Факультет української філології, іноземних мов та соціальних комунікацій
Постійне посилання на фондhttps://dspace.cusu.edu.ua/handle/123456789/4
Переглянути
3 результатів
Фільтри
Налаштування
Результати пошуку
Документ Управління якістю постредагування машинного перекладу у виробничому процесі локалізації(Видавничий дім «Гельветика», 2025) Бондаренко, О. С.; Негрієнко, М. С.(ua) Статтю присвячено аналізу перекладацьких помилок у професійному середовищі та трансформації методів їхнього оцінювання під впливом новітніх лінгвістичних сервісів, зокрема постредагування машинного перекладу (ПРМП). Предметом дослідження є метрики якості перекладу, що застосовуються в індустрії лінгвістичних послуг, зокрема LISA QA Model, яку розглянуто як одну з найуживаніших моделей на ринку лінгвістичних послуг. Автори детально аналізують структуру метрики LISA, що включає категорії, підкатегорії та рівні критичності помилок. На прикладі реального проєкту – локалізованого продукту Google Search Ads 360 – продемонстровано практичне застосування метрики та наведено приклади типових помилок у таких категоріях, як Точність, Мовна відповідність, Термінологія, Cтиль, Технічна помилка, Відповідність стандартам локалі, Відповідність вимогам до проєкту. У статті обґрунтовано необхідність системного впровадження метрик помилок для управління якістю на всіх етапах перекладацького процесу. Традиційні моделі, створені для оцінювання антропогенного перекладу, для ПРМП мають бути адаптовані. На основі проведеного аналізу встановлено, що більшість категорій метрики LISA залишаються релевантними для оцінювання якості ПРМП, однак ступінь їх застосовності істотно варіюється. Найвищу вірогідність виявлення помилок мають підкатегорії відповідності термінології, стилю, вимогам до проєкту та стандартам локалі. Це пов’язано з непередбачуваністю результатів роботи рушіїв машинного перекладу навіть за умов використання однакових промптів чи довідкових ресурсів. Також варто зауважити, що помилки типу Додавання / Випущення чи Неправильне значення залишаються актуальними через тенденцію рушіїв МП до генералізації або неповного передавання змісту. Водночас, деякі під-категорії (наприклад, Орфографія, Форматування, Відтворення посилок / тегів) мають низьку вірогідність застосування, оскільки сучасні МП-системи досить добре справляються з такими технічними аспектами. (en) The article is dedicated to the analysis of translation errors in a professional environment and the transformation of evaluation methods under the influence of modern linguistic services, particularly post-editing machine translation (PEMT). The focus of the study is on translation quality metrics used in the language services industry, particularly LISA QA Model, which is examined as one of the most widely used models on the market. The authors provide a detailed of the structure of the LISA metric, which includes categories, subcategories, and levels of error severity. Using the real-world project of the localized product Google Search Ads 360 as an example, the article demonstrates the practical application of the metric and presents examples of typical errors in categories such as Accuracy, Language, Terminology, Style, Functional, Regional Standards Compliance, and Project Requirements Compliance. The article substantiates the need for a systematic implementation of error metrics to manage quality at all stages of the translation process. Traditional models developed for the evaluation of human translation must be adapted for PEMT. Based on the analysis, it is established that most LISA metric categories remain relevant for evaluating PEMT quality, although their applicability varies significantly. The highest likelihood of error detection occurs in subcategories related to terminology, style, compliance with project requirements, and locale standards. This is due to the unpredictability of machine translation engine outputs, even when identical prompts or reference materials are used. It is also noted that error types such as Addition/Omission and Incorrect Meaning remain relevant due to the tendency of MT engines to generalize or incompletely render content. Meanwhile, some subcategories (e.g., Spelling, Formatting, Tags/Links) have a low likelihood of errors, as modern MT systems handle such technical aspects fairly well.