагає предметних і термінологічних знань у широкому діапазоні сфер і дисциплін (Cid et al, 2020).

Одним із об'єктів вивчення є стратегії майбутніх перекладачів у процесі застосування засобів інформаційних технологій. В одному з таких досліджень (Shih, 2017), за допомогою реєстрації натискань випробуваними (студентами китайського університету) клавіш на клавіатурі та їхніх розмірковувань вголос досліджувалася поведінка майбутніх перекладачів під час пошуку термінів в Інтернеті в процесі спеціалізованого перекладу. Виявлено, що випробувані використовують різноманітні веб-ресурси, що значною мірою збігається з висновками попередніх дослідників.

З'ясування чинників, що впливають на якість пост-редагування МП студентами, є ще однією проблемою, що привертає увагу. Зокрема, одна із таких розвідок (Yang et al, 2020) засвідчила, що головним з них є рівень саморегуляції студентів, тоді як вплив їхнього критичного мислення та мотивації виявився несуттєвим. В іншій роботі (Yang et al, 2021), порівняння результатів пост-редагування МП майбутніми перекладачами та їхнього самостійного перекладу у двох схожих за змістом завданнях, ґрунтуючись на критеріях ефективності перекладу, його результативності та ступеня вдоволеності користувачів, сформульовано висновок, що пост- редагування МП є більш ефективним, ніж антропогенний переклад. Цей висновок ґрунтується на більшій кількості помилок в останньому, де частка неточностей перевищила питому вагу стилістичних похибок. Крім того, на погляд випробуваних, час і зусилля, заощаджені внаслідок застосування пост-редагування, є більшою цінністю, порівняно із його загальною практичністю. Зафіксовано також безперечне бажання студентів бачити пост-редагування у змісті власного навчання.

В іншому дослідженні [0|о^Щ. 2018] автор вивчав особливості здійснення пост- редагування медичних текстів, перекладених корейською мовою з англійської за допомогою Google Translate, шляхом реєстрації як розмірковування вголос студентів, так і їхніх операцій на екрані комп'ютера. Встановлено, що студенти неефективно виконували пост-редагування, надмірно часто використовували словники, витрачали зайвий час на нетермінологічну лексику, невдало здійснювали попереднє редагування тексту оригіналу, внаслідок чого перекладали його фактично з нуля. За результатами експерименту, автор дійшов висновків, що головну увагу у навчанні пост-редагування слід приділяти вдосконаленню базової перекладацької компетентності студентів, а не умінням, потрібним для пост-редагування. Крім того, автор зауважує, що інструментальна субкомпетентність має вирішальне значення для розвитку умінь пост-редагування. На його думку, двомовне редагування (revision) має бути головним компонентом при навчанні пост-редагування, а інтеграція попереднього редагування (pre-editing) до змісту навчання пост-редагування потребує проведення окремих досліджень першого.

Деякі дослідники (Killman, 2018) намагалися з'ясувати чинники, що впливають на дієвість пост-редагування шляхом порівняння його ефективності стосовно тексту, який одні й ті ж студенти раніше в семестрі перекладали без застосування МП. Результати засвідчили, що пост-редагування дозволило покращити якість перекладу студентам, результати яких знаходяться ближче до середнього рівня в групі, тоді як якість перекладів студентів, результати яких значно перевищували згаданий рівень, погіршилися, хоча й залишилися кращими, ніж у студентів першої групи. Автор експліцитно не пояснює причин цього явища, хоча й аналізує ступінь доцільності та прийнятності змін, внесених студентами в процесі пост-редагування, а також їх співвідношення з варіантом, запропонованим цими ж студентами під час перекладу цього ж тексту без МП. Ці результати потребують подальшого дослідження, оскільки не можна виключити впливу на них ефектів послідовності - невідомо, чи не змінилися б висновки, якби студенти спочатку здійснювали пост-редагування тексту, а потім перекладали його самостійно, тобто без застосування МП.

В іншій розвідці (Lee, 2020), випробувані, навпаки, спочатку перекладали тексти з рідної на іноземну мову без допомоги МП, а потім редагували власний переклад, використовуючи МП для порівняння. Аналіз результатів показав, що МП допоміг зменшити частку лексико-граматичних помилок та покращити двомовне редагування студентів.

Вивчалися й питання ставлення фахівців у сфері мовних послуг до застосування інформаційно-комунікативних технологій (ІКТ) (наприклад, засобів автоматизації перекладу та програм МП), з точки зору їхнього впливу на ступінь контролю власної діяльності та робочого середовища (Marshman, 2014), з'ясувалося, що більшість фахівців позитивно ставляться до ІКТ взагалі і вважають, що вони сприяють підвищенню ефективності контролю робочого середовища та праці загалом (особливо її обсягу та якості). З іншого боку, оцінка їхнього впливу на стосунки з клієнтами/роботодавцями та обсяг винагороди не є однозначно позитивною.

