Статья опубликована в рамках: Научного журнала «Студенческий» № 6(6)

Рубрика журнала: Филология

Секция: Лингвистика

Скачать книгу(-и): скачать журнал часть 1, скачать журнал часть 2, скачать журнал часть 3

Библиографическое описание:
Никитичев И.Г., Петухова Е.В. АВТОМАТИЧЕСКИЙ ПЕРЕВОД ХУДОЖЕСТВЕННЫХ ТЕКСТОВ: ЗА ИЛИ ПРОТИВ // Студенческий: электрон. научн. журн. 2017. № 6(6). URL: https://sibac.info/journal/student/6/76846 (дата обращения: 18.09.2019).

АВТОМАТИЧЕСКИЙ ПЕРЕВОД ХУДОЖЕСТВЕННЫХ ТЕКСТОВ: ЗА ИЛИ ПРОТИВ

Никитичев Илья Геннадьевич

студент, факультет иностранных языков КГУ,

РФ, г. Курск

Петухова Елена Владимировна

канд. филол. наук, доц. кафедры английской филологии факультета иностранных языков КГУ,

РФ, г. Курск

Перевод как вид языковой деятельности с момента своего возникновения играл важную роль в человеческом обществе, т.к. обеспечивал возможность межъязыкового общения, а следовательно успешного взаимодействия и коммуникации.

Для любого вида перевода важна коммуникативная эквивалентность текста на языке перевода. Необходимо отметить, что этот критерий определяется следующими основными требованиями [4]:

  • текст перевода должен в возможно более полном объеме передавать содержание оригинала;
  • текст перевода должен соответствовать нормам языка перевода, чтобы исключить искажение восприятия;
  • текст перевода должен быть примерно сопоставим с оригиналом по своему объему, чем обеспечивается сходство стилистического эффекта с точки зрения лаконичности или развернутости выражения.

Могут ли этим критериям соответствовать системы машинного перевода, получившие значительную популярность в последние годы? Для ответа на этот вопрос необходимо определить понятие машинного перевода, а также общие принципы работы этих систем.

Машинный перевод — это письменный перевод, который «осуществляет … не переводчик, а особая компьютерная программа» [2]. За время его существования появилось (в соответствии с одной из классификаций) три основных вида машинного перевода, каждый из которых имеет свои особенности и сферу применения [5]: 1) автоматизированный машинный перевод при участии человека – подразумевает редактирование выходного текста человеком в целях приведения его в соответствие нормам языка; 2) перевод, осуществляемый человеком с использованием компьютера – в этом случае компьютерные средства рассматриваются только как инструмент (например, электронные словари); 3) полностью автоматизированный машинный перевод.

С последним видом связаны наиболее значительные проблемы в сфере машинного перевода, причина которых заключается в принципах работы систем автоматического перевода.

Для того, чтобы корректно перевести текст, системы машинного перевода используют базы данных словарного запаса языка, а также алгоритмы построения фраз в соответствии с правилами грамматики языка. В первом случае системе машинного перевода необходимо правильно соотнести словоформу в тексте и запись в словаре и найти верное значение слова в случае, если оно полисемантическое. Во втором случае «анализируется синтаксис и семантика входного текста, уточняется его структура, затем происходит преобразование структуры данного входного предложения в ядерную структуру по правилам машинной грамматики» [2].

На основании этого можно выделить несколько главных проблем машинного перевода, одной из которых является объём словаря программы. Кроме того, для создания адекватного перевода она должна располагать базой устойчивых выражений – фразеологизмов. Также система должна «переводить» синтаксис с целью сделать перевод звучащим естественно. К решению этой проблемы есть несколько подходов, выражающихся в создании систем автоматического перевода различных видов. Основными являются [1, с. 64–66] трансферные системы (основаны на преобразовании синтаксиса одного языка в другой) и интерлингвистические системы (предполагают наличие т.н. метаязыка).

