Oldal 64 [64]
OCR
Kovács TÍMEA utószerkesztett (poszt-editált) fordítás között. Noha a fordítási folyamatban egyre nagyobb szerepet kap az utószerkesztés, pontos meghatározása még várat magára. A fordítási folyamatot szabályozó ISO 17100:2015 sztenderd szerint , az utószerkesztés a gépi fordítás szerkesztése és javítása"." A végleges szöveg — humán fordító által végzett — részleges és teljes" utószerkesztés eredményeként jön létre. Az utószerkesztésnek ugyanakkor nincsenek általánosan elfogadott sztenderdjei. Az utószerkesztés minőségellenőrzésére vonatkozóan még kevesebb ismeretünk van. Az ISO 18578:2017 szabvány által szabályozott, , teljeskörűen" (full) számítógépes munkafolyamatban a szabvány mindössze azt határozza meg, hogy az utószerkesztés eredményeként az emberi fordítással létrehozott szöveghez hasonló (comparable) minőségű szöveget kell létrehozni. Az elő- és utószerkesztés hatékonysága tehát nagyban függ attól, hogy a fordítók mennyire vannak tisztában az adott nyelvpárokban alkalmazott neurális gépi fordítóeszközök mechanizmusaival és korlátaival." Viszonylag sok tanulmány foglalkozik a neurális fordítás által létrehozott szövegek minőségével. A tanulmányok többsége szerint a neurális háló alapú fordítóprogramok eredményeként létrejött szövegek nyelvezete , természetesebb", mint a korábbi változatok esetében. Ugyanakkor felhívták a figyelmet a gyakori kihagyásokra, felesleges betoldásokra és ismétlésekre." A kutatók máig hiányolják a szövegszintű konzisztenciát, és gyakran kifogásolják a szövegekben előforduló szakkifejezések kezelését (terminológiai inkonzisztencia)." A gépi fordítás azonban folyamatosan fejlődik, így az angol-magyar viszonylatban eddig gyengébb minőségű szövegeket előállító programok is. Szlávik Szilárd tanulmányában összefoglalta az angol-magyar w ISO 17100:2015. https://www.iso.org/obp/ui/en/#iso:std:iso:17100:ed-1:vl:en (Letöltes: 2024. június 26.) Ke Hu - Patrick Cadwell: A Comparative Study of Post-editing Guidelines, Baltic J. Modern Computing, vol. 4, 2016/2, 346-353. https://aclanthology.org/W16-3420.pdf (Letöltes: 2024. május 28.) Guillaume Lample — Myle Ott — Alexis Conneau — Ludovic Denoyer — Marc’Aurelio Ranzato: Phrase-based and Neural Unsupervised Machine Translation, Cornell University, [online], 2018. https://aclweb.org/anthology/D18-1549. (Letöltes: 2023. december 31.) Masaru Yamada: The impact of Google Neural Machine Translation on post-editing by student translators, The Journal of Specialised Translation, vol. 31, 2019, 87-106. https://jostrans.org/ is- sue31/art_yamada.php (Letéltés: 2024. majus 28.); Rudy Loock: No more rage against the machine: How the corpus-based identification of machine-translationese can lead to student empowerment, The Journal of Specialised Translation, vol. 34, 2020, 150-170; Carlso Teixeira: Revising computer-mediated translations, in Brian Mossop — Jungmin Hong - Carlos Teixeira (ed.): Revising and Editing for Translators, Routledge, 2020, 207-224. Lesznydk Agnes: Hungarian translators’ perceptions of Neural Machine Translation in the European Commission, in Mikel Forcada — Andy Way — John Tinsley — Dimitar Shterionov — Celia Rico — Federico Gaspari (eds.): Proceedings of Machine Translation Summit XVII: Translator, Project and User Tracks, European Association for Machine Translation, 2019, 16-22. > u a N + 62 +
