Human-Machine Interaction: How to Integrate Plain Language Rules in the Revision Cycles of Neural Machine Translation (NMT) output. Conférence Linguistic Rights and Language Varieties in Europe in the Age of AI, Università di Torino - Archive ouverte HAL Accéder directement au contenu
Autre Publication Scientifique Année : 2021

Human-Machine Interaction: How to Integrate Plain Language Rules in the Revision Cycles of Neural Machine Translation (NMT) output. Conférence Linguistic Rights and Language Varieties in Europe in the Age of AI, Università di Torino

Résumé

Neural Machine Translation (NMT) is fast becoming the most important tool available in the translation industry. But because state-of-the-art NMT does not explicitly learn to capture stylistic variations from the data, it is still necessary to rely on professional human translators to obtain consistent, high-quality translations. Institutional consumers of translation usually set out their translation quality requirements in Style Guides, with recommendations to use normalised language, including Plain Language (PL). For example the European Union has made PL a key goal for its online multilingual communication. Here we argue that trainee translators must be aware of such requirements. This position raises a number of questions relating to teaching advanced revision skills on the basis of NMT output. We share our experience of building the principles of PL into the 2nd year Masters course ‘Website Translation Towards English’. We then examine how the traditional workflow of post-editing/revision has been profoundly affected by custom NMT. We suggest that the integration of PL is an opportunity to add value to the translation project as well as to promoting the notion of high quality translation for a variety of text types. To achieve these goals, we propose a solution called Qualitative Translation/Revision Workflow (QTRW).
La traduction automatique neuronale (TAN) devient rapidement l’outil le plus central dans l’industrie de la traduction. Mais même la TAN la plus avancée n’apprend pas explicitement les variations stylistiques à partir des données, et il est encore nécessaire d’employer des traducteurs humains professionnels pour obtenir des traductions cohérentes et de qualité. Les consommateurs institutionnels de la traduction expriment leurs attentes sur la qualité des textes traduits dans des Codes rédactionnels, avec des recommandations pour une langue normalisée et la « langue claire » (LC). Ainsi l’Union européenne a fait de la LC un objectif clé pour ses communications multilingues en ligne. Nous estimons que tous les apprentis-traducteurs doivent être au courant de ces exigences. Cette position soulève un certain nombre de questions relatives à l’enseignement des compétences de révision avancées, notamment sur la base des résultats de la TAN. Nous partageons ici notre expérience sur l’intégration des principes de la LC dans un cours de Master 2 intitulé « Traduction de site web vers l'anglais ». Nous examinons comment le flux de travail traditionnel de post-édition/révision a été profondément affecté par la TAN personnalisée. Nous suggérons que l'intégration de la LC est une opportunité d’ajouter de la valeur au projet de traduction ainsi que de promouvoir la notion de traduction de haute qualité pour une variété de types de texte. Pour atteindre ces objectifs, nous proposons une solution appelée « Qualitative Translation/Revision Workflow » (QTRW).
7. Zimina & Gledhill(1).pdf (2.53 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04014843 , version 1 (19-03-2023)

Identifiants

  • HAL Id : hal-04014843 , version 1

Citer

Maria Zimina, Christopher Gledhill. Human-Machine Interaction: How to Integrate Plain Language Rules in the Revision Cycles of Neural Machine Translation (NMT) output. Conférence Linguistic Rights and Language Varieties in Europe in the Age of AI, Università di Torino. 2021. ⟨hal-04014843⟩
22 Consultations
2 Téléchargements

Partager

Gmail Facebook X LinkedIn More