طراحی مدل مفهومی ترجمۀ ماشینیِ بافت-آگاه: رهیافتی به ترجمۀ بافت-بنیان

ابراهیم عزتی

نویسندگان

ابراهیم عزتی ^📧 بخش زبانشناسی و زبانهای خارجی دانشگاه پیام نور تهران ایران

چکیده

این پژوهش به صورت میان-رشته‌ای با الهام از مباحث بافت-بنیان در ترجمه از یک سو و با بهره‌گیری از دستاوردهای پردازش طبیعی زبان از طرفی دیگر، سعی در معرفی مدلی مفهومی برای ترجمۀ ماشینی دارد که بر اساس بافتِ گفتمان طراحی شده است. با توجه به اهمیت بافت در ترجمۀ جملات از زبان مبدأ به زبان مقصد، مدلِ ترجمۀ ماشینی بافت-آگاه به عنوان مدلِ پیشنهادی برای رفع مشکلات ترجمه‌ای و جاریِ ترجمه‌های ماشینی ارائه می‌گردد. مدل طراحی شده نه تنها از مشخصه‌های قابل‌مشاهده در بافت بهره می‌برد، بلکه از ویژگی‌های فرامتنی و همچنین قابل‌پیش‌بینی در بافت نیز برای دستیابی به ترجمۀ صحیح و مناسب‌تر استفاده می‌کند. براین‌اساس، بافت به سه حوزۀ کاربردی یعنی (1) موضوع، (2) فضای تصویری و (3) عناصر سازندۀ دسته‌بندی شد. در این مدل که یک تابع از X به Y است؛ هر واژه، عبارت یا جملۀ ورودی پس از تبدیل به دنبالۀ X یعنی الگوی قابل پردازش برای ماشین ترجمه، وارد پردازشِ چهار مرحله‌ایِ سیستم بافت-آگاه یعنی (1) کسب بافت، (2) مدل‌سازی بافت، (3) استنتاج بافت و (4) توزیع بافت می‌شود. در این چهار مرحله، ویژگی‌هایِ بافتی صریح و همچنین ویژگی‌های بافتیِ ضمنی در خصوص جملۀ ورودی، تحلیل و مشخص می‌گردند. پس از پردازشِ سیستم بافت-آگاه، خروجیِ آن به صورت دنبالۀ Z₁ مرتب می‌شود. این دنباله مطابق ویژگی‌هایِ بافتیِ زبان مبدأ مرتب شده است. سپس دنبالۀ Z₁ به دنبالۀ Z₂ مطابق زبان مقصد برابرگزینی می‌شود. در نهایت ساختار Z₂ به ساختار Y که جملۀ نهائی ترجمه‌شده به زبان مقصد است، تبدیل می‌شود. نوآوری در مدل پیشنهادی محقق، ادغام ویژگی‌های ترجمه بافت-بنیان با ویژگی‌های سیستم بافت-آگاه در مراحل پردازش است. یکی دیگر از پیشنهادهای خلاقانۀ این مدل، بررسی میزان رضایت کاربر از ترجمۀ ارائه شده است که به‌منظور کیفیت‌سنجی ترجمه و در صورت نیاز اصلاح و بهبود آن درنظرگرفته می‌شود.

کلمات راهنما:

منظور شناسی، ترجمه¬ی بافت-بنیان، ترجمه ماشینی، سیستم بافت-آگاه

مراجع

ترکاشوند، فرشید و قائمی، نجمه (1396). چالش¬های بافت فرهنگی در ترجمه از فارسی به عربی: با تمرکز بر گلستان سعدی و روضة الورد. پژوهش¬های ترجمه در زبان و ادبیات عربی، 17(27)، 79–98.

خان¬جان، علیرضا (1395). مسئلۀ بافت در ترجمه. فصلنامۀ مترجم، 24(58)، 76–93.

قنبریان شیاده، مریم، ذوالفقاری، محسن و حیدری، حسن (1401). خوانش نشانه¬شناسي لایه¬ای در فرایند معنایي داستان مدرن «ابوالهول» از فرشته‌ساری. متن¬پژوهی ادبی، 26(93)، 97–122.

نیلی¬پور، رضا (1378). کاربرد اصطلاح¬ها و تعبیرها در ترجمه. تهران: دانشگاه پیام نور.

