جستجوی مقالات مرتبط با کلیدواژه « ترجمه ماشینی » در نشریات گروه « ادبیات و زبان ها »
تکرار جستجوی کلیدواژه «ترجمه ماشینی» در نشریات گروه «علوم انسانی»-
امروزه، ارزیابی ترجمه ماشینی بدون داشتن ترجمه مرجع، به عنوان یکی از حوزه های پژوهشی ترجمه ماشینی از اهمیت بالایی برخوردار است. یکی از چالش های موجود در این زمینه، مخصوصا برای زبان های کم منبع، عدم وجود داده های آموزشی مناسب است. برای این منظور میتوان از روش های مبتنی بر شبکه عصبی که قبلا روی مدلهای زبانی چند زبانه آموزش دیده شده استفاده کرده و با استفاده از یادگیری انتقالی کیفیت ترجمه برای یک جفت زبان جدید را تخمین زد. در این مقاله کیفیت یک مجموعه تست انگلیسی - فارسی به این صورت تخمین زده شده است. همچنین مجموعه ای از داده های آموزشی برای جفت زبان انگلیسی - فارسی تهیه شده و روی آن پیش پردازش های مناسب انجام گرفته مدل چند زبانه موجود با آن دادگان تنظیم دقیق شده است. استفاده از این داده های آموزشی، همبستگی پیرسون با مجموعه تست را به میزان 29 درصد بهبود داده است.کلید واژگان: تخمین کیفیت, ترجمه ماشینی, شبکه عصبی, یادگیری انتقالی, تنظیم دقیق}Presenting a quality estimation model of English to Farsi machine translator using transfer learningNowadays the evaluation of machine translation without reference translation is of great importance as one of the research areas of machine translation . One of the challenges in this field, especially for languages with few sources, is the lack of suitable training data . For this purpose, it is possible to use neural network based methods that have been previously trained on multilingual language models and estimate the translation quality for a pair of new languages using transfer learning . In this article, the quality of an English Persian test set is estimated in this way. Also, a set of educational data for the English Persian language pair has been prepared, and appropriate pre processing has been done on it, and the existing multilingual model has been fine tuned with that data . The use of these training data has improved the Pearson correlation with the test set by 29Keywords: Quality estimation, machine translation, neural network, transfer learning, fine tuning}
-
به فرآیند برگرداندن مطلبی از زبان مبدا به زبان مقصد که با یافتن هم ارزهای معناشناختی میان دو زبان صورت می گیرد، ترجمه می گویند. مهم ترین مشکلات ترجمه، ابهاماتی است که در واژگان و ساختار جملات وجود دارند. در یک تقسیم بندی، پنج نوع مهم ابهام واژگانی (ابهام های مقوله ای، واژه های هم آوا، واژه های هم نویسه، چند معنایی و ابهام انتقالی) و دو نوع مهم ابهام ساختاری (ابهام های ساختاری واقعی و ابهام های سیستمی) وجود دارد. ترجمه ماشینی (Machine translation: MT) که بخشی از حوزه پردازش زبان طبیعی(Natural Language Processing: NLP) مبتنی بر کامپیوتر در زبان شناسی رایانه ای و هوش مصنوعی بوده به عنوان یکی از تکنیک های خودکاری است که متن بدون ساختار را به داده های ساختاری تبدیل می کند با تبدیل متن به اطلاعات، توانسته است تحلیل های بیشتری را به داده ها اعمال کرده تا اطلاعات مفیدی استخراج شود. در این نوشتار که به روش کتابخانه ای تدوین شده، جهت رفع مسایل پیرامون معنای واژگان در ترجمه ماشینی قرآن، طرحی به صورت نظری پیشنهاد شده که هدف آن کمک به فهم بهتر معنای واژگان قرآن، با بهرمندی از قرینه سیاق و بافت عبارت است. در روش پیشنهادی با بهره مندی از قاعده سیاق و تکنیک های متن کاوی، و با استناد به آن، واژه معادل مناسب تری در زبان مقصد برگزیند. در این طرح، سیاق را در مقیاس کلمات دانسته که می توان آن را به شرط احراز شرایط به انواع دیگر توسعه داد. به طور خلاصه این طرح دو مرحله دارد: اولویت بندی (وزن دهی) واژگان هم جوار هم ورودی (هر واژه در محدوده آیاتی که در مورد نزول یک باره آن ها اتفاق نظر وجود دارد) و سپس مقایسه با کلماتی که اشتراک لفظی (چندمعنا) دارند و نیز مقایسه هم نظیران یک واژه با هم نظیران سایر واژگان (مترادف یابی). می باشد. برای دقیق تر شدن نتایج می توان مشخصات بیشتری از کلمات را به صورت دستی تهیه نمود، جداولی شامل مواردی چون مکی یا مدنی بود آیات، ترتیب نزول سوره، مفاهیم و تعابیری که در معنای کلمات قرآن در فرهنگ لغاتی چون لسان العرب ابن منظور و فرهنگ لغت راغب اصفهانی آمده است و غیره. برای بدست آوردن داده های ورودی از تکنیک های نمایه سازی استفاده می شود. در مرحله پیش پردازش باید داده هایی که دارای اهمیت کمتری است(Stop Words) (مانند"الذی"، "التی"، "لم"،"کان"،" کانما" و غیره) حذف شود تا خروجی بهتری بدست آید. برای تغییر شکل داده می توان اعراب را حذف کرد تا کدنویسی راحت تر انجام شود، برای کاهش نمونه نیز می توان از ریشه میانوندی کلمات استفاده نمود. برای اینکه با استناد به قاعده سیاق، برای یکایک کلماتی که به عنوان ورودی مورد پردازش قرار می گیرند، رکوردی از مشخصات تهیه نمود، لازم است ابتدا واحد سازی(Tokenizer) صورت گیرد، در داده های اولیه تهیه شده، در کل مجموعه آیات ورودی، بر اساس دو معیار قرابت مکانی و فراوانی تکرار، به هر کلمه وزنی اختصاص یابد. هر چه کلمات به کلمه مورد نظر نزدیک تر و یا بیشترتکرار شده باشد، وزن بیشتری به آن اختصاص داده می شود که معرف ارتباط معنایی قوی تر آنان است و برعکس. طبیعتا کلماتی که در یک آیه قرار دارند (شماره آیه یکسانی دارند) نسب به کلماتی که در آیات دیگر و فاصله دورتر قرار دارند از ظریب تاثیر بیشتری برخوردار هستند. در سنجش معیار فراوانی: برای نشان دادن اهمیت کلمه در سوره از فراوانی وزنی (TF/IDF Weight) استفاده می شود، مقدار TF/IDF به تناسب تعداد تکرار کلمه در هر سوره یا مجموعه آیات ورودی، افزایش می یابد و توسط تعداد آیاتی که در سوره هستند و شامل کلمه نیز می باشند متعادل می شود. در نهایت این نتیجه حاصل آمد که از هم جواری کلمات و روابط معنایی بین آن ها و با کمک تکنیک های متن کاوی، فهم بیشتری از واژگان حاصل شده که این مهم گزینش مناسب تر واژه معادل در زبان مقصد را منجر می شود.