Сегодня компьютерные программы перевода в достаточной степени подходят для формирования так называемого чернового варианта будущего текста, который к окончательному виду должен привести профессиональный переводчик. При этом необходимо отметить, что в области машинного перевода в последнее время наблюдается ощутимый прогресс (например, подключение в конце 2016 года к сервису Google Translate самообучающейся нейросети, со временем выполняющей все более приближенные к человеческим переводы [7].)

Но возникает вопрос: может ли машинный перевод использоваться для перевода художественных текстов, которые отличаются огромным количеством средств выразительности?

Необходимо отметить, что в процессе передачи средств художественной выразительности на другом языке очень важна индивидуальность занимающегося переводом человека, поскольку однозначный и единственно верный вариант перевода часто отсутствует. В результате этого перевод художественного текста превращается в процесс творческого характера, а переводчик – в соавтора создателя оригинала [3, с. 99–103]. Кроме того, в художественных произведениях часто присутствует культурно обусловленный подтекст, который без затруднений воспринимается носителями данной культуры. Для переводчика в этом случае культурная дистанция в некоторых случаях может сделать поиск аналога такой импликации достаточно сложным [6].

Нетрудно заметить, что перевод художественных произведений связан не только с лингвистическими, но и со значительным количеством экстралингвистических факторов. Учёт всех этих факторов в работе автоматических систем перевода является очень непростой задачей и одной из основных целей и перспектив в компьютерной лингвистике. Способен ли компьютер на сегодняшний день принимать их во внимание и переводить художественный текст так же хорошо, как человек?

В рамках нашего исследования в качестве материала для изучения эффективности систем автоматического перевода Google Translate [https://translate.google.ru/] и Яндекс.Переводчик [https://translate.yandex.ru/] использовался адаптированный фрагмент [http://window.edu.ru/catalog/pdf2txt/375/63375/33495] рассказа американского писателя М. Твена «General Miles and the Dog» [https://books.google.ru/books?isbn=1493027107].

Анализ конечного результата показывает, что в автоматическом переводе допущен ряд ошибок различного характера: грамматических (морфологических и синтаксических), лексических, стилистических. Рассмотрим некоторые из них.

Грамматические ошибки

Данный тип ошибок связан с неправильной интерпретацией системами автоматического перевода связей внутри предложений и словосочетаний, с нарушениями правил русского языка (языка перевода). Грамматические ошибки в переводе можно разделить на несколько типов: синтаксические (неправильное построение предложений), неверное употребление словоформ, ошибки в согласовании падежей.

Так, среди ошибок системы Google Translate, связанных с неверным построением предложений, можно выделить следующие:

"Да, я сделал,” ответил я. ("Yes, I did," I answered.) – по правилам русского языка, краткий ответ должен содержать повтор глагола (ответил), либо ограничиться словом «да».

Я играл с собакой, когда человек вошел в зал (I was playing with the dog, when a man came into the hall) – в переводе предложения нарушены тема-рематические отношения. В оригинале конструкция came into the hall – тема, а man – рема, на что указывает неопределенный артикль. В русском варианте для сохранения рема-тематической структуры слово человек необходимо поставить в конец предложения.

…я сразу же, что он был генерал Майлз знал (…I knew at once that he was General Miles) – ошибка в порядке слов: сказуемое из главного предложения поставлено в конец высказывания.

Ошибки в согласовании падежей:

Теперь расскажу вам историю, которая покажет вам, как честный я всегда был всю свою жизнь (Now I shall tell you a story which will show you how honest I have always been all my life) – правильно честным (творительный падеж).

После того, как мы нуждались в трех долларов (Once were in need of three dollars) – правильно нуждались в трех долларах.

Неверное употребление словоформ:

Он искал кого-то (It was looking for somebody) – неверное личное местоимение (в предыдущем предложении говорится о собаке).

Я сидел там, когда красивая маленькая собака побежала в зал (I was sitting there when a beautiful small dog ran into the hall) – вследствие использования неверного префикса глагола искажается смысл: корректен вариант вбежала.