Вивчення ставлення до МП не обмежується лише перекладачами, а доповнюється його дослідженням стосовно інших учасників процесу надання перекладацьких послуг, зокрема, у сферах управління та виробництва (Vieira et al, 2020). Дослідження показало, що МП додає невизначеності в усіх згаданих сферах. На погляд автора, це може бути частково викликано структурними недоліками сучасної індустрії перекладу, що обмежують вплив перекладачів на тексти, одночасно відчужуючи їх від ширших аспектів бізнес-стратегії.

Ставлення до МП вивчалося (Yang et al, 2019) і на основі моделі прийняття технологій, в межах якої виділяються два фактори, що визначають прийняття чи неприйняття нових технологій індивідом. Першим фактором є простота використання відповідної технології, а другим - її корисність, причому обидва чинники оцінюються не в абсолютному вимірі, а з точки зору конкретного індивіда, оскільки одна й та ж технологія може здаватися одному простою й корисною, а іншому - складною й непотрібною. Опитування 109 майбутніх перекладачів, студентів китайських університетів, засвідчило, що фактор корисності, який суттєво обумовлюється досвідом, найбільше впливає на намір застосування МП. Крім того, на досвід впливає мотивація, яка, у свою чергу, обумовлюється простотою використання.

Розширення номенклатури систем МП також стимулювало відповідні дослідження. В одному з них (Jisun et al, 2017) розглядаються порівняльні результати застосування різних систем МП, зокрема для того, щоб зрозуміти різницю між нейронною та статистичною його системами.

Загалом поява систем нейронного машинного перекладу (НМП) спричинила справжню ейфорію в засобах масової інформації, деякі з яких поквапились оголосити, що певні професії, включаючи переклад, є під загрозою зникнення. Однак порівняльне дослідження (Moorkens, 2018) ефективності нейронного (НМП) і статистичного (СМП) машинного перекладу в кількох мовних парах, результати яких оцінювалися за критеріями адекватності та продуктивності пост-редагування, а також врахування характеру помилок, довели передчасність подібних заяв. Хоча дослідники констатують покращення стилістичних ознак та порядку слів у текстах, перекладених за допомогою НМП, проте вони відзначають і певні непередбачувані проблемами, пов'язані з пропусками й невірним перекладом деяких елементів тексту оригіналу.

Інші автори (Schmidhofer et al, 2019), виходячи з результатів власного експерименту, прогнозують, що внаслідок появи систем НМП, майбутнім перекладачам доведеться сформувати дві окремі, хоча і взаємопов'язані, групи умінь: (1) оволодіти компетентністю перекладача у традиційному сенсі (тут дослідники посилаються на моделі фахової компетентності перекладача, запропоновані групами PACTE (PACTE, 2001) та EMT (EMT, 2009); (2) оволодіти уміннями попереднього редагування, пост-редагування та читання коректури (proofreading) текстів, перекладених за допомогою МП. Тут виникають певні логічні суперечності. Модель PACTE (PACTE, 2001) за останні 20 років (з 2001 року) дещо змінилася, але навіть у 2001 році вона включала інструментальну компетентність, до якої, зокрема, входили і автоматизовані системи перекладу. Тому будь-які нові подібні засоби, що виникають внаслідок технічного прогресу, за замовчуванням включаються до згаданої компетентності, а отже немає жодної потреби виділяти їх в будь-яку нову компетентність. Тим більше це стосується моделі EMT (EMT, 2009), яка експліцитно включає в себе технологічну компетентність, куди, зокрема, входить здатність використовувати комп'ютерні інструменти.

Автори також очікують зростання ролі комунікативної компетентності в мові перекладу (хоча, здається, їй зростати далі вже нікуди, оскільки, відповідно до вимог, наприклад, британського класифікатора професій, тут очікується найвищий можливий рівень (Proficiency)), компетентності в культурах носіїв обох мов, залучених до перекладу, а також умінь ретельного аналізу тексту у навчанні майбутніх перекладачів (перспектива зростання цінності цього уміння також видається сумнівною). Безумовною складовою змісту навчання, на думку авторів, має бути формування умінь студентів адекватно оцінювати та використовувати нові програми МП, з чим варто погодитись.