کلید واژگان: زبان شناسی رایانه ای, جامعه شناسی زبان, ترجمه ماشینی, قرآن, قرینه سیاق, معادل یابی واژگان}Translation is the transfer of the content of a text from the source language in to the target language, which is done by finding semantic equivalents between the two languages. The most important problems facing translation are the ambiguities in vocabulary and sentence structure. In a division, there are five important types of lexical ambiguity (categorical ambiguities, homophones, homographs, polysemy and transitive ambiguity), and two important types of structural ambiguity (real structural ambiguities and systemic ambiguities). Machine translation (MT), which is a part of the computer-based field of natural language processing (NLP) in computational linguistics and artificial intelligence, is considered as one of the automatic techniques that that convert unstructured text into structured data, and by converting text into information, it has been able to apply further analysis to the data to extract useful information. In this article, which was compiled in a library method, a theoretical plan has been proposed to resolve the issues surrounding the meaning of words in the machine translation of the Quran, the purpose of which is to help better understand the meaning of the words of the Quran, by taking advantage of the context clues and styles of the expressions. In the proposed method, a more suitable equivalent word is chosen in the target language by taking advantage of the context rule and text mining techniques, and referring to it. In this plan, the context is considered in the scale of words, which can be developed to other types if the conditions are met. In short, this plan has two steps: prioritizing (weighting) the adjacent words next to each other (any word within the range of verses where there is a consensus about their simultaneous descent) and then, comparing with the homonyms words (polysemous), and also comparing the equivalents of a word with the equivalents of other words (synonymization). In order to make the results more accurate, more specifications of the words can be prepared manually, tables that include things such as whether the verses are Meccan or Medinan, the order of revelation of the Surahs, the concepts and interpretations that are mentioned in the meaning of the words of the Qur'an in dictionaries such as Lisan al-Arab by Ibn Manzur and The Book of Vocabulary in the Strange Qur'an by Al-Ragheb Al-Isfahani and so on. Indexing techniques are used to obtain input data. In the pre-processing stage, the data that is less important (Stop Words) (such as “al-lazi (which)”, “al-lati (that is)”, “lam (not)”, “k'ana (was)”, “kaannama (as if)”, etc.) should be removed to get a better output. To change the shape of the data, the diacritic can be removed to make coding easier, and to reduce the sample size, the infix of the words can be used. In order to prepare a record of specifications for each word that is processed as input, based on the rule of context clues, at first, it is necessary to create a tokenizer, to prepare it in the primary data, and in the entire collection of input verses, a weight should be assigned to each word based on the two criteria of spatial proximity and frequency of repetition. The closer the words are to the desired word or the more it is repeated, the more weight is assigned to it, which represents their stronger semantic connection, and vice versa. Naturally, the words that are in the same verse (have the same number of the verse) have a greater influence than the words that are in other verses and at a further distance. In measuring the frequency criterion, weighted frequency (TF/IDF Weight) is used to show the importance of the word in the surah, the value (TF/IDF value) increases proportionally to the number of times a word appears in each surah or set of input verses, and is balanced by the number of verses that are in the Surah and contain the word. Finally, it was concluded that by using the contiguity of words and the semantic relations between them, and with the help of text mining techniques, a greater understanding of the vocabulary was obtained, which leads to a more appropriate selection of the equivalent word in the target language.
Keywords: Computational Linguistics, Sociology of Language, Machine Translation, Qur'an, Context Correlation, Finding Equivalents for the Words} -
نظر به اینکه دیدگاه کاربران ترجمه ماشینی بیانگر کارآمدی آن می باشد، پژوهش های متعددی در این خصوص صورت گرفته است. با این وجود، بررسی دیدگاه های دانشجو معلمان ایرانی در خصوص استفاده از مترجم گوگل به عنوان یک ابزار ICALL جهت زبان آموزی در آموزش عالی مورد توجه نبوده است. به منظور پر کردن این شکاف پژوهشی، با استفاده از روش شناسی کیفی نظریه داده بنیاد مصاحبه های نیمه ساختار یافته با دوازده دانشجو معلم که از طریق نمونه گیری در دسترس و هدفمند انتخاب شده بودند انجام شد. داده های حاصل براساس اصول کدگذاری تیوری داده بنیاد (باز، محوری و انتخابی) و با استفاده از نرم افزار MAXQDA 2020 تجزیه و تحلیل شدند. مدل استفاده از مترجم گوگل در آموزش زبان، با عنوان " زبان آموزی به کمک مترجم گوگل (GTALL) پیشنهاد شد. سه کد اصلی (آشنایی با مترجم گوگل و استفاده از آن، نظرات و مشروعیت) به همراه 35 زیرکد در دو سطح، زیربنای کد اصلی ما با عنوان "استفاده از مترجم گوگل در زبان آموزی" می باشند. نتایج این پژوهش دستاوردهای آموزشی قابل توجهی را برای متولیان امر آموزش دارد. برای مدیران آموزشی، پذیرش تحولات آموزشی معاصر جهت تامین نیازهای آموزشی نسل جوان. برای اساتید، تقویت سواد دیجیتال، استقبال از فن آوری های نوظهور، و فراهم آوردن زمینه مناسب برای به خدمت گرفتن آنها وحصول دستاوردهای آموزشی مطلوب تر، و برای زبان آموزان، توسعه مهارت های تکنولوژیک که ضامن تعامل عاقلانه و کارآمد انسان و ماشین می باشد.