Документ Інструменти з елементами штучного інтелекту в сучасному усному перекладі(Видавничий дім «Гельветика», 2025) Стасюк, Богдан Вікторович(ua) Статтю присвячено новітньому, гібридному виду усного перекладу з використанням технічних засобів, а саме – машинного дублювання, яскравий випадок застосування якого був реалізований в резонансному інтерв’ю Президента України В. Зеленського, яке він дав відомому американському подкастеру Л. Фрідману в грудні 2024 р. У процесі створення інтерв’ю було залучено складний алгоритм забезпечення усного перекладу з низкою проміжних стадій, що стали неочевидними для глядачів і слухачів, зокрема – синтезом генерованих голосів на основі реальних із допомогою штучного інтелекту. Подальше поширення матеріалів цього інтерв’ю (різномовних, дубльованих штучним інтелектом відеозаписів із відповідним субтитруванням) справило неоднозначне враження навіть на професійну аудиторію, яка не змогла визначити механізму появи публічних матеріалів, навіть маючи професійну підготовку. Це відкриває небезпечні можливості для інформаційної, суспільно-політичної маніпуляції аудіовізуальною продукцією, що в повній мірі санкціоновано учасниками відповідних проєктів з обох сторін і, цілком очевидно, є наслідком недостатнього розуміння потенційних наслідків, що такі документальні інтерв’ю можуть нести для їх реципієнтів. Помилки машинного перекладу, обтяжені процесом створення різномовних стенограм та їх подальшого озвучення (дублювання) штучно згенерованими голосами, які не можливо відрізнити від реальних без спеціальної підготовки та устаткування, можуть бути зведеними в повсякденну практику створення інформаційних матеріалів новинного чи публіцистичного характеру. На відміну від протизаконного використання аналогічних за своєю ІТ-природою дипфейків, переклад і дублювання документальних інтерв’ю дозволено до публікації самими їх учасниками, що відкриває значні можливості для прихованого маніпулювання громадською думкою та публічною оцінкою таких матеріалів задля поширення шкідливих наративів в рамках дифамаційних та пропагандистських кампаній. (en) The paper has been devoted to the study of the newest, hybrid type of interpretation with the use of technical means, namely, machine dubbing, a striking case of which public could see in the resonant interview of the President of Ukraine Volodymyr Zelenskyy given to the well-known American podcaster Lex Fridman in December 2024. A complex algorithm for providing interpretation was used in the process of the interviewing. It involved a number of intermediate stages that were not totally clear to its viewers and listeners, in particular, the production of generated voices which were trained and made on the basis of real ones. The subsequent dissemination of the interview materials (multilingual AI-dubbed videos with proper subtitling) made a mixed impression even on the professionally trained audience who was unable to establish the mechanism of how public materials were created. Such cases could potentially open some dangerous opportunities for the informational, social and political manipulation by means of audiovisual products. Moreover, such practice is fully authorised by the respective projects participants on both sides. It seems to be obviously a consequence of their lack of understanding how dangerous these documentary AI-enhanced interviews could be for the society. Machine translation errors, compounded by the process of creating multilingual transcripts and their subsequent dubbing (voiceover) with the help of artificially generated voices, cannot be distinguished from real ones without special training and equipment. It can be possibly reduced to the everyday practice of creating news or journalistic materials. Unlike illegal deepfakes, whose IT nature is the same, machine translations and AI dubbing of documentary interviews are allowed to be published by their participants, which opens significant opportunities for covert manipulation of public opinion and public assessment of such materials capable of spreading harmful narratives as part of defamation and propaganda campaigns.Документ Особливості лінгвістичної підготовки за фаховим сприяттям в системі медичної освіти(КОД, 2018) Патлата, Ганна; Patlata, G.; Ріжняк, Оксана Леонідівна; Rizhnyak, O.(uk) У статті розглядаються проблеми впровадження інноваційних методів навчання при викладанні дисциплін лінгвістичного циклу в медичних вишах, а саме: різні види інтеграції, використання інформаційно-комп’ютерних технологій в лінгвістичних курсах, впровадження рейтингового оцінювання лінгвістичних досягнень студентів.