В варианте системы Яндекс.Переводчик также допущен ряд грамматических ошибок, которые можно аналогично разделить на несколько типов.

К ошибкам в построении предложения относятся:

Сейчас я расскажу вам историю, которая покажет вам, насколько честен я всегда, всю жизнь (Now I shall tell you a story which will show you how honest I have always been all my life) – пропущен глагол-связка был.

Я был беден, то и очень часто у меня не было денег даже на хлеб (I was poor then and very often I did not have money even for my bread) – смешение сложносочиненного и сложноподчиненного союзов.

Ошибки в формах слов:

"Ты живешь в Вашингтоне в 1867 году?” ("Did you live in Washington in 1867?") – грубая ошибка, связанная с неправильным грамматическим временем: из контекста понятно, что речь идет о прошлом.

Когда-то мы были нужны три долларов (Once we were in need of three dollars) – присутствует винительный падеж, значит – три доллара.

Я сидел там, когда красивый маленький собака побежала в зал (I was sitting there when a beautiful small dog ran into the hall) – ошибка согласования в словосочетании красивый маленький собака.

Неправильное употребление словоформ:

Собака была хорошая… поэтому я позвонил ему и начал играть с ним (The dog was niceso I called it and began to play with it) – ошибка в неверном соотнесении местоимения и денотируемого им слова.

Лексические ошибки

Данный тип ошибок связан с неправильным пониманием смысла языковых единиц внутри текста, а также отсутствием у систем автоматического перевода способности к анализу контекста нескольких предложений и текста в целом. Рассмотрим лексические ошибки в тексте Google Translate.

Общие Майлз был хорошим человеком (General Miles was a nice man) general здесь является не прилагательным, а существительным генерал. Аналогично в предложении “Общие”, сказал я…

Я не помню, почему нам нужны эти три доллара так много (I don't remember why we needed these three dollars so much…) – основным значением конструкции so much является именно так много. Однако в этом предложении говорится не о сумме денег, а о степени интенсивности действия (можно подобрать синоним-наречие, например, badly).

Собака была хорошая, и я не имел никакого отношения, поэтому я назвал его и начал играть с ним (The dog was nice and I had nothing to do, so I called it and began to play with it) – выражение to have nothing to do (with) в английском языке действительно означает не иметь никакого отношения к ч.-л. Но в данном случае подразумевалось его буквальное значение. Кроме того, выбрано неверное значение слова call: назвать вместо подозвать.

Он был одет в красивую форму, и я сразу же, что он был генерал Майлз знал (He wore a beautiful uniform and I knew at once that he was General Miles) – слово to know переведено буквально. Глагол знать – несовершенного вида и имеет обобщенное значение обладать какой-либо информацией. То есть смысл предложенного системой предложения в том, что герой всегда знал генерала Майлза. На самом деле фраза означает следующее: в момент, когда вошел генерал Майлз, герой догадался о том, что это был именно он. То есть правильный перевод – я сразу же понял…

Можно отметить, что данные ошибки объединяет общая природа – неверный выбор варианта значения у многозначного слова. Это происходит из-за несовершенного анализа смысла предложения системой и его неправильной интерпретации.

Теперь рассмотрим лексические ошибки в варианте от Яндекс.Переводчика.

Генерал Майлз был прекрасным мужчиной и мы стали очень быстро хорошими друзьями (General Miles was a nice man and we became great friends very quickly) – дополнительное указание на пол героя в данном случае никак не связано с авторским замыслом, вложенным в предложение. Более корректно в контексте перевести слово man как человек.

Ты забываешь, что ты уже был великим полководцем, тогда и я был бедным молодым писателем… (You forget that you were already a great general then, and I was a poor young writer…) – слово полководец является гиперонимом по отношению к употребленному в оригинале слову генерал и неуместно в контексте.

Он был слишком хорошим писателем (He was a poor writer too) – неправильно переведено прилагательное poor, что полностью исказило смысл оригинального предложения.