کلید واژگان: زبان آموزی, ترجمه ماشینی, مترجم گوگل, نگرش}The world of foreign language education has been immensely influenced by the glory of emergent machine translation (MT) technologies including Google Translate (GT) (Knowles, 2022). Considering that end users' perceptions reflect GT practicality, ample research has been conducted regarding language learners’ perceptions on GT use. Yet, investigating Iranian student teachers' perceptions on the use of GT as an ICALL tool for language learning in higher education has been underestimated. To bridge this gap, semi-structured interviews with twelve student teachers, who were selected through purposive convenience sampling, were conducted employing qualitative constructivist grounded theory methodology. Data were analyzed based on the grounded theory data coding principles (open, axial, and selective) using the MAXQDA 2020 software. A model of GT use in language learning, entitled ‘Google Translate-Assisted Language Learning (GTALL) was proposed. The three main categories (i.e. GT familiarity and use, Perceptions, and legitimacy) along with 35 sub-categories at two levels supported our core category ‘implementation of GT in language learning’. The results demonstrated considerable pedagogical implications for educational stakeholders. For administrators, to appreciate contemporary pedagogical transformations to fulfill new generation’s needs. For professors, to improve digital literacy, welcome emergent technologies, and bring them into their learners’ service for greater educational achievements, and for language learners, to develop technological skills that guarantee wise and efficient human-machine interactions.Keywords: GTALL, Machine Translation, GNMT, Grounded Theory, perceptions}
-
استفاده از ترجمه ماشینی برای برقرای ارتباطات و دستیابی به اطلاعات به طور فزاینده ای رواج یافته است. تسریع در ترجمه و کاهش هزینه آن، از عوامل دیگر استقبال روزافزون در استفاده از ترجمه ماشینی است. حتی اگر کیفیت این نوع ترجمه کمتر از ترجمه انسانی باشد، باز هم از جنبه های گوناگون اهمیت آن چشمگیر است. مدل MQM-DQF برای ارزیابی عینی و کمی کیفیت ترجمه و دوری از ذهنیت گرایی، استانداردهای خطا شناسی ارایه کرده است. در این مدل برای ارزیابی کیفیت ترجمه ماشینی از دو معیار دقت و سلاست استفاده می شود. در این تحقیق برای ارزیابی کیفیت عملکرد مترجم برخط گوگل در ترجمه متون روزنامه ای انگلیسی و فارسی، مدل MQM-DQF به کار گرفته شد. پنج متن از روزنامه های فارسی و پنج متن از روزنامه های انگلیسی کثیرالانتشار به طور تصادفی انتخاب و توسط مترجم بر خط گوگل هم در سطح جمله و هم به صورت کلی ترجمه شد. متن های ترجمه شده بر اساس معیارهای دقت و سلیس بودن بررسی و خطاهای ترجمه در سه سطح بحرانی، بزرگ و کوچک شناسایی و کدگذاری شد. با شمارش خطاها و نمره دهی به آنها، درصد معیارهای دقت و سلاست در هر یک از متن های ترجمه شده محاسبه گردید. نتایج تحقیق نشان داد که مترجم برخط گوگل در ترجمه متون فارسی به انگلیسی عملکرد بهتری نسبت به ترجمه متون انگلیسی به فارسی دارد و ترجمه در سطح جمله، کیفیت بالاتری نسبت به ترجمه کلی متون دارد. ترجمه انواع متن ها (اقتصادی، فرهنگی، ورزشی، سیاسی و علمی) از کیفیت یکسانی برخوردار نبود.
کلید واژگان: دقت, سلاست, ترجمه ماشینی, مدل MQM-DQF, ارزیابی کیفیت ترجمه}The use of machine translation to communicate and access information has become increasingly common. Various translation software and systems appear on the Internet to enable interlingual communication. Accelerating translation and reducing its cost are other factors in the increasing popularity of machine translation. Even if the quality of this type of translation is lower than human translation, it is still significant in many ways. The MQM-DQF model provides standards of error typology for objective and quantitative assessment of translation quality. In this model, two criteria (accuracy and fluency) are used to assess machine translation quality. The MQM-DQF model was used in this study to assess the quality of Google Translate performance in translating English and Persian newspaper texts. Five texts from Persian newspapers and five texts from English newspapers were randomly selected and translated by Google Translate both at the sentence level and the whole text. The translated texts were assessed based on the MQM-DQF model. Translation errors were identified and coded at three severity levels: critical, major, and minor errors. By counting the errors and scoring them, the percentage of accuracy and fluency criteria in each of the translated texts was calculated. The results showed that Google Translate performs better in translating texts from Persian into English; furthermore, in sentence-level translation, it performs better than the translation of the whole text. Moreover, translations of different newspaper texts (economic, cultural, sports, political, and scientific) were not of the same quality. </strong> </strong>
Keywords: Accuracy, Fluency, Machine Translation (MT), MQM-DQF Model, Translation Quality Assessment (TQA)} -
تفاوت های زبانی و معنایی از مشکلات اصلی ترجمه قرآن کریم به انگلیسی است. پژوهش حاضر به بررسی مشکل شکاف واژگانی پرداخته و تعدادی از کلمات-گاها اصطلاحات- قرآن کریم را که در مجموع 117 نمونه در 110 آیه است- کلمات با معنای «گناه» و ترجمه انگلیسی آنها- بررسی می‌کند. هدف محقق یافتن راهکارهای بکار گرفته شده توسط سه مترجم و سه سیستم ترجمه ماشینی و مقایسه آنها بود. بنابراین، پنج اصطلاح متداول و رایج «اثم»، «جناح»، «سییه»، «ذنب» و «وزر» انتخاب شد. راهکارهای ارایه شده توسط ملانظر (2009) برای پر کردن شکاف واژگانی مورد استفاده قرار گرفت. ترجمه انگلیسی توسط سه سیستم ترجمه ماشینی به نام‌های Google Translate، SDL Free Translation و Systranet و سه مترجم انجام شد، مترجمین عبارتند از شاکر، قرایی و ایروینگ. نتایج نشان داد که برای اکثر آیات، تقریبا در شش ترجمه انگلیسی، یک اصطلاح ‘عام’ بدون هیچ گونه توضیحات بیشتر برای شفاف‌تر کردن مفهوم استفاده شده است. هیچ تفاوت قابل توجهی بین ترجمه های انسانی و ماشینی در به کارگیری راهکارهای پیشنهادی برای پر کردن این شکاف واژگانی وجود نداشت. بنابراین، به نظر می رسد زمانی که آنها این آیات مورد نظر را به انگلیسی ترجمه می کردند، بر این تفاوت ها توجهی نداشتند.
