DeepL czy Google Tłumacz? Porównanie tłumaczeń maszynowych z języka angielskiego na język polski brytyjskiego aktu prawnego „The Health Protection (Coronavirus, International Travel) (England) Regulations 2020”

Malwina  Boralewska; Paweł  Gil; Anna Macko

doi:10.32612/uw.25434357.2021.29.pp.75-93

Opublikowane: 22022-05-18 — zaktualizowane 2021-12-31

Wersje

2021-12-31 - (2)
2022-05-18 - (1)

Nr 29 (2021)

DeepL czy Google Tłumacz? Porównanie tłumaczeń maszynowych z języka angielskiego na język polski brytyjskiego aktu prawnego „The Health Protection (Coronavirus, International Travel) (England) Regulations 2020”

Malwina Boralewska , Paweł Gil , Anna Macko

Lingua Legis

Dział: Artykuły

https://doi.org/10.32612/uw.25434357.2021.29.pp.75-93

Abstrakt

Pandemia SARS-CoV-2 zaznaczyła swoją obecność również w tekstach prawa. Wraz z wybuchem pandemii pojawił się znaczący wzrost zapotrzebowania na tłumaczenia specjalistyczne. Dynamiczny rozwój sytuacji, która wpłynęła na wiele aspektów życia społecznego sprawił, że obywatele różnych państw zaczęli interesować się treścią tekstów prawnych, takich jak rozporządzenia dotyczące obostrzeń. Tłumaczenia maszynowe to bowiem jedna z możliwości, z których mogą skorzystać obywatele nieznający języka wspomnianych dokumentów. W świetle tych wydarzeń oraz prężnego rozwoju tłumaczeń maszynowych (Takakusagi Y. et al. 2021), jaki można zaobserwować w ostatnich latach w związku z opracowaniem technologii sieci neuronowych (Cho et al. 2014), przedmiotem zainteresowania poniższego artykułu są wyniki analizy jakości tłumaczenia maszynowego tekstu specjalistycznego związanego z pandemią COVID-19. Celem badania jest porównanie tłumaczenia z języka angielskiego na język polski wykonanego przez translatory DeepL oraz Google Tłumacz pod kątem najczęściej występujących w nich błędów. Analizie poddano tłumaczenie tekstu prawnego dotyczącego wytycznych w zakresie podróży międzynarodowych opublikowanego w Wielkiej Brytanii w czerwcu 2020 roku. W badaniu wykorzystano tłumaczenia tekstu wykonane przez dwa popularne i ogólnodostępne serwisy tłumaczeniowe online, tj. Google Tłumacza oraz DeepL. Ocenę tekstów wyjściowych oparto na kryteriach błędów tłumaczeniowych opracowanych przez American Translators Association (2017), które wykorzystywane są także przy ocenie tłumaczeń studentów kierunków tłumaczeniowych. Wyniki przeprowadzonego badania wskazują na potencjał, jaki dostrzec można w proponowanym rozwiązaniu, wyraźne są jednak też obszary, w których technologia ta wymaga dopracowania.

Słowa kluczowe:

DeepL, Google Tłumacz, jakość tłumaczenia, teksty prawnicze, tłumaczenie maszynowe, pandemia

Pobierz pliki

pdf HTML XML

Zasady cytowania

Boralewska, M. ., Gil, P., & Macko, A. (2021). DeepL czy Google Tłumacz? Porównanie tłumaczeń maszynowych z języka angielskiego na język polski brytyjskiego aktu prawnego „The Health Protection (Coronavirus, International Travel) (England) Regulations 2020”. Lingua Legis, 1(29). https://doi.org/10.32612/uw.25434357.2021.29.pp.75-93 (Original work published 18 maj 2022)

Cited by / Share

Licencja

Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.

Bibliografia

American Translators Association (2017) „Framework for Standardized Error Marking”. Pobrane z: https://www.atanet.org/certification/how-the-exam-is-graded/error-marking/ (dostęp: 12.11.2021).
Google Scholar

American Translators Association (2021) “Explanation of Error Categories”. Pobrane z: https://www.atanet.org/certification/how-the-exam-is-graded/error-categories/ (dostęp: 12.11.2021).
Google Scholar

Bahdanau, D., Cho, K., Bengio Y. (2014) Neural Machine Translation by Jointly Learning to Align and Translate. Pobrane z: https://www.researchgate.net/publication/265252627_Neural_Machine_Translation_by_Jointly_Learning_to_Align_and_Translate (dostęp: 13.11.2021).
Google Scholar

Caswell, I., Liang, B. (2020) Recent Advances in Google Translate, w: Google AI Blog. (2020). Pobrane z: https://ai.googleblog.com/2020/06/recent-advances-in-google-translate.html (dostęp: 12.11.2021).
Google Scholar

Cho, K., van Merrienboer, B., Bahdanau D., Bengio, Y. (2014) On the Properties of Neural Machine Translation: Encoder-Decoder Approaches. Doha: Association for Computational Linguistics.
Google Scholar