Alzeebaree, Y. (2020). Lexical and Structural Ambiguity in Machine Translation: An Analytical Study. Eastern Journal of Languages, Linguistics and Literatures, 1(1).

Ashengo, Y. A., Aga, R. T., & Abebe, S. L. (2021). Context based machine translation with recurrent neural network for English–Amharic translation. Machine Translation, 1–18.

Bender, E. M., & Good, J. (2020). A grand challenge for linguistics: Scaling up and integrating models. White paper contributed to NSF’s SBE, 1–1.

Chomsky, N. (1957). Syntactic Structures. The Hague: Mouton.

Chomsky, N. (1965). Aspects of the theory of syntax. M.I.T. Press.

De Matos, E., Tiburski, R. T., Moratelli, C. R., Johann Filho, S., Amaral, L. A., Ramachandran, G., Krishnamachari, B., & Hessel, F. (2020). Context information sharing for the Internet of Things. Computer Networks, 1(16). https://doi.org/10.1016/j.comnet.2019.106988

Dey, A. K., & Häkkilä, J. (2008). Context-awarenessand mobile devices. User interface design and evaluation for mobile technology, 1, 205–217.

França, R. P., Monteiro, A. C. B., Arthur, R., & Iano, Y. (2021). An Overview and Technological Background of Semantic Technologies. Advanced Concepts, Methods, and Applications in Semantic Computing, 1–21.

Gollagi, S.G., Math, M.M. & Daptardar, A. (2020). A survey on pervasive computing over context-aware system. CCF Trans. Pervasive Comp. Interact, 2(1), 79–85. https://doi.org/10.1007/s42486-020-00030-6

Idlibi, D. (2019). The importance of context in translation. A study of some selected English and Arabic terms and concepts. GRIN Verlag.

Joshi, P., Santy, S., Budhiraja, A., Bali, K., & Choudhury, M. (2020). The state and fate of linguistic diversity and inclusion in the NLP world. arXiv preprint arXiv:2004.09095

Kenny, D. (2019). Machine translation. In Routledge Encyclopedia of Translation Studies (pp. 305–310). London: Routledge.

Koehn, P. (2009). Statistical machine translation. Cambridge University Press.

Koehn, P. (2017). Neural machine translation. arXiv preprint arXiv:1709.07809

Larson, M. L. (1984). Meaning-based translation: A guide to cross-language equivalence. University press of America.

Lazidis, A., Petrakis, E.G.M., Chouliaras, S., Sotiriadis, S. (2022). Open-Source Publish-Subscribe Systems: A Comparative Study. In: Barolli, L., Hussain, F., Enokido, T. (eds) Advanced Information Networking and Applications. AINA 2022. Lecture Notes in Networks and Systems, vol 449. Springer, Cham. https://doi.org/10.1007/978-3-030-99584-3_10

Moussallem, D., Wauer, M., & Ngomo, A.-C. N. (2018). Machine translation using semantic web technologies: A survey. Journal of Web Semantics, 51, 1–19.

Nugroho, A. B. (2016). Meaning and translation. JEE, Journal of English and Education, 1(2).

Poslad, S. (2009). Ubiquitous computing: Smart devices, environments and interactions(1st ed.). Wiley Publishing, p. 491.

Pradeep, P., & Krishnamoorthy, S. (2019). The MOM of context-aware systems. Computer Communications, l(137):44–69. https://doi.org/10.1016/j.comcom.2019.02.002

Pranowo, P. (2020). The role of context in the interpretation of pragmatic meaning. Retorika: Journal Bahasa, Sastra, dan Pengajarannya, 13(2).

Sezer, O. B., Dogdu, E. & Ozbayoglu, A. M. (2018). "Context-Aware Computing, Learning, and Big Data in Internet of Things: A Survey," in IEEE Internet of Things Journal, vol. 5, no. 1, pp. 1–27, Feb. 2018, doi: 10.1109/JIOT.2017.2773600

Song, L. (2010). The role of context in discourse analysis. Journal of Language Teaching and Research, (1) 6: 876–879. doi: 10.4304/jltr.1.6.876-879

Stanlaw, J. (2020). Halliday, Michael. The International Encyclopedia of Linguistic Anthropology, 6(1), 1–4.