کلید واژگان: شکاف واژگانی, راهکارهای ترجمه, اصطلاح عام, ترجمه ماشینی}Journal of Foreign Language Teaching and Translation Studies, Volume:7 Issue: 1, Winter 2022, PP 37 -60Linguistic and semantic differences are some of the main problems of translating the Holy Qur’an into English. The present study highlights the problem of lexical gap and examines a number of terms- totally 117 in 110 verses- of the Holy Qur’an, including the referential meaning of ‘sin’ and their English translations. The researcher aimed to find the strategies applied by three translators and three machine translation systems (MSTs) and to compare them. In this regard, five frequent and common terms - ‘اثم’, ‘جناح’, ‘سییه’, ‘ذنب’, and ‘وزر’-were selected. The strategies proposed by Mollanazar (2009) were employed to fill the gap. To do so, the English translations produced by three machine translation systems (MTSs), namely Google Translate, SDL Free Translation and Systranet were compared with three human translation by M.H. Shakir, A.Qaraei and T.B.Irving. The results revealed that in most verses, almost in six English translations, a generic term was used without any additional information to make the sense clearer. There was no noticeable difference between human and machine translations in applying the proposed strategies to fill the gap and make the English version more meaningful in terms of these apparently similar but contextually different terms. Thus, it seems that these differences were not focused on, while rendering these given verses to English.
Keywords: Generic Term, Lexical Gap, Machine Translation, translation strategies} -
این مسئله که زبان فرانسوی برخلاف زبان فارسی دارای جنس دستوری است، ترجمه ماشینی ضمایر فاعلی سوم شخص فارسی به فرانسوی را با چالش‌هایی روبرو می‌سازد. در مطالعه حاضر قصد داریم مطابقه ضمایر فاعلی سوم شخص را در ترجمه فارسی-فرانسه مترجم آنلاین گوگل از 50 گزیده ماخوذ از مجموعه‌ای از آثار صادق هدایت را که به کوشش محمد بهارلو (1372) گزین و گردآوری شده‌است، بررسی کنیم. هدف اصلی از پژوهش حاضر آن است که میزان درستی یا نادرستی ترجمه ماشینی ضمایر فاعلی سوم شخص توسط مترجم آنلاین گوگل را بسنجیم و علل نادرستی برخی ترجمه‌ها را دریابیم. فرض ما بر این است که چون فارسی زبانی ضمیرانداز است که امکان حذف ضمایر به قرینه لفظی را نیز فراهم می‌کند و چون سیستمهای ترجمه ماشینی هنوز مجهز به قابلیت تحلیل بین جمله‌ای نیستند، کیفیت ترجمه ضمایر مورد نظر تحت تاثیر قرارخواهد‌گرفت. به این منظور، پژوهشی مبتنی بر شیوه تحلیل آماری-توصیفی داده‌ها با تکیه بر نظریه مرجع‌گزینی چامسکی انجام خواهیم داد. براساس نتایج به‌دست‌آمده، میزان دقت مترجم آنلاین گوگل در ترجمه ضمایر یادشده 44% بوده‌است (که 40% آن را ضمایر «درست ترجمه‌شده» و 4% باقی را برخی ضمایری تشکیل می‌دهند که ترجمه نشده‌اند)؛ در حقیقت، ترجمه ضمایر زمانی به درستی صورت گرفته‌است که یا مرجع ضمیر در یک جمله با ضمیر قرار گرفته بود، یا اگر در جمله پیش از جمله حامل ضمیر قرار داشت، به یک گروه اسمی مذکر ترجمه شده بود.
کلید واژگان: ترجمه ماشینی, مترجم آنلاین گوگل, ضمایر فاعلی, نظریه مرجع گزینی نوآم چامسکی, صادق هدایت}Le fait qu’au contraire du persan le français est une langue genrée implique des problèmes pour la traduction automatique des pronoms sujets de 3e personne depuis le persan vers le français. Dans la présente étude, nous voudrions vérifier l’accord des pronoms sujets de 3e personne dans le système de traduction en ligne de Google Translate persan-français de 50 extraits tirés d’une collection d’écrits de Sadegh Hedayat, choisis et compilés par Mohammad Baharlou (1994). Notre objectif principal est de savoir à quel point la traduction automatique des pronoms sujets de 3e personne offerte par Google Translate est correcte ou incorrecte, et aussi quelles sont les raisons pour les traductions erronées ; nous supposons que le phénomène de pro-drop et l’ellipse linguistique des pronoms en persan ainsi que le manque de traduction interphrastique aux systèmes de traduction automatique impactent la qualité de traduction des pronoms étudiés. Par conséquent, nous allons mener une recherche basée sur l’analyse statistique-descriptive des données en nous appuyant sur la théorie du Liage chomskyienne. D’après les résultats obtenus, Google a traduit ces pronoms avec 44% de précision (y compris des pronoms bien traduits (40%) et certains pronoms non traduits (4%)); en effet, il a offert une traduction correcte dans les cas où l’antécédent était dans la même phrase que le pronom, ou s’il se plaçait dans la phrase précédant celle du pronom, il était traduit par un syntagme nominal masculin.