Інші дослідники (O'Brien et al, 2020) переймаються впливом запровадження систем нейронного машинного перекладу (НМП) на сферу локалізації, яка є надзвичайно високотехнологічною і динамічною. Опитування співробітників та виконавчих менеджерів компаній, що надають мовні послуги, засвідчило, що фахівці з локалізації виконують різноманітні ролі, включаючи перестворення, пошук інформації та керування проєктами і операціями збуту. Прогнозується, що впровадження НМП посилить необхідність критичного використання технологій, одночасно відкриваючи нові напрями кар'єрного розвитку, такі як сфери контролю даних та анотування. Спеціалізація у конкретній сфері залишиться важливою для перекладачів, а важливість умінь міжособистісного спілкування зростатиме й надалі. Для підвищення ефективності процесу навчання важливим вважається посилення міжгалузевих та міждисциплінарних зв'язків.

Ускладнення змісту проєктів та високий рівень спеціалізації в індустрії мовних послуг спричинюють необхідність відповідних змін у змісті навчання майбутніх перекладачів з метою підвищення рівня їхньої технологічної компетентності. В одному з досліджень (Rodriguez-Castro, 2018) вивчалася ефективність відповідного курсу навчання, що включав низку компонентів: навчальну програму з модулями, присвяченими організації проєктів, управлінню термінологією, системам пам'яті перекладів, пост-редагуванню та локалізації програмного забезпечення; чітко визначені цілі навчання використання систем автоматизованого перекладу; моделювання віртуальної реальності; навчання на основі системи завдань; розвиток критичного мислення. Експериментальне навчання підтвердило перспективність такого підходу для подальших досліджень.

Узагальнюючи викладене, варто зауважити, що хоча більшість дослідників вважають МП однією з найбільш інноваційних технологій, проте деякі з них (Burchardt, 2016) демонструють певну стриманість у прогнозуванні його потенційного впливу на розвиток творчих здібностей та продуктивності професійних перекладачів у майбутньому.

Висновки

Таким чином, проведений аналіз показує широкий діапазон досліджень з проблеми застосування МП в процесі перекладу та навчання майбутніх перекладачів. Незважаючи на деяку суперечність проаналізованих досліджень, можна констатувати певний консенсус стосовно неминучості застосування МП в процесі перекладацької діяльності, а отже - й необхідності його запровадження до змісту навчання майбутніх перекладачів. Продуктивним підходом видається не протиставлення машинного та антропогенного перекладу, а їхня інтеграція у гіперантропогенний переклад, в якому головним залишається людина, яка вміло використовує усі переваги технічних засобів для підвищення якості та швидкості перекладу. Така орієнтація, безумовно, потребує певного коригування змісту навчання майбутніх перекладачів, в чому і вбачаємо перспективи подальшого дослідження.

Бібліографія

1. Alonso, E. & Calvo, E. (2015). Developing a Blueprint for a Technology-mediated Approach to Translation Studies. Meta, 60(1), 135-157. https://doi.org/10.7202/1032403a

2. Burchardt, A., Lommel, A., Bywood, L., Harris, K. & Popovic, M. (2016). Machine translation quality in an audiovisual context. Target, 28(2), 206-221. https://doi.org/10.1075/target.28.2.03bur

3. Cid, C. G., Colominas, C., Oliver, A. (2020). Language industry views on the profile of the posteditor. Translation Spaces, 9(2), 283-313. https://doi.org/10.1075/ts.19010.cid

4. Cifuentes-Ferez P., Rojo, A. (2015). Thinking for Translating. Think-aloud Protocol on the translation of manner-of-motion verbs. Target, 27(2), 273-300. https://doi.org/10.1075/target.27.2.05cif

5. Daems, J., Vandepitte, S., Hartsuiker, R. J. & Macken, L. (2017). Translation Methods and Experience: A Comparative Analysis of Human Translation and Post-editing with Students and Professional Translators. Meta, 62(2), 245-270. https://doi.org/10.7202/1041023ar

6. EMT Expert Group (2009). Competences for professional translators, experts in multilingual and multimedia communication. Brussels. https://ec.europa.eu/info/sites/info/files/emt_competences_translators_en.pdf

7. Esqueda, M. D. (2021). Machine translation: teaching and learning issues. Trabalhos em Lingrnstica Aplicada, 60(1). 282-299.

8. Federici, F. M., Al Sharou, Kh. (2018). Moses, time, and crisis translation. Translation and Interpreting Studies, 13(3), 486-508. https://doi.org/10.1075/tis.00026.fed

9. Gaspari, F., Almaghout, H. & Doherty, S. (2015). A survey of machine translation competences: Insights for translation technology educators and practitioners. Perspectives, 23(3), 333-358. https://doi.org/10.1080/0907676X.2014.979842

10. Jisun, Sh., Kim E. (2017). The Emergence of an Artificial Intelligence Translation System. The Journal of Translation Studies, 18(5), 91-110

11. Kenny, D., Doherty, S. (2014). Statistical machine translation in the translation curriculum: overcoming obstacles and empowering translators. The Interpreter and Translator Trainer, 8(2), 276-294. https://doi.org/10.1080/1750399X.2014.936112

12. Killman, J. (2018). Translating the same text twice. The Journal of Internationalization and Localization, 5(2), 114-141. https://doi.org/10.1075/jial.18003.kil

13. Lee, S.-M. (2020). The impact of using machine translation on EFL students' writing. Computer Assisted Language Learning. 33(3). 157-175. https://doi.org/10.1080/09588221.2018.1553186.

