CC..png

16plus.png

Юридический и почтовый адрес учредителя и издателя: САФУ им. М.В. Ломоносова, наб. Северной Двины, д. 17, г. Архангельск, Россия, 163002
Адрес редакции: «Вестник САФУ. Серия "Гуманитарные и социальные науки"», ул. Урицкого, 56, г. Архангельск

Тел: (8182) 21-61-00, вн. 18-20 
e-mail: vestnik_gum@narfu.ru 
Сайт: https://vestnikgum.ru              

о журнале

Возможности и ограничения искусственного интеллекта при передаче гендерной неопределенности в художественном переводе. С. 59–67

 Версия для печати

Рубрика: Лингвистика

Скачать статью (pdf, 0.4MB )

УДК

004.827: 81’255.2

DOI

10.37482/2687-1505-V487

Сведения об авторах

Анна Александровна Ильчук1 – старший преподаватель кафедры иностранных языков Калининградского государственного технического университета (адрес: 236022, г. Калининград, Советский просп., д. 1).

e-mail: anikakh83@gmail.com, ORCID: https://orcid.org/0009-0000-9309-6125

Елена Вячеславовна Харитонова2* – кандидат филологических наук, доцент, доцент Института образования и гуманитарных наук Балтийского федерального университета имени Иммануила Канта (адрес: 236041, г. Калининград, ул. А. Невского, д. 14).

e-mail: eharitonova@yandex.ru*, ORCID: https://orcid.org/0000-0002-2607-7028

Аннотация

Сфера переводоведения претерпела значительные технологические изменения в последние десятилетия: от систем компьютерного перевода (CAT) к нейромашинному переводу (NMT) и, наконец, к чат-ботам на основе больших языковых моделей (LLM). Хотя последние изначально не были предназначены для перевода, они демонстрируют высокую эффективность в обработке естественного языка и функционируют как когнитивно-коммуникативные системы (диалоговые агенты искусственного интеллекта (ИИ)). В руках переводчика такие инструменты могут стать эффективным средством повышения продуктивности и качества работы благодаря возможностям промпт-инжиниринга (prompt engineering). В данном исследовании анализируется способность систем ИИ обрабатывать и передавать в переводе семантику размытых границ, когда автор художественного текста создает «ситуации интерпретационного выбора», позволяя своему читателю самостоятельно толковать смысл высказывания. В работе оценивается, насколько современные системы ИИ способны: 1) выявлять элементы намеренной неопределенности (неясности) в художественном тексте; 2) передавать их на другие языки, сохраняя при этом заложенный автором замысел. Базой для проведения сравнительно-сопоставительного анализа послужили 15 систем машинного перевода (DeepL Translator, Google Translate, Yandex Translate, SYSTRAN, HIX и др.), а также 4 сервиса AI чат-ботов (ChatGPT-4o, Google Gemini, Microsoft Copilot, Sider). Результаты исследования демонстрируют, что традиционные системы машинного перевода не обеспечивают адекватного воспроизведения гендерной нейтральности – частного случая семантической неопределенности. В отличие от них, чат-боты на основе больших языковых моделей демонстрируют достаточно высокую эффективность благодаря своей генеративной архитектуре. Их интерактивные возможности позволяют адаптироваться к контексту и предлагать альтернативные варианты формулировок, что в определенной мере способствует решению проблемы передачи гендерной неопределенности в переводе.

Ключевые слова

неопределенность, гендер, языковой алломорфизм, художественный перевод, нейромашинный перевод, искусственный интеллект (ИИ), промпт-инжиниринг

Список литературы

  1. Russell B. Vagueness // Vagueness: A Reader / ed. by R. Keefe, P. Smith. Cambridge: MIT Press, 1997. P. 61–68.

  2. Vagueness: A Reader / ed. by R. Keefe, P. Smith. Cambridge: MIT Press, 1997. 352 p.

  3. Vagueness: A Guide / ed. by G. Ronzitti. London: Springer, 2011. 200 p. https://doi.org/10.1007/978-94-007-0375-9

  4. Sagid S. Vagueness as Arbitrariness. Outline of a Theory of Vagueness. Cham: Springer, 2021. 206 p. https://doi.org/10.1007/978-3-030-66781-8

  5. Cunillera Domenech M. La unidad francesa truc o la vaguedad semántica desde una perspectiva argumentativa y traductológica // Meta. 2014. Vol. 59, № 1. P. 176–197. https://doi.org/10.7202/1026476ar

  6. Moreno G.A. Fictive Orality and Semantic Vagueness from the Translational Perspective: A Case Study of the Word ‘Stuff’ and Its Translations into Spanish // Parallèles. 2014. № 26. P. 10–25.