Keywords: traduction automatique, Google Translate®, pronom sujet, théorie du Liage de Noam Chomsky, Sadegh Hedayat} -
این پرسش که آیا می توان ماشینی اختراع کرد که قادر به انجام رفتارهایی حتی هوشمندانه تر از انسان باشد، حتی پیش از پیدایش رایانه های قدرتمند و داده های هوش مصنوعی نیز مطرح بود. پیشتر برخی از اندیشمندان زبان شناس و فیلسوفان زبان بر این باور بودند که این کار شدنی نیست. ایده بهره برداری از هوش مصنوعی، وتسهیل در بهره وری در حیطه های مختلف علوم ایده ای درست و ضروری بود، اما ابزار تحقق آن مکانیک نبود. مکانیک بستر مناسبی برای ایجاد اکمال متقابل زبان شناسی، منطق، آمار و ریاضی بر حول مکانیک، نبود و چابکی لازم را برای امکان بهره برداری از دستاوردهای خود در تحقق ترجمه ماشینی را فراهم نمی کرد. با ظهور پدیده ای به نام دیجیتال، نه تنها رویه های منطق صوری به سمت منطق نوین و ریاضیات به ریاضیات جدیدتمایل پیدا کرد، بلکه گرایشات نوینی در پژوهش های زبانشناختی متناسب با حضور در بستر دیجیتال شکل گرفت و به سرعت پیشرفت کرد. در این مقاله سعی شده است پس از ارایه مختصری از تاریخچه موضوع و چارچوب نظری آن؛ به چگونگی دستاوردهای بدست آمده پرداخته شود و چشم انداز آتی آن با توجه به متد های انتخاب شده، ترسیم گردد. نویسنده مقاله ضمن ارایه تجربیات شخصی خود در این عرصه، بر ایجاد بانک منابع بنیادی متنوع در حیطه زبانشناسی نوین تاکید دارد. به زعم وی، موفقیت های و دستاوردهای آینده، منوظ به تقویت داده های نوین و مورد نیاز زیرساختی در حیطه زبانشناسی، بعنوان یک علم بین رشته ای با تکنولوژی به منظور کسب دستاوردهای کاربردی، اجتناب ناپذیر است.کلید واژگان: دستور تطبیقی, داده پردازی, آنفورماتیک, ترجمه ماشینی, هوش مصنوعی, دستور ساختاری}This question about the possibility of inventing a system more capable than humans in performing behaviors has always been on the table, even before the advent of powerful computers and artificial intelligence algorithms.Today, we confide in the fact that the idea of exploiting artificial intelligence, and facilitating its application in multiple areas of science, has been a necessity; however, the implementations of this achievement were not provided by mechanics. This field was not a proper context for creating the reciprocal complementation of linguistics, logic, statistics, and mathematics to revolve around it and could not provide the required agility to employ its achievements in accomplishing Machine Translation. On the other hand, with the advent of a phenomenon known as digital, not only did the procedures of formal logic turn into mathematical logic and that of the mathematics turned into modern mathematics, but also new trends were established in this regard and developed rapidly in linguistic researches properly relevant to digital contexts. After a brief introduction to the topic and its theoretical framework, this paper tries to determine how these achievements have been accomplished and intends to elaborate upon the future prospects with respect to the highlighted methods. While presenting his personal experiences in this area, the author of this paper emphasizes establishing a diverse institutional resource in modern linguistics. In his view, future achievements and accomplishments are due to developing the latest and fundamentally required data in linguistics as an interdisciplinary field of knowledge in order to gain practical achievements.Keywords: Comparative grammar, Data-processing, Informatics, Machine Translation, _ Relevant technology, _ Structural grammar}
-
باور جمع بر این است که ما در دوران سخت زبانشناسی زندگی می‌کنیم و زبان عربی از شکافی که آن را از دیگر زبان‌های جهان به دلیل رکود کاربران و عدم همگامی ایشان با عصر دیجیتال جدا می‌کند رنج می‌برد. کسی که این حرکت‌شناختی بزرگ را می‌شناسد می‌داند که برای انسان پردازش زبان‌های انسانی بدون توسل به دستگاه، که به منظور سازماندهی این جریان عظیم اطلاعاتی و استفاده بهینه از آن در کمترین زمان طراحی شده، غیرممکن است. با توجه به وضعیت فعلی زبان عربی و گسترش آن در اینترنت، متوجه می‌شویم که به دلیل استبداد سایر زبان‌ها، به ویژه انگلیسی، این زبان بطور آشکارا به حاشیه رانده شده است. از آنجا که اینترنت به یکی از منابع معتبر اطلاعات تبدیل شده است، زیرا بزرگترین مخزن علم و دانش محسوب می‌شود، ضعف محتوای علمی عربی در اینترنت اعتبار اطلاعات موجود در زبان عربی را زیر سوال برده است، که مستلزم توسعه محتوای معتبر عربی است که هویت، میراث و تمدن عرب را منعکس کند، و در اینجا نیاز مبرم به ایجاد یک رنسانس فناوری زبانی جامع که پاسخگوی خواسته‌های عصر دیجیتالی که ما در آن زندگی می‌کنیم باشد پدیدار می‌شود. بر این اساس، این تحقیق با هدف شناخت چالش‌های پیش روی زبان عربی در عصر دیجیتال، و دلایلی که مانع از همگام شدن آن با این عصر می‌شود، علاوه بر افشای راز نهفته کیفیت پایین محتوای عربی در جهان دیجیتال، به پروژه‌های استراتژیک عرب‌ها پرداخته و سعی خواهیم کرد راهکارهایی را برای غنی‌سازی محتوای دیجیتالی عربی از طریق شناسایی ابتکارات عرب و کاستی‌های آنها ارایه دهیم.
کلید واژگان: زبان عربی, محتوای دیجیتال, اینترنت, ترجمه (ماشینی), پیکره زبان عربی}Language Art, Volume:6 Issue: 2, 2021, PP 63 -76The Arabic language is accused of failing to keep up the scientific and digital development, and being unable to assimilate science and digital knowledge production and promotion. And since the Internet has become one of the reliable sources of information, the poor Arab scientific digital content has become questioning the reliability of the information available in the Arabic language, which necessitates developing authentic Arabic content that reflects Arab identity, heritage and civilization,. Therefore, this research aims to know the challenges that the Arabic language is facing today, and the reasons that prevent it from being matched to the digital age, in addition to revealing the secret behind the low quality of Arab digital content. We conclude with some recommendations that support Arab digital content on the network.