14. Loock, R. (2018). Traduction automatique et usage linguistique : une analyse de traductions anglais- frangais reunies en corpus. Meta, 63(3), 786-806. https://doi.org/10.7202/1060173ar

15. Man, D., Mo, A., Chau, M. H., O'Toole, J. M., Lee, Ch. (2020). Translation technology adoption: evidence from a postgraduate programme for student translators in China. Perspectives, 28(2), 253-270. https://doi.org/10.1080/0907676X.2019.1677730

16. Marshman, E. (2014). Taking Control: Language Professionals and Their Perception of Control when Using Language Technologies. Meta, 59(2), 380-405. https://doi.org/10.7202/1027481a

17. Mellinger, Ch. D. (2017) Translators and machine translation: knowledge and skills gaps in translator pedagogy. The Interpreter and Translator Trainer. 11(4). 280-293. https://doi.org/10.1080/1750399X.2017.1359760

18. Mellinger D. Ch. (2018). Re-thinking translation quality. Revision in the digital age. Target, 30(2), 310-331. https://doi.org/10.1075/target. 16104.mel

19. Moorkens, J. (2018). What to expect from Neural Machine Translation: a practical in-class translation evaluation exercise. The Interpreter and Translator Trainer, 12(4), 375-387. https://doi.org/10.1080/1750399X.2018.1501639

20. O'Brien, Sh., Rossetti, A. (2020). Neural machine translation and the evolution of the localization sector. The Journal of Internationalization and Localization, 7(1-2), 95-121. https ://doi. org/10.1075/jial.20005. obr

21. PACTE Group (2003). Building a Translation Competence Model. Triangulating Translation: Perspectives in Process Oriented Research /Alves F. (ed.). Amsterdam: Benjamins. P. 43-66. https ://doi. org/10.1075/btl.45.06pac

22. Pym, A. (2013). Translation Skill-Sets in a Machine-Translation Age. Meta, 58(3), 487-503. https://doi.org/10.7202/1025047ar

23. Rodriguez-Castro, M. (2018). An integrated curricular design for computer-assisted translation tools: developing technical expertise. The Interpreter and Translator Trainer. 12(4). 355-374. https://doi.org/10.1080/1750399X.2018.1502007

24. Rodriguez de Cespedes, B. (2019). Translator Education at a Crossroads: the Impact of Automation. Lebende Sprachen, 64(1), 103-121. https://doi.org/10.1515/les-2019-0005

25. §ahin, M. & Duman, D. (2013). Multilingual Chat through Machine Translation: A Case of English- Russian. Meta, 58(2), 397-410. https://doi.org/10.7202/1024180a

26. Schmidhofer, A. & Mair, N. (2019). La traduccion automatica en la formation de traductores. CLINA: Revista Interdisciplinaria de Traduccion, Interpretation y Comunicacion Intercultural, 4(2), 163-180. https://doi.org/10.14201/clina201842163180

27. Shih, C. Y. (2017). Web search for translation: an exploratory study on six Chinese trainee translators' behaviour. Asia Pacific Translation and Intercultural Studies, 4(1), 50-66. https://doi.org/10.1080/23306343.2017.1284641

28. Vieira L. N. & Alonso E. (2020) Translating perceptions and managing expectations: an analysis of management and production perspectives on machine translation. Perspectives, 28(2), 163-184. https://doi.org/10.m80/0907676X.2019.1646776

29. Yang, Y., Wang, X. (2019). Modeling the intention to use machine translation for student translators: An extension of Technology Acceptance Model. Computers & Education, 133, 116-126. https ://doi. org/10.1016/j. compedu. 2019.01.015

30. Yang, Y. & Wang X. (2020) Predicting student translators' performance in machine translation postediting: interplay of self-regulation, critical thinking, and motivation. Interactive Learning Environments, 0(0), 1-15. https://doi.org/10.1080/10494820.2020.1786407

31. Yang, Y., Wang X. & Yuan Q. (2021). Measuring the usability of machine translation in the classroom context. Translation and Interpreting Studies, 16(1), 101-123. https://doi.org/10.1075/tis.18047.yan

32. 0|^^. (2018). Process research into post-editing: How do undergraduate students post-edit the output of Google Translate? The Journal of Translation Studies, 19(3), 259-286. https://doi.org/10.15749/jts.2018.19.3.010

Размещено на Allbest.ru