  7. Arntz R., Sandrini P. Präzision versus Vagheit: das Dilemma der Rechtssprache im Lichte von Rechtsvergleich und Sprachvergleich // Indeterminacy in Terminology and LSP: Studies in Honour of Heribert Picht / ed. by B.E. Antia. Amsterdam: John Benjamins, 2007. P. 135–153. https://doi.org/10.1075/tlrp.8.14arn

  8. Wiesmann E. Zur Vagheit in Vertragstexten: Rechtliche Funktionen und übersetzungsrelevante Dimensionen vager Wörter und Wortverbindungen // Insights into Specialized Translation / ed. by M. Gotti, S. Šarčević. Bern: Peter Lang, 2006. P. 289–311.

  9. Золян С.Т. О теории переводческой относительности // Вопр. философии. 2019. Вып. 9. С. 75–86. https://doi.org/10.31857/S004287440006320-7

  10. Boyarskakya E. Ambiguity Matters in Linguistics and Translation // Slovo.ru: Balt. Accent. 2019. Vol. 10, № 3. P. 81–93.

  11. Бойко Л.Б., Харитонова E.В. В поисках утраченного и обретенного: заметки о переводе. М.: Языкознание, 2024. 255 с.

  12. Мерзлая А.В. Нейронный машинный перевод и передача восприятия холода (на примере финско-русского перевода метеотекстов) // Вестн. Сев. (Арктич.) федер. ун-та. Сер.: Гуманит. и соц. науки. 2025. Т. 25, № 2. С. 73–82. https://doi.org/10.37482/2687-1505-V421

  13. Мифтахова Р.Г., Морозкина Е.А. Машинный перевод. Нейроперевод // Вестн. Башкир. ун-та. 2019. Т. 24, № 2. С. 497–502.

  14. Колин К.К., Хорошилов Ал-др А., Никитин Ю.В., Пшеничный С.И., Хорошилов Ал-й А. Искусственный интеллект в технологиях машинного перевода // Соц. новации и соц. науки. 2021. № 2. С. 64–80. https://doi.org/10.31249/snsn/2021.02.05

  15. Aghai M. ChatGPT vs. Google Translate: Comparative Analysis of Translation Quality // Iran. J. Transl. Stud. 2024. Vol. 22, № 85. P. 87–100. URL: https://journal.translationstudies.ir/ts/article/view/1156 (дата обращения: 10.06.2025).

  16. Hendy A., Abdelrehim M., Sharaf A., Raunak V., Gabr M., Matsushita H., Kim Y.J., Afify M., Awadalla H.H. How Good Are GPT Models at Machine Translation? A Comprehensive Evaluation // ArXiv. Preprint, 2023. https://doi.org/10.48550/arXiv.2302.09210

  17. Jiang Z., Zhang Z., Lv X., Lei L. Convergences and Divergences Between Automatic Assessment and Human Evaluation: Insights from Comparing ChatGPT-Generated Translation and Neural Machine Translation // ArXiv. Preprint, 2024. https://doi.org/10.13140/RG.2.2.15933.47842

  18. Jiao W., Wang W., Huang J.-T., Wang X., Shi S., Tu Z. Is ChatGPT a Good Translator? Yes. With GPT-4 as the Engine // ArXiv. Preprint, 2023. https://doi.org/10.48550/arXiv.2301.08745

  19. Moneus A., Sahari Y. Artificial Intelligence and Human Translation: A Contrastive Study Based on Legal Texts // Heliyon. 2024. Vol. 10, № 2. Art. № e28106. https://doi.org/10.1016/j.heliyon.2024.e28106