Keywords: Arabic Language, Digital Content, Internet, (Machine) Translation, Arabic Corpus} -
ماشین ترجمه گوگل بدلیل سهولت بکارگیری آن از طریق وسایل مدرن ارتباط جمعی، توجه کاربران بیشماری را به خود جلب نموده است. با این حال، در مقایسه با ترجمه انسانی، این ماشینهای ترجمه هنوز قابلیت ارایه ترجمه های با کیفیت را کسب ننموده ا ند. از این رو مقاله حاضر قصد دارد تغییرات ایجاد شده در ترجمه ماشینی متون ادبی را مورد بررسی قرار دهد. بدین منظور ابتدا چکیده ده مقاله ادبی منتشر نشده که جهت ارسال به مجلات ادبی معتبر ایرانی نگاشته شده بودند برای تجزیه و تحلیل انتخاب گردیدند. چکیده های منتخب از طریق نرم افزار گوگل از زبان فارسی (زبان مبداء) به زبان انگلیسی (زبان مقصد) ترجمه شدند. جهت شناسایی انواع تغییرات مورد نیاز برای تبدیل متون ترجمه شده گوگل به متونی که از لحاظ علمی مورد قبول باشند، ابتدا مقالات ویرایش گردیدند. سپس، متون ترجمه شده گوگل و نسخه های ویرایش شده مربوط به آنها، مورد مقایسه قرار گرفته تا الگوها و قالب های کلی تغییر استخراج گردند. نتایج این بررسی کیفی نشان داد که عمده ترین خطاهای ترجمه ماشینی در داده های مطالعه حاضر مربوط به مقوله های زمان دستوری، ترجمه لفظی، حشو، همایندها، حذف فعل اصلی، انتخاب کلمه متناسب با بافت، و اسامی خاص و ابداعی بودند.کلید واژگان: ترجمه ماشینی, متون ادبی, ویراستاری, ترجمه انسانی, تغییرات زبانشناختی}Journal of Foreign Language Teaching and Translation Studies, Volume:5 Issue: 3, Autumn 2020, PP 89 -104Google Translate, a free multilingual machine translation service, developed by Google has attracted the attention of countless users due to its ease of use through modern means of mass communication, and has become the only translation tool in some areas. However, compared to human translation, these machine tools have not yet been able to deliver high-quality translations due to the complexity of translation process. Therefore, studying the modifications of machine translated texts is of great importance. Therefore, the current study aimed to explore the types of linguistic modifications of the texts translated from Persian into English through Google Translate. To this end, the abstracts of ten unpublished Persian literary articles intended to be submitted to Iranian journals were selected for the analysis. The selected abstracts were initially translated into English (target language) through Google Translate from Persian (source language). To identify the kinds of changes needed to make them academically acceptable, the machine translated texts were all post edited. Then, the original Google translated texts and their post edited versions were compared to figure out the types of the applied modifications. The results of this qualitative study indicated that the linguistic post edition modification of the texts included tense, literal translation, redundancy, collocations, deletion of the main verb, word-choice and proper nouns.Keywords: Machine Translation, literary texts, Post-Editing, Human Translation, linguistic modifications}
-
با پیشرفت های بزرگی که در سالهای اخیر در کیفیت ترجمه ماشینی رخ داده است، استفاده از آن شدت یافته و نیز به استفاده از آن در حوزه زبان آموزی نیز توجه شده است. با این حال، هیچ پرسشنامه استانداردی در خصوص بررسی نگرش زبان آموزان نسبت به این فناوری وجود ندارد. بنابراین، مقاله حاضر گزارش تلاشی برای طراحی و اعتبارسنجی پرسشنامه ای است که برای اولین بار برای سنجش درک زبان آموزان از ترجمه ماشینی تهیه شده است. اعتبارسنجی های مورد استفاده روایی صوری و محتوایی، اعتبار آنالیز عاملی، پایایی از طریق همخوانی درونی با استفاده از آزمون مجدد و همچنین ضریب همبستگی آلفای کرونباخ بوده است. تجزیه و تحلیل عاملی اکتشافی چهار عامل را آشکار نمود، که عبارتند از آشنایی قبلی، میزان استفاده، ترس از تشخیص و اهمیت آموزش . موارد موجود در پرسشنامه، بارگذاری عاملی ≥0.5 را به همراه داشت. بررسی پایایی نشان داد پرسشنامه ترجمه ماشینی دارای پایایی است. آلفای کرونباخ به دست آمده برای کل پرسشنامه0.94 و برای چهار خرده مقیاس بین 0.8 و 0.9 بود. بررسی آمار آزمون مجدد، ثبات پاسخ ها را در دو نقطه زمانی به فاصله هشت هفته ای مورد محاسبه قرار داد. پرسشنامه نهایی شامل 29 گویه بود و تحلیل روانسنجی نشاندهنده روایی و پایایی آن بود.کلید واژگان: ترجمه ماشینی, آشنایی, استفاده, تشخیص, درک, پرسشنامه}With huge improvements in the quality of Machine Translation (MT) in recent years, more interest has also been directed to its application in language learning; however, there is no standard questionnaire to assess English as a Foreign Language (EFL) learners’ perception of this technology. Therefore, this paper reports an attempt to describe the processes undertaken to validate a questionnaire developed for the first time to measure EFL students’ perception of Machine Translation. The validation processes employed were face and content validity, factor analysis informed construct validity, reliability via internal consistency using test-retest reliability as well as Cronbach’s Alpha correlation efficient. The exploratory factor analysis yielded four factors, namely, prior familiarity, degree of use, fear of detection and the importance of training among such students. The items on the questionnaire yielded factor loading ≥0.5. Reliability checking indicated that Machine Translation questionnaire was reliable. Cronbach’s Alpha obtained was 0.94 for the whole questionnaire and between 0.80-0.91 for the four subscales. Test-retest statistic examination displayed stability of the responses at two time points eight weeks apart. The final questionnaire consisted of 29 items and the psychometric analysis indicated that it was both reliable and valid. Therefore, this questioanaire can be used to gain more understanding of Machine Translation.Keywords: Machine translation, familiarity, Use, detection, Training, perception}
-
واگذاری امور انسانی به ماشین را شاید بتوان یکی از ویژگی های متمایز عصر جدید دانست؛ دوره ای که انسان بیش از پیش با ابداع ها و اختراع های گسترده، هرچه بیشتر به دنبال رفع دشواری های پیش روی زندگی، نیازهای بشر و واگذاری آن به دستگاه هایی است که میزان بهره وری آنها به مراتب بالاتر و دقیق تر از انسان است. اما بلندپروازی بشر به حدی است که در پی محول کردن برخی ویژگی های خاص بشری از جمله تفکر، دریافت، تحلیل و... به ماشین است. از جمله نیازهای روزافزون بشر در عصر ارتباط و سرعت، نیاز به ترجمه از زبان های متعدد در حداقل زمان ممکن است. لذا واگذاری ترجمه به ماشین نیز در عصر جدید، از تلاش های خاص برخی حوزه های علمی، مثل هوش مصنوعی، زبانشناسی رایانه ای و... بوده است. تجربه های پرنوسان این ایده، حتی در زبان های مشابه موفقیت آن را با چالش مواجه کرده است. این مقاله سعی دارد در کنار اشاره به جایگاه و میزان رواج این نوع ترجمه بین دو زبان با نگاهی تحلیلی، گونه های متعدد چالش ترجمه ماشینی از عربی به فارسی را ارائه و تحلیل نماید و نشان می دهد که ترجمه ماشینی با نگرش مطلق به آن، چالش های ویژه ای در زبان عربی دارد که بسیاری از زبان های دیگر فاقد آنها هستند؛ از جمله ابهام نوشتاری، ابهام واژگانی و مسئله اعراب. لذا ترجمه ماشینی از زبانی چون عربی به زبانی همچون فارسی، شاید از دشوارترین مراحل در تکامل یک ماشین ترجمه جهانی باشد.