Doyle, M. S. (2003) “Translation Pedagogy and Assessment: Adopting ATA's Framework for Standard Error Making”, w: The ATA Chronicle. Pobrane z: https://pages.charlotte.edu/michael-scott-doyle/wp-content/uploads/sites/264/2020/12/Doyle-Translation-Pedagogy-and-Assessment-Adopting-ATAs-Framework-for-Standard-Error-Marking.pdf (dostęp 11.11.2021).
Google Scholar

Hidalgo-Ternero, C. M. (2020) “Google Translate vs. DeepL: Analysing neural machine translation performance under the challenge of phraseological variation”, w: Mogorrón Huerta, Pedro (red.) 2020. Análisis multidisciplinar del fenómeno de la variación fraseológica en traducción e interpretación/ Multidisciplinary Analysis of the Phenomenon of Phraseological Variation in Translation and Interpreting. MonTI Special Issue 6, 154-177.
Google Scholar

Killman, J. (2014) “Vocabulary accuracy of statistical machine translation in the legal context”, w: Al-Onaizan, Y., Simard, M., Proceedings of the 11th Conference of the Association for Machine Translation in the Americas, Vancouver: Association for Machine Translation in the Americas, 85-98.
Google Scholar

Kubacki, A. (2019) „Podstawowe trudności w przekładzie tekstów prawniczych”, w: Prawo i język prawa – współczesne dylematy (artykuły po konferencji), 3-8. Lubelskie Stowarzyszenie Tłumaczy. Lublin. Pobrane z: https://lst-lublin.org.pl/ (dostęp 12.11.2020).
Google Scholar

Knap, M. (2017) „Rozważania na temat kompetencji tłumacza tekstów specjalistycznych na przykładzie języka turystyki”, w: Społeczeństwo. Edukacja. Język 6, 59-75, Państwowa Wyższa Szkoła Zawodowa w Płocku, Płock. Pobrane z: https://bazhum.muzhp.pl/czasopismo/707/?idvol=13756 (dostęp: 9.11.2020).
Google Scholar

Lagoudaki, E. (2008) „The Value of Machine Translation for the Professional Translator”, w: Proceedings of the 8th Conference of the Association for Machine Translation in the Americas: Student Research Workshop, 262-269, Waikiki, USA. Pobrane z: https://aclanthology.org/2008.amta-srw.4/ (dostęp: 5.11.2020).
Google Scholar

Pérez-Macías, L., Sánchez-Ramos, M. ª Mar., Rico, C. (2020) “Study on the Usefulness of Machine Translation in the Migratory Context: Analysis of Translators' Perceptions”, Open Linguistics, 6(1), 68-76.
Google Scholar

Phelan, M. (2017) “Analytical assessment of legal translation: a case study using the American Translators Association framework”, The Journal of Specialised Translation, 27, 189-210.
Google Scholar

Spyrka, L. (2018) „O najstarszych polskich przekładach literatury słowackiej”, w: Czapik, B. Przekłady Literatur Słowiańskich, 9,1, 183-200.
Google Scholar

Takakusagi, Y., Oike, T., Shirai, K., Sato, H., Kano K., Shima, S., Tsuchida, K., Mizoguchi N., Serizawa, I., Yoshida, D., Kamada T., Katoh, H. (2021) „Validation of the Reliability of Machine Translation for a Medical Article from Japanese to English Using DeepL Translator”, Cureus 13 (9). Pobrane z: https://www.cureus.com/articles/68917-validation-of-the-reliability-of-machine-translation-for-a-medical-article-from-japanese-to-english-using-deepl-translator (dostęp: 15.11.2020).
Google Scholar

UK Statutory Instruments (2020) „The Health Protection (Coronavirus, International Travel) (England) Regulations 2020”, No. 568
Google Scholar

Ternero, C.M. (2020) „Google Translate vs. DeepL: analysing neural machine translation performance under the challenge of phraseological variation”, w: Mogorrón Huerta (red.), Multidisciplinary Analysis of the Phenomenon of Phraseological Variation in Translation and Interpreting. MonTI Special Issue 6, 154-177.
Google Scholar

Wiesmann, E. (2019) “Machine Translation in the Field of Law: A Study of the Translation of Italian Legal Texts into German”, Comparative Legilinguistics, 37(1), 117-153.
Google Scholar

Vanjani, M. (2020) „A Comparison of Free Online Machine Language Translators”, w: Journal of Management Science and Business Intelligence, 26-31. Pobrane z: http://www.ibii-us.org/Journals/JMSBI/V5N1/V5N1.html (dostęp: 8.11.2020).
Google Scholar

Yates, S. (2006) „Scaling the tower of Babel Fish: An analysis of the machine translation of legal information”, w: Law Library Journal 98(3), 481-500, The American Association of Law Libraries, USA.
Google Scholar