Собака была хорошая и мне было нечего делать, поэтому я позвонил ему и начал играть с ним (The dog was nice and I had nothing to do, so I called it and began to play with it) – семантическая ошибка. Слово сall здесь означает позвал/подозвал.

В целом, в варианте Яндекс.Переводчика лексические ошибки также представляют собой неверный выбор одного из значений слов. Системы онлайн-перевода не анализируют контекст, а переводят текст по отдельным предложениям, вследствие чего возникают несоответствия варианта перевода с общим смыслом.

Стилистические ошибки

Стилистические ошибки связаны с невозможностью передать в машинном переводе специфические смыслы художественного текста.

Я постараюсь, чтобы получить деньги, но вы также должны попробовать (I shall try to get the money, but you must also try) – т.н. уважительное Вы неуместно в данном контексте, так как персонаж обращается к лучшему другу.

В целом, на основании рассмотренного материала можно сказать, что литературные произведения, написанные в художественном стиле, на данный момент невозможно переводить на русский язык с использованием систем автоматического перевода в связи со значительным количеством допускаемых такими системами ошибок грамматического, лексического, а также стилистического характера, затрудняющих выполнение художественной задачи, т.е. воздействие на читателя, а также их неспособностью анализировать контекст и, как следствие, верно и в полной мере передавать замысел автора. При этом общее качество перевода от Google Translate выше, так как этой системой было допущено меньше искажающих смысл текста ошибок.

В качестве основной причины серьёзных недостатков в машинном переводе художественного текста видится отсутствие у автоматических систем средств для достаточно глубокого анализа языковых связей в тексте. Для работы над переводом художественного текста требуются обширные и многосторонние, в том числе культурно обусловленные знания о мире, с помощью которых можно адекватно передать содержащуюся в тексте художественную информацию. Особую роль в этом играют опыт и личность переводчика, как отмечалось ранее. На современном уровне развития технологий машинный перевод фундаментально недостаточно совершенен для учёта этих факторов, так как в нем используются иные принципы работы по сравнению с человеческим подходом. При этом машинный перевод уже сегодня с успехом применяется в переводе текстов функциональных стилей речи, не подразумевающих значимую роль личности работающего с текстом (официально-деловой, научный стили).

 

Список литературы:

  1. Андреева А. Д., Меньшиков И. Л., Мокрушин А. А. Обзор систем машинного перевода  // Молодой ученый. – 2013. – №12. – С. 64–66.
  2. Везнер И.А. Компьютерный перевод [Электронный ресурс] // irinavezner.ru: сайт. – URL: http://irinavezner.ru/index.php?option=com_content&task=view&id=74&Itemid=45 (дата обращения 13.05.2017)
  3. Гудий К.А. От оригинала к переводу: проблема взаимодействия автора и переводчика // Филология и лингвистка в современном обществе: материалы Междунар. науч. конф. (Москва, май 2012 г.) – Москва, 2012. – С. 99–103.
  4. Кабаченко И.Л., Игнатова Н.Н. Специфика письменного перевода и его коммуникативная эквивалентность [Электронный ресурс] // Издательский дом «Руснаука»: сайт. – URL: http://rusnauka.com/13_NPT_2008/Philologia/31596.doc.htm (дата обращения 13.05.17)
  5. Осьминина Е.К. Сегментирование текста в системе машинного перевода // Вестник Воронежского государственного технического университета. – 2011. – №6. – С. 160–163.
  6. Чиронова И.И. Культурная детерминированность межкультурной коммуникации как переводческая проблема // Современные научные исследования и инновации: электр. науч. практ. интернет-журн. 2013. URL: http://web.snauka.ru/issues/2013/12/29198 (дата обращения: 13.05.2017)
  7. Katyanna Quach. Google’s neural network learns to translate languages it hasn’t been trained on // The Register. – 2016. – [электронный ресурс] – Режим доступа. – URL: http://theregister.co.uk/2016/11/17/googles_neural_net_translates_languages_not_trained_on/ (дата обращения 13.05.2017)

Оставить комментарий