کلید واژگان: ترجمه, ترجمه ماشینی, ماشین ترجمه, عربی, فارسی}Perhaps devoting of human affairs to machines is a distinctive feature of the new era; an era in which human beings with their extensive inventions، is seeking to resolve of the advanced difficulties facing life، humanneeds and devoting of it to machines that their productivity is higher and more accurate than humans. In spite of this، the man’s grandiloquence is to the extentthat seeks to devolve somespecial features ofhuman to machine such as thinking، perception،analysisand…. Need to translatation from different languagesin the shortest time possible is one of mankind''s growing needsin the age of communication and speed. Therefore، the devoting of translation to the machine in the modern era is one of special efforts of some scientific fields such as artificial intelligenceand computational linguistics and…. The variable experiences of this idea have challenged its success even in similar languages. This article attempts to offer and analyze different types of challenges in machine translation from Arabic to Farsi with theanalytical approach and reference to the position and quantity of prevalence of this type of translation between the two mentioned languages and it shows that there are special challenges in the Arabic language about machine translation with absolute attitude to it and many other languages do not have those challenges; including of ambiguity in the text or vocabularies and the syntax issue. Thus، perhaps the machine translation of a language such as Arabic into Persian is one of the tougheststages in the evolution ofauniversaltranslationmachine.Keywords: Translation, Machine Translation, Translation Machin, Arabic, Persian} -
زبانشناسی پیکره شاخه ای از زبانشناسی است که با گسترش فناوری های نوین و شبکه جهانی اینترنت شاهد پیشرفت های چشم گیری بوده است. امروزه کاربرد شبکه جهانی تنها به جست و جوی مطالب و ارائه اطلاعات محدود نمی شود. گسترش روزافزون فناوری های نوین که در این شبکه ارائه می شوند سبب پیدایش زمینه های جدید در این عرصه شده است. ترجمه ی برخط، تحت شبکه یکی از این زمینه های نوین است که در حال حاضر دوران ابتدایی تکامل خود را طی می کند. مهمترین ویژگی چنین روشی در ترجمه، استفاده از پیکره های زبانی پویاست که دارای اساسی تعاملی و آمار- بنیاد است و به طور لحظه ای در حال ارتقاء می باشد. این مقاله با تکیه بر یافته های زبانشناسی پیکره برای نخستین بار تقسیم بندی جدیدی از انواع پیکره ارائه می دهد و ضمن معرفی شیوه عملکرد ترجمه های اینترنتی مبتنی بر پیکره های زبانی پویا، به معرفی و آزمون عوامل گوناگون، بالاخص عوامل فرهنگی موثر در بروز خطا در ترجمه اینترنتی از فارسی به انگلیسی می پردازد. گرچه یافته های این تحقیق حاکی از وجود مشکلات جدی در این مسیر است، به نظر می رسد الگوریتم های پیشرفته نوین در نرم افزارهای معیار ترجمه بتواند گامی امیدوارکننده بسوی تکامل این فناوری و افزایش سرعت و بهبود کیفیت ای شیوه از ترجمه ماشینی باشد.
کلید واژگان: زبانشناسی پیکره, زبانشناسی رایانه ای, پیکره زبانی پویا, ترجمه اینترنتی, ترجمه ماشینی}Corpus linguistics is a branch of linguistics which has enjoyed remarkable progress due to the technological advances in communication and networking industries. The application of the worldwide web is no longer limited to search for information or providing data. The increasing development of new technologies offered in internet has created new fields of interest. Online translation is one of these new fields، which is currently experiencing the early stages of its development. The most significant feature of such a translation is the use of dynamic linguistics corpora، which has an interactive and statistics-based foundation and is constantly updated. Delving into the mechanisms of web-based translation using dynamic corpora the present study surveys different factors causing errors in web-based translation from Persian into English، especially cultural factors. Although the findings show serious problems in this way، it seems that the new advanced algorithms in standard translation software can take hopeful steps toward the perfection of this technology.Keywords: corpus linguistics, computational linguistics, dynamic language corpora, Web, based translation, Machine translation} -
نظام های ترجمه ماشینی برتر دنیا قادرند کتابی هزار صفحه ای را در کمتر از 2 دقیقه ترجمه کنند، کاری که مترجم زبده و حرفه ای حداقل یک سال وقت روی آن صرف می کند. منتقدان، به کیفیت ترجمه این نظام ها ایراداتی دارند، با این حال روند ترجمه ماشینی به سرعت رو به رشد است و باید به یاد داشت، ترجمه در نوع سنتی (انسانی) نیز رشد خود را در طی قرن ها به دست آورده است و اکنون نیز این گونه ترجمه ها بدون نقص نیستند. ترجمه های قدیمی اکثرا بسیار بد ترجمه شده اند و نقد و نظارت و کنترل نیز در کار نبود. فردی مثل ابوعلی سینا 40 بار کتاب مابعدالطبیعه ارسطو را خوانده و نفهمیده بود و این علتش بدی ترجمه بوده است. در این مقاله، عملکرد نظام های ترجمه ماشینی برتر روسی و غربی با هم مقایسه شده اند، تا علل برتری و نقاط ضعف آن ها نسبت به یکدیگر مشخص شوند. در مواردی این ترجمه ها با ترجمه های انسانی مقایسه شده است. همچنین تلاش شده پس از شناسایی علل اساسی غیر کارآمد بودن نظام های ترجمه ماشینی، راهکارهای ارتقاء بهبود کیفیت ترجمه به طور مسند ارائه شود.
کلید واژگان: الگاریتم, پارسر, ترجمه ماشینی, دستور گشتاری, روابط معنایی, معناشناسی} -
نظام ترجمه ماشینی فعالیتی چند بعدی است، که در چند حیطه مبتنی بر ابتکار عمل و قدرت حل مساله است. در این مهارت از برخی دانش های بین رشته ای نیز استفاده فراوانی می شود. ترفندهای هوش مصنوعی با بکارگیری اصول ریاضی، آمار و منطق، قالب مناسبی از زبان را که مناسب برنامه نویسی و انتقال به ماشین است، فراهم می آورد. در کشور ما این فعالیت دیر شروع شد و اکنون نیز دارای حرکت منسجمی نیست، برای پیشرفت در حیطه ترجمه ماشینی نیازمند احاطه در سه زمینه مختلف است: 1- داده پردازی، توصیف و ساختن مدل های مناسب زبان برای کاربرد هوشمند 2- ساخت و استفاده از نرم افزارهای مربوط به این کار 3- به کارگرفتن فناوری مرتبط. در این مقاله با لحاظ قرار دادن تفکیک این سه زمینه، برخی ابعاد زبان شناختی نظام ترجمه ماشینی، براساس محور قراردادن روش های تجربه شده در روسیه تبیین می گردد. همچنین به واسطه ارتباط تنگاتنگ ترجمه ماشینی با هوش مصنوعی و برنامه نویسی، برخی اطلاعات کلی این علوم، در موارد مرتبط ارایه می شود.
کلید واژگان: ترجمه ماشینی, هوش مصنوعی, داده پردازی, لگاریتم, معناشناسی, انفورماتیک} -
از دیر باز بشر همیشه در آرزوی اختراع دستگاهی بوده است که بتواند متون را از زبان مبداء به زبان مقصد با سرعت و دقت فراوان ترجمه کند. تلاش برای رسیدن به این آرزو بیش از پنج دهه است که آغاز شده است و محققان دسا اوردهایی در زمینه طراحی سیستم ها و ساخت ماشین های مترجم بدست آورده اند ولی نام ماشینهای مترجم همواره مفهوم منفی را در ذهن افراد تداعی می کند و بیشتر مترجمان و محققان نظر منفی درباره ماشینهای مترجم دارند. در این مقاله سعی شده است که نگاه واقع بینانه ای به مسئله ماشین های مترجم بیاندازیم و تعریف دقیقی از ماشینهای مترجم و انواع آن ارائه شود، نکات مثبت و منفی آن مورد نقد و بررسی قرار گیرد و اشکالات اساسی این نوع ترجمه و گونه های مختلف اشتباهات ماشینهای مترجم نیز ذکر شده است. در ضمن راهکارهایی برای رفع و یا کاهش این نوع اشتباهات با توجه به پیشرفتهای علمی در این زمینه ارائه شده است. به نظر می رسد که با توجه به گسترش روز افزون استفاده از ماشینهای مترجم در سازمانها و مجامع بین المللی آشنایی با این پدیده قرن ناگزیر باشد. در انتها مزایا و فواید استفاده از ماشینهای مترجم ذکر شده است و پیشرفتها و موفقیت ترجمه ماشینی و چشم انداز آینده آن بررسی شده است.
کلید واژگان: ترجمه ماشینی, اختراع}For many years, man has thought of inventing a dream-machine that could remove the language barrier and produce the highest quality translations to mankind. As a result, for more than five decades people have tried to program computers to translate from one natural language to another, and the emphasis has always been on search for methods and theories for the achievement of perfect translation. Translators, on the other hand, have watched the development in the field carefully. Some of them believed that translation could not possibly be mechanized. Others feared that their profession would be taken over entirely by machines. (John Hutchins-200 I) However, the use of Machine Translation (MT) seems to be inevitable in the 21" century because of the need for rapid information exchange and competing in the globalized market-place. According to ALPAC's report in 1996 (Automated Language Processing Advisory Committee) "MT will be the glue that holds the global information society together." Therefore, it seems essential for everyone to become familiar with its concept.
Keywords: Machine Translation, natural language, mechanized, globalized market-place, Automated Language Processing} -
زبان های زنده دنیای معاصر مواجه با پدیده اشباع لغات آن با اصطلاحات علمی و فنی شده اند. سابق بر این وقتی از اصطلاحات علم خاص، برای مثال پزشکی به میان می آمد، این توقع و برداشت وجود داشت که اصطلاحات موجود در این حیطه علمی دارای یک معنای واحد و استاندارد می باشند، اما امروزه دیگر چنین تصوری مصداق ندارد و اصطلاحات دراین علم و یا علوم دیگر محدود به یک معنا نمی شود و به همین جهت اصطلاح شناسی مورد توجه زبان شناسان قرار گرفته است، درک صحیح از اصطلاحات و معانی مختلف آن امروزه هم در زندگی عادی و روزمره، مانند عرصه های حقوقی و قضایی و هم در علوم کاربردی و تجربی، بسیار اهمیت دارد. امروزه اصطلاحات جزء لاینفکی از امور مربوط به رسانه های گروهی می باشند و علمای زبان شناس متعددی و من جمله آکادمیسمین پ. و راژ دستنوسکی پژوهشهای گسترده ای را در این ارتباط انجام داده اند. با گسترش ترجمه ماشینی و نیاز به تحلیل های نحوی رایانه ای این سوال مطرح شد که چگونه می بایست اصطلاحات را مدخل بندی و دسته بندی نمود. یادآور می شویم که برای آنالیز در سطح مورفولوژی این کار ساده تر خواهد بود، به خصوص این که زبان روسی یک زبان صرفی می باشد و برنامه نویسی برای درک درست موقعیت صرفی کلمات با دقت لازم میسر می شود. اما تعیین معنای کلمات و انتخاب گزینه درست کاری به مراتب مشکل تر است، زیرا قبل از آن در یک مرحله میانی می بایست روابط نحوی کلمات نیز مشخص شده باشند. اینجانب در این مقاله راهکارهای عملی خود را که حاصل سالیان دراز فعالیت بر روی پروژه های ترجمه ماشینی بوده است بیان می نمایم.
کلید واژگان: ترجمه ماشینی, آنالیز متن, اصطلاح شناسی, دسته بندی کلمات, برنامه نویسی} -
ترجمه ماشینی فارسیترجمه ماشینی به سیستم نرم افزاری رایانه ای اطلاق می شود که از طریق آن متن ورودی زبان مبدا طی فرایندهایی ویژه و پیچیده- و در سطوح مختلف زبانشناختی- تجزیه و تحلیل و در نهایت به زبان / زبان های مقصد برگردانده و در اختیار کاربر گذاشته می شود. در مقاله حاضر چکیده یافته هایی در زمینه ترجمه ماشینی فارسی به ایجاز و اختصار ارائه می شود.
کلید واژگان: ترجمه, ترجمه ماشینی, پردازش واژگان, Parsing, تحلیلگر نحوی, تجزیه و تحلیلگر معناشناختی} -
فرآیند ترجمه ماشینی و محدودیتهای آنترجمه ماشینی به لحاظ کاربرد وسیع در توسعه دانش علمی از اهمیت خاص برخوردار است و از سویی، رابطه آن با سایر رشته ها به عنوان یک اقدام بین رشته ای، علم و فناوری را به یکدیگر پیوند زده است. پژوهش حاضر، ضمن بیان تاریخچه و نقاط قوت و ضعف برخی سیستمهای ترجمه ماشینی و بررسی شیوه های این نوع ترجمه، به تحلیل کارکرد اجزای زبانی سیستم پرداخته است. برای آشنایی با برنامه رایانه ای پذیرش تحلیل ساختی، سیستمهایی معرفی گردیده و در پایان، توجه ویژه به حوزه معنایی به لحاظ اهمیت آن در عمق بخشی به تحلیل زبان مبدا به عنوان عاملی موثر در کارکرد بهتر سیستم ترجمه ماشینی، شده است.کلید واژگان: ترجمه, ترجمه ماشینی, تحلیل ساختی}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.